4 1 9 -S 0 8

25 DE AGOSTO DE 2017

ETHAN BERNSTEIN

PAUL MCKINNON

PAUL YARABE

GROW: El uso de la inteligencia artificial para analizar

la inteligencia humana
Masahiro Fukuhara, fundador y director general (CEO) de la Institución para la Sociedad Global
(IGS), una startup ubicada en Tokio y enfocada a la analítica de personas, se tomó un descanso de la
revisión que estaba haciendo de datos para preguntarse cómo podría darles un mejor uso. Durante los
siete años previos, Fukuhara había fundado la IGS, su solución para la evaluación de candidatos de
trabajo (GROW) que creció rápidamente y la amplia variedad en la que los clientes la utilizaban lo hacía
emocionarse y preocuparse al mismo tiempo.

GROW, una aplicación (app) para plataformas iOS y Android (Anexo 1), consistía en dos
componentes propietarios: una forma de evaluación de competencias y una evaluación de
personalidad. Para evaluar las competencias, GROW empleaba una herramienta de retroalimentación
de pares para descubrir 25 competencias específicas que IGS había elegido con base en una extensa
investigación de ciencias sociales (Anexo 2). Para evaluar la personalidad, GROW empleaba una
versión gamificada del Implicit Association Test (IAT), que es un instrumento de evaluación
establecido para conocer el sesgo oculto en psicología social y que las personas pueden jugar desde sus
dispositivos móviles (Anexo 3). Aunque ningún componente era particularmente novedoso, lo que
hacía el GROW era utilizar el aprendizaje de algoritmos de inteligencia artificial (IA) para analizar cada
grupo de datos de evaluación tanto de candidatos como de evaluadores, y buscar patrones para
mejorar su habilidad de análisis de candidatos a través del tiempo (Anexo 4). En lugar de la intuición
humana, GROW utilizaba el big-data –datos discrepantes y tomados de mucha gente– para desarrollar
una herramienta científica, objetiva y de mejora continua para reclutar, examinar y desarrollar capital
humano.

Hasta aquí, todo parecía funcionar. Por ejemplo, en una prueba de GROW, un cliente hizo que sus
ejecutivos de Recursos Humanos evaluaran a 200 estudiantes al mismo tiempo que GROW. GROW no
solamente eligió a prácticamente los mismos 50 mejores candidatos (las dos listas de 50 no tenían
estadísticas significativas que los diferenciaran) pero destaca el hecho de que lo hizo justificadamente
según una base de datos y competencias.

Para junio del 2017, GROW tenía 74,000 usuarios, incluyendo estudiantes tanto de universidades
de prestigio como de otras menos conocidas. Entre los clientes contaba con Mitsubishi Corporation,
All-Nippon Airways (ANA), Septeni, DeNA, Rakuten, AXA y muchos otros. Incluso entidades

El caso de LACC número 419-S08 es la versión en español del caso de HBS número 418020. Los casos de HBS se desarrollan únicamente para su
discusión en clase. No es el objetivo de los casos servir de avales, fuentes de datos primarios, o ejemplos de una administración buena o deficiente.

Copyright 2017 President and Fellows of Harvard College. No se permitirá la reproducción, almacenaje, uso en planilla de cálculo o transmisión
en forma alguna: electrónica, mecánica, fotocopiado, grabación u otro procedimiento, sin permiso de Harvard Business School.

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

gubernamentales como la Secretaría de Economía, Comercio e Industria de Japón y los Emiratos Árabes
Unidos (UAE por sus siglás en inglés) se incluían en este grupo.

El gran interés que atraía GROW surgía tanto de la oportunidad como del reto. Por un lado,
proporcionaba a Fukuhara con una base de usuarios cada vez mayor, así como datos y soporte
institucional. Por otro lado, Fukuhara se preguntaba si requería tener un rol más importante en el
enfoque estratégico que podía tener el uso de GROW en aquellos lugares donde tuviera la mayor
probabilidad de generar un impacto más significativo (y potencialmente con menor error).

Una breve historia de IGS

Antes de iniciar IGS, Fukuhara fue director ejecutivo en Barclays Global Investors (BGI), una firma
de administración de activos donde tomó decisiones de inversión basadas en modelos computarizados
(ver Anexo 5. la historia de trabajo de Fukuhara). El mantra en BGI era “cuantificarlo todo”, y esta
política le inyectó a Fukuhara la creencia de que el juicio cuantitativo daría como resultado utilidades
con un mayor ajuste al riesgo. En la medida en que Fukuhara fue creciendo dentro de la organización
fue pasando menos tiempo manejando los datos y dedicando más tiempo a trabajar con personas, así
que comenzó a considerar ¿por qué no cuantificar las capacidades personales también? A la manera de los
inversionistas que toman decisiones en el tema de administración de activos, él observó que la gente
podía fallar al evaluarse objetivamente (y quizás también cuantitativamente) a sí misma y a los demás.
¿Podrían aplicarse las ventajas de la investigación cuantitativa a la evaluación y al desarrollo de
personas? Luego de la adquisición de BGI por parte de Black Rock, y sintiendo que había una
oportunidad para explorar esta curiosidad por sí mismo, Fukuhara dejó la empresa y fundó una startup
educativa, IGS.

