En el capítulo 3: «Identifying Skills for the Future» (Identificación de Habilidades para el Futuro), escrito por Marco Pironti y Lea Iaia, dentro del libro de Rosak-Szyrocka, J., Tripathi, S., Garcia, M. B., Festa, G., & Launer, M. A. (Eds.). (2026). Reskilling and Upskilling in the Age of AI: A Practical Guide to Workforce Transformation. CRC Press (Taylor & Francis Group), los autores tratan de predecir qué capacidades ganarán valor conforme progresa la inteligencia artificial desde el enfoque como problema de competitividad organizativa y, al mismo tiempo, una cuestión de diseño institucional en educación, empleo y políticas públicas, ya que la automatización va a desplazar tareas, a recomponer ocupaciones y a acelerar la obsolescencia de destrezas, obligando a pasar de una gestión de personas centrada en inventarios estáticos de puestos a una arquitectura dinámica de capacidades que se actualiza con señales de mercado y con aprendizaje continuo.
Así, el cambio tecnológico constituirá la fuerza más disruptiva para el mercado laboral en los próximos años. Los autores fundamentan esta afirmación en datos del Future of Jobs Report (World Economic Forum, 2025), indicando que el 86% de los empleadores considera la Inteligencia Artificial (IA) y las tecnologías de procesamiento de información como las tendencias más transformadoras para sus modelos de negocio. La integración de la IA generará un efecto dual en la fuerza laboral. Por un lado, se proyecta la creación de aproximadamente 19 millones de nuevos empleos impulsados por la tecnología en general, y concretamente 11 millones atribuidos directamente a la IA y tecnologías de procesamiento de datos. Simultáneamente, se prevé el desplazamiento de 9 millones de puestos de trabajo existentes debido a la automatización, fenómeno que exige una reestructuración fundamental de los perfiles profesionales.
Las nuevas categorías laborales con mayor proyección se concentran en las siguientes ocupaciones tecnológicas:
- Especialistas en Big Data.
- Ingenieros Fintech.
- Especialistas en IA y Machine Learning.
- Desarrolladores de software y aplicaciones.
Además de las competencias técnicas (ciberseguridad, alfabetización tecnológica), se subraya la complementariedad crítica de las habilidades blandas o «humanas». Competencias como el pensamiento creativo, la resiliencia, la adaptabilidad, la curiosidad y el compromiso con el aprendizaje continuo se vuelven vitales para 2030, dado que la automatización asume tareas rutinarias cognitivas y manuales.
Se considera al desajuste de capacidades como la desalineación entre lo que el trabajador puede hacer y lo que el empleador demanda, subrayando que en contextos de IA generativa el problema pasa a ser estructural, porque la obsolescencia se vuelve acelerada y aparece tanto infracualificación como sobrecualificación, con efectos en productividad, trayectorias profesionales y satisfacción laboral. La unidad de análisis útil. Más que el puesto, es el “perfil de capacidades” actualizado de forma continua y la unidad de intervención es el sistema de movilidad interna y aprendizaje orientado a transiciones ocupacionales previsibles.
Metodologías de previsión de la demanda de habilidades (skill forecasting)
La planificación de la fuerza laboral es, cada vez en mayor medida, un campo interdisciplinar que amalgama la ciencia de datos, la psicología organizacional y la prospectiva estratégica. La IA permite a los departamentos de RRHH operar de manera predictiva, optimizando el rendimiento, el reclutamiento estratégico y la planificación de la sucesión, con el objetivo de abordar el «desajuste de habilidades» (skill mismatch), definido como la falta de alineación entre las capacidades disponibles de los trabajadores y los requisitos de los empleadores.
Métodos cualitativos
Se justifican cuando hay poca evidencia histórica o cuando el campo evoluciona tan rápido que los datos llegan tarde, por lo que cobran valor las narrativas de futuro, la consulta estructurada y el diseño participativo, con tres instrumentos destacados.
