El potencial de la inteligencia artificial en recursos humanos

La inteligencia artificial (IA) es indudablemente una herramienta poderosa. Su valor económico va aumentando considerablemente y transformando numerosas industrias como la manufacturera, la automotriz, la tecnología financiera y la atención médica. Los trabajadores de los sectores de finanzas y marketing han tenido mucho éxito con el uso de tecnologías de IA, mientras que los profesionales de recursos humanos (RR.HH.) aún tienen varias dificultades para integrarlas en sus prácticas diarias.

Prasanna Tambe, Peter Cappelli y Valery Yakubovich afirman en su investigación: «existen diferencias sistémicas y estructurales para los RR.HH. que crean algunas dificultades cuando se construye un sistema basado en IA». [1]. En RR.HH. y contratación, el uso de macrodatos y IA sigue siendo atípico, debido a la calidad y al poder explicativo limitados. Para una mejor comprensión, debemos considerar los problemas de IA en cuanto a la ciencia de datos de gestión de RR.HH.

En materia de ciencia de datos hay tres desafíos principales en las prácticas de recursos humanos. El primer problema es la falta de coherencia en la medición del proceso de RR.HH. durante todo el ciclo de vida del empleado. Por ejemplo, al determinar qué candidato contratar o elegir a quién promover, se requiere un control y registro consistentes de los criterios y habilidades que fueron decisivos para el proceso de selección.

El segundo problema con las prácticas de RR.HH. es la limitación de los conjuntos de datos producidos. A diferencia de algunos campos como el marketing y las finanzas, donde se generan muchos datos que se recopilan fácilmente, la recogida de datos de RR.HH. se enfrenta grandes desafíos en términos de cantidad y calidad. Además, los datos en recursos humanos frecuentemente no están estructurados (PDF, en papel o Excel). En consecuencia, el proceso de estos es difícil para una computadora.

La última dificultad se debe a los problemas éticos relacionados con el procesamiento de datos. Los resultados de las decisiones de RR.HH. pueden tener un impacto significativo en la carrera de una persona. Por lo tanto, es necesario pensar en cómo se puede lograr equidad y transparencia. Además, también es crucial saber cómo reaccionan los empleados a los resultados apoyados únicamente en algoritmos basados ​​en datos. Como Morgan Hampton de Tesla declara, «el reclutamiento debe ser lo más automatizado posible, la contratación debe seguir siendo humana».

Al buscar soluciones, teniendo en cuenta estos tres problemas, los gerentes de RR.HH. deberían centrarse en los siguientes aspectos para utilizar la IA de manera más efectiva. En primer lugar, los responsables tienen que crear un proceso adecuado, listo para la era digital y las tecnologías de IA.

Actualmente, las tecnologías de IA están integradas por separado como reclutamiento y adquisición de talento, administración de nóminas y transacciones de autoservicio. Sin embargo, carecen de un mecanismo para poder generar datos que asistan el proceso entero de IA en las prácticas de recursos humanos.

Usualmente, los gerentes de RR.HH. simplemente conservan las aplicaciones que les interesan. Las que se descartan conducen a un análisis y conclusión unidimensionales [1]. Todos estos criterios deberían ser recogidos en la recopilación de datos y, finalmente, ser evaluados para facilitar el desarrollo de grandes modelos de datos y procesos de IA.

Además, es fundamental generar datos de manera sostenible. Por ejemplo, hay aplicaciones de IA que pueden predecir qué trabajadores están a punto de dejar sus trabajos y algunas, incluso, mantienen registros de datos de redes sociales o correos electrónicos de los empleados [2]. Si los trabajadores conocieran este sistema, cambiarían probablemente su comportamiento y producirían intencionadamente datos erróneos.

El año pasado, la historia relativa a la herramienta de IA de contratación de Amazon que discriminaba a la mujer, demuestra que el aprendizaje automático puede reflejar actitudes humanas. El género, sin embargo, no es el único aspecto que genera discriminación. Otros, como la edad, la nacionalidad y el origen étnico igualmente pueden tener un impacto negativo, impidiendo que empresas formen un ámbito laboral diverso e inclusivo. Los directores de RR.HH. deben recolectar cuidadosamente muestras de datos representativas y buscar soluciones explicables de IA. Las complejas redes neuronales de aprendizaje profundo están lejos de ser evidentes.

Hasta hoy, aún no existe el estándar de criterio de datos que los gerentes de RR.HH. deberían respetar durante todo el ciclo de práctica de recursos humanos. Esto significa que los apoderados tienen que colaborar con el servicio informático interno de su empresa o con proveedores externos de IA para determinar qué datos rastrear y cómo medirlos, a fin de establecer las mejores prácticas para la IA.

En JANZZ.technology sabemos que recopilar y estructurar para poder crear datos significativos es fundamental. Nuestra herramienta de análisis extrae las entidades correctas que garantizan un procesamiento de datos imparciales. ¿Quiere saber más sobre nuestro parser y cómo podemos ayudarle en su proceso transformador de IA? Escriba ahora a sales@janzz.technology

 

 

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]

Inteligencia artificial revolucionando búsqueda de empleo en Paraguay gracias la ayuda del Banco Interamericano de Desarrollo BID y JANZZ.technology

El BID ayudó a Paraguay para crear el Sistema del Programa de Apoyo a la Intermediación Laboral (SIPAIL), un instrumento que facilita la búsqueda de empleo y que, entre otras cosas, apoya el cambio de registros en papel a registros digitales en las oficinas de gestión de empleo, facilita el análisis de CV’s en línea e incentiva la publicación de vacantes en todo país.

Para más información sobre empleo y el futuro del trabajo visita: blogs.iadb.org/trabajo

JANZZ.technology ofrece IA explicable

Gracias a la disponibilidad de grandes conjuntos de datos, así como a una mayor y más avanzada potencia informática, durante la última década se ha logrado una mejora significativa en el aprendizaje automático (Machine Learning), especialmente en los sistemas de aprendizaje profundo. Sin embargo, el dramático éxito del ML nos deslumbra de tal manera, que aceptamos, sin cuestionamiento. los procesos detrás de las aplicaciones de Inteligencia Artificial (IA). Las máquinas, a pesar de sus cada vez más autónomos sistemas, no son capaces explicar a sus usuarios(as) las razones de sus resultados y decisiones.

Actualmente, la mayoría de las aplicaciones de IA son desarrolladas por empresas privadas, las cuales presumen de un tratamiento adecuado y secreto de sus datos. Adicionalmente, muchas empresas emplean redes neuronales tan complejas en las tecnologías de IA, que no se explica cómo consiguen ciertos resultados.

Lo anteriormente explicado puede no tener grandes consecuencias, cuando, por ejemplo, una aplicación predice erróneamente el próximo destino de viaje de los clientes registrados. Pero, ¿qué pasaría si las predicciones de la máquina tuvieran un impacto en los vehículos autónomos, en los diagnósticos médicos, en la toma de decisiones a la hora de diseñar una política o incluso en el trabajo de alguien? Sería difícil confiar ciegamente en un proceso automatizado de toma de decisiones a través de un sistema, si las repercusiones fueran tales.

A principios de este año, la Organización para la Cooperación y el Desarrollo Económico (OCDE) presentó sus principios sobre la IA, con el objetivo de promover la innovación y la confianza. Uno de los cinco principios complementarios basados en valores, para la gestión responsable de una IA digna de confianza es que «la transparencia y divulgación responsable en torno a los sistemas de IA, son necesarias para asegurar que la gente pueda entender y cuestionar los resultados con base en la IA». [1]

La Inteligencia Artificial Explicable (XAI por sus siglas en inglés), se ha establecido recientemente en el campo del aprendizaje automático, como una forma de abordar las decisiones de «caja negra» en los sistemas de IA. Como ya se mencionó anteriormente, la mayoría de los algoritmos utilizados actualmente para el machine learning no pueden ser comprendidos por el común de las personas, en lo que se refiere a cómo y por qué se ha tomado una decisión. Por lo tanto, es difícil examinar tales decisiones en busca de errores y sesgos, especialmente en el caso de algoritmos comunes enfocados al campo del aprendizaje profundo en redes neuronales. [2]

En consecuencia, numerosos organismos reguladores, incluida la OCDE, instan a las empresas a que aumenten el uso de XAI. El Reglamento General de Protección de Datos actualmente vigente en Europa, otorgó a los ciudadanos(as) de la UE el «derecho a examen personal» de cualquier decisión algorítmica. En los Estados Unidos, las leyes de seguros obligan a las compañías a explicar sus decisiones, por ejemplo, por qué les niegan cobertura a ciertos grupos o individuos, o les cobran recargos más altos. [3]

Sin embargo, hay dos problemas principales asociados con la XAI. En primer lugar, definir correctamente el propio concepto XAI, demuestra ser un gran desafío. También es necesario determinar hasta dónde deben saber los usuarios(as) y que los mismos(as) sean conscientes de cuáles deben ser las limitaciones de sus conocimientos. Si las empresas no tuvieran más remedio que dar una explicación detallada de todo, la propiedad intelectual como propuesta de venta única (USP por sus siglas en inglés) dejaría de existir. [4]

El segundo factor problemático es evaluar el equilibrio entre el rendimiento y la explicabilidad. ¿Necesitamos estandarizar ciertas tareas y obligar a las industrias a que se empleen en la búsqueda de soluciones integradas de IA que sean transparentes, aunque esto signifique una carga muy alta para la potencialidad de esas industrias?

En JANZZ.technology hacemos todo lo posible para explicar a nuestros usuarios cómo emparejamos candidatos(as) con puestos de trabajo. Nuestro software único de matching excluye parámetros irrelevantes como género, edad o nacionalidad y sólo compara habilidades, educación/formación, especialidades, experiencia, etc. Es decir, solo utiliza aspectos que son verdaderamente importantes para encontrar al candidato(a) perfecto(a).

En lugar de proporcionar resultados basados en un único punto de coincidencia, nuestro sistema de matching desglosa y tiene en cuenta todos los criterios relevantes, tales como funciones, capacidades, idiomas, disponibilidad, etc. Esto permite a los usuarios(as) tener una mejor comprensión de los resultados y proporciona la base para evaluar la fuerza de trabajo analizada, con el fin de diseñar planes de nueva capacitación y mejora de la cualificación de la misma. ¿Le gustaría saber más acerca de cómo JANZZ.technology utiliza las soluciones de XAI? Si nos escribe a sales@janzz.technology, estaremos encantados de responderle.

[1] OECD. 2019. OECD Principles on AI. URL :https://www.oecd.org/going-digital/ai/principles/ [2019.9.17].

[2] Ron Schmelzer. 2019. Understanding Explainable AI. URL: https://www.forbes.com/sites/cognitiveworld/2019/07/23/understanding-explainable-ai/#6b4882fa7c9e[2019.9.17].

[3] Jeremy Kahn. 2018. Artificial Intelligence Has Some Explaining to Do. URL: https://www.bloomberg.com/news/articles/2018-12-12/artificial-intelligence-has-some-explaining-to-do[2019.9.17].

[4] Rudina Seseri. 2018. The problem with ‘explainable AI’. URL: https://techcrunch.com/2018/06/14/the-problem-with-explainable-ai/[2019.9.17].

Programa televisivo NRK: historias de éxito de la nueva plataforma de búsqueda de empleo en Noruega

JANZZ.technology es el proveedor de la tecnología detrás del motor de búsqueda semántica y matching de la nueva plataforma de empleo de la Administración Laboral y Social Noruega (NAV).

La plataforma digital de búsqueda de empleo Arbeidsplassen.no impulsada por NAV, ha sido elogiada, tras su lanzamiento, tanto por los demandantes como por los ofertantes de empleo. El objetivo de NAV es facilitar la búsqueda a los solicitantes de puestos de trabajo.

En el transcurso de una semana, Yusuf se convirtió en agente de call center. Para él, el año que estuvo sin ocupación tras finalizar la escuela secundaria, se convirtió en un vacío en su CV, lo cual resultó ser problemático a la hora de volver a solicitar trabajo. A través de NAV, realizó una formación que le ayudó activamente y le abrió las puertas al mercado laboral. Consiguió una entrevista y comenzó a trabajar como agente de call center la semana siguiente. Arbeidsplassen.no fue la solución para Yusuf. Para la empresa de selección de personal «Maskineriet», el sitio web de NAV ha facilitado su proceso de búsqueda. Los reclutadores utilizan la base de datos de CV de NAV, encuentran candidatos y se ponen en contacto con ellos. Los seleccionados tienen también opciones a un puesto permanente.

El director gerente de Virke, la asociación empresarial noruega, alaba la plataforma de búsqueda de empleo. Arbeidsplassen.no se considera muy importante porque conecta, de manera eficiente, las necesidades de las empresas con los candidatos ideales. El hecho de que NAV invierta en digitalización, simplifica significativamente el proceso de selección de personal para las empresas.

Desde el punto de vista de los demandantes de empleo, el servicio de CV ha mejorado considerablemente. Esto facilita a los solicitantes encontrar el trabajo adecuado en la plataforma NAV. Los candidatos pueden ahora definir y optimizar sus perfiles de búsqueda de empleo. Otra ventaja es que pueden aplicar simultáneamente a una mayor cantidad de puestos de trabajo disponibles. Los empleadores dan una valoración muy positiva tanto al proceso de búsqueda de candidatos como a la plataforma Arbeidsplassen.no, Estas valoraciones son, en última instancia, lo más importante para NAV.

Obtenga más información en NRK.no https://tv.nrk.no/serie/distriktsnyheter-oestfold/201907/DKOS99070519/avspiller

Ejemplos de aplicaciones de PNL en la adquisición de talento

La ontología de JANZZ – JANZZon! es considerada, junto con la API de Google Cloud Jobs, como un ejemplo de aplicaciones de procesamiento de lenguaje natural en la adquisición de talento. En el artículo de Gartner «Impacto de la inteligencia artificial y el aprendizaje automático en la gestión del capital humano» (Impacts of Artificial Intelligence and Machine Learning on Human Capital Management), se resumen las aplicaciones de la inteligencia artificial y el aprendizaje automático que inciden en la transformación de los procesos actuales de RRHH. Para leer el artículo completo visite:

https://www.gartner.com/en/documents/3778864/impacts-of-artificial-intelligence-and-machine-learning-

Lo que debería saber para escoger su software de reclutamiento

La mundialmente conocida empresa Deloitte, describe en un artículo la evolución de la tecnología de RRHH en cuatro etapas. La primera etapa se sitúa en el período entre la década de los 70 y 80, cuando la principal atención de los proveedores de software se centraba en sistemas que ayudasen a los gestores de RRHH a realizar registros de la información. Durante la segunda etapa, entre la década de los 90 y principios de l 2000, se desarrollaron las funcionalidades para apoyar aspectos como la contratación, formación y control del rendimiento. Alrededor de 2010, en la tercera etapa, los proveedores comenzaron a ofrecer servicios en la nube y sistemas más sencillos de utilizar o “user-friendly” para facilitar a los usuarios la autogestión de sus datos.

