Una estudiant de disset anys prepara el primer currículum. Imagina que una persona llegirà les seves experiències i decidirà si mereix una entrevista. Potser no passarà així: un sistema podria ordenar candidatures, inferir habilitats a partir de paraules clau o descartar un horari incompatible abans que intervingui ningú. Després, una altra aplicació pot assignar-li torns, mesurar quant triga, recomanar formació i assenyalar qui sembla disposat a marxar. El futur laboral no comença d’aquí a deu anys. Es construeix ara, cada vegada que una organització decideix què converteix en dada, què delega a una màquina i quin dret conserva la persona afectada.

Parlar d’aquest futur amb adolescents no exigeix espantar-los ni convertir cada aplicació en enemiga. Els sistemes poden eliminar tasques repetitives, detectar riscos o ajudar a distribuir recursos. La qüestió és qui defineix l’objectiu i qui suporta un error. Si un programa organitza horaris per reduir esperes, pot ser útil; si ho fa ignorant estudis, cures o discapacitat, transforma una necessitat humana en una “desviació”. Educar per al treball algorítmic significa aprendre a formular preguntes concretes: quina decisió s’automatitza?, amb quina informació?, qui en respon?, com es corregeix? Aquestes preguntes ofereixen més protecció que memoritzar el nom d’una tecnologia que aviat canviarà.

Les decisions petites fabriquen el mercat laboral de demà#

Una eina rarament arriba dient que canviarà la relació entre empresa i plantilla. Es presenta com una manera d’estalviar vint minuts en seleccionar candidats, cobrir un torn o prioritzar comandes. Tanmateix, l’acumulació d’aquestes eleccions canvia quines qualitats compten. Si només es premia la velocitat, escoltar un client difícil sembla improductiu. Si la disponibilitat permanent eleva una puntuació, qui cuida una altra persona queda penalitzat. Si el filtre busca trajectòries semblants a les contractacions històriques, pot conservar desigualtats encara que ningú escrigui una regla discriminatòria. El futur es decideix en criteris modestos que, repetits milers de vegades, acaben definint una professió.

Una eina rarament arriba dient que canviarà la relació entre empresa i plantilla.

Per això convé separar predicció de decisió. Un model pot estimar que una candidatura s’assembla a perfils anteriors, però no sap quina persona aprendrà millor en un equip nou. Pot anticipar demanda, però no coneix per si sol quin canvi de torn és compatible amb una família. La predicció és una entrada; la decisió inclou valors, conseqüències i responsabilitat. Quan una empresa presenta el resultat com a inevitable, esborra aquestes dimensions. Una pràctica sana obliga a identificar la persona responsable, explicar quins factors han influït i reservar temps per considerar context. “Ho recomana el sistema” mai no hauria de tancar una conversa que afecta els ingressos, la salut o la reputació.

El que un jove necessita saber abans de la primera feina#

Una família pot preparar un jove sense examinar cada algoritme. El primer aprenentatge és documental: conservar l’oferta, les condicions, els missatges de canvi de torn i les avaluacions importants. No per viure a la defensiva, sinó per disposar de fets si apareix una contradicció. El segon és lingüístic: substituir “l’algoritme em té mania” per preguntes verificables. Quina dada s’ha utilitzat? Quin criteri ha produït aquesta puntuació? Qui té autoritat per revisar-la? Què passa mentre es revisa? Una petició precisa facilita una resposta útil, permet detectar dades errònies i evita que una preocupació legítima sigui descartada com una impressió impossible de comprovar.

El tercer aprenentatge és posar límits a les dades. Una aplicació laboral pot demanar ubicació, càmera, contactes, activitat física o accés permanent al dispositiu. Que el permís aparegui a la pantalla no demostra que sigui necessari. Abans d’acceptar-lo, el jove pot preguntar per a quina tasca concreta s’utilitza, durant quin horari, quant temps es conserva i si existeix un dispositiu d’empresa. La guia de l’Agència Espanyola de Protecció de Dades sobre relacions laborals explica els principis d’informació, necessitat i proporcionalitat. La família pot ajudar a llegir, però la conversa amb l’empresa ha d’enfortir l’autonomia del jove, no substituir-ne la veu.

També cal aprendre a no “treballar per a la puntuació”. Quan un panell mostra temps, estrelles o rànquings, és fàcil confondre l’indicador amb l’ofici. Un aprenent ha de saber que demanar ajuda, aturar una tasca insegura, documentar una incidència i atendre bé una persona formen part de la feina encara que no sumin punts. Convé preguntar al responsable com s’avaluen la qualitat i les excepcions, no només la quantitat. Si l’única resposta és una xifra sense context, hi ha un risc organitzatiu. Cap jove no hauria de creure que obeir una instrucció evidentment insegura és professional perquè una pantalla l’ha marcada com a urgent.

El mapa de poder darrere d’una pantalla neutral#

Per avaluar un sistema cal dibuixar-ne el mapa de poder. Qui compra l’eina? Qui configura els llindars? Qui aporta les dades? Qui rep l’alerta? Qui pateix la conseqüència? Qui pot aturar-la? Sovint són actors diferents. Recursos humans pot contractar el servei, un proveïdor actualitzar el model, un comandament utilitzar la puntuació i una treballadora assumir una pèrdua d’hores. Si ningú connecta el recorregut, cada actor pot afirmar que només compleix la seva part. El mapa retorna responsabilitat: mostra on cal informació, supervisió, formació i capacitat real de rectificar.

La supervisió humana no consisteix a posar una signatura després d’acceptar automàticament centenars de recomanacions. Una persona supervisa quan entén la finalitat, disposa d’informació addicional, té temps per dubtar i pot canviar el resultat sense càstig. També necessita registrar per què l’ha canviat, per descobrir errors repetits. Si l’organització mesura el supervisor per la rapidesa amb què confirma decisions, l’humà es converteix en un botó. Una auditoria hauria d’observar taxes de modificació, motius, grups afectats i conseqüències, no limitar-se a comprovar que algú apareix formalment en el procés.

La transparència tampoc significa publicar milers de línies de codi. La persona afectada necessita una explicació funcional: quina decisió s’ha pres, quines categories de dades hi han influït, quina font pot contenir un error, quins efectes produeix i com se sol·licita una revisió. A Espanya, l’article 64.4.d de l’Estatut dels Treballadors reconeix a la representació legal el dret a ser informada sobre paràmetres, regles i instruccions d’algoritmes o sistemes d’intel·ligència artificial que incideixin en decisions capaces d’afectar les condicions laborals. Aquesta informació ha de servir per participar, no ser una formalitat incomprensible.

Tres futurs possibles per a la mateixa eina#

Imaginem un sistema que pronostica quantes persones necessita una botiga. En el primer futur, l’empresa només persegueix ajustar costos: publica torns amb poca antelació, canvia hores automàticament i penalitza rebutjos. La predicció pot ser precisa, però desplaça tota la incertesa a la plantilla. En el segon futur, el sistema proposa horaris respectant disponibilitat declarada, descans, estudis i cures; una persona resol conflictes i les modificacions queden justificades. En el tercer, l’equip participa en les regles i avalua si l’eina redueix realment la càrrega. La tecnologia és semblant; el que canvia és la distribució del risc i la possibilitat d’intervenir.

Pensem ara en una eina de selecció. Un mal ús converteix una puntuació opaca en porta automàtica. Un ús menys perjudicial la limita a ordenar informació administrativa i prohibeix que descarti candidatures. Un disseny millor revisa les competències necessàries, ofereix ajustos per discapacitat, prova resultats entre grups i documenta cada exclusió. El Reglament europeu d’intel·ligència artificial classifica com d’alt risc determinats sistemes utilitzats en ocupació, selecció i gestió de treballadors i estableix obligacions que depenen del rol i del calendari aplicable. La lliçó no és esperar que una norma ho arregli tot: és dissenyar ara processos verificables i reversibles.

El tercer exemple és l’avaluació del rendiment. Si el sistema compta pulsacions, trucades o lliuraments, les persones optimitzaran allò comptat. Pot disminuir la cooperació, créixer l’ocultació de problemes i empitjorar l’aprenentatge. Una alternativa combina indicadors limitats amb observació professional, conversa i dret a aportar context. Cap mètrica no hauria d’activar tota sola una sanció important. Abans d’implantar-la, l’empresa ha d’identificar conductes que l’indicador podria induir: saltar-se pauses, evitar casos difícils, competir amb companys o registrar activitat fictícia. El bon disseny no pregunta només si el mesurament prediu; pregunta quin comportament crea.

Una prova pràctica abans d’automatitzar una decisió#

La primera fase és escriure el problema sense anomenar intel·ligència artificial. “Triguem massa a comunicar horaris” permet comparar opcions; “necessitem IA per als horaris” ja ha triat una solució abans d’entendre la necessitat. Després es fixa una línia de base: termini d’avís, canvis involuntaris, errors, temps de correcció, satisfacció i diferències entre grups. L’èxit ha d’incloure límits humans, per exemple no reduir el preavís ni augmentar la càrrega mental. Si només es mesura l’estalvi econòmic, el sistema aprendrà a traslladar costos cap als qui tenen menys poder per rebutjar-los.

La segona fase és provar casos difícils abans d’afectar persones reals. S’hi inclouen dades absents, identitats semblants, connexió deficient, discapacitat, trajectòria poc habitual, urgència familiar i canvis en la demanda. Per a cada cas es pregunta què proposa el sistema, què veu el responsable i quant triga la correcció. La prova ha de produir un registre d’errors i una decisió explícita: corregir, limitar l’ús o abandonar. Comprar una llicència no obliga a desplegar-la. Poder dir “no funciona per al nostre context” és una competència organitzativa, no un fracàs.

La tercera fase estableix un recurs efectiu. La persona sap on reclamar, rep confirmació, coneix el termini i pot parlar amb algú autoritzat. Mentre es revisa, s’evita executar conseqüències irreversibles sempre que sigui possible. També es protegeix davant represàlies: ningú no hauria de perdre oportunitats per qüestionar una dada. La Directiva europea sobre treball en plataformes conté regles específiques sobre gestió algorítmica, informació i revisió humana per al seu àmbit. Encara que una feina no sigui de plataforma, aquests elements ofereixen una bona referència pràctica: decisió identificable, responsable localitzable i revisió que pugui canviar de debò el resultat.

La quarta fase fixa una data de caducitat. Les dades, l’equip i l’economia canvien; una eina útil avui pot degradar-se. Cada sistema necessita propietari, revisió periòdica, indicadors de dany i criteri de retirada. S’examinen reclamacions, errors corregits, diferències entre grups, rotació, accidents i feina oculta generada. També es revisen usos nous: una aplicació adquirida per planificar no hauria de convertir-se silenciosament en mecanisme disciplinari. Si canvia la finalitat, comença una avaluació nova. L’absència d’incidents registrats no demostra seguretat quan el canal per comunicar-los és desconegut o inspira por.

Converses familiars que preparen sense generar por#

Una bona conversa pot començar amb una situació, no amb una conferència: “Si una aplicació et baixa hores i ningú sap explicar-ho, què faries?”. El jove proposa passos; la família ajuda a ordenar-los: guardar el missatge, demanar criteri i dada, sol·licitar revisió i buscar suport si la conseqüència és greu. Es pot assajar un correu breu i respectuós. També convé distingir una mala decisió d’una il·legalitat: no tot error automàtic vulnera una norma, però tot resultat rellevant mereix un responsable i un mecanisme de correcció. En qüestions laborals o de protecció de dades importants, es busca assessorament professional o sindical adequat.

La llar també pot reconèixer competències que cap panell resumeix bé: cuidar, explicar, improvisar amb seguretat, aprendre d’un error, escoltar i col·laborar. Ajudar a anomenar-les dona al jove un vocabulari més ric que “ser productiu”. En preparar una entrevista, pot descriure situacions concretes i preguntar com s’avalua el lloc, quines eines s’utilitzen i qui revisa resultats. Preguntar no garanteix una empresa perfecta, però revela cultura. Una resposta clara sobre objectius, límits i suport indica més maduresa que una promesa d’objectivitat total basada en tecnologia.

Els adults han d’aplicar el mateix criteri a la seva pròpia feina. Si acceptem vigilància invasiva perquè “sempre s’ha fet”, ensenyem resignació. Si rebutgem qualsevol dada, perdem oportunitats de millorar. L’exemple útil és deliberar: identificar benefici, risc, alternativa, responsable i revisió. Compartir amb els fills una experiència real —un horari mal assignat, una mètrica incompleta, una automatització útil— converteix un assumpte abstracte en alfabetització cívica. L’objectiu no és que tothom programi models, sinó que ningú renunciï a preguntar qui ha decidit i sota quines regles.

Decidir avui un futur laboral digne#

Empreses, administracions, sindicats, centres educatius i famílies estan escrivint el contracte social del treball automatitzat. Una empresa ho fa quan permet apel·lar; un centre educatiu, quan ensenya a documentar i argumentar; una administració, quan inspecciona; una família, quan protegeix sense treure autonomia. Les regles eficaces combinen innovació amb límits: dades mínimes, finalitat concreta, avaluació d’impacte, participació de qui fa la feina, supervisió amb poder i reparació quan alguna cosa falla. La dignitat no és un fre afegit al final. És una condició de qualitat: els sistemes que ignoren context produeixen decisions més pobres i organitzacions menys capaces d’aprendre.

D’aquí a uns anys potser canviaran els noms dels models, però romandran les preguntes. Què volem optimitzar? Quina part de l’ofici no cap en una xifra? Qui en queda fora? Qui pot aturar la decisió? Què passa quan s’equivoca? El futur que val la pena no és aquell en què una màquina ho decideix tot amb rapidesa, ni aquell en què es renuncia a qualsevol ajuda tecnològica. És el que utilitza eines per ampliar capacitat sense reduir les persones a perfils. Aquest futur es decideix avui, en cada contracte, permís, mètrica, explicació i recurs que acceptem com a normal.