RR. HH. tiene las respuestas equivocadas sobre IA, talento y búsqueda | Ben Eubanks

Ben Eubanks quiso trabajar en RR. HH. desde adolescente. Tras años en el sector, pasó al ámbito de la investigación, siguiendo tendencias y escribiendo los libros que los CHROs mantienen en sus estanterías. Su primer libro, Artificial Intelligence for HR, se convirtió en el recurso más citado sobre ese tema. El segundo, Talent Scarcity, abordó la pregunta que todos los líderes de RR. HH. se hacían: ¿dónde se han ido todos los trabajadores?

En este episodio #18 de Xobin Talks, Guru plantea las preguntas difíciles. Pregunta por qué los líderes de RR. HH. siguen dudando sobre la IA y qué significa realmente la escasez de talento desde el punto de vista demográfico. También cuestiona si la equidad salarial global es realista y qué deberían hacer los sourcers antes de que la automatización los alcance.

¿Están los líderes de RR. HH. listos para invertir en IA o siguen siendo reticentes?

Guru comienza con una pregunta frecuente entre los clientes de Xobin: a pesar de toda la conversación sobre IA, muchos CHROs y compradores de RR. HH. siguen mostrando cautela. ¿Es racional esa cautela?

Ben: "La IA se ha integrado rápidamente en la contratación diaria, con empresas utilizándola en tareas como búsqueda de candidatos, filtrado de solicitudes, asignación de personas a puestos y evaluación de potenciales contrataciones. Pero algunos siguen siendo reticentes. Hay inquietudes, especialmente por los requisitos legales globales sobre si podemos usar esto para seleccionar a alguien para un puesto."

Lighthouse Research realiza un gran estudio anual sobre adquisición de talento. Los datos de este año revelaron algo interesante: un segmento de empleadores afirmó que no usará IA en la contratación. Al preguntarles por qué, las tres principales respuestas seguían un patrón claro.

Ben: "La razón principal fue: no queremos reemplazar a las personas. Queremos que haya un humano en la toma de decisiones. La segunda fue: no queremos dañar nuestra marca empleadora. La IA podría decir o hacer cosas que no siempre podemos controlar o predecir. Y la tercera más común fue: no creemos que la IA esté lista para gestionar las tareas básicas de reclutamiento."

La analogía del reclutador junior

En este punto, Ben hace una observación que replantea todo el debate.

Ben: "Un reclutador junior que contratamos para nuestro equipo puede generar esos mismos riesgos. Puede decir algo inapropiado, publicar algo fuera de lugar en línea, cometer errores en un proceso o tener dificultades con tareas comunes. Estamos proyectando todos estos temores en los sistemas de IA, cuando muchos de esos riesgos siempre han estado ahí y seguirán estando. Asumimos que la IA debe ser perfecta desde el principio. Ese es uno de los problemas."

La analogía es clara: ninguna organización dejaría de contratar reclutadores junior por miedo a errores. Tolerar el error humano mientras se exige perfección algorítmica no es una postura racional, sino emocional. Ben deja claro que la adopción está ocurriendo igualmente.

Ben: "Ya hay muchas empresas que han adoptado esto y lo usan como ventaja competitiva. Esperamos que esa brecha se amplíe a medida que las empresas que lo usan superen a las que no pueden seguir el ritmo."

Tres cuartas partes de los profesionales de RR. HH., según el informe Talent Trends 2024 de SHRM, coinciden en que la IA aumentará el valor del juicio humano en la contratación en los próximos cinco años (SHRM). Para Ben, la preocupación más urgente es la brecha que ya se está formando entre las organizaciones que usan la IA como herramienta competitiva y las que aún esperan sentirse preparadas.

¿Las distintas generaciones abordan las decisiones sobre IA de manera diferente?

Guru señala algo que observa directamente en los datos de Xobin: una gran mayoría de los currículums enviados a la plataforma ahora se crean o modifican significativamente con IA generativa. Los candidatos que llegan hoy al mercado laboral son nativos digitales en IA, mientras que los líderes que toman decisiones de compra a menudo no lo son.

La oferta automatizada que horrorizó a los líderes de RR. HH.

