Analítica de personas e IA: de los informes de recursos humanos a las predicciones

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La analítica de personas (people analytics) con IA es el uso de modelos estadísticos y de aprendizaje automático sobre los datos de la plantilla para llevar a recursos humanos de informar lo que ocurrió a pronosticar lo que es probable que ocurra y sugerir qué hacer al respecto. Un tablero de dotación de personal le dice que la rotación fue del 14% el trimestre pasado. Un modelo predictivo le dice qué equipos probablemente perderán personas el próximo trimestre y qué factores lo impulsan. Una capa prescriptiva propone una acción, como un ajuste salarial o una conversación con el gerente, y estima su efecto.

Esta guía es para CHROs, directores de recursos humanos y gerentes de recursos humanos que ya tienen tableros y quieren saber qué implica realmente el siguiente paso: las etapas, las habilidades, tres casos de uso concretos y los límites que deciden si es seguro actuar sobre una predicción. Para el panorama general de la IA en recursos humanos, comience con la guía principal, la IA en recursos humanos.

Datos clave

• El modelo de madurez de la analítica de personas más conocido, de Bersin en Deloitte Consulting (2017), tiene cuatro niveles. La distribución informada de las organizaciones encuestadas fue 14% en el Nivel 1, 69% en el Nivel 2, cerca del 15% en el Nivel 3 y 2% en el Nivel 4 (Lumen Learning, que cita el People Analytics Maturity Model de Bersin/Deloitte).
• El Nivel 4 de ese modelo se define por herramientas en tiempo real asistidas por IA, donde la analítica de personas es parte integral de las decisiones del negocio, de recursos humanos y de la dirección (la misma fuente).
• Según las directrices federales estadounidenses de selección, una tasa de selección de cualquier grupo racial, sexual o étnico inferior a las cuatro quintas partes (80%) de la tasa del grupo más alto suele considerarse evidencia de impacto adverso, y los datos con cifras pequeñas pueden no ser fiables (29 CFR 1607.4).
• En la ciudad de Nueva York, los empleadores que usan una herramienta automatizada de decisión de empleo necesitan una auditoría de sesgos dentro del año de su uso, un resumen público de los resultados y avisos previos a candidatos y empleados (NYC DCWP).
• La Directiva de la UE sobre transparencia retributiva exige una evaluación conjunta de las retribuciones cuando los informes muestran una brecha salarial media de al menos el 5% entre mujeres y hombres en una categoría de trabajadores que el empleador no puede justificar con criterios objetivos y neutros en cuanto al género y que no ha corregido en seis meses (Directiva (UE) 2023/970, artículo 10).

Las cuatro preguntas que puede responder la analítica

Toda herramienta de analítica de personas responde una de cuatro preguntas, y la IA cambia cuáles puede permitirse formular.

La mayoría de los equipos de recursos humanos es fuerte en la primera fila y débil en la tercera y la cuarta. Eso no es un fallo de talento. El trabajo predictivo necesita un historial limpio entre sistemas, y el prescriptivo necesita evidencia de qué intervenciones cambiaron realmente los resultados, algo que la mayoría de las organizaciones nunca registró. La entrada del glosario sobre la analítica predictiva cubre la técnica de fondo; aquí nos centramos en cómo se aplica a los datos de personas.

Qué añade la IA al conjunto de herramientas analíticas tradicional

Los analistas de recursos humanos llevan décadas ejecutando regresiones. La IA no reemplaza ese trabajo. Lo amplía de cuatro maneras.

Más tipos de datos. El análisis clásico vive de campos estructurados: antigüedad, nivel, salario, calificación. Los modelos modernos también pueden usar texto, como los comentarios de las encuestas de compromiso, las notas de las entrevistas de salida y las descripciones del puesto, y convertirlo en variables utilizables. Eso vuelve contable la retroalimentación no estructurada.

Más variables a la vez. Una regresión logística con diez entradas es fácil de explicar. Un modelo de gradient boosting puede ponderar cientos de señales que interactúan y a menudo pronostica mejor, al precio de ser más difícil de interpretar.

Actualización más rápida. En lugar de un estudio anual, un modelo puede volver a puntuar a la plantilla cada mes o cada semana, de modo que un gerente vea un riesgo cambiado antes de la carta de renuncia.

Acceso en lenguaje natural. Un gerente puede hacer una pregunta con palabras sencillas y recibir un gráfico, lo que amplía quién usa los datos. Esta es la capa generativa que se asienta sobre la predictiva, y trae su propio riesgo de respuestas seguras pero erróneas.

En los términos del ACE Framework, la analítica de personas pasa de Analyze (tableros y diagnósticos) a Predict (pronósticos y puntuaciones), con un patrón de puntuación y enrutamiento que envía el caso correcto a la persona correcta.

Un modelo de madurez que puede citar

El marco más citado es el modelo de madurez de la analítica de personas de Josh Bersin y Deloitte Consulting, publicado en 2017. Sus cuatro niveles, con la proporción de organizaciones encuestadas que Bersin informó en cada uno, se resumen en Lumen Learning. Allí no se indican la población ni el tamaño de la muestra, así que tome los porcentajes como una imagen aproximada de la distribución y no como un referente actual.

Hay dos cosas útiles en este modelo. Primero, plantea la madurez como integración con el negocio, no solo como sofisticación técnica. Un equipo de Nivel 4 no es el del algoritmo más sofisticado. Es aquel cuyo análisis cambia decisiones fuera de recursos humanos. Segundo, sitúa explícitamente la IA en el peldaño más alto, lo que significa que la base (Niveles 2 y 3) es un requisito previo, no un calentamiento opcional.

Una forma práctica de ubicarse:

• Si sus líderes todavía piden el mismo informe cada mes y nadie actúa sobre él, está en el Nivel 2 sin importar el software que posea.
• Si puede unir datos de recursos humanos con datos de ingresos, clientes u operaciones sin un proyecto manual, está pasando al Nivel 3.
• Si el resultado de un modelo cambia lo que los gerentes hacen esta semana y usted verifica si funcionó, se acerca al Nivel 4.

La calidad de los datos subyacentes decide hasta dónde puede subir, y por eso la guía hermana sobre los fundamentos de datos de recursos humanos para la IA importa antes de cualquier trabajo de modelado.

Tres ejemplos prácticos

Son escenarios ilustrativos. Las cifras son inventadas para mostrar la lógica, no provienen de una empresa real.

Ejemplo 1: riesgo de rotación

El objetivo. Encontrar dónde es probable una rotación lamentada en los próximos seis meses, con tiempo suficiente para actuar.

Los datos. Antigüedad, tiempo desde el último ascenso, posición salarial frente al rango, cambios de gerente, puntuaciones de las encuestas de compromiso, historial de movilidad interna y, en algunos equipos, indicadores de carga de trabajo.

El modelo. Un clasificador entrenado con quienes se fueron y quienes se quedaron entrega una probabilidad de riesgo por persona o, de forma más segura, por equipo. El primer resultado útil rara vez es la puntuación en sí. Es la lista de factores, por ejemplo: «los equipos con un cambio de gerente en el último año y sin ascensos en 30 meses muestran las tasas de salida más altas».

Qué hacer con ello. Use el riesgo a nivel de equipo para priorizar conversaciones y presupuesto, no para etiquetar a individuos. Si el riesgo modelado de un equipo es alto, una reunión con el nivel jerárquico superior y una revisión salarial para quienes están por debajo del punto medio del rango son primeros pasos razonables. Luego mida: ¿bajó el riesgo o las salidas reales frente a un equipo comparable que no recibió la intervención? Ese último paso es lo que convierte la predicción en prescripción.

Qué vigilar. Una puntuación compartida con un gerente puede convertirse en una profecía autocumplida. Si un gerente oye «alto riesgo de fuga», puede dejar de invertir en la persona, lo que hace más probable que se vaya. Mantenga las puntuaciones individuales dentro de recursos humanos, o agréguelas.

Ejemplo 2: embudo de contratación

El objetivo. Entender dónde el embudo pierde buenos candidatos y pronosticar el tiempo de cobertura.

