¿Sigues priorizando la intuición sobre los datos?
Resumen.
Cuando decides comprar un producto que Amazon te ha recomendado, ver una película que Netflix te ha sugerido o escuchar una canción que Spotify coincide con tus preferencias, estás haciendo cambios basados en datos en tu vida. En la misma línea, si utilizas Waze o Google Maps para decidir qué ruta tomar cuando conduces (o vas en bicicleta), comprueba el pronóstico del tiempo antes de vestirte o escanea una botella de vino con Vivino antes de decidir qué beber, te basarán los datos. Pero si bien el consumidor promedio de 2020 está significativamente más basado en los datos que sus homólogos hace incluso 20 años, todavía hay muchas áreas en las que estar basado en datos es más una esperanza o una ilusión que una realidad real. Una de estas áreas es el trabajo, ya que la intuición humana, la casualidad y el sesgo siguen siendo monedas más fuertes que los datos. De hecho, hay pocos indicios de que el mundo del trabajo se haya basado mucho más en la evidencia o en los hechos que hace 20 o incluso 50 años.
Los datos han sido aclamados como los nuevos oro, aceite, y suelo, de los cuales surgirán productos, servicios y avances invaluables. Eso puede ser cierto, pero el hecho es que los datos son solo símbolos, principalmente números: ceros y unos. Esto se aplica incluso a los algoritmos más complejos, y la mayor parte de lo que queremos decir cuando hablamos de IA es un software de clasificación que asigna ceros o unos para que coincidan con diferentes variables o predecir patrones a escala. Sin duda, en las áreas más relevantes de la vida, todavía necesitamos experiencia humana para traducir los datos en perspectivas, y la voluntad de actuar sobre la base de esos conocimientos es lo que, en última instancia, hace que alguien se base en los datos. Los datos sin conocimientos carecen de sentido y los conocimientos sin acción carecen de sentido.
Esto puede sonar abstracto, pero en muchos ámbitos de la vida operamos de acuerdo con estos principios de forma regular, incluso si no somos científicos de datos. Por ejemplo, cuando decides comprar un producto que Amazon te ha recomendado, ver una película que Netflix te ha sugerido o escuchar una canción que Spotify coincide con tus preferencias, estás haciendo cambios basados en datos en tu vida. En la misma línea, si utilizas Waze o Google Maps para decidir qué ruta tomar cuando conduces (o vas en bicicleta), comprueba el pronóstico del tiempo antes de vestirte o escanea una botella de vino con Vivino antes de decidir qué beber, te basarán los datos.
Pero si bien el consumidor medio de 2020 está significativamente más orientado a los datos que sus homólogos hace 20 años (la vida era mucho más espontánea, casualidad y propensa a errores en ese entonces), todavía hay muchas áreas en las que estar basado en datos es más una esperanza o una ilusión que una realidad real. Una de estas áreas es el trabajo, donde la intuición humana, la casualidad y el sesgo siguen siendo monedas más fuertes que los datos. De hecho, hay pocos indicios de que el mundo del trabajo se haya basado mucho más en la evidencia o en los hechos que hace 20 o incluso 50 años.
Por ejemplo, a pesar de la hecho bien establecido que las personas disfruten más de su trabajo y tengan un mayor sentido de propósito cuando sus valores personales y personalidad encajan bien con su papel o trabajo, la mayoría de personas terminan en trabajos que no les gustan y están desvinculados e improductivos en el trabajo. Es notable que estas estimaciones provienen de multinacionales globales que emplean a los trabajadores más inteligentes y brillantes de todo el mundo y, sin embargo, estas personas altamente educadas hacen irracional - pero a menudo predecible — opciones de carrera. Si la gente tuviera una mejor comprensión de su talento y su potencial, entonces es más probable que elijan un trabajo que sea compatible con sus intereses y habilidades, en lugar de lo que sugirieron su tía, primo o vecino de al lado.
También está claro que los datos sólidos —en forma de hechos concretos— están notoriamente ausentes por parte del empleador. Tenga en cuenta que incluso las corporaciones más ricas, grandes y sofisticadas (desde el punto de vista de RRHH, en el sentido de que emplean docenas de psicólogos de E/S de nivel de doctorado en sus unidades de gestión del talento) todavía no están realmente basadas en datos en sus prácticas de gestión del talento. Como argumento en mi último libro —¿Por qué tantos hombres incompetentes se convierten en líderes? Y cómo solucionarlo — hay una tendencia general a contratar y promocionar en base a la confianza en lugar de la competencia, y las personas que son capaces de encantar y manipular a otros en interacciones a corto plazo, como la entrevista de trabajo, tienen muchas más probabilidades de avanzar en sus carreras que las que realmente entregan los bienes y añaden más valor a la organización. Si lo piensas bien, todos los consejos dedicados a hacer que las personas sean más seguras, asertivas, políticamente astutas y mejores en la automarca es claramente indicativo de la incapacidad de los empleadores para centrarse en la sustancia en lugar del estilo. Por desgracia, vivimos en un mundo donde todo estilo y ninguna sustancia te llevarán más lejos que ningún estilo y sustancia.
