Nota: Hacemos nuestro mejor esfuerzo por preservar el espíritu original y los matices de nuestros artículos. Sin embargo, nos disculpamos de antemano por cualquier falla de traducción que pueda notar. Agradecemos sus comentarios en reader_input@mckinsey.com
Durante décadas, las organizaciones han confiado en el talento que inicia su carrera profesional para realizar el trabajo rutinario y de menor riesgo que da soporte al negocio y sirve como espacio de formación para los futuros líderes. Pensemos en la trayectoria de Peggy Olson en Mad Men: de asistente novata a protegida de Don Draper y, después, a jefa de redacción de una agencia de publicidad; un ascenso que comenzó porque el trabajo rutinario la mantenía en el lugar donde se ejercía el criterio y donde el suyo propio podía hacerse notar.
En la práctica, los avances en automatización e inteligencia artificial (IA) están transformando la propia composición del trabajo de nivel inicial. Tareas como la investigación, la documentación, la depuración de datos, la programación básica y el análisis preliminar se están agilizando o están siendo absorbidas por los sistemas de IA. Precisamente estas son las actividades mediante las cuales los empleados que inician su carrera profesional han desarrollado tradicionalmente su intuición, perfeccionado su criterio y se han ganado la oportunidad de asumir mayores responsabilidades.
Al mismo tiempo, crece la preocupación por el impacto de la IA en el empleo. En el informe Women in the Workplace 2025 (Mujeres en el lugar de trabajo 2025) de McKinsey y LeanIn.Org, los trabajadores que inician su carrera profesional, especialmente las mujeres, manifestaron ser el grupo de edad más preocupado por la forma en que el uso de la IA afectará su trabajo. La ansiedad está muy extendida: entre los estudiantes del último año de licenciatura, el pesimismo respecto al principio de una carrera profesional aumentó del 46 al 62 por ciento en tan solo dos años, y tres cuartas partes de quienes se mostraban pesimistas señalaron como motivo que las compañías estaban contratando a menos empleados de nivel inicial.1
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
El panorama para la contratación de trabajadores de nivel inicial aún sigue evolucionando, pero los primeros indicadores apuntan a un mercado laboral más restringido. El desempleo entre los universitarios recién graduados en Estados Unidos ha aumentado desde 2019, mientras que el número de puestos de nivel inicial está disminuyendo, particularmente en las ocupaciones más expuestas a la IA. En el primer trimestre de 2026, la tasa de desempleo entre los universitarios recién graduados se situó en torno al 5.7 por ciento, y aproximadamente cuatro de cada diez estaban subempleados; es decir, trabajaban en empleos que normalmente no requieren un título universitario.2 Una investigación del Stanford Digital Economy Lab concluye que los trabajadores de entre 22 y 25 años “en las ocupaciones más expuestas a la IA han experimentado una disminución relativa del 16 por ciento en el empleo, incluso después de controlar factores específicos de cada empresa”.3
Hasta qué punto este debilitamiento es atribuible a la IA sigue siendo un tema de debate. Los economistas del Banco de la Reserva Federal de Nueva York estiman que el auge del trabajo remoto —que dificulta la capacitación a distancia de quienes inician su carrera profesional— explica gran parte del aumento del desempleo entre los recién graduados, mientras que el Budget Lab de Yale todavía no encuentra una evidencia clara del impacto de la IA en el conjunto de la economía, aunque señala que la creciente divergencia entre los graduados más jóvenes y los de mayor edad es coherente con efectos propios de las primeras etapas de la carrera profesional.4
Ya sea que el modelo de aprendizaje en la práctica se esté erosionando por los algoritmos o por la distancia, la implicación para los empleadores es la misma: los mecanismos informales que antes convertían a los recién graduados en profesionales con expertise ya no pueden darse por garantizados. [N. del T.: En algunos pasajes se conserva el término inglés expertise por tratarse de un concepto central del artículo; en otros, se traduce como experiencia especializada. Ambos términos se refieren al mismo concepto.] Estos cambios apuntan a un estrechamiento de las vías tradicionales de incorporación, justo cuando se está redefiniendo la naturaleza del trabajo en las primeras etapas de la carrera profesional.
