El desarrollo del expertise en la era de la IA: ¿Quién formará a la próxima generación?

En un artículo para McKinsey & Company, Bryan Hancock y Charlotte Seiler, analizan cómo la inteligencia artificial está transformando el trabajo de quienes apenas comienzan su carrera profesional y plantean qué deberían hacer las organizaciones para garantizar que la próxima generación desarrolle el expertise necesario. Su propuesta integra la gestión del conocimiento, el diseño de los puestos, el aprendizaje dentro del flujo de trabajo y el coaching de los directivos como parte de un mismo sistema.

Durante décadas, las organizaciones han recurrido a los empleados que comienzan su carrera para encargarse de tareas rutinarias y de menor riesgo. Además de contribuir al funcionamiento del negocio, este trabajo servía como una especie de campo de entrenamiento para desarrollar las capacidades que luego les permitirían asumir mayores responsabilidades. La trayectoria de Peggy Olson en Mad Men es un buen ejemplo: pasó de ser una asistente novata a convertirse en protegida de Don Draper y, posteriormente, en jefa de redacción de una agencia de publicidad. Su crecimiento comenzó precisamente en ese trabajo cotidiano, donde tuvo la oportunidad de observar cómo se tomaban decisiones y empezar a desarrollar su propio criterio.

Sin embargo, la automatización y la inteligencia artificial (IA) están modificando la composición de los puestos de nivel inicial. Actividades como investigar, documentar, depurar datos, programar de forma básica o realizar análisis preliminares están siendo aceleradas o asumidas por sistemas de IA. El problema es que esas mismas tareas eran las que permitían a los trabajadores jóvenes desarrollar intuición, fortalecer su criterio y demostrar que estaban preparados para asumir funciones de mayor responsabilidad.

A esto se suma la preocupación por el impacto de la IA en el empleo. El informe Women in the Workplace 2025, elaborado por McKinsey y LeanIn.Org, muestra que quienes están al comienzo de su carrera, especialmente las mujeres, son el grupo de edad que más preocupación expresa frente a los efectos de la IA sobre su trabajo. Entre los estudiantes del último año de licenciatura, el pesimismo frente al inicio de la vida profesional pasó del 46 al 62 por ciento en apenas dos años. Además, tres cuartas partes de quienes se mostraron pesimistas señalaron como una de las razones que las empresas estaban contratando menos empleados de nivel inicial.

El escenario de contratación todavía está cambiando, pero los primeros indicadores apuntan hacia un mercado laboral más limitado para quienes comienzan su trayectoria. En Estados Unidos, el desempleo entre los universitarios recién graduados ha aumentado desde 2019, mientras que el número de puestos de nivel inicial se reduce, especialmente en las ocupaciones más expuestas a la IA. En el primer trimestre de 2026, la tasa de desempleo entre los universitarios recién graduados rondó el 5,7 por ciento y cerca de cuatro de cada diez estaban subempleados, es decir, trabajaban en cargos que normalmente no requieren un título universitario. Una investigación del Stanford Digital Economy Lab concluyó que los trabajadores de entre 22 y 25 años “en las ocupaciones más expuestas a la IA han experimentado una disminución relativa del 16 por ciento en el empleo, incluso después de controlar factores específicos de cada empresa”.

Aun así, determinar cuánto de este debilitamiento puede atribuirse directamente a la IA sigue siendo motivo de discusión. Economistas de la Reserva Federal de Nueva York estiman que el auge del trabajo remoto, que dificulta la formación de quienes están comenzando su carrera, explica una parte importante del aumento del desempleo entre los recién graduados. Por otro lado, el Budget Lab de Yale todavía no encuentra evidencia clara de que la IA haya tenido un impacto en el conjunto de la economía, aunque sí identifica una creciente diferencia entre los graduados más jóvenes y los de mayor edad, compatible con efectos concentrados en las primeras etapas de la vida laboral.

Según los autores, independientemente de si este deterioro está relacionado principalmente con los algoritmos o con la distancia, el resultado para los empleadores es similar, los mecanismos informales que antes ayudaban a convertir a los recién graduados en profesionales con expertise ya no pueden darse por sentados.

Para las organizaciones, el momento exige tomar decisiones sobre cómo responder a esta transformación. La pregunta ya no debería ser cuántos empleados de nivel inicial contratar, sino para qué están diseñados esos puestos. La transición puede convertirse en una oportunidad para replantear estas posiciones como el punto de partida para desarrollar experiencia especializada en un entorno impulsado por la IA, preparando a los trabajadores para diseñar, desarrollar y supervisar sistemas de IA, en lugar de limitarse a operar dentro de ellos.

Los autores plantean un enfoque de cuatro componentes que combina la gestión del conocimiento, el diseño de roles, el aprendizaje integrado en el flujo de trabajo y el coaching de los directivos. Las organizaciones que actúen de manera deliberada pueden acelerar el desarrollo del criterio de sus empleados y permitirles asumir antes responsabilidades relacionadas con la resolución de problemas de mayor valor.

Siempre habrá una cantera de talento

Los empleados de nivel inicial aportan nuevas perspectivas y formas creativas de abordar los problemas, contribuyendo al crecimiento y la innovación de las organizaciones. También aprenden bajo la orientación de profesionales con más experiencia y construyen relaciones que ayudan a fortalecer la cultura organizacional. Con el tiempo, muchos de ellos se convierten en gerentes y líderes sénior, manteniendo una cantera de talento para el futuro.

La pregunta sobre cómo formar a la siguiente generación de profesionales no es nueva. Lo que ha cambiado es la escala del desafío, a medida que la IA empieza a afectar simultáneamente distintos niveles del trabajo del conocimiento.

Dos líderes sénior de ingeniería de Microsoft, Mark Russinovich y Scott Hanselman, describen esta dinámica de manera directa. Los asistentes agénticos de codificación generan un “impulso de la IA” para los ingenieros sénior, al multiplicar su capacidad de producción, pero también un “lastre de la IA” para los desarrolladores que comienzan su carrera y todavía no cuentan con el criterio necesario para orientar y verificar los resultados de estas herramientas.

El incentivo que surge de esta situación, contratar profesionales sénior y automatizar el trabajo de los júnior, podría terminar debilitando la base de talento de la que dependen los cargos sénior. Su recomendación es contundente, continuar contratando empleados que comienzan su carrera, aceptar que al principio pueden reducir la capacidad productiva y convertir su desarrollo en un objetivo explícito de la organización.

Los datos de McKinsey muestran que el uso de IA generativa ya empieza a afectar la necesidad de puestos de nivel inicial en algunas organizaciones.

Aunque se trata de una tendencia que requiere seguimiento, los líderes consultados por los autores mantienen su compromiso con contratar y formar a la próxima generación de profesionales con expertise, aunque en algunos casos el número de contrataciones sea menor. Otras organizaciones, incluso, mantienen estables sus cifras.

Bank of America, por ejemplo, incorporará casi 4.000 pasantes de verano y nuevos empleados provenientes de universidades en 2026, el mismo volumen del año anterior, a partir de una base de candidatos de más de 500 universidades. Al mismo tiempo, está rediseñando explícitamente estos puestos para incorporar la IA desde el primer día. Su director de recursos humanos califica el enfoque de “intencional y a largo plazo”.

Una encuesta realizada en marzo de 2026 entre aproximadamente 1.500 ejecutivos y líderes sénior de talento encontró que quienes esperaban que la IA aumentara la contratación de trabajadores de nivel inicial en 2026 superaban casi tres a uno a quienes preveían una reducción. Sin embargo, el estudio también deja una advertencia, un tercio de los empleadores afirmó que la IA ya había reducido las tareas fundamentales mediante las cuales los empleados de nivel inicial desarrollan sus habilidades.

Por eso, las organizaciones buscan personas con las capacidades necesarias para interpretar la información detallada que genera la IA y trabajar junto a agentes de IA. Para construir una estrategia que permita desarrollar a estos trabajadores, los autores proponen concentrarse en cuatro áreas.

