Proyectos de bienestar: límites de IA interna y datos

13/09/2026

Cuando el salario ya no es el único beneficio

Aún recuerdo la primera vez que me senté con el equipo de RR. HH. de un gran conglomerado manufacturero en el sur. No se quejaban de los salarios. Se quejaban de una inequidad invisible. Un grupo de empleados jóvenes y de alto rendimiento frecuentemente incumplía con sus pagos de tarjeta de crédito por falta de alfabetización financiera, mientras que los empleados veteranos aprovechaban al máximo los beneficios de la empresa, algo que la organización desconocía. El problema central: la empresa pagaba por un sistema de bienestar rígido que no diferenciaba a su audiencia.

Esta es una observación común del mercado en Vietnam, y ahora se está extendiendo a Tailandia y Filipinas. Las empresas multinacionales están comprendiendo que retener talento requiere más que salarios competitivos; requiere ayudar a los empleados a estabilizar sus vidas. Un empleado preocupado por deudas malas o confundido con su seguro de salud tendrá dificultades para concentrarse en el trabajo. Pero resolver esto requiere acceder a los datos más sensibles: historial de pagos y registros de personal. Aquí es donde el concepto de IA interna entra realmente en juego, no para reemplazar a los humanos, sino para personalizar sutilmente la experiencia de bienestar del empleado.

Números que hablan y archivos de Excel corruptos

A menudo se dice que los datos son oro. Eso es cierto, pero solo cuando los datos están limpios. En la práctica, aproximadamente un tercio de los proyectos de IA interna en los que he participado murieron en las etapas tempranas, no por algoritmos pobres, sino porque los datos de entrada eran demasiado caóticos. En este proyecto, los registros de empleados estaban dispersos en cinco sistemas diferentes. El historial de pagos se ingresaba manualmente desde estados de conciliación bancaria, con diversos formatos de fecha y errores de ortografía en los nombres.

Todos dicen que la IA automatizará todo. La realidad muestra que la IA solo puede procesar lo que entiende. Cuando le pedí al departamento de TI que extrajera tres años de historial de pagos, lo que recibí fue un desastre. Algunas filas de datos tenían años faltantes, y algunos pagos estaban agrupados sin una categorización clara. Pasamos casi dos meses solo limpiando los datos. Puede sonar como una pérdida de tiempo, pero es un paso obligatorio. Si alimentas un modelo con un conjunto de datos sucio, recibirás recomendaciones financieras defectuosas, y la confianza de los empleados en el sistema colapsará por completo.

Construir modelos a partir de piezas desconectadas

Una vez que tuvimos un conjunto de datos relativamente limpio, comenzamos a construir segmentos de clientes basados en el comportamiento financiero y los roles laborales. El objetivo no era clasificar a los empleados como buenos o malos, sino identificar quién estaba luchando con la gestión financiera personal y quién tenía el potencial de mejorar su bienestar. Usamos algoritmos de agrupamiento simples combinados con reglas de negocio proporcionadas por el departamento de RR. HH. Por ejemplo, un empleado con ingresos estables pero picos de gasto repentinos a fines del mes corre un alto riesgo de caer en una espiral de deuda. Otro empleado, a pesar de tener ingresos más bajos, con una tasa de ahorro estable y sin préstamos, es un candidato ideal para paquetes de inversión premium o seguros de salud.

Aquí, el rol de la IA interna es conectar datos desconectados. El sistema escanea automáticamente los perfiles de los empleados, los cruza con el historial de pagos y proporciona recomendaciones personalizadas. En lugar de enviar un correo masivo sobre un programa de préstamos preferencial, el sistema envía mensajes solo a aquellos con buena capacidad de repago, acompañado de una breve explicación de por qué califican. Esta personalización no solo mejora la experiencia, sino que también reduce significativamente el número de solicitudes de soporte para el equipo de RR. HH. He visto a equipos de RR. HH. pasar semanas enteras respondiendo preguntas repetitivas sobre políticas de bienestar. Con este sistema, la mayoría de esas preguntas se resuelven automáticamente.

Lo que se puede medir y lo que no

A menudo perseguimos métricas cuantitativas. Pero en este proyecto, me di cuenta de que los cambios cualitativos son los más importantes. Después de tres meses de implementación, la tasa de participación de los empleados en los programas de bienestar de salud aumentó significativamente. No porque la empresa los obligara, sino porque entendieron mejor sus derechos. Una empleada de nivel medio me compartió que, por primera vez, sintió que la empresa se preocupaba genuinamente por su vida personal, en lugar de verla solo como un ID de empleado. Ese fue un pequeño fragmento de retroalimentación, pero valía más que cualquier informe de KPI.

Sin embargo, hay cosas que no se pueden medir con precisión. Por ejemplo, la reducción del estrés causado por problemas financieros. No podemos proporcionar una cifra específica sobre cuánto aumentó la productividad porque los empleados ya no se preocupaban por las deudas. Pero a través de entrevistas a profundidad, pude sentir un cambio de actitud. Los empleados se volvieron más enfocados en el trabajo y se quejaron menos de la presión financiera. Estos son valores intangibles, pero forman la base de una cultura corporativa sostenible. También noté que cuando los empleados se sienten apoyados, es menos probable que renuncien. En el competitivo mercado laboral de hoy, esta es una ventaja competitiva significativa.

Lo que queda por hacer y lecciones para futuros proyectos

Si tuviera que reiniciar este proyecto, cambiaría mi enfoque hacia los datos. En lugar de intentar limpiar datos antiguos, construiría procesos de recopilación de datos desde el inicio. La entrada de datos automatizada desde bancos y socios financieros ayudaría a minimizar el error humano. Pero esa es una historia para el futuro. Actualmente, aún enfrentamos desafíos de privacidad. Los empleados están muy preocupados por quién verá sus datos financieros. Tuvimos que establecer un conjunto claro de pautas éticas, asegurando que los datos se usen solo para proporcionar bienestar, nunca para evaluar el desempeño laboral. Este es un límite delicado, y incluso un pequeño error puede romper la confianza.

Hay una cosa más que aún no he resuelto: cómo hacer que este sistema se adapte a los cambios en las políticas financieras personales de los empleados. Por ejemplo, cuando un empleado se casa, sus necesidades financieras cambian. El sistema actual no es lo suficientemente flexible para detectar automáticamente tales cambios importantes. Necesitamos fuentes de datos adicionales o permitir que los empleados actualicen su información de manera proactiva. Este es un problema abierto, y creo que con los avances tecnológicos, encontraremos una solución. Pero lo más importante es no pensar en la IA como una varita mágica. Es solo una herramienta. Los humanos aún determinan el éxito o el fracaso, y la confianza es lo más difícil de construir pero lo más fácil de romper. Eso es lo que quiero enfatizar al discutir la IA interna y el bienestar de los empleados.

Hay más de lo que un artículo puede contener. Sigue leyendo en el blog de AIVISION, mira nuestra solución de puntuación de displays, o ponte en contacto.