Estudio Tendencias de HR 2026

Resumen ejecutivo

El Estudio de Tendencias de Recursos Humanos 2026 analiza el impacto de la inteligencia artificial (IA) en la transformación estructural del trabajo y la gestión de personas. A diferencia de las olas tecnológicas anteriores, la IA no solo introduce nuevas herramientas, sino que redefine las funciones, los flujos de valor y las competencias dentro de las organizaciones.

El informe identifica seis tendencias que, en conjunto, anticipan el surgimiento de un nuevo modelo operativo para la gestión del talento: uno basado en datos verificables, decisiones predictivas y una colaboración aumentada entre humanos y sistemas inteligentes.

Las seis tendencias para el 2026 analizadas son:

• Ecosistema de Habilidades IA: se certificarán las capacidades de la fuerza laboral, transformando la estructura organizacional en una red de talento flexible y verificable.
• AI Career Coach: se democratizará el coaching y la orientación profesional, utilizando IA para personalizar el aprendizaje y acompañar la evolución de cada trabajador.
• Digital Twins – Gestión Predictiva del Bienestar: se crearán réplicas digitales de las organizaciones y de los colaboradores, para anticipar riesgos, simular políticas y prevenir el burnout.
• Más allá del CV: la preselección migrará del CV tradicional a modelos holísticos asistidos por IA para capturar la historia, las habilidades y el potencial real del candidato.
• Gobernanza Colaborativa de IA: las organizaciones involucrarán a empleados y líderes en la definición ética y operativa de los algoritmos que afectan su trabajo.
• Todos somos líderes: los cargos de entrada pasarán a diseñar, asignar misiones y dirigir la ejecución de tecnologías.

Estas tendencias no describen un futuro lejano, sino un cambio que ya está en curso. Desde los ecosistemas de habilidades certificados por IA hasta los gemelos digitales del bienestar, las empresas líderes están experimentando con formas de trabajo más adaptativas, ágiles y orientadas a la evidencia.

Este estudio documenta cómo esos modelos, originalmente aplicados en ingeniería, ciencia de datos o marketing, están migrando hacia la gestión del capital humano, transformando el modo en que las organizaciones identifican talento, desarrollan liderazgo y diseñan la experiencia laboral.

En América Latina, estas transformaciones adquieren un significado especial. La región enfrenta simultáneamente la necesidad de acelerar su productividad y reducir brechas de habilidades en contextos de alta informalidad. Las tendencias aquí analizadas representan una oportunidad concreta de aprendizaje, es decir, dar un salto de madurez tecnológica, mediante la adopción directa de prácticas centradas en IA, sin transitar por etapas intermedias. Este informe ofrece evidencia, casos y análisis para apoyar esa transición, destacando tanto la innovación global como las aplicaciones emergentes en algunos países de la región.

Introducción

En 2026, la conversación sobre el futuro del trabajo dejará de centrarse en la automatización y pasará a girar en torno a la integración de las habilidades humanas con las de la inteligencia artificial. Las empresas más avanzadas ya no se preguntan si deben implementarla, sino cómo gobernarla, escalarla y alinear su impacto con la estrategia organizacional y la cultura interna.

El presente estudio se construye sobre una premisa central: la tecnología ya no es un factor externo que se adopta, sino un componente estructural del diseño organizacional.

Recursos Humanos se ha convertido en un laboratorio de transformación tecnológica, donde conceptos como skills-first, AI career coaching, digital twins o gobernanza colaborativa redefinen las bases de cómo se gestiona el talento y el bienestar en las empresas.

El contexto global presenta tres fuerzas convergentes que explican esta transformación:

• La madurez de la IA generativa: las organizaciones comienzan a integrarla de manera transversal en sus sistemas de reclutamiento, aprendizaje y gestión del desempeño.
• La presión por productividad y eficiencia: en un entorno económico de desaceleración, las empresas buscan que cada inversión en talento se traduzca en impacto medible.
• La nueva ética del trabajo: los colaboradores demandan entornos donde la tecnología amplifique su autonomía y bienestar, no los sustituya.

Este estudio examina cómo esas fuerzas se manifiestan en seis tendencias clave que delinean la evolución del trabajo en la región. Cada tendencia combina análisis conceptuales, evidencia empírica y casos internacionales que ilustran su aplicación práctica. Este estudio está dirigido a directivos, responsables de talento y líderes de negocio que buscan comprender, y anticipar, las nuevas tendencias para el 2026.

 

Sobre este estudio

Este estudio se basa en un análisis cualitativo y comparativo que integra información proveniente de medios especializados, informes corporativos, fuentes académicas, bases de datos de organismos internacionales y otras fuentes secundarias de referencia. Además, se revisaron casos de estudio internacionales y evidencia documental de iniciativas público-privadas. Su objetivo es identificar patrones emergentes en la intersección entre inteligencia artificial, gestión de talento y estrategia organizacional.

 

Metodología

• Análisis de medios: se revisaron más de 120 artículos, reportajes y columnas de opinión publicados entre 2024 y 2025 en medios internacionales y regionales.
• Revisión documental: se analizaron más de 40 informes institucionales de consultoras (Deloitte, PwC, Korn Ferry, IBM, Accenture), universidades (Stanford, Oxford, IESE, MIT) y organismos multilaterales (BID, OIT, Banco Mundial).
• Análisis cualitativo de tendencias: los hallazgos fueron integrados bajo un marco interpretativo que identifica seis tendencias estructurales, organizadas en capítulos temáticos. Cada capítulo combina evidencia global y aplicación regional.
  
  

Alcance

El estudio fue desarrollado entre septiembre y noviembre de 2025 y busca servir como insumo para la toma de decisiones en direcciones de Recursos Humanos, áreas de innovación organizacional, líderes empresariales y diseñadores de políticas laborales. Su propósito es facilitar la comprensión de las transformaciones tecnológicas y culturales que definirán la gestión de talento en América Latina hacia 2026.

Estado del arte

La evolución tecnológica en Recursos Humanos ha transitado por tres grandes etapas. De los primeros sistemas digitales centrados en la eficiencia administrativa, pasó a la optimización estratégica basada en datos, y hoy entra de lleno en la era de la aumentación, donde la inteligencia artificial se integra en los procesos humanos.

En esta nueva etapa, la IA no solo agiliza tareas: reconfigura los roles de trabajo. Las organizaciones más avanzadas ya no la conciben como una herramienta que reemplaza, sino como un sistema que colabora, predice y asiste.

Este cambio también se acelera en América Latina. Según NTT Data (2025), el 45% de los departamentos de RR.HH. de la región ya utiliza algún tipo de IA, superando el 26% de Estados Unidos (SHRM, 2024) y acercándose al 46% de Europa (DCH, 2024).

Pese a las brechas de infraestructura y formación, la adopción regional se caracteriza por su pragmatismo: las empresas priorizan soluciones concretas para mejorar el reclutamiento, personalizar el aprendizaje y elevar la precisión del desempeño.

Estas tres áreas concentran hoy el núcleo de aplicación de la inteligencia artificial en la gestión de personas y definen el punto de madurez del ecosistema latinoamericano.

1. Atracción de talento. La automatización del reclutamiento representa el principal frente de adopción. Según SHRM (2024), el 64% de las organizaciones que usan IA en RR.HH. la aplican en procesos de selección, entrevistas y contratación. Las herramientas más comunes permiten publicar vacantes automáticamente, analizar miles de currículums y coordinar entrevistas con chatbots conversacionales. A nivel global, el 59% de las empresas ya ha invertido en sistemas automatizados para interactuar con postulantes (Randstad, 2024). Por otro lado, en América Latina, esta tendencia se acelera en industrias intensivas en talento operativo, como retail, banca o servicios, donde la IA reduce drásticamente los tiempos de cobertura y mejora la experiencia del candidato.
2. Aprendizaje y desarrollo (L&D). En la formación corporativa, la IA impulsa una nueva etapa de personalización. Según Randstad (2024), el 43% de las organizaciones globales que usan IA en RR.HH. la aplican en esta área, y la inversión en tecnologías de aprendizaje aumentó nueve puntos entre 2023 y 2024. Las plataformas inteligentes recomiendan rutas formativas individualizadas, crean contenido adaptado a cada perfil y monitorean el progreso de forma continua. En la región, esto se traduce en el auge de los Learning Experience Platforms (LXP), sistemas que integran IA para ajustar itinerarios de capacitación según las brechas detectadas. Así, la IA transforma el aprendizaje corporativo en un proceso dinámico y predictivo.
3. Gestión del desempeño. La inteligencia artificial está redefiniendo la evaluación tradicional hacia modelos de feedback continuo y decisiones basadas en evidencia. A nivel global, el 45% de los líderes de talento utiliza IA para identificar empleados de alto potencial y el 57% de las organizaciones la emplea para redactar retroalimentaciones más precisas y accionables (Randstad, 2024; SHRM, 2024). En América Latina, donde muchas empresas todavía se apoyan en evaluaciones anuales, estas soluciones abren la posibilidad de construir sistemas vivos de desempeño que integran métricas, percepciones y objetivos en tiempo real.
   
   

América Latina frente al mundo: una región que aprende diferente

Los estudios coinciden en que la región adopta la IA con pragmatismo, pero con brechas estructurales.

Según IBM (2024), el 67% de las grandes empresas latinoamericanas ha acelerado la adopción de IA en los últimos dos años, superando el promedio global de 59%, pero el Banco Mundial (2025) advierte que solo la mitad de los empleos actuales puede beneficiarse directamente de estas tecnologías por falta de infraestructura digital y competencias técnicas.

Aun así, este proceso de adopción acelerada abre una oportunidad estratégica. Mientras las economías más desarrolladas debaten la regulación o los límites éticos de la IA, América Latina puede avanzar en la integración práctica, adoptando modelos más colaborativos, inclusivos y experimentales.

En esta etapa, la madurez tecnológica se mide menos por el tamaño de la inversión y más por la capacidad de combinar la evidencia algorítmica con el criterio humano. El desafío ya no es implementar IA, sino aprender a trabajar con ella, integrando datos, habilidades y liderazgo en un ecosistema de colaboración aumentada.

Las 6 Tendencias del Estudio y su origen

 

 

Capítulo 1: Ecosistema de habilidades IA

 

1. El problema: el organigrama roto

El organigrama ha servido históricamente como el modelo principal para estructurar las organizaciones, definiendo jerarquías y delimitando responsabilidades funcionales. Sin embargo, en un entorno de mercado caracterizado por ciclos de innovación acelerados, esta estructura rígida puede ser un obstáculo para los flujos de trabajo y creación de valor reales. Como señalan estudios de Deloitte (2023), el trabajo opera de manera cada vez más transversal y basada en proyectos, desbordando las líneas formales del organigrama.

Esta rigidez estructural genera ineficiencias significativas. Investigaciones de McKinsey (2022) indican que el modelo tradicional conduce a una subutilización del capital humano interno: empleados con capacidades valiosas para múltiples áreas permanecen anclados a su rol formal, invisibles para otras unidades. Paralelamente, incrementa los costos y tiempos de adquisición de talento, ya que, como evidencia el Foro Económico Mundial (WEF, 2023), las empresas buscan externamente competencias que a menudo ya existen en su interior.

La velocidad a la que las habilidades se vuelven obsoletas, con una vida media estimada de menos de cinco años para habilidades técnicas (WEF, 2023), hace que la planificación de la fuerza laboral basada en puestos sea cada vez menos efectiva. Para mantener la competitividad, se requiere una transición desde este modelo centrado en el cargo a uno centrado en las capacidades y habilidades.

 

2. La tendencia: certificación de habilidades

Frente a esto, la tendencia emergente es la adopción de un modelo de capital humano dinámico, en el que se certifican las habilidades internas dentro de la organización. Este paradigma propone un cambio fundamental en la gestión del talento: la evaluación y movilización de los empleados se basa en sus capacidades demostrables y verificables, en lugar de depender primordialmente de credenciales tradicionales como los títulos académicos, la descripción de cargo o la antigüedad en un cargo.

La ventaja de una habilidad es que puede ser adquirida, certificada mediante credenciales, y desplegada flexiblemente en distintos desafíos de negocio. El valor de un individuo para la organización ya no se define por su posición en la jerarquía, sino por su portafolio de habilidades y su potencial para adquirir nuevas competencias.

A través de un mercado interno de habilidades se crea este ecosistema de habilidades, utilizando la IA como motor de mapeo y certificación.

La arquitectura de este enfoque se centra en dos etapas:

• Mapeo inteligente de capacidades: este es el punto de partida. El sistema utiliza Inteligencia Artificial, y específicamente técnicas de Procesamiento de Lenguaje Natural (NLP), para descubrir, clasificar y organizar las habilidades que ya existen dentro de la empresa. Para lograrlo, se analiza información de diversas fuentes, como el Sistema de Información de Recursos Humanos (donde están los cargos y evaluaciones), las plataformas de aprendizaje, datos de participación en proyectos o autoevaluaciones de los propios empleados. El resultado es la creación de una lista o taxonomía de habilidades que se actualiza constantemente, generando una primera imagen del talento interno de la organización, la cual luego necesitaremos validar.
• Verificación de las competencias: para que las habilidades sean transferibles y fiables, deben ser verificables. Por eso, esta segunda etapa se enfoca en validar las habilidades mapeadas a través de credenciales digitales y seguras. Cada credencial representa una competencia específica adquirida y demostrada, funcionando como un sello inalterable que valida una habilidad en el perfil del empleado.

Una vez que las habilidades están mapeadas de forma inteligente y validadas mediante credenciales verificables, las organizaciones pueden crear un mercado interno de oportunidades. Esta plataforma utiliza la IA para conectar eficientemente la oferta de habilidades certificadas con la demanda de proyectos y roles dentro de la organización. Sin embargo, la efectividad de este mercado depende directamente de la calidad y confiabilidad de los datos de habilidades que lo alimentan.

3. Casos de estudio: Singapur y Standard Chartered

Singapur – Un modelo nacional de certificación de habilidades

Singapur es un referente en la implementación de estrategias enfocadas en las habilidades. A través de su iniciativa SkillsFuture Singapore (SSG), el gobierno ha impulsado un sistema activo que conecta las capacidades de los ciudadanos con las necesidades del mercado laboral.

El sistema se basa en tres pilares:

• El gobierno entrega créditos de capacitación individuales: cada ciudadano recibe fondos para invertir en su propia formación a lo largo de su vida, eligiendo entre miles de cursos aprobados.
• Se certifican proveedores: el gobierno certifica a instituciones educativas y empresas tecnológicas para asegurar la calidad y relevancia de las credenciales ofrecidas.
• Infraestructura digital centralizada: el componente más novedoso es su pasaporte de habilidades nacional. Esta plataforma digital permite a los ciudadanos acumular y gestionar sus credenciales verificables de diversas fuentes en un solo lugar. Crucialmente, ofrece a los empleadores herramientas para buscar talento basándose en competencias específicas verificadas.

El enfoque de Singapur es una estrategia de Estado para asegurar la competitividad económica a largo plazo, por medio de una fuerza laboral más ágil y adaptable a las disrupciones tecnológicas.

 

Reino Unido – Standard Chartered: el modelo de agilidad organizacional

Standard Chartered, una entidad bancaria global, ilustra un enfoque centrado en optimizar la asignación de recursos. A través de un mercado interno de talento (Internal Talent Marketplace), basado en un sistema denominado Skills Passport, conecta el inventario de habilidades de sus 39.000 empleados con las necesidades de proyectos críticos en tiempo real.

La plataforma permite a los empleados buscar oportunidades y, al mismo tiempo, sugiere proactivamente talento a los líderes de proyecto, funcionando como un reclutador interno automatizado. El sistema se enfoca en asignaciones ágiles y de corto plazo, definidas como gigs internos: proyectos específicos, colaboraciones temporales o mentorías fuera del rol principal. Para asegurar el equilibrio de las horas de trabajo, estas asignaciones no pueden superar el 20% del tiempo semanal contratado del empleado.

El impacto de negocio reportado incluye:

• Activación: se generaron más de 2.700 gigs internos.
• Eficiencia: se estimó un impacto en productividad superior a los US$8,5 millones, atribuido principalmente a la reducción en la necesidad de contratación externa.

El modelo de Standard Chartered prueba que un enfoque skills-first puede generar un ROI tangible al transformar la organización en un ecosistema de talento fluido, donde las capacidades se despliegan con agilidad para satisfacer la demanda estratégica.

 

4. Relevancia en América Latina

Si bien los casos de Singapur o Standard Chartered pueden parecer ejemplos de mercados más maduros, la necesidad de agilidad, la escasez de talento especializado y la urgencia por mejorar la productividad son especialmente relevantes en el contexto latinoamericano.

Su aplicación en LATAM será crucial por cuatro razones:

• Optimización de costos: la capacidad de identificar con precisión y movilizar el talento interno verificado para cubrir roles y proyectos críticos ofrece un retorno de la inversión directo, reduciendo la dependencia de la contratación externa y acortando los ciclos de cobertura de vacantes.
• Descubrimiento del talento oculto: el mapeo inteligente y la validación mediante credenciales son mecanismos poderosos para descubrir y dar visibilidad a talentos que no son visibles. Permite a las empresas evaluar el potencial más allá de los títulos formales, ampliando el talento interno.
• Fomento indirecto de la retención: aunque el foco principal de esta tendencia es la agilidad organizacional, puede generar un efecto secundario positivo en la retención. Particularmente las generaciones más jóvenes, que priorizan el desarrollo, perciben valor en una organización que visibiliza las oportunidades internas y reconoce las habilidades de manera transparente. Un mercado interno activo reduce la necesidad de buscar crecimiento fuera de la empresa.
• Resiliencia y adaptabilidad: la capacidad de reconfigurar equipos y reasignar habilidades rápidamente a las oportunidades de mayor valor es una ventaja competitiva clave. Contar con un ecosistema de habilidades impulsa la infraestructura de datos para tomar decisiones de asignación de talento basadas en evidencia, aumentando la resiliencia del negocio frente al cambio.
  
  

Capítulo 2: AI Career Coach

 

1. El problema: el trabajador sin brújula

Hoy el desarrollo profesional atraviesa una doble encrucijada.

Por un lado, las organizaciones enfrentan la necesidad urgente de entrenar a sus trabajadores en competencias digitales y de inteligencia artificial, claves para su competitividad futura. Sin embargo, los modelos tradicionales de capacitación, basados en cursos genéricos y rutas lineales, resultan insuficientes frente a entornos laborales más dinámicos, donde el talento se organiza por habilidades y proyectos, como se mencionó en la tendencia anterior.

Por otro lado, los trabajadores experimentan la presión constante por mantenerse vigentes en un entorno marcado por la automatización y la reconversión continua. Entre la abundancia de opciones formativas y la falta de orientación clara, el trabajador moderno se encuentra, cada vez más, sin una brújula profesional que guíe su crecimiento y sus decisiones de aprendizaje.

A pesar de la oferta masiva de contenidos formativos, aprender requiere más que acceso. La adquisición real de habilidades demanda acompañamiento, reflexión y propósito. En ese sentido, el coaching laboral ha cumplido durante décadas un rol fundamental, aportando los factores conductuales que facilitan el aprendizaje: autoconciencia, propósito y acción. No obstante, este recurso es limitado y costoso. Según la International Coaching Federation (ICF, 2025), una hora de coaching profesional cuesta en promedio US$234, y más del 60% de los coaches atiende exclusivamente a ejecutivos o altos directivos. Esto deja fuera a la mayoría de los trabajadores operativos o de primera línea.

 

2. La tendencia: el acompañamiento inteligente y personalizado en el desarrollo profesional

Frente a este escenario, surge la tendencia de los AI Career Coach, herramientas impulsadas por inteligencia artificial que democratizan el acceso al acompañamiento y al desarrollo profesional. Estas plataformas acompañan a las personas en la planificación de carrera, el aprendizaje continuo y la toma de decisiones de desarrollo, tanto dentro de las organizaciones como fuera de ellas.

Este mercado está en rápida expansión: según Market.us (2025), las plataformas y servicios de coaching asistido por IA generaron US$4,2 mil millones en 2024 y superaron los US$5 mil millones en 2025, con un crecimiento sostenido para los próximos años.

