El uso de la IA en la búsqueda de talento

No es muy equivocado decir que la IA generativa ha supuesto, desde la aparición de ChatGPT a finales de 2022, una revolución tecnológica equivalente a los ordenadores personales o la computación en la nube. Es tal su impacto, que casi nada o nadie escapa a su realidad. Porque aporta valor. En muchos sentidos. Su base tecnológica está en la inteligencia artificial. La IA. Que es capaz de hacer cosas mucho mejor que los humanos. No todas. Ni mucho menos. Pero alguna sí. Pero el elemento más diferenciador de ChatGPT es su interfaz. La posibilidad de interactuar con la IA de una manera tan simple (prompting) y sin necesidad de saber programar, es lo que ha conseguido que lo usen hasta los niños. Porque muchas de las cosas que OpenIA ha puesto a la luz ya existían antes (los modelos fundacionales, las redes neuronales, el deep learning o las técnicas de procesamiento natural del lenguaje) pero requerían de unos conocimientos de programación. Con ChatGPT no. Te pones delante y empiezas a preguntar igual que lo harías con una persona. Y ya. Ahí reside su fuerza.

Este salto tecnológico provoca que esté habiendo una dosis de innovación en múltiples (sino en todos) los procesos relacionados con nuestro día a día. Uno de ellos es la identificación y selección del talento. Hagamos zoom en cómo la IA (en general) y la IA generativa (en particular) está influyendo ya en este tipo de procesos.

La inteligencia artificial: no tan inteligente aunque muy útil

Empecemos por entender qué es la IA. Porque aquí también hay mucho bulo. O mucha imaginación. La inteligencia artificial no son máquinas del futuro con apariencia de personas, capaces de tomar las mismas decisiones que un humano. Eso es así sólo en las películas.

La IA es un tipo de algoritmo que es capaz de aprender en su ejecución, de forma que a medida que va funcionando, va generando un contexto que le permite hacer las cosas mejor. ¿Qué cosas? Pues bastantes, pero no todas. Por ejemplo, los algoritmos de clasificación (machine learning no supervisado), son capaces de ordenar elementos utilizando propiedades entre las que existe cierta correlación. Al principio clasifican mal, porque tienen pocas muestras, y a medida que le vas dando más elementos que clasificar, van encontrando más y más patrones, mejorando así sus resultados. Vamos, que aprende. Pero la IA no sólo clasifica, sino que también es capaz de determinar por sí solo si un determinado elemento pertenece a una clase o a otra (machine learning supervisado) o pueden dirigir un proceso a partir de sus resultados, aprendiendo de sus errores (aprendizaje reforzado). Por mencionar los grandes grupos que llevan a múltiples aplicaciones en el campo de la recomendación o la predicción.

La revolución de la IA generativa: innovación para todos

Dentro del conjunto de algoritmos de machine learning, hay unos muy específicos orientados al habla. Son las técnicas de procesamiento de lenguaje natural (NLP, Natural Language Processing) que buscan patrones en los textos que les permitan analizar su significado y su intención en el contexto de una conversación.

La IA generativa utiliza este tipo de técnicas, partiendo de un entrenamiento previo basado en modelos fundacionales. Entrenados con conjuntos de datos masivos, los modelos fundacionales son redes neuronales de aprendizaje profundo (deep learning) que han cambiado la forma en que trabajan los algoritmos de machine learning. Estos modelos se toman como punto de partida para desarrollar modelos evitando que haya que empezar desde cero. Es como si el 90% del entrenamiento que debe recibir un modelo de inteligencia artificial viniese ya hecho de fábrica, y sólo tuviésemos que concentrar nuestros esfuerzos en el 10% restante. Más o menos. Estos modelos están entrenados en un amplio espectro de datos generalizados y sin etiquetar, y son capaces de realizar una gran variedad de tareas generales como comprender el lenguaje, generar texto e imágenes y conversar en lenguaje natural.

Por eso, sin necesidad de hacer ningún entrenamiento previo por tu parte, ChatGPT es capaz de entender lo que le preguntas y de responderte de una manera coherente. Coherente, pero no siempre veraz. Te lo explico.

Los datos que alimentan la IA es lo verdaderamente importante

Una cosa curiosa que tiene la inteligencia artificial que hay detrás de la IA generativa (las redes neuronales y el aprendizaje profundo) es que, entre otras cosas, utiliza técnicas de regresión. Para el que no recuerde esto (o no haya dado suficiente estadística o econometría) la regresión consiste en la estimación de una función a partir de un conjunto de muestras. Por ejemplo, si todos los días que salgo a la calle está lloviendo, puedo generalizar que todos los días llueve. En función de lo que pasa en un número finito de casos, soy capaz de generar un comportamiento esperado que se dará siempre.