La base: La gestión del conocimiento

Las organizaciones necesitan aprovechar su conocimiento más valioso para construir flujos de trabajo impulsados por IA. Si no logran movilizar la experiencia especializada que ya existe dentro de la empresa y convertirla en datos de calidad, será difícil utilizarla para formar a la próxima generación de profesionales.

La experiencia especializada codificada recoge la manera de pensar de los profesionales de alto desempeño, incluidos sus marcos de referencia, reglas de decisión, supuestos y juicios previos, y organiza ese conocimiento para que los grandes modelos de lenguaje (large language models, LLM) puedan acceder a él. Esto incluye datos depurados, casos seleccionados cuidadosamente y taxonomías estandarizadas.

Los autores plantean, por ejemplo, el caso de un abogado júnior que trabaja en un contrato de fusiones y adquisiciones (M&A). En lugar de buscar por su cuenta entre miles de operaciones anteriores, un sistema impulsado por IA puede identificar los precedentes más relevantes según las características de la operación y destacar las cláusulas, compromisos y patrones de negociación utilizados por socios experimentados en situaciones similares. De esta forma, la herramienta no solo acelera la redacción, también permite hacer visible el razonamiento detrás de decisiones importantes y ayuda al abogado a desarrollar criterio mientras trabaja.

Un desafío similar aparece cuando las organizaciones deben decidir qué conocimiento merece mayor peso. Un empleado con tres años de experiencia en una empresa de ingeniería puede documentar de manera precisa un proyecto para un cliente. Pero un líder sénior, con décadas de experiencia en diferentes proyectos, puede aportar análisis que incorporan patrones más amplios, compromisos e implicaciones de largo plazo. Ambas contribuciones son valiosas, aunque no tengan el mismo peso.

Esa diferencia debe reflejarse en la manera en que el conocimiento se selecciona, organiza y pone a disposición de los usuarios. Los sistemas pueden ponderar las aportaciones según factores como la profundidad de la experiencia, la consistencia de los resultados y la relevancia que tengan en distintos contextos. Así, tanto las herramientas de IA como los empleados júnior pueden guiarse no solo por aquello que está documentado, sino por el expertise que respalda esa información.

En esencia, la gestión moderna del conocimiento busca organizar y priorizar la información de una manera que refleje cómo se construye la experiencia especializada. Para ello, incorpora validación de expertos, ciclos de retroalimentación y responsables claramente definidos. El sistema puede mejorar con el uso, incorporar nuevos conocimientos útiles y perfeccionar de manera continua lo que se considera una buena práctica. Esto permite que los empleados con menos experiencia desarrollen su criterio más rápido y asuman antes problemas de mayor complejidad.

Diseño de los puestos de nivel inicial: El modelo de la “guía de respuestas”

A medida que la IA y los flujos de trabajo agénticos asumen una parte cada vez mayor de la ejecución cotidiana, los puestos de nivel inicial pueden rediseñarse para que sus ocupantes trabajen con los resultados generados por la IA, los supervisen y los mejoren. Esto puede aumentar la productividad en el corto plazo sin poner en riesgo la cantera de talento a largo plazo.

En un entorno impulsado por IA, el objetivo ya no consiste únicamente en dominar determinadas tareas, sino en desarrollar criterio, es decir, saber cuándo confiar en un resultado generado por una máquina, cuándo cuestionarlo y cuándo descartarlo.

Como argumenta Matt Beane en The Skill Code, las competencias de los empleados de nivel inicial se desarrollan a través de una combinación de desafío, complejidad y conexión con la forma de pensar de los expertos mediante el aprendizaje en la práctica. Estas condiciones suelen disminuir cuando la tecnología absorbe el trabajo rutinario.

