Desarrollar el talento de software que las empresas necesitan para crecer significa pensar en términos de habilidades en lugar de roles para navegar este período de incertidumbre en torno al talento.
Si toda empresa necesita ser una empresa de software, ¿tiene una organización de software que pueda cumplir? La respuesta a esa pregunta podría ser decisiva para el futuro de muchas empresas.
La capacidad de competir depende cada vez más de lo bien que las organizaciones puedan crear productos y servicios de software. En la actualidad, casi el 70% de las empresas económicas de alto rendimiento - en comparación con solo la mitad de sus pares, utilizan su propio software para diferenciarse de sus competidores. 1/3 de los mejores se dedican a monetizar directamente el software.1 La IA generativa (gen AI) ofrece una tentadora oportunidad para aumentar esta oportunidad de valor al ayudar al talento de software a crear un mejor código más rápido.
Los experimentos prometedores que utilizan la IA genérica para respaldar las tareas de codificación muestran impresionantes mejoras en la productividad. La IA de generación ha mejorado la productividad de los gerentes de productos (PM) en un 40%, al tiempo que ha reducido a la mitad el tiempo que se tarda en documentar y codificar. En IBM Software, por ejemplo, los desarrolladores que utilizan la IA de generación vieron aumentos del 30 al 40%en la productividad.2
A pesar de su promesa, la IA de generación apenas ha revelado todo su potencial. Mientras que alrededor del 65% de los encuestados en la reciente Encuesta Global de McKinsey sobre el estado de la IA informan que están utilizando regularmente la IA gen, solo el 13% está utilizando sistemáticamente la IA gen en la ingeniería de software.3 Nuestra propia experiencia trabajando con empresas revela que las herramientas de IA de generación actualmente ayudan con alrededor del 10 al 20% de las actividades de codificación de un desarrollador.
Escalar las capacidades de la IA de generación requiere que las empresas reconfiguren su forma de trabajar, y un enfoque crítico del recableado es desarrollar el talento necesario para estas capacidades.
Es probable que el panorama de la IA genérica y la forma en que los equipos de software trabajan con la tecnología para crear productos y servicios se estabilicen en los próximos dos o tres años a medida que la tecnología madure y las empresas adquieran experiencia. Las habilidades y prácticas necesarias para tener éxito ahora pueden cambiar considerablemente con el tiempo. Hasta entonces, las empresas deberán navegar a través de un período incierto de cambio y aprendizaje.
Para ayudar a trazar con éxito el camino a seguir, este artículo identifica las nuevas habilidades que requerirán los equipos de software, examina cómo su evolución alterará los roles y los riesgos, y revela cómo las empresas pueden orientar sus prácticas de gestión del talento hacia el desarrollo de habilidades para una mayor flexibilidad y capacidad de respuesta.
Cómo está cambiando el desarrollo de software.
Cualquier replanteamiento del talento de ingeniería debe comenzar con una comprensión de cómo la IA genética afectará el ciclo de vida de desarrollo de productos (PDLC). Es probable que los cambios sean significativos y afecten a todas las fases del ciclo de vida (gráfico). Una investigación reciente de McKinsey sugiere que las herramientas de IA de generación tienen casi el doble de impacto positivo en las tareas con mucho contenido (como la síntesis de información, la creación de contenido y la lluvia de ideas) que en las tareas de contenido ligero (por ejemplo, la visualización).
La Al generativa afecta todas las fases del ciclo de vida del desarrollo de software.
Ciclo desarrollador de software de alto nivel.
Por poner solo algunos ejemplos, ya estamos viendo que las tecnologías de IA se encargan de algunas tareas sencillas, como la codificación y la sintaxis básicas, la documentación del código y ciertas tareas de diseño web y gráfico. También se están realizando progresos iniciales con funciones más complejas, como la generación de casos de prueba y trabajos pendientes, el desarrollo de información a partir de las tendencias del mercado, la automatización del raspado de registros y la estimación y resolución del impacto de los errores.
Cualquier replanteamiento del talento de ingeniería debe comenzar con la comprensión de cómo la IA genética afectará el ciclo de vida del desarrollo de productos.
Con el tiempo, la IA de generación debería ser capaz de generar información a partir de pruebas creadas automáticamente, registros del sistema, comentarios de los usuarios y datos de rendimiento. La IA de generación puede utilizar los conocimientos y las ideas creados por ella misma para nuevas funciones con el fin de crear pruebas de concepto y prototipos, así como para reducir el coste de las pruebas y desbloquear una mayor confianza en la verificación (por ejemplo, múltiples hipótesis y pruebas A/B). Se espera que estos desarrollos reduzcan significativamente los tiempos de PDLC de meses a semanas o incluso días, mejoren la calidad del código y reduzcan la deuda técnica.
