Applying for jobs online is one of the worst digital experiences of our time. And applying for jobs in person really isn't much better.
Solicitar trabajos online es una de las peores experiencias digitales hoy en día. Y solicitar en persona, de hecho, no es mucho mejor.
[The Way We Work]
[Así funcionamos]
Hiring as we know it is broken on many fronts. It's a terrible experience for people. About 75 percent of people who applied to jobs using various methods in the past year said they never heard anything back from the employer. And at the company level it's not much better. 46 percent of people get fired or quit within the first year of starting their jobs. It's pretty mind-blowing. It's also bad for the economy. For the first time in history, we have more open jobs than we have unemployed people, and to me that screams that we have a problem.
La contratación de hoy está dañada en varios frentes. Una experiencia terrible para la gente. Cerca del 75 % de las personas que solicitaron trabajos usando varios métodos el año pasado dijeron que nunca recibieron respuesta del empleador. Y a nivel corporativo no es mucho mejor. 46 % de la gente es despedida o renuncia en su primer año de trabajo. Es increíble. También es malo para la economía. Por primera vez en la historia, tenemos más trabajos disponibles que desempleados, y para mí, eso indica que hay un problema.
I believe that at the crux of all of this is a single piece of paper: the résumé. A résumé definitely has some useful pieces in it: what roles people have had, computer skills, what languages they speak, but what it misses is what they have the potential to do that they might not have had the opportunity to do in the past. And with such a quickly changing economy where jobs are coming online that might require skills that nobody has, if we only look at what someone has done in the past, we're not going to be able to match people to the jobs of the future.
Creo que el punto crucial de todo esto está en un papel: el currículum. Un currículum tiene partes útiles: qué cargos tuvo la gente, aptitud informática, los idiomas que hablan, pero lo que falta es en qué tienen potencial que tal vez no hayan tenido la oportunidad de mostrar antes. Y con una economía que cambia velozmente con trabajos online que quizá exijan aptitudes que nadie tiene, si solo viéramos lo que alguien hizo en el pasado, no podremos emparejar a la gente con los trabajos del futuro.
So this is where I think technology can be really helpful. You've probably seen that algorithms have gotten pretty good at matching people to things, but what if we could use that same technology to actually help us find jobs that we're really well-suited for? But I know what you're thinking. Algorithms picking your next job sounds a little bit scary, but there is one thing that has been shown to be really predictive of someone's future success in a job, and that's what's called a multimeasure test.
Ahí es donde creo que la tecnología puede ser muy útil. Probablemente han visto que los algoritmos han mejorado al juntar personas con cosas, pero, ¿qué tal si pudiéramos usar esa tecnología para ayudarnos a encontrar trabajos para los que somos idóneos? Sé lo que están pensando. Algoritmos que eligen tu nuevo trabajo suena espeluznante, pero hay algo que fue demostrado ser realmente predictivo sobre el futuro éxito en un trabajo, y se llama prueba de multimedición.
Multimeasure tests really aren't anything new, but they used to be really expensive and required a PhD sitting across from you and answering lots of questions and writing reports. Multimeasure tests are a way to understand someone's inherent traits -- your memory, your attentiveness. What if we could take multimeasure tests and make them scalable and accessible, and provide data to employers about really what the traits are of someone who can make them a good fit for a job?
Estas pruebas no son nada nuevo, pero solían ser muy costosas y exigían un doctor ante ti, responder muchas preguntas y escribir informes. Estas pruebas son una manera de comprender los rasgos inherentes de alguien -- tu memoria, tu atención. ¿Y si pudiéramos hacer estas pruebas, expandirlas y hacerlas accesibles para proveer datos a los empleadores sobre los rasgos de alguien que puede estar calificado para un trabajo?
This all sounds abstract. Let's try one of the games together. You're about to see a flashing circle, and your job is going to be to clap when the circle is red and do nothing when it's green.
Todo esto suena vago. Intentemos con uno de esos juegos. Vas a ver un círculo intermitente, y tu trabajo será aplaudir cuando el círculo se ponga rojo, y no hacer nada cuando esté verde.
[Ready?]
[¿Listo?]
[Begin!]
[¡Comienza!]
