La IA aporta un gran valor, pero solo cuando se aplica estratégicamente.
Es importante saber que la IA no es una solución mágica ni una solución universal. Sin duda, el crecimiento de las soluciones tecnológicas abrirá un mundo de oportunidades y valor. Pero el creciente número de opciones hace imprescindible que las organizaciones reflexionen detenidamente sobre los principios fundamentales de la IA antes de invertir.
Cuando se implementan correctamente, las herramientas de gestión y adquisición de talento impulsadas por IA pueden:
- Mejorar la toma de decisiones basada en datos (y la calidad de las contrataciones)
- Mejorar la experiencia de candidatos y empleados
- Automatizar tareas manuales laboriosas
- Reducir los gastos operativos
Pero la IA también introduce complejidad en torno al sesgo y la seguridad de los datos. Las organizaciones que no lleven a cabo una diligencia debida exhaustiva en la etapa de evaluación podrían enfrentarse a graves riesgos financieros, legales y reputacionales.
Comprender la IA
La inteligencia artificial es cualquier técnica que permite a las máquinas imitar el comportamiento humano. Permite a los equipos de selección hacer más de lo mismo, pero también hacerlo mejor. La IA se puede dividir en 3 conceptos fundamentales: automatización, aprendizaje automático y aprendizaje profundo.
Automatización
La automatización se basa en reglas. Aplica las mismas reglas («si ocurre esto, entonces aquello») a cada entrada, lo que permite ejecutar procesos más rápido y a escala, sin necesidad de intervención humana. Por ejemplo, los chatbots. Los chatbots basados en reglas pueden devolver a los candidatos la página de preguntas frecuentes adecuada.
Aprendizaje automático
El aprendizaje automático (ML) es más inteligente que la automatización. No se basa en reglas. Es la capacidad de un algoritmo para aprender a realizar una tarea a partir de un conjunto de datos y seguir aprendiendo para hacerlo mejor con el tiempo. Un ejemplo podría ser la correspondencia entre puestos y candidatos. La automatización solo agruparía a los candidatos basándose en reglas explícitas y preprogramadas. El ML podría inferir similitudes adicionales a medida que las habilidades asociadas a un título de puesto cambiaran con el tiempo, sin necesidad de reescribir los algoritmos.
Aprendizaje profundo
El aprendizaje profundo va aún más allá. Puede analizar un conjunto de datos y determinar qué es lo más útil e interesante de este para resolver una tarea. El análisis de CV podría ser un ejemplo. El aprendizaje profundo puede analizar datos no estructurados (como un CV) e identificar los elementos que indican que un candidato encaja bien en un puesto, sin que se le indique cuáles son.
Implementación de la IA
Evitar el sesgo
La necesidad del sector
Mediante la IA, se pueden crear modelos para excluir el sesgo de los algoritmos, ya sea explícitamente (eliminando identificadores como el nombre, la edad y el género) o implícitamente (eliminando elementos como la dirección, la educación o el salario). La IA también puede integrarse en sistemas de puntuación de candidatos para garantizar una ponderación coherente y equitativa de los distintos puntos de datos, descartando la posibilidad de depender demasiado de un único factor. Está demostrado que las descripciones de puestos están plagadas de sesgos inconscientes, pero los motores de reglas, los análisis y los procesos manuales no son lo suficientemente sofisticados como para leer los datos y comprender qué redacción garantizará la lista más diversa de candidatos. La IA puede analizar y responder rápidamente a los cambios del mercado y comprender la proximidad entre habilidades, asegurándose de que no se pasen por alto candidatos con habilidades similares que pueden resultar desconocidas para la persona encargada de la selección.
La solución de Beamery
Beamery ha diseñado sus productos y servicios para evitar impactos injustos en las personas por características protegidas, como raza, origen étnico, género, nacionalidad, ingresos, orientación sexual, capacidad y creencias políticas o religiosas. Estas características, así como los indicadores conocidos de estas características, nunca se incluyen como entradas en nuestros modelos de entrenamiento. Nuestros modelos, datos de entrenamiento y datos de validación han sido auditados por un tercero para confirmar que cumplimos los estándares del sector y minimizamos el riesgo de sesgo involuntario. Además, nunca utilizamos reconocimiento facial, reconocimiento de voz, detección de emociones ni datos biométricos en nuestros productos o servicios.