El informe de Deloitte afirma que actualmente nos encontramos en la cuarta fase evolutiva de las tecnologías aplicadas en recursos humanos. Para reaccionar a las microtendencias en torno al empleo, los proveedores tienen que diseñar herramientas dirigidas tanto a equipos, individuos y redes, como también a mejorar la productividad de las personas. En JANZZ.technology pensamos que un software de RRHH debería ayudar a los responsables de RRHH a ser más productivos y a poder centrarse en tareas de mayor valor añadido. Por ejemplo, debería reducir el esfuerzo y tiempo necesarios para tareas como la preselección entre miles de solicitantes, lo cual permitiría emplearse más a fondo en tareas tan importantes como la entrevista de candidatos. Estamos convencidos de que este objetivo será alcanzado mediante el uso de la Inteligencia Artificial (IA).

IA para el reclutamiento

La adquisición de talento es sin duda una de las partes más importantes de la gestión empresarial. Esto hace que el mercado de softwares de reclutamiento sea muy competitivo e interesante de observar. Organizaciones gubernamentales, como los Servicios Públicos de Empleo (SPE), también buscan activamente soluciones para optimizar su gestión. Según la plataforma Crunchbase, tan solo en 2018, fueron concedidos más de 600 millones de dólares en financiación de capital de riesgo, a start-ups dedicadas al desarrollo de softwares de reclutamiento. En el último estudio de mercado por parte de HR Tech China, los proveedores de software de reclutamiento constituyen el mayor segmento, entre todos los proveedores de tecnología de RRHH.

Las ofertas de los proveedores incluyen pruebas y evaluaciones de los candidatos, comprobaciones de antecedentes, entrevistas en vídeo y muchas plataformas de contratación. Desde principios de 2017, el uso de IA para los procesos de reclutamiento ha ido en auge. El consiguiente aumento de las capacidades de la inteligencia artificial empleada en los softwares de reclutamiento, podría hacer que cualquier gerente de recursos humanos se sintiera abrumado.

AI for recruiting” es una tecnología emergente que se utiliza en RRHH para los procesos de selección de personal. Se basa, evidentemente, en inteligencia artificial y su objetivo principal es reducir las tareas repetitivas y lentas, lo cual ayuda a reclutadores y a gerentes de contratación, a centrarse en actividades de valor añadido. El 52% de los líderes en la adquisición de talentos afirma que, la parte más difícil de la contratación, es la preselección de candidatos entre un gran número de aspirantes (1). Un software de reclutamiento con IA puede, por ejemplo, filtrar miles de aspirantes a una posición y recomendar, en un abrir y cerrar de ojos, a los 5 mejores candidatos/as. De esta manera, los gerentes de RRHH que utilizan IA para la contratación tendrán más tiempo y recursos para evaluar en profundidad las preselecciones, lo que a su vez aumenta significativamente las posibilidades de encontrar realmente al candidato/a más adecuado/a.

A nivel de público en general, el término IA se utiliza de manera imprecisa e incluso, con frecuencia, incorrecta. Muchas empresas utilizan el concepto IA para describir sus productos, con el fin de hacerlos parecer «altamente actualizados». En la mayoría de los casos, este tipo de publicidad promete demasiado. Allí radica la importancia de evaluar tanto a los diferentes productos, como a sus proveedores. El proceso es similar al de contratación: solo evaluando las opciones de distintas maneras, se encuentra la mejor de todas.

Evaluación de la IA para tecnología de reclutamiento

¿Cómo debería un departamento de RR.HH. evitar el software que promete demasiado en teoría y cumple poco en la práctica, a la hora de elegir entre todos los productos disponibles? Hemos definido tres principios para elegir correctamente un software de reclutamiento basado en IA:

Principio I: Ser consciente de la parcialidad de los programas de reclutamiento con IA

El año pasado, la historia sobre el software de reclutamiento de Amazon, que en secreto discrimina a las mujeres, fue un llamado de atención para todos: el aprendizaje automático puede ser tan sesgado como los seres humanos. Por lo tanto, es extremadamente importante centrarse en la imparcialidad y la transparencia algorítmica.

Usted debe conocer cómo el software procesa la información personal, como la fecha de nacimiento, el sexo y la nacionalidad. ¿Cuáles criterios tiene en cuenta el software a la hora de realizar la comparación? ¿Qué peso tiene cada criterio? ¿Es capaz el software de ignorar datos irrelevantes?

Además de los algoritmos, hay que asegurarse de que el software tenga datos de entrenamiento representativos. La herramienta de reclutamiento de Amazon, por ejemplo, se tornó en contra de las candidatas porque, durante más de diez años, la empresa entrenó sus modelos informáticos con currículums pertenecientes a candidatos masculinos. Por lo tanto, asegúrese de preguntar a su proveedor de software cómo maneja sus fuentes de datos.

Principio II: Asegúrese de probar antes de comprar

Antes de comprar un auto, usted ciertamente lo probaría. Esta misma regla debería aplicarse también a la compra de un software de reclutamiento. Dado que esta sería una inversión relativamente costosa y a largo plazo para su negocio, es aconsejable completar una prueba de concepto o POC (Proof of Concept).  A través de la ejecución de esta prueba descubrirá si el software realmente puede resolver sus problemas de acuerdo a sus prioridades, realizar las funciones prometidas y manejar sus datos dentro de la escala y el alcance requeridos.

JANZZ.technology realizó un POC con una organización intergubernamental que deseaba comprobar si nuestra solución podía efectivamente ayudarles a ahorrar tiempo a la hora de encontrar candidatos adecuados. Nuestro software de IA compitió contra su equipo de RRHH en la búsqueda de candidatos, de todo el mundo, para sus puestos vacantes de pasante junior. Después de examinar miles de postulaciones, quedaron impactados con nuestros excelentes resultados.

La mayoría de los buenos proveedores de software ofrecen pruebas gratuitas. Es importante preparar bien los datos que va a utilizar en las pruebas para sacar el mayor provecho de las mismas y optimizar al máximo el proceso. Aspectos a menudo ignorados a la hora de elegir un software de reclutamiento, son el mantenimiento y el soporte necesarios después de la compra. Sólo con una actualización constante, el software es capaz de desarrollarse en paralelo con los rápidos cambios del mercado, los requisitos de los clientes y la vertiginosa velocidad de la digitalización. No confíe simplemente en frases de marketing tales como: «otras 50 empresas líderes de su sector utilizan nuestro software» o «las 100 primeras entre las 500 primeras empresas también utilizan nuestro software».

Principio III: Tener en cuenta las «habilidades sociales» o “soft skills” de un software de reclutamiento con IA

Al igual que la evaluación de un candidato a un puesto de trabajo se realiza mediante la evaluación de sus competencias y habilidades sociales, un software de reclutamiento de IA también tiene competencias y habilidades sociales. Definimos las competencias de un software como: funcionalidad, precisión, seguridad de datos, velocidad, disponibilidad de idiomas y otras características similares, altamente valoradas.

Sin embargo, muchos pueden pasar por alto las habilidades sociales de un software de reclutamiento de IA. Las habilidades sociales básicas de un software de reclutamiento de IA son la capacidad de comprender a fondo el idioma, la educación, el sistema laboral y social, etc. de su región de actividad, y la capacidad de localizar ciertas regiones o países.

Por ejemplo, un país como España tiene más de un idioma oficial: castellano, catalán, valenciano, gallego y vasco. Un buen software de reclutamiento de IA debe ser capaz de entender las diferencias y similitudes entre estos idiomas, y conocer los términos comunes.

Llevar a cabo procesos de matching con puestos de trabajo de toda Europa no es una tarea fácil, porque, para empezar, cada uno de los 44 países tiene su propio sistema educativo (incluso dentro del marco del tratado de Bolonia). Es una enorme cantidad de trabajo comparar los diferentes niveles de educación y hacer coincidir perfiles de candidatos con vacantes de empleo. ¿Tiene su proveedor los conocimientos adecuados para resolver estos problemas en su región de actividad?