Ben: "Cuando enseño sobre el uso de IA, comparto la historia de lo que construyó Amazon. Alguien solicita un empleo, el sistema lee su formación y experiencia, le envía automáticamente una evaluación, la aprueba y genera una oferta al valor de mercado, sin interacción con el reclutador ni conversación con el responsable de contratación. Cuando cuento esto a líderes de RR. HH., se encogen de horror."

Esa reacción, según Ben, refleja algo genuino: para puestos corporativos, la selección totalmente automatizada no es lo que los candidatos desean ni lo que requiere una decisión de calidad. Pero también refleja algo que tendrá que cambiar a medida que la generación nativa en IA asuma posiciones de liderazgo.

Por qué el currículum ya no es una señal fiable

Ben: "La nueva investigación indica que alrededor del 70% de los graduados universitarios usan GPT y herramientas de IA generativa para crear y adaptar su currículum a una oferta. Eso significa que será más difícil que nunca contratar de esa población porque todos los currículums se parecerán. ¿Qué hacemos entonces? Necesitamos nuevas formas de filtrar."

La respuesta no es detectar y rechazar currículums generados por IA, sino dejar de tratar el currículum como la señal principal. Ben traza un paralelismo directo con las universidades: ya no envían tareas a casa esperando trabajo original. Los reclutadores enfrentan el mismo ajuste. La señal ha cambiado, así que el método de filtrado también debe cambiar.

Si la mayoría de los currículums ahora son generados por IA, ¿qué implica eso para el filtrado?

Esta es la pregunta que Guru plantea con más insistencia, porque es el problema que Xobin busca resolver. La respuesta de Ben se basa en la investigación sobre candidatos, no solo en la preferencia del empleador.

Ben: "Cuando analizamos los datos de los candidatos, nos dicen que en realidad prefieren esto: si pueden elegir entre solo enviar el currículum o enviar el currículum y realizar una breve prueba relacionada con el puesto, prefieren la segunda opción. Porque les permite ver qué valora la empresa, conocer mejor el puesto y demostrar lo que pueden aportar. No solo lo bien que está escrito el currículum."

Esto cambia por completo la conversación sobre evaluaciones. Las pruebas previas a la contratación suelen presentarse como algo que beneficia a las organizaciones: eficiencia, reducción de sesgos, mejor señal. Pero Ben destaca que los propios candidatos lo prefieren, porque en un mundo donde todos los currículums se parecen, los buenos candidatos no tienen cómo diferenciarse. Una prueba relacionada con el puesto les da esa oportunidad.

Por qué la rapidez no equivale a confianza

Para Guru, esto valida el enfoque central de Xobin: analizar el currículum, crear una evaluación específica y verificar que la persona pueda realmente desempeñar el puesto.

Ben: "Justo iba a decir que he compartido ese mismo ejemplo varias veces últimamente. Hay una empresa de tecnología de RR. HH. que creó una herramienta para generar automáticamente una descripción de puesto. Lo desarrollaron hace tres o cuatro años y era impresionante. Pero ahora, cualquiera puede ir a ChatGPT y hacer exactamente lo mismo sin inversión. Les costó años y cientos de miles de dólares construir lo que ahora es gratuito."

La velocidad de la comoditización es real y Guru lo vive de cerca. La respuesta de Ben es clara: llegar rápido al mercado no es lo mismo que ser confiable. Como él dice, un comprador de tecnología de RR. HH. confiaría mucho más en una empresa con el historial de Xobin que en una que apareció hace dos meses. La ventaja competitiva no es la novedad, sino la evidencia acumulada de que el producto resuelve problemas reales y la organización responde cuando surgen nuevos desafíos.

¿Qué está causando realmente la escasez de talento? ¿Es real o solo un ciclo?

La conversación gira hacia el libro. Guru reconoce que no hay una respuesta simple a la escasez de talento y dice que no la busca. Quiere entender la tendencia.

Ben: "Los expertos en demografía de todo el mundo dicen que, para que una población se mantenga a largo plazo, se necesitan unas 2,3 nacimientos por familia. La última vez que EE. UU. alcanzó esa tasa fue hace 50 años. Así que no estamos generando suficientes personas para cubrir todas las oportunidades, puestos y empleos. Hasta ahora, la respuesta ha sido la inmigración: atraer más personas. Pero eso es una solución a corto plazo. En algún momento, esos países dejarán de enviar a su gente. Los necesitarán ellos mismos."