Los datos. Fuente, marcas de tiempo de las etapas, reclutador, huecos en la programación de entrevistas, resultados de ofertas y comentarios del gerente contratante.

El modelo. El análisis descriptivo suele encontrar por sí solo la gran ganancia: una etapa donde los candidatos esperan nueve días por un espacio de programación. Un modelo predictivo luego pronostica el tiempo de cobertura por puesto y ubicación, o estima qué requisiciones es probable que se estanquen. Eso le permite adelantar la búsqueda de candidatos en las lentas.

Qué hacer con ello. Corrija la etapa estancada, reequilibre la carga de los reclutadores y planifique el momento de las contrataciones con finanzas usando rangos de pronóstico en lugar de fechas únicas.

Qué vigilar. Si usa un modelo para clasificar o puntuar candidatos, ha entrado en territorio regulado. Tome la directriz estadounidense de las cuatro quintas partes como verificación básica: compare las tasas de selección entre grupos en cada etapa. Digamos que avanza el 40% de un grupo y el 25% de otro. La razón es 0,625, bastante por debajo de 0,8, lo que es una señal para investigar, aunque la guía federal también señala que los resultados basados en cifras pequeñas pueden no ser fiables (29 CFR 1607.4). En la ciudad de Nueva York, las herramientas automatizadas usadas para decisiones de contratación o ascenso necesitan una auditoría de sesgos, un resumen público y un aviso previo (NYC DCWP).

Ejemplo 3: equidad salarial

El objetivo. Encontrar diferencias de pago que no se explican por puesto, nivel, ubicación, desempeño o antigüedad.

Los datos. Salario base, bono, nivel, familia de puestos, ubicación, antigüedad, calificación de desempeño y campos demográficos cuando se conservan legalmente.

El modelo. Una regresión predice el salario a partir de factores legítimos y luego examina el residuo por grupo. Si las mujeres de la misma familia de puestos, nivel y ubicación cobran en promedio varios puntos porcentuales por debajo de lo que predice el modelo, ese residuo es su brecha no explicada. El aprendizaje automático puede aportar valor al encontrar interacciones que un modelo simple pasa por alto, como una brecha que solo aparece en una región tras una reorganización.

Qué hacer con ello. El análisis prescriptivo es el siguiente paso natural: modele el costo de cerrar las brechas señaladas bajo distintas reglas (hasta el punto medio del rango, hasta la predicción del modelo, a lo largo de dos ciclos) y elija una con finanzas.

Qué vigilar. La regulación está llevando esto de buena práctica a obligación. En la UE, los empleadores deben informar las brechas salariales de género según un calendario fijado por tamaño, y una brecha de al menos el 5% en una categoría de trabajadores que no esté justificada ni se corrija en seis meses activa una evaluación conjunta de las retribuciones (Directiva (UE) 2023/970). Las categorías de trabajadores deben definirse con cuidado. Un modelo que usa en silencio una entrada sesgada, como el salario anterior, reproducirá la brecha que debía encontrar.

Los límites que más importan

Las predicciones en recursos humanos conllevan más riesgo que las predicciones sobre máquinas o inventarios, porque la unidad que se puntúa es una persona.

Muestras pequeñas. Una empresa de 400 empleados puede tener 40 salidas al año. Si las divide por departamento, nivel y motivo, le quedan un puñado de casos por celda. Los modelos entrenados con muestras diminutas se sobreajustan y producen ruido con apariencia de seguridad. Las directrices federales de selección señalan lo mismo sobre las pruebas de impacto adverso: las diferencias basadas en cifras pequeñas pueden no ser estadísticamente significativas (29 CFR 1607.4). Las soluciones prácticas son combinar varios años, predecir a nivel de equipo o segmento, informar rangos y estar dispuesto a decir «no hay datos suficientes».

Variables proxy de características protegidas. Quitar el género, la raza o la edad de los datos no los quita del modelo. El código postal puede sustituir al origen étnico, los huecos en la trayectoria al género o a los cuidados familiares, el año de graduación a la edad. Pruebe los resultados por grupo incluso cuando esos campos estén excluidos del entrenamiento, y deje constancia de lo que probó. El concepto se trata en el sesgo en la IA.

