Referencia de mercado actual al abrir una posición
Que hace
La verificación de salarios de mercado es un agente de IA que recopila datos de compensación de fuentes disponibles y genera una horquilla justificada para una posición específica. La solución es iniciada por un reclutador o un HR manager al abrir una nueva vacante y reemplaza la búsqueda manual en agregadores y las llamadas puntuales a colegas "por amistad". El resultado es un informe consolidado con el rango, la mediana y la justificación de cada cifra.
Qué hace el agente paso a paso
- Recibe los parámetros de entrada del reclutador: cargo, nivel (junior/middle/senior/lead), ciudad o modalidad de trabajo, industria, competencias clave opcionales.
- Busca coincidencias en fuentes abiertas: agregadores de vacantes, salary reviews publicados, informes sectoriales disponibles a través de API conectadas o índice RAG.
- Extrae las tarifas internas del HRIS para posiciones equivalentes, de modo que el mercado externo se compare con lo que la empresa paga actualmente.
- Normaliza los datos: convierte los salarios a una única moneda, gross/net, período (año o mes), excluye valores atípicos y duplicados.
- Calcula la mediana, el percentil 25 y el percentil 75 sobre la muestra, y muestra por separado la dispersión por ubicaciones y niveles.
- Genera un informe estructurado con fuentes, fechas de publicación, tamaño de la muestra y un resumen en texto para la presentación al departamento financiero.
- Guarda el artefacto en el HRIS o en el repositorio compartido, para que en seis meses sea posible comparar cómo ha cambiado el mercado para el mismo rol.
Qué no hace la automatización
- No reemplaza la negociación con el candidato. La oferta final sigue dependiendo de la motivación, la contraoferta y la posición negociadora: el agente proporciona una referencia, no una decisión.
- No tiene en cuenta la parte oculta de la compensación de los competidores. Las opciones, RSU, bonificaciones por reubicación y beneficios no monetarios frecuentemente no se publican: el agente trabaja con lo que está disponible.
- No garantiza la exactitud de los datos. La calidad del resultado está limitada por la calidad de las fuentes: si en el dominio público hay pocas vacantes para el nicho requerido, la muestra será pequeña y el agente lo indica con transparencia.
La solución se posiciona como una herramienta de reducción de riesgos, no como un sustituto del reclutador experimentado. El agente de IA asume la rutina de recopilación y normalización, liberando al profesional para la interpretación y la negociación con el candidato.
Como funciona
Técnicamente, la solución se basa en dos patrones: RAG Q&A para la búsqueda en fuentes no estructuradas de datos salariales y un módulo analítico para la normalización y el cálculo de estadísticas. El agente opera sobre HRIS como complemento vertical-SaaS y no requiere reemplazar el sistema actual de gestión de personal.
Arquitectura del flujo de datos
- Disparador. El reclutador crea un borrador de vacante en HRIS o completa un formulario de solicitud con los parámetros del puesto. El webhook o la ejecución manual transfiere el payload al agente.
- Recopilación de fuentes externas. El agente consulta las fuentes conectadas — API públicas de agregadores de vacantes, encuestas salariales indexadas, informes PDF sectoriales en el almacén RAG.
- Contexto interno. En paralelo, el agente extrae de HRIS las tarifas actuales de los empleados en posiciones comparables, el historial de las últimas ofertas, los grados de compensación aprobados.
- Normalización. El paso LLM unifica los datos heterogéneos en un esquema común: moneda, periodicidad, gross/net, parte fija frente a bonos.
- Estadísticas. El módulo de cálculo (no LLM) calcula la mediana, los percentiles, el tamaño de la muestra, la dispersión por ubicaciones. Esta es la parte determinista — sus resultados son reproducibles y auditables.
- Compilación del informe. El LLM genera una narrativa breve con la justificación de las cifras, referencias a las fuentes y advertencias sobre los puntos débiles de la muestra.
- Entrega. El informe se publica en HRIS como adjunto a la vacante, se envía en Slack al reclutador y se guarda en el archivo para su posterior comparación.
Pasos de implementación
- Auditoría de fuentes. El equipo de Grow2.ai junto con el responsable de RR. HH. elabora una lista de fuentes de datos salariales disponibles para la empresa — encuestas públicas, suscripciones, agregadores locales.
- Conexión de HRIS. Configuración de la lectura de datos de empleados y vacantes mediante API o exportación. La escritura de informes de vuelta es opcional, en la segunda fase.
- Configuración de grados. Se carga en el agente la matriz de grados de la empresa para que los datos externos se mapeen al sistema interno de posiciones.
- Compilación del índice RAG. Las encuestas salariales y los informes sectoriales se cargan en el almacén vectorial para búsquedas por consultas del tipo "salario mediano del ingeniero DevOps en Polonia".
- Calibración. Con vacantes históricas se verifica en qué medida las respuestas del agente coinciden con las ofertas reales de la empresa. Se ajustan los pesos de las fuentes.
- Lanzamiento con un reclutador. Piloto con 5-10 vacantes con retroalimentación — qué no está bien en las formulaciones, qué fuentes no se han tenido en cuenta.
- Despliegue. Incorporación del resto de reclutadores, formación en formato de una hora, documentación del proceso en el HR-playbook.