Al principio, Fukuhara dirigió IGS como una escuela privada “de regularización” en una parte muy
efervescente de Tokio. Hacerlo de esta manera le dio la oportunidad de observar de primera mano
cómo la gente joven crecía, como respondía a la retroalimentación y cómo aprendía a evaluar sus
propias habilidades. Fukuhara, un ávido lector de filosofía y educado tanto en Japón como en el
extranjero, diseñó un novedoso currículo de filosofía, pensamiento crítico, debate y de inglés como
segunda lengua (ESL), que interesó no solamente a los padres y a los estudiantes en Japón, sino también
a escuelas y autoridades a quienes Fukuhara consultó. A través de esas conversaciones y retomando
sus propias experiencias con retroalimentación de 360 grados que tuvo en INSEAD y BGI, Fukuhara
se sintió cada vez más seguro de que las conductas de la gente podrían cambiar para mejorar mediante
una retroalimentación cada vez más frecuente, ¡una o dos veces al mes, en vez de una o dos veces al
año! Aun así, remitiéndose a sus raíces japonesas, sabía que el intercambio de retroalimentación
honesta era incómodo para muchos japoneses, lo que lo hacía una situación poco común. Para
Fukuhara, el proceso de contratación constituía la pérdida de una oportunidad para recuperar, utilizar
e intercambiar este tipo de retroalimentación de una manera sistemática, en una coyuntura donde las
personas están dispuestas a participar.

Una vez más, Fukuhara vio el vínculo con su empleo anterior. En BGI, durante sus años como
investigador de tasas de cambio y de ingreso global fijo, desarrolló métodos para el aprendizaje
profundo temprano y otros métodos estadísticos avanzados para apoyar las plataformas cuantitativas
de inversión. Fukuhara buscó construir una tecnología escalable similar para la retroalimentación en
el proceso de contratación. A principios de 2015, comenzó a tener períodos quincenales de lluvia de
ideas con antiguos colegas, amigos e investigadores para poderle dar vida a una herramienta que
podría ayudar tanto a estudiantes, para que pudieran comprender sus fortalezas y debilidades, como
a los departamentos de recursos humanos en el proceso de contratación. Como un paso hacia la meta
de apoyar a los estudiantes en su crecimiento, la herramienta se denominó GROW (del inglés
crecimiento). Asahi Shimbun, una de las más importantes compañías de medios en Japón, le
proporcionó apoyo en mercadotecnia y también lo apoyó con fondos obtenidos del desprendimiento

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

de IGS, su departamento educativo. Con esto, Fukuhara se enfocó en IGS para desarrollar una
plataforma GROW de dos dimensiones.

GROW
Mediante grupos focales (focus groups) organizados con estudiantes usuarios e incontables juntas
con ejecutivos en muchas empresas e instituciones, el ágil equipo de IGS desarrolló GROW como una
app móvil gamificada que permitía a los estudiantes “regalar” a otro retroalimentación en distintas
competencias y descubrir sus rasgos de personalidad a través de una tarea IAT modificada. Como
había necesidad de tener empresas que se incorporaran a la plataforma, IGS añadió una estrategia
B2B2C y comenzó a proporcionar el servicio GROW a los departamentos de recursos humanos en
distintas organizaciones. Entre los primeros clientes estaban empresas de manufactura y tecnología
como DeNA y Calsonic Kansei, aunque los clientes utilizaban el servicio de distintas formas, por
ejemplo, para identificar a jugadores estrella en sus organizaciones, para evaluar a aquellos que ya
habían recibido ofertas de trabajo para incorporarse a sus empresas (potencialmente para colocarlos en
roles específicos), o para identificar un subconjunto de 25 competencias que fueran estratégicamente
críticas y consistentemente mal representadas en los resultados de las pruebas aplicadas a empleados.

Además de buscar más liquidez para mejorar la tecnología e incrementar la adquisición de clientes
y expandir la base de usuarios (los primeros esfuerzos lograron atraer solo a algunos cientos), Fukuhara
emprendió una serie de reuniones con empresas de capital de riesgo y para el verano de 2017 aseguró
una Serie A de acciones por seis millones de dólares con capital de la Universidad de Tokio Edge
Capital y del Science Investment Management Company de la Universidad de Tokio, además de la
Keio Innovation Inititative. Estas inversiones hicieron de IGS la primera y única firma de capital de
riesgo fundada exclusivamente por agencias de capital de riesgo y en consecuencia Fukuhara vió que
estas podrían ser una prueba del doble propósito de GROW enfocado para el uso de estudiantes y de
empresas.
Luego de cerrar su financiamiento Serie A, se enfocó en la adquisición de clientes, buscando
agresivamente a los tomadores de decisión en las áreas de Recursos Humanos (RH) en firmas
destacadas y al demostrar la capacidad técnica de IGS para llevar a cabo el complejo análisis de datos
en los procesos de recursos humanos de las empresas. El aumento de los contratos con grandes firmas
japonesas y el tener una historia amigable con los medios (la frustración en la búsqueda de trabajo, la
muerte y el pago de impuestos podían considerarse como las certezas más desagradables en los
sociedad japonesa) ayudó a GROW a incrementar a sus usuarios de 2,000 que tenía en diciembre de
2016, a 74,000 en junio de 2017, lo que representa una proporción pequeña pero muy representativa de
la tasa anual de graduados universitarios en Japón (aproximadamente 650,000).

Cómo funciona GROW

Una vez que un usuario crea una cuenta GROW y completa un tutorial que está dentro de la app
(Anexo 1), podría evaluar las competencias de otros usuarios (compañeros de clase, compañeros de
trabajo, conocidos, etc.), llena también una autoevaluación o realiza el IAT. El IGS utilizaba sus
algoritmos de AI para analizar los datos resultantes, tanto del candidato como de los evaluadores, con
el fin de desarrollar y personalizar los servicios propios de HR para clientes y usuarios.

Competencias
Para echar a andar la herramienta GROW de AI (ver Anexo 4. una visión general de cómo
funcionaba), IGS desarrolló inicialmente una lista de competencias y requerimientos asociados que
podían cumplir varios criterios específicos (Anexo 2). Dadas las múltiples maneras en que una
competencia podía definirse, cada competencia se concedía inicialmente por medio de seis o siete

3
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

preguntas (llamadas requerimientos). Sin embargo, para incrementar las oportunidades de que los
evaluadores pudieran completar la evaluación, IGS utilizaba entonces el principal componente de
análisis para reducir el número de requerimientos a los tres más relevantes y menos redundantes.

Tabla 1. Las Competencias se definen por medio de tres requerimientos

Competencia Creatividad
El sujeto no imita simplemente a otros cuando hace una tarea – trata de añadir su propio
Requerimiento 1:
valor.
Requerimiento 2: El sujeto es bueno para ofrecer dar ideas que nadie más ha pensado.
Requerimiento 3: El sujeto puede combinar ideas existentes para crear algo nuevo.

Se pidió a los evaluadores que respondieran cada requerimiento utilizando una rúbrica de cuatro
niveles que evitara una respuesta neutral. En general, los cuatro niveles indicaban si el candidato
(1) raramente, (2) algunas veces, (3) frecuentemente, o (4) casi siempre mostraban las acciones o rasgos
descritos por cada requerimiento (ver Anexo 2), pero las rúbricas también contenían detalles
específicos para auxiliar a los evaluadores a distinguir con precisión los diferentes niveles (Tabla 2).

Tabla 2. Las Competencias se evalúan con una rúbrica de cuatro niveles

Competencia Creatividad (con relación al Requerimiento 1, mostrado arriba)

Rúbrica 1: El sujeto meramente imita a otros cuando hace una tarea.
Rúbrica 2: De vez en cuando, el sujeto hace algo diferente.
Rúbrica 3: El sujeto tiene una actitud correcta para hacer las cosas de manera que añade su propio valor.
Rúbrica 4: Al hacer cosas de una manera personal, el sujeto realmente sí añade su propio valor.

Ponderación
Los usuarios recibían calificaciones de evaluadores múltiples (en promedio de cuatro a cinco,
además de la autoevaluación), pero no se ponderaba igual cada evaluación. En lugar de esto, GROW
empleaba una herramienta, todavía sin patente, basada en algoritmos de AI de aprendizaje
probabilístico (Bayesiano) que empleaba datos respecto a cómo una competencia había sido evaluada
históricamente (a esto se le denominaba previos) junto con muchos otros datos que utilizaba un
evaluador para determinar la probabilidad posterior para que esta evaluación fuera genuina y
calibrada de acuerdo con la realidad (Anexo 4). Por ejemplo, cada par de requerimiento-rúbrica tenía
sus propios datos en relación con la cantidad de tiempo que históricamente había tomado a los usuarios
completar tal evaluación (desde la lectura del requerimiento y las rúbricas hasta la realización propia
de la evaluación). Así que, si un evaluador respondía mucho más rápido que la mayoría, esto podría
llevar al algoritmo a reducir el peso de su evaluación. De manera similar, si un evaluador daba
calificaciones más diversas con el tiempo –algunas les daba 1, otras veces daba 2, otras 3 y otras 4– la
persona podía considerarse que estaba haciendo mayor discriminación y por lo tanto se consideraba
más confiable que un evaluador que daba solamente respuestas tipo 3. El algoritmo también tomaba
en cuenta los resultados IAT del evaluador, dado que ciertas tendencias de personalidad (tales como
la conciencia) llevan frecuentemente a tener evaluaciones más confiables. Otro conjunto de datos claves
era el gráfico social del evaluador, es decir, un evaluador que diera evaluaciones para usuarios
múltiples en distintas redes sociales era típicamente más confiable que un evaluador que solamente se
incorporaba a la app para dar evaluaciones sobre un usuario en particular.