Explicabilidad
La necesidad del sector
El riesgo de sesgo en la gestión del talento es alto y puede tener graves consecuencias posteriores, no solo para las empresas, sino también para las personas. Al fin y al cabo, las decisiones de contratación determinan el rumbo de su carrera profesional. La IA adecuada puede ayudar a los equipos de talento a ofrecer transparencia a candidatos y empleados sobre qué puntos de datos han impulsado determinadas decisiones, tanto positivas como negativas. Esta transparencia también puede promover la inclusión al sugerir trayectorias profesionales que, de otro modo, podrían no haber sido evidentes, especialmente para las minorías que pueden estar menos representadas en los puestos de mayor responsabilidad o dentro de determinados equipos.
La explicabilidad significa saber qué características y puntos de datos han llevado a una recomendación y contar con un registro de auditoría que permita examinarlos y justificarlos. La IA y sus parámetros de decisión deben poder probarse, auditarse y documentarse para superar cualquier escrutinio. La IA explicable ayuda a los equipos de talento a tomar decisiones justas e imparciales. De hecho, puede contribuir a tomar mejores decisiones. Comprender cómo los modelos producen resultados permite enseñarles, corregirlos y optimizarlos.
La solución de Beamery
Beamery ayuda a los usuarios a comprender por qué se predice que una persona es una buena opción para un puesto mediante varias capas de explicación clave que los usuarios pueden proporcionar a los candidatos para aclarar la recomendación de la IA.
- Los usuarios pueden ver el peso (o la influencia) de cada componente en la decisión: nuestras recomendaciones de IA indican cuál es la combinación y el peso de las habilidades, la antigüedad, el nivel de competencia y el sector, de modo que los usuarios pueden ver claramente la razón principal por la que nuestra IA consideró que existía una posible coincidencia entre el talento y las vacantes.
- Los usuarios pueden comprender qué habilidades influyeron más en las recomendaciones, lo que también les ayuda a entender qué habilidades tuvieron o no tuvieron impacto en la recomendación.
Seguridad y privacidad
La necesidad del sector
Como era de esperar cuando se trata de grandes volúmenes de datos, la seguridad y la privacidad son primordiales. Con la introducción del RGPD y los titulares recurrentes sobre filtraciones y pérdidas, la seguridad de los datos ya ocupa un lugar prioritario para la mayoría de las organizaciones. Saben que los datos deben almacenarse de forma segura y que necesitan procesos de diligencia debida exhaustivos y demostrables para evitar problemas con los organismos reguladores.
Pero la IA introduce un nivel de riesgo adicional. La IA solo funciona cuando se entrena con grandes volúmenes de datos. Esto significa que corresponde a las empresas reflexionar detenidamente no solo sobre cómo almacenan los datos, sino también sobre cómo los utilizan. Un principio fundamental del código de IA del Reino Unido, por ejemplo, es que «La inteligencia artificial no debe utilizarse para reducir los derechos sobre los datos ni la privacidad de las personas, las familias o las comunidades». Los equipos de talento deben asegurarse de utilizar los datos de manera sensible y adecuada, y de formas que no introduzcan sesgos inconscientes.
La solución de Beamery
Al entrenar nuestros modelos, Beamery utiliza conjuntos de datos anonimizados de terceros, lo que significa que los modelos no tienen conocimiento explícito de la raza, el origen étnico, el género, la nacionalidad, los ingresos, la orientación sexual, la capacidad ni las creencias políticas o religiosas. Además, cuando los modelos se validan con conjuntos de datos de prueba, se utilizan datos que no permiten identificar personalmente a nadie. Cuando Beamery hace coincidir candidatos en el CRM, nuestros modelos nunca ven la información de identificación personal de ningún candidato. Solo ven habilidades, puestos y experiencia. Además, cada vez que los auditores externos de Beamery utilizan características demográficas de los candidatos obtenidas fuera de los procesos internos, estas se eliminan una vez finalizado el proceso de auditoría y nunca se conservan. Estos puntos de datos se utilizan únicamente para evaluar el rendimiento del modelo en relación con posibles sesgos.