Las cifras desde que se grabó esta conversación

Desde que se grabó esta conversación, los datos han seguido empeorando. La tasa de fertilidad en EE. UU. se situó en 1,6 nacimientos por mujer en 2025 (CBO), muy por debajo del umbral de 2,1 necesario para la sostenibilidad laboral a largo plazo. La participación en la fuerza laboral se mantuvo entre el 62,4% y el 62,7% durante la mayor parte de 2025 antes de caer aún más en 2026. La migración neta cayó drásticamente a unas 515.000 personas en 2025, frente a unos 2,2 millones en 2024 (Federal Reserve Bank of San Francisco).

Ben: "India está en unos dos nacimientos por familia ahora mismo. Así que está por debajo de ese umbral. Sigue siendo más alta que la mayoría de los países desarrollados, pero India ya está por debajo. Y generalmente la tendencia es: una vez que ese número empieza a bajar, sigue así mientras podamos ver."

No se trata de un problema cíclico de contratación que se recupere con la próxima bonanza económica. Es un cambio demográfico estructural, y la automatización solo cubre parte del hueco, cambiando el número y tipo de empleos disponibles, pero no creando más trabajadores.

Con menos personas disponibles, ¿qué pueden hacer realmente los empleadores?

Ben identifica dos palancas y sostiene que la mayoría de las organizaciones solo están usando una.

Reclutar mejor o retener mejor

Ben: "Tenemos dos palancas diferentes. Podemos reclutar de forma más inteligente: buscar con más cuidado, ampliar nuestros grupos de talento. O podemos retener a quienes ya tenemos: mantener a las personas de alto rendimiento que ya aportan valor, que tienen el conocimiento y la experiencia que no queremos perder. Y lo que veo una y otra vez en la investigación, tanto en contratación como en retención, es que no podemos usar un enfoque único para todos y esperar buenos resultados."

El hallazgo de Ben es directo: los enfoques generalistas no funcionan ni para reclutar ni para retener. El problema es que personalizar para cada individuo implica manejar variables que ningún responsable puede gestionar mentalmente a la vez. Ahí es donde la IA puede aportar: no para reemplazar el juicio, sino para asegurar que la información adecuada llegue en el momento oportuno.

Cómo la IA detecta el riesgo de fuga antes de que sea tarde

Ben: "Trabajamos con una empresa que tiene un algoritmo de predicción de retención. Predice quiénes de tu equipo podrían irse. Analiza más de cien señales distintas. Y cuando detectan indicadores de que alguien podría marcharse, pueden señalar factores concretos y transparentes: Ben no ha tenido una reunión individual con su responsable en tres meses. Su último ajuste salarial fue hace cuatro años. Su última evaluación de desempeño bajó. Esos son indicadores de que Ben podría estar pensando en irse."

La IA no sustituye la conversación del responsable. Garantiza que el responsable tenga la información necesaria para tener esa conversación antes de que sea demasiado tarde. Los grandes líderes hacen esto de forma intuitiva con las personas a las que más atención prestan. La IA amplía esa capacidad a quienes se están desvinculando sin que nadie lo note.

¿Debería pagarse el mismo salario al talento independientemente de dónde viva?

Guru plantea una pregunta basada en los datos de Xobin: ¿por qué un ingeniero en San Francisco gana cinco veces más que uno equivalente en India por el mismo trabajo? ¿Está reduciéndose esa brecha?

Ben: "Igualdad salarial por igual trabajo, creo que es un punto importante. Si tienes un equipo en EE. UU. con habilidades y entregables sustancialmente similares a alguien en Filipinas o Singapur y pagas a uno una fracción de lo que pagas al otro, yo tendría problemas con eso."

Un ejemplo real: pagar al talento global según tarifas locales

Ben comparte un ejemplo personal. Lighthouse Research emplea a una administradora en Filipinas, Jessa, a tarifas estadounidenses porque quieren que priorice su trabajo y no quieren perderla.

Ben: "Ya aplicamos ese método en cierta forma. Pero para muchas empresas, eso es un reto. Incluso dentro de EE. UU., hubo una dinámica extraña cuando todo se volvió remoto: ¿deberíamos pagar menos a alguien si vive en una región remota sin mercado laboral local? Muchas empresas dijeron que no. Que debería haber una tarifa remota y que cada uno decida dónde vivir. Me pregunto por qué no han hecho lo mismo con los equipos fuera de EE. UU."

