“Sabemos exactamente quién va a faltar y qué día.”
“Podemos identificar personas, equipos, centros o colectivos con mayor riesgo relativo de usencia.”
Sí. Y la evidencia científica ya lo ha demostrado.
Inauguramos el blog de ThirdWish People respondiendo a la pregunta que siempre tenemos que responder desde que decidimos montar la compañía:
¿Se puede predecir el absentismo?
La respuesta corta es: sí.
La respuesta seria es: sí, pero no como se suele contar.
La IA no es una bola de cristal.
No puede garantizar que una persona concreta vaya a faltar el próximo jueves a las 9:00.
Eso no es ciencia. Eso es humo.
Lo que sí puede hacer la IA, y esto es lo importante, es predecir riesgo futuro de absentismo antes de que el problema aparezca en los indicadores oficiales.
Puede detectar patrones.
Puede anticipar qué centros, turnos, colectivos o equipos tienen más probabilidad de sufrir un incremento deausencias.
Puede estimar si el riesgo apunta a absentismo corto, frecuente o prolongado.
Y puede ayudar a decidir dónde actuar antes de que el coste llegue a la cuenta de resultados.
Esto no es una opinión.
Esto ya aparece en la literatura científica.
Primero, hagamos bien la pregunta
Cuando una empresa pregunta si el absentismo se puede predecir, normalmente está preguntando esto:
“¿Puede una IA decirme exactamente quién se va a ausentar y cuándo?”
Esa pregunta está mal formulada.
La pregunta correcta es otra:
¿Puede una IA identificar con antelación patrones de riesgo de absentismo para que la empresa actúe antes?
Ahí la respuesta es clara: sí.
Y ese matiz lo cambia todo.
Porque una empresa no necesita magia.
Necesita anticipación.
Necesita saber dónde puede aparecer el problema.
Necesita saber qué colectivos se están tensionando.
Necesita saber qué centros pueden disparar el coste.
Necesita saber qué señales no está viendo a simple vista.
Y necesita saber qué hacer antes de que el absentismo se convierta en un problema operativo, económico y humano.
Lo que la IA no debe prometer
Lo que la IA sí puede demostrar
“Sabemos exactamente quién va a faltar y qué día.”
“Podemos identificar personas, equipos, centros o colectivos con mayor riesgo relativo de usencia.”
“Sabemos exactamentequién va a faltar y quédía.”
“Podemos identificar personas, equipos, centros o colectivos con mayor riesgo relativo de usencia.”
“El modelo acierta siempre.”
“El modelo clasifica probabilidades y permite priorizar dónde actuar primero.”
“La IA sustituye a RRHH, prevención u operaciones.”
“La IA ayuda a RRHH, prevención y operaciones a
tomar mejores decisiones antes.”
“El absentismo se elimina.”
“Todos los riesgos son individuales.”
“El absentismo se puede anticipar, gestionar mejor y
reducir en determinados patrones accionables.”
“La precisión estadística es suficiente.”
“Muchos riesgos son organizativos: turno, centro,
carga, calendario, manager, equipo o histórico.”
Esta es la diferencia entre vender humo y construir una solución seria.
La IA aplicada al absentismo no va de adivinar el futuro.
Va de detectar señales de riesgo antes que los cuadros de mando tradicionales.
Durante años, muchas empresas han gestionado el absentismo de forma reactiva.
Primero ocurre la ausencia.
Después se mide.
Después se analiza.
Después se hace un comité.
Después se decide algo.
Y muchas veces, cuando la empresa quiere actuar, el problema ya ha ocurrido.
La evidencia científica plantea otra forma de trabajar: usar datos históricos para anticipar riesgo.
En 2021, Lawrance, Petrides y Guerry publicaron en Decision Support Systems un estudio especialmente
relevante para cualquier empresa que quiera gestionar el absentismo de forma preventiva.
El trabajo diseñó un sistema de apoyo a la decisión para un proveedor belga de RRHH y bienestar. El objetivo no
era simplemente predecir ausencias. El objetivo era identificar grupos de empleados con riesgo de ausencia por
enfermedad para poder intervenir antes.
Y aquí está una de las claves: utilizaron datos reales de RRHH y nómina, sin necesidad de variables médicas,
para generar predicciones mensuales y orientar intervenciones coste-efectivas.
Esto cambia la conversación.
Porque demuestra que la predicción del absentismo no tiene por qué basarse en datos clínicos sensibles.
Puede empezar con datos que muchas empresas ya tienen: histórico de ausencias, datos laborales, estructura
organizativa, nómina, calendario y coste.
Uno de los estudios más directos sobre predicción de absentismo es el de Zupančič y Panov, publicado en 2024
en Applied Sciences.
Su investigación responde a una pregunta muy parecida a la que se hacen muchas compañías:
¿Podemos predecir ausencias futuras usando el histórico de asistencia?
La respuesta del estudio es sí.
Los autores utilizaron datos históricos de control horario y asistencia para predecir ausencias de empleados,
incluyendo bajas por enfermedad y vacaciones.
Además, trabajaron con distintos horizontes temporales: una semana, dos semanas y un mes.
Esto es muy importante.
Porque la gestión real del absentismo no ocurre en abstracto.
Ocurre en ventanas concretas.
La próxima semana.
Las próximas dos semanas.
El próximo mes.
Una empresa necesita saber si un centro puede quedarse corto de personal, si un turno se puede tensionar, si una campaña puede sufrir más ausencias de las esperadas o si un colectivo empieza a mostrar un patrón de riesgo. La IA no tiene que acertar el futuro con precisión absoluta para ser útil.
Tiene que mejorar la capacidad de anticipación frente a una gestión puramente reactiva.
Y eso es exactamente lo que permite la predicción de riesgo.
Otro paper importante es el de Boot, van Drongelen, Wolbers, Hlobil, van der Beek y Smid, publicado en
Occupational Medicine.
El estudio analizó datos administrativos de una aerolínea con 7.652 empleados para predecir absentismo largo y
absentismo frecuente.
La conclusión es muy relevante para las empresas: es posible construir modelos predictivos de empleados en
riesgo de absentismo utilizando únicamente datos administrativos de la compañía.
Esto no significa que cualquier Excel sirva.
Significa algo más útil: muchas empresas ya tienen parte de la materia prima necesaria para empezar.
No hace falta empezar por datos médicos.
No hace falta entrar en diagnósticos.
No hace falta invadir la privacidad del empleado.
Se puede trabajar con información organizativa y laboral: histórico de ausencias, características del puesto,
planificación, antigüedad, tipo de contrato, estructura, centro y condiciones de trabajo.
El propio estudio también advierte que la capacidad explicativa era limitada y que conviene incorporar más
factores.
Esa advertencia no debilita la tesis.
La hace más creíble.
Porque la conclusión seria es esta: sí se puede predecir, pero la calidad del modelo depende de la calidad, profundidad y granularidad del dato.
El absentismo de larga duración es uno de los problemas más costosos para una empresa.
No solo afecta a la planificación. Afecta a la productividad.Afecta a la sustitución.
Afecta a la carga del equipo.
Afecta al coste directo.
Y muchas veces llega tarde a la mesa de decisión.
En 2020, van der Burg y colaboradores desarrollaron y validaron un modelo de predicción de absentismo de larga
duración en una gran cohorte neerlandesa.
El estudio utilizó 11.221 trabajadores para desarrollar el modelo y una segunda cohorte de 5.604 trabajadores
para validarlo externamente.
El modelo alcanzó un AUC de 0,76 y mostró buena calibración.
Traducido a lenguaje de empresa: el modelo era capaz de distinguir razonablemente bien entre trabajadores con
mayor y menor riesgo de sufrir absentismo de larga duración durante el año siguiente.
Esto es relevante porque demuestra que la predicción no se limita a patrones obvios de corto plazo.
También puede aplicarse a riesgos más estructurales, más complejos y de mayor impacto económico.
