# El AI en RR.HH. no es cosa de Unilever. Es cosa de las pymes > De Unilever a las pymes: replicar los workflows enterprise en 4 semanas con 500€/mes Source: https://www.electe.net/es/correo-electronico-/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi Site guide: https://www.electe.net/es/llms.txt Cada semana, hablando con empresas en Europa, escucho la misma frase: **“El AI en RR.HH. es para los grandes. Nosotros no somos Unilever.”** Es un mito costoso. La realidad: los mismos patrones que hacen ahorrar millones a las enterprise hoy son replicables por una pyme con **100-500€/mes**, usando herramientas freemium, algo de automatización y los datos que ya posee. ## **Enterprise vs pyme: la brecha es mucho más pequeña de lo que parece** Unilever procesa 250.000 candidaturas/año con AI y ahorra 1M€. Una startup de 50 personas implementa in-house un mini-workflow automatizado y ahorra 10–15 horas/semana invirtiendo 100–200€/mes. No hace falta la tecnología enterprise. Hace falta la lógica: automatizar, estandarizar, predecir. _(Estos son los costes de las licencias software para una implementación DIY. El setup requiere 20–100 horas de trabajo interno una sola vez, según la complejidad.)_ ## Los datos lo confirman Mastercard ha generado 21M$ con su talent marketplace AI. Pero también una pyme puede obtener un –75% del tiempo de screening con automatizaciones Zapier desde 20€/mes. Los modelos open source (Random Forest, XGBoost) alcanzan un 85–95% de accuracy en la predicción del turnover usando solo datos HRIS. ## Coste de entrada: colapsado El AI en RR.HH. hoy parte de 0€: - CV parsing → gratuito - Modelos predictivos → open source - Automatizaciones → Zapier/Make desde 20€/mes - ATS → freemium Con 20–40 horas de setup interno, una pyme puede construir un sistema que: - elimina 15–20 horas/semana de trabajo manual - identifica a los empleados en riesgo antes de que se vayan - acelera el time-to-hire en un 40–60% _La complejidad disminuye. Las oportunidades aumentan._ ## 📊 Caso real: pyme manufacturera lombarda (120 empleados) Un modelo predictivo DIY identificó a 3 empleados de alto riesgo que no estaban en el radar de RR.HH. Interviniendo con 2 de ellos, la empresa evitó 90k€ de costes de turnover. Inversión total año 1: 5.000€. ROI: 1.700%. Setup concreto (3 semanas): - Exportación histórico HRIS (3 años): OverTime, Salary, LastPromotion, Satisfaction survey, Exit data - Entrenamiento del modelo Random Forest sobre 180 exits pasados + 300 empleados activos - Variables más predictivas surgidas: OverTime >12h/semana, estancamiento de promoción >3 años, satisfaction score <6/10 Resultado: el modelo marcó a 3 empleados con 85%+ de probabilidad de exit dentro de 6 meses. Dos de ellos no habían dado ninguna señal evidente de riesgo (“estables desde hace 8+ años, sin señales de descontento”). Análisis manual post-flag: - Empleado A: horas extra constantes (15h/semana) + ninguna promoción desde hace 4 años → oferta externa recibida - Empleado B: salario por debajo del mercado en un 18% + satisfaction 5/10 → estaba explorando LinkedIn activamente - Empleado C: ya había decidido cambiar de trabajo para emprender un nuevo camino profesional → decisión confirmada en la entrevista de salida Intervención: aumento retributivo +12% (A y B) + plan de carrera por escrito + reducción de horas extra. Retenidos A y B. **C no era retenible.** _“Teníamos los datos en el HRIS desde hacía años. Se necesitaron 8 horas de un data analyst para extraer el CSV y ejecutar el script de Python. El valor no estaba en la tecnología sofisticada sino en mirar los datos que ya teníamos.” — HR Manager_ La pregunta no es “¿podemos permitírnoslo?” La pregunta es: ¿tienes 20–40 horas para implementarlo? Si es así, el retorno está prácticamente garantizado — a cualquier escala. ## Cómo las PYMES pueden replicar la IA enterprise (sin presupuesto enterprise) **El workflow de Unilever desglosado: qué sucede realmente en cada paso** El proceso de recruiting con IA de Unilever para el Future Leaders Programme es el gold standard de la industria. Lanzado en 2016, ha reducido el time-to-hire de 4-6 meses a 4 semanas procesando 1,8 millones de candidaturas anuales para 30.000 posiciones. ### Paso 1 → Application vía LinkedIn (10-15 minutos) El candidato conecta directamente el perfil de LinkedIn sin CV tradicional. Esta elección ha ampliado el talent pool de 840 a 2.600 universidades representadas. ### Paso 2 → Pymetrics Games (20-30 minutos) 12 juegos neurocientíficos miden 91 rasgos cognitivos y emocionales: attention, decision-making, risk tolerance, emotion recognition, resilience. El sistema compara el perfil con el benchmark de los top performers. El 98% de los candidatos completa esta fase (vs 50% tradicionales). ### Paso 3 → Video Interview HireVue (30 minutos) Video asíncrono. Desde 2021 el facial analysis se elimina: bajo poder predictivo (0.25%-4%) y bias. La IA analiza solo contenido semántico y speech patterns. Filtra hasta el 80%. ### Paso 4 → Discovery Center Day 3.500 finalistas de 250.000 candidaturas. 800 contrataciones anuales. **Resultados documentados:** -75% tiempo recruiter, £1M ahorrados/año, +16% diversidad workforce, gender parity alcanzada, offer acceptance de 64% a 82% ✅ _La inteligencia artificial revela conexiones, oportunidades y caminos que ningún proceso manual es capaz de sacar a la luz. Lo que estaba oculto se vuelve evidente._ ## 2. La tecnología detrás de los talent marketplace internos El Internal Talent Marketplace es la forma más evolucionada de IA para movilidad interna. Gloat recopila skills de self-report, job history y market signals, con ontología dinámica. **Caso Mastercard "Unlocked"** Resultados: $21M savings, 900.000 horas desbloqueadas, 62% adoption, +80% satisfaction, +30% retention. **Caso Schneider Electric "Open Talent Market"** 60% adoption en 2 meses, 360.000 horas desbloqueadas, $15M+ savings, NPS 60. ## 3. Las variables que realmente predicen el turnover El modelo IBM Watson utiliza 35 variables. Las más predictivas: - OverTime - JobSatisfaction - YearsSinceLastPromotion - MonthlyIncome - JobInvolvement 📊 **Precisión típica:** - Random Forest: 84-87% - XGBoost/CatBoost: 85-95% - Logistic Regression: 75-80% `import pandas as pd` `from sklearn.model_selection import train_test_split` `from sklearn.ensemble import RandomForestClassifier` `# Carga dataset IBM HR Analytics (gratuito en Kaggle)` `df = pd.read_csv('IBM-HR-Attrition.csv')` `y = df['Attrition'].map({'Yes': 1, 'No': 0})` `X = pd.get_dummies(df.drop('Attrition', axis=1))` `# Train model` `X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)` `rf = RandomForestClassifier(n_estimators=40)` `rf.fit(X_train, y_train)` `# Top 5 variables predictivas` `importances = pd.Series(rf.feature_importances_, index=X.columns)` `print(importances.nlargest(5))` Este código funciona en Google Colab de forma gratuita. Resultado típico: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany como top predictors. ## La economía de las herramientas: de €0 a €500/mes (DIY) El panorama de herramientas para IA en RRHH se ha democratizado. La inversión de entrada se ha desplomado de €50.000+ a €0-500/mes **para quien implementa internamente**. Estos son los costes de las herramientas software a configurar, no servicios llave en mano. **Stack freemium (€0/mes - configuración autónoma):** - ATS: Breezy HR (nivel gratuito, 1 posición activa) - Entrevista en vídeo: myInterview (versión básica gratuita) - Assessment: TestGorilla (prueba gratuita extendida) - Parsing de CV: pyresparser (código abierto) - Modelo predictivo: Python + scikit-learn (código abierto) - Analytics: Google Sheets + plantilla **Stack PYME 10-50 empleados (€100-300/mes - implementación interna):** - LinkedIn Recruiter Lite: €170/mes - Zapier/Make: €20/mes (requiere configuración de workflow) - pyresparser: gratuito - Modelo Python: gratuito (requiere competencias básicas de Python) **Stack PYME 50-200 empleados (€500-1.500/mes - equipo interno):** - ATS completo: €200-400/mes (configuración + mantenimiento) - Plataforma de assessment: €150-300/mes - Dashboard de analytics: €100-200/mes - Automatizaciones avanzadas: €50-100/mes **Aclaración crítica:** estos presupuestos son **costes de licencias software**, no incluyen el tiempo de implementación. Se necesitan competencias básicas (configurar Zapier, ejecutar scripts Python, leer documentación de API). Para empresas de 10-50 empleados: 20-40 horas de trabajo para la configuración inicial. Para 50-200 empleados: 60-100 horas distribuidas en 4-8 