, , , ,

Un robot para el departamento de Recursos Humanos.

Un robot para el departamento de Recursos Humanos - Clarity

Introduciendo la Inteligencia Artificial en la gestión de los RRHH.

La velocidad con la que la retórica sobre la transformación digital ha pasado del”Big data” (BD) al “Machine Learning” (ML) y después a la inteligencia artificial (IA) es asombrosa. Sin embargo, la correspondencia entre la retórica y la realidad es una cuestión diferente. La realidad es que la mayoría de las compañías están todavía luchando para lograr algún progreso en la construcción de capacidades de análisis de datos: según IBM, el 41% de los CEOs afirman que no están preparados para hacer uso de las nuevas herramientas de análisis de datos y sólo el 4% afirma que están preparados “en gran medida” (IBM 2018).

En los últimos años se han producido importantes avances en los campos del reconocimiento de patrones, el procesamiento del lenguaje natural (PNL) y el aprendizaje profundo mediante redes neuronales. Estos avances, nos han acercado a la IA que representa la capacidad de las máquinas para imitar la toma de decisiones humana de forma adaptativa.

Sin embargo, con respecto a la gestión de los recursos humanos, donde la promesa de decisiones más sofisticadas se ha desvelado como una verdadera necesidad en los últimos tiempos, la realidad es que pocas organizaciones han entrado incluso en la primera gran fase de recopilación y construcción de una base de datos operativa. Sólo el 22% de las empresas afirman haber adoptado algún tipo de herramienta analítica en recursos humanos (LinkedIn 2018).

Los retos de la aplicación de la IA a la gestión de RRHH.

La analítica de datos (Big data) es probablemente más fácil de ver en campos como el marketing. Si bien en el área de marketing hay muchas preguntas que todavía deben encontrar respuesta, éstas tienden a distinguirse por su relativa claridad. Por ejemplo, la predicción acerca de quién comprará un producto o cómo los cambios en su presentación afectan sus ventas. Además, los resultados se miden fácilmente y a menudo se recogen electrónicamente en el proceso de venta. Por si esto fuera poco, el número de observaciones es muy grande (ventas de un determinado artículo en todo el país a lo largo del tiempo, por ejemplo), lo que hace factible la aplicación técnicas de análisis de grandes bases datos.

La cuestión ética.

Por otro lado, la cuestión ética es más ligera en el ámbito del marketing que en el de RRHH. Aunque el marketing no está exento de problemas éticos, la idea de que las empresas deben esforzarse en vender más cantidad de sus productos está bien aceptada en general, al igual que la idea de que las empresas tratarán de influir en los clientes para que compren más.

Sin embargo, la aplicación efectiva de la IA a los problemas de recursos humanos presenta desafíos muy diferentes. La construcción de algoritmos o sistemas de IA para la ayuda a la toma de decisiones o para predecir futuros comportamientos de los empleados todavía está muy lejos de ser una realidad operativa.

La complejidad de los procesos de Recursos Humanos.

Un primer problema es la complejidad de los procesos que gestiona la función de RRHH. Definir, por ejemplo, qué es ser un buen empleado no es una tarea fácil. Hay muchas dimensiones en ese constructo y medirlo con precisión, para la mayoría de los puestos, es bastante complejo. Variables como las puntuaciones de la evaluación del desempeño (la métrica más utilizada) han sido criticadas rotundamente por problemas de validez y fiabilidad, así como por sesgos emocionales y cognitivos y algunas compañías están renunciando a ellas por completo (Cappelli y Tavis 2017).

El hecho es que cualquier puesto de trabajo razonablemente complejo es altamente interdependiente con otros puestos y por lo tanto, el desempeño individual es difícil de separar del desempeño grupal (Pfeffer y Sutton 2006).

Un primer problema es la complejidad de los procesos que gestiona la función de RRHH. Definir, por ejemplo qué es ser un buen empleado no es una tarea fácil. Hay muchas dimensiones en ese constructo y medirlo con precisión, para la mayoría de los puestos, es bastante complejo. Variables como las puntuaciones de la evaluación del desempeño (la métrica más utilizada) han sido criticadas rotundamente por problemas de validez y fiabilidad, así como por sesgos emocionales y cognitivos y algunas compañías están renunciando a ellas por completo (Cappelli y Tavis 2017). El hecho es que cualquier puesto de trabajo razonablemente complejo es altamente interdependiente con otros puestos y por lo tanto el desempeño individual es difícil de separar del desempeño grupal (Pfeffer y Sutton 2006).

