En los últimos años ha habido muchos posts, artículos e informes sobre cómo la IA y la automatización darán forma al futuro del trabajo. Dependiendo de la perspectiva o la visión del autor, estos artículos van en una de las dos direcciones: bien la nueva tecnología destruirá puestos de trabajo y tendrá efectos devastadores en el mercado laboral, bien creará un futuro mejor y más brillante para todos al eliminar solo los trabajos aburridos y generar otros mejores y mucho más interesantes. Como es habitual, la verdad probablemente se encuentre en algún punto entre estos dos extremos. En este post, queremos adoptar una visión más matizada abordando los argumentos y afirmaciones más comunes y compararlos con los hechos. Pero antes de entrar en materia, aclaremos primero qué es la transformación digital impulsada por la IA. En pocas palabras, se trata de la automatización, del uso de la tecnología de IA para completar tareas que no queremos que los humanos realicen o que los humanos no pueden realizar. Al igual que hicimos en el pasado, en la primera, segunda y tercera revolución industrial.

Desde máquinas textiles hasta el arte de la IA

Con cada una de estas revoluciones llegó el temor de que los trabajadores humanos quedaran relegados. Entonces, ¿por qué queremos automatizar? Aunque en algunos casos los inventores estaban, y siguen estando, simplemente interesados en la hazaña de la invención en sí, la mayoría de las veces un invento o desarrollo estaba impulsado por intereses comerciales, al igual que la aprobación generalizada. Independientemente de la época, las empresas rara vez tienen otros objetivos que seguir siendo competitivas y aumentar los beneficios. Los telares de medias en el siglo XVI se inventaron para aumentar la productividad y reducir los costes sustituyendo el trabajo humano. Las máquinas de vapor de los molinos y fábricas del siglo XIX y la maquinaria agrícola se utilizaron por la misma razón. Los robots en la fabricación de vehículos en la segunda mitad del siglo XX, también. Tanto si se trata de tractores como de cadenas de montaje u hojas de cálculo, el objetivo de primer orden era sustituir la musculatura humana por la fuerza mecánica, el trabajo manual humano por la consistencia de la máquina y el HumanwWare lento y propenso a errores por el cálculo digital. Pero hasta ahora, aunque se han perdido muchos puestos de trabajo por la automatización, se han creado otros. El aumento masivo de la producción exigía puestos de trabajo relacionados con el aumento de la distribución. Cuando los coches de pasajeros reemplazaron los viajes a caballo y las ocupaciones ecuestres, se vio un aumento de la movilidad privada, y se crearon, en cambio, puestos de trabajo en la industria en expansión de la alimentación y el alojamiento en carretera. El incremento de la potencia informática utilizada para sustituir las tareas humanas en las oficinas también dio lugar a productos totalmente nuevos y a la industria del juego. Además, el aumento de la riqueza y el crecimiento de la población que acompañan a estos desarrollos condujeron a un aumento de la demanda de ocio y consumo, impulsando estos sectores y creando puestos de trabajo, si bien no tantos como uno puede pensar, tal y como veremos más adelante. Sin embargo, no podemos dar por sentado que la revolución actual seguirá el mismo patrón y creará más puestos de trabajo y riqueza de los que destruirá solo porque así haya ocurrido en el pasado. A diferencia de la tecnología mecánica y la informática básica, las tecnologías de IA no solo tienen el potencial de sustituir a los trabajadores baratos, por ejemplo, con robots de limpieza o agrícolas. También han empezado a superar a trabajadores caros como los patólogos que diagnostican el cáncer y otros profesionales de la medicina que diagnostican y tratan a los pacientes, y también están tocando tareas creativas como la elección de escenas para trailers de películas o la producción de arte digital. Por supuesto, tampoco debemos asumir sin más un futuro distópico con menos puestos de trabajo y una caída de la riqueza. Pero debemos tener en cuenta que actualmente, en muchos casos, es más rentable sustituir a trabajadores caros con soluciones de IA que a mano de obra barata, como los trabajadores textiles de Bangladesh.

Con tal de tener una visión más diferenciada, echemos un vistazo a las afirmaciones más comunes en la actualidad y a cómo resisten un análisis más detallado.

