La IA puede acelerar el resource planning, pero debe mejorar la evidencia y no tomar decisiones autónomas sobre personas. Su utilidad está en organizar skills, disponibilidad, demanda e historial, explicando cada propuesta y sus lagunas.
La diferencia práctica entre una implantación útil y una decorativa está en dónde se coloca la IA dentro del proceso. Si sustituye el criterio del manager, produce una recomendación que nadie sabe defender ante el cliente ni ante la persona asignada. Si en cambio prepara el material de la decisión (quién encaja, con qué evidencia, con qué huecos y con qué alternativas), reduce a minutos un trabajo que hoy consume una mañana entera de búsqueda en hojas de cálculo, correos y CV desactualizados.
Ese encuadre también resuelve la objeción más común del equipo. Nadie discute que un buscador entienda "React senior disponible desde el 15 con inglés de negociación"; lo que genera rechazo es que un sistema decida por su cuenta quién entra en un proyecto que marcará la carrera de alguien.
Define la decisión
Aclara quién puede hacer el trabajo, quién está disponible, qué desarrollo conviene y qué restricciones son obligatorias. Usa campos explícitos: rol, skills verificadas, nivel, idioma, ubicación, rate, continuidad y conflictos.
Separa requisitos de preferencias. Convertir cada preferencia en filtro excluye perfiles válidos.
Un ejemplo típico: el cliente pide "cinco años de experiencia" y el equipo lo traduce en un filtro duro. El resultado es que se descartan perfiles con tres años y experiencia directa en el mismo sector, mientras entran perfiles con cinco años en un contexto irrelevante. Trata la antigüedad como señal ponderada y reserva los filtros duros para lo que de verdad es obligatorio: certificación exigida por contrato, idioma imprescindible, permiso de trabajo, ausencia de conflicto de interés y disponibilidad en la ventana del proyecto.
Crea un modelo de skills mantenible
El inventario necesita vocabulario controlado, evidencia y fecha. Combina perfil, proyectos, certificaciones y validación. Una palabra antigua en un CV no demuestra competencia actual.
Empieza por skills que cambian decisiones reales y gestiona sinónimos mediante revisión.
Un modelo de skills que intenta ser exhaustivo desde el primer día muere en tres meses porque nadie lo mantiene. Es preferible empezar con treinta o cuarenta competencias que aparecen de verdad en las peticiones de cliente, cada una con nivel, evidencia y fecha de última verificación, y ampliar solo cuando una decisión concreta se haya bloqueado por falta de un término.
La fecha es la parte que casi todos olvidan. Una skill sin fecha no distingue entre alguien que la usó el trimestre pasado y alguien que la tocó hace seis años, y esa distinción es exactamente la que importa al proponer un perfil a un cliente. Añade también quién validó el nivel: autoevaluación, manager de proyecto o certificación externa no tienen el mismo peso, y mezclarlas hace que el inventario parezca más fiable de lo que es.
Une demanda, disponibilidad y economía
Usa una timeline común para proyectos firmados, demanda probable, ausencias y asignaciones. Muestra fuente y confianza de cada señal.
Incluye bill rate, coste y margen sin elegir siempre a la persona más barata. Calidad, continuidad y desarrollo también importan.
Optimizar solo el margen del proyecto individual degrada el sistema completo. Colocar siempre al perfil más barato disponible produce, a los pocos trimestres, un equipo sin exposición a trabajo exigente, seniors infrautilizados y una rotación silenciosa de la gente que quería crecer. Una asignación es una decisión de negocio y una decisión de carrera al mismo tiempo, y el modelo debería mostrar ambas caras: margen previsto, pero también si la persona repite el mismo tipo de trabajo por tercera vez.
Usa IA para búsqueda y escenarios
La IA puede extraer skills autorizadas, encontrar experiencia similar, resumir conflictos y crear alternativas. Cada resultado debe enlazar la fuente y mostrar incertidumbre.
Los escenarios superan al ranking único: inicio posterior, senior parcial o apoyo a un near-fit. El modelo de capacity planning aporta la vista global.