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

Rasgos de personalidad
El Implicit Association Task es una prueba bastante conocida en psicología social que revela atributos
y prejuicios que las personas pueden tener y que han sido vinculados a rasgos de personalidad. En el
GROW, los usuarios avanzaban resolviendo una serie de tareas de asociación implícita, en las que
movían ciertos atributos que aparecían en un botón de la pantalla a un recuadro que contenía el atributo
correcto; por ejemplo, hablar mucho, podía llevarse a extrovertido (Anexo 3). El recuadro que contiene
el atributo correcto podía ser yuxtapuesto o empatado con un concepto (yo mismo, otros) y la forma
en la cual el usuario movía el atributo movible se evaluaba para predecir los rasgos de personalidad
del usuario. El IAT móvil patentado por GROW, utilizaba el aprendizaje automático (machine learning)
no supervisado para revelar anomalías en los patrones de conducta de movimiento y predecir mejor
de esta manera la personalidad.

Cómo usan GROW las organizaciones

Luego de numerosas rondas de prueba, IGS quedó lista para ofrecer el GROW como un software
como servicio (SAS, por sus siglas en inglés) y como una herramienta para las firmas interesadas. Hubo
un interés abrumador. Con el advenimiento del envío de hojas de vida (CV) en línea, el contacto digital
y aplicaciones especialmente diseñadas para ayudar a estudiantes a presentar solicitudes de trabajo sin
mucho esfuerzo y a muchos empleadores potenciales, las aplicaciones comenzaron a despegar
dramáticamente: el estudiante universitario promedio en Japón enviaba entre 50 y 100 hojas de vida a
empresas durante la temporada de búsqueda de empleo. Pero aun cuando las empresas se veían
inundadas de solicitudes, su manera de procesar esas aplicaciones no había cambiado mucho (todavía
se apoyaban en un análisis laborioso de los documentos y se llevaban varias rondas de entrevistas cara
a cara que consumían mucho tiempo). Como resultado de ello, las empresas simplemente no podían
darse a basto, y la calidad de sus nuevas contrataciones se veía afectada en consecuencia. El GROW
presentaba una solución muy atractiva, y en la medida que las empresas la fueron adoptando se
empezó a dar un uso diferente, interesante e incluso inesperado.

Septeni holdings
Septeni Holdings (Septeni) fue fundada en 1990 con el ánimo de desarrollar una firma de
consultoría en recursos humanos en el momento culminante de la era de la burbuja en Japón. Después
de que se reventó la burbuja, Septeni cambió su código de interés a la publicidad en Internet en el
momento en el que este estaba despegando. En el 2017, Septeni era una de las empresas de márquetin
en línea más grandes en Japón y catalizaba el crecimiento al adoptar enfoques únicos para reclutar y
cultivar lo mejor del talento emprendedor que pudiera posteriormente hacer crecer firmas subsidiarias
y, por lo tanto, incrementar ingresos.

Para seleccionar el talento, Septeni se había inclinado por el común enfoque japonés de extender
invitaciones a estudiantes universitarios a sus oficinas en Tokio para que participaran en rondas
múltiples de entrevistas grupales, en las cuales se monitoreaba a grupos de solicitantes en lo que ellos
llevaban a cabo tareas en equipo que simulaban situaciones de trabajo típicas en Septeni. Pero ese
enfoque tenía deficiencias significativas para Septeni, porque requería que los estudiantes visitaran
Septeni en persona (lo que excluía en gran medida a estudiantes que vivieran fuera del área de Tokio),
e implicaba que los estudiantes estuvieran suficientemente conscientes e interesados en Septeni como
empleador potencial para que le dedicaran tiempo y dinero, 1 de modo que se incorporaran a los días
de entrevista grupal (lo cual no era el caso en una compañía mediana); adicionalmente, se requería que

1 En Japón era común que las empresas sostuvieran días de entrevista en sus oficinas principales y se esperaba que los candidatos
interesados se presentaran costeando sus propios gastos.

5
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

los estudiantes se desempeñaran excepcionalmente bien en una sesión de entrevistas grupales, dado
que era su única oportunidad. Septeni tenía que evaluarlos antes de hacer una decisión final.

Para revisar el primer tema, Septeni había creado un nuevo proceso de contratación en línea,
compuesto por una entrevista de video más un interrogatorio en red, para estudiantes que vivieran
fuera del área de Tokio y que, de esta manera, pudieran evitarse los costos del viaje para la entrevista.
Sin embargo, este procedimiento dejaba a Septeni sin los datos que tradicionalmente obtenía de las
entrevistas de grupo presenciales. Septeni dirigió su mirada a GROW como un sustituto para la
obtención de esos datos. Al recolectar evaluaciones de pares durante la vida universitaria de un
estudiante, GROW encajaba bien con los criterios internos de evaluación de Septeni, el cual se enfocaba
en rasgos de personalidad y en capacidades que los individuos habían demostrado tener cuando
trabajaban con otras personas en varios momentos de su vida.

