Por Dan Tesnjak
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.
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:
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.
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:
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.
Si preguntas qué es una habilidad, obtendrás respuestas distintas según el rol:
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.
No existe una única fuente confiable de habilidades. En cambio, las organizaciones operan con múltiples señales parciales:
Sin integrar estas fuentes, cualquier sistema de gestión de habilidades estará tomando decisiones con información incompleta.
Los datos de habilidades representan inteligencia operativa sobre capacidades humanas. Permiten evaluar de forma continua:
A diferencia de otros datos empresariales, no son hechos fijos. Son inferencias probabilísticas basadas en evidencia.
La mayoría de los datos empresariales son deterministas: una transacción ocurrió o no ocurrió.
Las habilidades, en cambio, son evaluaciones:
Las habilidades no se registran: se infieren a partir de señales del trabajo.
Muchos sistemas cometen un error crítico: modelar habilidades como datos estáticos.
Pero las habilidades son:
Forzar este tipo de información en estructuras rígidas genera pérdida de precisión y, finalmente, pérdida de confianza en las decisiones de talento.
Cuando las habilidades se almacenan como datos binarios (“tiene/no tiene”), se pierde información clave:
Por eso muchos sistemas de RR.HH. no logran entregar valor estratégico en people analytics.
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.
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 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.
Antes de adoptar una solución de skills data, es clave hacerse preguntas críticas:
Estas preguntas revelan si una solución está realmente preparada para soportar decisiones estratégicas.
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.