Componentes de la solución
Capa | Función |
|---|---|
Conector HRIS | Lectura de vacantes y empleados, escritura de informes |
Índice RAG | Búsqueda en encuestas salariales e informes sectoriales |
API externas | Solicitud de datos a los agregadores de vacantes |
Módulo de cálculo | Estadísticas deterministas por muestra |
Capa LLM | Normalización y compilación de la narrativa |
Interfaz | Formulario de solicitud y entrega del informe en HRIS/Slack |
La solución utiliza un modelo de IA o un modelo comparable para los pasos de normalización y compilación de la narrativa. Las estadísticas deterministas se ubican en un módulo separado para que las cifras del informe sean reproducibles — esta es la clave para la confianza del departamento financiero al aprobar la horquilla salarial.
Requisitos previos
La solución requiere disponibilidad básica de datos y un responsable del proceso en RR. HH. Sin HRIS, la implementación es posible, pero requerirá exportación manual de tarifas comparables, lo que limita la regularidad de uso.
Accesos y datos
- HRIS con posibilidad de lectura de vacantes y empleados a través de API o exportación periódica (BambooHR, HiBob, Personio, 1С:ЗУП y equivalentes).
- Matriz de grados de la empresa — descripción de niveles y áreas de responsabilidad para los roles clave. Si no existe, el primer paso del proyecto es elaborarla al menos en un formato mínimo.
- Lista de fuentes de datos de mercado, que la empresa está dispuesta a utilizar: revisiones públicas (DOU, Habr, asociaciones sectoriales), suscripciones a informes de pago, agregadores locales de vacantes.
- Políticas de compensación actuales — parte fija frente a bonos, gross/net, frecuencia de revisiones.
Preparación del equipo
- Responsable del proceso — director de RR. HH. o reclutador principal, que toma la decisión sobre la estructura del informe y la calibración de las fuentes.
- Acceso a TI para la conexión del HRIS — por lo general, basta con un sprint del equipo de TI interno o de un contratista.
- Disposición para pilotar con 5-10 vacantes reales antes del despliegue completo a todo el equipo de contratación.
Plazos de implementación
Un proyecto típico de nivel de complejidad "weekend" se completa en 2-4 semanas siempre que el HRIS ya esté operativo y exista la matriz de grados. Sin la matriz de grados, se añaden 1-2 semanas para su formalización. Si el mercado de datos del nicho de la empresa es limitado (industria reducida, región pequeña), los plazos son los mismos, pero la calidad de la muestra será menor — esto se comunica con transparencia en la etapa de auditoría de fuentes.
Problemas
- Mal pronóstico (cashflow/ventas/stock)
- Conocimiento en cabezas, no en documentos
FAQ
¿Cuánto tiempo lleva la implementación?
El plazo típico es de 2-4 semanas con un HRIS listo y una matriz de grados disponible. Si la matriz debe construirse desde cero, añada 1-2 semanas. La primera semana se dedica a la auditoría de fuentes y la conexión del HRIS, la segunda a la calibración en vacantes históricas, la tercera y cuarta al piloto con un reclutador y al ajuste de las formulaciones del informe según la retroalimentación.
¿Qué hacer si no tenemos HRIS?
Sin HRIS, el agente de IA funciona en modo "solicitud-respuesta": el reclutador introduce los parámetros del puesto en el formulario, y las tarifas internas se cargan desde una exportación manual en Google Sheets o Excel. Esto reduce la frecuencia de uso y elimina el registro automático del artefacto en la ficha de la vacante, pero se mantiene la función básica de comparación con el mercado. La conexión del HRIS queda como fase 2.
¿Cuáles son los riesgos y qué puede fallar?
El principal riesgo es la calidad de las fuentes. Si hay pocos datos disponibles públicamente para el nicho requerido, la muestra será pequeña y la mediana no será representativa. El agente de IA informa de forma transparente sobre el tamaño de la muestra y advierte sobre los puntos débiles. El segundo riesgo son los datos obsoletos: las encuestas salariales se publican una vez cada seis meses o un año, por lo que las fluctuaciones recientes del mercado se reflejan con retraso. El tercero es el intento de usar el agente de IA como sustituto de las negociaciones; no conviene hacerlo.
¿Es adecuado para nuestra industria?
La solución es universal y no está vinculada a ninguna industria específica — el pipeline es el mismo. La calidad de los resultados depende de la cantidad de fuentes disponibles: para roles de IT masivos o posiciones comerciales populares hay muchos datos; para nichos específicos (por ejemplo, un especialista en regulación poco común en una región pequeña), hay menos. En la etapa de auditoría de fuentes queda claro qué tan representativa será la muestra para su perfil de contratación.
¿Qué tan actualizados son los datos que utiliza el agente de IA?
Los agregadores externos de vacantes se actualizan diariamente, las encuestas salariales se publican cada 6-12 meses. El agente de IA indica en el informe la fecha de publicación de cada fuente y la antigüedad media de la muestra. Para mercados de rápido crecimiento (algunos roles de IT) se recomienda actualizar el informe cada 1-2 meses; para funciones estables, una vez cada seis meses. Los datos antiguos no se descartan automáticamente, pero se marcan.
¿Cómo gestiona el agente de IA las particularidades regionales?
La ubicación se transmite como parámetro de la solicitud: ciudad, país o modalidad de trabajo (remoto, híbrido). El agente de IA filtra las fuentes por correspondencia regional y muestra por separado la dispersión por ubicaciones, si la muestra lo permite. Para los roles remotos se ofrece una comparación de los principales mercados de referencia para la contratación de la empresa, lo que ayuda a desarrollar una política consciente de geo-mix en el equipo.
Quieres esto en tu negocio?
Reserva una auditoria gratuita — te mostraremos como funcionara esta automatizacion para ti.