El AI Career Coach combina la analítica predictiva con la comprensión del comportamiento humano. Funciona como un sistema de diagnóstico y acompañamiento capaz de:

• Identificar brechas de habilidades, evaluando fortalezas y áreas de mejora.
• Diseñar rutas personalizadas de aprendizaje adaptadas al rol, experiencia y ritmo de cada persona.
• Ofrecer microcoaching continuo, mediante interacciones breves y recurrentes que mantienen la motivación y facilitan la aplicación práctica del aprendizaje.

 

La inteligencia artificial amplifica este enfoque al combinar los principios del microcoaching con una comprensión más profunda del desempeño, las interacciones y las preferencias individuales, identificando brechas y ofreciendo intervenciones precisas en el momento oportuno. De esta forma, el acompañamiento se integra de manera orgánica al día a día laboral y se vuelve personalizado, continuo y escalable. Bajo este paradigma, el coaching deja de ser un beneficio exclusivo de ciertos niveles jerárquicos para transformarse en una práctica accesible a toda la fuerza laboral, integrada en plataformas cotidianas como Slack, Google Chat, Microsoft Teams o los ecosistemas internos de las organizaciones.

 

 

3. Casos de estudio: Siemens y VML

Alemania – Capacitarse en IA: caso de éxito Siemens en colaboración con Workera

Siemens Energy, una de las mayores empresas de energía del mundo, con cerca de 100.000 empleados, enfrentaba un desafío estructural: cómo desarrollar competencias en inteligencia artificial generativa (GenAI) y modelos de lenguaje (LLM) en una fuerza laboral altamente diversa y distribuida globalmente.

Originalmente, el aprendizaje en la compañía se gestionaba de forma manual y poco escalable. Los líderes realizaban evaluaciones y asignaban cursos genéricos a sus equipos, lo que generaba planes de formación uniformes y desconectados de los niveles reales de habilidad.

Para superar esta brecha, Siemens Energy se asoció con una plataforma de aprendizaje adaptativo basada en inteligencia artificial, capaz de diagnosticar el nivel de habilidades, crear rutas personalizadas y verificar las competencias adquiridas, integrando a la IA en los sistemas y modelos originales de capacitación. Dos empleados con el mismo cargo podían obtener itinerarios completamente distintos, diseñados según su perfil y experiencia. Esta personalización permitió reducir drásticamente los tiempos de capacitación y aumentar la motivación.

El proyecto adoptó además un enfoque de “train the trainer”, en el que colaboradores formados pasaban a entrenar a otros, generando un efecto multiplicador en toda la organización. El uso de datos de habilidades verificadas también permitió redefinir las prioridades de aprendizaje: Siemens descubrió que no todos necesitaban dominar Python avanzado; en muchos casos bastaba con entender APIs o soluciones pre codificadas para aplicar IA de forma efectiva.

 

Los resultados para Siemens Energy fueron los siguientes:

Este caso demuestra cómo la combinación de diagnóstico, calibración y rutas de aprendizaje personalizadas puede transformar el upskilling en organizaciones complejas. Para Siemens Energy, el aprendizaje dejó de ser un proceso masivo y uniforme, convirtiéndose en un sistema inteligente, contextual y centrado en la persona: la esencia del paradigma del AI Career Coach.

 

Estados Unidos – Soluciones escalables: VML y coaching digital

En un caso más concreto de un IA Career Coach, podemos destacar el caso de éxito de VML, una de las agencias de marketing más grandes del mundo, creada en 2023 a través de la fusión de VMLY&R y Wunderman Thompson, compañía que logró integrar una solución de coaching digital impulsada por IA, de manera accesible, masiva y escalable, con tal de poder abordar desafíos organizacionales complejos.

El principal desafío de VML era ofrecer acompañamiento personalizado a escala dentro de su programa anual (y opcional) de desarrollo profesional, THRIVE, integrado en Microsoft Teams. Este programa, creado para fomentar el crecimiento de carrera a partir del desarrollo de la marca personal de cada colaborador, se enfrentaba a un contexto complejo: la reciente fusión de VMLY&R y Wunderman Thompson había generado un escenario de incertidumbre, y en paralelo miles de empleados debían reflexionar sobre su propósito, fortalezas y proyección profesional en esta instancia anual. Este proceso a su vez exigía autoconocimiento, retroalimentación y orientación constante, por lo que resultaba difícil de acompañar de manera consistente y equitativa en una organización global de más de 26.000 personas.

Para resolverlo, VML integró a un agente de IA como coach digital dentro del programa. La IA guiaba a cada colaborador a través de conversaciones adaptadas a su idioma, contexto y necesidades, formulando preguntas diseñadas para provocar reflexión y acción. El resultado fue una experiencia más accesible y continua, sin depender de sesiones programadas con coaches humanos.

Los resultados iniciales fueron los siguientes: 1.600 colaboradores utilizaron el coaching de IA en 89 oficinas y 36 idiomas distintos, y el 70% volvió a usarlo posteriormente, reflejando altos niveles de adopción y percepción de valor. El 21% la utilizó para fortalecer habilidades y liderazgo, mientras que el 17% la empleó para gestionar su crecimiento profesional.

Los aprendizajes del piloto revelaron que:

• Los empleados que usaron el coaching digital fueron significativamente más propensos a completar el proceso THRIVE, y la mayoría percibió el proceso como más fácil y fluido con su apoyo.
• Los líderes destacaron su capacidad para formular preguntas profundas y empáticas, comparables con las de un coach humano, y su sensibilidad intercultural, que favoreció la comunicación entre equipos globales.
• Los empleados indicaron que se sentían más cómodos reflexionando primero con el coach digital sobre temas complejos o emocionales antes de acudir a un líder o coach humano, lo que contribuyó a generar un entorno de desarrollo más seguro y participativo.

La dirección de VML subrayó que el coach digital no reemplaza el coaching humano, sino que lo potencia, ayudando a las personas a desarrollar una mentalidad más abierta al aprendizaje y al feedback.

Tras el éxito del piloto, VML expandió el uso de este agente digital hacia nuevos desafíos de gestión, incluyendo un plan de retorno a oficinas (RTO push), el Global Career Day y otras iniciativas de liderazgo y talento de la compañía.

En conjunto, el caso de VML demuestra cómo la inteligencia artificial puede replicar y amplificar los efectos del microcoaching, generando espacios breves y continuos de reflexión que fortalecen la autogestión y el aprendizaje. Al integrarse de manera natural en el flujo de trabajo, el coaching deja de ser un proceso ocasional para transformarse en una práctica constante, accesible y escalable, capaz de sostener el cambio conductual y cognitivo a gran escala.

4. Relevancia en América Latina

En América Latina, los AI Career Coach representan una oportunidad estratégica para mejorar la productividad y cerrar la brecha de habilidades. Según el Fondo Monetario Internacional (Bakker, et al., 2024), la IA tiene un potencial significativo para aumentar la productividad del sector formal y reducir la informalidad, pero la región aún presenta una baja proporción de empleos altamente expuestos a estas tecnologías debido a su estructura laboral.

Para capitalizar esta oportunidad, será fundamental:

• Incorporar modelos de acompañamiento personalizados, que combinen diagnóstico y microcoaching para fomentar el aprendizaje continuo.
• Alinear los programas de reskilling con la experiencia emocional del trabajador, reduciendo la resistencia al cambio.
• Convertir el desarrollo de habilidades en una fuente de bienestar y propósito, especialmente en contextos de reconversión laboral.
•  

Capítulo 3: Digital Twins, gestión predictiva del bienestar

 

1. El problema: la gestión reactiva del bienestar

Durante años, la gestión del bienestar organizacional ha operado de manera reactiva. Las principales herramientas disponibles para los equipos de Personas, como las encuestas anuales de clima, los focus group o los análisis de rotación, funcionan como una radiografía del pasado. Permiten entender por qué se perdió un talento valioso o por qué un equipo sufrió burnout, pero no ofrecen la capacidad de anticipar los efectos de una decisión antes de implementarla.

En respuesta a los síntomas del agotamiento y la desmotivación, muchas empresas han recurrido a políticas de reducción de jornada, flexibilidad o teletrabajo, usualmente inspiradas en tendencias del mercado o decisiones intuitivas. Sin embargo, cada organización es un sistema complejo con dinámicas propias. Una medida que mejora el equilibrio vida-trabajo en un área puede generar cuellos de botella, sobrecargar a otros equipos o erosionar la colaboración transversal.

El desafío, por tanto, no es medir más, sino predecir mejor. En un contexto donde los datos de bienestar abundan, el siguiente paso consiste en transformarlos en un sistema de simulación y prevención anticipatoria, que permita diseñar políticas con base en evidencia antes de que los problemas ocurran.

 

2. La tendencia: del diagnóstico al bienestar predictivo

Esta tendencia proviene del mundo de la ingeniería y la logística, donde el concepto de Digital Twin, o gemelo digital, ha cambiado la forma de gestionar sistemas complejos. En términos simples, un gemelo digital es una simulación viva de algo que existe en el mundo real: una planta industrial, una red de transporte o, en este caso, una organización y sus personas.

Llevado a la gestión de personas, un Digital Twin Organizacional es una réplica virtual del funcionamiento interno de una empresa, construida a partir de datos agregados y anonimizados sobre trabajo, colaboración y bienestar. Su propósito es que los líderes de RR.HH. puedan simular el impacto de nuevas políticas, por ejemplo, una reestructuración de equipos o un cambio en la política de reuniones, y anticipar cómo podrían afectar la carga de trabajo, la comunicación o el riesgo de burnout antes de implementarlas.

Un gemelo digital se compone de cuatro capas que, en conjunto, permiten transformar la analítica de bienestar en una herramienta predictiva y de diseño organizacional:

1. Capa de datos: el pulso organizacional. Es la base del sistema. Utiliza datos agregados y anonimizados para proteger la privacidad de las personas, integrando múltiples fuentes:

• Datos de comunicación (frecuencia y volumen de interacciones en Slack, Teams o correo).
• Datos de calendario (número, duración y horario de reuniones).
• Registros de gestión de proyectos (plazos, entregas, carga de trabajo).
• Datos del Sistema de Información de RR.HH. (roles, antigüedad, movilidad).
  
  

2. Capa de modelado: la réplica viva de la organización. Aquí es donde la inteligencia artificial crea la representación dinámica de la empresa. A través de técnicas de modelado basado en agentes (Agent-Based Modeling) o análisis de redes organizacionales (ONA), el sistema simula cómo interactúan equipos y roles, cómo fluye la información y dónde se concentran las dependencias.

