La Bolsa de Comercio de Mendoza reunió a especialistas en una jornada sobre IA y gestión de personas. La falta de responsables, la integración con los sistemas corporativos, la gobernanza y la capacitación aparecen entre los principales desafíos para las empresas que buscan automatizar procesos sin perder el control humano.
IA en la agenda de RRHH 2027. Alejo Cardoso puso el foco en una característica que distingue a la inteligencia artificial generativa del software tradicional: la dificultad para anticipar con exactitud sus respuestas.
La inteligencia artificial ya forma parte de la rutina de muchos trabajadores, pero su incorporación a los procesos formales de las empresas avanza a otro ritmo. Para 2027, el desafío de las áreas de Recursos Humanos no será solamente sumar herramientas, sino definir qué problemas resolver, quién conducirá su implementación, cómo medir los resultados y qué controles hacen falta para proteger la información y mantener la supervisión humana.
El contenido al que quiere acceder es exclusivo para suscriptores.
Ese fue el eje de “IA en la agenda de RRHH 2027”, la jornada realizada el 20 de octubre en la Bolsa de Comercio de Mendoza, organizada por Mandü by Visma, el Instituto Universitario de Ciencias Empresariales y Bench Club. El encuentro reunió a referentes de gestión de personas y tecnología para analizar cómo trasladar la inteligencia artificial desde la experimentación individual hacia los procesos corporativos y los objetivos de negocio.
Claudia Vázquez, CEO y fundadora de InnovaRH Latam; Juan Chessa, responsable de Talent Acquisition y embajador de IA de Visma; y Alejo Cardoso, director del Laboratorio de Inteligencia Artificial del Polo TIC Mendoza, abordaron distintas dimensiones de esa transformación: la responsabilidad de Recursos Humanos, los límites de los modelos generativos, la gobernanza, la organización de datos y el desarrollo de agentes capaces de ejecutar tareas.
El punto de partida expuesto por Vázquez muestra una brecha entre el uso personal y la adopción institucional. Según los datos que presentó, el 94,2% de los líderes de Recursos Humanos utiliza inteligencia artificial, pero el 71,2% la incorporó a algún proceso formal del área. La integración en procesos corporativos más amplios y vinculados directamente con los resultados del negocio todavía representa un desafío.
Para la especialista, esa diferencia abre una oportunidad para que Capital Humano deje de limitarse a gestionar el impacto de la tecnología sobre los trabajadores y participe activamente en la estrategia empresarial.
Uno de los principales obstáculos identificados por Vázquez es la falta de responsables claros para conducir la implementación. En muchas organizaciones, la inteligencia artificial se incorpora mediante iniciativas aisladas, sin una persona a cargo, indicadores definidos ni mecanismos para evaluar su impacto. “Si nadie es dueño, nadie gestiona, nadie tiene un KPI, nadie responde ante el negocio”, advirtió.
La frase sintetiza uno de los problemas que atraviesan las empresas: la disponibilidad de herramientas no garantiza que exista una estrategia para utilizarlas. A esa dificultad se suman plataformas desconectadas de los sistemas corporativos, falta de preparación de los equipos, liderazgo insuficiente y ausencia de proyectos formales.
Vázquez también señaló que cerca del 22% avanza sin tener claro qué herramienta implementar o comprar, quién utiliza las licencias o los tokens y cómo aprovecharlos. En algunos casos, la adopción responde a la presión competitiva, sin que exista un diagnóstico previo de las necesidades de la compañía.
La consecuencia puede ser una inversión tecnológica que no se traduce en mejoras verificables de productividad ni en resultados para el negocio. Por eso, la especialista planteó que cada implementación debe responder a un objetivo concreto, contar con responsables e incorporar métricas para evaluar su desempeño.
“Hoy tenemos la oportunidad, hoy tenemos la posibilidad de abrir una puerta increíble, de sentarnos en una mesa de dirección, de empezar a hablar de negocios, de empezar a hablar de estrategia de negocios”, sostuvo. Para aprovecharla, advirtió, el área necesita comprender cómo implementar estas herramientas y qué resultados puede generar para la compañía.