Afirmación 1. La IA creará más o menos puestos de trabajo de los que destruirá

Este es el principal argumento planteado en los escenarios utópicos/distópicos, incluidos los informes del FEM, «97 millones de nuevos puestos de trabajo frente a 85 millones de puestos de trabajo reemplazados en 26 países para 2025»; PwC afirma que «es probable que cualquier pérdida de puestos de trabajo debido a la automatización se vea ampliamente compensada a largo plazo por la creación de nuevos puestos de trabajo»; Forrester informa que «habrá una pérdida de puestos de trabajo del 29 % para 2030 con solo un 13 % de creación de puestos de trabajo para compensar», entre otros. En todo caso, cualquier cambio radical puede plantear grandes obstáculos. Tal y como afirma BCG en un informe reciente sobre este tema, «el número neto de puestos de trabajo perdidos o ganados es una métrica artificialmente simple» para estimar el impacto de la digitalización. Un cambio neto de cero o incluso un aumento de puestos de trabajo podría causar grandes asimetrías en el mercado laboral con una dramática escasez de talento en algunas industrias u ocupaciones y un excedente masivo de trabajadores y desempleo en otras. Por otro lado, en lugar de provocar el desempleo, o al menos el subempleo, un menor número de puestos de trabajo también podría dar lugar a un mayor reparto del trabajo y, por tanto, a semanas laborales más cortas. Por otra parte, aunque esto puede sonar bien en teoría, también plantea otras cuestiones: ¿Cómo se verán afectados los salarios y las prestaciones? ¿Quién se llevaría la mayor parte de las recompensas monetarias?, ¿las empresas, ¿los trabajadores?, ¿el gobierno? Hay que admitir que es demasiado pronto para ver los efectos de la adopción de la IA en lo que respecta al empleo o los salarios en general. No obstante, los resultados del pasado, es decir, de las revoluciones industriales anteriores, no garantizan resultados similares en el futuro. Esos resultados incluso muestran que el crecimiento del empleo y de la riqueza no fue necesariamente tan maravilloso como se suele describir. La relación entre el empleo y la población en edad de trabajar se ha mantenido bastante constante en los países de la OCDE desde 1970, pasando únicamente de algo más del 64 % a algo menos del 69 %. [1] Gran parte de este aumento puede atribuirse a las mayores tasas de participación laboral, especialmente de las mujeres. Y es evidente que el aumento de la riqueza no se distribuye de manera uniforme, por ejemplo, en Estados Unidos:

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Sencillamente, no hay motivos para suponer que la IA y la automatización nos harán automáticamente más ricos como sociedad o que el aumento de la riqueza se distribuirá de manera uniforme. Por tanto, deberíamos estar igualmente preparados para escenarios más negativos y debatir cómo mitigar las consecuencias. Por ejemplo, ¿sería aceptable tratar los procesos de la IA como el trabajo humano? Si es así, podríamos considerar la posibilidad de gravarlos para apoyar la redistribución de la riqueza o para financiar la formación o las prestaciones y pensiones de los trabajadores reemplazados.

Además, estas estimaciones deberían cuestionarse en un nivel básico. ¿Quién puede afirmar con seguridad que este empleo va a disminuir? ¿Cómo podemos saber qué tipo de empleos habrá en el futuro? Ninguna de estas proyecciones es realmente fiable u objetiva, ya que se basan principalmente en las opiniones de un grupo de personas. Por ejemplo, el informe sobre el futuro del empleo del FEM, uno de los más influyentes sobre este tema, se basa en encuestas a empresarios. No obstante, es sencillamente ingenuo pensar que cualquier persona, y menos aún un grupo de dirigentes empresariales arbitrarios, puede tener un conocimiento seguro de los puestos de trabajo y las competencias que se necesitarán en el futuro. No se puede esperar más de esto que de una sesión de adivinación en una feria. Basta con echar un vistazo a las predicciones sobre los coches a principios del siglo XIX, las compras a distancia en los años sesenta, los teléfonos móviles en los ochenta o los ordenadores desde los años cuarenta. Si tantas predicciones tecnológicas fueron totalmente erróneas, ¿por qué debería cambiar esto ahora? Sin embargo, esas predicciones son un elemento clave en las estimaciones sobre el «futuro del trabajo».

La realidad es que la investigación fundamentada científicamente sobre este tema es extremadamente escasa. Uno de los pocos estudios en este ámbito analizó el impacto de la IA en los mercados laborales de EE.UU. entre 2007 y 2018. Los autores (del MIT, Princeton y la Universidad de Boston) encontraron que una mayor exposición a la IA dentro de las empresas se asocia con menores tasas de contratación, es decir, que la adopción de la IA se ha concentrado hasta ahora en la sustitución en lugar del aumento de puestos de trabajo. El mencionado estudio tampoco encuentra pruebas de que los grandes efectos de productividad de la IA aumenten la contratación. Algunos pueden sentirse inclinados a decir que esto apoya la visión distópica, sin embargo, también hay que tener en cuenta que este estudio se basa en datos de vacantes en línea, por lo que los resultados deben tratarse con precaución, como explicamos en detalle en otro de nuestros posts. Además, debido a la dinámica de la innovación y la adopción tecnológica, es casi imposible extrapolar y proyectar estos resultados para hacer predicciones sólidas sobre la evolución futura.

