26/05/2021 · La inteligencia artificial (IA) está reconocida como un factor revolucionario para el ámbito de los RRHH. Sin embargo, su aplicación plantea numerosos retos. La mayoría de los proveedores de software de RRHH del mercado han enriquecido sus soluciones orientadas a los procesos con IA, pero no han logrado cumplir todo lo que prometían. Desarrollar IA capaz de solucionar la complejidad de los datos de RRHH de forma significativa requiere un esfuerzo a largo plazo y un enfoque tecnológico y metodológico verdaderamente centrado en los datos.
Cornerstone ha publicado su estudio sobre Cómo maximizar el verdadero potencial de la IA en RRHH. Las soluciones de IA para RRHH a menudo están creadas específicamente para optimizar los procesos. Los bots de chats son un buen ejemplo: funciones de chat basadas en IA que señalan a los empleados recursos útiles, reduciendo así la carga administrativa del personal de RRHH. En general, sin embargo, no ha estado claro si la IA realmente puede crear valor para los equipos de RRHH más allá de la optimización de las tareas administrativas.
Estas experiencias vienen en forma de datos interpretables. Así, cuantos más datos haya disponibles, más efectivo puede ser un sistema de IA. Es por ello que las soluciones de IA de las empresas GAFAM (Google, Apple, Facebook, Amazon y Microsoft) y BATX (Baidu, Alibaba, Tencent y Xiaomi) han tenido tanto éxito. Estas empresas dominan su mundo digital y poseen grandes cantidades de datos interpretables. Para aplicaciones específicas en sectores más especializados (p.ej. RRHH), esta dependencia de la disponibilidad de datos interpretables ha impedido hasta el presente el desarrollo de soluciones de IA.
En empresas de todos los tamaños, los casos de uso para RRHH abarcan todos los aspectos de su trabajo - desde optimizar los procesos de selección de personal (cribado automático, programación de citas, incorporación), hasta la gestión del talento (asesoramiento laboral, formación profesional) y la toma de decisiones estratégicas (asignación de habilidades, búsqueda experta, reorganización).
Sin embargo, los departamentos de RRHH no están bien preparados para reunir y procesar los datos necesarios para crear un sistema basado en IA eficiente (según encuestas realizadas por IBM, PWC y Deloitte1), y por tanto necesitan recurrir a servicios de IA de terceros.
Comprar servicios de una empresa especialista en IA puede ahorrar años de análisis de datos y desarrollo de productos. Desafortunadamente, para quienes no son especialistas, es extremadamente difícil ver más allá de los pitches de ventas bien ensayados y elegir una solución basada en IA que tenga el impacto deseado sobre el negocio. Además, la variedad de organizaciones y casos de uso dificulta la integración de los sistemas de IA en la arquitectura funcional de una empresa, normalmente creada en base a los procesos corporativos existentes.
Los datos son un punto de partida obligatorio a la hora de crear una solución de IA. La IA y la ciencia de datos que la soporta fueron desarrolladas para tratar datos cuantitativos, y siguen siendo más adecuadas para ello. Por ejemplo: precios de acciones, tasas de fraude en seguros, tiempo y coste de entrega, etc.
Por otra parte, los datos de los empleados y de sus carreras profesionales son cualitativos. Los datos relativos a la carrera de un individuo – como el cargo, la descripción del puesto, las habilidades, la formación, etc. – se expresan en un lenguaje natural. El lenguaje natural (lenguaje que utilizamos para comunicarnos en la vida diaria), es ambiguo y orgánico. Lleno de imprecisiones, emociones y metáforas – e increíblemente difícil de cuantificar como datos categóricos.
No obstante, procesar estos datos textuales es posible, si bien requiere un conjunto de herramientas científicas específicas conocidas como procesadores de lenguaje natural (NPL).
Es importante tener en cuenta que cada uno de los millones de perfiles de empleados que necesitan ser procesados contiene numerosas instancias de datos complejos e inconsistentes, por lo que supone un gran reto para una organización crear
sus propias herramientas de IA para RRHH internamente. El procesamiento automático de datos de carreras profesionales requiere tanto conocimientos de RRHH como de procesamiento del lenguaje natural.
Convertir datos de carreras y de empleados cualitativos en puntos de datos interpretables, medibles y comparables es el primer paso en la creación de una solución de IA para RRHH. El segundo paso consiste en formular modelos complejos capaces de hacer predicciones significativas sobre situaciones o acciones específicas relacionadas con carreras, en base a esos datos.
Por ejemplo: el empleado X tiene tales o cuales experiencias laborales. En base a estos datos:
Aunque aparentemente se trate de preguntas neutrales, la forma en que se formulan también refleja elecciones éticas importantes. Hay que asegurarse de que el algoritmo no muestre parcialidad ante la raza, el género, la edad, etc. Como resultado, un producto de IA debe ser evaluado rutinariamente, y deben tomarse medidas para eliminar la parcialidad de forma proactiva.
Uno creería que una vez finalizado este arduo trabajo, la solución de IA estaría lista para ser implementada. Sin embargo, necesita ser ajustada y adaptada para cumplir aplicaciones específicas, como para una industria, una empresa o un departamento en particular - cada uno con su propio lenguaje idiosincrásico. Este proceso de aprendizaje incremental resulta crucial para que la solución sea lo suficientemente robusta como para reaccionar ante los casos impredecibles que se encontrará a la hora de resolver problemas reales.