En la práctica, esta capa puede implementarse en plataformas de analítica avanzada integradas con datos internos; por ejemplo, un modelo construido sobre Microsoft Viva, Workday Peakon o un entorno de simulación propia, donde la IA aprende patrones de colaboración, detecta anomalías y establece escenarios de referencia.

3. Capa de simulación: el laboratorio de políticas. Es la interfaz donde los líderes pueden experimentar con el futuro. Permite crear escenarios hipotéticos (¿qué pasaría si…?) y visualizar su impacto antes de aplicarlos. Por ejemplo:

• ¿Qué ocurriría si redujéramos las reuniones de más de una hora?
• ¿Cómo cambiaría la carga de trabajo si fusionamos las áreas de ingeniería y producto?
  
  

4. Capa de insights: el tablero de control predictivo. Los resultados se visualizan en dashboards que muestran las consecuencias probables de cada decisión. En lugar de respuestas binarias, el sistema entrega mapas de calor de riesgo, cuellos de botella en colaboración o proyecciones de fatiga colectiva, ofreciendo a RR.HH. una herramienta de planificación basada en evidencia.

 

3. Casos de estudio: NTT Data, CSIRO y Microsoft

Japón – NTT Data y la prevención del burnout

Japón ha enfrentado durante décadas el fenómeno del “karōshi” (muerte por exceso de trabajo). En respuesta, NTT Data desarrolló una arquitectura integral para anticipar el burnout y construir una organización más saludable.

Su sistema central, Health Data Bank (HDB), unifica chequeos médicos, encuestas de estrés y datos de salud ocupacional. A partir de allí, integró dos innovaciones clave:

• Monitoreo continuo (Pulse Surveys): microencuestas frecuentes miden el bienestar en tiempo real. La analítica automatizada genera alertas anónimas cuando detecta patrones de riesgo.
• Biomarcadores de voz: en colaboración con la startup Kintsugi, NTT Data analiza patrones acústicos de la voz para estimar el bienestar psicológico. La participación es voluntaria y los resultados individuales permanecen bajo control del empleado.

El resultado es un sistema que evoluciona desde la analítica descriptiva (encuestas) hacia la predictiva (biomarcadores), liberando tiempo humano para el acompañamiento y fortaleciendo la prevención temprana.

Australia – CSIRO Data61 y la ciencia predictiva de las dinámicas de equipo

El organismo científico australiano CSIRO, a través de su división Data61, está construyendo los fundamentos teóricos del bienestar predictivo mediante modelado basado en agentes (ABM).

• En estos modelos, cada “agente” representa a un empleado con atributos dinámicos —carga de trabajo, energía, conexiones sociales— y reglas de comportamiento derivadas de investigación psicológica y datos anonimizados.
• El sistema simula escenarios complejos: ¿qué pasa con la colaboración si se reduce el número de reuniones?, ¿cómo se propaga el agotamiento si aumenta la presión por plazos?

Los resultados se visualizan en mapas de calor que muestran puntos de sobrecarga o riesgo de desconexión, permitiendo a los líderes experimentar con políticas antes de aplicarlas. CSIRO está sentando las bases para que la gestión del bienestar evolucione de arte empírico a ciencia predictiva.

Estados Unidos – Microsoft Viva Insights: el gemelo digital de la cultura organizacional

Microsoft ha integrado los principios de los Digital Twins en su plataforma Viva Insights, que combina datos de productividad, colaboración y bienestar para ofrecer recomendaciones basadas en IA.

• Por ejemplo, el sistema detecta patrones de sobreconexión digital, predice el riesgo de agotamiento y sugiere intervenciones como días sin reuniones o periodos de concentración profunda (focus time).
• A nivel organizacional, las simulaciones permiten modelar la relación entre reuniones, engagement y carga de trabajo, ayudando a los líderes a diseñar rutinas saludables de colaboración.
  
  

4. Relevancia en América Latina

En América Latina, donde las tasas de burnout profesional son de las más altas del mundo y el trabajo híbrido sigue consolidándose, el modelo de gemelos digitales ofrece un salto estratégico. La región puede aprovechar esta tendencia como una vía para prevenir la sobrecarga laboral y mejorar la productividad sostenible, siempre que se aborden sus particularidades estructurales.

Desafíos estructurales:

• Alta carga administrativa: las áreas de RR.HH. aún operan con bases de datos fragmentadas, lo que limita el potencial de simulación.
• Baja cultura de medición continua: la mayoría de las empresas utiliza encuestas anuales en lugar de sistemas de monitoreo pulsado.
• Limitaciones éticas y regulatorias: la ausencia de marcos claros sobre privacidad de datos laborales puede generar desconfianza entre los trabajadores.

Oportunidades:

• Diagnóstico con datos existentes: los gemelos digitales pueden comenzar a construirse con información ya disponible (reuniones, cargas, rotación, licencias).
• Simulaciones de bajo costo: pequeños pilotos, como medir el impacto de un viernes sin reuniones o una semana de enfoque, pueden generar aprendizaje sin grandes inversiones.
• Integración con programas de bienestar: las áreas de Personas pueden combinar la analítica con intervenciones de salud mental, clima y desempeño, generando impacto medible.

En síntesis, los Digital Twins aplicados a RR.HH. redefinen la gestión del bienestar como una disciplina de ingeniería organizacional. Permiten a las empresas diseñar, probar y optimizar la salud de su organización con la misma rigurosidad con la que diseñan sus productos, transformando el bienestar en una ventaja competitiva y sostenible.

 

Capítulo 4: Más allá del CV

1. El problema: el CV estático y su falta de validez

A pesar de que no exista un consenso único sobre su origen, la historia ha señalado que el inicio del Currículum Vitae se podría remontar a los inicios del Estado Prusiano, a inicios del siglo XIX (Stunz, 2021), o incluso al año 1482, cuando Leonardo Da Vinci utilizó este formato en una carta para el duque de Milán.

Aunque hoy parezca algo dado, en su momento el CV consistió en una innovación que de seguro habría figurado dentro de un estudio de tendencias de 1500 por ser una estrategia que resumía en pocas líneas la experiencia de una persona.

El problema es que, al día de hoy, 500 años más tarde, en un contexto laboral cada vez más complejo, el CV continúa siendo la principal herramienta de preselección.

Su base teórica asume que la experiencia y el comportamiento pasado de una persona son predictores fiables de cómo se desempeñará un trabajador en el futuro. Sin embargo, actualmente es creciente la evidencia que ha puesto esto en duda.

 

Según un estudio publicado por la American Psychological Association (Sackett, 2021), los años de experiencia laboral y los años de educación son de los factores del proceso de selección que menos predicen el desempeño de un trabajador.

Por el contrario, herramientas más estructuradas como los inventarios de Biodata (formularios estandarizados que recopilan información verificable sobre experiencias laborales, logros, decisiones y comportamientos pasados, es decir, un historial de vida recogido y puntuado científicamente en base a una pauta) tienen más correlación con el desempeño futuro de un candidato.

Esto sugiere que el problema no es evaluar en base a la historia del candidato, sino que el formato no estructurado del CV puede traer una serie de limitaciones.

Figura: Relación de elementos del CV con probabilidad de éxito del candidato.

Predictor	Validez (ρ). Correlación del predictor con probabilidad de éxito del candidato
Años de experiencia	0,07
Años de educación	0,10
Biodata empírico (historial de vida estructurado)	0,38
Entrevistas estructuradas	0,42

Fuente: elaboración propia en base a Sackett et al., 2021.

En un contexto de creciente cambio en el que las habilidades pasadas se volverán cada vez más obsoletas, basar los procesos de selección en el historial de un individuo se vuelve un proceso de escaso valor predictivo.

2. La tendencia: procesos holísticos de preselección

Para diseñar procesos de preselección que capturen el potencial real de los candidatos, esta tendencia propone la adopción de un sistema de preselección que utiliza la Inteligencia Artificial para generar una comprensión más holística del talento.

Así, lo que en algún minuto tuvo sentido para simplificar la información de miles de postulantes, hoy la IA nos da la posibilidad de procesar más información de cada candidato, y así ir más allá de la hoja de vida tradicional para capturar la historia, las habilidades y la voz del candidato, antes de la primera interacción humana.

La IA potencia este proceso al funcionar como un motor de insights, recolectando y analizando inputs de selección que son invisibles para el ojo humano. Esto se articula en tres mecanismos principales:

• Expandir los formularios de postulación con biodata: a través de la plataforma de postulación, se agregan preguntas que imitan la metodología del Biodata Empírico, tales como preguntas sobre logros, comportamientos pasados y elecciones personales (ej. “¿Con qué frecuencia asumió el liderazgo de proyectos no asignados formalmente?”). Esto permite capturar de manera más estructurada la experiencia previa del candidato.
• Capturar la forma de expresión del candidato: además de analizar la historia, la IA puede evaluar los rasgos comunicativos y expresivos como el estilo de escritura o la claridad del candidato.
• Complementar con otras fuentes de información: si se quiere ir un paso más allá en esta tendencia, los procesos de preselección pueden solicitar otras fuentes, como ensayos cortos, respuestas escritas a casos prácticos o grabaciones. Este mecanismo permite obtener un perfil de las habilidades blandas del candidato que son determinantes para el éxito en el puesto.

Una organización que implementa este sistema logra transformar su preselección en un proceso de descubrimiento de talento más eficiente y con una visión más rica, asegurando que se contrata a la persona con el mayor potencial.

 

3. Casos de estudio: Meituan y Vambe

China – Procesos de preselección con entrevistas con IA

Meituan, una plataforma china de delivery de comida y diversos servicios que tiene más de 400 millones de usuarios, es un ejemplo del uso de IA en los procesos de preselección. Su proceso se estructura en evaluar la comunicación, el tono y la adecuación cultural de los candidatos a escala, después del formulario de postulación básico, pero antes de tener una entrevista con el área de HR. Esto es clave para su volumen de contrataciones en roles de servicio al cliente y operativos.