Además del idioma y la educación, hay muchas más categorías, igualmente importantes, que deben tomarse en cuenta.  Como empresa internacional que opera en diferentes países, usted quiere tener un software que comprenda todos sus mercados de interés.

Limitaciones de la IA

Es posible que haya oído hablar de todos los beneficios prometidos, inherentes al uso de un software de reclutamiento con IA. Antes de que la IA pueda hacer su magia, estamos aquí para llamar su atención y sugerirle una palabra: precaución. No espere que el software de IA tome por sí mismo decisiones de contratación. Muchos casos de uso previos demostraron que, sencillamente la tecnología no está lista todavía para tal proeza. «Asegurar que el algoritmo es realmente interpretable y explicable – está todavía muy lejos.» [2]

Si espera que la IA y el algoritmo hagan bien su trabajo, es sumamente importante que compruebe también la preparación de su empresa u organización para la IA, con el fin de maximizar su rendimiento. Todos sabemos que identificar patrones y hacer predicciones requiere una gran cantidad de datos. Con los muy extendidos algoritmos de código abierto, el verdadero cambio en la estrategia de juego, son los datos utilizados para entrenar los algoritmos. Cualquier organización debe tener un plan claro sobre cómo generar los datos cuantitativos y cualitativos que ayudarán a que su software de reclutamiento con IA obtenga resultados más precisos, lo cual se traduce en mayor rentabilidad económica para su empresa.

JANZZ.technology suministra soluciones de inteligencia artificial para su sistema de reclutamiento y le ayuda a encontrar las habilidades y talentos adecuados. La ontología JANZZZon! y el motor de búsqueda inteligente JANZZsme! hacen que problemas complejos como correspondencia entre puestos de trabajo y habilidades sean computables y además dan un vuelco total a la forma en la cual  gestionamos la búsqueda de talentos. Las aplicaciones de JANZZ.technology están estructuradas semánticamente, lo cual significa que las ocupaciones, especializaciones, funciones,  habilidades, cualificaciones, etc., están interrelacionadas de forma lógica. Las aplicaciones de JANZZ.technology generan resultados relevantes, en tiempo real y en varios idiomas, para búsquedas complejas. Nuestras aplicaciones se alimentan y aprenden constantemente de nuevos datos generados por nuestros usuarios, por lo que se vuelven más precisas con el tiempo. Permita que las herramientas de JANZZ.technology le ayuden a encontrar los candidatos que mejor se adapten a sus necesidades.  Para una demostración, por favor escriba ahora a sales@janzz.technology

[1] ideal. 2019. AI for recruiting: A definitive guide for HR professionals. URL: https://ideal.com/ai-recruiting/ [2019.05.28]

[2] Jeffrey Dastin. 2018. Amazon scraps secret AI recruiting tool that showed bias against women. URL: https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G [2019.05.28]
[/av_textblock]

Cómo aprovecha India su dividendo demográfico

Mientras que algunos de los países desarrollados del mundo luchan contra el envejecimiento de su población, tomando medidas tales como el incremento en la edad de jubilación y la acogida a la inmigración, otros países se preocupan por cómo incorporar un gran número de jóvenes al mercado laboral. La serie “La Voz de Asia” de Deloitte, reporta que muchos países de Asia han sido testigos de un crecimiento constante en su población activa, con más y más hombres y mujeres jóvenes que ingresan al mercado laboral cada año. India ocupa la primera posición en la lista.

Según las cifras del Foro Económico Mundial, la mitad de la población de la India tiene menos de 25 años y una cuarta parte menos de 14. Teniendo en cuenta que es el segundo país más poblado del mundo, con 1.300 millones de habitantes, los jóvenes de la India representan una quinta parte de la juventud mundial. Como predijeron la mayoría de los economistas, la India se beneficiará del dividendo demográfico y tendrá una economía de rápido crecimiento.

Para lograr aprovechar la ventaja demográfica, la India tendrá que acelerar considerablemente la creación de empleo y la inversión en capital humano para mantenerse al día y ocupar a esta creciente población en edad de trabajar. En la actualidad, hay 17 millones de personas que se incorporan anualmente al mercado laboral y solo 5,5 millones de puestos de trabajo creados [1]. En una encuesta realizada por la OCDE, más del 30% de los jóvenes de la India de entre 15 y 29 años, ni están empleados, ni se encuentran en la fase educativa o en proceso de formación. Son los llamados “Nini” (NEET en inglés). [2]

Isabelle Joumard, economista senior y jefa de la oficina de la OCDE en India, explicó: «Los NEET incluyen a todos los jóvenes que han quedado fuera del empleo remunerado y de los sistemas formales de educación y formación. Son NEET porque no se están creando suficientes puestos de trabajo de calidad en el sistema, porque tienen pocos incentivos o se enfrentan a exigencias demasiado altas para entrar en los sistemas de educación y formación» [2].

Desde un punto de vista global, las tasas de desempleo juvenil se mantienen por encima del 20% en algunas economías europeas. Oriente Medio y África del Norte han tenido tasas de desempleo juvenil cercanas al 30% y la situación ha seguido empeorando en los últimos años. Por otra parte, los jóvenes que encuentran un puesto de trabajo, a menudo tienen que contentarse con empleos que no responden a sus expectativas [3] y, adicionalmente, el 16,7% de los jóvenes que trabajan en las economías emergentes y/o en desarrollo viven en la pobreza extrema [3].

¿Por qué las oportunidades de empleo son especialmente escasas en los países menos desarrollados? El desarrollo insuficiente de las políticas, la deficiente infraestructura y los limitados canales de financiación, son algunas de las muchas razones que explican la escasez de puestos de trabajo. Según las conclusiones de e4e (una iniciativa de educación para el empleo impulsada por la Corporación Financiera Internacional y el Banco Islámico de Desarrollo), el desajuste entre la educación y la demanda del mercado laboral es un obstáculo importante para la creación de empleo [4].

Como ha sido señalado en varios informes, el desarrollo de un ecosistema de competencias impulsadas por la empleabilidad, es fundamental para aprovechar el potencial demográfico de la India. Rajastán, el séptimo estado más poblado de la India, tiene una población de jóvenes menores de 25 años que representa casi el 55% de la población total del estado. De 2012 a 2018, su tasa de desempleo aumentó del 4,5% al 7,7%. El problema del desempleo en Rajastán se agrava debido a factores como falta de instructores de calidad y falta de alineación entre la educación y las capacidades [5].

Para hacer frente a estos problemas, el estado se esfuerza continuamente en la creación de infraestructuras educativas. En 2004 se convirtió en el primer estado del país en llevar a cabo una misión de capacitación, destinada a reducir la brecha entre la demanda y la oferta de mano de obra cualificada y, por ende, aumentar la tasa de empleo. Para mejorar aún más la calidad de la capacitación, Rajastán ha fundado universidades de competencias, un proyecto pionero en el país [6].

En Himachal Pradesh, situado en el norte de la India, una gran parte del empleo recae en la agricultura. Más de dos tercios de su mano de obra son trabajadores autónomos, y la cantidad de trabajos asalariados continua siendo muy baja. En 2018, el Banco Asiático de Desarrollo (BAD) firmó un préstamo con el gobierno de la India para aprovechar las instituciones de Enseñanza y Formación Técnica y Profesional (EFTP) y para ampliar los ecosistemas de capacitación en Himachal Pradesh.  Los planes para llevar a cabo el proyecto incluyen medidas tales como: la transformación de 11 oficinas de empleo en centros modelo de carrera, la modernización de los equipos de formación, la implementación de un sistema de información sobre capacitación y la creación de un mejor acceso a los jóvenes a FTP’s de calidad, que sean demandadas por el mercado laboral, con el fin de prepararlos para las cambiantes necesidades mismo [7].