En 2016, Septeni le proporcionó a IGS datos de candidatos de años anteriores y de los resultados
de entrevistas que habían tenido para ayudar a que IGS “entrenara” el algoritmo de inteligencia
artificial y con el cual IGS desarrollaría el algoritmo de aprendizaje automático supervisado para
predecir acertadamente que candidatos (pasados y futuros) aprobarían las entrevistas de grupo en
Septeni. Los primeros resultados con GROW se tuvieron en la temporada de reclutamiento de 2017 y
fueron promisorios. No solamente las predicciones de GROW empataron muy de cerca los resultados
de las evaluaciones internas de Septeni, sino que al duplicar el talento que Septeni había buscado fuera
de Tokio, dejó potencialmente obsoleto el proceso de entrevista grupal y aumentó el reconocimiento
de nombre de Septeni entre los estudiantes (así como los de otros clientes de GROW que eran empresas
bien conocidas en Japón). El resultado final fue un 90 % de reducción en los esfuerzos generales
aplicados al proceso y la creciente aceptación año tras año de las ofertas de trabajo que había en Septeni,
que se cuadruplicaron, todo sin impacto aparente en la calidad de los candidatos.

All Nippon Airways

All Nippon Airways (ANA) es la aerolínea más grande de Japón y consistentemente considerada
entre las empresas más populares a los ojos de estudiantes recién graduados que buscaban empleo.
Para construir su línea de líderes futuros, ANA buscaba identificar a estudiantes prometedores al hacer
una selección entre un enorme número de solicitudes que recibían cada año. Con un número muy
limitado de personas en el área de recursos humanos, ANA temía perder a las agujas en el pajar, es
decir, no reconocer estudiantes con el potencial de ser líderes futuros y que eran eliminados demasiado
pronto en el proceso de reclutamiento.
En primer lugar, IGS trabajó con ANA para priorizar diez competencias que deberían considerarse
de alto valor en los participantes. Los estudiantes que tenían interés en ANA y que usaban la app de
GROW tenían sus competencias y rasgos de personalidad evaluados, lo que se utilizaba para crear una
“puntuación total”. Con base en todos los otros datos que IGS juntaba de estudiantes y evaluadores, la
herramienta de inteligencia artificial de GROW también producía una “puntuación de confianza” para
calificar el grado de confianza que IGS tenía en la puntuación total. Posteriormente, ANA hacía una
gráfica de cada solicitante con la “puntuación total” en el eje de las x, y la “puntuación de confianza”
en el eje de las y, y utilizaba el color de los puntos de la gráfica para representar cómo iba avanzando
el proceso de selección del candidato (solicitud recibida, invitación a la primera ronda, a la segunda, a
la tercera, a la última, y como receptor de una oferta de trabajo) (Figura 1).

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

Figura 1. ANA puede usar el GROW para entrevistar a candidatos prometedores que pudieran haber
sido eliminados en el proceso de la selección
Puntaje de confianza

Finalistas
Solicitud recibida en verde

Invitación a primera ronda

Invitación a la segunda ronda

Invitación a la tercera ronda

Finalista

Recibe oferta de trabajo

Puntaje total

(Fuente: Documentos de la empresa ANA)

Los datos revelaron la siguiente información:

1. ANA podría utilizar el GROW para eliminar candidatos que tuvieran baja probabilidad de
llegar a la entrevista final, dado que los candidatos con una puntuación de confianza de menos
de -4 y con una puntuación total de menos de -5 tenían muy poca probabilidad de convertirse
en un “punto verde”;

2. El agrupamiento de puntos verdes en la esquina superior derecha de la gráfica generaba

confianza para que se usara el GROW como una herramienta del equipo de recursos humanos
de ANA; y

3. Había muchos estudiantes que no pasaban de la selección de solicitud y que aun así no podrían
ser identificados de la ronda final de entrevistas utilizando GROW.

Para investigar más sobre este tercer punto, ANA invitó a cerca de 423 estudiantes que habían
tenido puntuaciones altas en la entrevista junto con candidatos que habían aprobado su proceso
tradicional. Para sorpresa de ANA, algunos de los estudiantes invitados de GROW recibieron
puntuaciones perfectas en las entrevistas, lo que llevó a recursos humanos a darse cuenta de que al
utilizar los datos de GROW con un aprendizaje automático supervisado, se podía identificar a
estudiantes prometedores que ANA hubiera ignorado con otro procedimiento.

Como resultado de esto, más que enfocarse en eliminar estudiantes, ANA decidió utilizar el GROW
para incluir estudiantes que desarrollaran y afinaran sus criterios de inclusión. Con esos parámetros,
ANA pudo usar GROW para dirigirse con más precisión a grupos de estudiantes con alto potencial de
progreso en el proceso de reclutamiento.