Su proceso se estructura del siguiente modo:

• Llenado de un formulario básico: el candidato completa su CV y una pauta estructurada con su información principal. A través de IA, se analizan las credenciales básicas y se da paso a la segunda etapa.
• Correo de seguimiento: inmediatamente después, el candidato recibe una invitación para una entrevista asíncrona donde debe grabar respuestas cortas a preguntas estandarizadas.
• Procesamiento por IA: la IA analiza el tono y la fluidez verbal, la expresión facial y la claridad y coherencia del contenido verbal.
• Entrevista: dependiendo de la puntuación obtenida en el proceso de preselección, el postulante avanza a una fase de entrevistas o pruebas técnicas con el área de gestión de personas.

 

Chile – Vambe: procesos de selección conversacionales

Vambe, una startup de IA en Chile, cambió sus procesos de selección, adaptando el primer filtro de preselección desde el clásico formulario estático de una web a una conversación por WhatsApp asistida por IA. El proceso transcurre de la siguiente manera:

• Llenado de un formulario web básico: el candidato inicia el proceso de postulación a un rol completando un formulario de datos mínimos, en el que se incluye la pregunta “¿Por qué te interesa esta posición?”.
• Conversación por WhatsApp: al enviar el formulario, el candidato es automáticamente dirigido a WhatsApp para continuar la postulación a través de un chatbot. Este chatbot toma el relevo, reemplazando el largo formulario por una conversación estructurada que formula preguntas conductuales, siguiendo la lógica del Biodata Empírico, y solicita información clave.
• La IA procesa la información: el sistema utiliza la IA y el Procesamiento del Lenguaje Natural para analizar las respuestas escritas del candidato en la conversación. La IA evalúa la claridad, la coherencia, la ortografía y el estilo de la comunicación, además de puntuar las respuestas al Biodata estructurado.

Al externalizar el primer filtro al canal de conversación, Vambe logra una experiencia de postulación escalable y amigable, mientras que la IA se asegura de obtener datos de alta validez sobre el historial y la comunicación del candidato, información que luego es usada para pasar los perfiles con mayor potencial al equipo de HR.

 

4. Relevancia en América Latina

Aunque el desafío de plantear procesos de preselección que permitan tener más información de los candidatos es transversal, Latinoamérica tiene ciertas condiciones que hacen que la adopción de esta tendencia en la región sea crucial:

• Permite identificar talento no tradicional: en mercados como América Latina, donde la experiencia informal y las habilidades adquiridas fuera del circuito académico pueden ser igualmente relevantes, la dependencia del CV penaliza a una gran masa de talento valioso, por lo que esta estrategia permite captar a ese talento que tiene hojas de vida menos tradicionales.
• Eficiencia en la captación y costos: en un mercado competitivo para la contratación de talento especializado, la capacidad de la IA para captar habilidades blandas y biodata a escala ayuda a reducir los tiempos de contratación.
• Mejora en la experiencia del postulante: el uso de canales conversacionales o pruebas asíncronas ofrece una experiencia de postulación más fluida y amigable. Esto es fundamental para la marca empleadora, ya que las plataformas modernas deben priorizar la simplicidad y la inmediatez, logrando captar y retener la atención de los candidatos más demandados.

Capítulo 5: Gobernanza colaborativa de la Inteligencia Artificial

1. El problema: del algoritmo opaco al desafío de la confianza organizacional

Hoy, algoritmos intervienen en decisiones que antes dependían exclusivamente del juicio humano: selección, evaluación de desempeño, compensaciones y movilidad interna. Según el World Economic Forum (2024), más del 40% de las empresas globales ya utiliza alguna forma de IA en procesos de Recursos Humanos. Los sistemas algorítmicos pueden amplificar sesgos, discriminar sin intención o generar decisiones difíciles de explicar. Casos documentados, como el de Amazon en 2018, donde un algoritmo de reclutamiento penalizaba a mujeres por el sesgo histórico de los datos, se han convertido en advertencias sobre los límites de una automatización sin supervisión humana (Dastin, 2018).

A medida que las empresas delegan decisiones críticas a sistemas automatizados, la distancia entre quien diseña el algoritmo y a quien se le aplica aumenta. La gobernanza tradicional, centrada en departamentos de TI o legal, resulta insuficiente para responder a preguntas profundamente humanas: ¿quién garantiza la justicia de una decisión algorítmica?, ¿quién tiene derecho a impugnarla?, ¿qué significa “consentimiento” en un entorno de datos laborales permanentes?

En América Latina, donde la confianza institucional puede ser más frágil que en países con regulaciones más avanzadas, estos dilemas se agudizan. La falta de marcos regulatorios claros, salvo avances iniciales, deja a las empresas ante un vacío: implementar IA sin un marco de participación puede generar riesgos reputacionales, legales y culturales que neutralicen los beneficios tecnológicos.

 

2. La tendencia: co-construir los procesos de IA

Frente al avance de la automatización en la gestión de personas, surge una tendencia relevante para mediar la relación entre las personas y los algoritmos: la gobernanza colaborativa de la IA.

Su principio central es simple: los trabajadores no deben ser solo receptores de decisiones algorítmicas, sino co-creadores de los sistemas que influyen en su trabajo.

El modelo se sostiene sobre tres dimensiones que, en conjunto, conforman lo que la Organización para la Cooperación y el Desarrollo Económico (OCDE, 2023) denomina ecosistema de responsabilidad compartida en el uso de IA laboral (AI in the Workplace Accountability Ecosystem):

Dimensión	Propósito	Ejemplo de aplicación
1. Supervisión ética y técnica	Asegurar el cumplimiento de estándares éticos y regulatorios.	Comités de ética, auditorías de sesgos o políticas internas sobre uso responsable.
2. Participación de los trabajadores	Incorporar la voz de los empleados en el diseño, prueba y revisión de sistemas de IA.	Equipos de co-diseño o consultas periódicas para validar resultados.
3. Transparencia y explicabilidad algorítmica	Garantizar que las personas comprendan las decisiones automatizadas que las afectan.	Protocolos que permitan conocer la lógica general de los algoritmos y apelar decisiones.

La participación temprana, la transparencia y la supervisión humana son los mecanismos que transforman esta estructura conceptual en una práctica de confianza tecnológica.

 

Marcos internacionales que sustentan el modelo

Este enfoque se inspira en el Participatory Design escandinavo, una corriente surgida en los años setenta que defendía el diseño conjunto entre trabajadores y desarrolladores (Bødker et al., 2020).

En su versión actual, la gobernanza colaborativa se integra con dos referentes normativos clave:

• NIST AI Risk Management Framework (Estados Unidos, 2023): marco de gestión de riesgos creado por el National Institute of Standards and Technology (NIST) para promover el uso seguro, transparente y responsable de la IA.
• AI Act (Unión Europea, 2024): legislación pionera que clasifica los sistemas de IA en niveles de riesgo; los relacionados con Recursos Humanos se consideran de alto riesgo, por lo que deben incorporar participación, auditorías y revisión humana.

Ambos marcos establecen que la legitimidad tecnológica depende no solo de la precisión algorítmica, sino de la capacidad institucional de supervisión y participación humana.

Aunque muchas empresas han publicado códigos éticos de IA, pocas han desarrollado mecanismos de gobernanza que los traduzcan en acciones. La gobernanza colaborativa busca justamente eso: convertir los principios en procesos vivos, mediante estructuras como:

• Comités éticos con representación laboral: instancias multidisciplinarias que revisan sesgos, impactos y casos de uso.
• Equipos de co-diseño algorítmico: mesas de trabajo donde los trabajadores validan pruebas piloto y aportan criterios de equidad.
• Sandboxes participativos: espacios de experimentación conjunta entre empresas, reguladores y empleados para evaluar prototipos antes de su despliegue (European Commission, 2024).
  
  

3. Casos de estudio: SAP, Unilever y Lego

Alemania – SAP: ética algorítmica desde el diseño

La multinacional alemana SAP se ha convertido en un referente por institucionalizar la ética de la IA dentro de su gobernanza corporativa. En 2018 creó el AI Ethics Steering Committee, compuesto por expertos técnicos, legales y representantes de empleados.

Este comité revisa cada proyecto de IA según seis principios: agencia humana, equidad, transparencia, privacidad, seguridad y sostenibilidad (SAP, 2023). Además, publicó un AI Ethics Handbook que obliga a cada unidad de negocio a documentar los posibles sesgos y definir medidas de mitigación.

En el área de RR.HH., SAP aplica este enfoque para auditar sus herramientas internas de evaluación y promoción. Los representantes de los trabajadores participan en la revisión de los algoritmos antes de su implementación, generando confianza en los procesos internos y evitando conflictos laborales.

Gran Bretaña – Unilever: evaluación de riesgo ético por caso de uso

Unilever desarrolló una plataforma interna llamada Responsible AI Portal, donde cada proyecto de inteligencia artificial debe registrarse, describir su objetivo, tipo de datos, nivel de autonomía y potencial impacto. Cada caso recibe un puntaje de riesgo ético, y los sistemas de RR.HH. —como los de selección automatizada o predicción de rotación— requieren revisión obligatoria por un comité mixto de ética y tecnología (MIT Sloan Management Review, 2024). Esta práctica permite una trazabilidad completa y facilita auditorías externas.

Alemania: co-determinación y supervisión de los consejos de empresa

Alemania es uno de los países con mayor tradición en gobernanza laboral compartida, gracias al principio de co-determinación (Mitbestimmung), que garantiza la participación de los trabajadores en decisiones empresariales relevantes. Bajo la Ley de Constitución de Empresas (Betriebsverfassungsgesetz, art. 87), los consejos de empresa (Betriebsrat) tienen derecho a intervenir en decisiones relacionadas con tecnologías de monitoreo, evaluación o recopilación de datos de desempeño.

En los últimos años, este marco legal se ha extendido a los sistemas de inteligencia artificial, dando lugar a los llamados “acuerdos algorítmicos”: pactos formales entre empleadores y representantes de los trabajadores que establecen límites, derechos de revisión y protocolos de transparencia (Orrick, 2024). Estos acuerdos definen, por ejemplo, qué tipo de datos puede usar un algoritmo, cómo se auditan los sesgos y qué procedimientos debe seguir un empleado para apelar decisiones automatizadas.

Países nórdicos – El legado del Participatory Design

Dinamarca, Suecia y Finlandia impulsan proyectos donde los empleados co-crean herramientas digitales junto a los desarrolladores. El caso de LEGO Group (2024) destaca por integrar operarios y diseñadores en talleres de co-diseño de sistemas de IA y realidad aumentada usados en sus plantas. El proceso no solo mejoró la adopción tecnológica, sino que redujo errores operativos y elevó la satisfacción laboral. En estos países, la participación se considera un componente de innovación, no una concesión.

