La IA, la automatización y el futuro del trabajo: más allá del horizonte

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

Los datos de competencias «fáciles», una manzana envenenada, ¿estás dispuesto a renunciar a ese dulce sabor?

Este es el tercero de una serie de posts sobre habilidades. Si aún no lo has hecho, lee primero los otros artículos:
Dejemos las tonterías aparte y Lo sentimos, pero »Microsoft Office» NO es una habilidad.

En el segundo artículo de esta serie, hablamos de las competencias y de los problemas que plantea su definición y especificación. Suponiendo que podamos llegar a algún tipo de entendimiento común de esta valiosa «nueva moneda», el siguiente paso es encontrar una manera de generar habilidades y datos de trabajo significativos.

 

Datos poco fiables, resultados poco fiables

Las grandes cantidades de datos de las plataformas de empleo en línea o de los sitios de redes profesionales pueden arrojar una gran cantidad de información con una precisión mucho mayor que los datos habituales recogidos por las oficinas nacionales de estadística en las encuestas, especialmente en lo que respecta a las competencias. Una de las razones es que, a diferencia de los anuncios impresos, los empleadores no tienen que pagar por espacio para los anuncios de empleo en línea y, por lo tanto, pueden proporcionar información más detallada sobre los conocimientos y habilidades que requieren. Estos datos en línea también permiten supervisar una muestra mucho mayor en tiempo real, lo que puede ser muy valioso para que los analistas y los responsables políticos desarrollen una comprensión oportuna y más detallada de las condiciones y tendencias del mercado laboral.

Sin embargo, al trabajar con los datos disponibles en línea, como los anuncios de empleo en línea (AEL) o los perfiles profesionales (por ejemplo, los perfiles de LinkedIn), debemos tener claro que estos datos no son ni completos ni representativos y, por tanto, cualquier resultado debe interpretarse siempre con precaución. No solo por el hecho evidente de que los resultados estarán distorsionados, sino sobre todo por las implicaciones. La promoción de determinadas competencias sobre la base de datos distorsionados puede ser perjudicial para el mercado laboral: si los trabajadores se centran en la obtención de estas competencias – que por naturaleza tienden a derivarse de datos sesgados hacia profesionales altamente cualificados en sectores como la informática y otras áreas que implican una educación superior – es más improbable que opten por trayectorias profesionales que impliquen otras competencias que realmente tienen una gran demanda, por ejemplo, carreras profesionales en oficios cualificados, construcción, sanidad, fabricación, etc. El hecho es que la digitalización afectará principalmente a los trabajadores mejor formados y con salarios elevados en los países industrializados, simplemente porque es mucho más fácil digitalizar o automatizar al menos algunas de las tareas de estos trabajos que las de muchas ocupaciones de construcción y vocacionales como la carpintería, el trabajo de cuidados, etc. Lo último que querría cualquier responsable de la política del mercado laboral es acentuar el ya crítico déficit de cualificación en este ámbito o crear un mercado laboral aún más reducido para determinadas profesiones, por ejemplo, los profesionales de la informática. [1] Del mismo modo, los proveedores de educación que pretenden alinear sus planes de estudio con la demanda del mercado necesitan datos fiables para no amplificar las carencias de competencias en lugar de aliviarlas. Sin embargo, un número creciente de SPE se basa en estos datos, a menudo poco fiables, para la toma de decisiones y el diseño de las PAE.

Por ejemplo, hay varios proyectos que pretenden recopilar y analizar todos los AEL disponibles de todas las fuentes posibles en un mercado laboral determinado y utilizar estos datos agregados para hacer recomendaciones que incluyan previsiones de empleabilidad y demanda de competencias futuras. Sin embargo, las competencias suelen procesarse y presentarse sin ningún contexto semántico, lo que puede resultar muy engañoso.

Los desafíos de los datos de AEL

En 2018, el proyecto ESSnet Big Data del sistema estadístico europeo emitió un informe [2] sobre la viabilidad de utilizar los datos de AEL para las estadísticas oficiales. Su conclusión fue que «los problemas de calidad son tales que no está claro si estos datos podrían integrarse de una manera que les permita cumplir con los estándares que se esperan de las estadísticas oficiales».

Veamos algunos de los problemas principales de los datos de AEL.

  1. Incompletos y sesgados: No todas las ofertas de empleo se anuncian en línea. Una parte importante de los puestos se cubren sin anunciarse en absoluto (algunas fuentes afirman que alrededor del 20 %, otras que hasta el 85 % de las vacantes); no obstante, no todas las que se anuncian se publican en línea. El Cedefop comunicó que en 2017, la proporción de vacantes publicadas en línea en los países de la UE varía sustancialmente, desde casi el 100 % en Estonia, Finlandia y Suecia hasta menos del 50 % en Dinamarca, Grecia y Rumanía. [3] Además, algunos tipos de puestos de trabajo tienen más probabilidades de anunciarse en línea que otros. Y las grandes empresas o las que tienen la obligación de publicar las vacantes suelen estar estadísticamente muy representadas, mientras que las pequeñas empresas, que suelen preferir otros canales como la prensa escrita, el boca a boca o los carteles en los escaparates, no están lo suficientemente representadas. Otro punto relevante es que algunos mercados están tan vacíos que no vale la pena publicar las vacantes, y en su lugar se recurre a cazatalentos especializados. En resumen, esto significa que los datos de AEL no solo no captan muchas ofertas de empleo, sino que tampoco son representativos del mercado laboral en general. [4]
  2. Duplica: En la mayoría de los países, no existe una única fuente de datos de AEL. Cada país cuenta con numerosos portales de empleo en línea, algunos de los cuales solo publican anuncios originales, otros vuelven a publicar anuncios de otras fuentes, versiones híbridas, sitios especializados para determinados sectores o niveles de carrera, etc. Por lo tanto, para garantizar una cobertura adecuada, los datos de AEL generalmente deben obtenerse a partir de diversas fuentes. Esto conduce inevitablemente a muchas duplicidades, que deben ser tratadas con eficacia para medir de forma fiable las tendencias del mercado laboral en el mundo real. Por ejemplo, en un proyecto de 2016, el Instituto Nacional de Estadística del Reino Unido (NSI por sus siglas en inglés) informó de porcentajes de duplicación del 8 % al 22 %, dependiendo del portal, y de una tasa de duplicación global del 10 %. [5] En el proyecto ESSnet Big Data, el INE sueco identificó entre un 4 % y un 38 % de duplicados por portal y un 10 % del conjunto de datos combinados. [6]
  3. Falta de detalle en la información: Algunas ofertas de empleo ofrecen información mucho más explícita sobre las competencias requeridas que otras, como en función del sector (por ejemplo, técnico/TI) o del país (por ejemplo, debido a la legislación o a los hábitos culturales). Además, la información implícita solo se registra de forma limitada y está estadísticamente mal representada, a pesar de su gran relevancia. Una de las razones es que los proveedores de datos estadounidenses a menudo no reconocen lo detallado que son los AEL en Estados Unidos, por lo que asumen que esto es así en todas partes y basan sus métodos en esta suposición. Sin embargo, esto dista mucho de ser correcto. Por ejemplo, una descripción de trabajo como la que se muestra a continuación, que es bastante común en EE.UU., a menudo se limita a «realizar todos los trabajos de pintura en las áreas de mantenimiento, conversiones y renovaciones; cumplimiento las normas de seguridad y calidad; mínimo de tres años de experiencia o aprendizaje» en los países europeos. Además, en este tipo de anuncios de empleo, muchas de las competencias requeridas deben derivarse de las tareas o responsabilidades enumeradas. Esto demuestra lo importante que es extraer información implícita.

 

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

 

Por lo tanto, la cuestión es si se pueden tratar estos temas de forma que se generen datos significativos.

La respuesta es aproximada. Las limitaciones de la capacidad de representación pueden abordarse con diversos enfoques. No existe una solución única, pero dependiendo de los datos disponibles y del mercado laboral en cuestión, la ponderación estadística de los datos, según la estructura de la industria derivada de las encuestas de población activa, podría ser prometedora; del mismo modo que comparar los resultados de varias fuentes de datos para realizar comprobaciones de solidez o simplemente centrarse en aquellos segmentos del mercado con un sesgo de cobertura menos problemático. [7]

Los problemas de deduplicación pueden resolverse técnicamente hasta cierto punto y existe una amplia investigación en este ámbito. Básicamente, la mayoría de los métodos consisten en cotejar los campos comunes, comparar el contenido del texto y, a continuación, calcular una métrica de similitud para determinar la probabilidad de que dos ofertas de empleo sean duplicadas. Algunos agentes de búsqueda de empleo también intentan eliminar los duplicados, con mayor o menor éxito. La identificación de duplicados es bastante sencilla cuando los AEL contienen backlinks a un anuncio original, ya que estos enlaces serán idénticos. Por otro lado, los anuncios de empleo que se han publicado en varias bolsas de trabajo suponen un reto mayor. Por ello, lo ideal es que se realicen comprobaciones sólidas de garantía de calidad, como la validación manual en conjuntos de datos más pequeños.

Seriamente subestimadas: el problema de la extracción de competencias

El tercer problema, el nivel de detalle, parece ser el más subestimado. Los AEL de Estados Unidos suelen ser mucho más detallados que los de otros países. Se expone explícitamente mucha información que solo está presente de forma implícita en los datos de los AEL de Reino Unido y otros países (por ejemplo, cubierta por los requisitos de formación o la experiencia laboral) o no se da en absoluto. Pero incluso dentro de EE.UU., esto puede variar mucho.

 

The poison apple of “easy” skills data – are you ready to give up that sweet taste?

 

Resulta innegable que, incluso si podemos resolver las cuestiones relativas a la capacidad de representación y a los duplicados, el simple registro de los datos explícitos seguirá dando lugar a previsiones o pronósticos muy poco fiables. En cambio, hay que extraer tanto los datos explícitos como los implícitos, junto con su contexto. Para reducir las distorsiones de los datos recogidos, hay que analizarlos semánticamente con precisión. Esto puede hacerse con una amplia representación del conocimiento que incluya no solo las habilidades o los puestos de trabajo, sino también la educación, la experiencia laboral, los certificados, etc., así como los niveles requeridos y las complejas relaciones entre las distintas entidades. De este modo, podremos recoger más habilidades implícitas ocultas en las estipulaciones sobre educación, cualificaciones y experiencia. Además, la mayor granularidad de los datos de los AEL solo resulta útil si las habilidades extraídas no se agrupan o generalizan demasiado en el proceso posterior, por ejemplo, en términos como «gestión de proyectos», «habilidades digitales» o «atención sanitaria» (véase nuestro post anterior), debido a que se trabaja con clasificaciones o taxonomías demasiado simplificadas en lugar de aprovechar ontologías completas con un elevado nivel de detalle.

Por otro lado, está la cuestión de cómo analizar los datos. Profundizaremos en este aspecto en el próximo artículo, pero por ahora, podemos decir lo siguiente: incluso si somos capaces de establecer el sistema perfecto para extraer todos los datos relevantes de los AEL (y, por ende, de los perfiles de los candidatos), todavía nos enfrentaríamos al reto de interpretar los resultados (o simplemente hacer las preguntas correctas). Cuando se trata del análisis del mercado de trabajo, de previsiones y de pronósticos, por ejemplo, de la demanda de competencias, la combinación de los datos de los AEL con datos externos, como los de las encuestas de los INE, promete resultados más sólidos, ya que los datos de los AEL pueden cotejarse y, por tanto, calibrarse, ponderarse y estratificarse mejor. Sin embargo, los datos externos relevantes y actualizados son extremadamente raros. Es posible que nos encontremos con otro problema. Es mucho más fácil y más barato mejorar o volver a formar a los solicitantes de empleo, por ejemplo, con un curso de SEO en línea que con una formación profesional o técnica en soldadura MIG/MAG. Así que tal vez algunos de nosotros no estemos tan interesados en la verdadera demanda de habilidades…

 

[1] Según la encuesta de 2020 del Manpower Group, los puestos de TI ocupan un lugar destacado en la lista de puestos más difíciles de cubrir en EE.UU., pero no en todos los demás países. En algunos países, incluidos los desarrollados como Reino Unido y Suiza, los profesionales de las tecnologías de la información no figuran en absoluto en la lista de los diez primeros puestos.
[2] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/SGA2_WP1_Deliverable_2_2_main_report_with_annexes_final.pdf
[3] The feasibility of using big data in anticipating and matching skills needs, Section 1.1, ILO, 2020 https://www.ilo.org/wcmsp5/groups/public/—ed_emp/—emp_ent/documents/publication/wcms_759330.pdf
[4] El proyecto ESSnet Big Data también investigó la cobertura; para los resultados detallados, véanse los anexos C y G del 2018 report.
[5] https://ec.europa.eu/eurostat/cros/content/WP1_Sprint_2016_07_28-29_Virtual_Notes_en
[6] https://ec.europa.eu/eurostat/cros/sites/crosportal/files/WP1_Deliverable_1.3_Final_technical_report.pdf
[7]Véase, por ejemplo Kureková et al.: Using online vacancies and web surveys to analyse the labour market: a methodological inquiry, IZA Journal of Labor Economics, 2015, https://izajole.springeropen.com/track/pdf/10.1186/s40172-015-0034-4.pdf

Lo sentimos, pero «Microsoft Office» NO es una habilidad.

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.  »

Dejemos las tonterías aparte

Adaptabilidad y flexibilidad, habilidades digitales, creatividad e innovación, inteligencia emocional… Desde que la pandemia se hizo global, todo el mundo ha estado hablando de las principales habilidades post-Covid que los empleados necesitarán. Pasando por numerosas publicaciones desde Forbes y Randstad hasta EURES, parece que el punto clave que tienen en común es que son poco transparentes, si no completamente infundados. A pesar de todo el ruido que generan, ninguna de estas publicaciones da una idea de en qué datos se basan sus afirmaciones,  » Lea más sobre: Dejemos las tonterías aparte  »

La importancia de localizar las ontologías, reflejadas en los sistemas educativos de Perú y Colombia

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.

 

Localizing Ontologies

 

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.

Si no es ahora, ¿cuándo? La digitalización de la SPE en tiempos de COVID y sus costes.

La actual pandemia mundial ha sumido al mercado laboral en un estado de inestabilidad sin precedentes. Según la OCDE, el impacto en el empleo tan solo en los tres primeros meses ha sido diez veces superior al de la crisis financiera de 2008. Sectores enteros como la hostelería, la aviación civil y el sector cultural se han visto muy afectados, lo que ha provocado la pérdida masiva de puestos de trabajo y el desplome de los ingresos de los autónomos. Por otro lado, el comercio electrónico y los supermercados, los servicios de mensajería y logística, los fabricantes de productos alimenticios o de higiene, los farmacéuticos y otros han prosperado, creando nuevas oportunidades al aumentar drásticamente sus plantillas. Aunque algunos de estos empleos sean solo temporales, pueden suponer una salvación para quienes necesitan ingresos.

En medio de esta inestabilidad, los Servicios Públicos de Empleo (SPE) se han enfrentado a una prueba de resistencia histórica, al verse desbordados por un número de nuevos solicitantes de empleo muy superior para lo que sus sistemas, a menudo anticuados, suelen estar diseñados, si es que existen. Con los jóvenes en apuros debido al cierre de puestos de trabajo de nivel inicial y de aprendizaje, y con los trabajadores mal pagados, las mujeres, las minorías étnicas y los trabajadores autónomos e informales entre los más afectados por la crisis, las vulnerabilidades existentes han quedado expuestas y las desigualdades se han incrementado. Ahora más que nunca, los SPE deben encontrar nuevas formas de servir mejor a su gente en esta crisis y en el futuro. Estos grupos vulnerables deben reconectarse con buenos puestos de trabajo lo más rápido posible para evitar efectos de secuelas posteriormente. Asimismo, los SPE deben estar preparados para nuevos cambios y alteraciones en el mercado laboral con soluciones digitales innovadoras que ayuden a reforzar la capacidad de recuperación del mercado laboral. Con ello garantizarán la eficiencia y la adaptación, y proporcionarán soluciones creativas de colocación y conocimientos valiosos sobre el mercado laboral para los solicitantes de empleo y los empleadores.

Ahora es el momento adecuado para iniciar la transformación digital, incluso si el SPE de un país está en fase de desarrollo. De hecho, puede que nunca haya un momento mejor, especialmente para los países que acaban de empezar. Una solución bien diseñada no requiere un punto de partida perfecto. No necesita una gran cantidad de datos internos ni siquiera un SPE bien organizado. Funciona bien en mercados con pocos profesionales altamente cualificados y apoya las transiciones de la economía tanto informal como formal. Además, la elección de un enfoque mobile-first «los móviles primero» orientado a las funciones de autoservicio en lugar de un sistema experto poco práctico juega a favor de uno de los grupos más afectados por la pandemia, los jóvenes, que están acostumbrados a tomar las riendas de la situación, buscar información y explorar sus opciones con sus dispositivos. La transformación digital ha comenzado y quienes quieran formar parte de ella deben actuar ya.