7
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Mitsubishi Corporation
Una de las empresas más grandes de Japón y una de las que tiene más historia es Mitsubishi
Corporation (MC). Esta empresa operaba negocios en diversas industrias, incluyendo aquellas en
finanzas industriales, la industria metálica, maquinaria, química, nuevas energías, infraestructura,
finanzas, tecnología, artículos para la vida diaria y más. En 2017, las actividades de MC se extendieron
más allá de su modelo comercial tradicional para incluir la participación activa en la administración de
sus negocios. Aunque la firma había tenido históricamente pocos problemas para atraer a los mejores
y más destacados graduados (con frecuencia era la empresa número uno de popularidad entre los
recién graduados), la evolución de su modelo de negocio había aumentado la necesidad de talento
gerencial de alta capacidad. Y con el interés de incrementar su base de datos de este tipo de candidatos,
MC estableció relaciones con IGS para utilizar GROW.

Para apoyar a que MC se hiciera de nuevos candidatos para su base de datos de solicitantes, IGS
trabajó primero con MC para crear dentro del mismo GROW un modelo algorítmico para el empleado
“ideal” de MC. IGS y MC posteriormente corrieron el algoritmo en candidatos ya registrados en la base
de datos de solicitudes de MC e incluyeron a aquellos que estaban entre los usuarios de GROW que
habían cumplido con el análisis de competencias y disposición de GROW. Con base en la hipótesis de
que los amigos de candidatos “ideales” podrían ser también “ideales” (Dios los cría y ellos se juntan),
IGS creó una gráfica social de los candidatos “ideales,” identificando aquellos individuos que estaban
entre un grupo de cinco o más y que habían sido considerados candidatos “ideales” en la
retroalimentación (Figura 2). Luego IGS pasó su información junto con la de MC, la que usó esta gráfica
social para identificar a aquellos compañeros que no tenían registro en la base de datos para
contratación de MC. MC decidió invitar a estos compañeros de candidatos “ideales” a una sesión de
información sobre MC.

Cincuenta candidatos potenciales asistieron a esta sesión. Lo más interesante es que muchos de
ellos ya habían tenido ofertas de trabajo de compañías muy importantes como Google y Goldman
Sachs. Sin embargo, al hablar con los empleados actuales y luego de tener un mayor conocimiento de
MC, algunos de ellos no solamente hicieron solicitud en MC luego de la sesión, sino que eventualmente
decidieron incorporarse a MC luego de pasar las entrevistas. Para Mitsubishi Corporation, el mayor
valor de GROW fue el de ser una herramienta útil para descubrir el talento que ellos no habían
descubierto.

Figura 2. Utilización de la Gráfica Social de los Candidatos de Mitsubishi Corporation

Determinó (usando el Identificó (usando el modelo) Analizó la gráfica social Invitó a compañeros de Resultado: un nuevo
análisis) un modelo a los usuarios “ideales” de los usuarios los usuarios “ideales” a grupo de candidatos
de empleado para las bases de datos de “ideales” para las sesiones de de alto potencial
“ideal” para MC MC y las de GROW identificar sus información de MC
evaluaciones en GROW

(Fuente: Escritor del caso)

Creciendo más (GROWing)

Con más datos e información de los clientes sobre el desempeño de las contrataciones
recomendadas de GROW y sobre los solicitantes (calificaciones del IAT y de competencia según
compañeros) provenientes de un número cada vez mayor de usuarios, la inteligencia artificial de
GROW estaba en la posición de tener recomendaciones de contratación para sus clientes aún más

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

sólidas. Pero al mismo tiempo que la inteligencia artificial de Fukuhara se volvía más inteligente, ¿qué
pasaba con sus clientes humanos? ¿Era momento de educarlos sobre otras formas de utilizar GROW?
Si era eso, ¿cuáles de las formas de GROW que los clientes estaban utilizando serían las mejores (y
potencialmente, las menos engañosas)?

Con cautela, Fukuhara también vio el potencial de expandir las capacidades de GROW. IGS
recolectaba datos no solamente del talento que era atraído sino también en el desempeño que
presentaban las personas contratadas que habían tenido recomendación de contratación previamente
y con esto, la inteligencia artificial de GROW adquiría el potencial de mejorar no solamente el proceso
de contratación sino también los criterios de contratación. Era tiempo entonces ya de moverse hacia el
“refuerzo del aprendizaje automático” (Anexo 4) de manera que la inteligencia artificial fuera capaz de
desbancar algunos de las características de candidato “ideal” definidas por los clientes y que no
hubieran trabajado bien en el pasado y con respecto a cómo es que los candidatos se habían
desempeñado en el trabajo en última instancia. En resumen, ¿podría la inteligencia artificial de
Fukuhara volverse más inteligente que sus clientes, y cómo podrían ellos sentirse sobre esta propuesta
y sobre la cesión de control que eso requeriría? Fukuhara se preguntaba de qué formas podría hacer
crecer el GROW.