Pocas observaciones.

En segundo lugar, los conjuntos de datos sobre recursos humanos tienden a ser bastante pequeños para los estándares del Big Data. El número de empleados que incluso una gran empresa puede tener es trivial comparado con el número de compras que hacen sus clientes. Las técnicas de la ciencia de datos funcionan mal cuando predicen resultados relativamente raros (estadísticamente hablando).

Decisiones de gran impacto.

En tercer lugar y posiblemente lo más importante, los resultados de las decisiones sobre recursos humanos, como por ejemplo quién es contratado y quién es despedido, tienen consecuencias tan graves para las personas y la sociedad que es necesario elaborar marcos jurídicos que rijan la forma en que los empleadores deben tomar esas decisiones, planteando cuestiones de justicia y equidad. La sociedad en general vigila los resultados de las actividades de las empresas con sus recursos humanos. Las decisiones de empleo están sujetas a una serie de complejas preocupaciones socio-psicológicas, tales como el valor y el estatus personal, la imparcialidad percibida, las expectativas contractuales y relacionales, que afectan tanto a los resultados de la organización como a los individuales.

En consecuencia, poder explicar y justificar el modelo de preferencia y el funcionamiento de los algoritmos ante este tipos de decisiones es mucho más importante en el área de RRHH que en otros campos.

En tercer lugar y posiblemente lo más importante, los resultados de las decisiones sobre recursos humanos, como por ejemplo quién es contratado y quién es despedido, tienen consecuencias tan graves para las personas y la sociedad que es necesario elaborar marcos jurídicos que rijan la forma en que los empleadores deben tomar esas decisiones, planteando cuestiones de justicia y equidad. La sociedad en general vigila los resultados de las actividades de las empresas con sus recursos humanos.

Las decisiones de empleo están sujetas a una serie de complejas preocupaciones socio-psicológicas, tales como el valor y el estatus personal, la imparcialidad percibida, las expectativas contractuales y relacionales, que afectan tanto a los resultados de la organización como a los individuales. En consecuencia, poder explicar y justificar el modelo de preferencia y el funcionamiento de los algoritmos ante este tipos de decisiones es mucho más importante en el área de RRHH que en otros campos.

¿Cómo reaccionan los empleados a la decisiones de robots?

Por último, las reacciones de los empleados pueden ser motivo de preocupación. Ya que los trabajadores son participantes activos en las operaciones de una empresa, existe la posibilidad de que sean capaces de eludir sistema o de reaccionar de forma adversa a las decisiones basadas en algoritmos.

Para ilustrar estas preocupaciones, vamos a considerar el uso de un algoritmo para predecir el mejor candidato en un proceso de selección basado en los atributos de los “buenos empleados” en la plantilla actual.

Incluso si pudiéramos demostrar una relación causal entre el sexo y el rendimiento laboral, es posible que no confiemos en un algoritmo que diga que resulta necesario contratar a más hombres que mujeres. Hay varias razones: el desempeño laboral en sí mismo puede ser un indicador sesgado, los atributos de la fuerza laboral actual pueden estar distorsionados por la forma en la que hemos contratado en el pasado (por ejemplo, contratamos pocas mujeres) y tanto el sistema legal como las normas sociales nos crearían problemas sustanciales si actuáramos de acuerdo con él.

Si, en otro ámbito, pretendemos construir un algoritmo para predecir comportamientos basados en los despidos por mal rendimiento, el número de tales casos en una compañía típica es demasiado pequeño para construir un algoritmo efectivo.

Además, una vez que los solicitantes descubren el contenido de nuestro algoritmo de contratación, es probable que respondan de manera diferente en las entrevistas y hagan que el algoritmo carezca de valor.

Inteligencia Artificial en Recursos Humanos

Un modelo de desarrollo para el área de IA en RRHH.

El proceso de implantación de un sistema de IA para el área de RRHH debería discurrir a lo largo de un proceso con las siguientes 4 fases: Identificar las operaciones sobre las que vamos a aplicar la IA, generación de datos, aprendizaje automático (Machine Learning) y toma de decisiones.

Descargar informe completo.

0 comentarios

Dejar un comentario

¿Quieres unirte a la conversación?
Siéntete libre de contribuir

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

*