La conversación no llega a una respuesta definitiva, porque Ben reconoce que los datos no la tienen. Pero el planteamiento de Guru deja claro por qué la pregunta es cada vez más difícil de evitar. Señala que los LLMs están superando las barreras idiomáticas, el trabajo remoto ha normalizado los equipos distribuidos y plataformas como Xobin ya miden la capacidad igual sin importar la geografía. El argumento técnico para la igualdad salarial es cada vez más sólido, aunque la voluntad organizacional aún no esté a la altura.

¿Qué deberían hacer los sourcers y profesionales de RR. HH. en etapas iniciales antes de que su rol se automatice?

Esta es la pregunta que, según Guru, nadie le había hecho a Ben de forma tan directa. Ben la anota antes de responder.

Ben: "Las habilidades que importan, las que son difíciles de replicar para un algoritmo, son las humanas. No solo en RR. HH., por cierto. Compasión. Creatividad. Pensamiento crítico. Esas son difíciles de programar."

Ben utiliza una matriz de dos ejes con líderes de RR. HH.: uno va de enfoque humano a enfoque de proceso, el otro de tareas rutinarias a tareas novedosas e impredecibles. Las tareas humanas e impredecibles son las menos reemplazables; las de proceso y rutina, las más expuestas a la automatización.

Construir conexiones que un algoritmo no puede

Ben: "Si tu mejor habilidad es analizar datos y detectar tendencias, más vale que busques otra habilidad pronto porque la IA es mejor que nosotros en eso. Pero construir relaciones, encontrar ese detalle en un currículum para iniciar una conversación, eso es lo que diferencia a una persona de un algoritmo que contacta a ciegas por volumen."

Ben aprendió esto reclutando instructores de helicóptero Blackhawk.

Ben: "Aprendí rápido que no podía enviar el mismo correo a 20 personas porque nadie respondería. Tenía que personalizarlo. Hola Mark, vi que también eres piloto de globo aerostático, cuéntame más. Hola Jamie, vi esto en tu currículum, ¿conocías a esta persona? También estuvo en tu unidad militar. Encontré formas de conectar que un algoritmo no puede hacer en una búsqueda ciega."

Por qué la imprevisibilidad es la verdadera barrera

Ben también señala una característica estructural del trabajo humano que muchos investigadores en IA subestiman: la imprevisibilidad.

Ben: "Los algoritmos solo funcionan en entornos estructurados. Tienen un conjunto limitado de variables, límites claros y una predicción definida. La mayoría trabajamos en lo que se llama un entorno de aprendizaje poco amable, donde casi no hay retroalimentación, el ciclo de feedback es tan largo que puedes tardar meses en saber si tomaste la decisión correcta y cada situación es algo impredecible. No se puede programar un algoritmo para eso."

La recomendación para quienes están en roles de RR. HH. en etapas iniciales o medias es clara: muévete hacia lo impredecible. Muévete hacia lo profundamente humano. Busca la parte del trabajo donde hay que leer el ambiente, gestionar relaciones, navegar la ambigüedad o tomar decisiones con información incompleta. Ese es el terreno que la automatización aún no ha tocado y no tocará en mucho tiempo.

Sobre Ben Eubanks

Ben Eubanks es Chief Research Officer en Lighthouse Research and Advisory, una firma de investigación y consultoría en gestión de capital humano que apoya a líderes de RR. HH., talento y aprendizaje en todo el mundo. Es autor de Artificial Intelligence for HR, el recurso más citado sobre IA en contratación, desarrollo y experiencia del empleado. Su segundo libro, Talent Scarcity: How to Hire and Retain a Shrinking Workforce, aborda directamente la escasez de mano de obra.

Ben cuenta con más de una década de experiencia como ejecutivo de RR. HH. y reclutamiento y como investigador laboral. Presenta el pódcast We're Only Human y ha hablado ante decenas de miles de profesionales de RR. HH. en todo el mundo. Fundó la comunidad de RR. HH. upstartHR en 2009, que ha ayudado a más de un millón de lectores desde entonces.

Conecta con Ben en LinkedIn | Organización: Lighthouse Research and Advisory