Y desde un punto de vista más filosófico, ¿qué significaría para la existencia humana que trabajáramos sustancialmente menos? El trabajo está arraigado en nuestra propia naturaleza; es un rasgo que nos define.

Afirmación 2: Los ordenadores son buenos para lo que nos resulta difícil y malos para lo que nos resulta fácil

¿Difícil y fácil para quién? Por suerte, no todos tenemos los mismos puntos fuertes y débiles, así que está claro que no todos encontramos las mismas tareas «fáciles» y «difíciles». Esta es otra afirmación extremadamente generalizadora basada en un juicio completamente subjetivo. Y si fuera cierto, entonces la mayoría de la gente probablemente consideraría las tareas repetitivas comúnmente fáciles, o al menos más fáciles. Esto contradice directamente la siguiente afirmación.

Afirmación 3: La IA (solo) destruirá los trabajos repetitivos y generará otros más interesantes y de mayor importancia.

El FEM afirma que la IA automatizará tareas repetitivas como la introducción de datos y la fabricación en línea de montaje, «permitiendo a los trabajadores centrarse en tareas más importantes y más precisas» con «beneficios tanto para las empresas como para los individuos, que tendrán más tiempo para ser creativos, estratégicos y emprendedores». El BCG habla del «cambio de puestos de trabajo con tareas repetitivas en las líneas de producción a los de programación y mantenimiento de la tecnología de producción» y de cómo «la eliminación de tareas mundanas y repetitivas en profesiones legales, contables, administrativas y similares abre la posibilidad de que los empleados asuman funciones más estratégicas». La pregunta es, ¿quién se beneficia exactamente de esto? No todos los trabajadores que pueden realizar tareas repetitivas tienen el potencial de asumir funciones estratégicas, creativas y empresariales, o de programar y mantener la tecnología de producción. Es un hecho que no todo el mundo puede formarse para todas las funciones. Las tareas más satisfactorias e interesantes para los intelectuales (como los defensores de un futuro laboral más brillante gracias a la IA) pueden resultar demasiado desafiantes para un obrero cuyo trabajo ¾que puede haber sido perfectamente satisfactorio para él¾ acaba de automatizarse. Y no todos los obreros pueden o quieren ser empresarios o estrategas. Además, ¿qué significa exactamente «más importantes»? ¿Quién se beneficia de ello? Los nuevos puestos de trabajo creados hasta ahora, como los trabajadores de los almacenes de Amazon, los conductores de Uber o repartidores, no reciben precisamente salarios dignos y seguros para vivir. Además, desde principios de los años 70, las empresas han demostrado un claro desinterés por compartir el valor añadido obtenido de las ganancias de productividad con los trabajadores:

 

Fuente: Economic Policy Institute, https://www.epi.org/publication/charting-wage-stagnation/

 

Por otra parte, un gran número de aplicaciones de IA que ya están disponibles realizan tareas de alta o muy alta cualificación, que se basan en la extracción de datos, el reconocimiento de patrones y el análisis de datos: diagnóstico y tratamiento de enfermedades; chatbots de atención al cliente; optimización de cultivos y estrategias agrícolas; asesoramiento financiero o de seguros; detección de fraudes; programación y encaminamiento en logística y transporte público; estudios de mercado y análisis de comportamiento; planificación de personal; diseño de productos y mucho más. El efecto total de estas aplicaciones en el mercado laboral aún no está claro, pero sin duda no solo están eliminando las tareas triviales y repetitivas de los perfiles laborales.

Afirmación 4: (solo) necesitamos mejorar la capacitación de los trabajadores.

Aunque no estamos en desacuerdo con esta afirmación en general, a menudo se plantea como un remedio más o menos sencillo para prepararse para los futuros cambios impulsados por la IA en el mercado laboral y «adoptar los beneficios sociales positivos de la IA» (FEM). La realidad es que esto viene acompañado de varias advertencias que lo convierten en una solución para nada sencilla.