El área de Recursos Humanos puede asumir un papel central en ese proceso: identificar tareas susceptibles de automatización, coordinar la capacitación, acompañar los cambios en la organización del trabajo y participar en las decisiones sobre el uso de la tecnología.
La formación, en ese sentido, no debería limitarse a cursos generales sobre inteligencia artificial. Vázquez propuso trabajar con cápsulas breves, prácticas y enfocadas en capacidades concretas, para que los equipos aprendan a resolver problemas reales con las herramientas disponibles.
La transformación también requiere acompañamiento de los líderes. Habilitar una plataforma y dejar que cada empleado descubra cómo utilizarla no equivale a implementar una estrategia. Es necesario establecer prioridades, definir responsabilidades y evaluar si las soluciones generan el valor esperado.
La adopción de inteligencia artificial puede avanzar desde el uso asistido mediante instrucciones o prompts hasta sistemas capaces de ejecutar tareas, operar como agentes autónomos y coordinar el trabajo de varios agentes.
Vázquez describió esa evolución como un proceso gradual, en el que las herramientas se integran progresivamente con los sistemas, los flujos de trabajo y los objetivos de la empresa. En las primeras etapas, el usuario solicita ayuda para producir una respuesta o resolver una tarea. En las siguientes, la IA puede ejecutar secuencias de acciones y participar de procesos más complejos.
Pero a medida que aumenta la autonomía, también crece la necesidad de definir las condiciones en las que opera el sistema. Para automatizar un proceso hacen falta contexto e información sobre el flujo de trabajo. Los agentes, además, necesitan roles, objetivos, contexto y memoria, junto con mecanismos de revisión.
La especialista recomendó avanzar mediante pruebas piloto, observar los resultados y ampliar progresivamente las aplicaciones que demuestren valor. El objetivo es construir equipos híbridos en los que convivan personas y agentes de inteligencia artificial, con responsabilidades diferenciadas y supervisión humana.
La cuestión no pasa solamente por determinar qué tareas puede ejecutar una máquina. También implica decidir cuáles requieren criterio humano, quién verifica los resultados y cómo se corrigen los errores. En ese esquema, la automatización no elimina la responsabilidad de la organización sobre las decisiones que toma ni sobre los procesos que delega.
Alejo Cardoso puso el foco en una característica que distingue a la inteligencia artificial generativa del software tradicional: la dificultad para anticipar con exactitud sus respuestas. “Creo que nos pasa a todos, porque nadie puede sentir el cambio por la velocidad que tiene el cambio”, planteó. Y agregó: “Va más rápido el cambio de lo que el ser humano puede adoptar”.
La velocidad de desarrollo de la tecnología supera la capacidad humana para comprenderla y adoptarla. Esa brecha genera reacciones opuestas: mientras algunas personas recurren a la IA para casi todo, otras la descartan cuando detectan errores o resultados inconsistentes.
Para el representante del Polo TIC, el primer paso es comprender qué tipo de herramienta se está utilizando y evitar tanto la dependencia automática como el rechazo basado en una mala experiencia. “Hay gente que no lo ve y la usa para todo, le consulta toda la IA, y prácticamente todo tiene que pasar por ahí. Hay otra gente que no, que dice: ‘Me devuelve cualquier cosa, la verdad es que no puedo usarlo porque esto no va’. Es una herramienta”, señaló.
A diferencia del software tradicional, que suele funcionar mediante reglas y resultados predefinidos, los modelos generativos producen respuestas probabilísticas y estocásticas. Una misma consulta puede dar lugar a resultados distintos según el contexto, la formulación de la instrucción, el modelo utilizado y las condiciones de uso.
Además, los sistemas están condicionados por sus datos de entrenamiento y pueden reflejar sesgos culturales. Por eso, dos modelos desarrollados por empresas diferentes o entrenados en contextos distintos pueden responder de manera diferente ante una misma pregunta. Estas características tienen consecuencias para las compañías. Una herramienta puede producir una respuesta convincente y, aun así, contener errores o información inadecuada para el caso concreto. La revisión no puede depender solamente de que el resultado parezca correcto.
