La IA generativa y el futuro de los RRHH

La inteligencia artificial (IA) generativa es poderosa y accesible, y está a punto de cambiar nuestra forma de trabajar. En este episodio del podcast McKinsey Talks Talent, los líderes de talento Bryan Hancock y Bill Schaninger hablan con Lareina Yee, presidenta del Consejo de Tecnología de McKinsey, y Lucia Rahilly, directora editorial global, sobre las promesas y los obstáculos de usar la IA generativa en el área de recursos humanos (RRHH), desde el reclutamiento hasta la gestión del desempeño y el crecimiento profesional habilitado por chatbot. A continuación, ofrecemos una versión editada de la conversación.

¿Qué es tan diferente y disruptivo?

Lucia Rahilly: En los últimos meses se ha hablado mucho de la IA generativa y de herramientas como ChatGPT (Chat Generative Pre-Training Transformer). Mucha gente parece oscilar entre el asombro por el potencial de estas herramientas y el temor a sus riesgos inherentes. Lareina, ¿qué tiene de diferente la IA generativa y qué hay detrás de su potencial disruptivo?

Lareina Yee: Un par de cosas se destacan de la IA generativa. En noviembre de 2022, OpenAI lanzó ChatGPT 3.5 y, en cinco días, había un millón de usuarios. La velocidad de adopción no se parece a nada que hayamos visto.

Para mí, lo más profundo de ese momento fue que cualquier persona –de cualquier edad, nivel educativo o país– podía ingresar a GPT, hacer una o dos preguntas, y encontrar algo práctico o divertido, como un poema o un ensayo. Era una experiencia accesible para todos. La tecnología ha avanzado mucho desde entonces, y solo han pasado un par de meses.

Otra cosa súper interesante es que no hace falta ser un científico informático para aprovechar la tecnología: se puede utilizar en todo tipo de trabajos. La investigación de OpenAI estima que el 80 por ciento de los empleos pueden incorporar la tecnología y las capacidades de la IA generativa en actividades que se realizan hoy en día en el trabajo. Se trata de un impacto profundo en el talento y los puestos de trabajo, y es diferente de cómo hemos hablado de ello antes.

En cierto modo, el genio ha salido de la botella. Probablemente no sea la mejor estrategia tratar de volver a meterlo. Debemos tomar la iniciativa y descubrir cómo usarla de una manera productiva y segura.

Lucia Rahilly: La inmediatez de los casos de uso se siente tan novedosa y rápida como un rayo. Explíquenos qué es la IA generativa, así trabajaremos a partir de una definición común de ese término.

Lareina Yee: La IA generativa es una tecnología que sugiere la siguiente mejor respuesta. Mucha gente ha usado ChatGPT para resumir información, para redactar una respuesta a algo, reuniendo una enorme cantidad de datos públicos. Pero también hay imágenes asombrosas. Puedo querer una canción, un audio, un vídeo o un código. El código es un ejemplo enorme. Es sorprendente la variedad de cosas que la IA generativa puede hacer en el mundo, y apenas está comenzando.

Bryan Hancock: Le pregunté a ChatGPT sobre mí, y me informó correctamente que trabajo mucho con el talento. Sin embargo, me respondió incorrectamente que estudié en Cornell, porque asumió que era la respuesta más adecuada en función de mis antecedentes, en lugar de la Universidad de Virginia, que fue donde estudié. Me pareció muy interesante que no necesariamente obtienes como respuesta lo correcto, sino lo lógico.

Lareina Yee: En cierto modo, eso emula la forma en que pensamos. No estoy sugiriendo que piensa como lo hacen los humanos, pero en muchos aspectos usamos atajos y pistas para hacer suposiciones. Por eso la gente dice: "Caramba, se siente muy inteligente". Pero a tu punto, Bryan, no es 100 por ciento exacto. Hay un gran término para eso: "alucinante".

Qué significa la IA generativa para los reclutadores...

Lucia Rahilly: Hablaremos más sobre algunos de los riesgos, pero veamos qué significan este tipo de capacidades de la IA generativa para el talento en particular. ¿Esperan ustedes que remodele o altere el proceso de reclutamiento de alguna manera significativa?

Bryan Hancock: Creo que remodelará el reclutamiento de dos formas significativas. La primera es ayudar a los gerentes a redactar mejor los requisitos de los puestos de trabajo. La tecnología generativa puede extraer las habilidades necesarias para tener éxito en el trabajo. Eso no quiere decir que los gerentes no tengan que revisar el producto final. Tendrán que ser ese humano en el bucle para asegurarse de que el requisito del puesto de trabajo es bueno. Pero la IA generativa puede mejorar drásticamente la velocidad y la calidad.

La otra aplicación en el reclutamiento es la personalización de candidatos. Ahora mismo, si eres una organización con decenas de miles de solicitantes, puedes o no tener formas súper personalizadas de llegar a la gente que ha presentado una solicitud. Con la IA generativa, se puede incluir mucha más personalización sobre el candidato, el trabajo y qué otros trabajos pueden estar disponibles si hay una razón por la que el solicitante no encaja. Todas estas cosas se vuelven inmensamente más fáciles y rápidas a través de la IA generativa.

Bill Schaninger: La mejor aplicación de la IA generativa es en grandes grupos de habilidades en los que se intenta cubrir un puesto de trabajo razonablemente conocido. Necesitamos una forma más productiva y eficiente de navegar por todos los perfiles que nos llegan. Lo que me inquieta un poco es cuando se trata de un trabajo novedoso –una nueva función–, o incluso, en la ley de Estados Unidos, un trabajo que ha cambiado más de un 25 por ciento o un 33 por ciento. En esos casos, hay que volver atrás y revalidar el criterio por el que se juzgaría a las personas dentro o fuera del grupo.

El desafío de la validación es que se necesita un criterio de rendimiento con el que comparar y decir: "¿Cuál es la diferencia?". En algunos casos, eso significa averiguar cómo obtener ese criterio de un lago de datos sin invadir los datos de rendimiento propiedad de otras personas. Si decimos: "Bueno, solo usaremos nuestros datos como empleador", entonces solo estamos basando el criterio en las personas que ya hemos contratado. Y para validar, tenemos que mirar a la gente que no contratamos.

Esto no significa que la tecnología no pueda usarse. Solo significa que quizás haya un poco más de trabajo previo para aplicarla a nuevos puestos de trabajo y una gran oportunidad para los grandes grupos de habilidades.

Lucia Rahilly: Hablamos mucho de que en el proceso de reclutamiento se ha prestado demasiada atención a las credenciales y poca a las aptitudes. ¿Tiene la IA generativa un papel que desempeñar para acelerar ese cambio de las credenciales, como los títulos universitarios, a las habilidades que los candidatos son realmente capaces de aportar al lugar de trabajo?

Lareina Yee: Soy optimista. Una cosa que esta tecnología hace extremadamente bien es el etiquetado: la capacidad de etiquetar datos no estructurados por palabras. Muchas empresas están pensando en aplicarlo al comercio electrónico, a diferentes tipos de experiencias minoristas. Pero también podríamos aplicarlo a la adquisición de talentos o a la búsqueda de capacidades. Ahora no necesitamos buscar una credencial o un título. Podemos buscar palabras clave en términos de capacidades y habilidades.

Si nos fijamos en las redes sociales, ¿cómo habla la gente sobre ciertas capacidades? Es posible que descubras que hay mejores palabras para asociar con quienes tienen esas habilidades. Pensemos en un mundo en el que queremos encontrar candidatos que tengan una experiencia asombrosa por haber aprendido en el trabajo, pero que no tengan doctorados ni títulos universitarios. Soy optimista y creo que esto podría abrir más puertas a gente así.

Bill Schaninger: Esta es una compensación interesante en el mundo de los negocios, al que le gustan los conjuntos de datos patentados y la agrupación de perfiles. El verdadero poder podría ser: "¿Cuánto puedes obtener en el dominio público hasta que empieces a toparte con muros de pago (paywalls)?".

Hace tiempo, cuando compraron LinkedIn, las interfaces de programación de aplicaciones (Application Program Interfaces, o API) se limitaron a los títulos de los puestos de trabajo, pero no necesariamente a todas las especificaciones que había debajo. Hay poder en estos grupos —en particular, en los perfiles de los puestos de trabajo— porque luego puedes ir a ver las tareas y las habilidades. Me imagino que va a haber una carrera aquí para descubrir cómo podemos juntar estas piezas para formar la nube ontológica, por así decirlo, de "estas 17 cosas describen esta habilidad". Porque realmente se trata de habilidades y no de credenciales.

…y lo que significa para el crecimiento profesional

Bryan Hancock: También se puede pensar en esto como una ayuda para una transición basada en las habilidades, no solo desde la perspectiva del empleador, sino también desde la perspectiva del candidato o del empleado. En el mundo actual, si eres alguien que puede tener algunas habilidades, pero que no tiene una visión muy clara de cuáles podrían ser sus oportunidades profesionales, dependes en gran medida de un gerente o de alguien que se interese por ti y te ayude a navegar hacia caminos “no tradicionales”.