En primer lugar, no podemos olvidar que no es posible predecir el «futuro del trabajo» de forma fiable, especialmente qué puestos de trabajo tendrán realmente demanda en el futuro y cuáles no. Además, basándonos en los efectos de las revoluciones industriales anteriores y en las investigaciones actuales, es muy probable que la implementación generalizada de la IA introduzca nuevos puestos de trabajo con perfiles que no podemos anticipar por el momento. Esto significa que tenemos que dotar a los profesionales actuales y futuros de las habilidades necesarias para trabajos de los que actualmente no sabemos nada. Una de las formas que se suelen sugerir para solucionar este problema es fomentar el aprendizaje permanente y promover formas de formación y educación más adaptables y a corto plazo. Esta es sin duda una opción válida y claramente en auge. Sin embargo, hay que tener en cuenta varios aspectos. Por ejemplo, entre el 15 % y el 20 % de la población adulta de Estados Unidos y la UE [2] tiene un nivel bajo de alfabetización (nivel PIAAC 1 o inferior). Esto significa que tienen problemas para realizar tareas como rellenar formularios o comprender textos sobre temas desconocidos. ¿Cómo se puede formar a estas personas para que tengan éxito en «proyectos más complejos y enriquecedores» si no pueden leer un libro de texto, navegar por un manual o escribir un simple informe? Además, alrededor del 10 % de los trabajadores a tiempo completo en EE.UU. y la UE son trabajadores pobres. [3] Estas personas no suelen tener ni el tiempo ni los recursos ni el apoyo de los empleadores para el aprendizaje permanente y, por tanto, no tienen un acceso bien informado a una recapacitación eficiente, específica y asequible.

Para cuando se aborden estas cuestiones, es posible que muchos de estos trabajadores ya hayan perdido el tren. En 2018, los empleadores estadounidenses estimaron que más de una cuarta parte de su mano de obra necesitaría al menos tres meses de formación solo para seguir el ritmo de los requisitos de cualificación necesarios para sus funciones actuales en 2022. [4] Dos años después, esa proporción se ha duplicado con creces hasta superar el 60 %, y las cifras son similares en todo el mundo. [5] Además, incluso antes del periodo posterior a la Gran Recesión, solo aproximadamente 6 de cada 10 trabajadores estadounidenses reemplazados se volvieron a contratar en un plazo de 12 meses, en el periodo comprendido entre 2000 y 2006. [6] En 2019, esta tasa era la misma en la UE. [7] Con cambios cada vez más rápidos en la demanda de capacitación, combinados con la falta de tiempo y/o recursos para los grupos vulnerables, así como los trabajadores pobres y los trabajadores con bajo nivel de alfabetización, por no hablar de la falta de redes de seguridad y de medidas específicas en los sistemas infrafinanciados de desarrollo de mano de obra, es muy poco probable que las perspectivas para estos trabajadores mejoren.

Además, la pandemia ha acelerado masivamente la adopción de la automatización y la IA en el lugar de trabajo en muchos sectores. Los robots, las máquinas y los sistemas de IA se han implantado para limpiar suelos, tomar la temperatura o los pedidos de comida, sustituir a los empleados de los comedores, las cabinas de peaje o los centros de llamadas, así como patrullar propiedades inmobiliarias vacías, aumentar la producción industrial de suministros hospitalarios y mucho más en un periodo de tiempo extremadamente corto. En el pasado, la nueva tecnología se desplegaba gradualmente, dando tiempo a los empleados para la transición a las nuevas funciones. Esta vez, los empresarios se apresuraron a sustituir a los trabajadores por máquinas o programas informáticos debido a las repentinas órdenes de cierre o distanciamiento social. Esta es una diferencia crucial con respecto a las revoluciones industriales precedentes. Muchos trabajadores han sido despedidos sin tiempo suficiente para reciclarse. Es posible que en el futuro se produzcan acontecimientos similares – ya sea otra pandemia o un avance tecnológico – y, como sociedad, debemos estar preparados para ellos y ofrecer a los trabajadores afectados un apoyo rápido, eficaz y, sobre todo, realista.

Afirmación 5: Los empresarios deben considerar la mejora y la recapacitación como una inversión, no como un gasto

Si una empresa sustituye a todos sus cajeros por robots, ¿por qué iba a querer volver a formar a los nuevos trabajadores despedidos? Incluso a los gobiernos les cuesta adoptar esta postura en materia de formación y educación. Muchos países se centran principalmente en la educación universitaria o de otro tipo para los trabajadores jóvenes, en lugar de reciclar a los solicitantes de empleo o a los empleados. Por ejemplo, el gobierno de EE.UU. gasta el 0,1 % del PIB en ayudar a los trabajadores a superar la transición laboral, menos de la mitad de lo que gastaba hace 30 años, a pesar de que la demanda de cualificaciones está cambiando mucho más rápido que hace tres décadas. Y la gran mayoría de las empresas está interesada principalmente en maximizar los beneficios, así es como funciona nuestra economía. Hay que recordar que vivimos en un mundo en el que incluso los fabricantes de sándwiches y los paseadores de perros se ven obligados a firmar acuerdos de no competencia para evitar que obtengan un ascenso si amenazan con marcharse a un competidor para obtener un salario mayor.