Cardoso sostuvo que la gobernanza debe acompañar esa naturaleza cambiante de la tecnología. No alcanza con establecer un procedimiento uniforme, distribuirlo entre los empleados y asumir que el problema quedó resuelto. Las reglas necesitan seguimiento, colaboración entre áreas y ajustes a medida que cambian las herramientas y las necesidades de la organización. “No alcanza con la aplicación procedimental de una persona, una bajada de líneas, que vamos a hacer así, listo, se aplica, miramos para otro lado y cumplir reglas. Es dinámico, es muy dinámico”, advirtió.
Tampoco existe una única fórmula aplicable a todas las empresas. La estrategia debe adaptarse a los procesos, los datos disponibles, los riesgos y los objetivos de cada negocio. Así, el especialista también llamó la atención sobre la sobrecarga de información y las modas que rodean a la inteligencia artificial. Intentar seguir cada novedad resulta difícil en un entorno donde las herramientas evolucionan más rápido de lo que las personas pueden comprenderlas y evaluarlas.
La respuesta, desde esa perspectiva, es desarrollar criterio para seleccionar aplicaciones, identificar sus limitaciones y revisar de manera continua las reglas de uso. El objetivo no es adoptar cada innovación, sino entender dónde puede aportar valor y bajo qué condiciones conviene implementarla.
Desde una perspectiva técnica, Alejo Cardoso explicó que la eficiencia de los sistemas de inteligencia artificial también depende de cómo se organizan los proyectos y de la información que reciben. Una de sus recomendaciones fue evitar concentrar demasiadas instrucciones, documentos y fuentes en un único proyecto. En cambio, propuso desarrollar proyectos pequeños y especializados, orientados a tareas concretas.
En lugar de concentrar todas las tareas en una única solución con instrucciones extensas y grandes volúmenes de contexto, recomendó trabajar con proyectos más acotados y especializados. “Prefiero tener más proyectos que sean más especialistas en determinadas cosas que un súper proyecto con muchísimo contexto, con muchísimas fuentes y con una súper instrucción larguísima”, explicó.
El exceso de contexto puede reducir la confiabilidad de las respuestas y elevar el consumo de tokens, las unidades utilizadas para procesar información en muchos modelos de IA. El costo no depende únicamente de las respuestas generadas: también se utilizan recursos para procesar las instrucciones y los documentos que el sistema recibe.
Dividir el trabajo en proyectos específicos permite acotar las fuentes, reducir información innecesaria y mejorar la eficiencia. La lógica consiste en darle a cada sistema el contexto que necesita para cumplir una función, en lugar de cargarlo con todo el conocimiento disponible.
Cardoso también explicó el uso de skills, instrucciones especializadas que pueden compartirse entre proyectos o agentes, mantenerse separadas o combinarse según la tarea. Estas instrucciones pueden tener una descripción inicial breve y cargarse en detalle solo cuando resultan pertinentes, lo que evita procesar contenido innecesario en cada interacción.
La especialización permite, por ejemplo, diferenciar una guía jurídica de una guía de estilo. Cada una cumple una función distinta y puede ser necesaria en un mismo proceso, pero no reemplaza el criterio de la persona que aporta contexto, revisa el tono y supervisa el resultado final.
Otro de los puntos centrales fue la organización de los documentos y las fuentes de información. Cardoso utilizó una metáfora para explicar las distintas capas con las que trabaja un sistema: el escritorio representa el chat y las instrucciones de cada interacción; la libreta, la memoria que permite personalizar respuestas; y el estante, la biblioteca de documentos que el sistema consulta.
La distinción ayuda a entender por qué acumular archivos no garantiza mejores resultados. Si una biblioteca reúne manuales contradictorios, versiones antiguas y políticas actualizadas sin una estructura clara, la herramienta puede recuperar información equivocada.
Ordenar, depurar y mantener actualizadas las fuentes permite reducir esos riesgos. Para las empresas, la gestión documental se convierte así en una condición importante para lograr resultados confiables, especialmente cuando la IA interviene en procesos internos, políticas corporativas o decisiones relacionadas con las personas.
