B

ienvenido al proceso de contratación en la era de la IA, donde la tecnología no solo ayuda a los candidatos a prepararse, sino que también puede hacer la entrevista por ellos. Esto puede resultar inquietante, pero no es sorprendente, según Mike Kyle, director general de reclutamiento tecnológico en Coda Search & Staffing, una firma de reclutamiento ejecutivo.

El enfoque más inteligente es replantear la forma en que se realiza la entrevista, dice Tiziana Casciaro, profesora de comportamiento organizacional en la Rotman School of Management de la Universidad de Toronto.

En otras palabras: no se preocupe por detectar el uso de IA. En su lugar, céntrese en si los candidatos tienen las habilidades humanas que la IA no puede replicar. He aquí cinco a tener en cuenta.

1. ¿Qué tan bien entiende y responde a las señales sociales el candidato?

Claro, hay señales: pausas incómodas, ojos distraídos, una expresión rígida. Pero, ya sea que eso provenga de la IA o de los nervios de la entrevista, lo que importa es si los candidatos tienen habilidades interpersonales básicas, como la capacidad de comprender las señales sociales y adaptarse.

Kyle recomienda conversar con los candidatos antes de profundizar en la entrevista para establecer una referencia de sus patrones de habla. “Obtenga una idea de su estilo de comunicación”.

Una vez que tenga esa referencia, observe cómo gestionan los cambios en la conversación. Cambie su tono o lenguaje corporal, haga un leve cuestionamiento a una respuesta, y vea si lo notan y se adaptan. Esa capacidad de respuesta le dice mucho sobre su autoconciencia y sobre si pueden “leer” a las personas.

2. ¿Cómo razona a través de ideas complejas y conecta la información?

Incluso si un candidato está usando un chatbot durante la entrevista, hay una gran diferencia entre depender totalmente de él y usarlo para ayudar a moldear su propio pensamiento, señala Casciaro.

Kyle sugiere presentar escenarios confusos y ambiguos donde no haya una respuesta claramente correcta, para ver cómo manejan la incertidumbre los candidatos. Luego, escuche cómo razonan y conectan las ideas.

3. ¿Cómo hacen avanzar la conversación las preguntas del candidato?

Otra forma de determinar si los candidatos son curiosos y capaces de pensar críticamente es observar qué tanto están dispuestos a hacer preguntas y qué tan bien identifican las lagunas de información.

Kyle recomienda plantear preguntas que sean deliberadamente vagas o que omitan detalles clave. El objetivo es ver si reconocen lo que falta y piden más información.

4. ¿Cómo responde cuando la conversación toma un rumbo inesperado?

Preste atención a cómo responde el candidato cuando usted se sale del guion. Si se desenvuelven con soltura en terreno familiar, pero tropiezan en lo desconocido, eso muestra cómo enfrentan los desafíos inesperados, dice Kyle.

Él sugiere sorprender a los candidatos a mitad de la entrevista con una solicitud: compartir su pantalla y mostrar algo en lo que hayan trabajado, como un borrador de proyecto, un fragmento de código o cualquier cosa relevante.

Por supuesto, no se trata de monitorear sus pestañas. Se trata de observar si mantienen la compostura, pueden pensar con rapidez y explicar su razonamiento sin preparación.

5. ¿Qué tan bien trabaja el candidato con otras personas y resuelve problemas en el momento?

Algunas organizaciones exigen a los candidatos que asistan presencialmente a las entrevistas finales, señala Kyle. Sin embargo, pueden ser costosas, complicadas en términos logísticos y no siempre prácticas, dice Casciaro. Una alternativa más simple son las entrevistas grupales, donde varios candidatos se unen a una videollamada al mismo tiempo, tres o cuatro a la vez, para un ejercicio en equipo o una actividad de resolución de problemas.

E

xiste un consenso casi universal de que la IA cambiará fundamentalmente la forma en que se hacen los negocios y, sin embargo, la mayoría de las organizaciones aún no han visto un impacto sustancial de sus esfuerzos en IA.