Para las organizaciones, este es un momento marcado tanto por la incertidumbre como por la necesidad de tomar decisiones. A medida que la IA transforma la manera en que se realiza el trabajo, la pregunta ya no es cuántos empleados de nivel inicial contratar, sino para qué están diseñados esos puestos. Las empresas pueden aprovechar esta transición para replantear el trabajo de nivel inicial como la base para desarrollar experiencia especializada en un entorno impulsado por la IA, dotando a los empleados que inician su carrera profesional de las capacidades necesarias para diseñar, desarrollar y supervisar sistemas de IA, y no solo para operar dentro de ellos.
Este artículo presenta un enfoque de cuatro partes que abarca la gestión del conocimiento, el diseño de roles, el aprendizaje integrado en el flujo de trabajo y el coaching de los directivos. Las organizaciones que actúan de manera deliberada pueden acelerar la rapidez con la que los empleados desarrollan su criterio y asumen responsabilidades de resolución de problemas de mayor valor, fortaleciendo así tanto su experiencia individual como el desempeño a largo plazo.
Siempre habrá una cantera de talento
Los empleados de nivel inicial aportan perspectivas novedosas y una forma creativa de resolver problemas a las organizaciones, impulsando el crecimiento y la innovación. Aprenden bajo la guía de mentores con más experiencia y construyen relaciones que fortalecen la cultura organizacional para todos. Con el tiempo, se convierten en gerentes intermedios y líderes sénior, manteniendo una sólida cantera de talento para el futuro.
La cuestión de cómo formar la siguiente generación de talento no es nueva. Sin embargo, se está agravando a medida que el uso de la IA afecta simultáneamente y de manera transversal muchos niveles del trabajo del conocimiento. Dos líderes sénior de ingeniería de Microsoft, Mark Russinovich y Scott Hanselman, describen la dinámica sin rodeos: los asistentes agénticos de codificación brindan a los ingenieros sénior un “impulso de la IA” que multiplica su capacidad de producción, mientras imponen un “lastre de la IA” a los desarrolladores que inician su carrera profesional y carecen del criterio necesario para guiar y verificar los resultados de la IA. El incentivo resultante —contratar a profesionales sénior y automatizar el trabajo de los júnior— desmantela silenciosamente la base de la pirámide de talento de la que dependen todos los puestos sénior. Su recomendación destaca por su franqueza: seguir contratando a empleados que inician su carrera profesional, aceptar que al principio reducen la capacidad y convertir su desarrollo en un objetivo organizacional explícito.5
Los datos de la encuesta de McKinsey muestran que el uso de la IA generativa está empezando a afectar la necesidad de puestos de nivel inicial en algunas organizaciones (Gráfica 1).
Si bien esta es una tendencia que merece seguirse de cerca, los líderes con los que hablamos están comprometidos con la contratación y la formación de la próxima generación de profesionales con expertise, aunque su número sea menor que antes. Además, algunas organizaciones mantienen estable sus cifras de contratación. Bank of America, por ejemplo, incorporará a casi 4,000 pasantes de verano y nuevas contrataciones provenientes de universidades en 2026, igualando el volumen de contratación del año pasado a partir de una base de candidatos de más de 500 universidades, al tiempo que rediseña explícitamente esos puestos en torno a la IA desde el primer día. Su director de recursos humanos califica este enfoque de “intencional y a largo plazo”.6
En una encuesta realizada en marzo de 2026 entre aproximadamente 1,500 ejecutivos y líderes sénior de talento, quienes esperaban que la IA aumentaría la contratación de trabajadores de nivel inicial en 2026 superaban por casi tres a uno a quienes preveían que la reduciría. Sin embargo, la misma encuesta también deja una advertencia: un tercio de los empleadores afirmó que la IA ya ha reducido las tareas fundamentales mediante las cuales los empleados de nivel inicial desarrollan sus habilidades.7
Las organizaciones buscan contratar personas con las habilidades iniciales necesarias para interpretar la información detallada generada por la IA y trabajar junto a agentes de IA. Para desarrollar una estrategia que guíe a estos empleados, los líderes pueden centrarse en cuatro áreas.
