¿Qué conexiones lo ayudan realmente a encontrar un trabajo?

¿Con quién debe ponerse en contacto la próxima vez que busque trabajo? Para responder a esta pregunta, analizamos los datos de varios experimentos aleatorios a gran escala en los que participaron 20 millones de personas para medir el impacto de los diferentes tipos de conexiones en la movilidad laboral. Nuestros resultados, publicados recientemente en Revista Science, demuestre que sus lazos más fuertes —es decir, sus conexiones con compañeros de trabajo inmediatos, amigos cercanos y familiares— fueron en realidad los que menos ayudaron a encontrar nuevas oportunidades y conseguir un trabajo. Tendrá más suerte con sus lazos débiles: cuanto más poco frecuentes sean las relaciones a distancia con conocidos.

Para ser más específicos, las corbatas que más ayudan a encontrar nuevo trabajo suelen ser moderadamente débil: Logran un equilibrio entre exponerlo a nuevos círculos sociales e información y tener suficiente familiaridad e intereses superpuestos como para que la información sea útil. Nuestros hallazgos descubrieron la relación entre la fuerza de la conexión (medida por el número de conexiones mutuas antes de la conexión) y la probabilidad de que un solicitante de empleo pase a un nuevo puesto dentro de la organización de una conexión.

La observación de que los lazos débiles son más beneficiosos para encontrar trabajo no es nueva. El sociólogo Mark Granovetter expuso esta idea por primera vez en un periódico fundamental de 1973 que describía cómo la red de una persona afecta a sus perspectivas laborales. Desde entonces, la teoría, conocida como la «fuerza de los lazos débiles», se ha convertido en una de las más influyentes de las ciencias sociales, apuntalando las teorías de redes de difusión de información, estructura industrial, y cooperación humana.

A pesar de la longevidad y la influencia de la hipótesis de Granovetter, nunca ha habido una hipótesis definitiva prueba causal utilizando datos a gran escala. Esto se debe a que las redes de las personas evolucionan simultáneamente con sus trabajos, lo que hace que sea extremadamente difícil realizar los experimentos a gran escala necesarios para comprobar la teoría. También es por esta razón que la mayoría de los estudios en esta área han recurrido a análisis correlacionales, por lo que es difícil saber si realmente fue porque un empate era débil que alguien consiguió un trabajo o por factores de confusión como su antigüedad o el hecho de que su empresa estuviera creciendo rápidamente.

Nuestro trabajo aborda esta brecha utilizando datos de la mayor plataforma de redes profesionales del mundo: LinkedIn. En particular, utilizamos una parte estándar de los motores de recomendación modernos: Pruebas A/B. A medida que los modelos de IA que impulsan estos algoritmos de recomendación mejoran constantemente, las nuevas versiones se prueban rigurosamente mediante experimentos aleatorios para garantizar que funcionan bien para todos los usuarios. Dada la escala de las plataformas digitales, estos experimentos tienden a ser masivos y se llevan a cabo en decenas de millones de usuarios.

Analizamos los datos de varios experimentos de este tipo en LinkedIn Algoritmo «Gente que quizás conozca», que recomienda nuevas conexiones a los miembros de LinkedIn. Los experimentos mundiales, que duraron cinco años, variaron aleatoriamente la composición de las recomendaciones de conexión en las redes de más de 20 millones de personas, tiempo durante el cual se crearon dos mil millones de nuevos vínculos y 600 000 nuevos puestos de trabajo. Por casualidad, estas pruebas variaron la prevalencia de los vínculos débiles y fuertes en las recomendaciones, y fue exactamente esta variación la que aprovechamos.

