Doxa 2177

Cómo la inteligencia artificial podría cambiar el valor de la experiencia

El impacto de la tecnología en las curvas de aprendizaje está llamado a transformar el lugar de trabajo.

Por Joseph Fuller, Matt Sigelman y Michael Fenlon

Contratación y Reclutamiento

Harvard Business Review

#Doxa #IA #valor #experiencia #tecnología #curva #aprendizaje #trabajo #contratación #reclutamiento #futuro #puesto #empleo #magnitud #empresa #organizativa #estrategia #gestión #talento #industria #paradigma #habilidades #sociedad #empresa #cambio #gestión #profesional #carrera

Resumen. En un futuro cercano, es probable que la inteligencia artificial afecte a unos 50 millones de puestos de trabajo, automatizando elementos de algunos empleos y aumentando las capacidades de los trabajadores en otros. La magnitud de esos cambios obligará a las empresas a reestructurar sus estructuras organizativas y las empresas tendrán que replantearse profundamente sus estrategias de gestión del talento, con consecuencias que afectarán no sólo a las industrias, sino también a los individuos y a la sociedad. Fundamentalmente, se redefinirán las curvas de aprendizaje tradicionales para los empleos, creando nuevos paradigmas para la adquisición de habilidades y el avance profesional. Este cambio exige un replanteamiento fundamental de cómo las empresas abordan la gestión del talento y cómo las personas se desenvuelven en sus carreras.

A medida que la implementación de la IA generativa automatice elementos de algunos empleos y aumente las capacidades de los trabajadores en otros, las habilidades, experiencias y credenciales que los empleadores utilizan para evaluar a los candidatos cambiarán rápidamente. Los pesimistas argumentarán que esos cambios limitan la movilidad; los optimistas argumentarán que la mejoran, al reducir los requisitos laborales relacionados con las habilidades técnicas o “duras”.

¿Quién tendrá razón?

La verdad es que la IA abrirá puertas para algunos trabajadores y las cerrará para otros. Como parte de una colaboración entre el Burning Glass Institute y el Proyecto de la Escuela de Negocios de Harvard sobre la Gestión del Futuro del Trabajo, hemos descubierto que aproximadamente el 12% de los trabajadores estadounidenses se encuentran actualmente en ocupaciones en las que es probable que la IA de la generación automatice una proporción significativa de las tareas asociadas con los empleos de nivel inicial. Eso, ineludiblemente, conducirá a una reducción en las contrataciones de nivel inicial. Ya está sucediendo: con la llegada de Copilot, el programa de Microsoft basado en IA de la generación anterior, la contratación para puestos de ingeniería de software de nivel inicial se ha estancado en gran medida. Por el contrario, aproximadamente el 19% de los trabajadores se encuentran en campos en los que es probable que la IA de la generación asuma tareas que exigen conocimientos técnicos en la actualidad, lo que abre más oportunidades para quienes no tienen habilidades duras.

Nuestro análisis sugiere que, en los próximos años, la mayor parte de los 50 millones de empleos se verán afectados de una u otra manera. La magnitud de esos cambios obligará a las empresas a reformular sus estructuras organizativas y repensar sus estrategias de gestión del talento de manera profunda. Las implicaciones serán de largo alcance, no solo para las industrias sino también para las personas y la sociedad. Las empresas que respondan hábilmente estarán mejor posicionadas para aprovechar el potencial de aumento de la productividad de la IA y, al mismo tiempo, mitigar el riesgo que plantea la escasez de talento.

¿Qué ocupaciones tienen más probabilidades de seguir este patrón de empoderar a los trabajadores con experiencia y, al mismo tiempo, restringir el acceso a los menos experimentados? Para responder a esa pregunta, analizamos algo que resulta familiar para cualquiera que haya comenzado un nuevo trabajo: las curvas de aprendizaje.

Curvas de ingresos y curvas de aprendizaje

Es un concepto simple con implicaciones profundas. En algunos empleos, no se necesita mucho tiempo para ponerse al día, como en el caso de los conductores de vehículos compartidos. Pero en una amplia gama de empleos, desde ventas hasta ingeniería de software, existen brechas significativas entre lo que sabe un novato y un titular experimentado.