La base: La gestión del conocimiento
Las organizaciones deben aprovechar su conocimiento más valioso para desarrollar flujos de trabajo impulsados por la IA. Si no saben cómo movilizar su experiencia especializada actual para generar datos de alta calidad, les resultará difícil formar a la próxima generación de profesionales con expertise. El objetivo es que esta experiencia sea útil, confiable y esté integrada en los flujos de trabajo cotidianos.
La experiencia especializada codificada captura la manera de pensar de los profesionales de alto desempeño —sus marcos de referencia, reglas de decisión, supuestos y juicios previos— y estructura ese conocimiento para que los grandes modelos de lenguaje (large language models, LLM) puedan acceder a él. Esto incluye datos depurados, casos cuidadosamente seleccionados y taxonomías estandarizadas.
Por ejemplo, pensemos en un abogado júnior de un despacho que trabaja en un contrato de fusiones y adquisiciones (M&A). En lugar de limitarse a buscar entre miles de operaciones anteriores, un sistema impulsado por la IA puede mostrar los precedentes más relevantes en función de las características de la operación y destacar las cláusulas, los compromisos y los patrones de negociación utilizados por los socios más experimentados en situaciones similares. De esta manera, no solo acelera la redacción, sino que también hace explícito el razonamiento que sustenta las decisiones clave, lo que ayuda al abogado a desarrollar su criterio mientras realiza el trabajo.
Un desafío similar surge al determinar qué conocimiento debe tener mayor peso. Un empleado con tres años de experiencia en una empresa de ingeniería puede documentar de manera clara y precisa un proyecto para un cliente. Sin embargo, un líder sénior, con décadas de experiencia en numerosos proyectos, puede elaborar análisis que reflejen patrones más amplios, compromisos e implicaciones a largo plazo. Ambas aportaciones son valiosas, pero no equivalentes. Para que la gestión del conocimiento sea eficaz en un entorno impulsado por la IA, las organizaciones necesitan distinguir entre la experiencia aislada y el juicio acumulado.
Esa distinción debe quedar explícita en la manera en que el conocimiento se selecciona, organiza y pone a disposición de los usuarios. Los sistemas pueden ponderar las aportaciones en función de factores como la profundidad de la experiencia, la repetibilidad de los resultados y la relevancia en distintos contextos. Esto garantiza que tanto las herramientas de IA como los empleados júnior se guíen no solo por lo que está documentado, sino también por lo que refleja el expertise subyacente más sólido.
En esencia, la gestión moderna del conocimiento organiza y prioriza la información de manera que refleje cómo se desarrolla la experiencia especializada, incorporando la validación por parte de expertos, ciclos de retroalimentación y responsables claramente definidos. El sistema mejora con el uso, al incorporar nuevos conocimientos accionables (insights) y perfeccionar la definición de lo que constituye una buena práctica. Esto permite que los empleados con menos experiencia desarrollen su criterio con mayor rapidez y asuman antes la resolución de problemas más complejos a lo largo de sus carreras.
Diseño de los puestos de nivel inicial: El modelo de la “guía de respuestas”
A medida que la IA y los flujos de trabajo agénticos asumen una parte cada vez mayor de la ejecución del trabajo cotidiano, los puestos de nivel inicial pueden rediseñarse para que sus ocupantes trabajen con los resultados generados por la IA, los supervisen y los mejoren. Esto crea una oportunidad para aumentar la productividad a corto plazo sin poner en riesgo la cantera de talento a largo plazo.
En un entorno impulsado por la IA, el objetivo ya no es solo dominar las tareas, sino desarrollar criterio: saber cuándo confiar, cuestionar o descartar los resultados generados por la máquina. Cuando la gestión del conocimiento y el diseño de los puestos son sólidos, los empleados que inician su carrera pueden acceder mucho antes a la experiencia institucional. El factor limitante pasa a ser su capacidad para aplicar ese conocimiento en el contexto adecuado.
Como argumenta Matt Beane en The Skill Code (El código de habilidades),8 las competencias de los empleados de nivel inicial se desarrollan a través de una combinación de desafío, complejidad y conexión con la forma de pensar de los expertos mediante el aprendizaje en la práctica, condiciones que suelen reducirse cuando la tecnología absorbe el trabajo rutinario.
