Lectura GROW

 

  419-S08 25 DE AGOSTO DE 2017

ETHAN BERNSTEIN PAUL MCKINNON PAUL YARABE

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana Masahiro Fukuhara, fundador y director general (CEO) de la Institución para la Sociedad Global (IGS), una startup ubicada en Tokio y enfocada a la analítica de personas, se tomó un descanso de la revisión que estaba haciendo de datos para preguntarse cómo podría darles un mejor uso. Durante los siete años previos, Fukuhara había fundado la IGS, su solución para la evaluación de candidatos de trabajo (GROW) que creció rápidamente y la amplia variedad en la que los clientes la utilizaban lo hacía emocionarse y preocuparse al mismo tiempo. GROW, una aplicación (app) para plataformas iOS y Android (Anexo 1), consistía en dos componentes propietarios: una forma de evaluación de competencias y una evaluación de personalidad. Para evaluar las competencias, GROW empleaba una herramienta de retroalimentación de pares para descubrir 25 competencias específicas que IGS había elegido con base en una extensa investigación de ciencias sociales (Anexo 2). Para evaluar la personalidad, GROW empleaba una versión gamificada del Implicit Association Test (IAT), que es un instrumento de evaluación establecido para conocer el sesgo oculto en psicología psicol ogía social y que las personas pueden jugar desde sus dispositivos móviles (Anexo 3). Aunque ningún componente era particularmente novedoso, lo que hacía el GROW era utilizar el aprendizaje de algoritmos de inteligencia intelige ncia artificial (IA) para analizar cada grupo de datos de evaluación tanto de candidatos como de evaluadores, y buscar patrones para mejorar su habilidad de análisis de candidatos a través del tiempo (Anexo 4). En lugar de la intuición  humana, GROW utilizaba el big-data –datos discrepantes y tomados de mucha gente– para desarrollar una herramienta científica, objetiva y de mejora continua para reclutar, examinar y desarrollar capital humano. Hasta aquí, todo parecía funcionar. Por ejemplo, en una prueba de GROW, un cliente hizo que sus ejecutivos de Recursos Humanos evaluaran a 200 estudiantes al mismo tiempo que GROW. GROW no solamente eligió a prácticamente los mismos 50 mejores candidatos (las dos listas de 50 no tenían estadísticas significativas que los diferenciaran) pero destaca el hecho de que lo hizo justificadamente según una base de datos y competencias.

Para junio del 2017, GROW tenía 74,000 usuarios, incluyendo estudiantes tanto de universidades de prestigio como de otras menos conocidas. Entre los clientes contaba con Mitsubishi Corporation, All-Nippon Airways (ANA), Septeni, DeNA, Rakuten, AXA y muchos otros. Incluso entidades

El caso de LACC número 419-S08 es la versión en español del caso de HBS número 418020. Los casos de HBS se desarrollan únicamente para su discusión en clase. No es el objetivo de los casos servir de avales, fuentes de datos primarios, o ejemplos de una administración buena o deficiente. Copyright 2017 President and Fellows of Harvard College. No se permitirá la reproducción, almacenaje, uso en planilla de cálculo o transmisión en forma alguna: electrónica, mecánica, fotocopiado, grabación u otro procedimiento, sin permiso de Harvard Business School. This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

gubernamentales como la Secretaría de Economía, Comercio e Industria de Japón y los Emiratos Árabes Unidos (UAE por sus siglás en inglés) se incluían en este grupo. El gran interés que atraía GROW surgía tanto de la oportunidad como del reto. Por un lado, proporcionaba a Fukuhara con una base de usuarios cada vez mayor, así como datos y soporte institucional. Por otro lado, Fukuhara se preguntaba si requería tener un rol más importante en el enfoque estratégico que podía tener el uso de GROW en aquellos lugares donde tuviera la mayor probabilidad de generar un impacto más significativo (y potencialmente con menor error).