Nuestra análisis causal confirmó que los lazos más débiles eran los que más aumentaban la probabilidad de transiciones laborales, proporcionando la primera prueba causal a gran escala para la hipótesis de los lazos débiles y sugiriendo varias actualizaciones de la teoría con importantes implicaciones en la vida real:

Primero, cuando se trata de encontrar un nuevo trabajo, moderadamente Los lazos débiles son los más útiles y los más fuertes son los menos. Por ejemplo, en comparación con los lazos extremadamente débiles con un amigo en común, ¡un nuevo vínculo con 10 amigos en común casi duplica la probabilidad de cambiar de trabajo!

En segundo lugar, si bien los lazos débiles son importantes, de media, son especialmente vitales en los sectores con un alto grado de adopción de la TI y el software, la integración del aprendizaje automático y la inteligencia artificial (IA) y la robotización. Lo más probable es que se deba a que el estado del arte de estas industrias tiende a evolucionar rápidamente y mantenerse al día con todos los avances es fundamental para el éxito. Por eso son tan valiosos los lazos débiles que dan acceso a diversas comunidades con una amplia exposición a los nuevos avances tecnológicos y metódicos.

Por último, nuestros hallazgos sugieren que los lazos débiles son aún más importantes en los sectores que favorecen el trabajo a distancia. A medida que el mundo hace la transición a un híbrido o trabajar desde cualquier parte futuro, crear y cultivar lazos débiles será aún más esencial para el éxito profesional.

La conclusión para los solicitantes de empleo es clara: debe gestionar, ampliar y diversificar activamente su red social digital, ya que los lazos débiles pueden afectar materialmente a sus perspectivas laborales, a la movilidad laboral, ascensos e incluso salarios. Para los trabajadores de las industrias digitales o puestos en los que la tecnología evoluciona rápidamente, los lazos débiles proporcionan información novedosa y puentes hacia nuevas comunidades y oportunidades. Los que trabajan a distancia deben tomar nota especialmente, porque estos acuerdos dificultan las conversaciones con agua fría y los encontronazos no planificados con gente nueva.

Pero los solicitantes de empleo no son los únicos afectados por estos resultados. Los gerentes también lo son. Nuestros hallazgos destacan el valor de una red expansiva y abierta a la hora de buscar y contratar los mejores y diversos talentos. Una enorme cantidad de reclutamiento y contratación ahora se realiza a través de plataformas digitales como LinkedIn es vital. Comprender su funcionamiento y la utilidad de algoritmos como «Personas que quizás conozca» maximizará el alcance y la capacidad de los directivos para contratar talento de calidad. Al ir más allá de los sospechosos habituales de su círculo cercano y ampliar las búsquedas de trabajo hasta las fronteras de sus redes, un gerente podría conseguir un nuevo empleado estrella. Esto, a su vez, podría impulsar la innovación, un motor clave del crecimiento empresarial y económico.

Más allá de los solicitantes de empleo y los gerentes que contratan, nuestro trabajo destaca la importancia de gestionar activamente los algoritmos. Hoy en día, muchos sectores de las organizaciones y de la economía digital se ven afectados y, hasta cierto punto, gobernados por la IA. Estos algoritmos tienen el poder de promover el acceso económico, mejorar la eficiencia, e incluso rediseñar los modelos operativos de la empresa. Por eso la IA requiere una supervisión gerencial cuidadosa y un análisis a largo plazo del impacto causal del despliegue de estos algoritmos en millones de personas. Como ejemplo, LinkedIn ha creado herramientas internas para rastrear y abordar los impactos no deseados de cada nueva función de su plataforma.

Como demuestra nuestro trabajo, cuando se utilizan de forma eficaz, las plataformas de redes sociales como LinkedIn pueden aumentar el valor económico para los empleadores y los empleados mediante algoritmos que ayudan a conectar a las personas con los contactos adecuados. Así que, ya sea que busque empleo, sea gerente o reclutador, sea reflexivo y abierto a la hora de hacer crecer sus redes en Internet y piénselo dos veces antes de ignorar una recomendación de conexión del algoritmo «Personas que quizás conozca». Su red de segundo grado —las conexiones de sus conexiones— es un portal a todo un mundo de oportunidades.