Inferencia de habilidades con IA: cómo crear un inventario de habilidades automáticamente

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La inferencia de habilidades con IA es el uso de aprendizaje automático y modelos de lenguaje para determinar qué habilidades tiene cada empleado, y en qué nivel, a partir de la evidencia que usted ya posee (perfiles, currículums, historial laboral, trabajo en proyectos, registros de aprendizaje, retroalimentación), y para asignar esas habilidades a una taxonomía compartida que permita a toda la empresa buscarlas y compararlas. Reemplaza el enfoque antiguo de pedir a todos que marquen casillas en un formulario que queda obsoleto en un mes.

Esta guía está dirigida a líderes de recursos humanos, responsables de talento y aprendizaje, y gerentes a quienes les dijeron que «consigan un inventario de habilidades» y no quieren una campaña de autoevaluación de seis meses. Cubre lo que hace la tecnología, qué datos necesita, cómo encaja una taxonomía, cómo validar el resultado y dónde la privacidad y la equidad ponen límites. Forma parte de la sección de IA en recursos humanos y alimenta directamente el mercado interno de talento con IA y la IA en aprendizaje y desarrollo.

Datos clave

• ESCO, la clasificación multilingüe de la Comisión Europea, describe 3039 ocupaciones y 13 939 habilidades vinculadas a ellas, traducidas a 28 idiomas, y menciona entre sus usos la correspondencia entre personas que buscan empleo y puestos según sus habilidades (ESCO).
• O*NET, la base de datos ocupacional de EE. UU., se actualiza trimestralmente, y su versión 31.0 actualizó 208 ocupaciones (O*NET Resource Center).
• El Future of Jobs Report 2025 del Foro Económico Mundial prevé que el 39% de los conjuntos de habilidades actuales de los trabajadores se transformará o quedará obsoleto entre 2025 y 2030, frente al 44% en 2023 y un máximo del 57% en 2020 (WEF).
• El mismo informe señala que, de cada 100 trabajadores, 59 necesitarían capacitación para 2030 y 11 difícilmente recibirán la recualificación que necesitan (WEF).
• El considerando 39 del GDPR establece que deben adoptarse todas las medidas razonables para que los datos personales inexactos se rectifiquen o se supriman, lo que se aplica directamente a las habilidades inferidas (EUR-Lex).

Qué hace realmente la inferencia de habilidades

En términos del ACE Framework, la inferencia de habilidades incorpora texto y datos estructurados de recursos humanos, los analiza para extraer y clasificar habilidades, y predice un nivel de dominio o una probabilidad para cada habilidad que una persona tiene o podría adquirir con rapidez. Es un patrón de extracción y clasificación con una capa de recomendación encima.

Cuatro tareas se agrupan bajo esa etiqueta:

1. Extracción. Sacar menciones de habilidades de currículums, perfiles, descripciones de puesto, resúmenes de proyectos y títulos de cursos.
2. Normalización. Asignar «elaboró informes en SQL», «escribió consultas a bases de datos» y «análisis de datos en SQL» a una sola entrada de la taxonomía, para que la misma habilidad no se cuente de tres maneras.
3. Inferencia. Ir más allá de lo escrito. Alguien que lideró una negociación con un proveedor, gestionó un presupuesto y redactó el resumen del contrato probablemente tiene habilidades de negociación y comerciales aunque ningún documento lo diga.
4. Graduación del nivel. Estimar qué tan sólida es la habilidad, usando evidencia como la actualidad, la profundidad del proyecto, las certificaciones y la opinión de pares o gerentes.

La tercera tarea es donde la IA se gana su lugar, y también donde es más probable que se equivoque. La extracción está en gran medida resuelta. La inferencia es una probabilidad, y su proceso debería tratarla como tal.

De dónde viene la evidencia

Un inventario de habilidades solo es tan bueno como la evidencia que lo respalda. Distintas fuentes aportan información distinta.

Los mejores inventarios combinan varias fuentes y dejan que la evidencia coincida o discrepe. Una habilidad respaldada por un registro de proyecto, una certificación y el aval de un gerente es sólida. Una habilidad que aparece solo en una viñeta antigua de un currículum es una señal débil y debe mostrarse como tal. En cuanto a los datos, consulte los fundamentos de datos de recursos humanos para la IA, porque la calidad de la inferencia sigue casi uno a uno a la calidad de los datos.

Cómo construir una taxonomía de habilidades

Una taxonomía es el vocabulario compartido que convierte texto libre en datos comparables. Sin ella, «gestión de partes interesadas», «manejo de stakeholders» y «habilidades de relación con clientes» son tres cosas distintas y no se puede contar a nadie.

Tiene tres opciones realistas.

Adoptar una taxonomía pública. ESCO y ONET son los dos puntos de referencia desde los que parten la mayoría de los equipos. ESCO está concebida para ofrecer un lenguaje común entre países y indica que sus habilidades están vinculadas a ocupaciones y disponibles en 28 idiomas, lo que importa para plantillas multinacionales (ESCO). ONET describe el trabajo y las características de los trabajadores en las ocupaciones de EE. UU. y se actualiza con un ciclo trimestral (O*NET Resource Center). Ambas son referencias públicas, lo que facilita compartir y auditar sus datos.

Usar la taxonomía propietaria de un proveedor. Muchas plataformas de talento traen la suya. Es rápida de empezar, pero queda atado a las definiciones de un proveedor, y cambiar más adelante implica volver a asignar todo. Pida una correspondencia con ESCO u O*NET para conservar una vía de salida.

Construir la propia. Solo es necesario cuando su negocio tiene habilidades especializadas que ninguna lista pública cubre, como una máquina, una normativa o un producto específicos. Incluso entonces, parta de una base pública y añada encima una capa personalizada delgada.

Elija la ruta que elija, unas pocas decisiones de diseño importan más que la elección de la lista:

• Manténgala lo bastante pequeña para usarla. Miles de habilidades muy detalladas abruman a los gerentes. Muchas empresas agrupan las habilidades en unos pocos cientos que se corresponden con decisiones reales de contratación, movilidad y capacitación.
• Separe habilidad, nivel de dominio y evidencia. «Python» es la habilidad, «avanzado» es el nivel y «puso en producción dos servicios en 2025» es la evidencia.
• Asigne un responsable. Las habilidades cambian, así que alguien tiene que añadirlas, fusionarlas y retirarlas. La cifra del WEF de arriba, 39% de los conjuntos de habilidades transformados para 2030, es la razón por la que esto no puede ser un proyecto puntual. Para saber con qué rapidez caducan las habilidades, consulte la vida media de las habilidades y la recualificación continua.
• Vincúlela con su modelo de competencias. Las habilidades son lo que las personas saben hacer. Las competencias son los comportamientos más amplios que se esperan en un puesto. Su marco de competencias básicas debe hacer referencia a las habilidades, no duplicarlas.

Ejemplos reales por función

Adquisición de talento. Un reclutador necesita un ingeniero de datos. En lugar de buscar por títulos de puesto, el sistema encuentra empleados cuyo historial de proyectos y registros de aprendizaje suman las habilidades necesarias, y señala a tres candidatos internos antes de publicar el puesto fuera.

Aprendizaje y desarrollo. L&D compara las habilidades inferidas del equipo de éxito del cliente con lo que exigirán los planes de producto de los próximos dos años. La brecha en analítica y diseño de la incorporación se convierte en el presupuesto de capacitación, sin necesidad de encuestas. Es la misma lógica descrita en la IA en aprendizaje y desarrollo.

Movilidad interna. El perfil de un supervisor de almacén muestra planificación, cumplimiento de seguridad y coaching de equipos, que se corresponden de cerca con un puesto de planificador de operaciones. La inferencia hace visible un movimiento en el que nadie había pensado. Esto alimenta el mercado interno de talento con IA.

Planificación de la plantilla. Un director financiero pregunta cuántas personas podrían reasignarse a un nuevo equipo de informes regulatorios en un trimestre. El inventario responde en horas, no en semanas, contando habilidades adyacentes.

Gerentes. Un líder de proyecto que arma un equipo ve personas sugeridas con su evidencia y su nivel de confianza, y corrige la sugerencia que claramente es errónea. Esa corrección mejora el sistema.

Cómo implementar la inferencia de habilidades paso a paso

1. Nombre primero las decisiones. Haga una lista de las dos o tres decisiones que el inventario va a informar, como contratación interna, presupuestos de capacitación o reasignaciones. Si no puede nombrarlas, construirá una base de datos que nadie usa.
2. Elija la taxonomía. Escoja ESCO, O*NET o la de un proveedor, y decida cuántas habilidades va a seguir realmente. Escriba las reglas para fusionar y retirar habilidades.
3. Haga un inventario de sus datos. Encuentre dónde están los currículums, los historiales de puestos, los registros de aprendizaje, los datos de proyectos y la retroalimentación, quién es responsable de ellos y qué tan limpios están. Corrija los identificadores para que una persona no figure como dos registros.
4. Verifique la base jurídica. Decida qué fuentes puede usar para este fin, qué se informará a los empleados y si hace falta una evaluación de impacto en la protección de datos. Involucre desde el principio a asuntos legales y a los comités de empresa.
5. Haga un piloto en una función. Elija un equipo con un caso de uso claro, como el de atención al cliente o el de finanzas.
6. Deje que el modelo infiera y luego muestre la evidencia. Cada habilidad inferida debe llevar su fuente y un nivel de confianza. Sin evidencia, no hay habilidad.
7. Valide con las personas. Pida a los empleados que confirmen, corrijan o añadan habilidades, y a los gerentes que revisen a su equipo. Trate los desacuerdos como datos sobre dónde falla el modelo.
8. Mida frente a un estándar de referencia. En una muestra, compare las habilidades inferidas con una fuente de confianza, como una evaluación o una revisión cuidadosa del gerente. Haga seguimiento de la precisión (cuántas habilidades inferidas son correctas) y de la exhaustividad (cuántas habilidades reales se encontraron).
9. Conéctelo con una decisión. Alimente un flujo de trabajo real con el inventario, como la correspondencia de puestos internos o un plan de capacitación, y compruebe si mejoran los resultados.
10. Manténgalo. Actualice la evidencia de forma continua, vuelva a verificar la precisión al menos una vez al año y revise la taxonomía con una periodicidad fija.

Cómo validar el resultado

La validación es donde la mayoría de los proyectos gana o pierde confianza. Vale la pena incorporar cuatro controles.

Confirmación del empleado. Las personas conocen sus propias habilidades mejor que cualquier modelo. Una vista sencilla en la que acepten, editen o eliminen las habilidades inferidas le da una verdad de referencia y les da capacidad de decisión. También saca a la luz habilidades que el modelo no puede ver, como el trabajo no remunerado o comunitario.

Calibración de los gerentes. Los gerentes revisan los niveles inferidos de su equipo, idealmente en conjunto, para que «avanzado» signifique lo mismo en todos los grupos.

Auditorías por muestreo. Tome una muestra aleatoria, compárela con una fuente más sólida y calcule las tasas de error por tipo de habilidad. Las habilidades blandas, como la comunicación o el criterio, suelen inferirse con menos fiabilidad que las habilidades técnicas con productos de trabajo claros.

Controles de deriva. El lenguaje de las habilidades cambia, aparecen nuevas herramientas y otras caen en desuso. Un modelo ajustado el año pasado interpretará mal las ofertas de empleo de este año. Vuelva a probar con una periodicidad fija.

Sea honesto sobre lo que significa la cifra. Una habilidad mostrada como «inferida, confianza media» es una pista para una conversación, no una cualificación. Si deja que los gerentes traten la conjetura de un modelo como un hecho certificado, habrá reemplazado un formulario obsoleto por uno que no responde ante nadie.