Una breve historia de IGS Antes de iniciar IGS, Fukuhara fue director ejecutivo en Barclays Global Investors (BGI), una firma de administración de activos donde tomó decisiones de inversión inversi ón basadas en modelos computarizados (ver Anexo 5. la historia de trabajo de Fukuhara). El mantra en BGI era “cuantificarlo todo”, y esta política le inyectó a Fukuhara la creencia de que el juicio cuantitativo daría como resultado utilidades con un mayor ajuste al riesgo. En la medida en que Fukuhara fue creciendo dentro de la organización fue pasando menos tiempo manejando los datos y dedicando más tiempo a trabajar con personas, así que comenzó a considerar ¿ por qué no cuantificar las capacidades personales también? A la manera de los inversionistas que toman decisiones en el tema de administración de activos, él observó que la gente podía fallar al evaluarse objetivamente (y quizás también cuantitativamente) a sí misma y a los demás. ¿Podrían aplicarse las ventajas de la investigación cuantitativa a la evaluación y al desarrollo de personas? Luego de la adquisición de BGI por parte de Black Rock, y sintiendo que había una oportunidad para explorar esta curiosidad por sí mismo, Fukuhara dejó la empresa y fundó una startup  educativa, IGS. Al principio, Fukuhara dirigió IGS como una escuela privada “de regularización” en una parte muy efervescente de Tokio. Hacerlo de esta manera le dio la oportunidad de observar de primera mano cómo la gente joven crecía, como respondía a la retroalimentación y cómo aprendía a evaluar sus propias habilidades. Fukuhara, un ávido lector de filosofía y educado tanto en Japón como en el extranjero, diseñó un novedoso currículo de filosofía, pensamiento crítico, debate y de inglés como segunda lengua (ESL), que interesó no solamente a los padres padre s y a los estudiantes en Japón, sino también a escuelas y autoridades a quienes Fukuhara consultó. A través de esas conversaciones y retomando sus propias experiencias con retroalimentación de 360 grados que tuvo en INSEAD y BGI, Fukuhara se sintió cada vez más seguro de que las conductas de la gente podrían cambiar para mejorar mediante una retroalimentación cada vez más frecuente, ¡una o dos veces al mes, en vez de una o dos veces al año! Auneraasí,incómodo remitiéndose sus raíces japonesas, sabíalo que el una intercambio retroalimentación honesta para amuchos japoneses, lo que hacía situacióndepoco común. Para Fukuhara, el proceso de contratación constituía la pérdida pér dida de una oportunidad para recuperar, utilizar e intercambiar este tipo de retroalimentación de una manera sistemática, en una coyuntura donde las personas están dispuestas a participar. Una vez más, Fukuhara vio el vínculo con su empleo anterior. En BGI, durante sus años como investigador de tasas de cambio y de ingreso global fijo, desarrolló métodos para el aprendizaje profundo temprano y otros métodos estadísticos avanzados para apoyar las plataformas cuantitativas de inversión. Fukuhara buscó construir una tecnología escalable similar para la retroalimentación en el proceso de contratación. A principios de 2015, comenzó a tener períodos quincenales de lluvia de ideas con antiguos colegas, amigos e investigadores para poderle dar vida a una herramienta que podría ayudar tanto a estudiantes, para que pudieran comprender sus fortalezas y debilidades, como a los departamentos de recursos humanos en el proceso de contratación. Como un paso hacia la meta de apoyar a los estudiantes en su crecimiento, la herramienta se denominó GROW (del inglés crecimiento). Asahi Shimbun, una de las más importantes compañías de medios en Japón, le proporcionó apoyo en mercadotecnia y también lo apoyó con fondos obtenidos del desprendimiento 2 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

419-S08

de IGS, su departamento educativo. Con esto, Fukuhara se enfocó en IGS para desarrollar una plataforma GROW de dos dimensiones.

GROW Mediante grupos focales ( focus  focus groups) organizados con estudiantes usuarios e incontables juntas con móvil ejecutivos en muchas el ágil equipoade IGSretroalimentación desarrolló GROWencomo una app gamificada queempresas permitía ea instituciones, los estudiantes “regalar” otro distintas competencias y descubrir sus rasgos de personalidad a través de una tarea IAT modificada. Como había necesidad de tener empresas que se incorporaran a la plataforma, IGS añadió una estrategia B2B2C   y comenzó a proporcionar el servicio GROW a los departamentos de recursos humanos en distintas organizaciones. Entre los primeros clientes estaban empresas de manufactura y tecnología como DeNA y Calsonic Kansei, aunque los clientes utilizaban el servicio de distintas formas, por ejemplo, para identificar a jugadores estrella en sus organizaciones, para evaluar a aquellos que ya habían recibido ofertas de trabajo para incorporarse a sus empresas (potencialmente para colocarlos en en roles específicos), o para identificar un subconjunto de 25 competencias que fueran estratégicamente críticas y consistentemente mal representadas en los resultados de las pruebas aplicadas a empleados. Además de buscar más liquidez para mejorar la tecnología e incrementar la adquisición de clientes y expandir la base de usuarios (los primeros esfuerzos lograron atraer solo so lo a algunos cientos), Fukuhara emprendió una serie de reuniones con empresas de capital de riesgo y para el verano de 2017 aseguró una Serie A de acciones por seis millones de dólares con capital de la Universidad de Tokio Edge Capital y del Science Investment Management Company de la Universidad de Tokio, además de la Keio Innovation Inititative. Estas inversiones hicieron de IGS la primera y única firma de capital de riesgo fundada exclusivamente por agencias de capital de riesgo y en consecuencia Fukuhara vió que estas podrían ser una prueba del doble propósito de GROW enfocado para el uso de estudiantes y de empresas. Luego de cerrar su financiamiento Serie A, se enfocó en la adquisición de clientes, buscando agresivamente a los tomadores de decisión en las áreas de Recursos Humanos (RH) en firmas destacadas y al demostrar la capacidad técnica de IGS para llevar a cabo el complejo análisis de datos en los procesos de recursos humanos de las empresas. El aumento de los contratos con grandes firmas  japonesas y el tener una historia amigable con los medios (la frustración en la búsqueda de trabajo, la muerte y el pago de impuestos podían considerarse como las certezas más desagradables en los sociedad japonesa) ayudó a GROW a incrementar a sus usuarios de 2,000 que tenía en diciembre de 2016, 74,000de engraduados junio de 2017, lo que representa una proporción pequeña pero muy representativa representati va de la tasaa anual universitarios en Japón (aproximadamente 650,000).

