PublicidadPublicidadPublicidadPublicidad
Economía

El CEO de WorkWhile predice escasez de mano de obra

23/9/2026, 11:47 • Eugenia Sliv

(edited: 23/09/2026)

El CEO de WorkWhile predice escasez de mano de obra

El CEO de WorkWhile, Simon Khalaf, pronostica una escasez de mano de obra en EE.UU. debido al aumento de la demanda de empleados. Según él, de julio a agosto, la demanda de trabajadores en la plataforma creció un 22%, y para finales de septiembre aumentó otro 14%. Actualmente, la empresa tiene más vacantes que trabajadores disponibles. "Este apocalipsis de vacantes es un mito absoluto," declaró Khalaf. Añadió que no hay pérdidas de empleo relacionadas con el uso de IA. Según él, en EE.UU. comienza una era de aguda escasez de mano de obra. Khalaf señala que la infraestructura de IA requiere mano de obra para la creación de centros de datos, lo que genera una demanda adicional de profesiones laborales, como operadores de montacargas. Afirma que trasladar trabajadores a proyectos de construcción de centros de datos puede dejar a las empresas de eCommerce y centros de distribución en competencia por la misma mano de obra. Además, la escasez de recursos laborales se enfrenta a los costos existentes de los empleadores para reemplazar a los empleados que se van.

Khalaf señaló que el promedio de retención de trabajadores en EE.UU. es de aproximadamente el 45%, mientras que en algunos segmentos atendidos por WorkWhile, la tasa de rotación supera el 100% anual. Aplicando IA, WorkWhile resuelve este problema, emparejando trabajadores con empleadores y utilizando experiencias pasadas para determinar el potencial de retorno de los trabajadores a tareas anteriores. La empresa muestra un nivel de repetición de tareas superior al 95% sin necesidad de volver a vincular al trabajador o al empleador a una nueva tarea. "Lo que hacen nuestros sistemas de IA es conectar a las personas adecuadas con el trabajo adecuado, donde pueden destacarse y sentir satisfacción," explicó Khalaf. Vincula este enfoque con el conocido dicho: trabajar en lo que amas no es trabajo.

WorkWhile también aplica modelos predictivos para gestionar la asistencia. La tecnología de la empresa permite evaluar la probabilidad de que un trabajador se presente en el lugar de trabajo o cancele, lo que permite atraer rápidamente a otros trabajadores a través del mercado bajo demanda. Khalaf señaló que WorkWhile ha reducido los casos de ausencias a corto plazo en más de la mitad. Además, comparó las necesidades financieras de los trabajadores con las necesidades de capital de trabajo de WorkWhile. Los trabajadores reciben su pago dentro de las 24 horas posteriores a la finalización de su turno, mientras que los clientes generalmente pagan a la empresa en 35 días. Como resultado, WorkWhile se ve obligada a recurrir a financiamiento para cubrir este intervalo. Los trabajadores enfrentan el problema de la brecha entre ingresos y obligaciones, utilizando tarjetas de crédito y préstamos para cubrir los déficits. Khalaf mencionó que WorkWhile utiliza recursos internos para encontrar turnos adicionales antes de que surjan deudas. "Si nuestros modelos de IA predicen que los trabajadores no tendrán suficiente dinero para pagar una factura, los enviamos a trabajar o a horas adicionales. De esta manera, pueden ganar dinero, pagar la factura y evitar comisiones e intereses," añadió Khalaf.

Desde el lanzamiento de WorkWhile Money, el 34% de los trabajadores se han quedado sin deudas. Además, alrededor del 40% de los trabajadores dependen de la plataforma como su principal fuente de ingresos. Ahora, los empleadores solicitan a WorkWhile que amplíe sus servicios más allá de los trabajadores temporales, incluyendo la aplicación de tecnologías para trabajos a tiempo completo. Khalaf señaló que esto crea problemas de conectividad, capacitación y preparación de los trabajadores flexibles sin necesidad de reentrenar a los empleadores para cada nueva tarea. WorkWhile proporciona capacitación y certificación para profesiones como el trabajo con alimentos y operadores de montacargas, y también utiliza agentes de IA para reducir el material de capacitación. La empresa busca no solo asegurar la correspondencia entre los trabajadores y los turnos abiertos. Khalaf describió un modelo que aplica datos para reasignaciones repetidas, asistencia, capacitación y oportunidades para que los trabajadores ganen ingresos adicionales.

Popular news