Para evitar esta desconexión, los puestos de nivel inicial pueden incorporar una forma más deliberada de aprendizaje en la práctica, con la IA como parte del proceso. Los equipos pueden crear funciones para realizar contribuciones de menor riesgo e incorporar coaching frecuente sobre cómo interpretar y perfeccionar los resultados generados por la IA. Algunas organizaciones están creando puestos estructurados en torno a programas de aprendizaje, en los que los empleados avanzan mediante asignaciones definidas que combinan el trabajo humano con la asistencia de la IA. Otras están implementando flujos de trabajo paralelos, donde los empleados de nivel inicial completan el trabajo de manera independiente y luego lo comparan con los resultados generados por la IA, utilizando la brecha entre ambos como herramienta de aprendizaje.
Llamemos a este enfoque el “modelo de la guía de respuestas”: el empleado intenta resolver primero la tarea; la IA evalúa ese intento y, posteriormente, el empleado revisa las diferencias junto con su gerente. En este modelo, la IA no reemplaza el aprendizaje práctico, sino que lo transforma, acelerando la retroalimentación y preservando las condiciones necesarias para desarrollar la experiencia especializada.
En una empresa inmobiliaria, un agente de IA generaba evaluaciones de mercado muy detalladas, más completas de lo que un empleado de nivel inicial podía elaborar por sí mismo. En lugar de depender únicamente de la herramienta, la empresa pedía a esos empleados júnior que prepararan primero sus propias evaluaciones “a mano”, recorriendo los barrios, estudiando la geografía y los patrones de tráfico, y formando su propia visión. Después comparaban su análisis con el generado por la IA. Esta comparación se convertía en una herramienta de aprendizaje estructurado al resaltar brechas en el análisis, identificar factores pasados por alto y reforzar un criterio sólido. En este modelo, el agente acelera la retroalimentación y amplía la perspectiva, mientras que el empleado continúa desarrollando la comprensión del contexto y la intuición que sustentan la experiencia especializada. Utilizada de esta manera, la IA potencia el aprendizaje de los empleados de nivel inicial.
La evidencia de otros ámbitos sugiere que es precisamente ese paso de comparación el que produce el aprendizaje. En estudios clínicos, proporcionar simplemente a los médicos un LLM apenas mejoró su desempeño de diagnóstico a largo plazo; un flujo de trabajo que les exigía comparar y reconciliar su propio razonamiento con el del modelo de IA elevó su desempeño en situaciones posteriores hasta alcanzar el nivel obtenido por el propio modelo de IA.9
El resultado inverso es igualmente revelador. Cuando los trabajadores utilizaron IA generativa para realizar tareas técnicas que no podían hacer por sí mismos, esa capacidad desapareció en cuanto dejaron de tener acceso a la IA. No se había desarrollado ninguna habilidad duradera. La dependencia pasiva genera resultados; la comparación estructurada forma expertos. Una advertencia: los flujos de trabajo que exigen este tipo de engagement cognitivo son más difíciles de usar y pueden abrumar a quienes inician su carrera profesional, por lo que deben diseñarse e introducirse de manera deliberada, no añadirse como un elemento accesorio.10
Para gestionar el riesgo, muchas organizaciones están ampliando los entornos controlados de experimentación para el talento que inicia su carrera profesional. Bank of America ofrece a sus pasantes formación en IA específica para su línea de negocio desde el primer día y utiliza simulaciones para acelerar el desarrollo del criterio que antes los banqueros júnior adquirían mediante el trabajo rutinario.
“Tenemos que ofrecer rápidamente a las personas experiencias simuladas —dice Josh Bronstein, director global de talento del banco— para que desarrollen el criterio que, de otro modo, habrían obtenido al realizar algunas de esas tareas durante sus primeros uno o dos años, tareas que ahora, o pronto, la IA u otra tecnología podrá desempeñar.”11 Estos empleados pueden practicar en simulaciones internas o en contextos externos, como colaborando con organizaciones sin fines de lucro, antes de aplicar esas habilidades en entornos de mayor impacto. Esto es cada vez más importante a medida que los empleados de nivel inicial comienzan a configurar o dirigir agentes de IA que pueden escalar decisiones rápidamente.