Para evitar esa desconexión, los puestos de nivel inicial pueden incorporar de manera más deliberada el aprendizaje práctico y hacer de la IA una parte del proceso. Los equipos pueden crear funciones de menor riesgo y acompañarlas con coaching frecuente sobre cómo interpretar y mejorar los resultados generados por la IA.

Algunas organizaciones están creando puestos estructurados alrededor de programas de aprendizaje, en los que los empleados avanzan mediante asignaciones definidas que combinan trabajo humano y asistencia de IA. Otras utilizan flujos de trabajo paralelos, en los que los empleados realizan primero el trabajo de manera independiente y luego lo comparan con el resultado de la IA. La diferencia entre ambos se convierte así en una herramienta de aprendizaje.

Los autores denominan este enfoque el “modelo de la guía de respuestas”: el empleado intenta resolver primero la tarea, la IA evalúa ese intento y posteriormente el empleado revisa las diferencias junto con su gerente. En este modelo, la IA no sustituye el aprendizaje práctico, sino que lo transforma al acelerar la retroalimentación y conservar las condiciones necesarias para desarrollar experiencia especializada.

En una empresa inmobiliaria, por ejemplo, un agente de IA generaba evaluaciones de mercado mucho más detalladas de las que un empleado de nivel inicial podía elaborar por sí mismo. En lugar de depender directamente de la herramienta, la empresa pedía a los empleados júnior que prepararan primero sus propias evaluaciones, recorriendo los barrios, estudiando la geografía y los patrones de tráfico y construyendo su propia visión del mercado.

Después comparaban su análisis con el generado por la IA. Esa comparación permitía detectar vacíos, identificar factores que habían pasado por alto y fortalecer el criterio. De esta manera, el agente aceleraba la retroalimentación y ampliaba la perspectiva, mientras el empleado seguía desarrollando la comprensión del contexto y la intuición que sustentan el expertise.

La evidencia de otros campos apunta en la misma dirección. En estudios clínicos, proporcionar simplemente a los médicos un LLM produjo mejoras mínimas en su desempeño diagnóstico a largo plazo. En cambio, cuando el flujo de trabajo les exigía comparar y conciliar su propio razonamiento con el del modelo de IA, su desempeño en situaciones posteriores llegó al nivel alcanzado por el propio modelo.

El efecto contrario también resulta revelador. Cuando los trabajadores utilizaron IA generativa para realizar tareas técnicas que no podían hacer por sí mismos, esa capacidad desapareció una vez que dejaron de tener acceso a la herramienta. No habían desarrollado una habilidad duradera. La dependencia pasiva genera resultados; la comparación estructurada ayuda a formar expertos.

Los autores advierten, sin embargo, que los flujos de trabajo que exigen este nivel de participación cognitiva pueden ser más difíciles de utilizar y llegar a abrumar a quienes comienzan su carrera. Por eso, deben diseñarse e introducirse deliberadamente, en lugar de agregarse como un elemento secundario.

Para gestionar este riesgo, muchas organizaciones están ampliando los entornos controlados de experimentación para el talento joven. Bank of America ofrece a sus pasantes formación en IA específica para su línea de negocio desde el primer día y utiliza simulaciones para acelerar el desarrollo del criterio que antes adquirían mediante el trabajo rutinario.

“Tenemos que ofrecer rápidamente a las personas experiencias simuladas, dice Josh Bronstein, director global de talento del banco, para que desarrollen el criterio que, de otro modo, habrían obtenido al realizar algunas de esas tareas durante sus primeros uno o dos años, tareas que ahora, o pronto, la IA u otra tecnología podrá desempeñar.”

Los empleados pueden practicar mediante simulaciones internas o en contextos externos, como colaboraciones con organizaciones sin fines de lucro, antes de poner esas habilidades en práctica en situaciones de mayor impacto. Esto adquiere mayor importancia a medida que los trabajadores de nivel inicial comienzan a configurar o dirigir agentes de IA capaces de escalar decisiones rápidamente.

