Lo que la buena IA realmente evalúa

Toda herramienta de contratación con IA evalúa algo. La verdadera pregunta es si ese algo predice el resultado que les importa: si una persona desempeñará bien en un puesto específico, en un entorno concreto.

La mayoría de los sistemas todavía evalúa indicadores sustitutos. Los títulos, los años de experiencia, las credenciales y la densidad de palabras clave se correlacionan con los resultados con suficiente frecuencia como para parecer útiles, pero correlación no es lo mismo que predicción.

Esa brecha es donde residen muchas fallas en la contratación. Harvard Business School y Accenture documentaron que con regularidad se da menor prioridad a candidatos calificados porque sus antecedentes no muestran los marcadores correctos, incluso cuando la capacidad subyacente está presente.

La evaluación genuina de la capacidad parte de una premisa diferente: lo que alguien puede hacer, cómo resuelve problemas y cómo se ha desempeñado en contextos comparables importa más que la apariencia visual de su currículum.

Resultados demostrados. La primera pregunta es qué ha producido, cambiado o resuelto realmente un candidato, no solo de qué fue nominalmente responsable.

Enfoque para resolver problemas. Cómo razona una persona ante un desafío suele ser más predictivo que si ha visto antes un escenario idéntico.

Ajuste específico al contexto. Un candidato fuerte en una organización puede fracasar en otra si el estilo de liderazgo, la estructura del equipo o las condiciones operativas son materialmente diferentes.

Trayectoria, no instantánea. Un currículum captura un momento. Una mejor evaluación observa cómo se ha desarrollado una persona a lo largo del tiempo y si su capacidad se está potenciando.

Los grandes modelos generalistas son buenos en el reconocimiento de patrones en datos amplios. Pueden identificar candidatos que se parecen a poblaciones que históricamente han tenido buen desempeño en otros lugares.

Lo que no pueden hacer automáticamente es comprender su organización de forma específica. No saben qué comparten sus mejores empleados más allá de lo que es visible en datos de entrenamiento generalizados.

Esa limitación importa. Las señales que predicen el éxito de un ingeniero senior en una empresa de software de rápido crecimiento no son las mismas que predicen el éxito de un ingeniero senior en una institución financiera regulada.

Los modelos específicos del contexto, entrenados en su entorno, sus flujos de trabajo y los patrones reales de sus mejores empleados, pueden tomar decisiones calibradas a los resultados que le importan en lugar de basarse en inferencias generales a partir de los datos de otros.

La diferencia práctica aparece en la etapa de entrevistas. La evaluación basada en indicadores sustitutos hace avanzar a los candidatos cuyos antecedentes más se parecen a las contrataciones pasadas.

La evaluación de capacidades hace avanzar a candidatos que han demostrado las habilidades y comportamientos relevantes, incluso si el camino que tomaron para desarrollarlos parece poco convencional en el papel.

Eso cambia más que la clasificación. Cambia el propio grupo de candidatos, porque aquellos que habrían sido filtrados por la lógica de indicadores sustitutos ahora se vuelven visibles.

El artículo final de esta serie aborda el lado del comprador de la ecuación: qué deben exigir los líderes de RR.HH. cuando un proveedor afirma que su sistema toma mejores decisiones de contratación.