JANZZ.technology ayuda a los gobiernos a insertar a la población activa en el mercado laboral, a través del uso de tecnología basada en IA. En colaboración con el Misterio de Trabajo, Empleo y Seguridad Social (MTESS) y la Dirección General de Empleo (DGE), hemos implementado con éxito en Paraguay la plataforma ParaEmpleo, una solución tecnológica para la asignación de puestos de trabajo. La colaboración entre Paraguay y JANZZ.technology, se enmarca en el Programa de Apoyo a la Inserción Laboral, con apoyo del Banco Interamericano de Desarrollo (BID) desde el año 2011.  La representante del BID en Paraguay, María Florencia Attademo-Hirt, se expresó en los mejores términos sobre la tecnología de JANZZ, diciendo: «Herramientas innovadoras como ésta son las que mejorarán la vida de los paraguayos, más allá del Mercosur y del contexto regional» [8]. El uso innovador de la tecnología es la manera correcta y eficiente de resolver muchos de los problemas actuales que plantea mercado laboral. Si usted como organización gubernamental está buscando soluciones para el sector del empleo en su país, por favor no dude en escribirnos a sales@janzz.technology, donde estaremos encantados de proporcionarle más información, adaptada a sus necesidades específicas.

 

 

 

[1] NASSCOM, FICCI and EY. 2017. Future of jobs in India – A 2022 perspective. URL: https://www.ey.com/Publication/vwLUAssets/ey-future-of-jobs-in-india/%24FILE/ey-future-of-jobs-in-india.pdf [2019.04.30]

[2] OECD. 2017. OECD Economic Surveys India. URL: https://www.oecd.org/eco/surveys/INDIA-2017-OECD-economic-survey-overview.pdf [2019.04.30]

[3] Guy Ryder. 2016. 3 ways we can tackle youth employment. URL: https://www.weforum.org/agenda/2016/01/3-ways-we-can-tackle-youth-employment/ [2019.04.30]

[4] ILO. 2017. Global employment trends for youth 2007. URL: https://www.ilo.org/wcmsp5/groups/public/—dgreports/—dcomm/—publ/documents/publication/wcms_598675.pdf [2019.04.30]

[5] Lars Thunell. 2012. How do we create more jobs for young people? URL: https://www.weforum.org/agenda/2012/01/how-do-we-create-more-jobs-for-the-youth/ [2019.04.30]

[6] Pwc and FICCI. 2019. Fast forward: relevant skills for a buoyant Indian economy. URL: http://ficci.in/spdocument/23062/FICCI-PwC-rajasthan-report.pdf [2019.04.30]

[7] ADB. 2018. ADB, India sign $80 million loan to help boost youth employability in Himachal. URL: https://www.adb.org/news/adb-india-sign-80-million-loan-help-boost-youth-employability-himachal [2019.04.30]

[8] IDB. 2019. Algorithms that get you a job in Paraguay. URL: https://www.iadb.org/en/improvinglives/algorithms-get-you-job-paraguay [2019.04.30]

 

Reporte del BID: algoritmos que te encuentran trabajo en Paraguay

El Banco Interamericano de Desarrollo informó sobre la exitosa implementación de la plataforma online de búsqueda de empleo ParaEmpleo, creada por JANZZ.technology.

La solución fue lanzada en diciembre de 2018 por la ministra de Trabajo, Carla Bacigalupo, y el presidente de la República, Mario Abdo Benítez. El proyecto entre Paraguay y JANZZ.technology, se enmarca dentro del programa de apoyo a la inserción laboral apoyado por el BID en 2011.

María Florencia Attademo-Hirt, representante del BID en Paraguay, se expresó en muy buenos términos sobre la solución de JANZZ: «herramientas innovadoras como ésta son las que mejorarán la vida de los paraguayos, más allá del Mercosur y del contexto regional», comentó. Actualmente, la base de datos de ParaEmpleo cuenta con más de 25.000 solicitantes de empleo y ayuda a miles de paraguayos a encontrar un puesto de trabajo.

Artículo en el sitio web del BID: https://www.iadb.org/es/mejorandovidas/algoritmos-que-te-consiguen-empleo-en-paraguay

Ontología y taxonomía: no son sinónimos. Comparemos para establecer sus diferencias

La palabra “ontología” puede que resulte abstracta para muchas personas. Tiene su origen en el sueño de Tim Berners-Lee de inventar la World Wide Web. Este sueño incluía que la Web fuera capaz de definir una llamada “web semántica”, mediante el análisis de todos los datos de la red, incluyendo contenido, enlaces y transacciones entre ordenadores y personas. En la web semántica, el Resource Description Framework (RDF) y el Web Ontology Language (OWL) se han establecido como formatos estándar para compartir e integrar datos y conocimiento, este último en forma de ricos esquemas conceptuales llamados ontologías [1.] En este artículo, emplearemos la palabra ontología como definición de la metodología de trabajo, sin embargo, vale la pena mencionar que en el mundo actual de las Tecnologías de la Información y Comunicación, el término «gráfico del conocimiento» es ampliamente usado como sinónimo de ontología.

Por qué es importante una ontología

Hablando de Inteligencia Artificial (IA), los términos «Big Data«, «aprendizaje automático» y «aprendizaje profundo» están reemplazando lentamente el uso del término «IA». Sin embargo, para citar a Adrian Bowles: «no hay inteligencia artificial sin representación del conocimiento». En otras palabras, la IA requiere elementos de ingeniería del conocimiento, arquitectura de la información y una cantidad significativa de trabajo humano para realizar su «trabajo neuronal mágico». Alexander Wissner-Gross afirma que, quizás lo más importante sea reconocer que son los conjuntos de datos inteligente y no los algoritmos, los que probablemente sean el factor clave limitante en el desarrollo de la inteligencia artificial a nivel humano.

             “No hay inteligencia artificial sin representación del conocimiento.”

Una ontología es una representación estructurada y formal del conocimiento relacionado con una determinada área. Esto es necesario porque, a diferencia de los humanos, la IA no puede basarse directamente en las nociones humanas preestablecidas sobre el uso correcto de un término. Lo que una ontología puede hacer, sin embargo, es «aprender» sobre el significado semántico de un término a través de los enlaces entre los conceptos de su sistema. Ya existen poderosas ontologías en campos específicos, como por ejemplo la Ontología de la Industria Empresarial Financiera (FIBO por sus siglas en inglés), así como numerosas ontologías para el área de la salud, la geografía o el sector del empleo.

Otra parte importante de la IA es el razonamiento semántico. Además de identificar transacciones potencialmente fraudulentas, determinar la intención de los usuarios basándose en el historial de su navegador y hacer recomendaciones de productos, la IA también puede hacer lo siguiente: ejecutar tareas que requieren un razonamiento explícito, basado en conocimientos generales y específicos de la materia, como entender artículos de noticias, preparar alimentos o comprar un automóvil. Este tipo de tareas requieren información que no forma parte de los datos de entrada y que debe combinarse dinámicamente con el conocimiento. Este tipo de razonamiento de la computadora, solo se puede lograr con ontologías y la forma en la cual se estructura el conocimiento que incluyen. [2]

Taxonomía y ontología son fundamentalmente diferentes

La ontología a menudo se confunde con la taxonomía.  Apartando el hecho de que ambos términos pertenecen a los campos de la IA, la web semántica y la ingeniería de sistemas, no hay mucho más que los defina como sinónimos. Las clasificaciones taxonómicas como O*NET (Occupational Information Network) y ESCO (European Skills/Competences, qualifications and Occupations), simplemente no se pueden comparar con las ontologías.  Las primeras proporcionan un enfoque mucho más sencillo cuyo fin es clasificar conceptos, ya que tienen una estructura jerárquica y utilizan únicamente las relaciones padre-hijo entre términos, sin ningún vínculo adicional más sofisticado. Las ontologías, por otro lado, son una forma mucho más compleja de categorización. Hablando metafóricamente, una taxonomía equivaldría a un árbol, mientras que una ontología sería a un bosque.