Cómo funciona GROW   Una vez que un usuario crea una cuenta GROW y completa un tutorial que está dentro de la app  (Anexo 1), podría evaluar las competencias de otros usuarios (compañeros de clase, compañeros de trabajo, conocidos, etc.), llena también una autoevaluación o realiza el IAT. El IGS utilizaba sus algoritmos de AI para analizar los datos resultantes, tanto del candidato como de los evaluadores, con el fin de desarrollar y personalizar los servicios propios de HR para clientes y usuarios.

Competencias Para echar a andar la herramienta GROW de AI (ver Anexo 4.  una visión general de cómo funcionaba), IGS desarrolló inicialmente una lista de competencias y requerimientos asociados que podían cumplir varios criterios específicos (Anexo 2). Dadas las múltiples maneras en que una competencia podía definirse, cada competencia se concedía inicialmente por medio de seis o siete 3

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

preguntas (llamadas requerimientos). Sin embargo, para incrementar las oportunidades de que los evaluadores pudieran completar la evaluación, IGS utilizaba entonces el principal componente de análisis para reducir el número de requerimientos a los tres más relevantes y menos redundantes. Tabla 1. Las Competencias se definen por medio de tres requerimientos 

Competencia

Creatividad

sujeto no imita simplemente a otros cuando hace una tarea – trata de añadir su propio Requerimiento 1:  El valor.

Requerimiento 2: El sujeto es bueno para ofrecer dar ideas que nadie más ha pensado. Requerimiento 3: El sujeto puede combinar ideas existentes para crear algo nuevo. Se pidió a los evaluadores que respondieran cada requerimiento utilizando una rúbrica de cuatro niveles que evitara una respuesta neutral. En general, los cuatro niveles indicaban si el candidato (1) raramente, (2) algunas veces, (3) frecuentemente, o (4) casi siempre mostraban mo straban las acciones o rasgos descritos por cada requerimiento (ver Anexo 2), pero las rúbricas también contenían detalles específicos para auxiliar a los evaluadores a distinguir con precisión los diferentes niveles (Tabla 2). Tabla 2. Las Competencias se evalúan con una rúbrica de cuatro niveles 

Competencia Creatividad (con relación al Requerimiento 1, mostrado arriba)   Rúbrica 1: Rúbrica 2: Rúbrica 3: Rúbrica 4:

El sujeto meramente imita a otros cuando hace una tarea. De vez en cuando, el sujeto hace algo diferente. El sujeto tiene una actitud correcta para hacer las cosas de manera que añade su propio valor.  Al hacer cosas de una manera personal, el sujeto realmente sí añade su propio valor.

Ponderación Los usuarios recibían calificaciones de evaluadores múltiples (en promedio de cuatro a cinco, además de la autoevaluación), pero no se ponderaba igual cada evaluación. En lugar de esto, GROW empleaba una herramienta, todavía sin patente, basada en algoritmos de AI de aprendizaje probabilístico (Bayesiano) que empleaba datos respecto a cómo una competencia había sido evaluada históricamente (a esto se le denominaba  previos) junto con muchos otros datos que utilizaba un evaluador para determinar la probabilidad posterior para que esta evaluación fuera genuina y 4). Por ejemplo, cada par de requerimiento-rúbrica tenía calibrada dedatos acuerdo con la realidad (Anexode sus propios en relación con la cantidad tiempo que históricamente había tomado a los usuarios completar tal evaluación (desde la lectura del requerimiento y las rúbricas hasta la realización propia de la evaluación). Así que, si un evaluador respondía mucho más rápido que la mayoría, esto podría llevar al algoritmo a reducir el peso de su evaluación. De manera similar, si un evaluador daba calificaciones más diversas con el tiempo –algunas les daba 1, otras veces daba 2, otras 3 y otras 4– la persona podía considerarse que estaba haciendo mayor discriminación y por lo tanto se consideraba más confiable que un evaluador que daba solamente respuestas tipo 3. El algoritmo también tomaba en cuenta los resultados IAT del evaluador, dado que ciertas tendencias de personalidad (tales como la conciencia) llevan frecuentemente a tener evaluaciones más confiables. Otro conjunto de datos claves era el gráfico social del evaluador, es decir, un evaluador que diera evaluaciones para usuarios múltiples en distintas redes sociales era típicamente más confiable que un evaluador que solamente se incorporaba a la app para dar evaluaciones sobre un usuario en particular.

4 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

419-S08

Rasgos de personalidad El Implicit Association Task es una prueba bastante conocida en psicología social que revela atributos atri butos y prejuicios que las personas pueden tener y que han sido vinculados a rasgos de personalidad. En el GROW, los usuarios avanzaban resolviendo una serie de tareas de asociación implícita, en las que movían ciertos atributos que aparecían en un botón de la pantalla a un recuadro que contenía el atributo correcto; por ejemplo, hablar mucho, podía llevarse a extrovertido (Anexo 3). El recuadro que contiene el atributo correcto podía ser yuxtapuesto o empatado con un concepto (yo mismo, otros) y la forma en la cual el usuario movía el atributo movible se evaluaba para predecir los rasgos de personalidad del usuario. El IAT móvil patentado por GROW, utilizaba el aprendizaje automático ( machine learning) no supervisado para revelar anomalías en los patrones de conducta de movimiento y predecir mejor de esta manera la personalidad.

Cómo usan GROW las organizaciones Luego de numerosas rondas de prueba, IGS quedó lista para ofrecer el GROW como un software como servicio (SAS, por sus siglas en inglés) y como una herramienta para las firmas interesadas. Hubo un interés abrumador. Con el advenimiento del envío de hojas de vida (CV) en línea, el contacto digital y aplicaciones especialmente diseñadas para ayudar a estudiantes a presentar solicitudes de trabajo sin mucho esfuerzo y a muchos empleadores potenciales, las aplicaciones comenzaron a despegar dramáticamente: el estudiante universitario promedio en Japón enviaba entre 50 y 100 hojas de vida a empresas durante la temporada de búsqueda de empleo. Pero aun cuando las empresas se veían inundadas de solicitudes, su manera de procesar esas aplicaciones no había cambiado mucho (todavía se apoyaban en un análisis laborioso de los documentos y se llevaban varias rondas de entrevistas cara a cara que consumían mucho tiempo). Como resultado de ello, las empresas simplemente no podían darse a basto, y la calidad de sus nuevas contrataciones se veía afectada en consecuencia. El GROW presentaba una solución muy atractiva, y en la medida que las empresas la fueron adoptando se empezó a dar un uso diferente, interesante e incluso inesperado.

Septeni holdings Septeni Holdings (Septeni) fue fundada en 1990 con el ánimo de desarrollar una firma de consultoría en recursos humanos en el momento culminante de la era de d e la burbuja en Japón. Después de que se reventó la burbuja, Septeni cambió su código de interés a la publicidad en Internet en el momento en el que este estaba despegando. En el 2017, Septeni era una de las empresas de márquetin en línea más grandes en Japón y catalizaba el crecimiento al adoptar enfoques únicos para reclutar y cultivar lo mejor del talento emprendedor que pudiera posteriormente hacer crecer firmas subsidiarias y, por lo tanto, incrementar ingresos. Para seleccionar el talento, Septeni se había inclinado por el común enfoque japonés de extender invitaciones a estudiantes universitarios a sus oficinas en Tokio para que participaran en rondas múltiples de entrevistas grupales, en las cuales se monitoreaba a grupos de solicitantes en lo que ellos llevaban a cabo tareas en equipo que simulaban situaciones de trabajo típicas en Septeni. Pero ese enfoque tenía deficiencias significativas para Septeni, porque requería que los estudiantes visitaran Septeni en persona (lo que excluía en gran medida a estudiantes que vivieran fuera del área de Tokio), e implicaba que los estudiantes estuvieran suficientemente conscientes e interesados en Septeni como empleador potencial para que le dedicaran tiempo y dinero,1 de modo que se incorporaran a los días de entrevista grupal (lo cual no era el caso en una compañía mediana); adicionalmente, se requería que 1 E  Enn Japón era común que las empresas sostuviera sostuvierann días de entrevista en sus oficinas principales y se esperaba que los candidatos

interesados se presentaran costeando sus propios gastos. 5

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

los estudiantes se desempeñaran excepcionalmente bien en una sesión de entrevistas grupales, dado que era su única oportunidad. Septeni tenía que evaluarlos antes de hacer una decisión final. Para revisar el primer tema, Septeni había creado un nuevo proceso de contratación en línea, compuesto por una entrevista de video más un interrogatorio en red, para estudiantes que vivieran fuera del área de Tokio y que, de esta manera, pudieran evitarse los costos del viaje para la entrevista. Sin embargo, este procedimiento dejaba a Septeni sin los datos que tradicionalmente obtenía de las entrevistas de grupo presenciales. Septeni dirigió su mirada a GROW como un sustituto para la obtención de esos datos. Al recolectar evaluaciones de pares durante la vida universitaria de un estudiante, GROW encajaba bien con los criterios internos de evaluación de Septeni, el cual se enfocaba en rasgos de personalidad y en capacidades que los individuos habían demostrado tener cuando trabajaban con otras personas en varios momentos de su vida. En 2016, Septeni le proporcionó a IGS datos de candidatos de años anteriores y de los resultados de entrevistas que habían tenido para ayudar a que IGS “entrenara” el algoritmo de inteligencia artificial y con el cual IGS desarrollaría el algoritmo de aprendizaje automático supervisado para predecir acertadamente que candidatos (pasados y futuros) aprobarían las entrevistas de grupo en Septeni. Los primeros resultados con GROW se tuvieron en la temporada de reclutamiento de 2017 y fueron promisorios. No solamente las predicciones de GROW empataron muy de cerca los resultados de las evaluaciones internas de Septeni, sino que al duplicar el tale talento nto que Septeni había buscado fuera de Tokio, dejó potencialmente obsoleto el proceso de entrevista grupal y aumentó el reconocimiento de nombre de Septeni entre El losresultado estudia ntes estudiantes (asífue como clientes deen GROW que eran generales empresas bien conocidas en Japón). final unlos 90de%otros de reducción los esfuerzos aplicados al proceso y la creciente aceptación a ceptación año tras año de las ofertas de trabajo que había en Septeni, que se cuadruplicaron, todo sin impacto aparente en la calidad de los candidatos.

 All Nippon Airways All Nippon Airways (ANA) es la aerolínea más grande de Japón y consistentemente considerada entre las empresas más populares a los ojos de estudiantes recién graduados que buscaban empleo. Para construir su línea de líderes futuros, ANA buscaba identificar a estudiantes prometedores al hacer una selección entre un enorme número de solicitudes que recibían cada año. Con un número muy limitado de personas en el área de recursos humanos, ANA temía perder a las agujas en el pajar, es decir, no reconocer estudiantes con el potencial de ser líderes futuros y que eran eliminados demasiado pronto en el proceso de reclutamiento. En primer IGS trabajó con para priorizar diez competencias quey deberían considerarse de alto valor enlugar, los participantes. LosANA estudiantes que tenían interés en ANA que usaban la app de GROW tenían sus competencias y rasgos de personalidad evaluados, lo l o que se utilizaba para crear una “puntuación total”. Con base en todos los otros datos que IGS juntaba de estudiantes y evaluadores, la herramienta de inteligencia artificial de GROW también producía una una “puntuación de confianza” para para calificar el grado de confianza que IGS tenía en la puntuación total. Posteriormente, ANA hacía una gráfica de cada solicitante con la “puntuación total” en el eje de las x, y la “puntuación de confianza” en el eje de las y, y utilizaba el color de los puntos de la gráfica para representar cómo iba avanzando el proceso de selección del candidato (solicitud recibida, invitación a la primera ronda, a la segunda, a la tercera, a la última, y como receptor de una oferta de trabajo) (Figura 1).

6 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

419-S08

Figura 1. ANA puede usar el GROW para entrevistar a candidatos prometedores que pudieran haber

sido eliminados en el proceso de la selección

  a   z   n   a    i    f   n   o   c   e    d   e    j    a    t   n   u    P

Finalistas en verde

Solicitudrecibida Invitación a primera ronda Invitación a la segunda ronda Invitación a la tercera ronda Finalista Recibe oferta de trabajo

Puntaje total (Fuente: Documentos de la empresa ANA)

Los datos revelaron la siguiente información: 1.  ANA podría utilizar el GROW para eliminar candidatos que tuvieran baja probabilidad de llegar a la entrevista final, dado que los candidatos con una puntuación de confianza de menos de -4 y con una puntuación total de menos de -5 tenían muy poca probabilidad de convertirse en un “punto verde”; 2.  El agrupamiento de puntos verdes en la esquina superior derecha de la gráfica generaba confianza para que se usara el GROW como una herramienta del equipo de recursos humanos de ANA; y 3.  Había muchos estudiantes que no pasaban de la selección sele cción de solicitud y que aun así no podrían ser identificados de la ronda final de entrevistas utilizando GROW. Para investigar más sobre este tercer punto, ANA invitó a cerca de 423 estudiantes que habían tenido puntuaciones altas en la entrevista junto con candidatos que habían aprobado su proceso tradicional. Para sorpresa de ANA, algunos de los estudiantes invitados de GROW recibieron puntuaciones perfectas en las entrevistas, lo que llevó a recursos humanos a darse cuenta de que al utilizar los datos de GROW con un aprendizaje automático supervisado, se podía identificar a estudiantes prometedores que ANA hubiera ignorado con otro procedimiento. Como resultado de esto, más que enfocarse en eliminar estudiantes, ANA decidió utilizar el e l GROW para incluir estudiantes que desarrollaran y afinaran sus criterios de inclusión. Con esos parámetros, ANA pudo usar GROW para dirigirse con más precisión a grupos de estudiantes con alto potencial de de progreso en el proceso de reclutamiento.

7

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

 Mitsubishi Corporation Una de las empresas más grandes de Japón y una de las que tiene más historia es Mitsubishi Corporation (MC). Esta empresa operaba negocios en diversas industrias, incluyendo aquellas en finanzas industriales, la industria metálica, maquinaria, química, nuevas energías, infraestructura, finanzas, tecnología, artículos para la vida diaria y más. En 2017, las actividades de MC se extendieron más allá de su modelo comercial tradicional para incluir la participación activa en la administración de de sus negocios. Aunque la firma había tenido históricamente pocos problemas para atraer a los mejores y más destacados graduados (con frecuencia era la empresa número uno de popularidad entre los recién graduados), la evolución de su modelo de negocio había aumentado la necesidad de talento gerencial de alta capacidad. Y con el interés de incrementar su base de datos de este tipo de candidatos, MC estableció relaciones con IGS para utilizar GROW. Para apoyar a que MC se hiciera de nuevos candidatos para su base de datos de solicitantes, IGS trabajó primero con MC para crear dentro del mismo mis mo GROW un modelo algorítmico para el empleado “ideal” de MC. IGS y MC posteriormente corrieron el algoritmo en candidatos ya registrados en la base de datos de solicitudes de MC e incluyeron a aquellos que estaban entre los usuarios de GROW que habían cumplido con el análisis de competencias y disposición de GROW. Con base en la hipótesis de que los amigos de candidatos “ideales” podrían ser también “ideales” (Dios los cría y ellos se juntan ), IGS creó una gráfica social de los candidatos “ideales,” identificando aquellos individuos que estaban entre un grupo de cinco o más y que habían sido considerados candidatos “ideales” en la retroalimentación (Figura ). Luego IGS pasó su información junto registro con la deen MC,lalabase que usó social para identificar a 2aquellos compañeros que no tenían de esta datosgráfica para contratación de MC. MC decidió invitar a estos compañeros de candidatos “ideales” a una sesión de información sobre MC. Cincuenta candidatos potenciales asistieron a esta sesión. Lo más interesante es que muchos de ellos ya habían tenido ofertas de trabajo de compañías muy importantes como Google y Goldman Sachs. Sin embargo, al hablar con los empleados actuales y luego de tener un mayor conocimiento de MC, algunos de ellos no solamente hicieron solicitud en e n MC luego de la sesión, sino que eventualmente decidieron incorporarse a MC luego de pasar las entrevistas. Para Mitsubishi Corporation, el mayor valor de GROW fue el de ser una herramienta útil para descubrir el talento que ellos no habían descubierto. Figura 2. Utilización de la Gráfica Social de los Candidatos de Mitsubishi Corporation

Determinó (usando el análisis) un modelo de empleado “ideal” para MC

Identificó (usando el modelo) a los usuarios “ideales” para las bases de datos de MC y las de GROW

Analizó la gráfica social de los usuarios “ideales” para identificar sus evaluaciones en GROW

Invitó a compañeros de los usuarios “ideales” a las sesiones de información de MC

Resultado: un nuevo grupo de candidatos de alto potencial

(Fuente: Escritor del caso)

Creciendo más (GROWing ) Con más datos e información de los clientes sobre el desempeño de las contrataciones recomendadas de GROW y sobre los solicitantes (calificaciones del IAT y de competencia según compañeros) de de untener número cada vez mayor usuarios, la inteligencia artificial de GROW estabaprovenientes en la posición recomendaciones de de contratación para sus clientes aún más 8 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

419-S08

sólidas. Pero al mismo tiempo que la inteligencia artificial de Fukuhara se volvía más inteligente, ¿qué pasaba con sus clientes humanos? ¿Era momento de educarlos sobre otras formas de utilizar GROW? Si era eso, ¿cuáles de las formas de GROW que los clientes estaban utilizando serían las mejores (y potencialmente, las menos engañosas)? Con cautela, Fukuhara también vio el potencial de expandir las capacidades de GROW. IGS recolectaba datos no solamente del talento que era atraído sino también en el desempeño que presentaban las personas contratadas que habían tenido recomendación de contratación previamente y con esto, la inteligencia artificial de GROW adquiría el potencial de mejorar no solamente el proceso de contratación sino también los criterios de contratación. Era tiempo entonces ya de moverse hacia el “refuerzo del aprendizaje automático” (Anexo 4) de manera que la inteligencia artificial fuera capaz de desbancar algunos de las características de candidato “ideal” definidas por los clientes y que no hubieran trabajado bien en el pasado y con respecto a cómo es que los candidatos se habían desempeñado en el trabajo en última instancia. En resumen, ¿podría la inteligencia artificial de Fukuhara volverse más inteligente que sus clientes, y cómo podrían ellos sentirse sobre esta propuesta y sobre la cesión de control que eso requeriría? Fukuhara se preguntaba de qué formas podría hacer crecer el GROW.

9

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

Anexo 1

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Uso de Grow 

(Fuente: Documento de la empresa IGS)

10 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Anexo 2

419-S08

Evaluación de Competencias en GROW

Cada competencia se seleccionaba a partir de cientos de otras competencias y de habilidades reportadas en la literatura de ciencias sociales con base en varios criterios: 1) la representación de esas habilidades en diferentes países y culturas; 2) correlación con el éxito en funciones de trabajo relevantes (según verificación de firmas de búsqueda de ejecutivos); y 3) material sujeto a evaluación por compañeros. La reducción de competencias quedó a cargo del Dr. Mitsuru Kimura de la Universidad de Tokio. He aquí un extracto de cada competencia, traducida del japonés: 1 2

Planteamiento de problemas

3 4 5 6

Habilidad para hacer las cosas Creatividad Pensamiento lógico

7 8 9 10 11 12 13 14 15

Valores internos Visión Autoeficacia Crecimiento Intereses Resiliencia Resiliencia Control de las emociones personales Habilidad para explicarse uno mismo

16 17 18

Extroversión Flexibilidad

19 20 21 22 23 24 25

Mente abierta Habilidad para ejercer influencia Pasión, evangelización Trabajo de equipo Enfoque global Compromiso a un equipo Sentido de la ética

Orientado a soluciones

Dudar de lo que se dice que es cierto

Empatía y habilidades de escucha

Decisión

Comprende la situación para encontrar el problema y la causa Ser capaz de hacer un plan para solucionar el problema y realmente lograr resultados Ser capaz de tratar con cualquier tipo de tarea Ser capaz de sugerir una idea propia Ser capaz de pensar con profundidad No solamente estar de acuerdo con las visiones de otras personas sino poder hacer una contraoferta Ser capaz de juzgar un asunto por los valores internos Ser capaz de tener una meta futura clara Autoconfianza en que se puede manejar cualquier tipo de tarea Hacer frente a problemas difíciles para mejorar uno mismo Ser capaz de reunir información de cualquier campo Ser capaz de manejar cosas en una situación difícil Ser capaz de soportar el estrés bajo cualquier situación Ser capaz de explicarles explicarles a otras personas y hhacerse acerse entender fácilmente Escuchar con voluntad y tratar de entender lo que otra persona está diciendo Ser uno mismo en cualquier ambiente Manejar las áreas mejorando las formas de proceder Ser capaz de decidir sobre un asunto al checar la propia idea y hechos objetivos Ser capaz de aceptar a la gente que tiene ideas y opiniones diferentes Ser capaz de cooperar con otras personas al decirles la opinión propia Ser capaz de hacer entender a la gente algo al expresar la propia opinión Ser capaz de crear una atmósfera positiva para mejorar el trabajo de equipo Ser capaz de actuar como un miembro de la comunidad global Ser capaz de trabajar duro para un propósito de equipo y lograr metas Motivar a personas a hacer lo correcto

Fuente: Documentos de la empresa IGS. 

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

Anexo 3

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

GROW Evaluación de la personalidad con el Test de Asociación Implícita (IAT)

La siguiente información se basa en los cinco grandes rasgos de la personalidad, desarrollados de manera independiente por varios grupos de investigadores en el Siglo XX. Extrovertido 1 Introvertido Abierto 2 Conservador Sensible 3 Calmado

Cooperativo 4 Independiente Trabajador 5 Relajado

Usted es proactivo, dinámico, orientado a la acción y siempre está en busca de estimulación externa a través de la interacción. Por otro lado, sus acciones acc iones pueden ser poco razonables. Usted es reservado y prefiere un ambiente estable. Usted no busca la estimulación externa y encuentra estabilidad dentro de usted mismo. Por otro lado, puede ser cobarde o un poco tímido y lento en la toma de acciones. Usted trata de obtener nueva información y de expandir su conocimiento base, según su experiencia. Por otro lado, usted puede ser poco realista y tener una visión idealista. Usted está contento con la situación actual y tiene los pies en la tierra. Por otro lado, a usted no le gustan los cambios y tiende a apegarse con la autoridad y las tradiciones. Usted puede ser sensible al riesgo y tener la tendencia a evitarlo siendo prudente. Por otro lado, usted puede ponerse realmente nervioso y ser emocionalmente inestable cuando se le coloca en un ambiente de mucho estrés. Usted no es influenciado por el riesgo y se mantiene siempre emocionalmente estable. Por otro lado, usted es insensible a los sentimientos de otras personas o al ambiente. Usted es un buen escucha y puede entender a otros. Puede crear relaciones cooperativas. Por otro lado, usted tiende a pensar mucho sobre los otros y ser un seguidor. Por lo tanto, la persona cooperativa puede carecer de liderazgo y puede tender a ser una limitación dentro del grupo. Usted puede tener un carácter fuerte, tener la habilidad de generar ideas originales y nuevas, así como liderar a un grupo. Por otro lado, usted tiene la tendencia a ser egoísta y demasiado competitivo. Usted tiene una importante fuerza de voluntad y se esfuerza para lograr una meta cada día. Por otro lado, usted puede ser perfeccionista perfeccio nista y puede ser un elemento de frustración para usted mismo y para otros. Usted se acepta como es usted y al ambiente como es, viendo todo con flexibilidad. Por otro lado, puede perder fácilmente el camino y hacer juicios descuidados.

En un ejemplo de cómo GROW se diseña de acuerdo con el cliente y cómo es una prueba amigable con los dispositivos móviles, los conceptos de uno mismo y de otros (que se muestran en naranja) están empatados de manera aleatoria con c on rasgos de personalidad (en amarillo). Al usuario, se le solicita mover la caja amarilla movible (etiquetada como platicador en este ejemplo) al final de la pantalla para ponerla en el atributo correcto (extrovertido) alguien que se considera asimismo extrovertido puede dudar cuando lo asocie con “otros” para otorgarles el adjetivo de más platicadores. Esta “duda” se registra y se analiza de dos maneras –en el patrón de movimiento (en línea recta hacia la izquierda, o haciendo una curva) y se hace también un seguimiento de tiempo (en el fondo de la pantalla). Las categorías previas establecidas pueden ayudar a determinar la probabilidad posterior del equipo de personalidad de un usuario.

(Fuente: Documentos de la empresa IGS) 

12 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

419-S08

 Cómo trabaja la Inteligencia Artificial en GROW

Anexo 4

4+

Compañeros evaluadores invitados 

Usuario 

Datos capturados  por la aplicación GROW   Calificación de competencias del usuario 

Evaluación de Personalidad IAT

(por el evaluador)

(por evaluador)

Core Data  Calificación de Competencias  valores (1- 4) 

Meta Data  Conducta y tiempo de click, Diversidad de calificación de todos los otros usuarios, gráfica social 

Core Data  Respuestas  Meta Data  Tiempos de respuesta y patrones de movimiento 

 Machine Learning  IA No Supervisada Calificaciones del usuario  por múltiples compañeros  

Utiliza meta data de la herramienta de evaluación de competencias, combinada con los core data sobre  personalidad del IAT, para determinar la “confiabilidad de cada compañero evaluador y ponderar sus respuestas según corresponda 

Personalidad del usuario IAT

(por el usuario)

Core Data  Respuestas  Meta Data  Tiempos de respuesta y patrones de movimiento 

Estadísticamente se  produce un “perfil” del usuario basado en competencias  ponderadas con IA y calificaciones de rasgos de  personalidad del usuario 

“Etiquetas” o modelos de rol del candidato o empleado “ideal” 

 Machine  Learning    IA Supervisada Relaciona los  perfiles del usuario con el de la “etiqueta” (que es el modelo de candidato ideal) utilizando algoritmos que  predicen mejor el éxito en los datos históricos 

 R   e  c   o  m  e  n  d   a  c   i    ó   n  d   e  l    c   a  n  d   i    a  t    o

Leyenda  Fuente de los datos   Datos de GROW   Datos de la Empresa 

Datos históricos de candidatos  previos, incluyendo a aquellos que  fueron exitosos y los que no lo  fueron 

Inteligencia Artificial (IA) (Actual) Inteligencia Artificial (IA) (Futura)  Resultado / Recomendación 

Empresa contratante

Refuerzo de la IA por Machine Learning Se apoyó en los resultados de las recomendaciones del candidato (vg (vg,, candidatos que terminan siendo realmente contratados o quienes tienen éxito en la empresa, etc.). El algoritmo automáticamente ajusta la “etiqueta” para los años subsecuentes 

(Fuente: Autor del caso)

3

This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.

 

419-S08

GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Anexo 5

CV de Masahiro Fukuhara 

Trabajo

2010-mayo (actual): CEO/Fundador de la Institution for a Global Society K.K. (IGS) Fundó IGS para analizar a las personas y a los equipos para el uso de recursos humanos y en educación 2000-2010-abril: Director Administrativo Barclays Global Investors (Ahora Black Rock) Generó modelos predictivos basados en datos en uno de los mayores macrofondos de cobertura globales dirigido por Richard Grinold (exprofesor en la Escuela de Negocios Haas de la Universidad de California en Berkeley) y Richard Meese (ex profesor de la Escuela de Negocios Haas de la Universidad de California en Berkeley) Propuso una inversión de capital de riesgo basada en datos para analizar gente y equipos de administración de empresas de riesgo (Rechazado por el equipo) 1992-2000: Gerente de Portafolio en el Banco de Tokio-Mitsubishi (hoy MUFG) Generó un modelo de pronóstico basado en datos para la cobertura de moneda utilizando un modelo de neuro inteligencia artificial Propuso el lanzamiento de macrofondos de cobertura globales (Rechazado por el equipo) Educación

2005: PhD. de la Universidad de Tsukuba Muchos documentos publicados en revistas arbitradas globales sobre crowd herding  en el mercado global de monedas utilizando la teoría del valor extremo y gráfica 1999: Maestría en Finanzas Internacionales de la HEC (con los más altos honores) Concentración en movimiento estocástico y su control 1997: MBA del INSEAD Muy influenciado por la experiencia de la evaluación de 360° que se presentó en un curso de RH 1992: Licenciatura del Departamento de Economía de la Universidad de Keio. Enfocado en Estadística y Econometría (Fuente: Documentos de le empresa IGS) 

14 This document is authorized for use only in Víctor Serrano García's PER3545-MAEST_DIRE_RRH PER3545-MAEST_DIRE_RRHH-GEST_CAP_HU H-GEST_CAP_HUMANO MANO at Universidad International De la Rioja SA from Apr 2021 to Oct 2021.