Uno de los casos compartidos durante el encuentro fue el de Global Solutions, que transformó su call center mediante la integración de un sistema de gestión de relaciones con clientes (CRM), métricas y agentes de inteligencia artificial capaces de realizar y auditar conversaciones.
Según el ejemplo presentado, los agentes analizan las llamadas e identifican los 20 prospectos más prometedores de cada 100 contactos. Esas oportunidades se derivan luego a trabajadores para completar el proceso comercial.
La empresa informó que actualmente convierte en ventas el 50% de esos prospectos. El modelo busca que la tecnología se ocupe de las tareas de contacto, análisis y clasificación, mientras las personas concentran sus esfuerzos en las oportunidades con mayor potencial de cierre. De acuerdo con el caso expuesto, el cambio permitió mejorar la eficiencia y reconvertir a los empleados hacia actividades de mayor valor. La experiencia muestra cómo la automatización puede modificar la distribución del trabajo y no limitarse a acelerar tareas aisladas.
Durante el encuentro en la Bolsa, Juan Chessa realizó una demostración en vivo sobre la construcción y utilización de agentes de inteligencia artificial aplicados a los procesos de recursos humanos. Uno de los casos más destacados fue el de un agente de IA utilizado por la propia empresa en un proceso real de selección de personal, en el que se recibieron aproximadamente 1.200 currículums.
Chessa explicó cómo la herramienta permitió realizar una primera evaluación automatizada de los perfiles, identificando aquellos que cumplían con los requisitos establecidos y facilitando la revisión posterior de los candidatos mejor posicionados.
El proceso culminó con la incorporación de Julieta, la persona finalmente seleccionada, quien también estuvo presente durante la jornada. Chessa destacó la satisfacción con el resultado y mostró cómo la inteligencia artificial puede contribuir a reducir significativamente las tareas repetitivas de selección, sin reemplazar la intervención humana en las decisiones finales de contratación.
Además, realizó una demostración práctica de cómo construir flujos de trabajo automatizados (workflows) mediante herramientas de IA y la plataforma presentada durante el evento. Entre los ejemplos, mostró cómo configurar un proceso de reclutamiento que permitiera generar formularios de postulación mediante Google Forms, recibir automáticamente los currículums, emitir notificaciones ante nuevas postulaciones y aplicar filtros iniciales de acuerdo con las características requeridas para cada puesto.
A través de la construcción de estos flujos y sus diferentes nodos, los asistentes pudieron observar cómo tareas que habitualmente requieren múltiples intervenciones manuales pueden integrarse en un proceso automatizado, más ágil y organizado.
Finalmente, Chessa destacó la importancia de compartir tanto los conocimientos adquiridos como los errores y aprendizajes que surgen durante la incorporación de estas tecnologías. En un escenario de transformación acelerada, remarcó el valor del aprendizaje colectivo y de la experimentación práctica para comprender las posibilidades y limitaciones de la inteligencia artificial en el ámbito empresarial.
Su presentación permitió trasladar al terreno práctico varios de los conceptos abordados durante la jornada, mostrando que la incorporación de agentes de IA a los procesos de recursos humanos ya puede materializarse en aplicaciones concretas, manteniendo la supervisión y la decisión humana como componentes fundamentales.
Las tres perspectivas coinciden en que la adopción tecnológica no puede medirse únicamente por la cantidad de herramientas contratadas o de empleados que las utilizan. La evaluación debe considerar si los sistemas resuelven problemas concretos, cómo se integran con los procesos existentes y qué impacto tienen sobre la productividad y la organización del trabajo.
Con la mirada puesta en 2027, el desafío empresarial no será incorporar inteligencia artificial a cualquier costo ni perseguir cada novedad del mercado. Será elegir dónde puede aportar valor, avanzar con pruebas controladas, preparar a los equipos y definir mecanismos de supervisión que permitan aprovechar sus capacidades sin resignar el criterio ni la responsabilidad humana.