¡Cómo nos gustan a los que nos dedicamos al apasionante mundo de la gestión del talento las buenas historias! Durante muchos años hemos elevado y aprendido a elaborar un storytelling para motivar y crear compromiso alrededor de nuestro propósito en nuestras organizaciones.

Sin embargo, la realidad dura viene cuando nos enfrentamos a los hechos, los datos objetivos y numéricos.  Nos encontramos con frustración que 'dato mata relato', se nos apela con urgencia a ser garantes de la calidad y fiabilidad de los datos para una toma de decisiones bien informada que acompañe a la estrategia de nuestras empresas.

Desde nuestra área hemos ido tomando conciencia sobre la importancia de medir lo que hacemos, radiografiar cuantitativamente nuestro talento diverso, así como su productividad. De esta manera, nos ponemos en valor, damos trazabilidad a nuestros proyectos y podemos llegar incluso a hacer algún modelo predictivo.

Los más habituales han sido los orientados a anticipar la rotación en determinados puestos y dirigir acciones a resolver problemas de retención presentes y probables.  Si en tu área de gestión de personas ya has llegado a hacer esto ya eres de ese porcentaje privilegiado aspiracional de organizaciones data lead.

Con el avance de los algoritmos de la IA, cada vez vamos a tener más datos procesados con mayor eficiencia. El momento de la verdad llegará cuando dejemos de hablar de teorías y experiencias ensayo-error y hablemos de cómo los algoritmos han cambiado la forma en la que trabajamos.

El factor humano del que dependen las premisas, criterios, la alimentación y el entrenamiento para el análisis todavía no es reemplazable en muchos casos y aquí es donde nosotros debemos traer valor a la mesa.

El conocimiento y la cultura del dato es todavía una asignatura pendiente en muchas organizaciones y especialmente en las áreas de RRHH. Impera asumir nuestra responsabilidad de entender la importancia del dato en cuanto a su disponibilidad, accesibilidad y calidad.

No necesitamos convertirnos en data scientists y saber cómo hacer modelos predictivos o prescriptivos, pero sí saber cómo funcionan y trabajan, incluyendo las variables explicativas y su relación para obtener resultados relevantes. 

Recordemos el principio del GIGO garbage in, garbage out: si lo que metemos en el sistema son datos poco solidos o las premisas son defectuosas, los resultados sin duda tampoco serán de calidad o llevarán a conclusiones erróneas y sesgadas.

Adrian Todolí en su libro 'Algoritmos Productivos y Extractivos' nos ilustra una práctica de RRHH en la que corremos peligros éticos con el uso de algoritmos que tengan como objetivo la vigilancia y el control y que requerirán de regulación por parte del legislador.  

Uno de los ejemplos que menciona se relaciona con los riders en Sudáfrica. Los riders, que trabajan en plataformas de entrega, siguen las rutas y horarios de entrega marcados por algoritmos. En Sudáfrica, donde el clima puede ser abrasador, a menudo se enfrentan condiciones extremas mientras realizan sus entregas. Algunos han sufrido insolaciones debido a la presión de cumplir con unos tiempos de entrega impuestos por los algoritmos que no han tenido en cuenta variables críticas como por ejemplo las condiciones climáticas o las áreas de sombra en camino según la hora del día.

Este ejemplo nos ilustra de forma muy clara la importancia de equilibrar la automatización con el bienestar. Por lo tanto, y añadido a todo lo anterior, será fundamental entender los modelos de datos y considerar su impacto en las condiciones laborales.

Será nuestra decisión hacer que los algoritmos trabajen para nosotros o si, por el contrario, somos nosotros quienes trabajamos para ellos. Si la inteligencia artificial se convierte en nuestro aliado en ofrecer valor o en una inteligencia superficial.

 *** Vanesa Latrás Sequeros es miembro de la AEDRH.