Un software conversacional de buen rendimiento podría permitir a una empresa hacerse con un centro de llamadas de 1 000 personas y gestionarlo con 100 personas más chatbots. Un bot puede responder a 10 000 consultas en una hora, un volumen muy superior al que podría manejar incluso el representante más eficiente de un centro de llamadas. Además, un chatbot no se pone enfermo, no necesita tiempo libre en el trabajo ni pide ventajas y beneficios. Toman decisiones coherentes y basadas en pruebas, y no roban ni defraudan a sus empleadores. Así que, si la calidad de este software es suficiente y el precio es adecuado, lo más probable es que se levanten protestas entre los accionistas si una empresa no apuesta por esta oferta. Al fin y al cabo, una solución que aumente la eficacia y la productividad al tiempo que reduzca los gastos es el ideal de las empresas de nuestro tiempo. Así que, si esta empresa no opta por ella, lo hará su competencia. Y a pesar de la propaganda de «tecnología para el bien social» que oímos constantemente desde Silicon Valley, la mayoría de las empresas simplemente no están interesadas en el futuro de los trabajadores que pronto serán despedidos.

Más allá del horizonte

La conclusión es que no podemos permitirnos el lujo de dramatizar en exceso o confiar en que habrá suficientes puestos de trabajo para todos, ya que si no, estaremos constantemente tratando de ponernos al día. La mayoría de los problemas o soluciones que se citan habitualmente tienden a debatirse de forma académica entre investigadores, empresarios tecnológicos y responsables políticos, junto con una buena dosis de idealismo. Pero para adelantarnos a estos desarrollos que – para bien o para mal – tienen un enorme potencial para transformar por completo el mercado laboral y nuestra sociedad, tenemos que mirar más allá de nuestro horizonte y diseñar estrategias realistas para el futuro que se basen en hechos y datos objetivos.

 

[1]    https://stats.oecd.org/Index.aspx?DatasetCode=LFS_SEXAGE_I_R#
[2]   US: https://www.libraryjournal.com/?detailStory=How-Serious-Is-Americas-Literacy-Problem
        EU: http://www.eli-net.eu/fileadmin/ELINET/Redaktion/Factsheet-Literacy_in_Europe-A4.pdf
[3]   US: https://www.policylink.org/data-in-action/overview-america-working-poor
        EU: http://www.europeanrights.eu/public/commenti/BRONZINI13-ef1725en.pdf
[4]   The Future of Jobs Report 2018, World Economic Forum, 2018.
[5]   The Future of Jobs Report 2020, World Economic Forum, 2020.
[6]   Back to Work: United States: Improving the Re-employment Prospects of Displaced Workers, OECD, 2016.
[7]   https://skillspanorama.cedefop.europa.eu/en/dashboard/long-term-unemployment-rate?year=2019&country=EU#1

Una de las palabras de moda más destacadas en torno al empleo, la empleabilidad y la gestión de la mano de obra son las competencias. No todo es oro lo que reluce en torno a este concepto y a las palabras de moda, como recapacitación, mejora de las competencias, adecuación de las habilidades, adaptación de las destrezas, anticipación de las habilidades, predicción de las competencias, etc. Se pueden encontrar innumerables publicaciones que explican por qué las habilidades son tan importantes,  » Lea más sobre: Lo sentimos, pero «Microsoft Office» NO es una habilidad.  »

En uno de nuestros últimos posts, explicamos la diferencia entre una ontología y una taxonomía. Si bien la elección de una ontología en lugar de una taxonomía es un paso importante para lograr un matching inteligente y preciso, no es el único aspecto a tener en cuenta. La localización es otra característica clave, tanto si se trata de una ontología monolingüe como si se trata de una multilingüe. Para obtener un alto rendimiento y resultados satisfactorios en los matchings, no basta con que la ontología cubra el idioma elegido, sobre todo si ese idioma se habla en varios países. El sistema tiene que entender realmente el contexto, en el que se incluyen las variaciones regionales o nacionales en materia ocupacional, jurídica, educativa y lingüística. Por ejemplo, ciertas ocupaciones pueden requerir certificaciones o autorizaciones oficiales en un país, pero no en otro. Además, lo más frecuente es que estas certificaciones tengan nombres diferentes según el país en el que se expidan. Un determinado título de trabajo puede resultar muy utilizado en un país, y completamente inusual en otro, por ejemplo, joiner en Reino Unido, Australia y Nueva Zelanda, un tipo de carpintero. Este término prácticamente no se utiliza en EE.UU. (si bien el mayor sindicato estadounidense de carpinteros se llama United Brotherhood of Carpenters and Joiners of America).

