The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Cómo hacer que solicitar trabajo sea menos doloroso
Filmed:
Readability: 4.3
548,985 views
Encontrar un trabajo solía empezar al enviar una hoja de vida a un millón de anuncios y nunca recibir respuesta de la mayoría. Pero cada vez más compañías están usando métodos tecnológicos para identificar candidatos. Si la Inteligencia artificial es el futuro de la contratación, ¿Que representaría esto para tu futuro?. La Tecnóloga Priyanka Jain le echa un vistazo a este nuevo panorama de contratación.
Priyanka Jain - Technologist
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Double-click the English transcript below to play the video.
00:00
Applying for jobs online
0
548
1416
Solicitar trabajos online
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
es una de las peores
experiencias digitales hoy en día.
experiencias digitales hoy en día.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Y solicitar en persona,
de hecho, no es mucho mejor.
de hecho, no es mucho mejor.
[Así funcionamos]
00:07
[The Way We Work]
3
7349
1720
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
La contratación de hoy
está dañada en varios frentes.
está dañada en varios frentes.
Una experiencia terrible para la gente.
00:14
It's a terrible experience for people.
5
14068
1856
00:15
About 75 percent of people
6
15948
1816
Cerca del 75 % de las personas
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
que solicitaron trabajos
usando varios métodos el año pasado
usando varios métodos el año pasado
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
dijeron que nunca recibieron respuesta
del empleador.
del empleador.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
Y a nivel corporativo
no es mucho mejor.
no es mucho mejor.
00:25
46 percent of people get fired or quit
10
25548
2776
46 % de la gente es despedida o renuncia
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
en su primer año de trabajo.
00:30
It's pretty mind-blowing.
12
30548
1216
Es increíble.
También es malo para la economía.
00:31
It's also bad for the economy.
13
31788
1456
Por primera vez en la historia,
00:33
For the first time in history,
14
33268
1456
tenemos más trabajos disponibles
que desempleados,
que desempleados,
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
y para mí, eso indica
que hay un problema.
que hay un problema.
00:39
I believe that at the crux of all of this
is a single piece of paper: the résumé.
is a single piece of paper: the résumé.
17
39828
3976
Creo que el punto crucial de todo esto
está en un papel: el currículum.
está en un papel: el currículum.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
Un currículum tiene partes útiles:
qué cargos tuvo la gente,
aptitud informática,
aptitud informática,
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
los idiomas que hablan,
00:48
what languages they speak,
20
48308
1256
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
pero lo que falta es
en qué tienen potencial
en qué tienen potencial
00:52
that they might not have had
the opportunity to do in the past.
the opportunity to do in the past.
22
52668
2976
que tal vez no hayan tenido
la oportunidad de mostrar antes.
la oportunidad de mostrar antes.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
Y con una economía que cambia velozmente
con trabajos online
con trabajos online
00:58
that might require skills that nobody has,
24
58948
2056
que quizá exijan aptitudes
que nadie tiene,
que nadie tiene,
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
si solo viéramos lo que alguien hizo
en el pasado,
en el pasado,
no podremos emparejar a la gente
con los trabajos del futuro.
con los trabajos del futuro.
01:03
we're not going to be able
to match people to the jobs of the future.
to match people to the jobs of the future.
26
63828
3256
Ahí es donde creo
que la tecnología puede ser muy útil.
que la tecnología puede ser muy útil.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Probablemente han visto
que los algoritmos han mejorado
que los algoritmos han mejorado
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
al juntar personas con cosas,
01:12
at matching people to things,
29
72748
1536
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
pero, ¿qué tal si pudiéramos usar
esa tecnología
esa tecnología
01:16
to actually help us find jobs
that we're really well-suited for?
that we're really well-suited for?
31
76588
3096
para ayudarnos a encontrar trabajos
para los que somos idóneos?
para los que somos idóneos?
Sé lo que están pensando.
01:19
But I know what you're thinking.
32
79708
1576
Algoritmos que eligen tu nuevo trabajo
suena espeluznante,
suena espeluznante,
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
pero hay algo que fue demostrado
01:24
but there is one thing that has been shown
34
84108
2056
ser realmente predictivo
sobre el futuro éxito en un trabajo,
sobre el futuro éxito en un trabajo,
01:26
to be really predictive
of someone's future success in a job,
of someone's future success in a job,
35
86188
2896
y se llama prueba de multimedición.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Estas pruebas no son nada nuevo,
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
pero solían ser muy costosas
01:33
but they used to be really expensive
38
93468
1736
y exigían un doctor ante ti,
01:35
and required a PhD sitting across from you
39
95228
2016
responder muchas preguntas
y escribir informes.
y escribir informes.
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
01:39
Multimeasure tests are a way
41
99748
1696
Estas pruebas son una manera
01:41
to understand someone's inherent traits --
42
101468
2456
de comprender los rasgos inherentes
de alguien --
de alguien --
01:43
your memory, your attentiveness.
43
103948
1776
tu memoria, tu atención.
01:46
What if we could take multimeasure tests
44
106662
1942
¿Y si pudiéramos hacer estas pruebas,
01:48
and make them scalable and accessible,
45
108628
2536
expandirlas y hacerlas accesibles
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
para proveer datos a los empleadores
sobre los rasgos
sobre los rasgos
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
de alguien que puede estar
calificado para un trabajo?
calificado para un trabajo?
01:57
This all sounds abstract.
48
117508
1296
Todo esto suena vago.
Intentemos con uno de esos juegos.
01:58
Let's try one of the games together.
49
118828
1735
Vas a ver un círculo intermitente,
02:00
You're about to see a flashing circle,
50
120587
1857
y tu trabajo será aplaudir
cuando el círculo se ponga rojo,
cuando el círculo se ponga rojo,
02:02
and your job is going to be
to clap when the circle is red
to clap when the circle is red
51
122468
2960
y no hacer nada cuando esté verde.
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[¿Listo?]
02:09
[Begin!]
54
129207
1360
[¡Comienza!]
02:11
[Green circle]
55
131708
1000
02:13
[Green circle]
56
133708
1040
02:15
[Red circle]
57
135708
1000
02:17
[Green circle]
58
137708
1080
02:19
[Red circle]
59
139708
1000
Tal vez seas el tipo de persona
02:21
Maybe you're the type of person
60
141928
1596
que aplaude un milisegundo después
de ver un círculo rojo.
de ver un círculo rojo.
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
02:26
Or maybe you're the type of person
62
146068
1656
O tal vez la persona
que le toma un poco más
para estar 100 % seguro.
para estar 100 % seguro.
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
O tal vez aplaudes en el verde
y se supone que no debes hacerlo.
y se supone que no debes hacerlo.
02:30
Or maybe you clap on green
even though you're not supposed to.
even though you're not supposed to.
64
150508
2936
Lo genial es que
no es una prueba estandarizada
no es una prueba estandarizada
02:33
The cool thing here is that
this isn't like a standardized test
this isn't like a standardized test
65
153468
2976
donde algunos son empleables
y otros no.
y otros no.
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
Por el contrario, se trata de entender
cómo encajan tus características
cómo encajan tus características
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
y lo que te haría bueno
para cierto trabajo.
para cierto trabajo.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
Descubrimos que si aplaudes tarde
en rojo pero nunca en verde,
en rojo pero nunca en verde,
02:44
We found that if you clap late on red
and you never clap on the green,
and you never clap on the green,
69
164468
3736
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
es posible que tengas un alto nivel
de atención y control.
de atención y control.
Personas en ese cuadrante tienden
a ser buenos estudiantes, en pruebas,
a ser buenos estudiantes, en pruebas,
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
02:55
great at project management or accounting.
72
175028
2136
en gestión de proyectos o contabilidad.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Pero si aplaudes de inmediato en rojo
y algunas veces en verde,
y algunas veces en verde,
eso puede significar que eres
más impulsivo y creativo,
más impulsivo y creativo,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
y hemos descubierto que vendedores
de alto nivel a menudo tienen este rasgo.
de alto nivel a menudo tienen este rasgo.
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
03:07
The way we actually use this in hiring
76
187128
2016
La manera en que lo usamos para contratar
es haciendo que empleados productivos en
un cargo hagan ejercicios de neurociencia
un cargo hagan ejercicios de neurociencia
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
03:12
like this one.