[Green circle]
[Green circle]
[Red circle]
[Green circle]
[Red circle]
Maybe you're the type of person who claps the millisecond after a red circle appears. Or maybe you're the type of person who takes just a little bit longer to be 100 percent sure. Or maybe you clap on green even though you're not supposed to. The cool thing here is that this isn't like a standardized test where some people are employable and some people aren't. Instead it's about understanding the fit between your characteristics and what would make you good a certain job. We found that if you clap late on red and you never clap on the green, you might be high in attentiveness and high in restraint. People in that quadrant tend to be great students, great test-takers, great at project management or accounting. But if you clap immediately on red and sometimes clap on green, that might mean that you're more impulsive and creative, and we've found that top-performing salespeople often embody these traits.
Tal vez seas el tipo de persona que aplaude un milisegundo después de ver un círculo rojo. O tal vez la persona que le toma un poco más para estar 100 % seguro. O tal vez aplaudes en el verde y se supone que no debes hacerlo. Lo genial es que no es una prueba estandarizada donde algunos son empleables y otros no. Por el contrario, se trata de entender cómo encajan tus características y lo que te haría bueno para cierto trabajo. Descubrimos que si aplaudes tarde en rojo pero nunca en verde, es posible que tengas un alto nivel de atención y control. Personas en ese cuadrante tienden a ser buenos estudiantes, en pruebas, en gestión de proyectos o contabilidad. Pero si aplaudes de inmediato en rojo y algunas veces en verde, eso puede significar que eres más impulsivo y creativo, y hemos descubierto que vendedores de alto nivel a menudo tienen este rasgo.
The way we actually use this in hiring is we have top performers in a role go through neuroscience exercises like this one. Then we develop an algorithm that understands what makes those top performers unique. And then when people apply to the job, we're able to surface the candidates who might be best suited for that job.
La manera en que lo usamos para contratar es haciendo que empleados productivos en un cargo hagan ejercicios de neurociencia como este. Luego creamos un algoritmo que entiende qué es lo que los hace únicos. Y luego cuando las personas aplican, podemos resaltar los candidatos que pueda que sean los más indicados.
So you might be thinking there's a danger in this. The work world today is not the most diverse and if we're building algorithms based on current top performers, how do we make sure that we're not just perpetuating the biases that already exist? For example, if we were building an algorithm based on top performing CEOs and use the S&P 500 as a training set, you would actually find that you're more likely to hire a white man named John than any woman. And that's the reality of who's in those roles right now. But technology actually poses a really interesting opportunity. We can create algorithms that are more equitable and more fair than human beings have ever been. Every algorithm that we put into production has been pretested to ensure that it doesn't favor any gender or ethnicity. And if there's any population that's being overfavored, we can actually alter the algorithm until that's no longer true. When we focus on the inherent characteristics that can make somebody a good fit for a job, we can transcend racism, classism, sexism, ageism -- even good schoolism.
Es posible que piensen que existe un riesgo en esto. El mundo laboral hoy no es el más diverso y si estamos creando algoritmos basado en los mejores rendimientos, ¿cómo nos aseguramos de no estar perpetuando los sesgos que ya existen? Por ejemplo, si estamos creando un algoritmo basado en los mejores CEO y usamos el S&P 500 como equipo de entrenamiento, de hecho encontrarían que es más probable contratar a un hombre blanco llamado John que a una mujer. Y esa es la realidad de quien está en esos cargos ahora. Pero la tecnología de hecho propone una oportunidad muy interesante. Podemos crear algoritmos más equitativos y más justos de lo que los humanos hayan podido ser. Cada algoritmo en producción ha sido previamente examinado para asegurar que no favorece a ningún género o etnia. Y si hay alguna población que es favorecida, de hecho podemos alterar el algoritmo hasta que cambie ese valor. Cuando nos enfocamos en las características innatas que pueden hacer de alguien un buen candidato, podemos superar la discriminación por raza, clase, sexo, o edad -- y después, una buena educación.
Our best technology and algorithms shouldn't just be used for helping us find our next movie binge or new favorite Justin Bieber song. Imagine if we could harness the power of technology to get real guidance on what we should be doing based on who we are at a deeper level.
Nuestra mejor tecnología y algoritmos no solo deberían usarse para ayudarnos a encontrar una maratón de películas o canción de Justin Bieber. Imaginen si pudiéramos usar el poder de la tecnología para recibir una guía real de lo que deberíamos hacer basados en quiénes somos a mayor profundidad.