Cada ejecución de nómina comienza con un resumen de mutaciones: horas, vacaciones, enfermedad, cambios de contrato. Alguien extrae esos datos de distintos sistemas, los verifica y los prepara. La tarea termina en ese resumen completo — la ejecución en sí es otro paso. La pregunta es si la IA puede asumir esta recopilación y preparación.
La respuesta es parcialmente. No porque la tarea sea demasiado complicada, sino porque dos ejes del perfil pesan mucho en contra de la automatización, y eso no se compensa con el resto.
La tarea está bastante estructurada: las mutaciones provienen de sistemas fijos, según categorías fijas, en un ritmo recurrente mensual o de cuatro semanas. Eso aboga a favor de la automatización. El volumen también es considerable: en plantillas más grandes se trata de cientos de líneas por ejecución, lo que hace que la tarea resulte interesante de automatizar.
Pero dos ejes pesan más: el coste del error y el cumplimiento normativo se sitúan ambos en el nivel más bajo. Una baja por enfermedad no registrada, un contrato vencido que no se ha procesado, o un día de vacaciones que se cuenta dos veces, repercute directamente en el salario de un empleado y en la declaración de retenciones. No son errores que se corrijan fácilmente a posteriori: afectan los ingresos de una persona y la relación con la Hacienda Pública. El margen de criterio también es bajo, con un 2: hay poco espacio para la interpretación, las mutaciones son correctas o incorrectas, completas o incompletas.
La combinación de un alto grado de estructuración con un bajo coste del error y bajo cumplimiento normativo es precisamente donde encaja un modelo de agente: la IA recopila, coteja y señala desviaciones, pero una persona aprueba o rechaza antes de que el resumen salga hacia la ejecución de la nómina. No es una sustitución completa, sino un desplazamiento de la recopilación hacia la verificación.
Una empresa con ciento cincuenta empleados, un sistema de RR. HH. y un sistema de nómina independiente que no están conectados. Cada mes, un empleado de RR. HH. revisa manualmente las tarjetas de vacaciones, las bajas por enfermedad y los cambios de contrato, y los transcribe. Aquí, un agente de IA puede hacer la comparación en cuanto los sistemas sí estén conectados: recopilar mutaciones automáticamente, señalar duplicados, marcar fechas de finalización de contrato que falten. El agente entrega una propuesta; el administrador de nóminas evalúa las excepciones y deja el conjunto listo definitivamente para la ejecución. El trabajo de búsqueda y transcripción desaparece; el trabajo de evaluación permanece.
En una empresa sin conexión entre el sistema de RR. HH. y el sistema de nóminas, esta tarea sigue siendo hoy en gran medida trabajo humano, simplemente porque el agente no tiene nada de dónde leer. En una empresa con muchos trabajadores temporales, horas variables o turnos rotativos, la complejidad aumenta: más datos de origen, más posibilidad de entradas contradictorias, por lo tanto más momentos en los que una persona debe intervenir. Y en una empresa con un convenio colectivo que contempla muchos complementos especiales, el margen de criterio vuelve a ser algo mayor que en este perfil, lo que inclina la balanza un poco más hacia el trabajo humano.
La condición que se repite en todos los casos: la conexión de los sistemas de origen y un punto de control antes de la ejecución definitiva. Sin esas dos cosas, esta sigue siendo una tarea que no se puede automatizar de forma aislada.
Esta tarea no existe de forma aislada. Está relacionada con otras tareas de RR. HH. que se encuentran río arriba: cómo se elaboran los horarios, cómo se procesan los cambios de horario, cómo se calculan las horas extra y cómo se registra el absentismo. Donde esas tareas ya son realizadas en parte por la IA, automáticamente se dispone de datos de origen más limpios y estructurados para la preparación de la nómina, lo que facilita aquí el enfoque de agente. Donde esas tareas siguen siendo completamente manuales, también la preparación de la nómina sigue dependiendo más del trabajo humano, simplemente porque la entrada es desordenada.
Ese es el desplazamiento que está ocurriendo ahora: no una tarea que de repente cae por completo, sino una cadena de tareas que, una por una, se vuelve algo más automatizable en cuanto los sistemas subyacentes están en orden. En una empresa esa cadena ya está en gran parte conectada; en otra todavía no, y esa diferencia, no la tecnología en sí, determina cuántas horas se liberan ya hoy.
Quien quiera saber cuántas horas son concretamente, debe calcular en tiempo, no en cabezas — y por qué esa distinción importa se explica en la página sobre calcular en horas en lugar de en personas. También es importante lo que no debe entrar en un sistema de IA: los datos salariales y la información médica sobre enfermedad son datos con protección adicional, y qué datos su empresa no puede dejar procesar sin más por un sistema de IA se describe en la página sobre los datos que su empresa no debe usar.
Una última observación: si este análisis pareciera apuntar en algún punto hacia una decisión de personal, para eso rige otro marco. Para despidos, cambios de función o reorganización se aplican requisitos legales propios, y esta página no ofrece fundamento para ello.
Para ver cómo se relaciona este perfil con el resto de su proceso de RR. HH. y nóminas, puede completar el análisis rápido gratuito: doce preguntas, sin necesidad de cuenta, con como resultado una indicación de qué parte de las horas en su situación ya puede ser asumida hoy por la IA. El análisis de trabajo completo, que mapea el trabajo de toda su empresa tarea por tarea, todavía está en construcción — eso deliberadamente todavía no lo ofrecemos aquí.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.