En la práctica, un buen conjunto de escenarios para una petición de staffing tiene esta forma: la opción ideal que probablemente no está disponible, la opción disponible con un hueco identificado y un plan para cubrirlo, la opción que retrasa el inicio dos semanas para liberar al perfil correcto, y la opción mixta que combina un senior a tiempo parcial con alguien en desarrollo. Cada una con su impacto en margen, riesgo y desarrollo del equipo.
Presentadas así, la conversación con el cliente cambia: en lugar de negociar sobre una única propuesta, se negocia sobre una compensación explícita entre fecha, perfil y precio.
Human review y gobernanza
Asigna quién aprueba y corrige. Permite impugnar datos erróneos y registra input, output, elección y motivo cuando afecta oportunidades.
Para usos de impacto, revisa reglas aplicables con especialistas. Consulta NIST AI RMF y el portal oficial de IA de la Comisión Europea.
Conviene distinguir dos usos con exigencias muy distintas. Buscar y resumir información sobre personas que ya trabajan en la firma, para preparar una asignación que revisa un manager, es un uso de bajo riesgo si hay trazabilidad y derecho a corrección. Evaluar candidatos externos o influir en decisiones de contratación y promoción es otra categoría: ahí la documentación, la supervisión humana y la revisión de sesgos dejan de ser buenas prácticas y pasan a ser requisitos que conviene validar con asesoría legal según la jurisdicción.
Mide calidad de decisión
Mide tiempo hasta shortlist válida, reasignaciones, correcciones, dobles reservas y lead time. Audita si proxies no laborales reducen oportunidades para algunos grupos.
El éxito no es aceptar la primera recomendación, sino mejorar resultados y correcciones.
Una tasa de aceptación del 100% es una señal de alarma, no de éxito: significa que nadie está revisando. Lo que sí indica que el sistema funciona es que el tiempo hasta una shortlist defendible baja, que las correcciones se concentran en datos concretos que después se arreglan en el origen, y que disminuyen las reasignaciones a mitad de proyecto.
Rollout seguro
Empieza por búsqueda read-only, sigue con escenarios y después recomendaciones revisadas. Automatiza tareas de bajo riesgo solo cuando precisión y reversibilidad estén probadas.
Pilota una práctica con datos limpios durante varias reuniones. La confianza nace de evidencia clara, no de una puntuación opaca.
Los datos que hacen falta antes de la IA
Ninguna capa de inteligencia compensa un inventario vacío. El mínimo viable para que las recomendaciones sean útiles son cinco conjuntos: perfiles con skills fechadas y validadas, calendario real de disponibilidad con ausencias y jornada, asignaciones actuales con porcentaje de dedicación, demanda con roles y ventanas temporales, y económicas por rol con tarifa de venta y coste.
Si falta alguno, la recomendación se degrada de forma predecible. Sin ausencias, el sistema propone gente que estará de vacaciones. Sin porcentaje de dedicación, confunde a alguien asignado al 20% con alguien libre. Sin fechas en las skills, propone experiencia caducada. Merece la pena arreglar los datos antes que ampliar las funciones.
Cómo se mide si merece la pena
Compara tres momentos del mismo proceso: antes, con búsqueda asistida y con escenarios completos. Mide horas de manager dedicadas a preparar una propuesta de staffing, número de perfiles considerados frente a los que realmente encajaban, días desde la petición hasta una shortlist aceptada por el cliente y porcentaje de asignaciones que se mantienen sin cambios durante el primer mes del proyecto.
Ese último indicador es el más revelador y el que menos se mira. Una asignación que se deshace a las tres semanas ha costado tiempo comercial, tiempo de delivery y credibilidad ante el cliente, y casi siempre nace de una decisión tomada con información incompleta y prisa.
Ficha de evaluación del caso de uso
Para cada función de IA registra propósito, usuarios, datos, output, decisión afectada, daño posible, revisor y mecanismo de corrección. Prueba exactitud con perfiles reales autorizados, idiomas, datos incompletos y casos límite, no solo con ejemplos elegidos para una demo.
Publica limitaciones y evita que la puntuación se convierta en una decisión automática. Revisa trimestralmente calidad, quejas, correcciones y distribución de oportunidades. Pausa la función cuando falten datos, explicaciones o capacidad humana para revisarla de forma significativa.