Las curvas de aprendizaje reflejan las diferencias en el tiempo que tardan los trabajadores en distintos puestos de trabajo en alcanzar su máxima productividad. Cuando la productividad de los trabajadores de mayor antigüedad en una ocupación supera con creces la de sus homólogos principiantes, la curva de aprendizaje es pronunciada. En muchas de esas ocupaciones, nuestro análisis indica que las habilidades de nivel inicial están más expuestas a la automatización de la inteligencia artificial que las de los puestos de nivel superior, lo que indica que es probable que aumenten las barreras para los puestos de nivel inicial en esas ocupaciones.

Entonces, ¿en qué ocupaciones la generación de IA generará barreras de especialización?

Para responder a esa pregunta y medir cómo valora el mercado las diferencias en el aprendizaje, analizamos las curvas de ingresos dentro de una serie de ocupaciones diferentes (las curvas de ingresos son un buen indicador del crecimiento de la productividad a lo largo del tiempo, porque a menudo reflejan el tiempo que lleva aprender una disciplina). Esto nos permitió aislar los puestos en los que los trabajadores con experiencia cobran salarios significativamente más altos, lo que implica una prima significativa por la experiencia adquirida. Luego evaluamos cómo difieren los perfiles de habilidades entre los trabajadores con menos y más experiencia dentro de cada ocupación, a partir de dos años de datos de anuncios de empleo en Estados Unidos que abarcaban millones de anuncios de empleo en línea.

A continuación, para predecir qué habilidades es probable que cambien en importancia, adaptamos un modelo de cómo la adopción de la IA gen afecta las tareas dentro de las ocupaciones. Eso nos permitió identificar trabajos que tienen una curva de aprendizaje pronunciada y una exposición significativamente mayor a la IA gen para los trabajadores menos experimentados que para los trabajadores más experimentados. A medida que la IA gen asume una parte significativa de las tareas de nivel inicial en esos roles, el acceso a las trayectorias profesionales tradicionales podría reducirse significativamente. Las 100 principales ocupaciones de esta categoría, que incluyen roles como especialista en gestión de proyectos, gerente de capacitación y desarrollo, diseñador web y especialista en riesgo financiero, actualmente emplean a 17,8 millones de personas, o aproximadamente el 12% de la fuerza laboral de EE. UU.

En este gráfico presentamos una muestra pequeña pero representativa de las categorías profesionales en nuestro conjunto de datos.

Los ingresos aumentan con la experiencia en una variedad de ocupaciones. Estas curvas de ingresos son un indicador del crecimiento de la productividad a lo largo del tiempo, porque a menudo reflejan el tiempo que lleva aprender una disciplina. Un conjunto de gráficos de líneas muestra las curvas de ingresos para once ocupaciones diferentes: actuarios, arquitectos (excepto paisajistas y navales), carpinteros, cajeros, ingenieros civiles, analistas de crédito, especialistas en recursos humanos, analistas de investigación de operaciones, especialistas en gestión de proyectos, enfermeras tituladas y desarrolladores de software. Las curvas se trazan según el percentil de la población, en el eje x, y los salarios anuales, en el eje y. Los actuarios y los desarrolladores de software tienen las curvas de ingresos más pronunciadas, con salarios anuales que comienzan en aproximadamente $75,000 y aumentan hasta cerca de $210,000. En el medio, en orden descendente, están los especialistas en gestión de proyectos, analistas de investigación de operaciones, analistas de crédito, ingenieros civiles, arquitectos, especialistas en recursos humanos, enfermeras tituladas y carpinteros. En la parte inferior se encuentran los cajeros, con salarios anuales y una curva de ingresos que es de lejos la más baja y plana, comenzando en unos 25.000 dólares y solo aumentando hasta unos 37.000 dólares. Fuente: Joseph Fuller et al.