semanas. La ventaja: una vez implementado, el mantenimiento es mínimo (2-5 horas/mes) y el ROI es permanente. ## Quick win #1: Screening automático de CV en 1 día El parsing automático de CV se puede implementar en 6-8 horas combinando herramientas no-code (Zapier) con un script Python mínimo. **Opción A: Solo Zapier (sin código, 2-3 horas)** Pipeline completo sin escribir código: 1. **Trigger:** Nuevo correo con adjunto recibido en _hr@electe.net_ 2. **Action:** Zapier Parser extrae automáticamente los datos del CV (name, email, phone, skills) 3. **Action:** Crea una fila en Google Sheet con los datos extraídos 4. **Action:** Notificación Slack al recruiter: "Nuevo CV recibido: \[nombre\] - \[skills\]" 5. **Action:** Añade al candidato a una secuencia de emails (p. ej. "Gracias, te contactaremos de nuevo") **Coste:** Zapier Professional €20/mes **Tiempo de configuración:** 2-3 horas de click-and-configure **Habilidades requeridas:** Cero programación, solo familiaridad con interfaces web **Opción B: Zapier + Code by Zapier (Python/JS inline, 4-5 horas)** Si Zapier Parser no es suficiente, añade lógica personalizada directamente en Zapier: 1. Trigger: Nuevo correo con adjunto 2. **Action: Code by Zapier (Python)** - parsing avanzado inline: `# Python ejecutado directamente en Zapier` `import re` `cv_text = input['cv_text']` `email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]` `phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]` `return {'email': email, 'phone': phone, 'text': cv_text}` 1. Action: Crear fila en Google Sheet 2. Action: Notificación de Slack 3. Action: Secuencia de email **Costo:** Zapier Professional 20€/mes (incluye Code) **Tiempo de configuración:** 4-5 horas (desarrollo + prueba de lógica personalizada) **Habilidades requeridas:** Python/JavaScript básico **Opción C: pyresparser en servidor externo (parsing máximo, 6-8 horas)** Para CV muy complejos o volúmenes altos (500+ CV/mes): `# Script en servidor dedicado` `pip install pyresparser` `from pyresparser import ResumeParser` `data = ResumeParser('/path/to/resume.pdf').get_extracted_data()` `# Output: name, email, mobile, skills, college, degree, experience` Zapier llama al servidor vía webhook, recibe el JSON parseado, procede con Sheet/Slack/Email. **Costo:** Zapier 20€/mes + DigitalOcean 5€/mes **Tiempo de configuración:** 6-8 horas (setup de servidor + deploy) **Habilidades requeridas:** Python + deployment O desarrollador externo ⚡ Ahorro típico: 15+ horas/semana para quienes procesan 200+ CV. _El efecto compuesto de la automatización: costos fijos bajos, ahorros crecientes._ ## El playbook en 10 semanas (DIY) **Requisito previo:** Acceso a recursos técnicos internos (developer, data analyst) o presupuesto de 2.000-3.000€ para un freelance que apoye la configuración. **Semana 1:** Parsing automático de CV con pyresparser + pipeline de Zapier. Primer ahorro medible: 10-15 horas. **Semana 2:** Auditoría de datos de RRHH, exportación a Sheets/Airtable, configuración de dashboard con métricas clave (time-to-hire, cost-per-hire, headcount). **Semana 3:** Modelo de predicción de rotación sobre dataset histórico, entrenamiento con variables disponibles, validación con el HR manager. **Semana 4:** Automatizaciones de Zapier para flujos de trabajo repetitivos (programación de entrevistas, checklist de onboarding, solicitudes de permisos). Cálculo final del ROI. **Semanas 5-10:** Iteración y escalado. Añade complejidad solo donde el ROI esté verificado. _📥 ¿Quieres explorar si estos workflows son aplicables a tu caso?_ _Las plantillas de Google Sheet, los scripts de Python y las automatizaciones de Zapier descritas aquí ya están operativas. Adáptalas a tu realidad._ ## Conclusión El error común es pensar que se necesitan presupuestos enterprise o consultores costosos. La lógica — automatizar el screening, estandarizar el assessment, predecir riesgos — es replicable con herramientas open source y SaaS accesibles. El valor no está en las herramientas costosas sino en el método. El ROI supera fácilmente el 600% en el primer año. **N.B.** El código Python y los ejemplos de Zapier de este artículo ya funcionan. Cópialos, adáptalos a tu realidad, impleméntalos. No hacen falta plantillas adicionales: ya tienes todo lo necesario para empezar.