Por Olivier Wittorski
Conclusiones Claves
- Para activar una verdadera inteligencia de la fuerza laboral, los datos de habilidades deben construirse desde múltiples fuentes, con modelos probabilísticos, contexto temporal y trazabilidad clara. Sin esta base, cualquier estrategia de people analytics o HR analytics pierde precisión e impacto.
- Las habilidades laborales ya no están ligadas a los cargos tradicionales. En un entorno de alta velocidad, especialización y trabajo digital, los modelos basados en puestos se vuelven obsoletos para la toma de decisiones en tiempo real en RR.HH.. Hoy, la gestión del talento basada en habilidades es clave para entender lo que realmente pueden hacer las personas.
- Las habilidades no son datos estáticos, sino indicadores dinámicos y probabilísticos. Se construyen a partir de múltiples señales del trabajo diario, por lo que requieren una evaluación continua para lograr una verdadera inteligencia laboral basada en datos.
- Muchas empresas enfrentan una escasez de datos de talento: las capacidades reales se demuestran en el día a día, pero no se capturan ni se transforman en información útil. Esto limita la analítica de RR.HH. y la toma de decisiones estratégicas.
- Tratar las habilidades como registros fijos elimina variables clave como el contexto, la vigencia y la evidencia. El resultado: decisiones menos confiables y una pérdida de valor en los sistemas de gestión de habilidades y talento.
Las organizaciones hoy están bajo una presión creciente: tomar decisiones cada vez más precisas sobre capacidades. Saber quién puede hacer qué, en este momento y con qué nivel de confianza se ha vuelto crítico para la competitividad. Sin embargo, las habilidades evolucionan más rápido de lo que las empresas pueden definir los roles. Un mismo puesto puede ocultar capacidades completamente distintas, y el trabajo, cada vez más digital, ocurre en sistemas fragmentados que dejan poca evidencia estructurada para la gestión del talento basada en datos.
La respuesta del mercado ha sido predecible: mejores taxonomías, frameworks más detallados y bibliotecas de habilidades impulsadas por IA. Pero todas estas soluciones parten de una premisa equivocada: que el problema es cómo clasificar las habilidades. Y no lo es.
Durante gran parte de la historia, las habilidades eran visibles. Un maestro no necesitaba sistemas ni bases de datos: la capacidad se demostraba en el trabajo diario, en contexto y a través de la experiencia directa. Las habilidades no se declaraban ni se almacenaban: se evidenciaban.
Con el crecimiento de las organizaciones y la industrialización del trabajo, esa observación directa fue reemplazada por indicadores indirectos: títulos, certificaciones y credenciales. Durante décadas, este modelo funcionó porque los roles eran estables y las habilidades cambiaban lentamente. Un cargo era una aproximación razonable de lo que una persona podía hacer.
Hoy, esa lógica dejó de funcionar.
Las habilidades ya no son atributos estáticos que se registran una vez. Son señales dinámicas que deben inferirse y evaluarse continuamente a partir de evidencia fragmentada. Entender esta diferencia, habilidades como hechos vs. habilidades como evaluaciones, cambia completamente la forma en que se diseñan los sistemas de HR analytics y people analytics.
Cuando los títulos de los puestos de trabajo dejaron de funcionar
Durante gran parte del siglo XX, los títulos laborales eran indicadores confiables de capacidad. Un rol implicaba funciones claras y estables en el tiempo, y los sistemas de RR.HH. podían basarse en esa información para tomar decisiones.
Pero ese modelo se rompió por la convergencia de tres fuerzas clave:
- Velocidad: las habilidades evolucionan más rápido que los roles. Nuevas disciplinas aparecen en cuestión de años, no décadas.
- Especialización: una misma habilidad tiene significados distintos según el contexto (no es lo mismo análisis de datos en marketing que en ingeniería).
- Invisibilidad: el trabajo actual es digital, distribuido y ocurre en múltiples plataformas, lo que dificulta observar y medir capacidades.
En este contexto, los títulos describen estructuras organizacionales, pero no reflejan la capacidad real. Por eso surge el enfoque basado en habilidades: porque el modelo tradicional ya no responde a las necesidades actuales de la inteligencia laboral.
¿Por qué surgieron las habilidades en primer lugar?
Durante años, los datos de la fuerza laboral estuvieron orientados a procesos administrativos: nómina, cumplimiento, reclutamiento o evaluaciones periódicas. Estos procesos toleraban cierto nivel de imprecisión porque las decisiones eran lentas y humanas.
Hoy, eso cambió. Las organizaciones necesitan datos de habilidades en tiempo real para responder preguntas críticas:
- ¿Quién puede realizar este trabajo ahora mismo?
- ¿Conviene desarrollar, contratar o reasignar talento?
- ¿Qué brechas de habilidades surgirán en el corto plazo?
- ¿Qué tan rápido podemos adaptarnos a cambios del negocio?
Estas no son preguntas administrativas, son decisiones operativas. Y los sistemas tradicionales no fueron diseñados para responderlas. Describen jerarquías, no capacidades.