La implicación es que los puestos de nivel inicial consisten cada vez más en aprender cómo se realiza el trabajo dentro de un sistema impulsado por IA. El objetivo es desarrollar el criterio, la capacidad de supervisión y la adaptabilidad necesarias para desempeñarse como colaboradores y supervisores de la mano de obra digital.

Al mismo tiempo, la estructura de estos puestos también está cambiando. En lugar de limitar a los nuevos empleados a especialidades definidas por tareas muy concretas, algunas organizaciones están diseñando cargos con una visión más integral del sistema y responsabilidades más amplias.

Por ejemplo, en lugar de contratar a un analista de ventas, una empresa puede buscar a alguien para un puesto que abarque ventas, marketing y expertise comercial. Con herramientas que les permiten adaptar su trabajo a distintos problemas y contextos, los perfiles generalistas pueden adquirir cada vez más valor.

No espere: Aprenda en el flujo de trabajo

Las organizaciones pueden crear agentes y sistemas de aprendizaje que amplíen su conocimiento especializado y permitan monitorear el desarrollo de habilidades en tiempo real. El modelo de la guía de respuestas ofrece incluso una forma de medir ese progreso, la distancia entre el intento independiente de un empleado y el resultado generado por la IA puede observarse, y una reducción de esa brecha con el tiempo puede ser una señal directa de que está desarrollando criterio.

En este contexto, “aprender en el flujo de trabajo” se vuelve más concreto. Los empleados de nivel inicial aprenden mientras producen resultados reales, con sistemas de IA que actúan como guías y revisores integrados en el proceso.

A medida que las empresas rediseñan sus flujos de trabajo para incorporar agentes de IA, buena parte de la ejecución rutinaria queda en manos del sistema. Las personas, incluidos los empleados júnior, pueden concentrarse en tareas de mayor valor, como interpretar resultados, evaluar disyuntivas y conectar hallazgos provenientes de diferentes contextos.

Para que esto funcione, el apoyo debe formar parte del trabajo cotidiano. Las herramientas de IA pueden sugerir próximos pasos, identificar riesgos y entregar retroalimentación inmediata, mientras los gerentes concentran su coaching en el desarrollo del criterio y la toma de decisiones, más que en supervisar la ejecución de cada tarea.

Algunas organizaciones concentran el aprendizaje al principio mediante simulaciones breves o programas estructurados de incorporación. Otras incorporan rápidamente a los empleados al trabajo real y confían en que los ciclos de retroalimentación impulsados por IA y el coaching aceleren su desarrollo. En ambos casos, la lógica es similar, los empleados aprenden haciendo, mientras la IA reduce el tiempo necesario para adquirir experiencia especializada y ganar confianza.

La ciencia del aprendizaje detrás del modelo de la guía de respuestas también empieza a consolidarse. En un experimento, estudiantes de primer año de medicina que respondieron preguntas sobre casos generadas por IA y recibieron retroalimentación automatizada y personalizada durante cinco días superaron a estudiantes de segundo año, con un año adicional de formación, en los diagnósticos evaluados mediante un examen basado en video. El resultado se mantuvo incluso en una evaluación de seguimiento realizada dos semanas después.

El aprendizaje persistió, lo que aporta evidencia de que el ciclo de intentar primero y verificar después puede producir habilidades duraderas, en lugar de una competencia prestada por la tecnología.

Un proyecto piloto de Stanford lleva este diseño un paso más allá, un chatbot interpreta al paciente, el estudiante lo entrevista, formula un diagnóstico y lo defiende, y solo después el sistema analiza críticamente su razonamiento. La secuencia es fundamental, primero responde el estudiante y luego interviene la IA para evaluar el intento.

Contrate por criterio, haga coaching por contexto

Las organizaciones también están reconsiderando el perfil de las personas que necesitan contratar. En lugar de formar grandes grupos de especialistas júnior, están dando más importancia a la adaptabilidad y a la capacidad de desenvolverse en distintos contextos. La pregunta empieza a cambiar de “¿Qué estudiaste?” a “¿Cómo razonas?”.