Sin duda, los humanos somos perfectamente capaces de racionalidad, y no estaríamos donde estamos si no fuera por el hecho de que prevaleció la razón por la fe, la ignorancia y la superstición. Dicho esto, si vas a la mayoría de las organizaciones hoy en día y les pides a los altos directivos de recursos humanos que proporcionen métricas sólidas para ordenar las contribuciones de sus líderes sénior o comparar a los miembros del personal más compensados en cuanto a su desempeño, y mucho menos talento o potencial, la respuesta será mucho más turbia y subjetiva. de lo que obtendríamos si le preguntamos a Siri si lloverá mañana o no.
Curiosamente, el rendimiento es más difícil de medir donde más importa. A pesar de una gran cantidad de investigación, y casi tan mucho teorizando — sobre cómo conceptualizar y medir el desempeño laboral, los enfoques basados en datos funcionan bien en el extremo inferior del espectro. Es decir, cuando tienes datos de gran volumen, tareas repetitivas, trabajadores no cualificados y un alto grado de ingeniería social (un legado de Gestión científica de Frederick Taylor Hace 100 años), puedes definir y cuantificar bastante bien las diferencias individuales en el rendimiento. El equivalente moderno de esto sería un conductor de Uber; es casi imposible para dos evaluadores estar sistemáticamente en desacuerdo sobre el rendimiento (y el potencial) de un conductor de Uber individual si tienen acceso a una gran cantidad de datos que comparan su rendimiento con el de todos los demás conductores: cuántos viajes al día/semana/ mes/año que completaron; cuánto dinero trajeron; cuántos accidentes de tráfico o multas tuvieron; y cómo lo calificaron los pasajeros (y me refiero a miles de ellos)? Por el contrario, si quisiéramos establecer si Marissa Mayer o Donald Trump tuvo un buen desempeño en sus trabajos, donde lo que está en juego es claramente más alto que para un conductor de Uber, las cosas se complican más. ¿Cuál es el punto de referencia? ¿Cómo sabemos si a otras personas les habría ido mejor o peor y quiénes son o deberían haber sido esas otras personas? ¿Dónde está el grupo de control? ¿Podemos realmente desenredar sus acciones y decisiones reales de las percepciones de las personas? Relacionado, ¿qué pasaría con Tesla sin Elon Musk? ¿Y cómo le va a Apple sin Steve Jobs? (La respuesta basada en datos es... no lo sabemos).
Un punto final y bastante obvio preocupa a la política de oficina. La política sigue siendo una fuerza influyente que sustenta la dinámica de cualquier organización. Dictan quién es contratado, ascendido y despedido. Es importante destacar que aquellos que disfrutan del privilegio de dominar la política —porque son el statu quo— tienen pocos incentivos para sanear o esterilizar la cultura haciéndola más basada en los datos. Cuando eres parte del grupo elegido, del establishment o de la élite, ¿por qué permitirías que alguien u otra cosa, en este caso la IA o los datos, revelaran que no mereces tu éxito y posiblemente te derribaran? La meritocracia es una buena idea hasta que te das cuenta de que es mucho menos meritocrático de lo que parece. Sin embargo, esta es una admisión dolorosa y depende de tener la humildad y la perspicacia para ver el mundo a través de una lente diferente: los datos.
Como Stephen Hawkins anotado (en una cita que también se le ha atribuido a Daniel Boorstin, bibliotecario del Congreso de los Estados Unidos), «El mayor enemigo del conocimiento no es la ignorancia; es la ilusión del conocimiento». Si las organizaciones, y esto no es solo RRHH, sino todos los líderes, quieren adoptar prácticas basadas en evidencia y decisiones basadas en datos, solo hay un punto de partida lógico: ser lo suficientemente humilde, autocrítico y curioso como para comprender que sus instintos e intuición pueden estar equivocados y evitar dejarse engañar por su sensación de tripa solo porque se siente bien.
— Escrito por Tomas Chamorro-Premuzic