Para asegurar una digitalización efectiva en estos tiempos tan difíciles, los SPE deben buscar soluciones con:

Matching completo de perfiles basado en ontologías para una mayor variedad de soluciones y adaptaciones

En lugar de limitarse a comparar los títulos de los puestos, los solicitantes de empleo pueden ser compatibles en función de su perfil completo de competencias, formación, experiencia previa y otros criterios relevantes. Esto ayudará especialmente a quienes necesiten buscar nuevas líneas de trabajo debido al colapso de los sectores económicos, en los que el matching es insuficiente si solo se tiene en cuenta el título del trabajo. Además, el uso de ontologías especializadas en el mercado de trabajo, enriquecidas con contenidos específicos de cada país, ayuda a identificar habilidades ocultas basadas en la educación y la experiencia. Esto puede mejorar sustancialmente los perfiles de los solicitantes de empleo y, por tanto, ampliar la búsqueda de puestos y candidatos adecuados, al tiempo que aumenta significativamente la precisión de los matches.

Perfiles de búsqueda de empleo y procesos de contratación sencillos para mejorar la visibilidad y la movilidad virtual

Al ofrecer a los solicitantes de empleo una plataforma para presentarse con un perfil que permita realizar búsquedas y esté bien estructurado, aumenta su visibilidad y les da la oportunidad de que los empleadores potenciales los encuentren. Para evitar prejuicios, el perfil abierto debe contener únicamente información profesional. Integrar en el sistema los primeros pasos del proceso de selección y contratación reduce la necesidad de desplazarse en persona hasta que se presente una oportunidad real. Estas características mejoran tanto la visibilidad como la movilidad virtual de los demandantes de empleo, lo que es especialmente importante para los grupos vulnerables como los trabajadores mal pagados o informales y las minorías, y en tiempos de mayor trabajo y contratación a distancia. Los procesos de contratación fáciles de usar también animan a las empresas más pequeñas a pasar de la búsqueda informal de candidatos, por ejemplo, de boca en boca, a la publicación de vacantes en línea, lo que hace que su empresa y sus puestos vacantes sean visibles para un grupo más amplio de demandantes de empleo.

Matching no discriminatorio y comprensible para obtener resultados imparciales y transparentes

Los procesos de matching deben ser comprensibles y verificables para garantizar la transparencia y la responsabilidad. Además, las soluciones deben diseñarse de forma que se garantice que, por defecto, el mejor candidato con la mejor aptitud en todos los criterios individuales consiga el mejor match, independientemente del sexo, la etnia, la discapacidad u otras características personales. Esto garantiza que todos los solicitantes de empleo tengan las mismas oportunidades, incluidos los jóvenes, las mujeres y las minorías.

Análisis de brechas para la orientación laboral y profesional

En tiempos de cambios drásticos en el mercado laboral, muchos demandantes de empleo se ven obligados a identificar nuevas líneas de trabajo y a cambiar de profesión por completo. Al determinar el match más apropiado para los puestos actualmente disponibles e identificar las habilidades, la formación u otros criterios relevantes que faltan, los análisis de brechas pueden ayudar a encontrar un camino para salir de la crisis de empleo. A partir de los datos del mercado laboral en tiempo real y de ontologías exhaustivas, pueden utilizarse para asesorar a los demandantes de empleo de forma individual, o incluso para reorientar plantillas enteras de profesiones o sectores en vías de desaparición.

Inteligencia del mercado laboral que permita identificar en tiempo real los cambios y las perturbaciones del mercado de trabajo

En un entorno de mercado laboral inestable con cambios rápidos e impredecibles, la inteligencia en el mercado laboral suministrada en tiempo real, así como las herramientas de gestión de inteligencia bien diseñadas, pueden marcar una diferencia crucial. Estos datos, procesados con una potente ontología del mercado laboral, pueden proporcionar una visión mejor, más precisa y oportuna, clave para una gestión eficaz y una respuesta rápida.

Los sistemas JANZZ ofrecen todas estas características y más. No podemos crear puestos de trabajo, pero podemos ayudar a los países a suavizar los efectos de la COVID-19 en los mercados laborales y guiar a los SPE a una transformación digital para que sean más eficientes y más sostenibles. Podemos apoyar la transición desde la intuición hasta el conocimiento de lo que se necesita para devolver el empleo al mayor número posible de personas. Por ejemplo, los SPE pueden aprovechar nuestra solución integrada para el mercado laboral JANZZilms! para actuar en áreas clave y responder rápidamente con estrategias oportunas que tengan un impacto real.

 

JANZZ Integrated Labor Market Solution (ILMS)

 

Desde principios de marzo de 2020, hemos podido demostrar lo potentes y adaptables que son nuestros sistemas. En un gran país europeo, casi el 10 % de la población activa se ha visto obligada a inscribirse en la oficina de desempleo debido al impacto de la pandemia. Al principio de la crisis, el sistema, diseñado para unas 30.000 inscripciones al año, se saturó con casi 400.000 inscripciones en pocas semanas. Aunque nadie había previsto un escenario así durante la fase de planificación, nuestros sistemas procesaron casi diez veces el volumen de transacciones sin ningún problema. El rendimiento y la estabilidad de los sistemas se mantuvieron siempre a pleno rendimiento en estos momentos tan importantes. Además, gracias a un diseño intuitivo e inteligente, el SPE nacional pudo tanto aumentar la capacidad de asesoramiento laboral como reducir el tiempo medio de reintegración al mercado. De este modo, pudimos hacer una valiosa contribución a los esfuerzos del gobierno para registrar, asesorar y reintegrar rápida y eficazmente a casi 400.000 solicitantes de empleo en el país.