Vea más gráficos de HBR en Datos y elementos visuales

En la cima se encuentran las trayectorias profesionales con una pronunciada curva de aprendizaje. En esas carreras, las capacidades de gen AI podrían impulsar la productividad de los trabajadores experimentados y reducir la necesidad de sus colegas menos experimentados. Por ejemplo, un analista de crédito experimentado podría utilizar gen AI para evaluar la solvencia crediticia de una empresa y comparar la salud financiera de esa empresa con sus pares de su industria, en lugar de asignar esas tareas a subordinados. El papel de los analistas de crédito aquí cambia: en lugar de recopilar e integrar información utilizando una herramienta como Microsoft Excel y contrastar sus hallazgos con las políticas crediticias de su empleador, ahora exploran escenarios más variados, utilizando los hallazgos para revisar la solvencia crediticia de los clientes existentes o trabajar con colegas para identificar nuevos clientes potenciales que cumplan con los estándares de su institución. Es importante destacar que esto también incluirá la creación y el impulso de agentes de gen AI para realizar muchas de esas tareas.

Este cambio amenaza con desbaratar las antiguas progresiones que van del principiante al experto. A medida que la generación de IA se haga cargo de tareas que tradicionalmente han servido para desarrollar capacidades fundamentales, los recién llegados tendrán menos oportunidades de adquirir la experiencia que permitió a sus predecesores ascender a puestos de nivel superior. Esta tendencia debería generar inquietud entre los empleadores, que pueden enfrentar desafíos en el desarrollo de futuras reservas de talentos.

Compárese esto con las categorías profesionales representativas en la parte inferior del cuadro, que ofrecen solo una prima modesta por experiencia, porque se basan principalmente en habilidades técnicas que se pueden aprender (se puede operar una terminal de punto de venta o no se puede). Debido a que la generación de IA (y la tecnología en general) facilitará el aprendizaje de esas habilidades y su perfeccionamiento rápido en el trabajo, esas vías podrían volverse más accesibles.

Ampliación del acceso a los empleos

Para identificar las ocupaciones en las que la inteligencia artificial de última generación podría reducir las barreras, comenzamos nuevamente con nuestro análisis de la curva de aprendizaje. En este caso, nos centramos en ocupaciones con un crecimiento salarial relativamente estable al comienzo de la carrera, donde encontramos una distribución que sugiere que el principal desafío en ese tipo de ocupación es conseguir un empleo al principio, en lugar de dominar la profesión. Luego, buscamos evaluar la naturaleza de la experiencia requerida para acceder a esos trabajos, empleando un análisis basado en el LLM de los requisitos laborales para distinguir entre ocupaciones con un alto nivel de conocimiento explícito (que se puede aprender de libros o cursos) y aquellas cuyos requisitos representan un conocimiento implícito acumulado (que generalmente se adquiere a través de la experiencia). Eso nos permitió identificar ocupaciones definidas por un alto nivel de conocimiento explícito, donde las herramientas de inteligencia artificial de última generación podrían potencialmente hacer que las habilidades requeridas sean más accesibles.

Las barreras de especialización inherentes a este tipo de empleos hacen que a menudo se enfrenten a una escasez de candidatos calificados. La inteligencia artificial de última generación podría aliviar esa presión al facilitar la adquisición de conocimientos especializados u otras habilidades (como la redacción o el dominio de idiomas) que han excluido a trabajadores que de otro modo estarían cualificados. Identificamos 100 empleos en esta categoría, que actualmente emplean a 28,6 millones de personas, o casi el 20% de la fuerza laboral de Estados Unidos. A medida que las herramientas de inteligencia artificial de última generación simplifiquen la adquisición de habilidades, estas ocupaciones (entre ellas, especialista en almacenamiento de datos, gerente de construcción, delineante eléctrico y administrador de redes) podrían volverse accesibles para una gama más amplia de trabajadores. En esos campos, las curvas de aprendizaje aplanadas, particularmente al principio de una carrera, podrían reducir potencialmente las barreras para ingresar a empleos de alta demanda y bien remunerados. La inteligencia artificial de última generación también está lista para revolucionar áreas como el diseño gráfico, la programación, la redacción y el análisis de datos, donde las tareas sofisticadas pueden ser realizadas cada vez más por personas con una formación menos especializada.