Delphi
Como procedimiento iterativo de convergencia entre expertos para identificar tendencias como el crecimiento de la cooperación humano–IA y la necesidad de capacidades como pensamiento algorítmico y ética de la IA. Permite depurar el “ruido” inicial de opiniones dispersas y convertirlo en juicios colectivos más estables, sin depender de series históricas que, en contextos de adopción acelerada, llegan tarde o describen un mundo que ya ha mutado. El valor de Delphi para identificar competencias futuras se entiende mejor si se separan cuatro capas, la capa de tendencias, la capa de tareas, la capa de capacidades y la capa de evidencias de desempeño. El panel debería reconstruir cadenas causales plausibles que conecten la difusión de sistemas de IA con cambios en procesos de trabajo, cambios en portafolios de tareas, y reconfiguración de destrezas, de modo que “cooperación humano–IA” no quede en un eslogan y se traduzca en repertorios observables que permitan formular preguntas correctas al sistema, evaluar salidas, calibrar confianza, detectar fallos, documentar decisiones, auditar sesgos o escoger umbrales de automatización, y que “ética de la IA” no quede reducida a un módulo normativo sino que se concrete en criterios aplicables de responsabilidad, trazabilidad, minimización de daños, supervisión humana y transparencia.
La primera ronda opera como exploración amplia y produce un listado de tendencias, riesgos y oportunidades, la segunda ronda fuerza priorización y establece relaciones entre elementos, la tercera ronda exige justificación y condiciones de validez, y una ronda final consolida acuerdos, divergencias persistentes y un mapa de incertidumbres, porque en prospectiva de capacidades conviene preservar desacuerdos informados, dado que suelen señalar bifurcaciones tecnológicas o regulatorias que condicionan qué capacidades se vuelven más valiosas en cada escenario.
La construcción del panel requiere una composición mixta con experiencia en operaciones, recursos humanos, educación, derecho y compliance, ciberseguridad, producto y negocio, junto con perfiles que conozcan la práctica cotidiana del trabajo y no sólo la arquitectura técnica ideal, en la medida en que muchas competencias emergen en la fricción entre norma, herramienta y contexto organizativo.
La salida analítica útil podría ser una matriz con al menos tres ejes en base a relevancia estratégica, urgencia temporal y transferibilidad entre ocupaciones, acompañada por definiciones operativas, indicadores de dominio y ejemplos de tareas en las que esa capacidad se expresa, porque sin definiciones operativas las taxonomías se vuelven retóricas y las organizaciones terminan midiendo credenciales o asistencia a cursos en lugar de medir competencia demostrada. El pensamiento algorítmico debe ser traducido en comportamientos observables como descomposición de problemas, modelización de entradas y salidas, identificación de supuestos, elección de métricas, comprensión de trade-offs y lectura crítica de resultados, articulando además una distinción que suele pasar desapercibida, comprender algoritmos no equivale a programar, del mismo modo que evaluar un modelo no equivale a entrenarlo, por lo que la “profundidad” requerida debe calibrarse por rol, riesgo y nivel de autonomía del sistema en el proceso de trabajo.
Talleres y mesas de expertos
Pueden integrarse en plataformas que mapean, con criterios semánticos, las transiciones entre ocupaciones, de manera que se identifiquen habilidades técnicas, destrezas blandas y capacidades transversales vinculadas a la IA, entre ellas la interpretabilidad, la gobernanza y la construcción de confianza, desplazando la conversación desde aprender herramientas concretas hacia ser capaz de operar sistemas socio-técnicos con garantías. La clave de este enfoque es que cambia el centro de gravedad de la capacitación, que deja de orientarse a dominar una aplicación o un modelo y pasa a centrarse en las condiciones reales de uso en organizaciones y servicios, donde la tecnología se combina con normas, incentivos, cultura, reparto de responsabilidades y expectativas de usuarios y ciudadanía, de modo que la competencia no se reduce a únicamente “saber utilizar” la IA, resulta necesario saber desplegarla en procesos, supervisar su funcionamiento, explicar resultados a distintos públicos, documentar decisiones, detectar fallos, corregirlos y mantener trazabilidad, porque en la práctica estas capacidades transversales suelen decidir si la adopción funciona o se atasca.