España – sandbox regulatorio de IA

En 2022 España lanzó el primer sandbox regulatorio de IA en Europa, liderado por la Agencia Española de Supervisión de la IA (AESIA). Este modelo permite que empresas piloto trabajen con reguladores y representantes de empleados para probar soluciones en entornos controlados antes de su despliegue.

En sectores como plataformas digitales y trabajo temporal, se ha utilizado para analizar sesgos en sistemas de asignación de turnos o productividad, incorporando retroalimentación directa de los trabajadores (European Commission, 2024).

4. Relevancia en América Latina

En una región caracterizada por marcos regulatorios aún fragmentados, avanzar hacia modelos colaborativos no solo refuerza la transparencia, sino que también permite construir legitimidad tecnológica y organizacional desde la práctica.

• Adopción temprana, gobernanza incipiente. La adopción de inteligencia artificial en los procesos de gestión de personas avanza con rapidez en la región, pero su gobernanza sigue rezagada. Según un mapeo regulatorio de Access Now (2024), solo el 18% de las empresas latinoamericanas que utilizan IA cuentan con mecanismos formales de revisión ética o participación de empleados. Esta brecha entre uso y control plantea un riesgo creciente: la IA se despliega en funciones críticas, como selección, evaluación o compensaciones, sin estructuras de supervisión que garanticen justicia o trazabilidad. En este sentido, la gobernanza colaborativa se presenta como una forma temprana de institucionalizar el control humano antes de que la regulación lo exija.
• Desigualdad y sesgo estructural. El desafío ético de la IA en América Latina se amplifica por los sesgos históricos de los datos con los que se entrenan los modelos. Investigaciones recientes del Harvard Kennedy School (2024) advierten que los algoritmos aplicados en la región pueden reproducir patrones de discriminación de género, edad y nivel socioeconómico, afectando especialmente a mujeres y trabajadores informales. La participación de empleados y sindicatos en los comités de revisión algorítmica permitiría corregir estos sesgos desde el diseño, antes de que se traduzcan en decisiones laborales discriminatorias.
• Déficit de confianza organizacional. En entornos donde la confianza institucional es frágil, la opacidad algorítmica puede erosionar aún más la relación entre empresa y trabajador. Tal como señala Vallarino (2024) en su análisis sobre gobernanza digital en la región, la transparencia en las decisiones algorítmicas es un factor crítico en contextos de baja confianza institucional. Permitir que los colaboradores comprendan, auditen o apelen decisiones automatizadas refuerza la legitimidad interna y reduce la percepción de arbitrariedad en los procesos de gestión de talento.
• Fragmentación regulatoria. Si bien países como Brasil y Chile avanzan en marcos normativos de IA, la región carece de estándares unificados sobre impacto laboral o derechos de revisión algorítmica. El mismo estudio de Access Now (2024) destaca que la regulación en América Latina sigue siendo parcial y heterogénea: algunas legislaciones priorizan la protección de datos personales, mientras que otras apenas mencionan la dimensión laboral de la IA. Frente a esta fragmentación, la gobernanza colaborativa surge como un mecanismo complementario de autorregulación, permitiendo que las empresas adopten prácticas de transparencia, participación y control ético antes de la implementación obligatoria de leyes nacionales.
• Hacia una ventaja ética y competitiva. Adoptar un modelo de gobernanza colaborativa puede posicionar a las empresas latinoamericanas como referentes éticos en la gestión tecnológica del talento. La evidencia internacional sugiere que las organizaciones que involucran a sus empleados en el diseño y monitoreo de los sistemas de IA alcanzan mayores tasas de adopción tecnológica y menor resistencia cultural al cambio (NIST, 2023). Además, documentar decisiones y mantener revisión humana disminuye riesgos legales y reputacionales, al tiempo que mejora la equidad y la calidad de las decisiones automatizadas.

En síntesis, avanzar hacia la gobernanza colaborativa no es solo una respuesta ética, sino una estrategia de sostenibilidad y confianza organizacional. En una región donde la informalidad laboral y la desconfianza institucional siguen marcando la agenda, abrir espacios de participación y revisión compartida en los sistemas de IA puede transformar un desafío en una oportunidad: la de construir un modelo latinoamericano de inteligencia artificial confiable, justo y humano.

Capítulo 6: Todos somos líderes

 

1. El problema: la sustitución de roles de nivel de entrada

El mercado laboral está experimentando una reconfiguración estructural profunda. A medida que la inteligencia artificial (IA) se consolida como herramienta de productividad, las tareas que históricamente sirvieron como campo de entrenamiento para los profesionales en sus primeras etapas están siendo automatizadas a un ritmo acelerado. Este fenómeno ha desencadenado una disminución gradual del número de oportunidades de aprendizaje práctico en el mundo corporativo.

Diversas investigaciones recientes documentan esto. Un estudio conjunto de Harvard muestra una reducción del 13% en el empleo de trabajadores jóvenes (22 a 25 años) en ocupaciones expuestas a la IA desde finales de 2022 (Brynjolfsson et al., 2025; Wong, 2025). De manera similar, Lichtinger y Hosseini Massoum (2025) reportan una caída del 7,7% en los roles de carrera temprana en empresas que han adoptado soluciones de automatización avanzada. El fenómeno no se expresa en despidos, sino en una desaceleración estratégica en la contratación de perfiles junior.

El segundo efecto crítico es la automatización de tareas de aprendizaje. Actividades como la depuración de código, la revisión de documentos legales, la investigación preliminar o la redacción de primeros borradores (tradicionalmente asignadas a analistas o asistentes) están siendo absorbidas por sistemas de IA (Future Campus, 2025; Wellington, 2025). Estas tareas eran, muchas veces, la puerta de entrada a los cargos y roles de trabajo, el espacio donde los recién egresados transformaban el conocimiento codificado teórico en conocimiento experiencial. Al desaparecer esta ocasión de aprendizaje, se debilita el proceso de desarrollo de talento interno.

El riesgo no es solo individual, sino estratégico. Sin espacios donde practicar, equivocarse y aprender, las organizaciones corren el riesgo de disminuir el desarrollo de talento interno. A largo plazo, esto puede traducirse en una escasez de profesionales con la experiencia y criterio necesarios para liderar equipos.

 

2. La tendencia: el modelo D–V–I

En este nuevo contexto, la delegación de tareas a sistemas de IA redefine la naturaleza del trabajo. Si antes el primer trabajo consistía en tareas de ejecución, la tendencia se traspasa a dirigir la ejecución tecnológica.

Este cambio exige una nueva estructura de aprendizaje corporativo basada en tres etapas fundamentales: Dirigir, Validar e Integrar.

El modelo surge como una respuesta práctica a la sustitución de tareas operativas por sistemas inteligentes. En lugar de formar profesionales para ejecutar procesos, las empresas deben entrenarlos para liderar ecosistemas de IA distribuidos. A continuación, se detallan las tres capacidades centrales:

• Dirigir: es la habilidad de diseñar y asignar misiones a la IA. Supone comprender las limitaciones de los sistemas, resolver problemas complejos y traducirlos en objetivos claros. No se trata solo de incentivar herramientas de IA, sino de capacitar en la habilidad de diseñar, asignar misiones y escribir prompts correctos.
• Validar: implica evaluar la calidad, precisión y ética de los resultados producidos por la IA. Requiere pensamiento crítico, control de calidad y juicio ético. En el contexto empresarial, significa distinguir entre lo correcto, lo útil y lo aceptable dentro del marco de valores y regulaciones de la organización.
• Integrar: es la competencia que conecta el resultado de la IA con el contexto humano y de negocio. Involucra interpretación, comunicación y toma de decisiones. El profesional que integra sabe traducir datos en acción y tecnología en estrategia.

Este modelo puede contribuir al aprendizaje de las organizaciones. Con esto, los roles de entrada dejan de ser meramente operativos para convertirse en una práctica de liderazgo distribuido. La nueva puerta de entrada no es la ejecución, sino la dirección asistida.

3. Casos de estudio: ServiceNow

ServiceNow, una empresa tecnológica estadounidense dedicada a la gestión digital del trabajo, ha incorporado inteligencia artificial en sus procesos internos para mejorar la coordinación y resolución de incidentes. En este ámbito, las tareas que antes recaían en analistas junior, como el monitoreo de alertas, la apertura de tickets o la comunicación entre equipos, se apoyan ahora en sistemas automatizados que permiten una gestión más ágil y basada en datos.

A través de la integración del Microsoft Semantic Kernel en su plataforma, ServiceNow implementó un sistema de agentes múltiples de IA que colaboran bajo supervisión humana. Cada agente cumple una función: analizar registros históricos y detectar patrones de falla, consultar la base de conocimiento para proponer soluciones previas o generar reportes automáticos de seguimiento. En este esquema, el rol del analista se reconfigura. Se pasa de la ejecución operativa a un papel de liderazgo cognitivo, centrado en dirigir, validar e integrar los resultados generados por los sistemas automatizados.

En este nuevo flujo, el profesional dirige el proceso definiendo prioridades y asignando misiones a los agentes, tomando decisiones sobre la estrategia de resolución. Valida los resultados que los sistemas proponen, revisando la pertinencia de las acciones y ajustando diagnósticos según el contexto. Finalmente, integra el aprendizaje obtenido en la base corporativa, asegurando que el conocimiento generado se redistribuya para fortalecer los manuales internos y la respuesta futura.

El impacto de este cambio fue tangible. Según el blog oficial de Microsoft Semantic Kernel (Huang & Lagerkrans-Pandey, 2025), los tiempos de resolución de incidentes críticos se redujeron en un 42%, y el volumen de documentación técnica aumentó sin requerir más personal. Pero más allá de la eficiencia, el aprendizaje organizacional se fortaleció: los analistas desarrollan desde sus primeros meses competencias en coordinación digital, auditoría ética y pensamiento crítico.

 

4. Relevancia en América Latina

Esta tendencia adquiere una importancia particular en el contexto latinoamericano. En una región donde la automatización crece más rápido que la reconversión de habilidades, esta tendencia ofrece una oportunidad única para formar talento preparado para liderar la colaboración humano-IA desde etapas tempranas.