9
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Anexo 1 Uso de Grow

(Fuente: Documento de la empresa IGS)

10

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

Anexo 2 Evaluación de Competencias en GROW

Cada competencia se seleccionaba a partir de cientos de otras competencias y de habilidades reportadas

en la literatura de ciencias sociales con base en varios criterios: 1) la representación de esas habilidades
en diferentes países y culturas; 2) correlación con el éxito en funciones de trabajo relevantes (según
verificación de firmas de búsqueda de ejecutivos); y 3) material sujeto a evaluación por compañeros.
La reducción de competencias quedó a cargo del Dr. Mitsuru Kimura de la Universidad de Tokio. He
aquí un extracto de cada competencia, traducida del japonés:
1 Planteamiento de problemas Comprende la situación para encontrar el problema y la causa
2 Ser capaz de hacer un plan para solucionar el problema y realmente lograr
Orientado a soluciones
resultados
3 Habilidad para hacer las cosas Ser capaz de tratar con cualquier tipo de tarea
4 Creatividad Ser capaz de sugerir una idea propia
5 Pensamiento lógico Ser capaz de pensar con profundidad
6 No solamente estar de acuerdo con las visiones de otras personas sino
Dudar de lo que se dice que es cierto
poder hacer una contraoferta
7 Valores internos Ser capaz de juzgar un asunto por los valores internos
8 Visión Ser capaz de tener una meta futura clara
9 Autoeficacia Autoconfianza en que se puede manejar cualquier tipo de tarea
10 Crecimiento Hacer frente a problemas difíciles para mejorar uno mismo
11 Intereses Ser capaz de reunir información de cualquier campo
12 Resiliencia Ser capaz de manejar cosas en una situación difícil
13 Control de las emociones personales Ser capaz de soportar el estrés bajo cualquier situación
14 Habilidad para explicarse uno mismo Ser capaz de explicarles a otras personas y hacerse entender fácilmente
15 Escuchar con voluntad y tratar de entender lo que otra persona está
Empatía y habilidades de escucha
diciendo
16 Extroversión Ser uno mismo en cualquier ambiente
17 Flexibilidad Manejar las áreas mejorando las formas de proceder
18 Ser capaz de decidir sobre un asunto al checar la propia idea y hechos
Decisión
objetivos
19 Mente abierta Ser capaz de aceptar a la gente que tiene ideas y opiniones diferentes
20 Habilidad para ejercer influencia Ser capaz de cooperar con otras personas al decirles la opinión propia
21 Pasión, evangelización Ser capaz de hacer entender a la gente algo al expresar la propia opinión
22 Trabajo de equipo Ser capaz de crear una atmósfera positiva para mejorar el trabajo de equipo
23 Enfoque global Ser capaz de actuar como un miembro de la comunidad global
24 Compromiso a un equipo Ser capaz de trabajar duro para un propósito de equipo y lograr metas
25 Sentido de la ética Motivar a personas a hacer lo correcto

Fuente: Documentos de la empresa IGS.

11
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Anexo 3 GROW Evaluación de la personalidad con el Test de Asociación Implícita (IAT)

La siguiente información se basa en los cinco grandes rasgos de la personalidad, desarrollados de

manera independiente por varios grupos de investigadores en el Siglo XX.
Usted es proactivo, dinámico, orientado a la acción y siempre está en busca de
Extrovertido estimulación externa a través de la interacción. Por otro lado, sus acciones pueden
ser poco razonables.
1
Usted es reservado y prefiere un ambiente estable. Usted no busca la estimulación
Introvertido externa y encuentra estabilidad dentro de usted mismo. Por otro lado, puede ser
cobarde o un poco tímido y lento en la toma de acciones.
Usted trata de obtener nueva información y de expandir su conocimiento base,
Abierto según su experiencia. Por otro lado, usted puede ser poco realista y tener una
visión idealista.
2
Usted está contento con la situación actual y tiene los pies en la tierra. Por otro
Conservador lado, a usted no le gustan los cambios y tiende a apegarse con la autoridad y las
tradiciones.
Usted puede ser sensible al riesgo y tener la tendencia a evitarlo siendo prudente.
Sensible Por otro lado, usted puede ponerse realmente nervioso y ser emocionalmente
inestable cuando se le coloca en un ambiente de mucho estrés.
3
Usted no es influenciado por el riesgo y se mantiene siempre emocionalmente
Calmado estable. Por otro lado, usted es insensible a los sentimientos de otras personas o al
ambiente.
Usted es un buen escucha y puede entender a otros. Puede crear relaciones
cooperativas. Por otro lado, usted tiende a pensar mucho sobre los otros y ser un
Cooperativo
seguidor. Por lo tanto, la persona cooperativa puede carecer de liderazgo y puede
4 tender a ser una limitación dentro del grupo.
Usted puede tener un carácter fuerte, tener la habilidad de generar ideas originales
Independiente y nuevas, así como liderar a un grupo. Por otro lado, usted tiene la tendencia a ser
egoísta y demasiado competitivo.
Usted tiene una importante fuerza de voluntad y se esfuerza para lograr una meta
Trabajador cada día. Por otro lado, usted puede ser perfeccionista y puede ser un elemento de
5 frustración para usted mismo y para otros.
Usted se acepta como es usted y al ambiente como es, viendo todo con flexibilidad.
Relajado
Por otro lado, puede perder fácilmente el camino y hacer juicios descuidados.