Sin duda, esta cuestión no se limita a los títulos de los puestos y las autorizaciones. También es esencial comprender las competencias implícitas, es decir, las que no se mencionan en la descripción del puesto o en el perfil del candidato, pero que pueden deducirse de otra información, como la educación y la formación; también hay que tener en cuenta la formación requerida. Supongamos, por ejemplo, que se encuentra en un país de habla hispana y busca contratar a alguien con un grado, es decir, que haya cursado estudios universitarios. En Perú, puede pedir un bachiller. Sin embargo, en Colombia, este término hará matches con candidatos que tengan el equivalente a un título de secundaria: un Bachiller Académico o un Bachiller Técnico. Si pide un licenciado, otro término común en los países de habla hispana que suele corresponder a un grado, los candidatos colombianos tendrán un título más o menos equivalente a un Bachelor of Education (un pregrado de maestro de escuela) en los Estados Unidos.

 

 

Para evitar que los resultados del matching sean insatisfactorios o irrelevantes, se debe enriquecer cuidadosamente una ontología con información específica del país, como variaciones lingüísticas, títulos de puestos de trabajo localizados, asignación de sistemas de clasificación nacionales y detalles del sistema educativo del país, como nombres de títulos, diplomas y, a poder ser, planes de estudio y habilidades enseñadas. Esto puede requerir un extenso trabajo por parte de expertos en la materia familiarizados con el país en cuestión. Pero es una inversión que merece la pena y que mejorará notablemente los resultados de los matchings y todos los servicios asociados, como el asesoramiento profesional, las plataformas de búsqueda de empleo y educación, el análisis del mercado laboral, etc. También propiciará la facilidad de uso de los servicios y las funciones interactivas, por ejemplo, con sugerencias inteligentes y buscadores de autocompletado que realmente tengan sentido para los usuarios.

Es posible que ya haya descubierto por las malas que el uso de taxonomías estándares como ESCO no funciona realmente en su país. Si no es así, no lo haga. Vaya directamente a una ontología bien localizada. En JANZZ.technology, este es uno de nuestros servicios clave para los clientes de nuevos países y hemos implementado con éxito localizaciones de nuestra ontología JANZZon! para países de todo el mundo. Si desea mejorar su sistema con los amplios conocimientos de la mayor ontología multilingüe de empleos y habilidades del mundo, o saber más sobre nuestros productos y tecnologías de alto rendimiento basados en ontologías, no dude en ponerse en contacto con nosotros a info@janzz.technology.

Nos complace anunciar que Gartner ha reconocido a JANZZ.technology como un proveedor de muestras de ontologías de habilidades en el ciclo de sobreexpectación para la GCH, Gestión del Capital Humano (HCM por sus siglas en inglés) en 2020. Este reconocimiento consolida el enfoque innovador de nuestras soluciones para empresas y servicios de empleo público basado en nuestra exclusiva ontología de empleo y habilidades multilingües.

¿Qué es el ciclo de sobreexpectación de Gartner?

«Los ciclos de sobreexpectación de Gartner» presentan una representación gráfica de la madurez y adopción de tecnologías y aplicaciones, así como de la relevancia potencial para la resolución de problemas empresariales y la explotación de nuevas oportunidades. La metodología de ciclos de sobreexpectación de Gartner ofrece una visión de cómo una tecnología o aplicación evolucionará a lo largo del tiempo, proporcionando una sólida fuente de información para gestionar su desarrollo en el contexto de los objetivos específicos de cada negocio.[1]

Las ontologías de habilidades, calificadas como altamente beneficiosas para la GCH, se encuentran actualmente en la primera de las cinco etapas del Ciclo de sobreexpectación de Gartner, el desencadenante de la innovación. Gartner describe esta etapa como aquella en la que «un avance tecnológico potencial pone en marcha las cosas. Las primeras historias de demostración conceptual y el interés de los medios desencadenan una publicidad significativa. A menudo se carece de productos que puedan aprovecharse y la viabilidad comercial no está probada». Empezamos a desarrollar nuestras habilidades ontológicas hace más de una década, en 2009. Actualmente es la ontología de habilidades multilingües más completa del mundo y lo ha demostrado repetidamente en los últimos años, al haberse aplicado con éxito en múltiples sistemas de cualquier escala.