La implicación es que los puestos de nivel inicial consisten cada vez más en aprender cómo se realiza el trabajo dentro de un sistema impulsado por la IA, desarrollando el criterio, la capacidad de supervisión y la adaptabilidad necesarios para desempeñarse eficazmente como colaboradores y supervisores de la mano de obra digital.
Al mismo tiempo, la estructura de los puestos de nivel inicial está cambiando. En lugar de limitar a los nuevos empleados a especialidades estrechamente definidas por tareas, algunas organizaciones están rediseñando estos puestos en torno a una visión integral de todo el sistema y responsabilidades más amplias.12 Por ejemplo, en lugar de contratar a un analista de ventas, una empresa puede incorporar a alguien para un puesto más amplio que abarque ventas, marketing y expertise comercial. Dado que los perfiles generalistas cuentan con herramientas para adaptar su trabajo a un problema o contexto específico, las organizaciones pueden diseñar el trabajo pensando cada vez más en este tipo de perfiles.
No espere: Aprenda en el flujo de trabajo
Las organizaciones pueden crear agentes y sistemas de aprendizaje que amplíen su conocimiento profundo y monitoreen el desarrollo de habilidades en tiempo real. El modelo de la guía de respuestas incluso proporciona un indicador: la brecha entre el intento independiente de un empleado y el resultado generado por el modelo de IA es observable, y una brecha que se reduce con el tiempo constituye una evidencia directa de que se está desarrollando el criterio, algo que el aprendizaje en la práctica, a pesar de su larga historia, nunca ha podido medir. En este contexto, la idea de “aprender en el flujo de trabajo” se vuelve más concreta, ya que los empleados de nivel inicial aprenden mientras producen resultados reales, con sistemas de IA que actúan como guías y revisores integrados en el proceso.
A medida que las empresas rediseñan sus flujos de trabajo para incorporar agentes de IA, gran parte de la ejecución rutinaria queda en manos del sistema. Lo que permanece en manos de las personas, incluidos los empleados júnior, es de mayor valor: interpretar los resultados, evaluar las disyuntivas y establecer conexiones entre hallazgos procedentes de distintos contextos. La naturaleza de la productividad cambia a medida que los empleados de nivel inicial empiezan a aportar mayor valor desde etapas más tempranas de sus carreras. Para que esto suceda, el apoyo continuo se integra en el propio trabajo. Las herramientas de IA pueden sugerir los siguientes pasos, señalar riesgos y proporcionar retroalimentación inmediata, mientras que los gerentes centran su coaching en el desarrollo del criterio y la toma de decisiones, más que en la ejecución de las tareas.
En la práctica, algunas organizaciones concentran el aprendizaje al principio mediante simulaciones breves o programas de incorporación estructurados. Otras integran rápidamente a los empleados al trabajo real, confiando en que los ciclos de retroalimentación impulsados por la IA y el coaching acelerarán su desarrollo en tiempo real. En ambos casos, el modelo es el mismo: los empleados no esperan a ser productivos; aprenden haciendo, mientras la IA acorta el tiempo necesario para adquirir experiencia especializada y ganarse la confianza.
La ciencia del aprendizaje que sustenta el modelo de la guía de respuestas comienza a consolidarse. En un experimento, estudiantes de primer año de medicina que respondieron preguntas sobre casos generadas por IA y recibieron retroalimentación automatizada y personalizada durante cinco días superaron a los estudiantes de segundo año —con un año más de formación— en los diagnósticos calificados en un examen basado en vídeo, incluso en una evaluación de seguimiento realizada dos semanas después. El aprendizaje persistió, lo que aporta evidencia de que el ciclo de intentar primero y verificar después puede generar habilidades duraderas, en lugar de una competencia prestada.13 Un proyecto piloto de Stanford lleva este diseño un paso más allá: un chatbot interpreta al paciente, el estudiante lo entrevista, formula un diagnóstico y lo defiende, y solo entonces el sistema analiza críticamente su razonamiento.14 La secuencia es el aspecto clave: el estudiante va primero y la IA evalúa el intento.
Contrate por criterio, haga coaching por contexto
Las organizaciones están replanteando a quién deben contratar. En lugar de formar grandes grupos de especialistas júnior, están dando mayor importancia a la adaptabilidad que a una experiencia especializada limitada a un ámbito muy específico. La pregunta está dejando de ser “¿Qué estudiaste?” para convertirse en “¿Cómo razonas?”.