Aplicación rápida y eficaz, sin sorpresas

Nuestros métodos ágiles han dado lugar una y otra vez a productos excepcionales, desarrollados a tiempo y dentro del presupuesto. Las soluciones estándar pueden realizarse en 120 – 180 días, o en 90 días en un lenguaje que ya hemos implantado anteriormente. Esto proporciona un gran valor en términos de implementación, operación y mantenimiento. Además, los precios son fijos durante varios años, lo que garantiza la previsibilidad financiera. Por ejemplo, el paquete completo de la solución JANZZilms!, que incluye todos los componentes, como el análisis de matching y brechas, el perfilador, la ontología, varios idiomas, el análisis sintáctico, los cuadros de mando y mucho más, con hasta un millón de usuarios activos, cuesta alrededor de 1 USD por usuario y año tras la implantación. Al tratarse de una solución SaaS completa, no son necesarias más inversiones para los sistemas y el hardware, el mantenimiento periódico, los acuerdos de nivel de servicio o los procesos de actualización. Para sistemas más grandes con hasta cinco millones de usuarios en todos los campos (por ejemplo, consejeros de los SPE, solicitantes de empleo, empresas y proveedores de empleo, proveedores de terceros como la educación, etc.) el precio baja a unos 60–70 céntimos por usuario y año. Con sistemas aún más grandes, el precio desciende por debajo de los 50 céntimos al año.

Además, nuestras soluciones se aplican en la nube, son seguros y conformes con la normativa RGPD, por lo que se adaptan perfectamente a cualquier infraestructura de TI, incluidas las configuraciones más sencillas de los mercados emergentes. También ofrecen una gran accesibilidad para todos los usuarios, desde los nativos digitales hasta los novatos en tecnología, en dispositivos móviles, de pantalla pequeña y con conexiones de Internet lentas.

Para obtener más información sobre cómo nuestros servicios y soluciones pueden ayudar a fortalecer su mercado laboral, visite nuestro sitio de Soluciones para Servicios Públicos de Empleo o contáctenos a info@janzz.technology. Si no es ahora, ¿cuándo?

JANZZ, nombrado proveedor de muestras por su exclusiva ontología en el ciclo de sobreexpectación de Gartner para el HCM Technologies en 2020

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]

JANZZ named as a Sample Vendor for Skills Ontologies in Gartner Hype Cycle for HCM Tech 2020

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.

La igualdad de oportunidades de empleo comenzando con los procedimientos de solicitud anónima

Para muchos turistas, Suiza suele considerarse como uno de los países más bellos que han visitado. Sin embargo, si decidieran mudarse a este país, ¿seguirían pensando lo mismo? ¿Duraría ese amor a primera vista cuando intentaran conseguir un trabajo?

El elevado salario es uno de los principales incentivos para que los trabajadores extranjeros busquen oportunidad en Suiza. Las estadísticas de la Oficina Federal de Estadística (OFE) muestran que el número de trabajadores extranjeros que se desplazan diariamente a Suiza desde los países vecinos está en aumento, habiendo alcanzado la cifra de 332 177 en 2020 [1]. El OFE también informó de que, a finales de 2019, el número de extranjeros que participaban activamente en el mercado laboral suizo había aumentado a 1,6 millones [2], lo que dejaba aproximadamente 1,3 millones de trabajadores inmigrantes, es decir, alrededor de una cuarta parte de la población empleada total del país.

Sin embargo, en comparación con los ciudadanos suizos, las tasas de empleo de los trabajadores extranjeros son mucho más bajas. Un estudio reciente indica que, durante el año de su llegada, la tasa de empleo de los hombres inmigrantes es alrededor de un 16 % inferior a la de los hombres comparables nacidos en Suiza, y en el caso de las mujeres migrantes, es un 37 % inferior a la tasa de empleo de las mujeres nacidas en Suiza. Por supuesto, la brecha se irá reduciendo gradualmente, pero al cabo de cinco años, las tasas de empleo siguen siendo inferiores a las de los trabajadores nacidos en Suiza: en un 4 % para los hombres inmigrantes y en un 13 % para las mujeres inmigrantes [3].

Hay muchas razones por las que los trabajadores extranjeros experimentan una desventaja en el mercado laboral del país de acogida. Un aspecto importante es la compatibilidad de las habilidades, incluyendo tanto el capital humano como el social. En comparación con los residentes nativos, los nuevos trabajadores inmigrantes suelen estar en desventaja en cuanto a estas habilidades en el país anfitrión. Por lo general, están menos familiarizados con las costumbres locales y es menos probable que tengan una formación o certificación profesional homologada. También carecen de información sobre las oportunidades del mercado laboral, por ejemplo, las redes locales que pueden ser útiles en la búsqueda de empleo, o las expectativas de los empleadores. Afortunadamente, estas desventajas disminuyen cuanto más tiempo permanecen en el país de acogida [4].

El idioma local es otra habilidad específica del país y la fluidez en la lengua principal del país anfitrión es determinante para alcanzar el éxito en el mercado laboral. Suiza es un país multilingüe con cuatro idiomas oficiales: alemán, francés, italiano y romanche. Según nuestras estimaciones basadas en más de diez años de experiencia en el análisis de datos sobre la ocupación, el promedio de idiomas que piden los empleadores en Suiza es de 2 a 2,5: uno o dos idiomas locales combinados con el inglés. Para los hablantes nativos de uno de los idiomas locales, esto constituye el conocimiento de uno o dos idiomas extranjeros (ambos forman parte del plan de estudios estándar de las escuelas suizas). En el caso de los trabajadores inmigrantes, al menos para aproximadamente el 60 % que no son hablantes nativos de uno de estos cuatro idiomas, estos requisitos son ligeramente diferentes.

