* Importante: Todos los experimentos y videos están en inglés.
Primero aparecieron las metodologías de competencias. Después, las taxonomías de habilidades. Ambas tienen los mismos inconvenientes: son difíciles de elaborar e incluso más difíciles de mantener al día.
¿La IA podrá ayudar? Veamos.
¿Por qué necesitan taxonomías las organizaciones?
Para la mayoría de las empresas, los empleados son el costo (y activo) más importante. Pero el modo en que las empresas invierten en esos empleados se puede desarticular muy rápido. Si la descripción del puesto, el proceso de entrevistas, el onboarding, la gestión del desempeño y la trayectoria profesional no están sincronizados, se arma un desastre. Me recuerda a cuando entreno al equipo de fútbol de mi hija. Yo les grito a las niñas que se queden en sus puestos y los padres les gritan: “¡Ve a buscar la pelota!”. El resultado es puro caos y confusión.
Con las taxonomías, se pone en común lo que es importante. Las empresas recurren a las taxonomías para organizar los recursos (descubrimiento), ofrecer oportunidades a los empleados (correlación) y adaptar las actividades según las estadísticas (informes). Las taxonomías sirven para ordenar todas las fases del ciclo de vida de los talentos. Como señala el experto en RR. HH. Dave Ulrich: “En toda disciplina, para que sea una ciencia sostenible, se usa la sistemática (la clasificación de elementos particulares en grupos comunes) con el fin de crear taxonomías (tipos de cosas que se pueden agrupar) para poder avanzar”.
Con las taxonomías, lo ambiguo se vuelve aplicable. ¿Un directivo de la empresa les pidió a los empleados que “mejoraran su olfato para los negocios” y ellos todavía se preguntan qué quiso decir? ¿Hay roles que les interesan, pero no saben qué medidas tomar para llegar a ellos? Las taxonomías pueden ayudar, ya que desglosan ideas complejas o problemas en medidas más pequeñas y prácticas.
Primer experimento: taxonomía de habilidades para un rol genérico
Primero, armemos una taxonomía de habilidades para un rol relativamente genérico usando la IA. Esta taxonomía podría servir de base para redactar descripciones de puestos, guiar entrevistas con preguntas, crear programas de capacitación y ayudar a formar el criterio para las conversaciones sobre la gestión del desempeño. Lo haremos en un video para que puedas ver el proceso.
La taxonomía se armó rápido y los resultados parecen aceptables. Puedo agregar o quitar capas de detalles fácilmente (e incluso entrar en las tareas de una habilidad). La posibilidad de hacer este desglose me permite ver toda la información específica que necesite.
Este sería un excelente punto de partida para una iniciativa con taxonomías.
La principal desventaja es dejar que la IA tome sus propias decisiones (dentro de los parámetros de nuestra consigna) al proponer habilidades. No usa una lista predefinida de habilidades, lo cual impide en cierta medida que la taxonomía sirva de lenguaje común en distintas herramientas y aplicaciones.
La verdadera ventaja llegará cuando las funcionalidades dinámicas de la IA se combinen con el lenguaje interno que se utiliza en cada empresa para las habilidades. Para eso harán falta más implementaciones, pero sin duda es algo factible y que puedes esperar del equipo de Productos de Degreed más adelante.
Segundo experimento: taxonomía de habilidades para un rol hiperespecífico
Cada empresa tiene su propio conjunto de cargos. Veamos cómo le va a la IA cuando seleccionamos un rol muy específico. Con el mismo proceso que usamos para el experimento anterior, este fue el resultado:
Las habilidades más detalladas quedaron cortadas en la captura de pantalla, pero incluso sin ninguna modificación, los resultados son impactantes. Esta podría ser una excelente manera de armar taxonomías de habilidades, en particular en el caso de los roles para los cuales ni las herramientas de RR. HH. ni de Aprendizaje y Desarrollo suelen ofrecer buenas sugerencias.
Tercer experimento: destacar las habilidades obsoletas
Mantener actualizadas las taxonomías es una tarea manual que lleva muchísimo tiempo. Veamos si la IA puede ocuparse del trabajo más pesado y detectar qué habilidades dentro de una taxonomía pueden haber quedado obsoletas (por ejemplo, tecnologías anticuadas).
Para esto, no creamos una taxonomía de cero, sino que evaluamos la actual con criterios personalizables. Primero, creo una regla con los valores “Actual” y “Obsoleto” y, después, le pido a la IA que clasifique cada habilidad en función de esa regla.
