Aquí está la incómoda verdad: la mayoría de las organizaciones están tomando decisiones críticas relacionadas con el personal, sobre a quién contratar, formar y asignar, basándose en datos estáticos e incompletos. Y a medida que la IA se vuelve fundamental para estas decisiones, el problema de calidad se agrava. La diferencia entre un sistema de habilidades que realmente funciona y otro que se convierte en software desaprovechado reside en la arquitectura de datos subyacente. Sin una arquitectura de datos de calidad, su IA solo está cometiendo errores más rápidos a gran escala. Estas seis preguntas le ayudarán a ver más allá del marketing y evaluar si una solución se ha diseñado con una base que realmente pueda proporcionar resultados cuando las decisiones sean importantes.
1. ¿Trata las habilidades como probabilísticas o como deterministas?
El problema: La mayoría de los sistemas tratan las habilidades como una casilla de verificación. El empleado X tiene la habilidad Y: VERDADERO. Pero no es así como realmente funcionan las habilidades. Son evaluaciones ponderadas en función de la confianza que cambian con el tiempo.
Qué buscar: ¿El sistema puede expresar incertidumbre? ¿Dice «85 % de confianza» en lugar de simplemente «sí»? ¿Reconoce que Python para la ciencia de datos es totalmente distinto de Python para el desarrollo web? Si el sistema no puede decirle el grado de confianza que tiene en una valoración, solo está adivinando. Y no hay manera de saber cuándo se equivoca.
2. ¿Captura señales del trabajo o solo registros?
El problema: Los registros de formación muestran lo que han estudiado los empleados. Los informes de autoevaluación muestran lo que creen que saben hacer. Ninguno de los dos revela lo que los empleados pueden ofrecer cuando hace falta.
Qué buscar: ¿El sistema se conecta a los lugares donde realmente se realiza el trabajo? ¿Puede obtener señales de GitHub, Jira, Confluence y sus herramientas de gestión de proyectos? La mejor evidencia de la capacidad es el trabajo demostrado, no un certificado de finalización de cursos. Si el sistema solo tiene información sobre los expedientes de formación y las revisiones anuales, le falta la señal más importante.
3. ¿Entiende el contexto o solo empareja palabras clave?
El problema: "Python" no es una única habilidad. Python para la ciencia de datos (pandas, scikit-learn) es completamente diferente de Python para el desarrollo web (Django, Flask) o para la automatización de DevOps. Los sistemas que devuelven coincidencias basándose únicamente en palabras clave generan recomendaciones deficientes.
Qué buscar: ¿El sistema entiende el contexto semántico? ¿Puede distinguir entre «análisis de datos» en un contexto financiero y en un contexto de marketing? ¿Sabe que las habilidades de React para diseñar dashboards difieren de las habilidades de React para diseñar aplicaciones móviles? Sin comprensión semántica, su búsqueda de coincidencias es una costosa búsqueda por palabras clave y poco más.
4. ¿Modela el deterioro con el tiempo?
El problema: Una habilidad que se utilizó ayer vale más que una que se utilizó hace tres años. Las habilidades se perfeccionan con el uso. Se pierden si se descuidan. La mayoría de los sistemas las tratan a todas igual.
Qué buscar: Pregunte por la actualidad: ¿cuándo se demostró por última vez? Por la frecuencia: ¿se utiliza a menudo? Por la evolución: ¿se está perfeccionando o descuidando? Si todas las habilidades parecen igualmente válidas, independientemente de si se aplicaron la semana pasada o hace tres años, sus datos dejan de ser fiables en cuanto alguien cambia de rol o deja de utilizar una capacidad.
5. ¿Puede explicar sus valoraciones?
El problema: Si no puede ver por qué el sistema cree que alguien tiene una capacidad, no puede validarla. No puede depurarla. No puede mejorarla. Y la confianza se erosiona rápidamente cuando la lógica es invisible.
Qué buscar: En cada valoración, debería poder rastrear el razonamiento. ¿Qué evidencia apoya esto? ¿Qué sistemas contribuyeron con datos? ¿Cuándo se actualizó por última vez? ¿Qué grado de seguridad ofrece el sistema? ¿Quién lo ha validado? La trazabilidad es fundacional para tomar decisiones que pueda respaldar.
6. ¿Sintetiza múltiples fuentes o depende de una sola?
El problema: Ninguna fuente por sí sola cuenta la historia completa. Los autoinformes son optimistas. Las valoraciones de los responsables son poco frecuentes. Los registros de formación muestran lo que ha aprendido el empleado, en lugar de la aplicación. La evidencia del trabajo está dispersa en una docena de sistemas.
Qué buscar: ¿El sistema reúne múltiples señales y las pondera inteligentemente? La evidencia del trabajo, la actividad de formación, las valoraciones de los responsables, la validación de los compañeros, los autoinformes. Todas ellas importan. Ninguna de ellas por sí sola es suficiente. Los sistemas de fuente única heredan todos los prejuicios y puntos ciegos de esa fuente. La síntesis multifuente es más difícil de diseñar. También es lo único que funciona.
¿Cuál es el siguiente paso?
Estas seis preguntas por sí solas no cerrarán un trato ni finalizarán una evaluación. Pero sí le dirán rápidamente si un proveedor ha pensado seriamente en el problema de los datos o si su oferta se basa principalmente en taxonomía e integración de usuarios y espera que usted no busque mucho más.
La cruda realidad es que la mayoría de los sistemas de habilidades no están diseñados para responder bien a estas preguntas. Es mejor saberlo antes de tomar una decisión.
¿Quiere saber más sobre los datos? Lea nuestro artículo del blog: Datos sobre las habilidades: entender la base de la inteligencia del personal.