¿Qué es una ontología de habilidades?

Una ontología de habilidades organiza grandes conjuntos de conceptos relativos a capacidades, competencias, conocimientos y experiencia, así como las relaciones entre ellos en una estructura de datos. Proporciona una base para las aplicaciones de la IA en áreas como la adquisición de talentos, el desarrollo de talentos y la planificación de la plantilla. Muchos proveedores afirman que tienen una ontología cuando en realidad, solo tienen una taxonomía o una biblioteca.[2] En JANZZ, tenemos una verdadera ontología, JANZZon!. Pero no solo abarca habilidades, si no que también es una ontología de empleo. Esto quiere decir que también contiene ocupaciones, títulos de trabajo, experiencia laboral, formación y titulaciones, industrias y mucho más. Hacer matching solo entre las habilidades, sin tener en cuenta otra información como las ocupaciones o funciones, puede dar lugar a resultados extremadamente imprecisos. Un cajero y un farmacéutico de venta al por menor tendrán aptitudes comunes, por ejemplo, habilidades de atención al cliente, pero sus aptitudes clave, a saber, sus conocimientos especializados y sus competencias, difieren enormemente. Por lo tanto, incluso si todas las demás aptitudes enumeradas coinciden, sería completamente absurdo sugerir a un cajero para un puesto de farmacéutico. El contexto es esencial, y por lo tanto, uno de los tipos clave de información generada por nuestra ontología de empleo y habilidades.

Además, a diferencia de otras ontologías de habilidades en el mercado, JANZZon! distingue entre niveles de habilidades y contextos. Por ejemplo, el nivel de habilidades requerido en un puesto júnior no es el mismo que para un especialista sénior, y el conjunto de habilidades de un director de proyecto en el desarrollo de aplicaciones no es idéntico al de un director de proyecto en diseño de interiores. Estas diferencias se representan en nuestra ontología de empleo y habilidades JANZZon! y son uno de los factores que impulsan la extraordinaria precisión de nuestras herramientas de matching de empleos y profesiones.

Echa un vistazo a nuestro vídeo sobre la ontología de JANZZ

¿Por qué no nos limitamos a las bibliotecas de habilidades y taxonomías?

Las bibliotecas de habilidades o de empleos, en las que todavía confían muchos proveedores de tecnología, están construidas principalmente por expertos (a menudo psicólogos) que analizan y clasifican las habilidades y los niveles de habilidades relacionados con las categorías o funciones de los empleos. Estos métodos son laboriosos y limitados, y a menudo se centran en las habilidades interfuncionales o en un número limitado de habilidades técnicas específicas del trabajo. Además, en el mundo laboral, que cambia rápidamente, estas bibliotecas casi siempre quedan obsoletas en cuanto se completan.

Sin embargo, la cuestión clave de estas bibliotecas es que no existe un perfil de aptitudes estándar para una ocupación determinada. Esto significa que los resultados de la búsqueda y matching basados en las bibliotecas de habilidades son, en el mejor de los casos, poco satisfactorios. Por otro lado, con la ontología de habilidades adecuada, se obtiene una base de datos completa y continuamente actualizada que proporciona la base para una tecnología que «cambia las expectativas del usuario en cuanto a la relevancia de las búsquedas de empleo, el matching de los candidatos con los puestos de trabajo y la recomendación del contenido de aprendizaje».[3]

La principal ventaja de una ontología de habilidades con respecto a las bibliotecas de habilidades o las taxonomías es que vincula sinónimos así como habilidades similares y que guardan relación. Esto mejora considerablemente la búsqueda y el matching al traducir a un idioma común el vocabulario diverso de los diferentes implicados, las ofertas de empleo y los perfiles de los candidatos, así como al contextualizar los términos de búsqueda. Como resultado, los enfoques clásicos basados en palabras clave pueden sustituirse por la búsqueda semántica, en la que el sistema entiende el significado de los términos de búsqueda en lugar de comparar obstinadamente cadenas de caracteres.[4] Por ejemplo, al introducir el término CEO, el sistema basado en la ontología excluirá resultados como «Asistente del CEO». O, al introducir el término «Mecánico», sugerirá términos más precisos como «Mecánico de automóviles» o «Mecánico de barcos». De esta forma, los mejores perfiles para el trabajo pueden distinguirse con mucha más precisión, sin que candidatos inadecuados supongan un obstáculo o sin peligro de que los mejores candidatos salgan del campo de visión.