Pero en un mundo de IA generativa, podrías mantener una conversación con un chatbot muy inteligente y decirle: “Oye, estas son mis habilidades y experiencias. ¿Qué trabajos podrían estar disponibles para mí?”. Y podría responderte: "Bueno, la mayoría de las personas con tu perfil de habilidades hacen estas cosas, pero algunas hacen A, B, C", siendo "C" codificación. Y luego, podrías decir: "Dime cuáles serían estos trabajos en codificación", y podrías obtener una descripción del trabajo para un codificador que no solo esté orientada a una persona de TI, sino traducida en palabras que puedas comprender. Entonces podrías decir: “Vale, esto es genial. Estoy interesado. ¿Qué experiencias de aprendizaje necesito?”. Y la IA generativa podría decirte cuáles son esas experiencias de aprendizaje.

Así que para alguien que tiene la habilidad innata, pero no la visibilidad, la IA generativa puede iluminar una variedad de trayectorias profesionales y comenzar a ayudar a las personas a entender cómo llegar allí.

Lareina Yee: Imaginemos que llevo diez años de carrera y me siento un poco estancada. Ahora imaginemos qué pasaría si tuviera un asistente de IA para el desarrollo profesional que me ayudara a reflexionar sobre cuestiones como: “¿Qué tipo de empleo debería buscar? ¿Cuáles son los tipos de funciones dentro de mi empresa? ¿Cómo pienso en ellas?” y “¿Qué clases debería tomar?”, en lugar de esperar a que alguien me vuelva a capacitar, lo que suena fatal. ¿Cómo tomo la iniciativa a los diez años de empezar mi carrera para adquirir los conjuntos de habilidades necesarios y comprender la gama de puestos de trabajo disponibles para mis capacidades? Eso sería genial.

Bill Schaninger: Según el entorno regulatorio en el que nos encontremos, no tenemos permitido tomar ninguna decisión de selección sin la participación de un ser humano. Esto es particularmente cierto en la Unión Europea. Es una buena manera de aumentar el trabajo humano, pero sin eliminar la toma de decisiones. Por el lado de los empleados, debería proporcionar mucha más transparencia; puedes ver realmente lo cerca que estás de muchas cosas. Me encanta por la parte de la experiencia del empleado. Me inquieta la parte de la selección solo porque aún no estamos seguros de lo que hay en el lago de datos y de la capacidad de las personas para incitar a la IA.

Lareina Yee: Correcto. Está muy bien darte algunas opciones, pero no es una respuesta ni un motor de recomendación. Tu juicio importa.

Bryan Hancock: Otra cosa que estamos viendo es que ChatGPT —y la IA generativa en general— puede ser particularmente bueno para conseguir que los nuevos trabajadores se pongan al día más rápidamente.

Recientemente, Erik Brynjolfsson, de Stanford, junto con otros del MIT, realizó una interesante investigación sobre los trabajadores de los centros de atención telefónica. Descubrieron que la funcionalidad de la IA generativa no era tan útil para los representantes más experimentados. En cambio, fue increíblemente útil para los nuevos, porque pudieron obtener ese conocimiento institucional mucho más rápido. Estaba al alcance de sus manos. Podían hacer una pregunta y obtener la respuesta. Así que la productividad de la gente nueva fue mucho mayor. La IA generativa realmente te lleva al 80-90 por ciento del camino hacia la competencia total.

Lareina Yee: Bryan, me encanta eso, y comparto el optimismo.

Novedades para la evaluación del desempeño

Bryan Hancock: Uno de mis usos personales favoritos para la IA generativa en el frente de las personas es en realidad para las revisiones del desempeño. Escúchenme bien: no quiero que la IA generativa genere la evaluación del desempeño de alguien. Eso necesita al ser humano en el bucle, necesita juicio humano, necesita empatía.

Pero permítanme usar este ejemplo de lo que hago como evaluador de McKinsey: recibo comentarios por escrito de 15 a 20 personas. Lo introducen en un sistema digital. Tengo retroalimentación de largo formato. Observo las puntuaciones ascendentes de retroalimentación que incluyen comentarios escritos y puntuaciones numéricas específicas. Me fijo en la frecuencia con la que las personas se desplegaron realmente en compromisos. Miro las medidas relacionadas con el cumplimiento. ¿Entregaron su trabajo a tiempo? Todo un abanico de cosas. Para mí, como evaluador, llegar a un primer borrador es un proceso increíblemente arduo. Me enorgullezco del tiempo y la atención que le dedico.