78
192888
1216
como este.
Luego creamos un algoritmo
03:14
Then we develop an algorithm
79
194128
1376
que entiende qué es
lo que los hace únicos.
lo que los hace únicos.
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
03:18
And then when people apply to the job,
81
198208
1936
Y luego cuando las personas aplican,
03:20
we're able to surface the candidates
who might be best suited for that job.
who might be best suited for that job.
82
200168
4136
podemos resaltar los candidatos
que pueda que sean los más indicados.
que pueda que sean los más indicados.
Es posible que piensen
que existe un riesgo en esto.
que existe un riesgo en esto.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
El mundo laboral hoy
no es el más diverso
no es el más diverso
y si estamos creando algoritmos
basado en los mejores rendimientos,
basado en los mejores rendimientos,
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
¿cómo nos aseguramos
03:32
how do we make sure
86
212008
1216
de no estar perpetuando
los sesgos que ya existen?
los sesgos que ya existen?
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
03:36
For example, if we were building
an algorithm based on top performing CEOs
an algorithm based on top performing CEOs
88
216248
4056
Por ejemplo, si estamos creando
un algoritmo basado en los mejores CEO
un algoritmo basado en los mejores CEO
03:40
and use the S&P 500 as a training set,
89
220328
3216
y usamos el S&P 500
como equipo de entrenamiento,
como equipo de entrenamiento,
de hecho encontrarían
03:43
you would actually find
90
223568
1256
que es más probable contratar a un hombre
blanco llamado John que a una mujer.
blanco llamado John que a una mujer.
03:44
that you're more likely to hire
a white man named John than any woman.
a white man named John than any woman.
91
224848
3816
03:48
And that's the reality
of who's in those roles right now.
of who's in those roles right now.
92
228688
2696
Y esa es la realidad de quien
está en esos cargos ahora.
está en esos cargos ahora.
Pero la tecnología de hecho propone
una oportunidad muy interesante.
una oportunidad muy interesante.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
Podemos crear algoritmos más equitativos
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
y más justos de lo que
los humanos hayan podido ser.
los humanos hayan podido ser.
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Cada algoritmo en producción
ha sido previamente examinado
ha sido previamente examinado
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
para asegurar que no favorece
a ningún género o etnia.
a ningún género o etnia.
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Y si hay alguna población
que es favorecida,
que es favorecida,
de hecho podemos alterar
el algoritmo hasta que cambie ese valor.
el algoritmo hasta que cambie ese valor.
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
Cuando nos enfocamos
en las características innatas
en las características innatas
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
que pueden hacer de alguien
un buen candidato,
un buen candidato,
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
podemos superar la discriminación
por raza, clase, sexo, o edad --
por raza, clase, sexo, o edad --
y después, una buena educación.
04:20
even good schoolism.
103
260408
1416
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
Nuestra mejor tecnología y algoritmos
no solo deberían usarse
no solo deberían usarse
04:24
for helping us find our next movie binge
or new favorite Justin Bieber song.
or new favorite Justin Bieber song.
105
264768
3736
para ayudarnos a encontrar una maratón
de películas o canción de Justin Bieber.
de películas o canción de Justin Bieber.
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Imaginen si pudiéramos usar
el poder de la tecnología
el poder de la tecnología
para recibir una guía real
de lo que deberíamos hacer
de lo que deberíamos hacer
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
04:33
based on who we are at a deeper level.
108
273528
1936
basados en quiénes somos
a mayor profundidad.
a mayor profundidad.
ABOUT THE SPEAKER
Priyanka Jain - TechnologistPriyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective.
Why you should listen
Passionate about using technology to create a fairer workplace and global economy, Priyanka Jain is a spokesperson for the United Nations Foundation's Girl Up Campaign, Chair of the Acumen Fund's Junior Council and on the Innovation Board for the XPrize Foundation. She received her B.S. from Stanford University, where she was President of Stanford Women in Business and one of 12 Mayfield Entrepreneurship Fellows. Her previous experience includes internships at IBM Watson, Shift Technologies, Canvas Ventures and the Institute for Learning and Brain Sciences. Outside of work, she loves playing tennis and eating anything covered in dark chocolate.
Priyanka Jain | Speaker | TED.com