Además de la alfabetización digital, los empleadores están priorizando atributos como creatividad, capacidad para resolver problemas, resiliencia y razonamiento, cualidades asociadas con una alta capacidad cognitiva general.

Los datos de contratación también reflejan esta tendencia. Cuando los empleadores califican las habilidades que consideran más importantes para las contrataciones de nivel inicial, estas capacidades aparecen entre las primeras de la lista.

En otras palabras, la apuesta de largo plazo está en el criterio y no en el dominio de una herramienta. Los puestos que requieren habilidades en IA tienen casi el doble de probabilidades de exigir pensamiento analítico, resiliencia o agilidad.

Un director de recursos humanos de una institución financiera de la lista Fortune 100 explicó que la empresa no contrata a partir de un título específico, sino que busca “atletas versátiles” con fuertes instintos de aprendizaje, habilidades interpersonales y conocimientos básicos de IA.

Este cambio también amplía el grupo de trabajadores que pueden acceder a estas oportunidades. Entre ellos están los llamados “STARs” (Skilled Through Alternative Routes), personas sin un título universitario de cuatro años que han desarrollado sus capacidades a través de la experiencia.

A medida que el conocimiento se vuelve más accesible, estos trabajadores pueden aportar un valor significativo si cuentan con el respaldo y las oportunidades necesarias para seguir desarrollándose.

Esto supone un cambio frente al modelo tradicional de contratación, que valoraba la especialización profunda desde las primeras etapas de la carrera. Ahora, a medida que la IA y los sistemas de gestión del conocimiento proporcionan expertise bajo demanda, adquiere mayor importancia la capacidad de los empleados para aplicar, conectar y ampliar ese conocimiento.

En la práctica, las empresas están buscando perfiles más completos y con alto potencial, y confían en el aprendizaje en la práctica y la experiencia real para desarrollar el expertise con el tiempo.

Dado que los empleados júnior pueden incorporarse mucho antes a actividades de mayor valor, el coaching en habilidades interpersonales también cobra importancia. Un nuevo empleado puede tener que interactuar con personas sénior mucho antes que en el pasado, incluso para comunicar mensajes difíciles, como recomendar una reducción significativa del presupuesto.

Los directivos pueden enseñar a un analista recién incorporado a conducir una conversación delicada, construir credibilidad o influir en un profesional con mucha más experiencia.

Sin esta orientación, los empleados que llevan poco tiempo en la organización pueden limitarse a presentar “lo que dicen los datos” de una manera demasiado directa o alejada de la realidad del negocio. Los directivos siempre han ayudado a los empleados jóvenes a formular preguntas relevantes y considerar otras perspectivas, pero estas capacidades adquieren aún más importancia cuando los trabajadores pueden interpretar datos mucho más potentes y completos.

Pocos altos ejecutivos quieren que un recién graduado de un MBA (Master of Business Administration) les diga que su plan de negocio es poco realista. Los empleados júnior pueden tener el respaldo de la IA, pero siguen necesitando coaching para saber cómo leer la situación.

El coaching también puede centrarse en ayudar a los nuevos empleados a comprender mejor el contexto. A medida que el análisis se automatiza, el elemento diferenciador ya no es producir una cifra, sino explicar qué significa.

Los empleados necesitan aprender a interpretar patrones, reconocer las dinámicas del sector y explicar el “por qué” detrás de los datos. Ese criterio suele adquirirse con la experiencia, pero en este nuevo entorno los coaches pueden acelerar el proceso mediante retroalimentación en tiempo real, storytelling y “microlecciones” integradas que expliquen cómo funciona realmente el negocio.

Ayudar a un analista a entender, por ejemplo, que un aumento de las ventas puede responder a ciclos promocionales y no necesariamente a un crecimiento real de la demanda es tan importante como enseñarle a presentar las cifras.

Algunos expertos proponen tomar como referencia la profesión médica para formalizar este tipo de coaching integrado en el flujo de trabajo y darle el peso institucional que la mentoría informal ha ido perdiendo.