Privacidad, equidad y límites legales

Una habilidad inferida es un dato personal sobre una persona, aunque esta nunca lo haya escrito. Trátela así.

Limitación de la finalidad. Los datos recopilados para la nómina o el cumplimiento normativo no deberían alimentar en silencio un modelo de habilidades. El considerando 50 del GDPR indica que el tratamiento ulterior para una nueva finalidad solo se permite, por lo general, si es compatible con la original (EUR-Lex). Documente la finalidad e informe a los empleados.

Exactitud y corrección. Como las inferencias pueden ser erróneas, las personas necesitan una forma de verlas y corregirlas. El considerando 39 espera que los datos inexactos se rectifiquen o se supriman, y el considerando 71 describe un derecho a no ser objeto de una decisión basada en un tratamiento automatizado con efectos jurídicos o similarmente significativos (EUR-Lex). Una puntuación de habilidades usada como única base de una decisión de despido o de ascenso entraría de lleno en ese terreno.

La IA para el empleo es de alto riesgo en la UE. La Comisión Europea clasifica como de alto riesgo las herramientas de IA para el empleo y la gestión de los trabajadores, con normas aplicables desde el 2 de diciembre de 2027 (Comisión Europea). Usar la inferencia para decidir quién es considerado para puestos o capacitación puede quedar comprendido en esa categoría, así que consulte a un asesor jurídico. Las normas difieren fuera de la UE y están cambiando, por lo que conviene obtener asesoramiento local.

Sesgo. Si el modelo aprende de ascensos pasados, puede aprender quién fue ascendido en lugar de quién tiene habilidades. El lenguaje también difiere según el origen: algunos grupos describen su trabajo en términos modestos y otros en términos inflados, y la extracción puede premiar a estos últimos. Compare la cobertura de habilidades inferidas por género, edad, ubicación y familia de puestos, y busque grupos que estén sistemáticamente subdescritos. Minimización de datos. Use evidencia relacionada con el trabajo, no redes sociales privadas, mensajes personales ni datos de monitoreo. Si una señal requiere vigilar a las personas para obtenerla, es la señal equivocada.

Visibilidad. Decida quién ve qué. Los empleados deberían ver su propio perfil. Los gerentes podrían ver el de su equipo. La búsqueda amplia de reclutadores en toda la empresa debería limitarse a campos consentidos o pertinentes para el puesto.

Errores comunes

• Empezar por la herramienta y no por la decisión. Un inventario de habilidades sin un caso de uso acaba como software que nadie usa.
• Confiar en los niveles inferidos. Es más fácil inferir la presencia de una habilidad que su profundidad. Muestre la confianza.
• Contar los cursos completados como habilidades. Terminar un módulo no equivale a aplicarlo.
• Ignorar el mantenimiento de la taxonomía. Sin un responsable, los duplicados y las habilidades obsoletas se acumulan en un año.
• Tratar el inventario como una base de datos de registro. Es una estimación viva y necesita ciclos de corrección.
• Dejar fuera a los empleados. Un sistema que se hace a las personas, y no con ellas, pierde confianza y calidad de datos con rapidez.
• Usarlo demasiado pronto para decisiones de alto impacto. Empiece por las oportunidades (correspondencia, aprendizaje), no por las sanciones (selección para recortes).
• Olvidar las habilidades adyacentes. El resultado más valioso suele ser saber quién está cerca de una habilidad, de modo que la recualificación sea corta.

Siguientes pasos

La inferencia de habilidades es la capa de datos. Lo que usted haga con ella decide su valor. Si el objetivo es mover personas a nuevos puestos, lea la guía del mercado interno de talento con IA. Si es cerrar brechas, consulte la IA en aprendizaje y desarrollo. Para el conjunto más amplio de analítica que la rodea, consulte people analytics e IA. Y para consultar el inventario resultante en lenguaje natural, consulte la IA para informes de recursos humanos.