L

as plataformas de trabajo en línea como Fiverr, Handy, Uber y Upwork han crecido de manera significativa desde finales de la década de 1990, transformando radicalmente la economía y las prácticas de gestión utilizadas para respaldar el trabajo gig. Uno de los principales cambios introducidos por estas plataformas es su dependencia de las valoraciones de los clientes para evaluar el desempeño de los trabajadores.

Las implicaciones de este cambio son profundas. Las valoraciones de los clientes en estas plataformas no son solo comentarios sobre el desempeño; influyen directamente en las oportunidades de empleo, las asignaciones de trabajo y los ingresos de los trabajadores.

Por qué falla la escala de cinco estrellas y cómo ayuda la dicotomización

Si bien muchas personas creen que las evaluaciones son meritocráticas en teoría, y que son una medida justa del desempeño, se ha demostrado que los sesgos sutiles pueden influir en las evaluaciones, incluso sin conciencia de ello. La probabilidad de que estos sesgos sutiles influyan en las valoraciones puede aumentar cuando los clientes tienen una mayor libertad para hacer la evaluación (por ejemplo, al incluir más puntos en la escala que fomenten una mayor diferenciación).

Por ejemplo, un cliente con un sesgo inconsciente podría calificar a un trabajador racializado con cuatro estrellas en lugar de cinco, creyendo que aún le está dando una buena valoración; al fin y al cabo, es la mayoría de las estrellas disponibles. Sin embargo, cuando estos ligeros cambios a la baja no están relacionados con la calidad y se repiten en miles de transacciones, estos pequeños sesgos se acumulan, dando lugar a desigualdades cuantificables en los ingresos y las oportunidades de los trabajadores.

Los trabajadores enfrentan una creciente inseguridad reputacional, ya que las plataformas de trabajo en línea utilizan algoritmos opacos y valoraciones de los clientes para determinar sus oportunidades laborales. Incluso pequeños cambios en las valoraciones de los trabajadores pueden reducir drásticamente sus ingresos.

Proponemos que cambiar a una escala de valoración dicotómica (por ejemplo, pulgar arriba/pulgar abajo) podría reducir estos sesgos al simplificar la decisión a una elección dicotómica. En lugar de permitir evaluaciones matizadas (pero potencialmente sesgadas), una escala dicotómica anima a los evaluadores a centrarse en la pregunta esencial: ¿El desempeño fue bueno o malo?

Recomendamos las siguientes estrategias para las plataformas que buscan reducir los sesgos en procesos de evaluación similares.

Identifique las brechas.

Las plataformas deben auditar periódicamente sus sistemas de valoración para determinar si las evaluaciones varían sistemáticamente en función de las características que comúnmente no están relacionadas con la calidad del trabajo, como la identidad demográfica del trabajador.

Para detectar con mayor precisión los sesgos (y no las diferencias de calidad), las plataformas deben comparar las valoraciones de los trabajadores que realizan trabajos similares con una experiencia comparable. También pueden analizar de manera proactiva los comportamientos individuales de valoración de los clientes para identificar a aquellos que de forma sistemática califican a los trabajadores de forma diferente en función de sus características demográficas y no de su rendimiento.

Simplifique el proceso.

Adopte procesos de evaluación más simples que dirijan la atención de los calificadores a la evaluación central: ¿El desempeño fue bueno o malo?, en lugar de sistemas de valoración complejos que puedan introducir ambigüedad y sesgo.

Proporcione directrices de valoración más claras.

En un principio, los responsables de las plataformas podrían preocuparse de que pasar a una escala más simple de pulgar arriba/pulgar abajo implique sacrificar las valiosas distinciones que ofrece una escala multipunto. Una posible solución es que las plataformas consideren el uso de una serie de valoraciones dicotómicas en los criterios más importantes para capturar comentarios detallados de manera clara y efectiva.

Los procesos de evaluación efectivos deben ser precisos, justos y fáciles de entender. Nuestra investigación demuestra que, cuando se trata de crear procesos de evaluación más eficaces, a veces las soluciones simples son las más poderosas.