Predecir está bien.
Pero para una empresa, predecir no es suficiente.
Una plataforma que solo dice “riesgo alto” se queda a medio camino.
La pregunta importante no es solo:
¿Dónde hay riesgo?
La pregunta importante es:
¿Qué hacemos ahora?
Aquí el estudio de Kurisu, Song y Yoshiuchi es especialmente interesante.
Los autores desarrollaron un modelo de machine learning en una planta industrial japonesa para predecir bajas
por enfermedad y, a partir de los resultados, construir planes preventivos.
El modelo utilizó Random Forest y alcanzó un AUC de 0,882.
Pero lo más importante no es la métrica.
Lo más importante es el enfoque.
El estudio conecta predicción con acción.
Analiza qué variables pesan en el riesgo.
Interpreta los patrones.
Y transforma el modelo en planes preventivos para la salud de los trabajadores.
Ese es el punto clave.
El valor de la IA no está en decir “hay riesgo”.
El valor está en decir:
hay riesgo, sabemos qué factores lo están empujando, sabemos dónde actuar primero y podemos medir si la acción funciona.
Una empresa no reduce el absentismo mirando un dashboard.
Lo reduce tomando mejores decisiones.
Por eso, una nuestra solución predictiva de absentismo responde claramenta a cuatro preguntas:
Pregunta
Respuesta que debería dar la plataforma
¿Dónde puede aparecer el problema?
Centro, equipo, turno, colectivo, anager, sociedad o zona con mayor riesgo futuro.
¿Cuándo puede aparecer?
Próximos 7, 14, 30, 60 o 90 días, según el tipo de modelo y datos disponibles.
¿Por qué puede aparecer?
Histórico de ausencias, turnos, carga, estacionalidad,
cambios de planificación, recurrencia, clima o factores
organizativos.
¿Qué impacto puede tener?
Coste esperado, coste de sustitución, horas extra, pérdida de productividad y riesgo operativo.
“El absentismo se elimina.”
“Todos los riesgos son individuales.”
“El absentismo se puede anticipar, gestionar mejor y
reducir en determinados patrones accionables.”
¿Qué hacemos?
Plan de acción priorizado, responsable, seguimiento y medición del resultado.
Esta es la diferencia entre analítica descriptiva y predicción accionable.
La analítica descriptiva mira lo que ya ocurrió.
La predicción accionable ayuda a decidir antes.
Los papers revisados apuntan en la misma dirección: el dato crítico es el histórico.
Pero no cualquier histórico.
Para que una plataforma de IA aplicada al absentismo sea consistente, no basta con tener un total mensual de
bajas.
Se necesita granularidad.
Como mínimo, una empresa debería trabajar con:
Con 12 meses se pueden hacer análisis iniciales.
Con 24 meses se puede empezar a construir un modelo razonable.
Con 36 meses la plataforma gana consistencia, porque puede capturar estacionalidad, comparar periodos y
validar mejor si las predicciones funcionan en meses futuros.
La conclusión es sencilla:
cuanto más granular y longitudinal sea el dato, más valor predictivo tiene.
Sí.
Pero hay que decirlo bien.
No se puede predecir como una certeza individual absoluta.
Sí se puede predecir como riesgo.
Sí se puede anticipar por centros, turnos, colectivos y perfiles.
Sí se pueden detectar patrones que RRHH no ve a simple vista.
Sí se puede estimar impacto económico esperado.
Sí se pueden priorizar planes de acción antes de que el problema se dispare.
Y sí, se puede pasar de una gestión reactiva del absentismo a una gestión preventiva basada en datos.
La evidencia científica ya lo ha demostrado.
Ahora el reto no es discutir si se puede predecir.
El reto es construir plataformas que conviertan esa predicción en decisiones útiles.
Porque el verdadero valor no está en saber que el absentismo existe.
Eso ya lo sabe cualquier empresa.
El verdadero valor está en saber dónde va a aparecer, por qué puede aparecer, cuánto puede costar y qué
hacer antes de que ocurra.