• Aceleración sin infraestructura equivalente: según IBM (2024), el 67% de las grandes empresas de Argentina, Brasil, Chile, México y Perú han acelerado la adopción de IA en los últimos dos años, superando el promedio global (59%). Sin embargo, gran parte de esa adopción se concentra en procesos operativos, sin estrategias paralelas de formación que desarrollen competencias de liderazgo digital.
• Desigualdad tecnológica y brechas de talento: el Banco Mundial (2025) advierte que cerca de la mitad de los empleos de la región no podrá beneficiarse de la IA por falta de infraestructura y habilidades técnicas. Esto convierte la educación aplicada al trabajo aumentado en un imperativo para la inclusión laboral.
• Reconfiguración del aprendizaje corporativo: en mercados donde los puestos de entrada tienden a desaparecer o automatizarse, el modelo D–V–I permite redefinir esos primeros roles como espacios de aprendizaje estratégico, donde las personas aprenden a dirigir sistemas inteligentes en lugar de ejecutar tareas rutinarias.
• Cierre de la brecha de habilidades críticas: de acuerdo con el Foro Económico Mundial (2025), el 50% de las empresas de la región no encuentra perfiles con competencias digitales suficientes. La formación en habilidades de dirección, validación e integración de IA podría cubrir esa brecha más rápido que los programas tradicionales de reconversión técnica.

 

Conclusiones

La incorporación de la inteligencia artificial en la gestión de personas no representa simplemente una actualización tecnológica. Constituye una transformación estructural del rol de la gestión de Personas. Actualmente, la función combina datos, predicción y diseño organizacional en un mismo plano. La IA permite mapear habilidades con precisión, anticipar escenarios de bienestar y acompañar trayectorias profesionales de forma personalizada, pero también exige nuevas responsabilidades éticas, participativas y estratégicas.

Tendencia	Desafío hoy	HR 2026
Ecosistema de habilidades IA	Estructuras jerárquicas y desactualizadas que dificultan visualizar y aprovechar el talento interno.	Construir redes de capacidades verificadas mediante IA, que mapean, certifican y activan las habilidades en función de las necesidades del negocio.
AI Career Coach	Capacitaciones genéricas que no responden a las necesidades reales del trabajador ni a su contexto.	Democratizar el acompañamiento profesional con IA que diagnostica brechas, personaliza itinerarios de aprendizaje y entrega microcoaching continuo a toda la fuerza laboral.
Digital Twins: gestión predictiva del bienestar	Las políticas de bienestar se implementan de forma reactiva, sin evidencia ni capacidad predictiva.	Desarrollar gemelos digitales organizacionales que simulen escenarios y anticipen el impacto de las decisiones sobre la carga laboral, la colaboración y la salud mental.
Más allá del CV	Procesos de selección centrados en el currículum tradicional, poco predictivos y con alto sesgo humano.	Incorporar IA para evaluar habilidades, experiencias y comportamientos con mayor precisión, reduciendo sesgos y mejorando la correspondencia entre talento y rol.
Gobernanza colaborativa de la IA	Falta de transparencia y participación en el diseño y uso de algoritmos laborales, lo que genera desconfianza.	Crear estructuras participativas de gobernanza donde trabajadores, líderes y expertos co-diseñan, auditan y supervisan los sistemas de IA que impactan el trabajo.
Todos somos líderes	La automatización elimina tareas de entrada, limitando las oportunidades de aprendizaje práctico.	Formar talento capaz de dirigir, validar e integrar (modelo D–V–I) la IA desde los primeros niveles profesionales, fomentando una cultura de liderazgo distribuido y aprendizaje continuo.

 

Referencias

Aicad Business School. (3 de julio de 2025). La adopción de la IA en LATAM ya supera el 40%. AICAD. https://www.aicad.es/la-adopcion-de-la-ia-en-latam-ya-supera-el-40

Banco Mundial. (2025). Quantifying the Jobs Potential of AI in Latin America and the Caribbean.

Brynjolfsson, E., Chandar, A., & Chen, A. (2025). Canaries in the Coal Mine: Early Evidence on the Effects of AI on Labor Markets. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf

Revista E&N. (2025, 10 de octubre). BID: Unos 84 millones de empleos en América Latina están expuestos por la IA. https://www.revistaeyn.com/empresasymanagement/bid-unos-84-millones-de-empleos-en-america-latina-estan-expuestos-por-la-ia-OP21959531

European Commission. (2024). AI Regulatory Sandboxes in the EU: Implementation Guide. https://ec.europa.eu/info/funding-tenders/opportunities/portal/screen/opportunities/topic-details/digital-2024-ai-act-06-sandbox

Bakker, B. B., Chen, S., Vasilyev, D., Bespalova, O., Chin, M., Kolpakova, D., Singhal, A., & Yang, Y. (2024). What Can Artificial Intelligence Do for Stagnant Productivity in Latin America and the Caribbean? (IMF Working Papers, 2024/219). International Monetary Fund. https://doi.org/10.5089/9798400290770.001

Future Campus. (2025, 9 de septiembre). AI is already taking junior jobs: the challenge to HE. https://futurecampus.com.au/2025/09/09/ai-is-already-taking-junior-jobs-the-challenge-to-he/

IBM. (2024, 20 de marzo). IBM: empresas de Latinoamérica aceleraron el uso de Inteligencia Artificial en 67%. IBM Newsroom. https://latam.newsroom.ibm.com/2024-03-20-IBM-empresas-de-Latinoamerica-aceleraron-el-uso-de-Inteligencia-Artificial-en-67

International Coaching Federation [ICF]. (2025). ICF Global Coaching Study 2025, Executive Summary. https://wfpma.org/files/news/2025-ICF-Global-Coaching-Study_EXECUTIVE-SUMMARY.pdf

Lichtinger, G., & Hosseini Massoum, S. M. (9 de septiembre 2025). AI is already taking junior jobs: the challenge to HE. Future Campus. https://futurecampus.com.au/2025/09/09/ai-is-already-taking-junior-jobs-the-challenge-to-he/

Huang, W. & Lagerkrans-Pandey, S. (12 de enero de 2025). Customer Case Study: Pushing the Boundaries of Multi-Agent AI Collaboration with Service Now and Microsoft Semantic Kernel. Microsoft Dev Blogs. https://devblogs.microsoft.com/semantic-kernel/customer-case-study-pushing-the-boundaries-of-multi-agent-ai-collaboration-with-servicenow-and-microsoft-semantic-kernel/

MIT Sloan Management Review. (2024, 15 de noviembre). AI ethics at Unilever: From policy to process. https://sloanreview.mit.edu/article/ai-ethics-at-unilever-from-policy-to-process/

OECD. (2023). Ensuring trustworthy artificial intelligence in the workplace. En OECD Employment Outlook 2023 (pp. 161-208). OECD Publishing. https://doi.org/10.1787/08785bba-en

Organización Internacional del Trabajo (OIT). (2024). La IA generativa y los empleos en América Latina y el Caribe: ¿La brecha digital es un amortiguador o un cuello de botella? https://doi.org/10.54394/TFZY7681

Orrick LLP. (2024, 17 de septiembre). AI and German co-determination: What employers need to know. https://www.orrick.com/en/Insights/2024/09/AI-and-German-Co-Determination-What-Employers-Need-to-Know

Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. The Journal of applied psychology, 107(11), 2040–2068. https://doi.org/10.1037/apl0000994

Strunz, S. (2020). Organizing careers for work – The curriculum vitae (CV) in Prussia’s technical bureaucracy, c. 1770-1830. Management & Organizational History, 15(4), 315–337. https://doi.org/10.1080/17449359.2021.1896367

World Economic Forum (2024). ”Future of Jobs Report 2024”. Geneva. https://www.weforum.org/publications/

NTT Data. (2025). La Inteligencia Artificial en América Latina 2025: La ola de la IA generativa como catalizador de negocios. https://mexico.nttdata.com/insights/studies/ia-generativa-como-catalizador-negocios?utm_source=chatgpt.com

Society for Human Resource Management [SHRM]. (2025). Talent Trends: Artificial Intelligence in HR. https://shrm-res.cloudinary.com/image/upload/AI/2024-Talent-Trends-Survey_Artificial-Intelligence-Findings.pdf

Randstad. (2024). Talent Trends Report 2024. https://www.randstad.com.mx/s3fs-media/mx/public/2024-03/TalentTrends2024.pdf

Kim S, Wang Y & Boon C. Sixty years of research on technology and human resource management: Looking back and looking forward. Hum Resour Manage. 2021; 60: 229–247. https://doi.org/10.1002/hrm.22049

Vilma, A., & Booshnam, D. (2025). Agility toward the HRIS advancement at the organization and its impact on performance in SMEs. Journal of Small Business Strategy, 35(3), 58–75. https://doi.org/10.53703/001c.142296

Fenwick, A., Molnar, G., & Frangos, P. (2024). Revisiting the role of HR in the age of AI: Bringing humans and machines closer together in the workplace. Frontiers in Artificial Intelligence, 6. https://doi.org/10.3389/frai.2023.1272823

Gates, S. & Pascal, L. (2010). Human capital measures, strategy, and performance: HR managers' perceptions. Accounting, Auditing & Accountability Journal, 23(1), 111–132. https://doi.org/10.1108/09513571011010628

Bødker, S., Ehn, P., & Sjögren, D. (2020). Participatory Design in the Digital Workplace: Past, Present, and Future. Scandinavian Journal of Information Systems, 32(2), 45–66. https://aisel.aisnet.org/sjis/

Dastin, J. (2018). Amazon scrapped secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G/

NIST. (2023). AI Risk Management Framework 1.0. National Institute of Standards and Technology. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf

SAP. (2023). SAP AI Ethics Handbook. Walldorf. https://www.sap.com/documents/2023/03/7211ee96-647e-0010-bca6-c68f7e60039b.html

Aura Team. (2025, 21 de octubre). The Silent Restructuring: How AI Is Quietly Redesigning the Modern Workforce. Aura. https://blog.getaura.ai/ai-replacing-hr-jobs

BID (Banco Interamericano de Desarrollo). Entre unicornios y computadores: la inteligencia artificial es un desafío aceptado en América Latina y el Caribe. https://blogs.iadb.org/educacion/es/entre-unicornios-y-computadores-la-inteligencia-artificial-es-un-desafio-aceptado-en-america-latina-y-el-caribe/