He aquí un ejemplo: El término “golf” podría aparecer en varias taxonomías.  Puede estar situado bajo un árbol de “Actividades humanas” (actividades humanas -> actividades de ocio -> deportes -> golf).  También puede encontrarse en una taxonomía relativa a la ropa (ropa -> ropa casual/activa -> ropa deportiva -> ropa y accesorios de golf). Podría incluso aparecer en algo muy diferente, por ejemplo, una taxonomía del automóvil (automóvil -> Alemania -> VW -> Golf). En una ontología, cada una de estas taxonomías puede ser considerada como un árbol, cuyas ramas conectan con el nodo “golf” de otras ramas, de otros árboles. [3]

 

 

Explicado de otra manera, las taxonomías representan una colección de tópicos, que tienen una relación cuyo propósito es definir “esto es…”, mientras que las ontologías desarrollan conexiones mucho más complejas, permitiendo relaciones que reconozcan que “esto” “tiene…” y “utiliza…”. [4] Por lo tanto, si regresamos al ejemplo de clasificación anterior, las taxonomías carecen de la capacidad de comparar conceptos hijos.

En la clasificación internacional ESCO, casi todos los médicos especialistas están agrupados bajo el título: Profesionales médicos especializados. Si analizamos este caso, se hace evidente que un/-a enfermero/-a especializado/-a en anestesia y un médico/-a anestesista, tienen conocimientos y habilidades en común, pero no pueden aplicar a un mismo puesto de trabajo. Adicionalmente, los conjuntos de habilidades especializadas se agrupan simplemente en listas generales, sin ningún vínculo con las correspondientes ocupaciones especializadas. ¿Por qué ocurre esto? Una de las razones es que las clasificaciones se utilizan principalmente con fines estadísticos. Desde este punto de vista, no hay necesidad de clasificar a todos los médicos especialistas de acuerdo con sus habilidades y formación específicas. Entonces, de acuerdo con las taxonomías, las especializaciones sólo pueden ser reconocidas por el título del puesto de trabajo y es necesario recurrir a otras fuentes para entender mejor su contenido específico.

 

 

La construcción de una ontología que contenga: ocupaciones, capacidades, competencias y formación, hace posible el reconocimiento automático de diferencias y similitudes entre títulos de puestos de trabajo. Por ejemplo: Pediatras y neonatólogos tienen trabajos parecidos, ya que ambos se dedican al cuidado de la salud de los recién nacidos. Con el enfoque de modelado ontológico, es posible determinar que un pediatra tiene un porcentaje muy alto de capacidades similares a las de un neonatólogo. Sin embargo, los pediatras sólo pueden hacerse cargo del trabajo del neonatólogo después de recibir formación adicional. Toda esta información puede ser representada en una ontología, a través de las interrelaciones entre conceptos. Estas relaciones exceden ampliamente la capacidad de una simple taxonomía.

 

 

Las ontologías permiten emparejar conjuntos de datos

Cuando se trata de emparejar (matching), digamos, por ejemplo, curricula vitae con vacantes de trabajo, no hay mejor sistema para ello que el uso de una ontología. Con demasiada frecuencia, se utilizan sencillas formas de emparejamiento, basadas en palabras clave, o métodos difusos de aprendizaje automático, lo que significa que muchas similitudes no se detectan, por lo tanto, no se obtienen resultados de correspondencia. Elementos que conducen a esta falta de resultados son, por ejemplo, variaciones de las palabras claves introducidas, sinónimos y frases alternativas. Para conseguir una correspondencia eficiente, es importante comparar la semántica (el significado subyacente) de dos elementos, en lugar de la redacción del texto. Aquí es donde entran en juego las ontologías. Las mismas se basan en un modelo semántico, capaz de detectar los significados subyacentes y las similitudes entre CV y descripciones de puestos de trabajo.

La técnica de emparejamiento ontológico es una técnica fundamental que tiene aplicación en muchas áreas, como la combinación de ontologías. En dominios con reglas muy complejas, e interacciones complejas entre reglas, no hay sustituto para las ontologías. Esto se muestra, por ejemplo, cuando se considera la integración de dominios muy diferentes entre sí. Supongamos que hay dos ontologías separadas, una ontología meteorológica y una ontología geográfica. Crear una tercera ontología que integre y aproveche en contenido de las dos, es una propuesta manejable, que proporcionaría valiosa información para evaluar riesgos de navegación o para el ámbito de los seguros.[5]

El verdadero valor de las ontologías

El sistema semántico se basa en representaciones explícitas, y comprensibles para el ser humano, de conceptos, relaciones y reglas para desarrollar el conocimiento de una determinada área. Es imposible confiar únicamente en los programadores para construir un sistema de este tipo, basado en el aprendizaje automático, ya que carecen de los conocimientos necesarios para definir las relaciones entre los conceptos de cada dominio específico. Por lo tanto, el conocimiento de un área específica debe provenir de expertos en esa materia y es necesaria la integración de conocimiento experto en distintos campos (Ej.: derecho de propiedad intelectual, dinámica de fluidos, reparación de automóviles, cirugía a corazón abierto, o sistemas educativos y vocacionales). Este proceso es crucial para crear una representación integral del conocimiento.

Para la ontología multilingüe de JANZZ, las capacidades son un punto clave. En muchos casos, la traducción literal de un concepto a muchos idiomas no es posible, sin embargo, gracias que Suiza es un país pequeño y multicultural, todos nuestros curadores de ontología dominan fluidamente al menos dos idiomas, y algunos hasta más de cuatro (incluyendo chino y árabe). Esto nos proporciona una gran ventaja, la cual nos permite garantizar la calidad y consistencia de los contenidos en diferentes idiomas.

Hace aproximadamente una década, JANZZ comenzó a construir su ontología sobre varias taxonomías de ocupación, a saber: CIUO-08, ESCO y clasificaciones específicas muchos países. A lo largo de los años, JANZZ ha incluido en su ontología miles de nuevas profesiones y funciones (Ej.: Investigador/-a de mercado, minero/-a de datos, experto/-a en generación milenial, gerente/-a de medios sociales, community manager, etc.) los cuales no existían previamente en ninguna de las taxonomías conocidas. Además de nuevos títulos de puestos de trabajo, la ontología se actualiza constantemente con la inclusión de términos nuevos en todos los campos: habilidades, educación, experiencia y especializaciones. El hecho de que nuestra ontología es capaz de reconocer semejanzas y ambigüedades entre puestos de trabajo y demás áreas relevantes en el ámbito de la colocación laboral, la convierte en la herramienta perfecta para empresas de RRHH y servicios públicos de empleo. Hoy en día, la ontología de JANZZ es, con diferencia, la ontología de datos de colocación laboral más grande, compleja y completa del mundo.

Por suerte algunos gobiernos y empresas han escogido el camino correcto y actualmente se benefician ampliamente de nuestra tecnología de punta. Si desea más información sobre la ontología de JANZZ, escríbanos por favor a sales@janzz.technology. Le agradecemos de antemano su interés y estaremos encantados de responder a todas sus preguntas.