Cuando se comparan los niveles de aptitudes y cualificaciones de los trabajadores entre los suizos y los extranjeros, la proporción de extranjeros con estudios superiores es comparable a la de los suizos. Por otro lado, la proporción de trabajadores poco cualificados es mucho mayor en los ciudadanos extranjeros. Para los trabajadores de estos dos grupos, los requisitos lingüísticos pueden ser bastante bajos. Por ejemplo, el inglés es en su mayor parte irrelevante para los obreros como los constructores y los conserjes, y a los hablantes no nativos a menudo solo se les exige un dominio básico de un idioma local.  Por otra parte, los idiomas locales no son necesariamente esenciales para los trabajadores de empresas internacionales, universidades y otras instituciones y organizaciones internacionales, en las que el inglés es de uso frecuente.

Sin embargo, los trabajadores extranjeros con conocimientos y niveles de cualificación intermedios, en comparación con los trabajadores locales del mismo nivel, se encuentran en desventaja en cuanto a la competitividad lingüística cuando solicitan empleo, ya que muchos puestos con este nivel requieren el dominio tanto de un idioma local como de otros idiomas. Hay una proporción mucho mayor de trabajadores suizos en este rango y también resulta que es donde se encuentran la mayoría de las vacantes en Suiza. Aparte de un capital humano y social potencialmente más bajo, la discriminación sigue siendo una explicación lógica de las diferencias en los resultados del mercado laboral entre los locales y los inmigrantes. En un reciente metaanálisis de 43 estudios experimentales a lo largo de 25 años sobre la discriminación en las decisiones de contratación, los investigadores determinaron que «la discriminación de los grupos étnicos y raciales minoritarios en las decisiones de contratación sigue siendo común». [5]

En un experimento en el que se comprobó la discriminación de los directores de recursos humanos respecto de los candidatos de origen no suizo, los investigadores descubrieron que los candidatos con ciertos nombres de sonido extranjero que «blanqueaban» sus currículums e indicaban que solamente hablaban con fluidez el idioma local eran mejor recibidos que los que transmitían un apego cultural a su país de origen. Concluyeron que «los currículums que transmiten múltiples señales de apego a la cultura de origen se sancionaban de manera severa evaluándolos como de menor productividad [6]». Los hijos de inmigrantes que tienen títulos suizos y doble nacionalidad deben enviar un 30 % más de solicitudes para recibir una entrevista cuando solicitan puestos en una formación profesional [7].

Garantizar la igualdad de oportunidades de empleo para los trabajadores inmigrantes en el mercado laboral es beneficioso tanto para estos trabajadores como para la sociedad de acogida. El acceso al mercado laboral mejora su participación social, lo cual es esencial para la integración. Mientras tanto, el trabajo remunerado reduce su dependencia de la asistencia social. En JANZZ.technology, creemos que los procedimientos anonimizados al principio del proceso de solicitud de empleo pueden reducir en gran medida la discriminación y mejorar la igualdad de oportunidades. Para saber más sobre los procedimientos anonimizados de JANZZ.jobs, póngase en contacto con sales@janzz.technology

 

 

 

[1] FSO. 2020. Foreign cross-border commuters by gender, canton of work and age class. URL: https://www.bfs.admin.ch/bfs/en/home/statistics/work-income/employment-working-hours.assetdetail.13647546.html

[2] FSO. 2020. Employed persons (domestic concept) total number and in full-time equivalents by gender and nationality, gross and seasonally adjusted values. Quarterly and yearly averages. URL: https://www.bfs.admin.ch/bfs/en/home/statistics/work-income/employment-working-hours/employed-persons/trend-number-employed-persons.assetdetail.13327120.html

[3] Favre, S.; Föllmi, R:; Zweimüller, J.: Immigration, return migration and integration from a labour market perspective. In: A Panorama of Swiss Society 2020 Migration-Integration-Participation, Federal Statistics Office, Neuchãtel, 2020

[4] Friedberg, R.: You can’t take it with you? Immigrant assimilation and the portability of human capital, Journal of Labor Economics 18:2: 221–252, 2000

[5] Zschirnt, E.; Ruedin, D.: Ethnic discrimination in hiring decisions: A meta-analysis of correspondence tests 1990–2015, Journal of Ethnic and Migration Studies, Taylor & Francis, Milton Park, Abingdon, Vol. 42, Iss. 7, pp. 1–19, 2016

[6] Auer, D.: Drivers of immigrant employment in Switzerland, University of Lausanne, 2018

[7] Fossati, F.; Liechti, F.; Auer, D.; Bonoli, G.: Discrimination Multipliers, How immigrants’ integration affects labour market disadvantage, MIM Working Paper Series 17:2, Malmö Institute for Studies of Migration, Diversity and Welfare (MIM) Malmö University, Malmö, 2017

JANZZ.jobs, una solución de marca blanca con procedimientos de solicitud anónimos

Los informes [1] y [2] han demostrado que un procedimiento anónimo al comienzo del proceso de solicitud puede reducir en gran medida el sesgo y mejorar considerablemente la igualdad de oportunidades. Aquí, en JANZZ.technology, hemos estado construyendo la estructura de nuestras soluciones en torno al proceso anónimo desde 2010. JANZZ.jobs es una solución de marca blanca diseñada para evitar el sesgo durante los primeros pasos del proceso de solicitud, ocultando los datos personales de los usuarios. Se crean dos perfiles para separar la información personal de la información relacionada con el trabajo. El perfil relacionado con el trabajo contiene toda la información relevante para el proceso de matching, ya sea la ocupación, las habilidades, las destrezas sociales, la educación, la experiencia, la disponibilidad, el salario, etc. Este perfil es accesible desde el comienzo del proceso. El perfil personal que contiene información tal como el nombre, el sexo, la nacionalidad, la fecha de nacimiento, el estado civil, la foto, etc., solo se comparte con la aprobación del usuario y no se utiliza para la búsqueda de empleo.