Además de la alfabetización digital, los empleadores están priorizando atributos como la creatividad, la capacidad para resolver problemas, la resiliencia y la capacidad de razonamiento, cualidades asociadas con una elevada capacidad cognitiva general.15 Esta tendencia también se observa en los datos de contratación: cuando los empleadores califican las habilidades que consideran más importantes para las contrataciones de nivel inicial, estas ocupan los primeros lugares de la lista (Gráfica 2).
En otras palabras, la apuesta de largo plazo está en el criterio, no en el dominio de las herramientas. Los puestos que requieren habilidades en IA también tienen casi el doble de probabilidades de exigir pensamiento analítico, resiliencia o agilidad.16 Un director de recursos humanos de una institución financiera incluida en la lista Fortune 100 describió que la empresa no contrata en función de un título específico, sino de “atletas versátiles” con fuertes instintos de aprendizaje, habilidades interpersonales y conocimientos básicos de IA.
Este cambio también abre las puertas a un conjunto más amplio de trabajadores, incluyendo los que la organización sin fines de lucro Opportunity@Work denomina “STARs” (Skilled Through Alternative Routes, o “Personas calificadas a través de vías alternativas”): personas sin título universitario de cuatro años que han desarrollado sus capacidades a través de la experiencia. Dado que el conocimiento es ahora más accesible, estos trabajadores pueden aportar un valor significativo si reciben el apoyo y las oportunidades de desarrollo adecuados.
Esto supone un cambio respecto al modelo de contratación tradicional, que premiaba la especialización profunda desde las primeras etapas de la carrera profesional. A medida que la IA y los sistemas de gestión del conocimiento proporcionan cada vez más expertise bajo demanda, el valor de los empleados radica en la eficacia con la que aplican, conectan y amplían ese conocimiento. En la práctica, las empresas están seleccionando personas con perfiles más completos y un alto potencial, y confían en el aprendizaje en la práctica y la experiencia real para desarrollar expertise con el tiempo.
Dado que los empleados júnior son incorporados mucho antes a actividades de mayor valor, el coaching en habilidades interpersonales cobra aún mayor importancia. Un nuevo empleado puede verse en la necesidad de interactuar con partes interesadas sénior mucho antes que en el pasado. Es posible que tenga que comunicar mensajes difíciles, como recomendar una reducción significativa del presupuesto, y hacerlo con criterio, tacto y seguridad. Los directivos pueden enseñar a un analista recién incorporado cómo conducir una conversación delicada, generar credibilidad o influir en un operador con amplia experiencia.
Sin esa orientación, los empleados que llevan poco tiempo en la organización pueden limitarse a presentar “lo que dicen los datos” de una forma demasiado directa o desconectada de la realidad del negocio. Los directivos siempre han ayudado a los empleados más jóvenes a formular preguntas reflexivas e incorporar otras perspectivas. Sin embargo, estas capacidades son hoy más importante, ya que estos empleados pueden interpretar datos mucho más potentes y completos que antes. Pocos altos ejecutivos desean que un recién graduado de un MBA (Master of Business Administration) les diga que su plan de negocio es poco realista. Los empleados júnior pueden contar con el respaldo de la IA, pero siguen necesitando coaching para saber leer la situación.
Al mismo tiempo, el coaching puede centrarse en ayudar a los nuevos empleados a desarrollar una comprensión más profunda del contexto. A medida que el análisis se automatiza cada vez más, el factor diferenciador ya no es producir una cifra, sino explicarla. Los nuevos empleados necesitan aprender a interpretar patrones, reconocer la dinámica del sector y explicar el “por qué” detrás de los datos. Este tipo de criterio suele adquirirse con la experiencia, pero en este nuevo entorno los coaches pueden acelerar ese aprendizaje mediante retroalimentación en tiempo real, storytelling y “microlecciones” integradas que expliquen cómo funciona realmente el negocio. Ayudar a un analista a comprender, por ejemplo, que un aumento de las ventas puede deberse a ciclos promocionales y no a un incremento real de la demanda es tan importante como enseñarle a presentar las cifras.