Explicabilidad. Un líder de recursos humanos puede tener que explicar a un empleado, a un comité de empresa o a un regulador por qué alguien fue señalado. «Lo dijo el modelo» no se sostiene. Prefiera modelos y herramientas que puedan mostrar qué factores determinaron una puntuación, y documente para qué se puede y no se puede usar la puntuación. El glosario sobre la IA explicable explica las opciones.

Clasificación regulatoria. Según la EU AI Act, los sistemas de IA destinados al reclutamiento o la selección, y a la gestión de las relaciones laborales, figuran en el Anexo III como de alto riesgo. El AI Act Service Desk de la Comisión cita como ejemplo una herramienta de emparejamiento y clasificación de empleos, y señala que un sistema que realiza elaboración de perfiles no puede acogerse a las excepciones del artículo 6(3) (EU AI Act Service Desk). Un tablero que solo cuenta salidas es algo distinto de un modelo que clasifica personas para un ascenso. Sepa cuál está ejecutando.

Bucles de retroalimentación. Si un modelo aprende de ascensos pasados que ya eran sesgados, recomendará más de lo mismo. Revise las etiquetas de entrenamiento, no solo el código del modelo.

Decisiones que necesitan a una persona. Una puntuación es un insumo. Mantenga a un humano responsable de cualquier decisión que afecte al salario, el puesto o el empleo de alguien, y registre su razonamiento. El patrón se describe en human-in-the-loop (persona en el circuito), y el AI Risk Management Framework de NIST, publicado el 26 de enero de 2023, ofrece una estructura voluntaria (Govern, Map, Measure, Manage) para gestionar estos riesgos (NIST AI RMF). La responsabilidad sobre las políticas corresponde a la gobernanza de la IA.

Las habilidades que necesita un equipo de analítica de personas

No necesita un laboratorio de ciencia de datos para empezar, pero sí una mezcla.

La última fila es la que las organizaciones omiten. Un gerente que no distingue una probabilidad de una predicción hará mal uso de ambas. Desarrollar la alfabetización en IA de los socios estratégicos de recursos humanos y de los gerentes de personas es tan importante como contratar a un analista.

Un camino sensato de los informes a las predicciones

1. Arregle primero la capa descriptiva. Una definición de dotación de personal, rotación y tiempo de cobertura, acordada entre recursos humanos, finanzas y el negocio. Las predicciones construidas sobre definiciones inconsistentes amplifican la inconsistencia.
2. Elija una pregunta de alto valor y bajo riesgo. Los factores de rotación a nivel de equipo y los tiempos del embudo de contratación son buenos puntos de partida. Evite las decisiones a nivel individual con consecuencias legales hasta que la gobernanza esté en marcha.
3. Empiece de forma simple. Un modelo transparente que los gerentes entienden supera a una caja negra que ignoran. Añada complejidad solo cuando aporte una mejora medible.
4. Pruebe la equidad antes del lanzamiento. Compare los resultados entre grupos, busque variables proxy y registre el resultado.
5. Decida la acción antes de construir la puntuación. Si nadie hará nada distinto cuando la puntuación cambie, no la construya.
6. Mida el impacto. Compare grupos tratados y no tratados, y dé seguimiento al resultado de negocio, no solo a la precisión del modelo.
7. Revise según un calendario. Los modelos se desvían cuando cambian la plantilla, el mercado laboral o sus políticas.

Errores comunes

• Comprar una herramienta de predicción antes de limpiar los datos. El modelo será elocuente y estará equivocado.
• Puntuar individuos cuando bastarían los equipos. La agregación es más precisa con muestras pequeñas y más segura.
• Tratar la correlación como una palanca. Si quienes trabajan en remoto se van menos, eso no significa que imponer el trabajo remoto reduzca las salidas.
• Saltarse al socio del negocio. Un análisis que a recursos humanos le encanta y que el negocio ignora es trabajo de Nivel 2 con disfraz de Nivel 4.
• Olvidar que los empleados son el sujeto. Sea claro sobre qué datos usa, por qué y durante cuánto tiempo los conserva.