Nuevos retos para las organizaciones

La inteligencia artificial está transformando el panorama laboral y las empresas se enfrentan a una nueva realidad que exige una adaptación estratégica. El impacto paralelo de las barreras que aumentan y disminuyen en las distintas ocupaciones exigirá un replanteamiento fundamental de las estructuras organizativas y las estrategias de talento. Las empresas tendrán que lidiar, en particular, con las implicaciones en las siguientes áreas.

Estructura organizacional.

La reducción de los puestos de nivel inicial en algunos campos cambiará fundamentalmente el aspecto de las organizaciones. En la actualidad, muchas operan con una estructura piramidal, con múltiples trabajadores de nivel inicial que respaldan cada puesto superior. A medida que la inteligencia artificial de última generación automatice las tareas de nivel inicial, esta proporción podría cambiar drásticamente. Una estructura que antes tenía cinco trabajadores de nivel inicial por cada puesto superior podría evolucionar a una proporción de dos a uno, o incluso menos.

Surgirán nuevas oportunidades y desafíos a medida que la IA de última generación transforme las pirámides organizacionales en algunas partes de la empresa en estructuras más rectangulares o en forma de diamante. Estas estructuras pueden facilitar un intercambio de información más rápido y una comunicación más directa entre los niveles organizacionales, lo que permite una toma de decisiones y una ejecución más ágiles. También pueden permitir a las empresas implementar equipos más pequeños y ágiles. A medida que la IA de última generación se haga cargo de muchas tareas rutinarias y procesos de toma de decisiones, la necesidad de múltiples capas de gestión intermedia también debería disminuir, lo que resultará en conexiones más directas entre la alta dirección y los trabajadores más jóvenes. Los trabajadores experimentados, empoderados por las herramientas de la IA de última generación, podrían requerir una supervisión menos directa, lo que reduciría aún más la necesidad de capas de gestión. A medida que la IA de última generación asuma tareas que dependan de una profunda experiencia técnica, las empresas podrán rotar a los talentos de alto potencial a través de más funciones para prepararlos para puestos de gestión en el futuro.

Sin embargo, las estructuras organizacionales más planas y con forma de diamante también pueden generar menos oportunidades para que los empleados adquieran experiencia en gestión. La eliminación de estratificaciones que permite la inteligencia artificial reducirá la cantidad de promociones, lo que limitará las oportunidades de los trabajadores de adquirir la experiencia necesaria para avanzar en sus carreras. Las empresas deberán ajustar las trayectorias profesionales y diseñar nuevas formas de recompensar las habilidades y la experiencia en materia de ejecución y colaboración.

Estrategia de talento.

La evolución de las jerarquías organizacionales obligará a las empresas a repensar su forma de gestionar la contratación y el desarrollo profesional. Probablemente, las empresas centrarán sus esfuerzos de contratación en menos proveedores de habilidades. Los equipos de adquisición de talentos tendrán que volverse mucho más ágiles para acceder a grupos de talentos que se alineen con las demandas tecnológicas en rápida evolución. Además, a medida que las empresas reduzcan las filas de trabajadores principiantes, el grupo de candidatos disponibles para la promoción se reducirá, lo que significa que maximizar la calidad de los nuevos reclutas será primordial. Las empresas en crecimiento tendrán que desarrollar nuevas reservas de talento, tal vez en parte mediante la contratación de otros sectores, al tiempo que encuentran nuevas formas de nutrir y preparar al talento para puestos de alto nivel.

Estas dinámicas también podrían conducir a una mayor competencia por los trabajadores experimentados, lo que haría de la retención de talentos una prioridad crítica: un cambio desde un modelo de adquisición de talentos de “rotar y quemar” hacia uno más centrado en invertir y retener a los trabajadores con escasa experiencia.

Modelos de entrenamiento.

En la actualidad, una parte importante de los presupuestos de formación y desarrollo se destina a la incorporación de nuevos trabajadores. A medida que la fuerza laboral de algunas ocupaciones se concentra cada vez más en torno a un pequeño grupo de expertos, la formación inicial puede llegar a ser menos importante que el impulso de la productividad de los empleados existentes. Una vez que la generación de IA se integre ampliamente en el lugar de trabajo, eso significará identificar y luego invertir en las habilidades que serán cada vez más importantes para cada función, y que mantendrán a los más experimentados en la cima de su juego. Las organizaciones con forma de diamante deberán reestructurar las rutas de aprendizaje para facilitar la transferencia lateral de trabajadores experimentados de otros campos y de trabajadores cuyas carreras puedan verse alteradas por la IA.