La interpretabilidad se puede trabajar como capacidad distribuida ya que exige que ciertos roles sepan traducir un resultado en razones comprensibles, y que otros roles sepan establecer límites y advertencias, en especial cuando el modelo opera en dominios con coste de error alto; por tanto, en un taller bien diseñado, la interpretabilidad se “codifica” mediante tareas tipo, preparando una explicación para una auditoría interna, redactando una nota de decisión para dirección, justificando una denegación a un cliente, o respondiendo a una consulta de un regulador, y se evalúa por claridad, trazabilidad y adecuación al receptor.
La gobernanza aparece como competencia porque la IA no es un software más, es una capacidad organizativa con ciclo de vida, datos, modelos, cambios, incidentes y dependencia de proveedores, lo que obliga a dominar prácticas como control de versiones de modelos, gestión de cambios, definición de umbrales de intervención humana, comités de revisión, evaluación de impacto, trazabilidad de datos, y asignación de responsabilidades, enlazando así con marcos de riesgo y con exigencias regulatorias. La gobernanza se materializa en artefactos, mapas de responsabilidades, RACI, checklist de despliegue, procedimiento de incidentes, criterios de retirada del sistema y protocolo de evaluación periódica.
La construcción de confianza se plantea como competencia relacional y comunicativa, dado que una organización puede tener un modelo con gran desempeño técnico y aun así fracasar si quienes lo usan lo perciben opaco, injusto o incontrolable, por lo que entran en juego prácticas de comunicación de incertidumbre, diseño de interfaces, educación interna, negociación con comités de empresa, y gestión de expectativas de clientes y ciudadanía. La confianza se puede operacionalizar con guiones de comunicación, gestión de reclamaciones, diseño de mecanismos de apelación y revisión, y protocolos de “explicación y reparación” cuando el sistema falla.
La integración con plataformas de mapeado semántico introduce la creación de un vocabulario común entre ocupaciones y formación, ya que la plataforma actúa como “memoria estructurada” en la que las aportaciones del taller se convierten en etiquetas, relaciones y rutas, permitiendo identificar transiciones viables, transiciones con alto coste de aprendizaje y transiciones bloqueadas por requisitos normativos o por falta de práctica; desde ahí, el trabajo experto produce no sólo un inventario de capacidades, sino un grafo de movilidad, con nodos ocupacionales y aristas que representan itinerarios de reskilling, lo que facilita diseñar programas modulares, credenciales apilables y rutas de aprendizaje orientadas a puestos objetivo. Para que el dispositivo no se convierta en una sesión declarativa, conviene estructurarlo con tres momentos, un momento de desagregación de tareas reales por ocupación, un momento de comparación entre ocupaciones cercanas para detectar competencias transferibles, y un momento de codificación final en el sistema semántico con reglas de consistencia, definición y ejemplos, de manera que cada etiqueta de capacidad quede asociada a evidencias de desempeño y a niveles de dominio, lo que habilita evaluación, orientación y recomendación automatizable sin perder control humano.
Escenarios y prospectiva participativa
La elaboración de escenarios y realización de prospectiva participativa resultan útiles para traducir señales débiles en marcos pedagógicos y planes de acción, simulando cómo cambios regulatorios o ambientales afectan desempeño y dinámica laboral, y permitiendo identificar clústeres de capacidades por sectores.
La planificación por escenarios es utilizada por organizaciones de carácter institucional para mostrar que educación y planificación deben emplear escenarios plausibles y basados en evidencia con el fin de orientar el desarrollo curricular, desplegando ejercicios de prospectiva multi-actor que permiten simular demandas futuras, traducirlas a marcos pedagógicos y construir planes proactivos, incluso detectando la emergencia de clústeres de capacidades vinculadas a IA por sectores, a la vez que las simulaciones ayudan a anticipar cómo cambios de política y cambios ambientales afectan dinámicas del trabajo y desempeño.
La prospectiva participativa se concibe como una “máquina de traducción” entre tres lenguajes que rara vez encajan, el lenguaje de la tecnología, el lenguaje del trabajo y el lenguaje de la formación, ya que las señales débiles suelen aparecer como fragmentos, nuevas prácticas de datos, cambios incipientes en contratación, borradores regulatorios, incidentes públicos, nuevas expectativas de clientes, y el reto consiste en convertir esos fragmentos en hipótesis estructuradas que puedan guiar decisiones curriculares, presupuestos de reskilling y rediseños de procesos.
Una arquitectura de escenarios suele construir un eje tecnológico y un eje institucional, donde el eje tecnológico puede oscilar entre automatización amplia con agentes y modelos cada vez más autónomos, y automatización acotada con modelos supervisados y restricciones fuertes, mientras que el eje institucional puede oscilar entre regulación exigente con obligaciones de gestión de riesgo y transparencia, y regulación laxa con mayor discrecionalidad empresarial; al cruzar ambos ejes aparecen futuros plausibles con implicaciones distintas sobre capacidades, por ejemplo, en un escenario de regulación exigente y alta automatización crece la demanda de gobernanza, auditoría, cumplimiento y diseño responsable, mientras que en un escenario de regulación laxa y alta automatización se intensifican capacidades de control interno, ciberseguridad, gestión de proveedores y continuidad de negocio, con fuertes exigencias de cultura organizativa y control reputacional.
La participación multi-actor cumple dos funciones, aportar información situada que los datos agregados no capturan y producir legitimidad para la acción, porque un currículo, un plan de reskilling o una reorganización por capacidades requieren aceptación y coordinación; por ello, el grupo debería incluir empleadores, sindicatos o representación laboral, instituciones educativas, servicios públicos de empleo, especialistas en regulación y protección de datos, y perfiles técnicos, dado que cada actor aporta restricciones y criterios de éxito distintos, y el escenario sirve para negociar trade-offs sin esconderlos.
El proceso de traducción de escenarios a pedagogía se puede formalizar en cuatro pasos encadenados, identificación de misiones o retos por sector, descomposición en tareas y decisiones humanas en presencia de IA, derivación de capacidades y niveles de dominio, y diseño de módulos formativos con evaluación basada en desempeño, de modo que la formación no se organice por tecnologías efímeras sino por capacidades duraderas que permiten operar tecnologías cambiantes; aquí aparece de nuevo el desplazamiento desde aprender herramientas hacia operar sistemas con garantías, lo que en pedagogía se concreta en actividades como auditorías simuladas, redacción de documentación de modelos, ejercicios de gestión de incidentes, debates de gobernanza y prácticas de comunicación de incertidumbre.
Los escenarios se conectan con la identificación de clústeres de capacidades por sectores, lo que permite pasar de listas generalistas a configuraciones sectoriales, por ejemplo, en salud emergen clústeres donde interoperan datos, privacidad, responsabilidad clínica y explicabilidad, mientras que en finanzas emergen clústeres donde dominan cumplimiento, riesgo, detección de fraude, robustez y trazabilidad; esa lógica sectorial habilita planes de acción con priorización temporal, módulos núcleo transversales y módulos sectoriales, y permite decidir qué se forma internamente, qué se externaliza, y qué se certifica mediante credenciales.
Métodos cuantitativos
Constituyen la base empírica que permite traducir la anticipación de capacidades en decisiones operativas en políticas públicas, reformas educativas y gestión estratégica del talento que evolucionan hacia arquitecturas dinámicas alimentadas por datos de alta frecuencia, capaces de captar cambios rápidos en la demanda de capacidades en contextos de adopción desigual y acelerada de la inteligencia artificial
Las encuestas tradicionales, aun siendo útiles para establecer panorámicas generales, presentan limitaciones estructurales en entornos dominados por tecnologías de propósito general como la IA, dado que recogen percepciones ex post, agregadas y con periodicidades largas, lo que introduce retardos que vuelven poco operativas sus conclusiones cuando las ocupaciones y los perfiles se reconfiguran en ciclos cortos. Frente a ello, los métodos cuantitativos basados en datos continuos permiten observar microvariaciones, identificar puntos de inflexión y construir indicadores adelantados que informan decisiones de inversión en formación, rediseño curricular y políticas activas de empleo.
Series temporales y aprendizaje profundo
Los modelos de series temporales se pueden utilizar como instrumentos para proyectar la evolución de la demanda de capacidades, desde el enfoque clásico ARIMA hasta las arquitecturas de aprendizaje profundo como LSTM, especialmente adecuadas cuando los patrones históricos muestran no linealidades, rupturas y alta volatilidad asociadas a la difusión irregular de tecnologías de IA entre sectores y territorios.
ARIMA, modelo estadístico clásico de series temporales cuyo nombre procede de las siglas en inglés AutoRegressive Integrated Moving Average, y se utiliza para describir y prever la evolución de una variable a lo largo del tiempo a partir de sus propios valores pasados. Posee la capacidad para modelizar tendencias y estacionalidades bajo supuestos de estabilidad relativa, lo que lo hace útil en dominios donde la adopción tecnológica sigue trayectorias graduales y donde los shocks externos son limitados. El modelo combina tres componentes, un término autorregresivo que relaciona el valor actual con valores anteriores de la serie, un componente de integración que introduce diferenciación para eliminar tendencias y lograr estacionariedad, y un término de media móvil que modeliza el efecto de perturbaciones pasadas o errores previos. La lógica de ARIMA parte del supuesto de que los patrones históricos, una vez eliminadas tendencias y estacionalidades, contienen información suficiente para proyectar el comportamiento futuro a corto y medio plazo. Estos modelos pierden capacidad explicativa cuando el comportamiento de la serie se ve afectado por cambios estructurales, como la introducción rápida de automatización cognitiva, nuevas regulaciones o transformaciones organizativas que alteran de forma abrupta la demanda de determinadas capacidades.
LSTM, tipo de red neuronal recurrente cuyo nombre procede de Long Short-Term Memory, diseñada para modelizar series temporales y secuencias en las que existen dependencias complejas a lo largo del tiempo. A diferencia de los modelos recurrentes clásicos, LSTM incorpora una arquitectura interna basada en celdas de memoria y compuertas que regulan qué información se conserva, qué se olvida y qué se actualiza en cada paso temporal. Sería una alternativa más flexible, capaz de capturar dependencias de largo plazo y relaciones no lineales en datos temporales complejos, lo que resulta especialmente pertinente en mercados laborales atravesados por ciclos irregulares de adopción de IA, donde una capacidad puede experimentar picos de demanda, periodos de estabilización y caídas relativas en lapsos breves. El capítulo señala que este tipo de modelos permite integrar múltiples variables exógenas, como inversión tecnológica, cambios normativos o indicadores sectoriales, enriqueciendo las proyecciones y ofreciendo una visión más ajustada de la dinámica real de las capacidades.
El valor de estos modelos reside especialmente en su uso como herramientas de simulación para explorar escenarios, evaluar sensibilidad ante distintos supuestos y apoyar decisiones sobre cuándo activar programas de reskilling, qué colectivos priorizar y con qué intensidad temporal, evitando respuestas homogéneas a fenómenos que, en la práctica, son heterogéneos por sector, ocupación y territorio.
Minería de ofertas de empleo y modelado semántico de capacidades
El segundo pilar cuantitativo es la minería de ofertas de empleo mediante técnicas de procesamiento del lenguaje natural y modelado de temas, que es una fuente para observar la demanda de capacidades casi en tiempo real, al reflejar directamente las expectativas de los empleadores y la evolución del lenguaje con el que describen tareas, requisitos y responsabilidades.
Los autores describen técnicas como LDA, PLSA y BERTopic para extraer patrones latentes y clústeres de coocurrencia de destrezas, permitiendo identificar qué competencias tienden a aparecer juntas, cómo evolucionan esas combinaciones y qué nuevas asociaciones emergen en torno a la IA.
LDA (Latent Dirichlet Allocation) modelo probabilístico generativo que asume que cada documento combina varios temas y que cada tema se define por una distribución de palabras, de modo que permite identificar conjuntos coherentes de términos que tienden a aparecer juntos y estimar su peso relativo en cada documento, lo que lo convierte en una herramienta adecuada para analizar tendencias y cambios en el lenguaje de ámbitos como las ofertas de empleo o los perfiles profesionales.
PLSA (Probabilistic Latent Semantic Analysis) precursor de LDA que también modeliza documentos como combinaciones de temas latentes, aunque sin incorporar priors bayesianos, lo que lo hace conceptualmente más simple pero menos robusto frente a sobreajuste y menos flexible para generalizar a nuevos documentos, aun así útil para explorar estructuras semánticas iniciales en colecciones de texto.
BERTopic es un enfoque más reciente que combina modelos de lenguaje basados en embeddings, técnicas de reducción de dimensionalidad y algoritmos de clustering para generar temas de forma dinámica, logrando mayor sensibilidad semántica y mejor adaptación a textos cortos o heterogéneos, lo que resulta especialmente valioso cuando se analizan corpus cambiantes y vocabularios emergentes, como los asociados a la inteligencia artificial y a nuevas configuraciones de capacidades.
Se puede utilizar el LDA como proxy del valor de mercado de determinadas competencias, en la medida en que la frecuencia y centralidad de ciertos temas vinculados a IA en las ofertas de empleo pueden interpretarse como un indicador indirecto de su relevancia económica y organizativa. Esto permite construir series de tendencia que muestran, por ejemplo, cómo determinadas capacidades pasan de ser marginales a convertirse en núcleos articuladores de perfiles profesionales, ofreciendo información útil para orientar currículos, itinerarios formativos y políticas de certificación. Han de tenerse siempre en cuenta los sesgos inherentes a este tipo de datos, ya que las ofertas de empleo reflejan estrategias de señalización de las empresas y no siempre describen con precisión el trabajo real, por lo que es recomendable combinar estos análisis con validación experta y con otras fuentes de datos para evitar sobrerrepresentar modas discursivas o infraestimar capacidades menos visibles pero críticas para el funcionamiento de los sistemas.
Interoperabilidad semántica y redes de trayectorias educativas y profesionales
El tercer eje cuantitativo sería la interoperabilidad semántica integrando minería web, grafos de conocimiento y taxonomías ocupacionales para construir redes dinámicas de trayectorias educativas y profesionales. Los autores mencionan sistemas de clasificación desarrollados en Alemania y marcos europeos como ESCO, que permiten describir ocupaciones, competencias y cualificaciones con un lenguaje común y enlazable.
ESCO (European Skills, Competences, Qualifications and Occupations) es una clasificación multilingüe desarrollada por la Comisión Europea que describe y relaciona de forma estructurada ocupaciones, competencias, capacidades y cualificaciones relevantes para el mercado laboral europeo. Proporciona un lenguaje común que permite alinear educación, formación y empleo, facilitando la comparación de perfiles profesionales, la identificación de carencias de capacidades y el diseño de itinerarios formativos y de movilidad laboral entre países y sectores. En la práctica, actúa como una infraestructura semántica que hace posible conectar datos educativos y laborales, apoyar políticas activas de empleo y mejorar la interoperabilidad entre sistemas de orientación, reclutamiento y planificación de capacidades en la Unión Europea.
Sin taxonomías compartidas y sin mecanismos de alineación semántica entre educación, empleo y formación continua, los resultados de los modelos predictivos quedan fragmentados y difícilmente accionables, ya que no se pueden traducir de manera directa en programas formativos, acreditaciones o itinerarios de movilidad laboral. Al integrar estas taxonomías en grafos de conocimiento, se pueden modelizar trayectorias probables, identificar transiciones viables entre ocupaciones y estimar el esfuerzo formativo necesario para cada desplazamiento. Esta integración es un reto técnico, organizativo y político, dado que exige cooperación entre administraciones educativas, servicios de empleo, empresas y proveedores de formación, así como acuerdos sobre estándares, gobernanza de datos y actualización continua de las clasificaciones. En ausencia de esta infraestructura semántica compartida, la anticipación de capacidades queda confinada a informes analíticos sin capacidad de escalar ni de influir de forma sostenida en decisiones curriculares o en políticas activas de empleo.
La predicción de capacidades en la era de la IA no depende de un modelo aislado, sino de un ecosistema de datos, técnicas y acuerdos institucionales que permitan observar, interpretar y actuar sobre la evolución del trabajo con la velocidad y la granularidad que exige la transformación tecnológica.
Modelos híbridos
Los modelos híbridos serían el estándar metodológico más sólido para la identificación de capacidades futuras en contextos de transformación acelerada por la inteligencia artificial, entendiendo por modelos híbridos la integración deliberada de métodos cuantitativos basados en datos con enfoques cualitativos sustentados en juicio experto, prospectiva y deliberación estructurada. Esta combinación funciona como una arquitectura de decisión diseñada para gestionar la complejidad, la incertidumbre y la heterogeneidad sectorial que caracterizan la evolución contemporánea del trabajo. Los métodos cuantitativos ofrecen capacidad de detección temprana de patrones, escalabilidad analítica y seguimiento continuo de tendencias a partir de datos de alta frecuencia como ofertas de empleo, trayectorias profesionales digitales o indicadores sectoriales. Los métodos cualitativos aportan contextualización, interpretación situada y capacidad de anticipar discontinuidades que aún no dejan huella estadística, como cambios regulatorios en fase de diseño, transformaciones organizativas incipientes o desplazamientos normativos y culturales en torno al uso de la IA. Cada enfoque, tomado de forma aislada, introduce sesgos sistemáticos que sólo se compensan mediante su integración consciente.
Un modelo cuantitativo puede identificar un aumento rápido en la demanda de ciertas competencias técnicas vinculadas a IA, aunque sin discernir si ese aumento responde a una moda discursiva, a una transición estructural o a un cambio coyuntural. La incorporación de paneles expertos, talleres sectoriales o ejercicios de escenarios permite contrastar esos resultados, filtrar ruido y jerarquizar prioridades, distinguiendo entre capacidades que conviene desarrollar de forma masiva, capacidades que requieren intervención selectiva y capacidades que deben observarse con cautela antes de invertir recursos formativos.
Los modelos híbridos funcionan mejor cuando se diseñan como procesos iterativos y no como ejercicios puntuales. Los datos alimentan hipótesis que se someten a contraste cualitativo, las conclusiones cualitativas ajustan variables, supuestos o segmentaciones en los modelos cuantitativos, y el ciclo se repite con periodicidad, generando aprendizaje institucional acumulativo. Lógica iterativa que permite que el sistema de identificación de capacidades se adapte a ritmos distintos de cambio entre sectores, ocupaciones y territorios, evitando respuestas uniformes a problemas que son estructuralmente desiguales.
Aspecto central del enfoque híbrido es su capacidad para traducir análisis en acción. La predicción sólo adquiere valor cuando se convierte en decisiones curriculares, itinerarios de reskilling, políticas activas de empleo o estrategias de movilidad interna. En este punto, los modelos híbridos actúan como puente entre lenguajes, conectando métricas y probabilidades con marcos pedagógicos, perfiles profesionales y diseños organizativos comprensibles para responsables educativos, directivos y agentes sociales. Sin esta mediación, los resultados analíticos tienden a quedar encapsulados en informes técnicos con escasa incidencia real. Desde el plano institucional, los modelos híbridos refuerzan la legitimidad de las decisiones, ya que combinan evidencia empírica con deliberación informada, lo que resulta especialmente relevante cuando se priorizan colectivos, sectores o territorios para intervenciones de formación financiadas con recursos públicos. La integración de actores diversos, administraciones, empresas, universidades y servicios de empleo, reduce el riesgo de capturas parciales del proceso y favorece consensos operativos sobre qué capacidades impulsar, con qué horizonte temporal y bajo qué criterios de evaluación.
Estudio de caso: IBM SkillsBuild como arquitectura socio-técnica para la identificación, formación y empleabilidad en economías guiadas por IA
El programa IBM SkillsBuild, impulsado por IBM, actúa como una infraestructura organizativa orientada a resolver de forma integrada tres problemas estructurales del mercado de trabajo. La detección temprana de capacidades emergentes, la traducción de dichas capacidades en itinerarios formativos accionables y la conversión efectiva de la formación en empleabilidad verificable, mediante un diseño que combina analítica avanzada, colaboración interinstitucional y credenciales con valor laboral inmediato.
Para la identificación de capacidades futuras, el dispositivo opera como un sistema de inteligencia de talento que se nutre de múltiples flujos de información procedentes del propio ecosistema tecnológico de la empresa, de la observación sistemática de la demanda de perfiles en sectores intensivos en datos y de la colaboración con universidades, entidades públicas y organizaciones del tercer sector, lo que permite construir mapas dinámicos de capacidades donde convergen competencias técnicas, capacidades transversales y alfabetización digital avanzada, articuladas en torno a roles emergentes vinculados a datos, automatización, ciberseguridad y ética aplicada a sistemas algorítmicos, evitando una aproximación estática basada exclusivamente en taxonomías tradicionales de ocupaciones.
En el plano formativo, SkillsBuild despliega un modelo de aprendizaje modular y acumulativo basado en microcredenciales, itinerarios personalizados y evaluación continua, donde la formación deja de concebirse como un evento aislado para transformarse en un proceso adaptativo que responde tanto a la progresión individual del aprendiz como a la evolución del entorno tecnológico, integrando contenidos técnicos con competencias cognitivas de alto nivel como pensamiento analítico, resolución de problemas complejos y colaboración humano-máquina, lo que aproxima el diseño pedagógico a los principios de los sistemas de aprendizaje organizativo defendidos por la literatura sobre empresas intensivas en conocimiento.
La arquitectura del programa refuerza la conexión entre formación y empleabilidad mediante mecanismos de señalización creíble hacia el mercado laboral, ya que las credenciales obtenidas se alinean con estándares industriales reconocidos, se diseñan en colaboración con empleadores reales y se integran en plataformas de intermediación laboral, reduciendo el desajuste entre lo aprendido y lo demandado, a la vez que se amplían las oportunidades de inserción para colectivos tradicionalmente excluidos de los circuitos formativos de alta cualificación, lo que introduce una dimensión de equidad y cohesión social en la estrategia de desarrollo de talento.
Desde un enfoque de gestión estratégica, IBM SkillsBuild es un instrumento de planificación de fuerza laboral extendida, donde la empresa no se limita a optimizar su propio capital humano sino que contribuye a modelar el ecosistema de capacidades del que depende su competitividad futura, externalizando parcialmente la función de formación hacia alianzas público-privadas y generando retornos sistémicos en forma de empleabilidad, resiliencia laboral y legitimidad social, lo que resulta coherente con los marcos contemporáneos de capitalismo de stakeholders y con las aproximaciones más recientes a la responsabilidad corporativa basada en capacidades.