En un ejemplo de cómo GROW se diseña de acuerdo con el

cliente y cómo es una prueba amigable con los dispositivos
móviles, los conceptos de uno mismo y de otros (que se
muestran en naranja) están empatados de manera aleatoria con
rasgos de personalidad (en amarillo). Al usuario, se le solicita
mover la caja amarilla movible (etiquetada como platicador en
este ejemplo) al final de la pantalla para ponerla en el atributo
correcto (extrovertido) alguien que se considera asimismo
extrovertido puede dudar cuando lo asocie con “otros” para
otorgarles el adjetivo de más platicadores. Esta “duda” se
registra y se analiza de dos maneras –en el patrón de
movimiento (en línea recta hacia la izquierda, o haciendo una
curva) y se hace también un seguimiento de tiempo (en el fondo
de la pantalla). Las categorías previas establecidas pueden
ayudar a determinar la probabilidad posterior del equipo de
personalidad de un usuario.

(Fuente: Documentos de la empresa IGS)

12

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana 419-S08

Anexo 4 Cómo trabaja la Inteligencia Artificial en GROW

4+ Compañeros evaluadores invitados Usuario

Datos capturados
por la aplicación
GROW

Calificación Evaluación de Personalidad

de competencias Personalidad IAT del usuario IAT
del usuario (por el evaluador) (por el usuario)
(por evaluador)

Meta Data Core Data Core Data

Core Data Conducta y Respuestas Respuestas
Calificación tiempo de click, Meta Data Meta Data
de Diversidad de Tiempos de Tiempos de
Competencias calificación de respuesta y respuesta y
valores (1- 4) todos los otros patrones de patrones de
usuarios, gráfica movimiento movimiento
social

Estadísticamente se Machine
Machine Learning produce un “perfil” Learning

Recomendación del candiato

IA No Supervisada del usuario basado
IA Supervisada
en competencias
Utiliza meta data de la ponderadas con IA
Relaciona los
Calificaciones herramienta de evaluación de y calificaciones de
del rasgos de perfiles del usuario
competencias, combinada con
con el de la
usuario los core data sobre personalidad del
por “etiqueta” (que es
personalidad del IAT, para usuario
múltiples
determinar la “confiabilidad
el modelo de
compañeros
de cada compañero evaluador candidato ideal)
y ponderar sus respuestas utilizando
según corresponda algoritmos que
“Etiquetas”
predicen mejor el
o modelos de rol
éxito en los datos
del candidato o
históricos
empleado “ideal”

Leyenda

Fuente de los datos Datos históricos

Refuerzo de la IA
de candidatos
previos, por Machine Learning
Datos de GROW incluyendo a
aquellos que Se apoyó en los resultados
fueron exitosos y de las recomendaciones del
Datos de la Empresa los que no lo
candidato (vg, candidatos
fueron
que terminan siendo
Inteligencia Artificial realmente contratados o
(IA) (Actual) quienes tienen éxito en la
Empresa empresa, etc.). El algoritmo
Inteligencia Artificial contratante automáticamente ajusta la
(IA) (Futura) “etiqueta” para los años
subsecuentes
Resultado /
Recomendación

(Fuente: Autor del caso)

13
This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.
 419-S08 GROW: El uso de la inteligencia artificial para analizar la inteligencia humana

Anexo 5 CV de Masahiro Fukuhara

Trabajo

2010-mayo (actual): CEO/Fundador de la Institution for a Global Society K.K. (IGS)

Fundó IGS para analizar a las personas y a los equipos para el uso de recursos humanos y en
educación

2000-2010-abril: Director Administrativo Barclays Global Investors (Ahora Black Rock)

Generó modelos predictivos basados en datos en uno de los mayores macrofondos de

cobertura globales dirigido por Richard Grinold (exprofesor en la Escuela de Negocios Haas
de la Universidad de California en Berkeley) y Richard Meese (ex profesor de la Escuela de
Negocios Haas de la Universidad de California en Berkeley)

Propuso una inversión de capital de riesgo basada en datos para analizar gente y equipos de
administración de empresas de riesgo (Rechazado por el equipo)

1992-2000: Gerente de Portafolio en el Banco de Tokio-Mitsubishi (hoy MUFG)

Generó un modelo de pronóstico basado en datos para la cobertura de moneda utilizando un

modelo de neuro inteligencia artificial

Propuso el lanzamiento de macrofondos de cobertura globales (Rechazado por el equipo)

Educación

2005: PhD. de la Universidad de Tsukuba

Muchos documentos publicados en revistas arbitradas globales sobre crowd herding en el

mercado global de monedas utilizando la teoría del valor extremo y gráfica

1999: Maestría en Finanzas Internacionales de la HEC (con los más altos honores)

Concentración en movimiento estocástico y su control

1997: MBA del INSEAD

Muy influenciado por la experiencia de la evaluación de 360° que se presentó en un curso de

RH

1992: Licenciatura del Departamento de Economía de la Universidad de Keio. Enfocado en

Estadística y Econometría

(Fuente: Documentos de le empresa IGS)

14

This document is authorized for use only in Kety Jáuregui's Dirección del talento humano 14 at ESAN - Graduate School of Business from Aug 2022 to Sep 2022.