En este video, te muestro los pasos:
Como ves, se marcó que una habilidad (React 16) era obsoleta. React es una biblioteca de tecnologías que va por la versión 18, así que React 16 se marcó con justa razón. Contar con un sistema como este permitiría detectar cuándo y dónde hay que hacer actualizaciones.
Cuarto experimento: destacar las habilidades con mayor o menor demanda
Para que las taxonomías orienten las decisiones de los talentos, sería útil saber qué habilidades están cobrando más importancia. Para eso, creamos otra regla personalizada y nos fijamos si la IA nos puede ayudar a descubrir qué habilidades tienen una mayor o menor demanda.
Estos son los resultados:
Un detalle que debemos recordar en este tipo de análisis es que los datos con que se entrenaron los LLM pueden ser de hace más de un año (por ejemplo, de abril de 2023 en el caso de GPT-4 Turbo). Existen técnicas para darles a los LLM información de los motores de búsqueda, de modo que tengan datos actualizados. Esto sería particularmente útil al intentar hacer proyecciones.
El análisis también podría resultar más eficaz si se combinara con algunos de tus propios datos internos provenientes de los sistemas de contratación o aprendizaje.
Quinto experimento: destacar el efecto de la IA en las habilidades
El upskilling lleva tiempo. Por eso, conviene hacer proyecciones de cómo cambiarán las habilidades. En este caso, queremos ver qué habilidades o tareas tienen más o menos probabilidades de verse afectadas por la IA. Esto nos ayudaría a planear iniciativas atinadas para desarrollar habilidades.
Creamos otra regla personalizada y estos fueron los resultados:
Una vez más, los resultados son bastante aceptables. Para este tipo de análisis exhaustivo, seguramente podríamos mejorar los resultados usando distintas técnicas para las consignas. Por ejemplo, el razonamiento por cadena de pensamiento (que obliga al LLM a abordar un problema poco a poco), las consignas con varias posibilidades (es decir, uno pone ejemplos de buenos resultados en su propia consigna) o el uso de varios agentes (combinar varios LLM para hacer el análisis) nos darían resultados aún mejores.
Sexto experimento: mostrar el progreso de los usuarios con habilidades
Hasta ahora hemos usado las taxonomías a nivel administrativo para planificar y organizar los talentos en toda la empresa. Ahora analicemos el otro beneficio de las taxonomías: su capacidad para dividir los objetivos en elementos más prácticos. Esto podría resultar útil para los empleados, ya que es una forma de guiar el aprendizaje y medir el progreso.
Aquí vemos una taxonomía que refleja el grado de dominio que tiene un empleado en cada paso.
Me encanta este ejemplo porque demuestra la eficacia de combinar las funcionalidades de la IA con los datos de los empleados para crear algo personalizado que no se puede conseguir con una herramienta genérica, como ChatGPT.
Séptimo experimento: usar taxonomías para orientar el aprendizaje personal
Como vimos en el último experimento, las taxonomías pueden ser provechosas en el ámbito particular. Para este ejemplo, voy a usar un caso personal. Hace tiempo que quiero aprender fotografía, pero me cuesta saber por dónde empezar.
Le pedí a la IA que me hiciera un plan de aprendizaje personalizado en función de la cámara que tengo:
Parece una muy buena idea. Me gustaría quitar algunas cosas y profundizar en otros aspectos. Pero, ahora que tengo este esquema, me imagino que puedo agregar acciones como estas: “Muéstrame un ejemplo” o “Dame ideas para practicar esto”. Hasta le podría pedir al sistema que analice algunas de mis fotos y destaque las habilidades que debería mejorar. Con este esquema, también podría crear una evaluación que sirva como punto de referencia sobre cada habilidad.
Creo que esto tiene mucho potencial. Sin duda nos podría acercar a un método de desarrollo de habilidades personalizado y dinámico.
¿Qué te parece?
¿Ves posibles ventajas o demasiadas desventajas complicadas con las taxonomías generadas por IA? Si tienes alguna idea o comentario o te gustaría crear tus propias taxonomías, envíame un mensaje a tblake@degreed.com. Para enterarte de todas las novedades, sígueme en LinkedIn.
¿Quieres aprender más sobre las taxonomías?
El equipo de Servicios Profesionales de Degreed ofrece asesoramientos gratuitos. Su principal objetivo es formar una alianza contigo, no prestar servicios transaccionales. Colaboremos para conocer tu estrategia de aprendizaje, tus objetivos tecnológicos y cualquier pregunta que tengas sobre las taxonomías.
Programa una consulta privada con el equipo de Servicios Profesionales de Degreed.
Gracias por experimentar con nosotros.