Por eso, cuando la IA generativa no encuentra algo (no sabe cómo responder) no se queda callada. Utiliza este tipo de técnicas para darte una respuesta coherente. Una respuesta lógica y aproximada a otras cosas similares que sí conoce. Pero claro. No tiene que ser necesariamente cierta. Se la ha inventado. No llueve todos los días aunque siempre lo hace cuando yo salgo a la calle. Digamos que todo depende de la información que tenga.

Hoy más que nunca, la calidad de la información adquiere una criticidad altísima. Porque cada vez el mundo está más digitalizado, y dependen menos de la inteligencia humana, que sí es capaz de incorporar la lógica y el razonamiento.

Inteligencia artificial al servicio del reclutamiento y la selección

Cuando analizamos el uso que hoy se está dando a la IA (en general) y a la IA generativa (en particular) dentro del sector del reclutamiento, vemos que ésta se centra en dos procesos: la identificación y preselección de candidatos y la interacción con éstos durante el proceso de selección. En el primer proceso, los sistemas de IA se enfocan en el análisis de currículos y de perfiles de candidatos que se encuentran en redes como LinkedIn, para identificar aquéllos que mejor se ajustan a los requisitos del puesto de trabajo vacante. En el segundo, sistemas basados en la IA generativa interactúan con los candidatos, para responder preguntas frecuentes, programar entrevistas y mantener a los candidatos informados sobre el proceso de selección.

Cualquiera de los dos enfoques tiene sentido desde un punto de vista técnico, ya que ambos ponen foco en tareas que bien pueden delegarse a una máquina por su carácter repetitivo y masivo. La segunda aproximación coge vuelo desde que la IA generativa está más presente en nuestras vidas. Es innegable que el tratamiento del lenguaje que hace este producto está revolucionando los chatbots. Veremos mucha innovación por esta vía, algo que facilitará mucho el trabajo de los reclutadores. Pensemos en un proceso al que apliquen más de mil candidatos ansiosos de saber “cómo va lo suyo”. Este tipo de información objetiva y práctica, puede resolverse a través de una interacción con este tipo de inteligencia, sin necesidad de colapsar la actividad humana y acabar con la paciencia de los técnicos de recursos humanos.

Sin embargo, preocupa lo poco que la IA está ayudando a la identificación del talento adecuado a puestos de trabajo concretos. Todas las aproximaciones que hemos observado en esta línea, avanzan hacia el fracaso más absoluto, y no porque los algoritmos sean malos. Hemos visto algunos muy llamativos e innovadores. El problema de fondo reside, no en el algoritmo, sino en los datos. La IA será capaz de predecir en base a las correlaciones que genere de los datos de aprendizaje. Pero si los datos con los que trabaja, son falsos o están “tuneados” olvídate de cualquier inferencia lógica o de valor. Y ni el CV ni los perfiles de los candidatos son fuentes objetivas de datos. De ahí que la inteligencia artificial que trabaja con ellos falle como una escopeta de feria.

El dato objetivo como soporte de la digitalización en RRHH

Avanzamos irremisiblemente hacia una digitalización completa de la información que nos permitirá tomar decisiones objetivas y de valor. Pero para ello, los cimientos han de ser sólidos.

Al principio de esta aventura, varias empresas nos contaban que habían creado (con mucho esfuerzo y recursos) un mapa de posiciones completo de la compañía, teniendo definidos un conjunto de skills (conocimientos, habilidades y competencias) asociado a cada puesto. Un trabajo ingente y, en algunos casos, concienzudo y brillante. Pero todas ellas, a continuación, le habían pedido a sus empleados que hiciesen una autoevaluación sincera. En fin. No bajó ni una nota del notable alto. A partir de aquel aprendizaje cruzamos nuestros caminos, ya que The Wise Seeker ofrecía la posibilidad de convertir esos mapas de habilidades en mapas de talento. Información objetiva y útil para ellos, que hoy les ayuda a reorganizar sus estructuras, a generar programas específicos de formación y de desarrollo, a orientar profesionalmente a sus empleados o a establecer políticas de gestión más eficaces.

Porque sólo a partir de unos datos ciertos, la IA será capaz de aportar valor.