La demanda de fluidez en IA ha aumentado casi siete veces en dos años, más rápido que cualquier otra habilidad, según el McKinsey Global Institute. Mis conversaciones con líderes tecnológicos lo corroboran: casi todos buscan perfiles con habilidades en IA. El problema, sin embargo, es que pocas veces se sabe qué significa realmente la fluidez en IA en el día a día de una organización. McKinsey también encontró que, si bien casi el 90% de las empresas han invertido en IA, menos del 40% reporta mejoras medibles.

La mayoría de las revisiones post mortem de IA analizan modelos, datos y flujos de trabajo. Pocas veces se examina a las personas encargadas de impulsar la transformación de IA o cómo y por qué fueron escogidas.

Los riesgos de confundir confianza con competencia

Un subproducto del avance de la IA es que hablar de su uso es cada vez más sencillo. Un candidato puede empezar citando todos los modelos o describiendo una arquitectura que leyó la semana pasada. En una breve conversación, distinguir entre hablar con fluidez y practicar con fluidez resulta casi imposible.

Quienes ganan al entrevistador son quienes parecen más serenos al hablar de IA. Si realmente pueden usar IA para hacer el trabajo es una cuestión distinta, y muchos procesos de selección nunca lo cuestionan.

Una entrevista debe verse como una demostración en un terreno elegido por el candidato, con un entorno controlado y su propia narración. En el uso real, sin fluidez adecuada, es fácil perder el control ante datos desordenados, edge cases ausentes, sistemas que no se comunican entre sí o un modelo que genera alucinaciones en el peor momento.

El simple hecho de que un candidato deslumbre en la demostración no garantiza que no se atasque en un entorno de producción.

A simple vista parece un problema de personas. En realidad, es un problema del proceso de contratación.

¿Qué coste real tiene una mala contratación de IA?

El coste real de las malas contrataciones en IA suele manifestarse con el tiempo. Rara vez aparece el primer día y a menudo se manifiesta de varias formas. Por ejemplo, un nuevo modelo entra en producción y empieza a alucinar frente a un cliente.

Al profundizar, se descubre que la mayoría de las empresas no tienen una definición compartida de qué significa “bueno” al trabajar con IA. Un gerente puede evaluarlo de una forma, otro de manera diferente y otro más se guía por intuición. Cuando el umbral de fluidez cambia con cada entrevistador, las organizaciones quedan limitadas a impresiones superficiales en lugar de evaluar habilidades de forma adecuada.

Sin esa definición compartida, el daño se despliega. Un proyecto se estanca por la persona que habló muy bien pero no logra hacer que un modelo produzca algo confiable. O peor: sí produce algo, pero solo para esa persona. Multiplica su productividad y luego deja una documentación escasa que nadie más puede seguir y evita controles de seguridad y cumplimiento.

Además, la productividad que funciona para una persona puede desestabilizar el sistema circundante, con ramificaciones de gran alcance.

Con el tiempo, el trabajo debe rehacerse y el puesto reabrirse. La entrega del proyecto se retrasa y la empresa se ve obligada a gastar más presupuesto. La mala contratación no es la única razón por la que la inversión en IA no renta, pero sí una de las más subestimadas por muchos líderes.

Prueba la competencia, no el vocabulario

Simplemente añadir otro requisito a las descripciones de trabajo no resolverá el problema. En su lugar, conviene definir el alcance de uso de IA requerido por el rol y construir un proceso que haga que los candidatos demuestren ese nivel de uso en lugar de describirlo. Demasiadas empresas basan la norma en saber que existen ciertas herramientas; ir más allá y exigir uso independiente y verificado revela de inmediato la brecha de fluidez.

Existen varios cambios que los equipos pueden hacer en el proceso de contratación para medir la fluidez en IA:

1. Prueba el trabajo antes de la conversación

Coloca a los candidatos ante un escenario que refleje el trabajo real y evalúalo contra un conjunto fijo de capacidades acordadas de antemano. Si buscas un diseñador de productos, ponlo frente a un brief en vivo con una restricción real y pregunta el “por qué” en cada paso.

El candidato que se limita a un discurso fluido te entrega cuarenta direcciones pulidas; el que realmente sabe hacer el trabajo te dirá qué camino sobrevive a los edge cases, qué reglas de accesibilidad son necesarias y qué ingeniero debe construirlo. Esa es la prueba que muchas entrevistas nunca realizan.

2. Cambia las preguntas de entrevista

Deja de preguntar qué herramientas usa la gente. Pregunta sobre la última vez que IA le dio una respuesta incorrecta y cómo la detectó, o pide que muestre un prompt que falló y cómo lo corrigió.

Profundiza en un proyecto real: qué cambió, qué se rompió, qué verificó y a quién afectó el resultado. Nada de eso sobrevive si la persona no ha hecho el trabajo.

3. Cambia el guion

Da al candidato una tarea real de IA y luego cámbiala a mitad de camino: quita una herramienta, añade una restricción o cambia el objetivo. Los candidatos fuertes se replantean y continúan; los que solo rinden pueden quedarse atascados describiendo lo que harían en teoría.

Pide ver los procesos, no solo el resultado. Permite que usen IA en la evaluación siempre que muestren sus flujos de trabajo, automatización, prompts y el razonamiento detrás de ellos. Cualquier persona puede producir un resultado pulido ahora. Cómo llegaron allí es lo que realmente importa.

4. Calícalo en conjunto

Proporciona a cada entrevistador las mismas dimensiones de juicio, definidas de antemano, y compara las evidencias en una sesión de retroalimentación compartida. El examen de evidencias compartido se convierte en la palanca crítica para la decisión final de contratación y alimenta la definición de fluidez en IA para ese candidato.

La contratación actual de IA sigue cayendo en la trampa de seleccionar al candidato que mejor interviewó, solo para descubrir meses después que no puede entregar el trabajo real.

Un proceso de contratación vago puede parecer eficiente porque exige menos de las personas que lo gestionan. Sin embargo, el impacto en el negocio es real, ya que traslada el costo a la implementación, donde es más difícil rastrear y mucho más caro corregirlo.

La próxima vez que hagas una contratación de IA, evita preguntas sobre qué herramientas usan. En su lugar, enfócate en la última vez que alguna de esas herramientas falló y qué hicieron al respecto.

Hemos destacado los mejores software de RRHH.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica.

Las opiniones expresadas aquí son propias del autor y no necesariamente las de TechRadarPro o Future plc. Si estás interesado en contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit