Para prevenir el burnout laboral hay que revisar cómo está diseñado el puesto antes de apuntar a nadie a un curso de gestión del estrés. Esa es la propuesta de un estudio de dos universidades australianas, que señala cinco rasgos del puesto que conviene examinar. Lo...
El espejismo de capacidad es la situación de un equipo o una empresa que parece muy capaz mientras las habilidades de su gente se debilitan bajo textos y análisis bien pulidos con IA. Lo describe un estudio de Anthrome Insight y Axialent publicado en MIT Sloan Management Review. Para evitarlo, las empresas deben saber qué decisiones se toman con IA y quién las revisa, evaluar si la persona entiende lo que entrega y dejar constancia de qué parte del trabajo ha hecho la IA.
En septiembre analicé las ofertas de empleo en IA activas en España. Quería responder a una pregunta que me hacen a menudo en las empresas con las que trabajo: quién contrata perfiles de IA en España de verdad. ¿Quién contrata perfiles de IA en España? El 41% de las...
El capital social profesional es la confianza que otros equipos y directivos depositan en alguien sin haberlo visto trabajar directamente, y según una investigación de MIT Sloan Management Review es lo que más pesa a la hora de ascender, incluso más que el propio rendimiento. Los profesionales muy valorados dentro de su equipo pero desconocidos fuera de él suelen quedarse fuera de los ascensos, porque nadie fuera de su departamento puede avalar su trabajo. Construirlo exige rendimiento sostenido, reputación que trascienda el equipo, y personas dispuestas a poner su propio crédito en juego para respaldarlo.
Sabes preguntarle a otra empresa si su producto hace daño. A la tuya no se lo has preguntado nunca. Nueve señales para reconocer cuándo revisas la ética ajena y evitas revisar la propia, y qué te cuesta no hacerlo.
Dirigir la IA en una empresa significa configurar el sistema una sola vez —qué datos puede usar, qué puede hacer con ellos y hacia dónde debe mirar— en lugar de limitarse a hacerle preguntas una por una. Según un estudio de MIT Sloan Management Review, existen cuatro formas de dirigir sistemas de IA para que encuentren hallazgos que nadie había buscado: cruzar varios diagnósticos que se contradicen, detectar lo que el equipo sabe pero nunca escribe, seguir la causa de un problema hasta el nivel donde realmente se decide, y comparar las categorías oficiales de un problema con lo que muestran los datos operativos reales.
La retención de talento técnico no se resuelve solo con salario: un estudio de MIT Sloan Management Review identifica cuatro modos distintos de retener a las personas, según si el motivo para quedarse depende de la persona, de la organización o de factores externos, y de cuánto margen tiene la empresa para actuar sobre él. Subir el sueldo funciona cuando el problema es económico, pero no cuando alguien se va porque lleva años sin aprender nada nuevo o sin un proyecto que lo motive. Casos como los de OpenAI, Periodic Labs o Salesforce muestran que las barreras más eficaces para retener talento son las que ningún competidor puede copiar en una tarde, como el contenido del puesto o la cultura de equipo.
Un estudio publicado en Research Policy y divulgado por MIT Sloan Management Review explica por qué el mejor logro de un equipo técnico es, muchas veces, el motivo por el que no vuelve a repetirse: tras un éxito extraordinario, la colaboración cae y las probabilidades de repetirlo bajan. Cuatro prácticas concretas ayudan a gestionar el éxito del equipo para que no se quede en un solo golpe de suerte.
Nueve señales de que evitas corregir a tu jefe cuando ves un dato equivocado, y qué le está costando a tu carrera en liderazgo técnico.
Las empresas suelen usar el mismo tipo de inteligencia artificial para decisiones muy distintas, y eso sale caro. La IA analítica funciona bien cuando hay datos históricos fiables y un objetivo con cifra clara, como predecir la fuga de clientes; la IA generativa ayuda más cuando la decisión depende de personas, cultura o consenso, como una reorganización. Calibrar cuál usar según seis criterios —objetivo, datos, causalidad, fronteras, feedback y reversibilidad— evita errores costosos y mejora el impacto real de la IA en el negocio.
La página solicitada no pudo encontrarse. Trate de perfeccionar su búsqueda o utilice la navegación para localizar la entrada.