Pero ¿y si pudiera presionar un botón y obtener un borrador? Cuando tengo cada una de las conversaciones con las 15 personas que mejor conocen a la persona que estoy evaluando, ¿qué pasaría si tuviera un borrador en el que ya estuviera trabajando? No es un reemplazo del proceso, pero esa síntesis inicial me ayudaría a llegar más rápido a lo que realmente necesito sondear para el desarrollo y el crecimiento de esa persona.

Me entusiasma ese caso de uso porque elimina mucho trabajo. Al principio, mucha gente pensaría: "Nunca querría que la IA generativa estuviera cerca de las evaluaciones del desempeño". Pero es emocionante si pensamos en esto como una ayuda a la productividad o como algo que nos ayuda a ser aún mejores.

Lareina Yee: Ahora hablemos del empleado que Bryan está evaluando. El empleado recibe la retroalimentación, y Bryan a lo mejor la escribió claramente y la entregó con empatía, por lo que la persona está sintiendo: "OK, tengo algunas fortalezas, y tengo algunas necesidades de desarrollo".

Pero qué pasa si yo, como empleado, puedo preguntar: “¿Quiénes son cinco modelos de éxito con mis fortalezas y debilidades, y qué han llegado a hacer? ¿Cómo puedo visualizar el desarrollo de mi carrera? ¿Cómo puedo seguir trabajando en ello?”. También podría tener un asistente que me ayudara a trazar un mapa de mi desarrollo profesional. De ese modo, cuando lo comprobemos un año después, realmente habré mejorado y aumentado mis aspiraciones.

¿Qué pasa si Bill es alguien en quien debería inspirarme? En lugar de que Bryan tenga que presentarme a Bill, la IA generativa me ayuda a darme cuenta de que tengo madera para ser un Bill Schaninger. Eso me puede inspirar. Creo que hay muchas cosas que mejoran lo que hemos estado tratando de hacer tan laboriosamente durante años.

Bill Schaninger: Hablamos de poner al gerente de nuevo en la gestión del desempeño. Cada vez que hables con alguien sobre algo bueno o malo, anótalo. Así, al final del año, es más una agregación y una síntesis, y no una sorpresa para nadie. Pero eso requiere un registro regular. Entonces, aunque me encanta lo que estás describiendo, no es la tecnología la que lo hace; es la gente comprometida con la captura común de datos y los enfoques comunes que lo permiten.

Bryan Hancock: Entiendo tu punto muy bien. Entonces, como evaluador, aplico mi criterio humano.

Bill Schaninger: Los datos normativos están bien. Cuando obtenemos nuestros datos de patrocinio y tutoría en McKinsey, vemos cómo nos comparamos con otros socios en una región determinada. Sin embargo, si no tienes un punto de referencia, ¿cómo sabrías lo que es realmente “bueno”? Cuando obtienes los datos normativos, puedes comenzar a orientarte. Todo eso me gusta, y todo ello está habilitado gracias a enormes cantidades de datos.

Si esto permite una visión más sólida y completa del desempeño real, será mucho más fácil mantener una conversación difícil sobre el desempeño. Necesitamos volver a colocar al gerente en la gestión del desempeño. Pero ¿podemos ponérselo más fácil a los gerentes para que puedan dedicar su tiempo a gestionar en lugar de garabatear un cronograma o tejer 15 puntos de datos?

Sesgos y otros riesgos

Lucia Rahilly: Hablemos un poco más sobre algunos de los riesgos. La IA generativa aprende basándose en datos históricos, y los patrones históricos de datos reflejan sesgos históricos. Al confiar en herramientas impulsadas por la IA generativa, ¿cuál es el riesgo de que estemos propagando inadvertidamente estos sesgos heredados?

Lareina Yee: Ciertamente, hoy en día, la IA generativa puede amplificar los sesgos.

Digamos que estoy reclutando y describo algunas cualificaciones diferentes. Estoy buscando centros urbanos de talento y decido que me gustaría buscar capitanes de baloncesto; o quizás, en cambio, digo que los capitanes de lacrosse son deseables. Estos son deportes de equipo con capitanes y liderazgo, así que en cierto modo tiene sentido.

Pero si nos fijamos en la demografía, quien juega baloncesto en las ciudades es muy diferente de quien juega lacrosse. Y así, al hacer hincapié en el lacrosse, por lo general obtendremos más jóvenes líderes varones blancos, mientras que, si elegimos el baloncesto, podemos encontrar más afroamericanos o latinos. ¿Qué pasa con el sóftbol, donde vemos mujeres? ¿Qué pasa si, en cambio, seleccionamos todo un conjunto de deportes? Incluso entonces, la mera selección de los deportes como filtro podría amplificar el sesgo en el interrogatorio. Creo que el poder de la pregunta está en nosotros como humanos.