Si bien es cierto que las organizaciones enfrentan barreras técnicas adicionales, como una mala calidad de los datos, la complejidad de la integración o los costos de infraestructura, nuestra experiencia colectiva trabajando con cientos de empresas muestra que el principal obstáculo es la capacidad de las compañías para adaptarse, reinventarse y escalar nuevas formas de trabajo. A esto lo llamamos resiliencia al cambio.

Estos son los pasos que usted necesita seguir, como líder y como organización, para mejorar su resiliencia al cambio:

1. Aprender: Comprender los conjuntos de herramientas, mentalidades y habilidades.

Para revelar los puntos débiles, es importante lograr que sus empleados interactúen con la IA y lancen experimentos. Utilice estos experimentos para desarrollar una intuición sobre cómo su empresa podría reinventar sus procesos, al mismo tiempo que identifica y elimina las barreras culturales que penalizan los proyectos piloto fallidos o los cuellos de botella técnicos que hacen que el acceso a los datos se convierta en un trámite de un mes.

2. Hacer: Lanzar intervenciones específicas.

Aborde cada brecha en la resiliencia al cambio con la acción más ligera posible que pueda generar impulso en semanas, no en trimestres. Si la cultura evita el riesgo, introduzca “microapuestas”, es decir, experimentos de 10 días con un ritual de celebración pública por los aprendizajes, no por los resultados. En los casos en los que no se disponga de las capacidades necesarias, se pueden realizar sprints basados en cohortes que emparejen a expertos en la materia con científicos de datos para presentar un concepto de IA funcional al final del sprint. El producto se convierte tanto en una capacidad como en una prueba de lo posible. Si lo que falta son herramientas, implemente un espacio de datos de autoservicio o un creador de flujos de trabajo de código bajo para que los equipos puedan probar ideas. Cuando una táctica genera resultados, codifíquela en manuales de prácticas, código reutilizable, políticas modificadas, y difunda la plantilla por toda la empresa.

3. Imaginar: Desafiar a su equipo a comenzar de nuevo.

No modernice el modelo operativo antiguo; invéntese uno nuevo. Las funciones del futuro no se parecerán a las funciones laborales de hoy. Las organizaciones habilitadas por IA tienen roles, flujos de trabajo y propuestas de valor completamente nuevos.

4. Actuar: Adoptar ciclos continuos de medición, aprendizaje y reinversión.

No se quede atrapado en la fase de desilusión. Cada ola tecnológica viene acompañada de expectativas infladas y un potencial estratégico real, por lo que es importante actuar pronto, aprender rápido y seguir adelante.

5. Cuidar: Poner el bienestar humano en el centro del cambio.

El cambio rápido puede agotar incluso a la fuerza laboral más capaz. Sin una atención deliberada al bienestar, el entusiasmo por la nueva tecnología rápidamente se convierte en fatiga y resistencia. Por lo tanto, el músculo del cuidado se enfoca en crear seguridad psicológica, monitorear el sentimiento en tiempo real y brindar a las personas los recursos que necesitan para mantenerse sanas y comprometidas mientras aprenden nuevas formas de trabajar. Cuando los líderes tratan los datos sobre bienestar con el mismo rigor que los indicadores financieros, no solo protegen a su gente, sino que también aceleran la adopción de las mismas innovaciones que impulsan la ventaja competitiva.

Cuando los líderes adoptan la resiliencia al cambio, desbloquean un círculo virtuoso de adaptación continua que hace que cada experimento con IA sea más rápido, cada reinvención más sencilla y cada éxito más escalable. En contraste, quienes tratan la IA como una mejora puntual corren el riesgo de caer en la trampa: usar herramientas nuevas para conservar modelos antiguos. En la era actual de la IA, la brecha entre quienes se mueven primero y quienes los siguen rápidamente se está ampliando hasta convertirse en un abismo. La diferencia no es el acceso a la tecnología. Es el coraje y la disciplina para seguir cambiando.