Además, nuestros sistemas basados en la ontología pueden reconocer las habilidades implícitas en ocupaciones que van desde «pintor de signos» hasta «director de proyectos de ciberseguridad» y utilizar estas habilidades para proporcionar resultados más satisfactorios – no sólo de los puestos y candidatos, sino también en la elaboración de perfiles, análisis de brechas y la trayectoria profesional. El conocimiento contextual almacenado en nuestra ontología de habilidades es también clave para nuestro parser de empleos y currículums de alto rendimiento.

Soluciones pioneras en tecnología GHC

La mayoría de las aplicaciones de GHC basadas en ontología que existen actualmente en el mercado siguen siendo bastante rudimentarias y no hay una solución única para todos los casos. En su lugar, se necesita una combinación de modelos y enfoques. Aquí en JANZZ.technology, ya tenemos una ontología de habilidades bien establecida, así como una tecnología altamente precisa para la búsqueda y matching semántico, análisis de brechas, perfiles, y análisis de empleos y currículums. Sin embargo, estamos dispuestos a mejorar y ampliar continuamente nuestras soluciones y, por lo tanto, nos comprometemos muy activamente en I+D, desarrollando incesantemente tecnología pionera para hacer frente a nuevos desafíos. Nuestra misión es ayudar a mejorar la experiencia de l GHC mediante la provisión de soluciones eficientes y de alto rendimiento sin compromiso.

¿Y por qué estamos tan adelantados al ciclo de sobreexpectación de Gartner? Porque comenzamos en 2008, mucho antes de que nadie hablara de la IA y de las representaciones del conocimiento, mucho antes de que Google y los mercados se dieran cuenta de que las soluciones avanzadas de IA no serían posibles sin ontologías. Es por eso que actualmente contamos con varios años de ventaja.

Aproveche esta ventaja e integre nuestra ontología de empleo y de competencias en sus aplicaciones a través de nuestras sencillas API. Contáctenos en info@janzz.technology para saber cómo podemos transformar su experiencia con nuestras soluciones de vanguardia basadas en ontologías.

[1] Gartner Methodologies, «Gartner Hype Cycle» 2020. https://www.gartner.com/en/research/methodologies/gartner-hype-cycle
[2] Para comprender mejor la diferencia fundamental entre ontologías y taxonomías, lea nuestro post: https://janzz.technology/ontologia-y-taxonomia-no-son-sinonimos-comparemos-para-establecer-sus-diferencias/?lang=es
[3] Poitevin, H., «Hype Cycle for Human Capital Management Technology, 2020», Gartner. 2020.
[4] Para más información sobre este tema, solicite una copia de nuestro White Paper «Keyword vs. ontología based, semantic matching» vía email o a través del formulario de contacto.

_______________________________

Al igual que los SPE, muchas agencias de contratación pequeñas y medianas se enfrentan a la escasez de recursos y a la necesidad de una solución automatizada para realizar una búsqueda y un matching de candidatos de calidad excepcional, con el fin de centrarse en un pequeño grupo de candidatos cualificados para las vacantes. Por lo consiguiente, también recibimos solicitudes de agencias de contratación. Estas agencias son las principales empresas de selección de personal en ramas específicas, especializadas en puestos de nivel C para clientes globales. Con la tecnología innovadora y las soluciones totalmente personalizadas de JANZZ.jobs, se puede adaptar a las necesidades específicas de las pequeñas y medianas agencias de contratación y ayudarlas a llevar su negocio al siguiente nivel. Se beneficiarán de:

• mayor rapidez en el mercado al lanzar una plataforma moderna y poderosa para impulsar el negocio,
• una experiencia de marca totalmente personalizada con logotipos, colores y plantillas de correo electrónico,
• generador de costos basado en el flujo de comercio para maximizar los ingresos,
• búsqueda de trabajo instantánea en más de 40 idiomas y mucho más.

_______________________________

 

 

[1] Ines Böschen, Dr.Ramona Alt, Annabelle Krause, Dr. Ulf Rinne and Prof. Dr. Klaus F. Zimmermann. 2012. Pilot project ‘Depersonalised application procedures’. URL: https://www.antidiskriminierungsstelle.de/SharedDocs/Downloads/DE/publikationen/AnonymBewerbung/Kurzfassung-Abschlussbericht-anonym-kurz_englisch.pdf?__blob=publicationFile&v=4

[2] Eva Heinimann and Ralf Margreiter. 2008. Anonyme Bewerbung: Ein Zürcher Pilotprojekt für mehr Chancengleichheit und innovative Lehrlingsselektion. URL: https://www.panorama.ch/pdf/bba4814b.pdf