[1] Ian Horrocks. 2008. Ontologies and the Semantic Web. URL: http://www.cs.ox.ac.uk/ian.horrocks/Publications/download/2008/Horr08a.pdf [2019.02.01 ]

[2] Larry Lefkowitz. 2018. Semantic Reasoning: The (Almost) Forgotten Half of AI. URL: https://aibusiness.com/semantic-reasoning-ai/ [2019.02.01]

[3] New Idea Engineering. 2018. What’s the difference between Taxonomies and Ontologies? URL: http://www.ideaeng.com/taxonomies-ontologies-0602 [2019.02.01]

[4] Daniel Tunkelang. 2017. Taxonomies and Ontologies. URL: https://queryunderstanding.com/taxonomies-and-ontologies-8e4812a79cb2 [2019.02.01]

[5] Nathan Winant. 2014. What are the advantages of semantic reasoning over machine learning? URL: https://www.quora.com/What-are-the-advantages-of-semantic-reasoning-over-machine-learning [2019.02.01 ]
[/av_textblock]

Suiza 2030: Oportunidades y peligros de la digitalización

Con motivo de la digitalización ciertas profesiones están destinadas a desaparecer: ninguna novedad para nuestros oídos. Sin embargo, el primer estudio exhaustivo sobre los efectos de la digitalización para 2030 explica un hecho devastador: Sólo en Suiza desaparecerán por lo menos 1.000.000 de puestos de trabajo. Este número resulta aterrador, para un país con unos nueve millones de habitantes. McKinsey & Company esclarece que casi todas las industrias se ven afectadas, pero que no todo son malas noticias ya que, por otra parte, la digitalización también crea nuevos puestos de trabajo y genera productividad.

 

 

Particularmente en riesgo: habilidades manuales y conocimientos básicos 

El estudio de McKinsey & Company titulado «El futuro del trabajo: la oportunidad digital de Suiza» predice que entre el 20 y el 25% de los puestos de trabajo en Suiza están amenazados. Como resultado de la digitalización son, principalmente, trabajos manuales y los que requieren únicamente conocimientos muy básicos, donde las personas ya no resultan imprescindibles. Ejemplo de ello son: cajeros, recolectores de datos, empleados de almacén u operarios de producción. Estos trabajos están cada vez más automatizados, gracias a un gran número de pequeños ayudantes tecnológicos, hecho que aumentará considerablemente de aquí a 2030. Las habilidades artesanales también tendrán cada vez menos demanda. Así pues, es sobre todo en el área de los denominados trabajos poco cualificados, donde se requiere tener mayor precaución. Las actividades que tienen que ver con estadística, lectura y escritura, también estarán altamente automatizadas para el año 2030. Actualmente, también se encuentran disponibles muy buenas herramientas para la gestión exitosa de proyectos.  Particularmente el sector bancario suizo tiene por delante una tarea de gran envergadura, ya que muchas de las competencias antes mencionadas son cruciales en esta área. Hoy en día cada vez más clientes bancarios prescinden del asesoramiento personal, prefiriendo el portal online de información. Se espera que desaparezcan 50.000 puestos de trabajo en el sector financiero, 120.000 en el comercio minorista y de 70 a 100.000 en la industria.

Nuevos puestos de trabajo en 2030

Pero, por supuesto, la digitalización también requiere nuevas competencias, lo cual favorece la creación de muchos nuevos puestos y ofertas de trabajo. La principal demanda será en el ámbito de las competencias tecnológicas, científicas y sociales. Esto se traduce en la creación de aproximadamente 800.000 puestos de trabajo, pero lamentablemente este dato no se reflejará de manera específica en las mismas zonas en las cuales desaparecen los puestos de trabajo. Paralelamente, la digitalización también crea puestos de trabajo directos, ya que su implementación debe ser realizada por personas. Ejemplos tomados de búsquedas actuales: «Responsable de transformación digital» o «Gerente de proyecto de digitalización interna».

El problema es que los puestos de trabajo no pueden simplemente redistribuirse así como así. Por ejemplo: un operario de máquina no puede convertirse automáticamente en jefe de proyecto, o un cajero, en enfermero. Por el contrario, la educación y capacitación deben empezar cuanto antes, ya que el reciclaje resulta, por una parte, muy costoso y por otra, difícil de organizar para un gran grupo  de la población. Tampoco se puede dar por hecho que las competencias y habilidades sociales requeridas para estas profesiones, se encuentran espontáneamente disponibles. Así como no todos tenemos la fuerza y empatía necesarias para cuidar de mayores y enfermos, de la misma manera no todos poseemos la comprensión de la tecnología relacionada con las nuevas profesiones.

Sector salud: aumentando exponencialmente

Además del sector tecnológico, se creará un número particularmente elevado de puestos de trabajo en el sector sanitario, dentro del cual las habilidades sociales son de vital importancia. Esto se debe al envejecimiento de la sociedad: en 2030, el 23% de la población suiza tendrá más de 65 años, frente al 18% actual. En consecuencia, la demanda de personal de enfermería está aumentando considerablemente, y se prevé una demanda adicional de hasta 85.000 empleados, particularmente profesionales de la salud y personal de enfermería capacitado. No sólo es insuficiente el número de personas que están en etapa de formación, sino que además, muchos profesionales de la salud dejan su trabajo al cabo de un tiempo, hasta 3 de cada 4 empleados. Hay muchas razones que justifican este comportamiento: horario por turnos, duro trabajo físico y bajos salarios. Tan sólo cerca de la mitad de los profesionales de enfermería continúan ejerciendo su profesión durante toda su vida laboral.

Este problema afecta no sólo a Suiza, la escasez se aplica en muchas partes del mundo. Así, un estudio reveló que durante los próximos años, la carencia de fuerza de trabajo en el ámbito sanitario en EEUU, aumentará en unos 2 millones más.  En este país, es particularmente alta la demanda de personal para cuidados en el hogar o en residencias de ancianos. Sin embargo, los salarios de estos subsectores son particularmente bajos y en algunos casos, muy por debajo del promedio de ingresos anuales en USA. También en este caso, los turnos de trabajo y el esfuerzo físico requerido, constituyen condiciones muy poco favorables para los empleados. Con este panorama, resulta cada vez más improbable que se cubran los puestos necesarios.

¿Cómo se financia y estructura el mercado laboral?

Es positivo que el trabajo físico pesado pueda aligerarse, al ser asumido por robots u otros pequeños ayudantes automatizados. Desafortunadamente, esto hace que el trabajo en las cajas registradoras también pueda “aligerarse”. Si los robots no pagan impuestos, no contribuyen a los fondos de pensiones, ni cotizan a la seguridad social, entonces ¿cómo se financiarán el futuro mercado laboral, nuestras calles y escuelas, o la cantidad de nuevos equipos necesarios para nuestro mundo digitalizado? ¿Introduciendo tal vez un «impuesto de digitalización»? ¿O es que los empleadores tendrán que pagar contribuciones para la pensión de los robots, de la misma manera que lo hacen para los empleados humanos?

Sería necesario preguntarse, no solo hasta qué punto es conveniente que los robots asuman ciertas actividades, sino también hasta donde está permitido, es decir, legalmente. Cambios que anteriormente eran monitorizados por ojos humanos, ahora son sólo percibidos por pantallas. ¿Es eso legalmente justificable? Existen muchas actividades que requieren la obtención de certificados específicos. La cuestión ahora es cómo demostrar la competencia de un robot. ¿Pueden los robots, por ejemplo, superar los exámenes de conducción?

La adjudicación de responsabilidades resulta particularmente complicada hoy en día, especialmente cuando se trata de errores. Frecuentemente se requiere de la opinión de expertos y debates de meses para determinar quién es el responsable de algún daño infligido. Entonces, ¿Será posible disponer pronto de un “seguro para/contra robots”?