E

l impacto de la IA, y en particular de la IA generativa, está sintiéndose en todas las industrias. Pero mientras los ejecutivos están entusiasmados con el potencial de esta tecnología, los trabajadores a menudo desconfían de lo que podría significar para ellos, sus trabajos y su futuro. Estas percepciones divergentes están creando nuevas tensiones y presentando nuevos desafíos para ambos grupos.

Estas tensiones tienen su origen (directa o indirectamente) en el acceso a datos contextuales de alta calidad. Los datos son la información que necesitan los algoritmos de aprendizaje automático para funcionar, y la IA está compuesta por estos algoritmos. Por lo tanto, quienes tienen acceso a datos de alta calidad pueden entrenar IA de alta calidad. A menos que los trabajadores y las organizaciones puedan abordar este problema de los datos de una manera significativa y duradera, el conflicto continuará dirimiéndose mediante enfrentamientos y negociaciones parciales.

Las cooperativas de datos ofrecen un camino significativo hacia adelante. Son un modelo organizacional que permite a las personas agrupar sus datos con el propósito de obtener poder de negociación frente a las empresas que analizan sus datos. Estas cooperativas enfatizan el control individual, el uso ético y el trato justo, y permiten a los usuarios conservar la propiedad y el control de su huella digital. Además, en muchos casos, ofrecen la monetización con fines de lucro de los datos de los miembros de la cooperativa, permitiendo que terceros obtengan información de esos datos (de una manera responsable y que preserve la privacidad).

Los datos como un nuevo factor de producción

El impacto de la tecnología en los empleados y sus empleadores suele analizarse como un juego de suma cero entre ambas partes, donde la automatización aumenta las ganancias de los empleadores mientras reduce los puestos de trabajo para los empleados. Sin embargo, la dependencia de la IA de los datos frescos desafía esta visión.

Las organizaciones que dependen de las capacidades actuales de la IA pueden (tarde o temprano) descubrir que los algoritmos que utilizan comienzan a funcionar peor que antes debido a la «decadencia del modelo», es decir, el deterioro del rendimiento de la IA con el tiempo. La razón es que los datos con los que fueron entrenados ya no son representativos de la realidad en la que la IA debe operar.

Nuestras preferencias, contexto, sentido del humor, gustos y modas cambian constantemente. Y nosotros, los humanos, somos necesarios para revelar nuestras preferencias. Los datos más valiosos serán sobre nosotros mismos, y es nuestra interacción con los sistemas digitales la que genera esos datos. Eliminar al ser humano implica eliminar los datos sobre la persona para la cual la IA está diseñada para generar contenido.

Este hecho, que surge únicamente de la naturaleza de la IA y no de otras tecnologías que en el pasado han afectado al mercado laboral, sorprendentemente puede ayudar a alinear las necesidades de los empleadores y los empleados, ya que los empleados humanos son fundamentales para generar nuevos datos que eventualmente impulsen la IA.

Las cooperativas de datos son a los datos lo que los sindicatos son al trabajo

En el contexto laboral, son los conocimientos de primera mano de los empleados, sus habilidades para resolver problemas y sus competencias en evolución las que cambian con cada nuevo desafío e innovación. Por lo tanto, los datos más valiosos para la IA que puede asumir las tareas de los trabajadores provendrán directamente de las tareas que estos realizan.

Es aquí donde las cooperativas de datos ofrecen un nuevo enfoque para la gestión de datos al permitir que los trabajadores sean copropietarios y gestionen sus datos colectivos a través de un proceso de toma de decisiones más o menos descentralizado. Esto sucede porque los miembros de una cooperativa de datos pueden extraer datos que actualmente están aislados en diferentes fuentes y combinarlos en un solo conjunto. La agregación de datos que los miembros generan a partir de diversas fuentes y situaciones puede conducir al desarrollo de nuevos productos, servicios y modelos de negocio que serían inalcanzables mediante contribuciones individuales o utilizando datos de una sola fuente.