Shiraz, Z. (2025, 22 de octubre). 3 job skills every parent should be teaching their teen before AI takes over. The Times of India. https://timesofindia.indiatimes.com/life-style/parenting/teen/3-job-skills-every-parent-should-be-teaching-their-teen-before-ai-takes-over/articleshow/124711646.cms

Comisión Económica para América Latina y el Caribe (CEPAL). (2025, 3 de octubre). América Latina y el Caribe acelera la adopción de la inteligencia artificial, aunque con desafíos en inversión, talento y gobernanza. https://www.cepal.org/es/comunicados/america-latina-caribe-acelera-la-adopcion-la-inteligencia-artificial-aunque-desafios

Digital Marketing Institute. (2025, 20 de octubre). 8 Ways Universities & Colleges Can Embrace AI in the Classroom. https://digitalmarketinginstitute.com/blog/5-ways-universities-colleges-can-embrace-ai-in-the-classroom

Contenido Mediaware. (2025, 15 de octubre). Las destrezas en IA son cruciales para solucionar la brecha de habilidades en ciberseguridad. ITWare Latam. https://www.itwarelatam.com/2025/10/15/las-destrezas-en-ia-son-cruciales-para-solucionar-la-brecha-de-habilidades-en-ciberseguridad/

Gaitán Barrera, A., & Azeez, G. (2024, 8 de octubre). Educación 4.0: América Latina a la vanguardia de la IA universitaria. Espacios de Educación Superior. https://www.espaciosdeeducacionsuperior.es/08/10/2024/educacion-4-0-america-latina-a-la-vanguardia-de-la-ia-universitaria/

Hernández, L. (2025, 26 de junio). América Latina frente a la inteligencia artificial: ¿motor de productividad o generadora de desigualdad? El País América. https://elpais.com/america/termometro-social/2025-06-26/america-latina-frente-a-la-inteligencia-artificial-motor-de-productividad-o-generadora-de-desigualdad.html

Burke, L. (2025, 2 de enero). Why more colleges are embracing AI offerings? [¿Por qué más universidades están adoptando ofertas de IA?]. Higher Ed Dive. https://www.highereddive.com/news/colleges-artificial-intelligence-programs-investments/736196/

Imperial College Business School. (s.f.). AI for Business Transformation: Generative AI and Beyond [IA para la Transformación Empresarial: IA Generativa y más allá]. Imperial College London. https://www.imperial.ac.uk/business-school/executive-education/technology-analytics-data-science/ai-for-business-transformation/online/

Imperial College London. (s.f.). Computing (Artificial Intelligence and Machine Learning) MEng. https://www.imperial.ac.uk/study/courses/undergraduate/computing-artificial-intelligence-meng/

Infobae. (2025, 1 de septiembre). El déficit de habilidades digitales expone a América Latina a un rezago estructural. https://www.infobae.com/america/america-latina/2025/09/01/el-deficit-de-habilidades-digitales-expone-a-america-latina-a-un-rezago-estructural/

Martins, T. (2024, 22 de abril). Las empresas de Latinoamérica adoptan la IA rápidamente, ¿para qué la usan? Master Sounds. https://master-sounds.com/es/noticia/inteligencia-artificial/las-empresas-de-latinoamerica-adoptan-la-ia-rapidamente-para-que-la-usan/42

Gartner. (2025, 20 de octubre). Gartner Survey Finds All IT Work Will Involve AI by 2030; Organizations Must Navigate AI Readiness and Human Readiness to Find, Capture and Sustain Value [Encuesta de Gartner revela que todo el trabajo de TI involucrará IA para 2030; Las organizaciones deben navegar la preparación para la IA y la preparación humana para encontrar, capturar y sostener valor]. Business Wire. https://www.businesswire.com/news/home/20251020095027/en/Gartner-Survey-Finds-All-IT-Work-Will-Involve-AI-by-2030-Organizations-Must-Navigate-AI-Readiness-and-Human-Readiness-to-Find-Capture-and-Sustain-Value

Talmage-Rostron, M. (2025, 20 de octubre). How will AI affect jobs? [¿Cómo afectará la IA a los empleos?]. Nexford University. https://www.nexford.edu/insights/how-will-ai-affect-jobs

Helthaler, M. (2025, 6 de marzo). Top 5 Professional Skills to Develop in the AI Age [Las 5 mejores habilidades profesionales para desarrollar en la era de la IA]. Niche Academy. https://www.nicheacademy.com/blog/top-5-professional-skills-to-develop-in-the-ai-age

Quezada, V. (2025, 15 de octubre). La IA es clave para cerrar la brecha de ciberseguridad en Latinoamérica. One Digital. https://onedigital.mx/2025/10/15/la-ia-es-clave-para-cerrar-la-brecha-de-ciberseguridad-en-latinoamerica/

Oxford Training Centre Team. (s.f.). The Executive Guide to Artificial Intelligence for Strategic Leadership and Innovation [La guía ejecutiva de inteligencia artificial para el liderazgo estratégico y la innovación]. Oxford Centre for AI in Leadership. https://oxfordcentre.uk/resources/artificial-intelligence/the-executive-guide-to-artificial-intelligence-for-strategic-leadership-and-innovation/

Gago, B. (2025, 3 de septiembre). 10 Competencies for an AI-Enhanced Workforce [10 competencias para una fuerza laboral mejorada por la IA]. Pando. https://www.pando.com/blog-post/10-competencies-for-an-ai-enhanced-workforce

Ellis, L., & Bindley, K. (225, 29 de julio). AI Is Wrecking an Already Fragile Job Market for College Graduates [La IA está destrozando un mercado laboral ya frágil para los graduados universitarios]. Rets USA. https://retsusa.com/ai-is-wrecking-an-already-fragile-job-market-for-college-graduates/

D'Ardenne, K. (2025, 22 de septiembre). Paging Dr. Algorithm: At Stanford Medicine, AI is becoming part of the curriculum, clinical training and the future of care [Buscando al Dr. Algoritmo: En Stanford Medicine, la IA se está convirtiendo en parte del plan de estudios, la formación clínica y el futuro de la atención]. Stanford Medicine. https://stanmed.stanford.edu/ai-medical-school-curriculum/

Kubota, T. (2025, 22 de octubre). How Stanford educators are bringing AI into the classroom [Cómo los educadores de Stanford están llevando la IA al aula]. Stanford Report. https://news.stanford.edu/stories/2025/10/stanford-educators-ai-coursework-classroom-ideas

The WIE Suite. (2025, 15 de septiembre). How Executives Are Using AI to Optimize Their Day [Cómo los ejecutivos están usando la IA para optimizar su día]. https://www.thewiesuite.com/post/how-executives-are-using-ai-to-optimize-their-day

Tilo, D. (2025, 21 de octubre). Jobs forecast: All IT-related work will involve AI by 2030 [Pronóstico de empleos: Todo el trabajo relacionado con TI involucrará IA para 2030]. HCAMAG. https://www.hcamag.com/us/specialization/learning-development/jobs-forecast-all-it-related-work-will-involve-ai-by-2030/553671

Harris, R. (2025, 30 de septiembre). L&D in a World of Declining Entry-Level Jobs [L&D (Aprendizaje y Desarrollo) en un mundo de disminución de empleos de nivel inicial]. Training Industry. https://trainingindustry.com/articles/workforce-development/ld-in-a-world-of-declining-entry-level-jobs/

Schaffner, R. (s.f.). The AI Leader: will Artificial Intelligence soon replace CEOs? [El líder de la IA: ¿reemplazará pronto la inteligencia artificial a los directores ejecutivos?]. Triangility. https://triangility.com/the-ai-leader-will-artificial-intelligence-soon-replace-ceos/

University of Florida. (s.f.). AI Across the Curriculum [IA a través del currículo]. https://ai.ufl.edu/teaching-with-ai/ai-across-the-curriculum/

Wellington, T. (2025, 8 de agosto). The Talent Pipeline Is Dying: What Happens When AI Replaces Entry-Level Jobs? [La reserva de talento está muriendo: ¿Qué pasa cuando la IA reemplaza los empleos de nivel inicial?]. Medium. https://medium.com/@trevor_wellington3/the-talent-pipeline-is-dying-what-happens-when-ai-replaces-entry-level-jobs-c3ca1cf24bbe

Wong, R. (2025, 6 de agosto). Five Practical Strategies for Entry-Level Designers in the AI Era [Cinco estrategias prácticas para diseñadores de nivel inicial en la era de la IA]. https://rogerwong.me/2025/08/design-talent-crisis-part-3

Cook, J. (2022, 15 de agosto). Microcoaching: The next generation of personal development. Forbes. https://www.forbes.com/sites/jodiecook/2022/08/15/microcoaching-the-next-generation-of-personal-development/

International Coaching Federation. (s.f.). About ICF. Recuperado el 30 de octubre de 2025, de https://coachingfederation.org/about/

Relink. (s.f.). Plataforma Relink. Recuperado el 30 de octubre de 2025, de https://www.relink.cl/

Goertz, L. (2025, 29 de abril). How an AI coach made VML’s workforce more coachable—and more connected. Valence. https://www.valence.co/blog/how-an-ai-coach-made-vml-more-coachable-and-more-connected

Workera. (s.f.). Siemens Energy improves Gen AI learning for a workforce of thousands. https://workera.ai/customers/siemens-energy-improves-gen-ai-learning-for-a-workforce-of-thousands

Sobre Buk

Este estudio es una iniciativa de Buk, plataforma integral para la Gestión de Personas con operaciones en Chile, Colombia, Perú, México y Brasil, que, con productos tecnológicos y propuestas de valor centradas en las personas, busca impactar y fortalecer el bienestar organizacional.

Con Buk, podrás automatizar tus tareas administrativas como la nómina, potenciar el desarrollo de tus colaboradores con evaluaciones de desempeño, capacitaciones y más, y facilitarles el acceso a beneficios realmente valiosos. Todo, en la misma plataforma, impulsada con IA y con un equipo humano preocupado de acompañarte en cada paso.

Además, con Buk te sumas a la comunidad de Recursos Humanos más grande de Latinoamérica, donde compartimos buenas prácticas, contenido relevante y evidencia basada en datos reales, para tomar mejores decisiones.

Con Buk, crea un lugar de trabajo más feliz :)

Buk AI