Satisfacción con el trabajo y la reducción de los costos de la no calidad. El ciclo de alto rendimiento de Kondo en el contexto de pos pandemia

Abstract

La Organización de las Naciones Unidas para el Desarrollo Industrial (ONUDI) a través del Índice de Desempeño Industrial Competitivo (CIP) muestra que el proceso de industrialización está directamente relacionado con una mejor calidad de vida. Entre 1996 y 2020, Argentina cayó del puesto 35 al 57 entre los países industrializados y su valor CIP disminuyó un 50,5%. Dado que la productividad es uno de los componentes del CIP, este trabajo identifica diversos factores que permiten aumentar su valor desde la perspectiva del Ciclo de Alto Rendimiento propuesto por Yoshio Kondo. Este modelo establece la relación entre objetivos claros y desafiantes, factores motivacionales, productividad y costos de no calidad. La investigación incluye análisis en campo, así como estudios longitudinales de satisfacción de la fuerza laboral en Argentina entre 2016-2022. Como primera conclusión, el Ciclo de Alto Rendimiento de Kondo validado en el contexto cultural de Argentina, muestra el impacto positivo de la mejora en el establecimiento de objetivos claros y desafiantes en el nivel de satisfacción tanto general (34%) como en el trabajo. Como segunda conclusión, el modelo muestra el lado humano de la calidad al enfatizar que ésta se halla más relacionada con la naturaleza humana que los métodos e indicadores. La reducción de los costos de la no calidad (14%) lleva al incremento en la productividad, y este dato al ser conocido por la fuerza laboral llevó al incremento en la satisfacción en el trabajo y por ende en la satisfacción general de la fuerza laboral. Finalmente, en términos de los aportes al área del Capital Humano, sus resultados no solo validan la Teoría del Establecimiento de Objetivos Claros y Desafiantes y la de Auto Eficiencia, sino que amplían el modelo del Ciclo de Alto Rendimiento planteado por Kondo. Al postular la presencia de variables adicionales futuras investigaciones permitirán mejorar y adaptar el valor predictivo del modelo a diferentes contextos organizacionales en Argentina