Molly Kinder, especialista en el impacto de la IA en el trabajo, propone que los empleadores miren hacia el modelo de residencia médica. Si la IA absorbe las tareas rutinarias mediante las cuales los empleados de nivel inicial aprendían de manera incidental, las organizaciones deberían rediseñar estos puestos como períodos protegidos y estructurados para desarrollar habilidades de forma deliberada, con una progresión hacia la autonomía como compromiso explícito.

Russinovich y Hanselman llevan esta lógica un paso más allá y proponen un modelo de “preceptor”, inspirado en la práctica clínica, en el que un profesional recién incorporado trabaja bajo la supervisión de un experto sénior antes de obtener autonomía.

En su propuesta, un ingeniero sénior orienta formalmente a un pequeño grupo de ingenieros júnior y trabaja con ellos utilizando herramientas de IA. De esta manera, puede observar qué resultados aceptan, cuáles rechazan y en qué se equivocan al ejercer su criterio. El papel del mentor deja así de consistir principalmente en responder preguntas y pasa a centrarse en enseñar a desarrollar criterio.

En última instancia, las organizaciones deberían considerar el coaching una capacidad fundamental para desarrollar talento joven y no una actividad secundaria. Los directivos ya no solo supervisan el trabajo, también tienen la responsabilidad de moldear la forma en que los empleados piensan, se comunican y entienden el negocio.

Esto puede reforzarse mediante un coaching más estructurado, mejores sistemas para compartir conocimiento y programas de nivel inicial rediseñados que ofrezcan exposición a diferentes funciones. A medida que estos puestos evolucionan, pasando de realizar análisis a asesorar al negocio, el éxito dependerá de que los coaches ayuden a desarrollar las habilidades humanas, como criterio, comunicación e influencia, necesarias para desenvolverse en esta nueva realidad.

Lo que buscan en el trabajo quienes inician su carrera profesional no ha cambiado

Los empleados que están comenzando su carrera enfrentan actualmente menos oportunidades y una movilidad más limitada, pero sus expectativas de crecimiento siguen siendo similares. Buscan trabajos con sentido, oportunidades de desarrollo, flexibilidad y un liderazgo sólido.

En este contexto, la recapacitación y la retención están estrechamente relacionadas. Retener el talento requiere ofrecer elementos fundamentales como trayectorias profesionales claras, trabajo con propósito, directivos que brinden apoyo y acceso a las habilidades de IA más demandadas.

Esto es especialmente importante porque los empleados que más utilizan la IA también tienen una mayor probabilidad de cambiar de empresa, precisamente por el valor que esas capacidades tienen en el mercado laboral.

La conclusión de los autores es clara, las empresas no pueden tratar a quienes comienzan su carrera como una fuerza laboral de paso. La menor movilidad puede representar una oportunidad para invertir más profundamente en ellos, pero también aumenta el riesgo de desvinculación si sus expectativas no se cumplen.

Las organizaciones que tengan éxito serán aquellas que combinen un desarrollo deliberado de habilidades con una experiencia laboral atractiva, de modo que los trabajadores de nivel inicial no solo puedan adaptarse a los cambios impulsados por la IA, sino que también encuentren razones para permanecer y crecer dentro de la organización.

El argumento a favor de esta inversión responde a una objeción evidente. Si los empleados júnior reducen inicialmente la capacidad productiva, ¿por qué una empresa debería asumir el costo de desarrollar un criterio que podría terminar aprovechando un competidor? La pregunta cobra todavía más relevancia cuando los empleados más involucrados con la IA son también los más propensos a cambiar de empresa.

Las organizaciones siempre han enfrentado el riesgo de formar talento que luego se marcha a la competencia. La diferencia ahora es que la IA está llevando a algunas empresas a cuestionar el valor de mantener vías de incorporación para empleados de nivel inicial.

Una parte de la respuesta está en que la formación descrita en este artículo no es genérica. El criterio construido a partir del expertise codificado, los casos y las taxonomías propias de una empresa es, en parte, específico de esa organización y resulta menos transferible que una certificación.