Los empleadores tendrán que adoptar nuevos modelos de capacitación que aceleren el aprendizaje, tanto para ayudar a los trabajadores existentes a adaptarse como para permitir que los nuevos trabajadores suban la curva de aprendizaje más rápidamente. Para evitar retrasar la implementación de tecnologías innovadoras mientras esperan que terceros desarrollen programas de capacitación, es probable que favorezcan programas personalizados, desarrollados internamente y basados ​​en gran medida en conocimientos específicos de la empresa y la industria. En un lugar de trabajo con pocas oportunidades de nivel inicial para aprender en el trabajo, es probable que las simulaciones se conviertan en mecanismos importantes para permitir que los trabajadores adquieran experiencia crítica en formas que requieran mucho menos tiempo en el puesto.

Conocimiento específico de la empresa.

A medida que la inteligencia artificial automatiza habilidades más generalizadas, es probable que el conocimiento específico de la empresa se convierta en un factor cada vez más importante para impulsar la productividad de los trabajadores. Las empresas querrán centrarse en identificar y cultivar este conocimiento, y en si construir infraestructura para que sea más accesible para los trabajadores y cómo hacerlo. Esto implicará decisiones sobre la creación de nuevos sistemas de gestión del conocimiento, como wikis internas y plataformas de aprendizaje impulsadas por la inteligencia artificial. Las organizaciones deberán considerar en qué medida quieren que el conocimiento específico de la empresa sea una barrera y cómo equilibrar los beneficios de la especialización con la necesidad de flexibilidad de la fuerza laboral.

Navegando por el panorama del talento impulsado por la IA

La revolución de la inteligencia artificial no solo está cambiando lo que aprendemos, sino también cómo lo hacemos. Las curvas de aprendizaje tradicionales se están rediseñando, creando nuevos paradigmas para la adquisición de habilidades y el avance profesional. Este cambio exige un replanteamiento fundamental de cómo las empresas abordan la gestión del talento y cómo las personas se desenvuelven en sus carreras.

A medida que esta revolución se desarrolle, sus efectos evolucionarán de maneras que son difíciles de predecir. Nuestro análisis actual proporciona solo una instantánea estática basada en las ocupaciones, habilidades y capacidades de IA existentes. A medida que la generación de IA amplíe el acceso a ciertas ocupaciones de alta calificación, el aumento de la oferta laboral podría ejercer una presión a la baja sobre los salarios en estos campos, una posibilidad que no se modeló en nuestro estudio. Esto representa una vía crucial para futuras investigaciones. Además, a medida que avanza la tecnología, es probable que la frontera entre lo que se debe aprender en el trabajo y lo que se debe aprender mediante la instrucción formal siga cambiando, lo que complicará el panorama.

Las organizaciones que prosperarán serán aquellas que adopten la naturaleza fluida de las curvas de aprendizaje potenciadas por la IA. No considerarán cada curva como una trayectoria fija, sino como un camino dinámico que se puede reestructurar y optimizar con las estrategias y herramientas adecuadas. Al hacerlo, no solo se adaptarán a la revolución de la IA, sino que ayudarán a dar forma a su curso, creando una fuerza laboral más ágil, hábil, diversa y productiva.

Lea más sobre contratación y reclutamiento o temas relacionados Gestión del talento e IA generativa

Joseph Fuller es profesor de prácticas de gestión y copresidente del Proyecto sobre Gestión del Futuro del Trabajo en la Harvard Business School.

Matt Sigelman es presidente del Burning Glass Institute, que promueve la investigación y la práctica basadas en datos sobre el futuro del trabajo y el aprendizaje. También es asesor principal del Proyecto sobre la Fuerza Laboral de Harvard.

Michael Fenlon es director ejecutivo de Advances in Learning/Harvard Online en la Universidad de Harvard, miembro senior del Burning Glass Institute y copresidente de la junta sobre el futuro del trabajo del Instituto de Productividad Corporativa.