Bryan Hancock: Por supuesto que también hay problemas de propiedad intelectual.

Pero también creo que existe el riesgo de que todos nos volvamos menos interesantes. Si trabajas en un campo creativo y aprovechas la IA generativa para aumentar tu producción de seis artículos a la semana a doce, estás dedicando menos tiempo a cada artículo. Es posible que necesites hacerlo para llegar a tiempo a la publicación, pero eso también significa que no estás pasando tanto tiempo en la ducha, corriendo o en el automóvil pensando en los artículos. Tu productividad aumentará, pero no necesariamente tendrás tanto tiempo para el pensamiento creativo. Sabemos que los pensamientos más creativos surgen en los ratos muertos, cuando estás haciendo otra cosa y dejas que tu mente divague.

Este riesgo de ser menos interesante es importante, y puede que aún no lo hayamos considerado del todo.

Lareina Yee: Precisamente. Hay muchos riesgos. Pensemos también en los líderes que están implementando esta tecnología. A menudo, las personas tenían un flujo de trabajo en el que pensaban en una tecnología y en el retorno de la inversión empresarial, y solo al final se preguntaban: "¿Hay algún riesgo del que debamos preocuparnos?". Yo recomendaría encarecidamente que se pensara en el riesgo desde el principio en el diseño del flujo de trabajo.

La otra cosa es que hay una oportunidad real para lo que normalmente llamamos "gestión del cambio". Si no se piensa en cómo la tecnología cambia el trabajo, el flujo de trabajo o el modelo de colaboración, entonces no necesariamente se está dirigiendo ese tiempo adicional hacia algo que tenga más valor añadido. Hay que pensar en cómo afecta al resto de la jornada y la semana laborales.

Bill Schaninger: En muchos casos, nos gustaría culpar a la tecnología y no destacar la mala resolución de problemas que ocurrió justo antes de implementarla. Obtener una herramienta mejor y más brillante, que sea más rápida y expansiva, no te libera de la carga de pensar las cosas detenidamente.

Lareina Yee: Lo más importante a destacar aquí es que tres de nosotros hemos pasado este tiempo pensando en todas las intenciones positivas y las formas en que podemos usar esto para el bien. Pero probablemente haya personas que estén pensando en esta tecnología y preguntándose: "¿Cómo puedo usar esto para hacer daño?". Tradicionalmente, esta es la razón por la que la regulación gubernamental, las políticas y los estándares internacionales desempeñan un papel fundamental en nuestra sociedad. No creo que se pueda dejar completamente en manos del sector privado la autorregulación.

Prepararse para lo inevitable

Lucia Rahilly: Una de las grandes preocupaciones de la gente es que este tipo de herramientas eliminarán sus puestos de trabajo o —lo que podría ser aún peor— se convertirán en sus jefes. ¿Qué creen ustedes que puede hacer la gente ahora para prepararse para los cambios que se avecinan con la IA generativa?

Bill Schaninger: Yo intentaría que les resultara más fácil aprender y jugar con ella. Esto es mejor que seguir tratando de resistírsele. No creo que debamos dejarnos llevar por esos miedos.

Lucia Rahilly: Y suponiendo que los procesos de RRHH y talento se automaticen cada vez más, ¿cómo pueden los líderes asegurarse de que la IA generativa no se interponga en el camino de lo que Bryan llamó "el humano en el bucle"?

Lareina Yee: Los líderes tienen un enorme papel que desempeñar de dos formas. Una es modernizar y superar sus propias capacidades de talento dentro de sus funciones. Y, en segundo lugar, si el 80 por ciento de su fuerza laboral está cambiando, desempeñan un papel muy importante en cómo eso sucede y cómo afecta a los empleados de sus empresas. Creo que los líderes tienen mucho que decir.

Bryan Hancock: Es una gran oportunidad para que RRHH aumente el acceso a las oportunidades para grandes franjas de su fuerza laboral. Es una oportunidad para conseguir que los gerentes alcancen de manera más consistente el nivel de desempeño que los líderes de RRHH siempre han querido que alcancen, en lugar de trabajar en tareas administrativas. Espero que RRHH vea esto como una oportunidad para convertirlo en una rutina y deshacerse del trabajo que no tienen que hacer. Luego, para el trabajo que sí tienen que hacer, pueden usar esta tecnología para encontrar la manera de obtener mejores respuestas con mayor rapidez.