Además de este procedimiento anónimo, el exclusivo motor de comparación semántica de JANZZ.jobs, alimentado por las tecnologías clave de JANZZ, busca y hace match entre empleos y candidatos basándose en la semejanza de los términos, es decir, en sinónimos y otras relaciones, en lugar de simplemente comparar palabras clave. También compara el grado de destreza, identifica términos ocupacionales crípticos a través del contexto, realiza análisis de deficiencias y más. (Para obtener información sobre el matching semántico, revise nuestro artículo anterior JANZZ.technology proporciona tecnologías semánticas potenciadas por la ontología).

Actualmente, diversos Servicios Públicos de Empleo (SPE) en todo el mundo utilizan esta solución de marca blanca. Nuestros clientes eligen JANZZ.jobs por las siguientes razones:

  • la plataforma es ampliable y cuenta con componentes modulares de última generación que pueden satisfacer los múltiples requisitos de los SPE de todos los tipos;
  • el proceso para establecer dicha plataforma es rápido, fácil y rentable, y es, sobre todo, una solución ideal para los SPE que necesitan comenzar desde cero;
  • esta solución ha pasado por pruebas y se ha ido construyendo año tras año gracias a la experiencia de muchos otros clientes de SPE de todo el mundo, al tiempo que ha demostrado ser estable, fiable y eficiente;
  • el software SaaS JANZZ.jobs ahorra a los SPE tener un departamento de IT específico. Con ello, pueden confiar en el equipo profesional de JANZZ para gestionar las bases de datos y pueden beneficiarse automáticamente de las actualizaciones y mejoras de la tecnología de JANZZ.technology.

___________________________________________________________________________________

Historia de un usuario: de cómo un país de América Central construyó su sistema de búsqueda de empleo en muy poco tiempo debido al entorno económico adverso.

Nuestro cliente, un país de América Central, está luchando con el aumento de las tasas de desempleo, especialmente entre los jóvenes. Colaboramos en un proyecto local diseñado para fortalecer el sistema privado de Educación y Formación Profesional Técnica (TVET) del país y para dotar a los jóvenes locales con las habilidades que necesitan para entrar con éxito en el mercado laboral. Nuestra misión era crear una plataforma moderna que reuniera todo el talento y las oportunidades de trabajo del país y que permitiera combinar con éxito personas y puestos de trabajo.

Con el fin de ayudar a nuestro cliente, en tan solo 90 días, la plataforma JANZZ.jobs se implementó como un producto de marca blanca y ahora funciona como un software SaaS. Para ello es necesario:

  • poner en práctica una plataforma de trabajo desde cero de una manera rápida y rentable,
  • impulsar la economía y fortalecer su sociedad proporcionando una mayor visibilidad y un mejor matching entre los talentos y empleos del país,
  • ayudar a las instituciones educativas locales a investigar y comparar la demanda del mercado laboral con los perfiles de los graduados para ajustar mejor sus planes de estudio a las necesidades del mercado,
  • proporcionar acceso a la información sobre los TVET, formación y becas, consejos para entrevistas, currículos, etc. y así mejorar las posibilidades de los usuarios en el mercado laboral,
  • Introducir un sistema de matching de solicitudes anónimo para mejorar la igualdad de oportunidades de sus ciudadanos cuando solicitan empleo.

_______________________________

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.

  ___________________________________________________________________________________

Historia de un usuario: una agencia de contratación en el sector de la sanidad, la tecnología médica y farmacéutica busca soluciones para apoyar mejor a sus clientes.

 

Uno de nuestros clientes es una agencia de reclutamiento especializada en el sector de las ciencias de la vida y la salud en Europa. Consiste en un pequeño equipo con menos de diez personas. Normalmente, los gerentes de adquisición de talento gastan el 50% de su ya limitado tiempo en la búsqueda y análisis de CVs. Consideran que podrían ofrecer candidatos más adecuados a sus clientes mediante la redistribución de parte de este tiempo a realizar entrevistas más detalladas con un número menor de candidatos cualificados. Por esta razón, nuestro cliente estaba interesado en una plataforma de contratación para colocar el personal cualificado adecuado de forma rápida y eficiente.


Al usar JANZZ.jobs, nuestro cliente ha reducido de manera significativa el tiempo de este proceso para sus gerentes de adquisición. Mientras tanto, gracias al procedimiento anónimo, el cual protege en gran medida la privacidad de los clientes, la calidad de las solicitudes ha aumentado gracias a:

 

  • un matching de habilidades considerablemente más preciso y multilingüe entre los solicitantes y las vacantes en comparación con las plataformas de empleo tradicionales,
  • mayor transparencia para todos los solicitantes en lo referente a las razones por las que se ha rechazado una solicitud,
  • mejora de la contratación activa basada en las competencias; las vacantes solo son visibles y están abiertas al contacto para los candidatos adecuados,

_______________________________

Para saber más sobre los procedimientos anónimos de JANZZ y la creación de sus soluciones de contratación de marca, póngase en contacto con sales@janzz.technology

 

 

[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

Quizás, esta vez, «el trabajo remoto» viene para quedarse

Cuando la gente todavía estaba considerando el futuro del trabajo flexible y cómo la tecnología y la digitalización iban a cambiar la forma en que trabajamos, después de la COVID-19, ese futuro ha llegado de imprevisto. Gartner declaró en su informe que el 48% de los empleados probablemente trabajarán a distancia comparado con el 30% de antes de la pandemia.  [1]

¿Cómo ha cambiado el lugar de trabajo a lo largo del tiempo?

Antes el lugar de trabajo estaba mucho menos orientado a la tecnología y las conversaciones de negocios se llevaban a cabo a través de llamadas telefónicas o en persona. La documentación era solamente en papel. Se esperaba que los empleados trabajaran de forma independiente y se separaban en cubículos. Desde los años 50, se produjeron grandes cambios y el surgimiento del trabajo en equipo, los ordenadores, el Internet y el software orientado a los negocios han tenido un gran impacto en la forma en que trabajamos.