D

ado que la IA generativa tiene la capacidad de mejorar las habilidades en una amplia variedad de categorías de trabajo del conocimiento, surge una pregunta clave: ¿hace que los trabajadores remotos nacionales y extranjeros sean más intercambiables? ¿Podrían, por ejemplo, las empresas estadounidenses sustituir a los trabajadores locales por talentos mejorados con la IA en regiones con menores costos laborales?

Para investigar esto, realizamos una serie de experimentos comparando el rendimiento de trabajadores de Estados Unidos y Sudáfrica en diversas tareas (con y sin ayuda de IA generativa). Elegimos Sudáfrica debido a que cuenta con la infraestructura avanzada necesaria para el trabajo remoto y una población bien educada y angloparlante. Los resultados mostraron que los trabajadores remotos extranjeros que utilizan IA generativa son más intercambiables con los trabajadores nacionales que aquellos que no la utilizan.

Estudio 1: Evaluación de la calidad y productividad del trabajo remoto

Nuestro primer estudio involucró a 200 participantes con educación universitaria, provenientes por igual de Estados Unidos y Sudáfrica, con la mitad de cada grupo utilizando IA generativa para completar tres tareas diferentes:

— La tarea 1 se centró en la comunicación y la sensibilidad cultural, requiriendo que los participantes redactaran un correo electrónico para un cliente potencial.

— La tarea 2 puso a prueba la creatividad, pidiendo a los participantes que crearan un concepto para un anuncio de 60 segundos para una marca global.

— La tarea 3 consistió en calcular las tasas de crecimiento trimestrales a partir de los datos de ventas y analizar las tendencias.

(Estas tareas fueron previamente probadas con un grupo más pequeño y ajustadas en función de la retroalimentación de los participantes).

Evaluamos el rendimiento de los participantes utilizando una rúbrica que medía el profesionalismo, la sensibilidad cultural, la precisión técnica y la velocidad de respuesta. Para analizar los resultados se utilizaron técnicas de Procesamiento del Lenguaje Natural (PLN) y evaluadores humanos.

Resultados e implicaciones

Los hallazgos mostraron que la IA generativa mejoró el rendimiento de los participantes, tanto de Estados Unidos como de Sudáfrica, evidenciando un efecto claro de mejora en todos los tipos de tareas.

La IA generativa redujo el tiempo de finalización de las tareas en un promedio de más del 40% en todos los participantes. No hubo una diferencia significativa en el tiempo ahorrado entre los trabajadores de Estados Unidos y Sudáfrica. Por lo tanto, la IA generativa proporcionó un aumento tanto en la productividad como en la calidad del trabajo en un tiempo significativamente menor.

Estudio 2: Evaluación de la sustituibilidad del trabajo remoto

En un segundo estudio, examinamos directamente la sustituibilidad de los resultados de los trabajadores de Estados Unidos y Sudáfrica desde la perspectiva de evaluadores estadounidenses con educación universitaria. Es decir, buscamos evaluar si estos evaluadores podían distinguir la diferencia entre el resultado de los trabajadores remotos de Estados Unidos y Sudáfrica de nuestro primer experimento.

Los resultados mostraron que los evaluadores no pudieron identificar si el contenido generado con IA provenía de trabajadores remotos de Estados Unidos o Sudáfrica.

Consideramos que esto es una evidencia directa de que la IA generativa hace que los trabajadores remotos extranjeros sean más intercambiables con los trabajadores nacionales y, por ende, más atractivos debido a su costo significativamente menor.

Para evaluar más a fondo la calidad percibida, les pedimos a los evaluadores que calificaran la calidad de cada respuesta en una escala del 1 al 5. Las respuestas asistidas por IA generativa no solo se calificaron como de mayor calidad, sino que también mostraron una menor variabilidad, es decir, la calidad de las respuestas fue más consistente después del uso de IA generativa.

Implicaciones futuras

Esta investigación sugiere que la IA generativa podría marcar un cambio significativo en los patrones de contratación de trabajo remoto. A medida que la IA generativa continúa cerrando las brechas en la calidad de los resultados del trabajo del conocimiento, la ventaja de costos de contratar trabajadores extranjeros se vuelve cada vez más atractiva. El efecto de mejora de la IA generativa aumenta la productividad de todos los trabajadores y, como resultado, fortalece la ventaja competitiva de los trabajadores remotos extranjeros, impulsando a las empresas a ampliar su búsqueda de talento a nivel mundial.