Además, una vez que los trabajadores comienzan a ver la monetización de sus datos por parte de las cooperativas, es mucho más probable que reorganicen sus propios procesos para facilitar una mejor recopilación de datos, lo que a su vez puede generar mejores resultados de IA para la organización y mayores ingresos por datos para los trabajadores.

Ahora que los datos se utilizan cada vez más como un factor de producción (es decir, como insumo) en la economía, parece natural que las cooperativas de datos surjan como una solución. Esta es la misma lógica que llevó al desarrollo de los sindicatos en el pasado: la fragmentación de la estructura de propiedad del factor de producción (ya sea datos o trabajo) impide que cualquier individuo tenga poder de negociación frente al empleador.

Lo que esto significa para el futuro de las relaciones laborales

Para que se libere este valor económico (y para que tanto empleadores como empleados prosperen en la economía de los datos) todos los involucrados deben aumentar su nivel de alfabetización en datos. Tanto los trabajadores como los empleadores deben comprender cómo los datos crean valor mediante la agregación y el análisis para revelar información y patrones que puedan mejorar la toma de decisiones y entrenar modelos de IA. Además, los empleados deben comprender cómo contribuyen a la creación y gestión de dichos datos mientras trabajan, y utilizar la influencia colectiva que les otorgan las cooperativas, con el fin de tener una discusión adecuada sobre el futuro del trabajo.

Para aprovechar al máximo los datos que las personas producen y, al mismo tiempo, garantizar que los trabajadores tengan control sobre qué datos ofrecen y reciban una compensación justa por ellos, los empleadores y los empleados deben seguir estos pasos para poder dar forma al futuro de la economía digital y, por ende, al futuro del trabajo:

1. Evaluar los recursos y el potencial de los datos internos de la organización.

Los empresarios y los empleados deben comenzar por realizar una auditoría exhaustiva de los datos que la organización ya recopila y genera, centrándose en identificar los datos que podrían ser valiosos para la formación o el análisis de IA.

2. Involucrar a los empleados en programas de alfabetización en datos.

Las organizaciones pueden implementar programas de capacitación para mejorar la alfabetización en datos de sus empleados. Al formarlos sobre cómo sus actividades diarias generan datos valiosos, la importancia de estos datos en el desarrollo de la IA y cómo pueden participar en cooperativas de datos, se crean conocimientos valiosos.

3. Incorporar cláusulas de cooperativas de datos en los contratos de trabajo.

Al actualizar los contratos de trabajo para incluir cláusulas que reconozcan los derechos de los empleados sobre sus datos y describan cómo pueden utilizarse sus datos en cooperación con las cooperativas de datos, las organizaciones pueden posicionarse como pioneras en este ámbito. Esto garantizaría la transparencia y proporcionaría un marco jurídico para el uso de los datos, y puede ayudar a atraer nuevos talentos.

Dada la naturaleza dinámica de la sociedad, la IA necesitará (al menos en el futuro previsible) los datos y la orientación de los humanos para generar valor real. Por lo tanto, los trabajadores, deben enfocarse en comprender la interacción entre capital, trabajo y datos, y comenzar a guiar la discusión sobre el futuro del trabajo con una comprensión adecuada de la naturaleza de la IA.

Los líderes empresariales también deben comprender las dependencias entre capital, trabajo y datos para proponer proactivamente marcos colaborativos que permitan a las organizaciones (y por ende a la sociedad) prosperar en la era de la IA.

E

l rápido avance de la IA ha despertado el entusiasmo sobre su potencial para revolucionar la toma de decisiones corporativas, sustituyendo a los costosos y falibles humanos. Sin embargo, es ingenuo creer que los poderosos algoritmos, por sí solos, pueden descubrir la verdad, tomar las decisiones correctas y crear valor. Las decisiones dependen de la interpretación, el contexto y el marco estratégico, áreas en las que el juicio humano seguirá siendo crucial.

