Por qué tu cargo será irrelevante

De los cargos a capacidades que se pueden construir y redistribuir

El mercado interno de talento con IA de Unilever no eliminó puestos. Eliminó la suposición de que el cargo de una persona define el trabajo que puede hacer. Al mapear las capacidades de los empleados con un nivel de detalle granular y emparejarlas con proyectos de toda la empresa, Unilever liberó 500,000 horas de capacidad que antes eran invisibles, encerradas dentro de roles que no reflejaban todo el rango de lo que los empleados podían aportar. El resultado fue una mejora del 41% en productividad y que el 70% de las asignaciones cruzaran fronteras funcionales.

Yum China aplicó la misma lógica a la contratación de primera línea. Con más de 16,000 restaurantes y necesidades continuas de reclutamiento de alto volumen, la compañía desplegó IA en la preselección de candidatos, el emparejamiento con roles y la incorporación. El 89% de las necesidades de contratación se cubren ahora en una o dos semanas. La rotación de gerentes bajó del 9.7% al 7.8%, consecuencia de un mejor emparejamiento entre la capacidad del candidato y los requisitos del puesto, y no simplemente de un procesamiento más rápido.

De las revisiones periódicas de talento a la inteligencia continua

El enfoque de Johnson & Johnson para gestionar la capacidad de su fuerza laboral muestra cómo es la inteligencia de talento continua a escala empresarial. La compañía mapeó 41 competencias preparadas para el futuro en su plantilla tecnológica, construyó un sistema de IA que sigue de forma continua el desarrollo de capacidades individuales y la exposición a proyectos, y abrió el acceso a recursos de aprendizaje alineados con esas competencias al 90% de su población de tecnólogos. El resultado fue un aumento del 20% en la participación en el ecosistema de aprendizaje, impulsado por hacer visibles y accesibles en tiempo real las rutas de desarrollo relevantes, y no por un programa de formación obligatorio.

La implicación para la planificación del talento es que los requisitos de capacidad de las organizaciones cambian más rápido de lo que pueden seguir las revisiones anuales de talento tradicionales. Las organizaciones que mantienen un mapa de capacidades en tiempo real, uno que muestra qué competencias se están automatizando, cuáles tienen demanda creciente y qué personas están cerca de adquirir capacidades críticas, toman mejores decisiones de despliegue y desarrollo que las que operan con una foto fija anual.

De jerarquías por capas a equipos planos de humanos y agentes

El despliegue de IA de Repsol en sus funciones de TI y operaciones ilustra el cambio estructural que la IA introduce en la arquitectura de los equipos. La compañía desplegó 22 agentes de IA en 38 casos de uso dentro de su división tecnológica y está escalando a 90 agentes, con 3,000 empleados de TI interactuando directamente con flujos de trabajo basados en agentes. Cada agente cubre un dominio de tareas definido; las personas actúan como orquestadores, gestores de excepciones y responsables de calidad, no como quien decide por defecto en cada paso.

Moderna llevó esto más lejos en el plano organizativo. La compañía fusionó sus funciones de RR. HH. y TI bajo un único Chief People and Digital Transformation Officer, desplegó internamente miles de herramientas basadas en GPT y eliminó la frontera tradicional entre «gestión de la fuerza laboral» y «gestión de la tecnología». Cuando los agentes de IA y los empleados humanos trabajan desde la misma cola de tareas, la distinción entre una pregunta de RR. HH. y una de TI pierde sentido.

El aprendizaje continuo como sistema operativo

Los hallazgos del WEF sobre la participación de la fuerza laboral llaman la atención por su magnitud. Las organizaciones que usan sistemas de talento impulsados por IA reportan un 21% más de retención, una participación de la plantilla 5× mayor y un aumento del 33% en productividad por hora de uso de IA. Estos son los resultados de incrustar el aprendizaje en el propio flujo del trabajo, no de un programa de formación y desarrollo.

El modelo de aprendizaje tradicional separa el desarrollo del trabajo: los empleados completan una formación y luego vuelven a su puesto. La IA permite otro modelo: uno en el que el sistema identifica las brechas de capacidad en el contexto del trabajo real, presenta contenido de aprendizaje relevante en el momento en que hace falta y mide el desarrollo frente a señales reales de desempeño, en lugar de frente a registros de cursos completados.

Los agentes de IA de Repsol hacen más que automatizar tareas: generan datos sobre cómo se abordan esas tareas, dónde se producen los errores y qué competencias escasean. Esos datos alimentan directamente las decisiones de planificación de plantilla: qué capacidades construir internamente, cuáles buscar fuera y cuáles automatizar aún más.

Las organizaciones que van por delante en talento están invirtiendo en modelos de gobierno que definen qué trabajo hacen las personas y qué hacen los agentes, y en los sistemas de capacidades para emparejar personas con ambos, en lugar de en presupuestos mayores de formación y desarrollo. Los cargos no van a desaparecer de un día para otro. Pero las organizaciones que sigan usándolos como la arquitectura principal para planificar su fuerza laboral se encontrarán cada vez más incapaces de desplegar las capacidades que ya tienen.