Algunos proponen inspirarse en la profesión médica para formalizar el coaching integrado en el flujo de trabajo, otorgándole el peso institucional que la mentoría informal ha ido perdiendo. Molly Kinder, especialista en el impacto de la IA en el trabajo, sugiere que los empleadores tomen como referencia el modelo de residencia médica. Si la IA absorbe las tareas rutinarias mediante las cuales los empleados de nivel inicial antes aprendían de forma incidental, las organizaciones deberían rediseñar estos puestos como períodos protegidos y estructurados de desarrollo deliberado de habilidades, con una progresión hacia la autonomía como un compromiso explícito.17
Russinovich y Hanselman llevan esa lógica un paso más allá dentro del flujo de trabajo diario al proponer un modelo de “preceptor”: una práctica clínica en la que un enfermero o un médico recién incorporado trabaja bajo la supervisión de un profesional sénior designado antes de ganarse el derecho a hacerlo de manera independiente.18 En su propuesta, un ingeniero sénior orienta formalmente a un pequeño grupo de ingenieros júnior y trabaja con ellos utilizando herramientas de IA para que el sénior pueda observar qué aceptan, qué rechazan y en que se equivocan al ejercer su criterio. Así, el papel del mentor deja de consistir en responder preguntas para centrarse en enseñar a desarrollar criterio.
En última instancia, las organizaciones deberían considerar el coaching como una capacidad fundamental para desarrollar el talento joven, no como algo secundario. Los directivos ya no se limitan a supervisar el trabajo; también son responsables de moldear la forma en que los empleados piensan, se comunican e interactúan con el negocio. Esto puede reforzarse mediante un coaching más estructurado, mejores sistemas para compartir el conocimiento y programas de nivel inicial rediseñados que ofrezcan una exposición más amplia a distintas funciones. A medida que los puestos de nivel inicial evolucionan, pasando de realizar análisis a asesorar al negocio, el éxito dependerá de las capacidades de los coaches para dotar a los nuevos empleados de las habilidades humanas —criterio, comunicación e influencia— necesarias para operar en esta nueva realidad.
Lo que buscan en el trabajo quienes inician su carrera profesional no ha cambiado
Los empleados al inicio de su carrera profesional se enfrentan hoy a menos oportunidades y a una menor movilidad, pero sus expectativas de crecimiento no han cambiado, lo que genera una brecha que las organizaciones deben gestionar de manera activa en lugar de asumir que se resolverá por sí sola. Lo que los empleados buscan en el trabajo se mantiene prácticamente igual: puestos con sentido, oportunidades de desarrollo, flexibilidad y un liderazgo sólido.
En este entorno, la recapacitación y la retención están estrechamente vinculadas. Retener el talento exige ofrecer los elementos fundamentales, como trayectorias profesionales claras, trabajo con sentido, directivos que brinden apoyo y acceso a las habilidades de IA más demandadas. Esto es especialmente importante porque los empleados que más utilizan la IA también son quienes tienen mayor probabilidad de marcharse, dado su valor en el mercado laboral.
La conclusión es clara. Las empresas no pueden tratar a quienes inician su carrera profesional como una fuerza laboral de paso. La menor movilidad abre la oportunidad de invertir más profundamente en ellos, pero también implica el riesgo de que se desvinculen si no se cumplen sus expectativas. Las organizaciones que tendrán éxito serán aquellas que combinen un desarrollo deliberado de habilidades con una experiencia del empleado atractiva, garantizando que los trabajadores de nivel inicial no solo se adapten al cambio impulsado por la IA, sino que también opten por quedarse y crecer dentro de ese nuevo entorno.
El argumento a favor de la inversión responde a la objeción más evidente. Si los empleados júnior reducen inicialmente la capacidad productiva, ¿por qué debería una empresa asumir el costo de desarrollar un criterio que un competidor podría terminar aprovechando, sobre todo cuando los empleados más involucrados con la IA también son los más propensos a cambiar de empresa? Si bien las organizaciones siempre han afrontado el riesgo de formar talento para la competencia, la diferencia ahora radica en que la IA está llevando a algunas a cuestionar el valor de mantener vías de incorporación para empleados de nivel inicial.