Nuevas habilidades para una nueva era.
Si bien muchos líderes entienden a un alto nivel que se requieren nuevas habilidades para trabajar con la IA gen, su sensación de cómo estos cambios podrían crear valor a menudo es vaga y poco informada. Por lo tanto, las decisiones que parecen audaces sobre el papel, como la compra de cientos de licencias de herramientas de IA de generación para desarrolladores, se toman sin una comprensión clara de las ganancias potenciales y con una capacitación insuficiente de los desarrolladores. El resultado: resultados previsiblemente malos.
Los roles importantes en toda la empresa, desde científicos de datos y diseñadores de experiencias hasta expertos cibernéticos y agentes de servicio al cliente, deberán aprender una variedad de habilidades nuevas.4 Las empresas que esperan operar como empresas de software también deberán prestar especial atención a dos roles clave: el ingeniero y el PM.
Ingenieros.
Es probable que las habilidades que los ingenieros necesitan desarrollar se dirijan a tres áreas:
Revisión. Un porcentaje significativo del código generado por la generación actual de herramientas de IA necesita alguna corrección. En un nivel, esto requiere que los desarrolladores pasen de ser ejecutores a revisores, lo que no es tan básico como parece. Algunos programadores competentes no son buenos revisores. Los buenos revisores deben ser capaces de evaluar la compatibilidad basada en código con los repositorios y arquitecturas de código existentes, por ejemplo, y comprender lo que se requiere para que otro equipo pueda mantener fácilmente el código: habilidades que los ingenieros más experimentados suelen tener, pero que los colegas más jóvenes deben desarrollar. Los desarrolladores no solo necesitarán detectar duplicados o errores obvios, sino garantizar un código de alta calidad mediante el desarrollo de habilidades forenses avanzadas para identificar y abordar los problemas. Aún más complejo será el "entrenamiento" de las herramientas de IA de generación, que tienen que aprender sobre la marcha para mejorar. Esto requerirá que los ingenieros comprendan cómo dar retroalimentación a las herramientas y determinar qué tipo de tareas brindan la mejor oportunidad para que una herramienta determinada aprenda.
Conectar. La integración de las capacidades de múltiples agentes de IA puede mejorar la velocidad de resolución de problemas y la calidad de la solución. Algunas organizaciones ya están integrando la IA generada con casos de uso de IA aplicada, como el uso de sistemas de IA aplicada para analizar el rendimiento del contenido creado por IA mediante la identificación de patrones en la participación del usuario, que luego se retroalimentan al modelo.5 Por ejemplo, Recursion, una empresa de biotecnología, ha desarrollado una plataforma de IA de nueva generación que permite a los científicos acceder a múltiples modelos de aprendizaje automático que pueden procesar grandes cantidades de conjuntos de datos biológicos y químicos patentados. Una habilidad crítica que los ingenieros deben desarrollar es cómo seleccionar y combinar aplicaciones y modelos de IA de generación (por ejemplo, cómo un modelo podría ser bueno para proporcionar control de calidad para otro modelo específico).
Diseño. A medida que la tecnología de IA gen se hace cargo de más tareas básicas de codificación, los ingenieros pueden desarrollar un nuevo conjunto de "habilidades ascendentes" de mayor valor, como escribir historias de usuario, desarrollar marcos de código (por ejemplo, bibliotecas de código, programas de soporte), comprender los resultados comerciales y anticipar la intención del usuario. La comunicación es una habilidad emergente crítica y es necesaria para garantizar que los ingenieros puedan interactuar de manera más efectiva con equipos, líderes, compañeros y clientes.
Gerentes de producto.
Para los gerentes de producto, su cambio de habilidades, igualmente complejo, se centrará en las siguientes áreas:
Uso de la tecnología Gen AI. Al igual que los ingenieros de software, los PM deberán desarrollar nuevas habilidades para trabajar de manera efectiva con tecnologías de IA gen. De hecho, una organización de hardware/software evaluó las habilidades de sus empleados de tecnología y descubrió que los PM necesitaban tanta mejora en IA como cualquier otro rol. A medida que la IA de la generación mejore en la construcción de prototipos, por ejemplo, los PM deberán ser competentes con herramientas de código bajo y sin código e indicaciones iterativas para trabajar con modelos para refinar los resultados. Los PM también deberán dominar la comprensión y el desarrollo de marcos "agenticos", es decir, grandes modelos de lenguaje (LLM) que trabajan juntos para completar una tarea. Esto requerirá que los PM desarrollen planes para trabajar con estos LLM, teniendo en cuenta consideraciones únicas, como los costos incurridos cuando los modelos ejecutan inferencias.
Adopción y confianza. Dadas las preocupaciones significativas con respecto a la confianza, ya sea no confiar en la IA genérica o confiar demasiado en ella, los programas de adopción estándar (por ejemplo, capacitación básica sobre cómo usar una nueva herramienta) no son suficientes. Los PM deben desarrollar fuertes habilidades de empatía para identificar las barreras implícitas y explícitas a la confianza (como no confiar en las respuestas que brindan las soluciones de IA gen) y abordarlas. Las preocupaciones significativas sobre el riesgo significan que los PM deberán trabajar con expertos en riesgos para garantizar que se incorporen los controles y medidas correctos en cada etapa del PDLC.
Roles emergentes y fusionados, con más supervisión del liderazgo.
Las nuevas habilidades necesarias para utilizar la IA de generación afectarán cómo y qué hacen las personas en sus trabajos, lo que plantea preguntas importantes sobre cómo deben adaptarse los roles y qué debe proporcionar el liderazgo de supervisión.
Roles emergentes y en fusión.
Con la IA de generación ayudando a las personas a ser más productivas, es tentador pensar que los equipos de software se volverán más pequeños. Eso puede resultar cierto, pero también puede tener sentido mantener o ampliar los equipos para hacer más trabajo. Con demasiada frecuencia, las conversaciones se centran en qué roles están dentro o fuera, mientras que es probable que la realidad sea más matizada y desordenada. Podemos esperar que los roles absorban nuevas responsabilidades, como los ingenieros de software que utilizan herramientas de IA de generación para realizar actividades de prueba, y que algunos roles se fusionen con otros. Los roles de gerente de producto y desarrollador, por ejemplo, podrían eventualmente fusionarse en un desarrollador de producto, en el que una persona de alto rendimiento puede usar una variedad de herramientas de IA de generación para crear maquetas, desarrollar requisitos y generar código basado en esos requisitos.
Con demasiada frecuencia, las conversaciones se centran en qué roles están dentro o fuera, mientras que la realidad probablemente sea más matizada y confusa.
Dada la naturaleza no probada e impredecible de la IA gen en el corto plazo, se necesitarán nuevos roles, como uno que se centre en la seguridad de la IA y la responsabilidad de los datos y que también revise y apruebe el código. Otras áreas de alcance significativo que podrían requerir nuevos roles pueden incluir la selección y gestión de LLM, la capacitación y gestión de agentes de IA gen, la responsabilidad del modelo de terceros y las capacidades de operaciones LLM (LLMOps) para supervisar el rendimiento del modelo a lo largo del tiempo.
Anticipamos que los cambios en el panorama de las habilidades tecnológicas se acelerarán, lo que requerirá que los equipos de tecnología y RR. HH. sean mucho más receptivos a la hora de definir (y redefinir) cómo se agrupan las habilidades en los roles.
Fuerte supervisión.
Determinar qué habilidades son importantes para la empresa y su estrategia es una responsabilidad de liderazgo de larga data. Sin embargo, las incertidumbres y oportunidades únicas asociadas con la IA de generación de inteligencia requieren un enfoque especial del liderazgo. Dos áreas se destacan como particularmente importantes:
Estandarización. A medida que los grupos e individuos implementan pilotos de IA de generación de inteligencia, surge una proliferación de herramientas, plataformas y arquitecturas. En cambio, las empresas deberían centrarse en un solo conjunto de capacidades estandarizadas y desarrollar coherencia con respecto a los tipos de habilidades necesarias. El liderazgo deberá estandarizar las herramientas, modelos, procesos y enfoques de IA de generación de inteligencia y determinar, por ejemplo, si es mejor licenciar una capacidad, desarrollarla o asociarse con un proveedor (en gran medida en función de las habilidades disponibles dentro de la empresa).