También existe un costo por no invertir, una sucesión más débil, una transferencia de conocimiento estancada y una adopción más lenta de la propia IA. Estos son algunos de los riesgos de largo plazo que señalan los líderes de las empresas que están invirtiendo durante esta transición.

Por eso, la aparente disyuntiva entre contar con personal júnior y mantener la eficiencia puede ser, según los autores, una falsa dicotomía.

Aunque todavía existe incertidumbre sobre el alcance de la transformación que provocará la IA en la fuerza laboral, la cantera de talento no está desapareciendo, se está reconstruyendo. Las organizaciones que rediseñen los puestos para orientar la IA hacia resultados productivos estarán mejor preparadas para desarrollar la fuerza laboral calificada que necesitarán.

La necesidad de un diseño deliberado

Desarrollar el potencial de los empleados al inicio de su carrera profesional no es algo automático. Requiere un diseño intencional en cuatro áreas:

• Gestión del conocimiento. Codifique la manera de pensar de sus profesionales de mejor desempeño (sus marcos de referencia, reglas de decisión y criterios previos) y estructure ese conocimiento para que los sistemas de IA y los empleados júnior puedan acceder a él directamente. Incorpore la validación por parte de expertos, ciclos de retroalimentación y responsables claramente definidos, y otorgue mayor peso a las aportaciones sustentadas en un criterio que a las basadas en experiencias aisladas. El sistema debe mejorar con el uso y perfeccionar continuamente la definición de lo que constituye una buena práctica.
   
• Rediseño de flujos de trabajo y de puestos. Al rediseñar los flujos de trabajo en torno a agentes de IA, considere los puestos de nivel inicial como una parte deliberada de este rediseño y no como un elemento residual. Reestructure estos puestos para que se centren en trabajar con los resultados generados por la IA, supervisarlos y mejorarlos. Contrate priorizando el criterio sobre el dominio de las herramientas (curiosidad, adaptabilidad, capacidad de resolución de problemas e inteligencia emocional) y amplíe el espectro de candidatos para incluir personas con alto potencial, aunque no cuenten con formación académica formal en ese ámbito. El objetivo es incorporar un perfil versátil capaz de aplicar, conectar y ampliar el conocimiento a lo largo de todo el flujo de trabajo, y no a un especialista con una experiencia muy limitada.
   
• Diseño del aprendizaje basado en la IA. Integre el aprendizaje en el trabajo real para que los empleados desarrollen su criterio mientras producen resultados de trabajo reales, con la IA actuando como guía y revisor integrados en el proceso. Base el diseño en el ciclo de “intentar primero y verificar después”, y considere que la reducción de la brecha entre el trabajo realizado de manera independiente por el empleado y el resultado generado por el modelo de IA constituye una evidencia directa de que se está desarrollando el criterio. Diseñe e introduzca deliberadamente estos flujos de trabajo, en lugar de añadirlos como un elemento accesorio.
   
• Mejora de las competencias de los directivos. Considere el coaching como una capacidad fundamental y no como algo secundario, ya que los empleados de nivel inicial interactúan con partes interesadas sénior e interpretan datos de gran alcance mucho antes que en el pasado. Capacite a los directivos para hacer coaching orientado al desarrollo del criterio, la comprensión del contexto y la capacidad de influencia, en lugar de limitarse a supervisar la ejecución de las tareas. Considere formalizar este papel mediante un modelo de preceptor, otorgando a la mentoría estructurada el peso institucional que ha ido perdiendo el aprendizaje práctico informal.

Las organizaciones que continúen invirtiendo en talento que inicia su carrera mientras rediseñan los puestos para trabajar junto con la IA tendrán más probabilidades de desarrollar la fuerza laboral calificada que necesitarán en el futuro. De hecho, uno de los hallazgos más llamativos de esta incipiente era de la IA puede ser lo poco que ha cambiado la jerarquía de las habilidades esenciales, incluso cuando las exigencias para los puestos de nivel inicial continúan aumentando.