En el artículo anterior comentaba que, cuando hablamos de seniority, solemos asociarlo a la confianza.

Esa cierta certeza sobre cómo actuará una persona cuando el resultado no sea evidente, la herramienta falle o aparezca un problema que no estaba previsto. Es decir, ¿qué comportamientos hacen que una persona resulte confiable y permitan al equipo trabajar con menos incertidumbre?

Y sigo preguntándome cómo está cambiando exactamente la IA esa confianza, sobre todo en los procesos de selección.

La IA no ha cambiado lo que buscamos en un perfil técnico. Ha cambiado nuestra capacidad para detectarlo.

Cuando el resultado deja de ser suficiente

Cuando hablamos de evaluación técnica, históricamente hemos utilizado distintas fuentes de evidencia.

• Una estaba centrada principalmente en el resultado: ¿funciona la solución?, ¿está bien resuelta?, ¿la arquitectura es sólida?
• Otra ponía más atención en el razonamiento: ¿por qué tomó esa decisión?, ¿qué alternativas descartó?, ¿qué riesgos identificó?, ¿cómo razonó cuando no existía una respuesta evidente?

Ambas han convivido durante años y el peso de una u otra dependía, en gran medida, del criterio de quien evaluaba.

Podríamos resumir la diferencia así:

Resultado → evidencia sobre lo que se ha conseguido.

Proceso de decisión → evidencia sobre cómo se ha llegado ahí.

Aquellas empresas que ya incorporaban el razonamiento en sus procesos de selección parten de una posición diferente ante el uso de la IA. En cambio, aquellas que utilizaban el resultado como una señal suficientemente fiable del criterio de la persona candidata tendrán que replantearse esa forma de evaluar.

A lo largo de mi trayectoria profesional he visto cómo se descartaba a personas candidatas por resolver una prueba técnica de una forma diferente a la esperada y, sin embargo, avanzar en otros procesos porque quien evaluaba interpretaba de otra manera esa misma solución.

En ingeniería, se pueden tomar decisiones distintas a las que habría tomado quien evalúa y, aun así, llegar a una solución técnicamente sólida, identificar los riesgos relevantes y justificar las decisiones.

Pero es fácil cometer el error de pensar que evaluar criterio consiste en reconocer una forma de pensar que nos resulta familiar, en lugar de determinar si el razonamiento es sólido, aunque sea diferente al nuestro. Si esto ya era difícil antes de la inteligencia artificial, ahora resulta todavía más evidente, porque la IA puede producir una solución técnicamente correcta sin que sepamos cuánto del criterio que hay detrás pertenece realmente a la persona que la presenta.

Imaginemos dos personas candidatas. Las dos presentan prácticamente la misma solución. Una ha aceptado la primera propuesta de la IA; la otra ha probado varias alternativas, ha detectado riesgos y ha modificado parte de la arquitectura.

El resultado puede parecer el mismo. El proceso de decisión no.

Daniel Tomko planteaba en su blog Formation que los mejores perfiles de ingeniería no son solo quienes implementan, sino quienes evalúan si lo que propone la IA encaja con el problema, es seguro y está bien fundamentado. Lo relaciona con la capacidad de ejercer criterio bajo incertidumbre.

Gergely Orosz documenta en la misma linea en The Pragmatic Engineer, al explicar cómo algunas empresas, entre ellas Shopify, están desplazando el foco desde la capacidad de producir código hacia cómo las personas interpretan, cuestionan y corrigen lo que la IA les propone.

Y esto es algo que estoy observando cada vez más en los procesos de selección. El foco empieza a desplazarse hacia cómo una persona utiliza la IA, cuestiona sus propuestas y aplica su propio criterio sobre ellas.

La IA pone a prueba el criterio técnico

El criterio técnico siempre ha sido importante. Lo que está cambiando es nuestra capacidad para explicarlo e identificarlo a partir del resultado. Y, al hacerlo, la IA también está haciendo más visibles algunos problemas que ya existían en los procesos de selección.

Por ejemplo, el sesgo de pensar que una buena solución tiene que seguir el camino que nosotros habríamos seguido. Si confundimos pensar como nosotros con tener buen criterio, podemos interpretar una forma diferente de razonar como falta de criterio. Y ahora, tenemos que distinguir entre dos cosas: el resultado que produce una persona y el criterio que utiliza para decidir si ese resultado es correcto.

No significa que debamos dejar de evaluar el resultado. Una solución que no funciona sigue siendo una mala solución. Lo que cambia es cuánto podemos inferir a partir de ella sobre la persona que la ha construido.

Si la IA ha participado en una parte importante del proceso, el resultado por sí solo nos cuenta menos sobre quién tomó las decisiones relevantes, qué supuestos se hicieron, qué riesgos se consideraron o qué alternativas se descartaron.

Aquí aparece una responsabilidad compartida.

Quien se presenta a un proceso tiene que hacer visible su criterio y quien evalúa tiene que saber detectarlo.

Por eso, la comunicación técnica y las buenas preguntas adquieren todavía más importancia. Necesitamos poder observar cómo piensa una persona, qué cuestiona, qué comprueba y por qué toma una decisión.

¿Qué decidió delegar en la IA? ¿Qué decidió no delegar? ¿Qué propuesta aceptó? ¿Cuál cuestionó? ¿Qué modificó? ¿Qué verificó? ¿Qué riesgos identificó?

No necesitamos necesariamente conocer cada interacción con la herramienta.

Necesitamos poder entender las decisiones relevantes que hay detrás del resultado.

Una conversación tampoco es una prueba perfecta. También se puede preparar y actuar. Pero puede ayudarnos a observar algo que el resultado, por sí solo, cada vez explica menos.

Una reflexión para terminar

Cuando hablábamos de seniority en el artículo anterior, hablábamos de confianza. Y es precisamente con la IA, en un mundo donde generar una solución técnica es cada vez más fácil, cuando aparece el verdadero reto.

Ya no se trata solo de saber si alguien puede construir una solución, sino de saber si podemos confiar en su criterio para decidir qué construir, qué aceptar, qué cuestionar y qué hacer cuando las cosas no salen como esperamos.

Quizá el reto de los procesos de selección en la era de la IA no sea encontrar una nueva prueba que sustituya a las anteriores, sino aprender a observar aquello que hasta ahora inferíamos a partir del resultado.

Eso no significa dejar de evaluar el resultado. Significa entender que una buena solución y un buen proceso de decisión no son necesariamente la misma evidencia.

Si el resultado deja de ser suficiente como evidencia, la pregunta que tal vez debemos hacernos es: ¿cómo hacemos visible y evaluamos el criterio que hay detrás?