El “made with IA” se está convirtiendo en el reclamo de no pocas herramientas de gestión que aseguran utilizar los básicos de la inteligencia artificial para mejorar los procesos en eficacia y eficiencia. Pero para elegir bien la que se adapta a las necesidades de nuestra organización hay que tener criterio. Si, además, tenemos en cuenta que la elección va directa a una línea de nuestro presupuesto, acertar puede convertirse en una cuestión de “ser o no ser”. ¿Qué preguntas hemos de hacerle a un proveedor para tener garantías de acierto?
“Supongamos que compramos una herramienta de reclutamiento que ha sido profundamente entrenada para encontrar y seleccionar grandes ingenieros y profesionales del software. ¿Podremos identificar con precisión el perfil de las mejores personas para trabajar en una cafetería o en una fábrica? Posiblemente no, pero si el sistema está bien entrenado con datos en esos dominios de trabajo, entonces la respuesta puede ser «sí.» Pero si lo adquirimos como primer cliente en ese caso de uso, es posible que el sistema no funcione tan bien como queremos que lo haga”. La clave está no sólo en los datos sino también en el entrenamiento. La IA de última generación es tanto más inteligente cuantos más datos incorpora y más inputs se le proporcionan para infiera conclusiones inteligentes. Ello significa que ha de nutrirse no sólo de datos de perfiles (de empleados, de candidatos, de perfiles en el mercado, ya sean anónimos o no) sino también de otros cientos de miles de fuentes de datos tanto internos (de gestión del rendimiento, de aprendizaje, etc.) como externos (de mercado, de competidores, etc.).
En su informe “Understanding AI in HR. A Deep Dive”, Josh Bersin explica cómo de importante es asegurarse de que la IA está realmente embebida en la arquitectura de las aplicaciones y, para ello, recomienda pedir a los proveedores respuestas para las siguientes preguntas:
- ¿Qué conjunto o conjuntos de datos está utilizando para entrenar sus modelos?
- ¿Cómo de grande es su conjunto de datos por número de perfiles u objetos?
- ¿Cómo se asegura de que sus modelos no estén sesgados?
- ¿Qué datos y modelos específicos de la industria ha probado?
- ¿Hay ciertos grupos de empleados (por ejemplo, cuello blanco, azul, junior, senior) que están muy o poco representados?
- ¿Cuál es su oferta en torno a la «explicabilidad» de su IA?
- ¿Podemos ver su investigación sobre el sesgo y cómo lo ha reducido o eliminado?
- ¿Cómo utiliza su sistema la retroalimentación humana para mejorar modelos a lo largo del tiempo?
- ¿Podemos hablar con otros clientes para conocer su experiencia?
- Si es un proveedor de habilidades, ¿cómo mantiene sus habilidades? ¿Cuál es su modelo de taxonomía?
- Si es un proveedor de reclutamiento, ¿cómo valida el seguridad de las recomendaciones de sus sistemas?
- ¿Puede decirnos los antecedentes de su equipo de IA y cuánto tiempo han estado trabajando en esta área?
- ¿Qué LLM utiliza y por qué los ha seleccionado?
- ¿Cómo cumple su sistema con las nuevas regulaciones de IA?
- ¿Qué tecnologías de IA está aprovechando?
La respuesta a esta última cuestión no es baladí porque si revela un análisis predictivo pero no de machine learning, «entonces es una herramienta estadística, ¡no una solución de IA!», como advierte Bersin.
Las repuestas que obtengamos nos ayudarán a situar a cada herramienta en un cuadrante de madurez de que contempla la IA en sus primeros estadios, las aplicaciones de IA de primera generación y las arquitecturas que están evolucionadas a una segunda generación:
Fuente: The Josh Bersin Company, 2023.
Si quieres saber más sobre cómo identificar qué soluciones de gestión de talento están basadas e IA y cuáles no consulta nuestro Webinar OHR:
