Una estudiante de diecisiete años prepara su primer currículum. Imagina que una persona leerá sus experiencias y decidirá si merece una entrevista. Puede que no ocurra así: un sistema podría ordenar candidaturas, inferir habilidades a partir de palabras clave o descartar un horario incompatible antes de que intervenga nadie. Después, otra aplicación puede asignarle turnos, medir cuánto tarda, recomendar formación y señalar quién parece dispuesto a marcharse. El futuro laboral no empieza dentro de diez años. Se está construyendo ahora, cada vez que una organización decide qué convierte en dato, qué delega a una máquina y qué derecho conserva la persona afectada.

Hablar de ese futuro con adolescentes no exige asustarlos ni convertir cada aplicación en enemiga. Los sistemas pueden eliminar tareas repetitivas, detectar riesgos o ayudar a distribuir recursos. La cuestión es quién define el objetivo y quién soporta un error. Si un programa organiza horarios para reducir esperas, puede ser útil; si lo hace ignorando estudios, cuidados o discapacidad, transforma una necesidad humana en una “desviación”. Educar para el trabajo algorítmico significa aprender a formular preguntas concretas: ¿qué decisión se automatiza?, ¿con qué información?, ¿quién responde?, ¿cómo se corrige? Esas preguntas ofrecen más protección que memorizar el nombre de una tecnología que pronto cambiará.

Las decisiones pequeñas fabrican el mercado laboral de mañana#

Una herramienta rara vez llega diciendo que va a cambiar la relación entre empresa y plantilla. Se presenta como un modo de ahorrar veinte minutos al seleccionar candidatos, cubrir un turno o priorizar pedidos. Sin embargo, la acumulación de esas elecciones cambia qué cualidades cuentan. Si solo se premia la velocidad, escuchar a un cliente difícil parece improductivo. Si la disponibilidad permanente eleva una puntuación, quien cuida a otra persona queda penalizado. Si el filtro busca trayectorias parecidas a las contrataciones históricas, puede conservar desigualdades aunque nadie escriba una regla discriminatoria. El futuro se decide en criterios modestos que, repetidos miles de veces, terminan definiendo una profesión.

Una herramienta rara vez llega diciendo que va a cambiar la relación entre empresa y plantilla.

Por eso conviene separar predicción de decisión. Un modelo puede estimar que una candidatura se parece a perfiles anteriores, pero no sabe qué persona aprenderá mejor en un equipo nuevo. Puede anticipar demanda, pero no conoce por sí solo qué cambio de turno resulta compatible con una familia. La predicción es una entrada; la decisión incluye valores, consecuencias y responsabilidad. Cuando una empresa presenta el resultado como inevitable, borra esas dimensiones. Una práctica sana obliga a nombrar a la persona responsable, explicar qué factores influyeron y reservar tiempo para considerar contexto. “Lo recomienda el sistema” nunca debería cerrar una conversación que afecta al ingreso, la salud o la reputación.

Lo que un joven necesita saber antes de su primer empleo#

Una familia puede preparar a un joven sin examinar cada algoritmo. El primer aprendizaje es documental: conservar la oferta, las condiciones, los mensajes de cambio de turno y las evaluaciones importantes. No para vivir a la defensiva, sino para disponer de hechos si aparece una contradicción. El segundo es lingüístico: sustituir “el algoritmo me tiene manía” por preguntas verificables. ¿Qué dato se utilizó? ¿Qué criterio produjo esta puntuación? ¿Quién tiene autoridad para revisarla? ¿Qué ocurre mientras se revisa? Una petición precisa facilita una respuesta útil, permite detectar datos erróneos y evita que una preocupación legítima sea descartada como una impresión imposible de comprobar.

El tercer aprendizaje es poner límites a los datos. Una aplicación laboral puede pedir ubicación, cámara, contactos, actividad física o acceso permanente al dispositivo. Que el permiso aparezca en pantalla no demuestra que sea necesario. Antes de aceptarlo, el joven puede preguntar para qué tarea concreta se usa, durante qué horario, cuánto se conserva y si existe un dispositivo de empresa. La guía de la Agencia Española de Protección de Datos sobre relaciones laborales explica los principios de información, necesidad y proporcionalidad. La familia puede ayudar a leer, pero la conversación con la empresa debe fortalecer la autonomía del joven, no sustituir su voz.

También hay que aprender a no “trabajar para la puntuación”. Cuando un panel muestra tiempos, estrellas o rankings, es fácil confundir el indicador con el oficio. Un aprendiz necesita saber que pedir ayuda, detener una tarea insegura, documentar una incidencia y atender bien a una persona forman parte del trabajo aunque no sumen puntos. Conviene preguntar al responsable cómo se evalúan la calidad y las excepciones, no solo la cantidad. Si la única respuesta es una cifra sin contexto, existe un riesgo organizativo. Ningún joven debería creer que obedecer una instrucción evidentemente insegura es profesional porque una pantalla la ha marcado como urgente.

El mapa de poder detrás de una pantalla neutral#

Para evaluar un sistema hay que dibujar su mapa de poder. ¿Quién compra la herramienta? ¿Quién configura los umbrales? ¿Quién aporta los datos? ¿Quién recibe la alerta? ¿Quién sufre la consecuencia? ¿Quién puede detenerla? A menudo son actores distintos. Recursos humanos puede contratar el servicio, un proveedor actualizar el modelo, un mando usar la puntuación y una trabajadora asumir una pérdida de horas. Si nadie conecta el recorrido, cada actor puede afirmar que solo cumple su parte. El mapa devuelve responsabilidad: muestra dónde se necesita información, supervisión, formación y capacidad real de rectificar.

La supervisión humana no consiste en poner una firma después de aceptar automáticamente cientos de recomendaciones. Una persona supervisa cuando entiende la finalidad, dispone de información adicional, tiene tiempo para dudar y puede cambiar el resultado sin castigo. También necesita registrar por qué lo cambió, para descubrir fallos repetidos. Si la organización mide al supervisor por la rapidez con que confirma decisiones, el humano se convierte en un botón. Una auditoría debería observar tasas de modificación, motivos, grupos afectados y consecuencias, no limitarse a comprobar que alguien aparece formalmente en el proceso.

La transparencia tampoco significa publicar miles de líneas de código. La persona afectada necesita una explicación funcional: qué decisión se tomó, qué categorías de datos influyeron, qué fuente puede contener un error, qué efectos produce y cómo se solicita una revisión. En España, el artículo 64.4.d del Estatuto de los Trabajadores reconoce a la representación legal el derecho a ser informada sobre parámetros, reglas e instrucciones de algoritmos o sistemas de inteligencia artificial que incidan en decisiones capaces de afectar las condiciones laborales. Esa información debe servir para participar, no ser una formalidad incomprensible.

Tres futuros posibles para la misma herramienta#

Imaginemos un sistema que pronostica cuántas personas necesita una tienda. En el primer futuro, la empresa persigue solo ajustar costes: publica turnos con poca antelación, cambia horas automáticamente y penaliza rechazos. La predicción quizá sea precisa, pero desplaza toda la incertidumbre a la plantilla. En el segundo futuro, el sistema propone horarios respetando disponibilidad declarada, descanso, estudios y cuidados; una persona resuelve conflictos y las modificaciones quedan justificadas. En el tercero, el equipo participa en las reglas y evalúa si la herramienta realmente reduce carga. La tecnología es parecida; lo que cambia es la distribución del riesgo y la posibilidad de intervenir.

Pensemos ahora en una herramienta de selección. Un mal uso convierte una puntuación opaca en puerta automática. Un uso menos dañino la limita a ordenar información administrativa y prohíbe que descarte candidaturas. Un diseño mejor revisa las competencias necesarias, ofrece ajustes por discapacidad, prueba resultados entre grupos y documenta cada exclusión. El Reglamento europeo de inteligencia artificial clasifica como alto riesgo determinados sistemas usados en empleo, selección y gestión de trabajadores y establece obligaciones que dependen del rol y del calendario aplicable. La lección no es esperar a que una norma lo arregle todo: es diseñar ahora procesos verificables y reversibles.

El tercer ejemplo es la evaluación de rendimiento. Si el sistema cuenta pulsaciones, llamadas o entregas, las personas optimizarán lo contado. Puede disminuir la cooperación, crecer el ocultamiento de problemas y empeorar el aprendizaje. Una alternativa combina indicadores limitados con observación profesional, conversación y derecho a aportar contexto. Ninguna métrica debería activar por sí sola una sanción importante. Antes de implantarla, la empresa debe identificar conductas que el indicador podría inducir: saltarse pausas, evitar casos difíciles, competir con compañeros o registrar actividad ficticia. El buen diseño no pregunta solo si la medición predice; pregunta qué comportamiento crea.

Una prueba práctica antes de automatizar una decisión#

La primera fase es escribir el problema sin nombrar inteligencia artificial. “Tardamos demasiado en comunicar horarios” permite comparar opciones; “necesitamos IA para horarios” ya ha elegido una solución antes de entender la necesidad. Después se fija una línea de base: plazo de aviso, cambios involuntarios, errores, tiempo de corrección, satisfacción y diferencias entre grupos. El éxito debe incluir límites humanos, por ejemplo no reducir el preaviso ni aumentar la carga mental. Si solo se mide ahorro económico, el sistema aprenderá a trasladar costes hacia quienes tienen menos poder para rechazarlos.

La segunda fase es probar casos difíciles antes de afectar a personas reales. Se incluyen datos ausentes, identidades parecidas, conexión deficiente, discapacidad, trayectoria poco habitual, urgencia familiar y cambios en la demanda. Para cada caso se pregunta qué propone el sistema, qué ve el responsable y cuánto tarda la corrección. La prueba debe producir un registro de fallos y una decisión explícita: corregir, limitar el uso o abandonar. Comprar una licencia no obliga a desplegarla. Poder decir “no funciona para nuestro contexto” es una competencia organizativa, no un fracaso.

La tercera fase establece un recurso efectivo. La persona sabe dónde reclamar, recibe confirmación, conoce el plazo y puede hablar con alguien autorizado. Mientras se revisa, se evita ejecutar consecuencias irreversibles siempre que sea posible. También se protege frente a represalias: nadie debería perder oportunidades por cuestionar un dato. La Directiva europea sobre trabajo en plataformas contiene reglas específicas sobre gestión algorítmica, información y revisión humana para su ámbito. Aunque un empleo no sea de plataforma, esos elementos ofrecen una buena referencia práctica: decisión identificable, responsable localizable y revisión que pueda cambiar de verdad el resultado.

La cuarta fase fija una fecha de caducidad. Los datos, el equipo y la economía cambian; una herramienta útil hoy puede degradarse. Cada sistema necesita dueño, revisión periódica, indicadores de daño y criterio de retirada. Se examinan reclamaciones, errores corregidos, diferencias entre grupos, rotación, accidentes y trabajo oculto generado. También se revisan nuevos usos: una aplicación adquirida para planificar no debería convertirse silenciosamente en mecanismo disciplinario. Si cambia la finalidad, empieza una evaluación nueva. La ausencia de incidentes registrados no demuestra seguridad cuando el canal para comunicarlos es desconocido o inspira miedo.

Conversaciones familiares que preparan sin generar miedo#

Una buena conversación puede comenzar con una situación, no con una conferencia: “Si una aplicación te baja horas y nadie sabe explicarlo, ¿qué harías?”. El joven propone pasos; la familia ayuda a ordenarlos: guardar el mensaje, pedir criterio y dato, solicitar revisión y buscar apoyo si la consecuencia es grave. Se puede ensayar un correo breve y respetuoso. También conviene distinguir una mala decisión de una ilegalidad: no todo error automático vulnera una norma, pero todo resultado relevante merece un responsable y un mecanismo de corrección. En cuestiones laborales o de protección de datos importantes, se busca asesoramiento profesional o sindical adecuado.

El hogar también puede reconocer competencias que ningún panel resume bien: cuidar, explicar, improvisar con seguridad, aprender de un error, escuchar y colaborar. Ayudar a nombrarlas da al joven un vocabulario más rico que “ser productivo”. Al preparar una entrevista, puede describir situaciones concretas y preguntar cómo se evalúa el puesto, qué herramientas se usan y quién revisa resultados. Preguntar no garantiza una empresa perfecta, pero revela cultura. Una respuesta clara sobre objetivos, límites y apoyo indica más madurez que una promesa de objetividad total basada en tecnología.

Los adultos deben aplicar el mismo criterio a su propio trabajo. Si aceptamos vigilancia invasiva porque “siempre se ha hecho”, enseñamos resignación. Si rechazamos cualquier dato, perdemos oportunidades de mejorar. El ejemplo útil es deliberar: identificar beneficio, riesgo, alternativa, responsable y revisión. Compartir con los hijos una experiencia real —un horario mal asignado, una métrica incompleta, una automatización útil— convierte un asunto abstracto en alfabetización cívica. El objetivo no es que todos programen modelos, sino que nadie renuncie a preguntar quién decidió y bajo qué reglas.

Decidir hoy un futuro laboral digno#

Empresas, administraciones, sindicatos, centros educativos y familias están escribiendo el contrato social del trabajo automatizado. Una empresa lo hace cuando permite apelar; un centro educativo, cuando enseña a documentar y argumentar; una administración, cuando inspecciona; una familia, cuando protege sin quitar autonomía. Las reglas eficaces combinan innovación con límites: datos mínimos, finalidad concreta, evaluación de impacto, participación de quienes realizan el trabajo, supervisión con poder y reparación cuando algo falla. La dignidad no es un freno añadido al final. Es una condición de calidad: los sistemas que ignoran contexto producen decisiones más pobres y organizaciones menos capaces de aprender.

Dentro de unos años quizá cambien los nombres de los modelos, pero permanecerán las preguntas. ¿Qué queremos optimizar? ¿Qué parte del oficio no cabe en una cifra? ¿Quién queda fuera? ¿Quién puede detener la decisión? ¿Qué ocurre cuando se equivoca? El futuro que merece la pena no es aquel en que una máquina decide todo con rapidez, ni aquel en que se renuncia a cualquier ayuda tecnológica. Es el que usa herramientas para ampliar capacidad sin reducir a las personas a perfiles. Ese futuro se decide hoy, en cada contrato, permiso, métrica, explicación y recurso que aceptamos como normal.