Riesgo. Las preocupaciones constantes sobre los riesgos relacionados con la IA de generación de inteligencia requieren que el liderazgo desarrolle pautas y expectativas claras para los empleados. Si bien no se puede esperar que los talentos del software se conviertan en expertos en riesgos profundos, sí se puede esperar que desarrollen habilidades básicas, como comprender qué tipos de riesgos existen, desarrollar el hábito de integrar salvaguardas en su código y saber cómo usar herramientas de prueba emergentes (por ejemplo, SonarQube, Checkmarx o Coverty). Algunas organizaciones también están implementando incentivos para que los usuarios de primera línea comprendan las oportunidades, los riesgos y los límites de la IA de última generación, e incluso están haciendo que ciertos tipos de capacitación sean obligatorios. Como es probable que las preocupaciones sobre riesgos y cumplimiento cambien tan rápido como la propia IA de última generación, los líderes deben invertir en herramientas para probar automáticamente el código en función de políticas designadas (es decir, política como código).
Transformación de la gestión del talento basada en las habilidades.
Los enfoques actuales de la gestión del talento tienden a centrarse en cómo integrar la inteligencia artificial de última generación en los programas existentes. Eso no funcionará por mucho tiempo. La naturaleza altamente estructurada de los sistemas de RR.HH. en las empresas modernas (roles muy definidos con competencias bien definidas, trayectorias profesionales bien establecidas, niveles de compensación fijos y recorridos de aprendizaje formales) ya ha tenido dificultades para mantenerse al día con los cambios impulsados por las capacidades digitales. No es rival para la dinámica más volátil e impredecible de la inteligencia artificial de última generación.
Los líderes de RR.HH., en colaboración con los directores ejecutivos y los líderes tecnológicos, deben transformar la forma en que encuentran y nutren el talento, con un enfoque en dos áreas en particular: la planificación estratégica de la fuerza laboral y las capacidades de aprendizaje.
Basar la planificación estratégica de la fuerza laboral en las necesidades y habilidades del negocio.
La transformación del talento comienza con los líderes de RR.HH. desarrollando un plan estratégico de la fuerza laboral basado en las habilidades. Las empresas a menudo se centran en los roles durante la planificación de la fuerza laboral, pero eso no es suficiente. Identificar la necesidad de un puesto de ingeniero de software o ingeniero de datos sénior, por ejemplo, no es útil cuando las herramientas de inteligencia artificial de última generación se hacen cargo de las tareas, no de los roles.
Los líderes de RR.HH. no pueden hacer esto en el vacío. Necesitan trabajar con los líderes de la empresa para comprender los objetivos (como la innovación, la experiencia del cliente y la productividad) para ayudar a centrar los esfuerzos en el talento. Con esto en la mano, pueden trazar un mapa de las futuras demandas de talento.
Esta colaboración es fundamental para desarrollar un inventario de habilidades, que proporciona a las empresas una base de datos que les permite evaluar qué habilidades tienen, cuáles necesitan y cuáles pueden cubrir las herramientas de inteligencia artificial. Esta clasificación de habilidades debe utilizar un lenguaje claro y coherente (para que pueda aplicarse en toda la empresa), capturar los niveles de experiencia y estar organizada en torno a jerarquías para organizar la información más fácilmente.
La transformación del talento comienza cuando los líderes de RR.HH. desarrollan un plan estratégico de fuerza laboral basado en habilidades.
Sin embargo, para que sean útiles, las empresas deben tratar las habilidades como datos en lugar de como un documento. Al agregar habilidades con etiquetas relevantes (por ejemplo, niveles de experiencia) a una base de datos, las empresas pueden usar IA y LLM para determinar relaciones y conexiones entre habilidades para la recapacitación, priorizar qué habilidades desarrollar, habilitar la planificación de la fuerza laboral para determinar las necesidades de habilidades específicas por programa o equipo y desarrollar programas de aprendizaje personalizados.
Un ejemplo incluye una empresa de ciencias biológicas que está trabajando para usar una herramienta de inferencia de habilidades de IA para crear una vista integral de las habilidades de su talento digital. La herramienta escanea vacantes, descripciones de roles, datos de RR.HH. sobre roles, perfiles de LinkedIn y otras plataformas internas (por ejemplo, Jira, repositorios de código) para desarrollar una vista sobre qué habilidades se necesitan para roles determinados. Luego, el empleado individual relevante puede revisar y confirmar si tiene esas habilidades y competencias. Una vez confirmadas, esas habilidades se agregan no solo a los perfiles de las personas, sino también a la base de datos de habilidades de la empresa para futuras evaluaciones.
Para que este enfoque de planificación estratégica de la fuerza laboral sea eficaz, las empresas deben medir continuamente el progreso en relación con las deficiencias de habilidades identificadas y revisar la estrategia para determinar si han surgido otras necesidades, especialmente a medida que se implementan herramientas y capacidades de inteligencia artificial de nueva generación. Los equipos de RR.HH. tendrán que trabajar con los líderes de ingeniería para evaluar las herramientas y comprender las habilidades que pueden reemplazar y qué nueva capacitación se necesita.
Desarrollar capacidades de aprendizaje como parte de un programa de talento más amplio.
No existe un único camino hacia la victoria a la hora de encontrar y conservar el talento que necesita una empresa. Nuestra experiencia demuestra que las empresas necesitan implementar una variedad de estrategias de talento, desde prácticas de contratación más centradas en el cliente hasta vías de formación personalizadas. Pero como la generación de IA avanza rápidamente y hay poca claridad sobre qué habilidades serán necesarias, la mejora de las competencias tendrá que ser una prioridad. Entre los desafíos en el desarrollo de programas de mejora de las competencias se encuentran la falta de mejores prácticas codificadas y la posible resistencia de los trabajadores a aprender nuevas habilidades. Si bien un ingeniero, por ejemplo, puede estar interesado en adquirir más competencias en codificación, la necesidad de aprender diferentes tipos de habilidades (como la comunicación eficaz o el desarrollo de historias de usuario) puede parecer menos importante o incluso amenazante.
Por este motivo, las empresas deben prestar especial atención a los modelos de aprendizaje, que tienden a pasarse por alto como parte del repertorio de mejora de las competencias de una empresa. El aprendizaje ofrece un aprendizaje práctico para desmitificar el cambio y un modelo a seguir para demostrar habilidades difíciles de enseñar, como la mentalidad de resolución de problemas y cómo usar el buen juicio para evaluar la idoneidad del código. Pero para que el aprendizaje sea eficaz, los expertos sénior deben ser participantes activos en lugar de simplemente marcar una casilla. Tienen la credibilidad y, a menudo, el conocimiento institucional que puede ser útil, como para abordar cuestiones de riesgo específicas de la empresa. Los expertos deberán codificar y revisar el código con colegas jóvenes, seguirlos mientras trabajan y organizar visitas de inspección para que puedan descubrir cómo trabajan los equipos con la IA de última generación. También pueden actuar como mentores para enseñar nuevas habilidades, como cómo desglosar los problemas, cumplir los objetivos comerciales, comprender las necesidades y los puntos críticos del usuario final y hacer preguntas relevantes.
Para garantizar el éxito de los programas de aprendizaje, las empresas deben crear incentivos haciendo que el aprendizaje forme parte de las evaluaciones de desempeño y brindando tiempo suficiente para que las personas participen. De hecho, una empresa de audio ha hecho del aprendizaje una parte explícita de su programa de aprendizaje. Organizó un campamento de entrenamiento sobre habilidades de inteligencia artificial para una docena de ingenieros de alto rendimiento que se ofrecieron como voluntarios para participar en el programa. A cambio de esta capacitación, los participantes debían capacitar a otros. Cada uno aceptó dirigir un campamento de entrenamiento de tres a cuatro días para diez a quince ingenieros, seguido de dos sesiones por semana durante tres meses, en las que cualquiera podía hacer preguntas y compartir sus propios aprendizajes.
Si bien las capacidades de la inteligencia artificial se volverán más estables y probadas, en el corto plazo las empresas deberán sortear una gran incertidumbre. Si se concentran en las habilidades y adaptan sus estrategias de gestión del talento, y si son lo suficientemente flexibles para aprender y adaptarse, las empresas pueden convertir sus desafíos en materia de talento en ventajas competitivas.
Fuente: McKinsey & Company, "The gen AI skills revolution: Rethinking your talent strategy",.
Este artículo es un esfuerzo colaborativo de Alharith Hussin, Anna Wiesinger, Charlotte Relyea, Martin Harrysson y Suman Thareja, con Prakhar Dixit y Thao Dürschlag, que representan los puntos de vista de McKinsey Technology y las prácticas de Tecnología, Medios y Telecomunicaciones y Personas y Desempeño Organizacional de McKinsey.
Acerca de los Autores/as.
Alharith Hussin es socia de la oficina de McKinsey en el Área de la Bahía, donde Martin Harrysson es socio principal; Anna Wiesinger es socia de la oficina de Düsseldorf; Charlotte Relyea es socia principal de la oficina de Nueva York; Suman Thareja es socio de la oficina de Nueva Jersey; Prakhar Dixit es socio asociado de la oficina de Seattle; y Thao Dürschlag es socio asociado de la oficina de Múnich.
Los autores desean agradecer a Kiera Jones y Sven Blumberg por sus contribuciones a este artículo.
Comments