 

Los problemas son los mismos a nivel mundial

Como ya mencionábamos anteriormente, no solo Suiza se enfrenta a los cambios señalados. En Alemania se contabiliza ya un déficit de personal de unos 300.000 en las áreas de matemáticas, informática, ciencia y tecnología (MINT por sus siglas en alemán). Un estudio a gran escala en USA, evaluó 702 puestos de trabajo, para determinar su probabilidad de automatización y concluyó que el 47% de la población activa de Estados Unidos, con toda probabilidad, se verá afectada. El estudio reveló que, por el contrario, empleos que requieren altas dosis de competencia social (portavoz de prensa, por ejemplo), creatividad (diseñador de modas), elevado nivel de comprensión, percepción y manejo (cirujano), se encontraban apenas amenazados. Los resultados de este estudio se pueden extrapolar al resto de los países, los cuales afrontan los mismos retos. De igual manera, el grupo inversionista CBRE Group ha conseguido determinar que, para el año 2025, el 50% de los empleos en Asia se encuentran potencialmente en riesgo, especialmente aquellos netamente manuales o de conocimientos sencillos.

Medidas

En Alemania también se reconoce la gravedad de la situación. Recientemente se creó una ley para facilitar inmigración de trabajadores cualificados, con el fin de contrarrestar la escasez de personal, en particular en el sector sanitario. Esta ley se aplica a ciudadanos de terceros países, es decir, no de la UE ni de la AELC, quienes ya se benefician del acuerdo libre circulación de personas entre países miembro. Inmigrar puede pues, cualquiera que tenga cualificaciones suficientes para ejercer una profesión y un contrato de trabajo. Para ello se otorgará una visa de búsqueda de empleo, con seis meses de duración. Con esto queda suprimida la comprobación de si existe un ciudadano de la UE que pueda hacer el trabajo, como se hacía anterior a esta ley. Ideas similares surgieron recientemente en el Reino Unido, donde en la primavera de 2019 se introducirá un nuevo visado para Start-ups. El gobierno pretende con esta medida, facilitar a las empresas tecnológicas extranjeras la creación de nuevas empresas en el Reino Unido.

Hacer que la transformación sea un éxito

¿Cómo deben afrontarse estos retos? El proceso de digitalización debe enfocarse en dos tareas. En primer lugar, la transformación de la economía debe ser apoyada de manera decisiva y contundente, no obstante, sin dejar que todo ocurra demasiado rápido. Una reconversión acelerada podría dar lugar a un aumento del desempleo, al no haber dispuesto del tiempo necesario para desarrollar las nuevas competencias. La transformación requiere nuevos procesos y modelos de negocio para las empresas. En Suiza, por ejemplo, existe sólo un 8% de comercio online, frente al 15 y 18% de Alemania y el Reino Unido, respectivamente. Si la digitalización es un éxito, particularmente la economía suiza podría beneficiarse considerablemente de la transformación y aumentar la productividad, en alrededor de un 1% al año. En consecuencia, salarios reales más altos tenderían también a aumentar el consumo, lo cual generaría a su vez nuevos puestos de trabajo.

Capacitar en lugar de esperar

Al mismo tiempo, la atención debe centrarse fundamentalmente en la formación de empleados y alumnos en las competencias del futuro. Para ello, la enseñanza debería tener mucho más contenido tecnológico. Por ejemplo, los estudiantes deberían ser capaces de realizar más tareas de oficina en la computadora. Hoy en día, la demanda suiza de graduados en tecnología está lejos de ser satisfecha; en el futuro, los 3.000 graduados ahora disponibles alcanzaran a cubrir menos de la mitad de los puestos.

Adicionalmente, se ha demostrado repetidamente que las habilidades sociales están infundadamente subestimadas, ya que juegan un papel determinante en el desarrollo exitoso a largo plazo, dentro del mercado laboral. Este es otro ámbito, en el cual las empresas y las instituciones educativas, deberían empezar a impartir una formación integral. En resumen, por todo lo anteriormente expuesto, resulta indispensable un replanteamiento estructural del desarrollo de las competencias.

Análisis de brechas claro y sin prejuicios, para una transformación exitosa

Durante casi una década, JANZZ.technology ha estado observando y trabajando con múltiples mercados laborales, a nivel mundial. Nuestro motor de matching «JANZZsme» se adapta de forma totalmente imparcial, ya que se basa en la relevancia de las competencias, experiencias, especializaciones, industrias y mucho más. Nuestra solución es capaz de realizar análisis de brechas, transparentes y fáciles de entender, sobre las habilidades de sus empleados. Esto le dará una idea clara de cuáles habilidades clave para el éxito de su negocio están disponibles y cuáles deben ser ampliadas o desarrolladas. Contáctenos ahora para una consulta y podemos acompañarle con nuestro know-how en su exitoso camino hacia la digitalización.

Escríbanos a sales@janzz.technology

[1] McKinsey Global Institute. 2018. The Future of Work: Switzerland’s Digital Opportunity. Zürich/Brüssel. URL: https://www.mckinsey.com/~/media/mckinsey/featured%20insights/
europe/the%20future%20of%20work%20switzerlands%20digital%20opportunity/the-future-of-work-switzerlands-digital-opportunity.ashx [2018.11.10].

[2] Hug, Daniel. 2018. Bis 2030 fallen in der Schweiz eine Million Jobs weg. In: NZZ am Sonntag, 6.10.2018. URL: https://nzzas.nzz.ch/wirtschaft/bis-2030-fallen-in-schweiz-eine-million-jobs-weg-ld.1426280?reduced=true [2018.11.10].

[3] AsiaOne. 2016. Top 10 careers that are dying a slow death. URL: http://www.asiaone.com/business/top-10-careers-are-dying-slow-death [2018.11.08].

[4] Frey, Carl Benedikt, Osborne, Michael A. 2013. The Future of Employment: How Susceptible are Jobs to Computerisation?. Oxford. URL: https://www.oxfordmartin.ox.ac.uk/downloads/academic/future-of-employment.pdf [2018.11.10].

[5] Oh, Soo. 2017. The future of work is the low-wage health care job. URL: https://www.vox.com/2017/7/3/15872260/health-direct-care-jobs [2018.11.10].

[6] MAMK/DPA. 2018. Arbeitgeber melden Rekord beim Fachkräftemangel. In: KarriereSPIEGEL. URL: http://www.spiegel.de/karriere/fachkraeftemangel-arbeitgeber-klagen-ueber-fehlende-mint-kraefte-a-1207636.html [2018.11.08].

[7] Bauer, Karin. 2018. Welche Jobs bleiben, welche verschwinden. In: Der Standard. URL: https://derstandard.at/2000078804017/Welche-Jobs-bleiben-welche-verschwinden [2018.11.09].

[8] Walser, Rahel. 2017. Beruf Fachkraft Gesundheit – Nach der Lehre die grosse Ernüchterung. URL: https://www.srf.ch/news/schweiz/beruf-fachkraft-gesundheit-nach-der-lehre-die-grosse-ernuechterung [2018.12.03].

[9] Böcking, David. 2018. Einwanderungsgesetz für Fachkräfte. Wer darf künftig zum Arbeiten nach Deutschland kommen? In: Der Spiegel. URL: http://www.spiegel.de/wirtschaft/soziales/fachkraefte-die-offenen-fragen-beim-einwanderungsgesetz-a-1239722.html [2018.12.05].

[10] Hoock, Silke. 2018. Abschiebung nach Mazedonien. Wieder eine Krankenschwester weniger. In: Der Spiegel. URL: http://www.spiegel.de/wirtschaft/abschiebung-krankenschwester-amela-memedi-muss-nach-mazedonien-a-1239890.html [2018.12.05].

[11] The Government of United Kingdom. 2018. New start-up visa route announced by the Home Secretary.  URL: https://www.gov.uk/government/news/new-start-up-visa-route-announced-by-the-home-secretary [2018.12.03].
[/av_textblock]