En los últimos veinte años, uno de los cambios más significativos en el lugar de trabajo ha sido el paso a trabajar de manera digital. El lugar de trabajo ha experimentado revoluciones aún mayores como el teletrabajo, el zoom, el espacio de trabajo conjunto y el trabajo flexible. La desaparición de los lugares de trabajo fijos se vio por primera vez en las empresas tecnológicas de Silicon Valley, conocidas por su trabajo flexible o la actualización del trabajo basado en actividades. Básicamente, los empleados quieren más libertad durante el trabajo, por lo que sus casas o incluso un café se están convirtiendo gradualmente en su segunda «oficina».

Trabajo a distancia, ¿quién está listo? o, mejor dicho, ¿quién es capaz?

En un artículo publicado por la Harvard Business Review, la solidez de los servicios digitales, la infraestructura de Internet y las opciones de pago digital se utilizaron para evaluar 42 economías mundiales importantes en lo que respecta a la preparación para el trabajo a distancia. [2] En la encuesta se puede ver que países como Singapur, Reino Unido, EE.UU., Países Bajos, Noruega, Canadá y Alemania se sitúan en una mejor posición, mientras que países como India, Indonesia, Tailandia, Chile, Filipinas y China se muestran menos preparados. Sin embargo, la preparación de la tecnología es solo el factor externo que desencadena la práctica del trabajo a distancia, y se puede influir en ella con el esfuerzo de los dirigentes de los países invirtiendo en infraestructura y tecnología.

El factor interno, es decir, la estructura de las diferentes industrias dentro de un país es la clave aquí. En los países en los que las principales actividades económicas se concentran en los sectores agrícolas y de manufactura, es poco probable que su población activa trabaje a distancia, ya que los agricultores y los obreros simplemente no pueden trabajar desde casa. Por otra parte, los países cuyos sectores de servicios producen la mayor parte de su valor económico, tienen una mano de obra, o más precisamente, una población activa del conocimiento que ya no está vinculada al lugar de trabajo. Según el índice de economía del conocimiento (KEI, por sus siglas en inglés) del Instituto del Banco Mundial, países como Dinamarca, Suecia, Finlandia, Países Bajos, Noruega, Canadá y Suiza, se encuentran entre los primeros. [3]

Los inconvenientes del trabajo a distancia

La COVID-19 obligó a las empresas de todo el mundo a practicar el trabajo flexible a tiempo completo y algunos países, donde el trabajo flexible no era habitual, necesitaron adaptarse a la nueva situación rápidamente. Para esos países también es importante comprender los aspectos negativos del trabajo flexible cuando se maneja de manera inapropiada.

Cuando el tiempo que se pasa en la oficina ya no es el factor clave para obtener remuneración, el trabajo flexible debe tener un nuevo criterio de valoración relacionado con la remuneración, por lo que se toma el rendimiento como la nueva medida. Para justificar su eficiencia y considerarse de alto rendimiento, a la vez que confiables, los empleados a menudo aceptan acuerdos con objetivos más elevados. Esto puede llevar a la llamada «autogestión interesada» que causa el detrimento de la salud. Por lo tanto, las empresas no deberían pedir demasiado a sus empleados o de lo contrario podrían arriesgar la utilidad del trabajo flexible. [4]

La digitalización desplaza los límites entre el tiempo libre y el trabajo, permitiendo a las personas repartir su trabajo a lo largo de todo el día para poder combinar mejor la vida laboral con la personal. Sin embargo, en una encuesta realizada en Alemania, la mitad de los encuestados dijo que la digitalización aumenta la intensidad de su trabajo. Se sienten más estresados y su carga de trabajo se ha acumulado, al tiempo que se sienten sometidos a una supervisión más estricta. [4]

El desafío en la era de la economía gig

La flexibilidad en los trabajos es sin duda una de las características clave en la economía gig que está transformando nuestro mercado laboral drásticamente. El trabajo hoy en día está cambiando hacia una mayor complejidad cognitiva, es dependiente de la tecnología, es más colaborativo, móvil y cruza fronteras. Esto representa un gran desafío para los gobiernos y las empresas de hoy en día para hacer coincidir las habilidades correctas y las personas cualificadas con los puestos de trabajo, así como para identificar las lagunas en la educación y el aprendizaje que necesitan las futuras empresas.

Durante casi una década, JANZZ.technology ha estado siguiendo las tendencias, dando forma al futuro del trabajo y colaborando con mercados laborales de todo el mundo. Somos líderes en el análisis semántico, la búsqueda y el matching dentro de los dominios de la ocupación. Nuestra tecnología, basada en datos, puede hacer posible la toma de decisiones de RR.HH., acelerar el análisis de los perfiles y utilizar los datos de la población activa para la predicción del rendimiento empresarial. Si quiere obtener más información sobre lo que podemos hacer, póngase en contacto con sales@janzz.technology

 

 

 

[1] Gartner. 2020. 9 Future of Work Trends Post-COVID-19. URL: https://www.gartner.com/smarterwithgartner/9-future-of-work-trends-post-covid-19/

[2] Bhaskar Chakravorti and Ravi Shankar Chaturvedi. 2020. Which Countries Were (And Weren’t) Ready for Remote Work? URL: https://hbr.org/2020/04/which-countries-were-and-werent-ready-for-remote-work

[3] Wikipedia. Knowledge Economic Index. URL: https://en.wikipedia.org/wiki/Knowledge_Economic_Index

[4] UZH Magazin. 2018. Interview: “Working flat out”. URL: https://www.magazin.uzh.ch/en/issues/magazin-18-4/gesundarbeiten.html