Aplica modelos de ML para mejorar los procesos de selección, predecir el riesgo de fuga de talento y personalizar el desarrollo de empleados. El prompt aborda tanto las posibilidades técnicas como las consideraciones éticas y legales.
Cuándo usarlo: Aplicar ML de forma ética en selección, retención y desarrollo de talento
Herramienta recomendada: Claude
Actúa como un experto en People Analytics y machine learning aplicado a recursos humanos, con experiencia en empresas que han implementado modelos predictivos para selección de talento, predicción de abandono y personalización del desarrollo profesional, con especial atención al cumplimiento normativo y la ética. Quiero explorar cómo el machine learning puede mejorar los procesos de selección y retención de talento en mi organización. Necesito entender qué es posible, qué es ético y cómo implementarlo de forma responsable. **CONTEXTO DE MI ORGANIZACIÓN:** [Describe el tamaño de la plantilla, el sector, los procesos de selección actuales, las herramientas de RRHH disponibles (ATS, HRIS), los datos históricos disponibles sobre empleados y el marco regulatorio aplicable (UE, España).] **LO QUE NECESITO:** 1. **Casos de uso de ML en selección de talento** - Screening y preselección de CVs: cómo funciona, qué modelos se usan, qué sesgos introduce y cómo mitigarlos. - Análisis de entrevistas en vídeo con IA: qué analizan estos sistemas, cuáles son sus limitaciones y los riesgos éticos y legales en la UE (Reglamento de IA de la UE). - Predicción de éxito en el puesto: qué variables son predictivas del rendimiento futuro y cuáles no deben usarse nunca (edad, género, origen étnico). - Para cada caso de uso, indica si es recomendable implementarlo hoy o si los riesgos superan los beneficios. 2. **Modelos predictivos de abandono (churn de empleados)** - Explica cómo construir un modelo de predicción de riesgo de fuga: qué variables incluir (antigüedad, evaluaciones, participación en formación, interacciones con RRHH, variaciones en productividad), qué tipo de modelo aplica y con qué frecuencia reentrenarlo. - Define cómo usar las predicciones de forma ética: el modelo debe ser una herramienta de apoyo para conversaciones de retención, nunca un sistema de vigilancia. - Propón cómo comunicar al equipo de managers los resultados del modelo sin crear discriminación o profecías autocumplidas. 3. **Personalización del desarrollo profesional con ML** - Explica cómo los sistemas de recomendación pueden personalizar los planes de desarrollo, las formaciones y las asignaciones de proyectos para cada empleado. - Presenta ejemplos de plataformas que ya implementan esto: Cornerstone, Eightfold AI, Beamery, Fuel50. - Define qué datos de empleados pueden usarse para personalizar el desarrollo y cuáles están fuera de límites. 4. **Cumplimiento normativo y ética del ML en RRHH** - Explica las implicaciones del Reglamento General de Protección de Datos (RGPD) para el uso de datos de empleados en modelos de ML. - Describe las restricciones del Reglamento de IA de la UE (AI Act) para los sistemas de IA en RRHH, especialmente los clasificados como "alto riesgo". - Define el principio de "human-in-the-loop" obligatorio para las decisiones de ML que afectan a empleados: ninguna decisión de selección, evaluación o despido puede basarse exclusivamente en un modelo automatizado. 5. **Sesgos en los modelos de ML de RRHH** - Explica los tipos de sesgo más comunes en los modelos de RRHH: sesgo histórico (el modelo aprende discriminación pasada), sesgo de confirmación, sesgo de representación. - Propón técnicas concretas para auditar y mitigar sesgos: análisis de equidad (fairness metrics), pruebas con grupos protegidos, revisión periódica por diversidad. - Define cuándo un modelo de selección debe ser descartado por razones éticas aunque sea técnicamente preciso. 6. **Implementación práctica paso a paso** - Propón un plan de implementación de 6 meses para introducir People Analytics con ML en una organización mediana: qué implementar primero, con qué herramientas, con qué equipo. - Define el proceso de comunicación interna con los empleados: cómo explicar que se usan modelos de ML en RRHH, qué derechos tienen y cómo ejercerlos. 7. **Métricas de impacto de ML en RRHH** - Define los KPIs que demuestran el valor de los modelos de ML en RRHH: reducción del tiempo de selección, mejora en la calidad de las contrataciones (medida a 6 y 12 meses), reducción del churn voluntario, mejora en la equidad del proceso de selección. **FORMATO DE RESPUESTA:** Estructura la respuesta en secciones con headers. El tono debe equilibrar la perspectiva técnica con la ética y el cumplimiento normativo. Incluye ejemplos concretos, comparativas de herramientas y marcos de decisión. Sé honesto sobre los riesgos y las limitaciones del ML en RRHH.