Las organizaciones deben prepararse para la transformación del trabajo remoto impulsada por la IA generativa considerando las siguientes estrategias:

1. Ampliar las reservas de talento.

Los hallazgos de esta investigación demuestran claramente el potencial que tienen las organizaciones para aprovechar la IA generativa y acceder a una reserva de talento global mucho más amplia. Sin embargo, la implementación de este cambio requiere considerar diversos factores:

— Identificación de los puestos adecuados: Si bien la IA generativa puede mejorar la productividad en diversas tareas, es esencial identificar los puestos en los que realmente puede cerrar las brechas geográficas y culturales. Las organizaciones deben realizar evaluaciones exhaustivas de sus necesidades de personal y priorizar los puestos en los que la IA generativa pueda mejorar el desempeño de los trabajadores remotos extranjeros hasta alcanzar los estándares requeridos.

— Replanteamiento de las estrategias de reclutamiento: Las organizaciones deben desarrollar canales sólidos de contratación global, aprovechando las plataformas en línea, las asociaciones internacionales y la experiencia en reclutamiento intercultural. Además, es fundamental adaptar los procesos de selección para dar cabida a diversos orígenes culturales y habilidades lingüísticas.

— Consideraciones legales y éticas: La contratación transfronteriza introduce complejidades legales y éticas relacionadas con leyes laborales, privacidad de datos, impuestos y derechos de propiedad intelectual. Las organizaciones deben garantizar el cumplimiento de las regulaciones pertinentes tanto en su país de origen como en los países donde contratan trabajadores remotos.

— Fomento de la inclusión y la colaboración: Puede ser necesario invertir en herramientas y plataformas de comunicación que superen las brechas geográficas y culturales. Promover la comprensión y la sensibilidad interculturales a través de programas de capacitación y actividades de formación de equipos es importante para la integración exitosa de una fuerza laboral global.

2. Empoderar a los trabajadores con ia generativa.

Las organizaciones desempeñan un papel crucial para facilitar la adopción y el uso efectivo de las herramientas de IA generativa por parte de sus trabajadores, tanto locales como remotos, para mejorar su desempeño y productividad. Esto implica un enfoque integral que abarque orientación personalizada, recursos adaptados y apoyo continuo.

Orientación personalizada y apoyo:

— Identificación de las necesidades individuales: Las organizaciones deben evaluar las necesidades individuales de los empleados y las brechas de habilidades para brindar orientación personalizada sobre la mejor manera de utilizar las herramientas de IA generativa en sus funciones. Esto puede implicar la identificación de aplicaciones de IA específicas relevantes para sus tareas o proporcionar recomendaciones personalizadas para aprovechar las capacidades de la IA.

— Capacitación y formación: Se pueden utilizar programas integrales de capacitación y formación para garantizar que los empleados comprendan las funcionalidades y los beneficios potenciales de las herramientas de IA generativa, incluyendo instrucciones claras, tutoriales y ejercicios prácticos para facilitar la adopción.

— Mentoría y apoyo: Establecer sistemas de mentoría o apoyo puede ayudar a los empleados a superar los desafíos y maximizar los beneficios de la IA generativa en sus flujos de trabajo. Esto podría implicar emparejar a usuarios experimentados con aquellos que son nuevos en la tecnología, o proporcionar acceso a canales de soporte dedicados para la resolución de problemas y orientación.

Recursos y herramientas personalizadas:

— Selección de herramientas de IA relevantes: Las organizaciones deben elegir cuidadosamente herramientas de IA generativa alineadas con sus objetivos y necesidades de los empleados, garantizando que cuenten con soluciones eficaces para sus tareas y responsabilidades específicas.

— Plataformas de intercambio de conocimientos: La creación de plataformas o comunidades internas de intercambio de conocimientos puede facilitar el intercambio de las mejores prácticas sobre el uso eficaz de las herramientas de IA generativa. Estas plataformas pueden fomentar un entorno de aprendizaje colaborativo donde los empleados pueden beneficiarse de las experiencias de los demás y optimizar su uso de la IA.