Basándonos en nuestra experiencia con la toma de decisiones corporativas, hemos identificado varias dimensiones más allá de los datos y los algoritmos que influyen en la mayoría de las decisiones. Estas dimensiones pueden entenderse a través de un ejemplo sencillo: la compra de un automóvil.

1. Definir el objetivo final.

Toda decisión, en última instancia, persigue un propósito humano. Especificar este propósito es fundamental para entender cómo podría ser el éxito. En el caso de un comprador de automóviles, el propósito humano podría ser demostrar su estatus con un vehículo de lujo o garantizar que sus hijos tengan un medio seguro para ir y volver de la escuela.

Las empresas también tienen objetivos finales que pueden diferir notablemente. Dada la subjetividad de los valores humanos, la definición del propósito humano no puede delegarse a la inteligencia artificial.

2. Enmarcar los objetivos inmediatos.

Para alcanzar su objetivo final, a menudo debe tomar decisiones más pequeñas, inmediatas y tangibles a lo largo del camino. En nuestro ejemplo de la compra de un automóvil, el objetivo final puede ser adquirir un vehículo que cumpla con ciertos estándares de seguridad, pero también debe asegurarse de que el automóvil se ajuste a un presupuesto determinado. En el caso de una empresa, el objetivo final puede ser aumentar las ventas un 10% con respecto al año anterior, pero también debe asegurarse de que la optimización del crecimiento de ventas a corto plazo no comprometa la reputación de la marca a largo plazo.

Este tipo de encuadre de decisiones no puede derivarse únicamente de datos y herramientas analíticas, ya que implica equilibrar las preferencias individuales y colectivas. La participación humana es esencial para identificar estos objetivos y equilibrarlos. Con frecuencia, estos objetivos deben refinarse mediante interacciones iterativas, ya que los humanos suelen descubrir «lo que realmente quieren» en el proceso.

3. Trazar el campo de lo posible.

Una vez definidos los objetivos, es hora de identificar las opciones posibles. Si bien los datos son un insumo crucial para este paso, son retrospectivos; mientras que las decisiones humanas a menudo se basan en contrafactuales, es decir, en lo que podría suceder y en cómo podríamos influir en la probabilidad de que se materialicen diferentes posibilidades.

La imaginación humana es fundamental para ampliar el campo de lo posible. Por ejemplo, si la necesidad que impulsa a un comprador de automóviles es un traslado corto al trabajo, podría considerar alternativas como el transporte público, los servicios de viajes compartidos o los scooters eléctricos.

Todas las empresas se construyen sobre un acto de imaginación. Por ejemplo, los fundadores de Airbnb imaginaron una plataforma donde los propietarios pudieran alquilar habitaciones libres. Esta idea no surgió del análisis de datos existentes sobre la industria hotelera, sino de humanos que imaginaron cómo podrían satisfacer la necesidad de alojamiento asequible.

4. Seleccionar las fuentes de datos.

La evaluación de las opciones puede beneficiarse de datos pertinentes, pero incluso los datos necesitan ser creados: una tarea que requiere la intervención y el discernimiento humanos.

Debemos evitar caer en la trampa de centrarnos únicamente en datos dados o de fácil acceso. En nuestro escenario de compra de un automóvil, basarse únicamente en los datos de eficiencia de combustible proporcionados por el fabricante puede no ofrecer una imagen completa. Complementar esto con reseñas independientes sobre el rendimiento en condiciones reales puede llevar a una decisión más informada.

En el ámbito empresarial, pensemos en la facilidad con la que podemos consultar a los clientes actuales sobre su satisfacción con nuestras ofertas, y en la información adicional que podemos obtener al hablar con personas que no son clientes sobre por qué eligen los servicios de un competidor.