El concepto de habilidades es correcto. El desafío real no es si importan, sino cómo construir datos de habilidades que realmente sirvan para la toma de decisiones.
¿Qué es realmente una habilidad?
Si preguntas qué es una habilidad, obtendrás respuestas distintas según el rol:
- Empleado: algo que aprendió o certificó.
- Manager: lo que observa en el desempeño.
- L&D: una competencia que se puede desarrollar.
- TI: un dato estructurable y medible.
- Negocio: la capacidad de generar resultados.
Todas son correctas. Y ese es el problema.
Una habilidad es, al mismo tiempo, aprendizaje, desempeño, percepción, capacidad actual y potencial futuro. Es un concepto dinámico, contextual y en evolución constante, lo que explica por qué es tan difícil capturarlo con modelos tradicionales de datos.
Las habilidades no residen en un solo lugar
No existe una única fuente confiable de habilidades. En cambio, las organizaciones operan con múltiples señales parciales:
- Autodeclaraciones: reflejan percepción, pero suelen estar sesgadas.
- Evaluaciones de managers: aportan contexto, pero son limitadas y esporádicas.
- Registros de aprendizaje: muestran formación, no aplicación real.
- Evidencia del trabajo: es la más valiosa, pero está fragmentada.
- Señales de colaboración: indican expertise, pero son informales.
Sin integrar estas fuentes, cualquier sistema de gestión de habilidades estará tomando decisiones con información incompleta.
¿Qué son los datos sobre habilidades y por qué son importantes?
Los datos de habilidades representan inteligencia operativa sobre capacidades humanas. Permiten evaluar de forma continua:
- Lo que una persona puede hacer
- Qué tan bien puede hacerlo
- En qué contexto
- Con qué nivel de confianza
A diferencia de otros datos empresariales, no son hechos fijos. Son inferencias probabilísticas basadas en evidencia.
Por qué los datos de habilidades son diferentes
La mayoría de los datos empresariales son deterministas: una transacción ocurrió o no ocurrió.
Las habilidades, en cambio, son evaluaciones:
- ¿Qué herramientas domina una persona?
- ¿Cuál es su nivel real?
- ¿Qué tan actualizada está esa capacidad?
- ¿Qué evidencia respalda esa evaluación?
Las habilidades no se registran: se infieren a partir de señales del trabajo.
El error de categoría que pasa desapercibido
Muchos sistemas cometen un error crítico: modelar habilidades como datos estáticos.
Pero las habilidades son:
- Contextuales
- Graduales
- Probabilísticas
- Limitadas en el tiempo
Forzar este tipo de información en estructuras rígidas genera pérdida de precisión y, finalmente, pérdida de confianza en las decisiones de talento.
Por qué importa esta distinción
Cuando las habilidades se almacenan como datos binarios (“tiene/no tiene”), se pierde información clave:
- El contexto de aplicación
- El nivel de confianza
- La vigencia de la habilidad
- La evidencia que la respalda
Por eso muchos sistemas de RR.HH. no logran entregar valor estratégico en people analytics.
Ritmo administrativo vs. ritmo operativo
Los sistemas tradicionales funcionan con ciclos periódicos. Pero las habilidades cambian constantemente.
Los datos de talento deben operar en tiempo real, igual que finanzas o supply chain. Si no, llegan tarde y pierden valor.
El problema de la pobreza de datos laborales
Las organizaciones generan capacidades todos los días, pero no las capturan como datos.
El trabajo ocurre en múltiples herramientas, sin conexión entre sí. El valor se crea, pero no se registra.
Esto se conoce como pobreza de datos laborales: la incapacidad de convertir el trabajo real en información útil para la toma de decisiones.
El desafío de la arquitectura
El problema no es solo conceptual, es estructural. El trabajo está distribuido en sistemas desconectados que capturan fragmentos, pero no construyen una visión completa.
A diferencia de áreas como finanzas o ventas, no existe un sistema unificado para la inteligencia de la fuerza laboral.
Cómo evaluar cualquier sistema de habilidades
Antes de adoptar una solución de skills data, es clave hacerse preguntas críticas:
- ¿Modela habilidades como probabilísticas o estáticas?
- ¿Captura evidencia real del trabajo o solo registros?
- ¿Entiende el contexto o solo palabras clave?
- ¿Considera la evolución en el tiempo?
- ¿Puede explicar sus evaluaciones?
- ¿Integra múltiples fuentes de datos?
Estas preguntas revelan si una solución está realmente preparada para soportar decisiones estratégicas.
Conclusión
Hoy, muchas organizaciones toman decisiones críticas sobre talento con datos incompletos y desactualizados.
El cambio no es solo tecnológico, es conceptual: entender que las habilidades son dinámicas, contextuales y basadas en evidencia.
Próximos pasos
- Internamente: alinear RR.HH., TI y negocio para redefinir cómo se capturan y utilizan los datos de habilidades.
- Con proveedores: exigir modelos que reflejen la realidad: datos dinámicos, múltiples fuentes y total transparencia.