La integración estratégica de la IA generativa en las estrategias de desarrollo del talento puede ayudar a las organizaciones a obtener beneficios significativos, incluido un mayor acceso al talento global, una mayor productividad de los trabajadores y una fuerza laboral más adaptable y resiliente. Sin embargo, es esencial considerar las implicaciones éticas, legales y prácticas para una implementación exitosa. A medida que la IA generativa siga evolucionando, las organizaciones que adapten proactivamente sus estrategias de talento estarán mejor posicionadas para prosperar en un panorama global cada vez más competitivo.

H

oy en día, la mayoría de las empresas saben que los datos de calidad son esenciales para lograr operaciones eficientes, una toma de decisiones acertada y una inteligencia artificial potente. Sin embargo, no reconocen el papel fundamental que desempeñan las personas en la creación de datos de calidad.

Muchos gerentes, en su mayoría de manera inconsciente, dificultan que las personas hagan lo correcto cuando se trata de datos. Después de todo, ellos también se esfuerzan por hacer lo mejor que pueden: les preocupa cumplir con los KPI y están bajo la presión de sus propios jefes. Al reflexionar con más detenimiento, es posible que identifique los siguientes escenarios:

Escenario 1: En un banco, la gerencia se negó a capacitar a los empleados de primera línea (con salarios bajos) sobre la importancia de los datos que introducían y su relevancia para las operaciones comerciales.

Escenario 2: Después de años de trabajo en el departamento de finanzas, Mary notó que las listas departamentales de proveedores contenían inconsistencias. Sin embargo, solucionar este problema le quitaría tiempo de su «trabajo diario». Así que, por ahora, decide guardar silencio.

Escenario 3: El personal de trabajo social se mostraba reacio a involucrarse en cualquier tarea relacionada con datos; estaban en la organización para servir a la gente, no para trabajar con tecnología.

Escenario 4: Para alcanzar su objetivo, durante las conferencias, un equipo de marketing adoptó el mantra “si respiran, escanee su credencial”. Esto generó mucho trabajo adicional para el departamento de ventas, que tuvo que buscar a personas que no tenían interés alguno en sus productos.

Fomente el orgullo por la calidad del trabajo

Estos escenarios son inquietantemente similares a los que han ocurrido en las fábricas desde los primeros días de la industrialización. Abordar este tipo de problemas fue el objetivo de estadísticos y consultores de gestión como W. Edwards Deming, Joseph Juran y Walter Shewhart desde la década de 1920.

Deming, en particular, destacó la importancia del trabajador común y su derecho a comprender cómo su trabajo encaja en el resto de la organización. Reconoció que casi todos los trabajadores sienten un orgullo natural por lo que hacen y un fuerte deseo de hacer las cosas bien. En su opinión, están en una posición privilegiada para ayudar a determinar la mejor manera de hacer su trabajo.

Su pensamiento es tan relevante para la “fábrica de datos” de la actualidad como lo fue para la fábrica física de hace años. En nuestro trabajo, observamos a diario cómo las personas quieren hacer lo correcto en lo que se refiere a los datos. Considere lo que está ocurriendo (o no) en los escenarios anteriores, y plantee las siguientes preguntas:

1. ¿Las personas comprenden que son creadoras de datos y cómo estos encajan en el panorama general?

2. ¿Existen mecanismos para que las personas expresen sus inquietudes, sugieran posibles mejoras y realicen cambios?

3. ¿Las personas se sienten orgullosas de lo que hacen y asumen la responsabilidad de crear, obtener y utilizar datos que respalden la misión de la organización?

4. ¿Las personas se perciben como clientes de los datos que otros crean, con el derecho y la responsabilidad de explicar lo que necesitan y ayudar a los creadores a desarrollar soluciones en beneficio de todos los involucrados?

Aproveche las oportunidades

Recomendamos que todos los gerentes hagan lo siguiente:

— Vean a las personas de manera positiva y les den voz.

— Relacionen el “trabajo diario” de las personas con los datos.

— Fomenten el trabajo en equipo.

— Comprendan que el empoderamiento conlleva responsabilidad.

— Adopten una actitud de “ninguna idea es demasiado loca”.

Lidere el cambio cultural

Todos los líderes tienen agendas muy ocupadas. Es fácil pasar por alto que los datos de alta calidad son fundamentales para todo, y lo esencial que son las personas para la calidad de los datos. Respételas, muéstreles el panorama general y ayúdelas a desarrollarse como creadoras y clientes de datos.