Inteligencia Artificial en la Valoración de Puestos de Trabajo; Por Marta González Arias.

        A raíz del Real Decreto 902/2020, de 13 de octubre, de igualdad retributiva entre mujeres y hombres, la valoración de los puestos de trabajo (VPT) nunca había sido tan relevante. Al mismo tiempo, La Directiva sobre transparencia retributiva de la UE, publicada en mayo de 2023, introduce nuevos requisitos para las compañías en relación con la equidad retributiva. Este tema cobra importancia no solo para las empresas como empleadoras, si no también para las partes interesadas. Los clientes, inversores y accionistas crean relaciones de intercambio con organizaciones reputadas y equitativas.

La base para la equidad y la transparencia en la retribución es una valoración estructurada, objetiva y consistente de los puestos. Llegar a una valoración de puestos requiere de un análisis (APT) y descripción previos. El primer paso es analizar el contenido del puesto, requerimientos del puesto y contexto del puesto. A continuación, se realiza una exposición detallada, estructurada, ordenada y sistemática del resultado de APT. Hasta llegar a la valoración de puestos de trabajo: esta metodología permite establecer el valor relativo de los puestos de trabajo (escribir y estimar el valor de todas las tareas que se dan en la empresa). Es conveniente recalcar que se valoran puestos y no actuaciones.

Los procesos tradicionales de valoración de puestos requieren mucho tiempo y recursos. A su vez, las estrategias, el entorno laboral, los modelos de negocio y, por lo tanto, los puestos de trabajo siguen cambiando a un ritmo vertiginoso. Por consiguiente, la VPT se ha convertido en una tarea constante que debe desarrollarse con rapidez, eficiencia y calidad. La introducción de la Inteligencia Artificial (IA) en este proceso cambia el papel de las personas desde la ejecución de la valoración hacia la calibración y comprensión de los resultados, así como la identificación de posibles irregularidades y desequilibrios en la estructura organizativa. El trabajo humano en esta nueva modalidad incluye la evaluación crítica, calibración y clasificación de resultados (la solución de inteligencia artificial ya no demanda la valoración exhaustiva de todos los puntos y detalles). 

De manera general, esto representa un valor agregado significativo para las empresas. En los proyectos, no solo obtienen la evaluación coherente de los puestos, sino también sugerencias para optimizar la estructura organizativa y diseñar de manera consistente los requisitos de los puestos.

A continuación, se expone como la valoración de puestos con inteligencia artificial es un área en la que la tecnología puede aportar eficiencia y precisión al proceso de clasificación y compensación de empleados. Posibles aplicaciones:

• Procesamiento de Lenguaje Natural (PLN): La IA puede aplicar técnicas de PLN para analizar y comprender las descripciones de puestos de trabajo. Esto implica desglosar el lenguaje humano en componentes significativos, identificando habilidades, responsabilidades y requisitos específicos de cada puesto.

• Algoritmos de Machine Learning: Los algoritmos de aprendizaje automático pueden adaptarse y mejorar continuamente las evaluaciones de puestos a medida que se recopilan más datos. Utilizando algoritmos de aprendizaje automático, la IA puede aprender patrones a partir de datos históricos de roles previamente clasificados. Una vez entrenado, el modelo puede clasificar automáticamente nuevos roles según las similitudes encontradas.

• Análisis de Competencias Requeridas: Identificar las competencias y habilidades clave necesarias para un puesto específico, contribuyendo a una valoración más precisa.

• Correlación de Competencias: Los algoritmos pueden correlacionar las competencias identificadas con la importancia relativa de cada una en el contexto de la organización, ayudando a asignar valores de manera más precisa.

• Análisis de Datos del Mercado Laboral: La IA puede recopilar datos de diversas fuentes, como portales de empleo, redes profesionales, informes de la industria y encuestas salariales. Estos datos pueden incluir información sobre habilidades en demanda, tasas salariales, movilidad laboral y cambios en las tendencias del mercado. Basándose en la información del mercado laboral, la IA puede ajustar las puntuaciones y valoraciones de los puestos de trabajo para reflejar la relevancia y la demanda actual y futura de habilidades.

• Minería de Datos Históricos de la Organización: Esta herramienta puede analizar datos históricos de la organización, incluyendo patrones de contratación, rotaciones de empleados y movimientos internos. Estos datos proporcionan información sobre las áreas de la organización que han experimentado un crecimiento, cambios en la demanda de habilidades y áreas propensas a la rotación.

• Análisis de Datos Salariales: Utiliza la IA para realizar análisis de datos salariales y detectar posibles desigualdades. La tecnología puede identificar patrones salariales que podrían indicar sesgos y apoyar la toma de decisiones informadas para promover la equidad salarial.

 Así como puede reducir los sesgos, también los puede crear. En este caso no hablamos de sesgos humanos inconscientes sino de fallos en la programación que lleven a datos informáticos sesgados. Algunas consideraciones y estrategias para mitigar estos riesgos:

• Conciencia del Sesgo:

• Reconocimiento de Sesgos Existentes: Es crucial que los profesionales de recursos humanos y los científicos de datos reconozcan la posibilidad de sesgos en los datos históricos utilizados para entrenar algoritmos. Estos sesgos pueden surgir de prácticas pasadas de contratación, promoción y compensación que no fueron equitativas.

• Diversidad en los Datos de Entrenamiento:

• Inclusión de Múltiples Perspectivas: Asegúrate de que los conjuntos de datos utilizados para entrenar algoritmos reflejen la diversidad de la fuerza laboral. Incluir datos de empleados con diversas características, como género, etnia, edad y antecedentes, puede ayudar a mitigar sesgos al capturar una gama más amplia de experiencias y habilidades.

• Reevaluación Constante:

• Feedback Continuo: Establece un ciclo de retroalimentación continua para el modelo de IA. Recopila feedback de los profesionales de recursos humanos y, cuando sea posible, de los empleados. Utiliza este feedback para reevaluar y ajustar el modelo, corrigiendo posibles sesgos que hayan surgido durante la implementación.

• Colaboración Interdisciplinaria:

• Equipos Diversos: Forma equipos interdisciplinarios que incluyan tanto a expertos en recursos humanos como a expertos en IA. La colaboración entre profesionales de diferentes áreas puede ayudar a abordar los sesgos desde múltiples perspectivas y garantizar una implementación equitativa.

Como se expone anteriormente, esta no es una herramienta exacta que le vaya a quitar el trabajo a los profesionales de RRHH si no, lo que hará será reducirles las tareas rutinarias para que se centren en las estratégicas. Les compete a estos profesionales interpretar y dar sentido a los resultados expuestos por la inteligencia artificial.

En mi opinión, la complejidad de este proyecto radica en calibrar los sistemas de medición para realizar una valoración objetiva. Debemos tener en cuenta múltiples variables y si deseamos añadir más tal vez tengamos que reprogramar el sistema o estar ajustándolo continuamente. Dicho esto, vuelvo a hacer énfasis en la necesidad de colaboración interdisciplinaria. Queda mucho por avanzar para que esta cuestión no tenga que verse reflejada en un post como novedad. Los ejemplos de su uso en la valoración de puestos trabajo son líneas futuras de actuación que conviene explorar. Considero que debemos analizar nuevos mecanismos para realizar las tareas y estar abiertos a las facilidades que nos brinda la inteligencia artificial. 

Y tú, ¿Qué opinas?

Marta González Arias
Alumna del Máster en Dirección y Gestión de RRHH 2023-2024
Escuela de Negocios de la Cámara de Valladolid