Parte de la respuesta es que la formación descrita en este artículo no es genérica. El criterio desarrollado a partir del expertise codificado, los casos y las taxonomías propios de una empresa es, en parte, específico de esa organización y se transfiere con menos facilidad que una certificación. Además, existe el costo de no invertir: una sucesión debilitada, una transferencia de conocimiento estancada y una adopción más lenta de la propia IA. Estos son los riesgos de largo plazo que los líderes de las empresas que están invirtiendo durante esta transición señalan para explicar por qué la aparente disyuntiva entre personal júnior y eficiencia es, en realidad, una falsa dicotomía.
Aunque sigue existiendo incertidumbre sobre hasta qué punto la IA transformará la fuerza laboral, conviene recordar que la cantera de talento no está desapareciendo: se está reconstruyendo. Las organizaciones que rediseñen los puestos para orientar la IA hacia resultados productivos estarán mejor posicionadas para desarrollar la fuerza laboral calificada que necesitan.
La necesidad de un diseño deliberado
Desarrollar el potencial de los empleados al inicio de su carrera profesional no es algo automático. Requiere un diseño intencional en cuatro áreas:
- Gestión del conocimiento. Codifique la manera de pensar de sus profesionales de mejor desempeño –sus marcos de referencia, reglas de decisión y criterios previos– y estructure ese conocimiento para que los sistemas de IA y los empleados júnior puedan acceder a él directamente. Incorpore la validación por parte de expertos, ciclos de retroalimentación y responsables claramente definidos, y otorgue mayor peso a las aportaciones sustentadas en un criterio que a las basadas en experiencias aisladas. El sistema debe mejorar con el uso y perfeccionar continuamente la definición de lo que constituye una buena práctica.
- Rediseño de flujos de trabajo y de puestos. Al rediseñar los flujos de trabajo en torno a agentes de IA, considere los puestos de nivel inicial como una parte deliberada de este rediseño y no como un elemento residual. Reestructure estos puestos para que se centren en trabajar con los resultados generados por la IA, supervisarlos y mejorarlos. Contrate priorizando el criterio sobre el dominio de las herramientas –curiosidad, adaptabilidad, capacidad de resolución de problemas e inteligencia emocional– y amplíe el espectro de candidatos para incluir personas con alto potencial, aunque no cuenten con formación académica formal en ese ámbito. El objetivo es incorporar un perfil versátil capaz de aplicar, conectar y ampliar el conocimiento a lo largo de todo el flujo de trabajo, y no a un especialista con una experiencia muy limitada.
- Diseño del aprendizaje basado en la IA. Integre el aprendizaje en el trabajo real para que los empleados desarrollen su criterio mientras producen resultados de trabajo reales, con la IA actuando como guía y revisor integrados en el proceso. Base el diseño en el ciclo de “intentar primero y verificar después”, y considere que la reducción de la brecha entre el trabajo realizado de manera independiente por el empleado y el resultado generado por el modelo de IA constituye una evidencia directa de que se está desarrollando el criterio. Diseñe e introduzca deliberadamente estos flujos de trabajo, en lugar de añadirlos como un elemento accesorio.
- Mejora de las competencias de los directivos. Considere el coaching como una capacidad fundamental y no como algo secundario, ya que los empleados de nivel inicial interactúan con partes interesadas sénior e interpretan datos de gran alcance mucho antes que en el pasado. Capacite a los directivos para hacer coaching orientado al desarrollo del criterio, la comprensión del contexto y la capacidad de influencia, en lugar de limitarse a supervisar la ejecución de las tareas. Considere formalizar este papel mediante un modelo de preceptor, otorgando a la mentoría estructurada el peso institucional que ha ido perdiendo el aprendizaje práctico informal.
Las organizaciones que continúen invirtiendo en talento que inicia su carrera profesional mientras rediseñan los puestos para trabajar junto con la IA tendrán más probabilidades de desarrollar la fuerza laboral calificada que necesitarán en el futuro. De hecho, uno de los hallazgos más notables de la incipiente era de la IA puede ser lo poco que ha cambiado la jerarquía de las habilidades esenciales, incluso cuando el nivel de exigencia para los puestos de nivel inicial sigue aumentando.