Ralun

Ralun / Guías de desempeño

Evaluación continua del desempeño con IA: oportunidades y riesgos

Isotipo oficial de RalunRalun · Lectura estimada: 14 min
CompartirLinkedInFacebook
Enlace

Selecciona el enlace y usa la opción Copiar de tu dispositivo.

Correo
Dos profesionales examinan un gráfico de desempeño en un collage fotográfico monocromo con trazo morado.

Una organización puede registrar señales del trabajo cada día y aun así equivocarse al evaluar a las personas. Si convierte clics, tiempos de respuesta o uso de herramientas en una nota automática, corre el riesgo de confundir actividad con contribución y de generar vigilancia.

La evaluación continua con IA puede servir para aprender y adaptar tareas si se interpreta con contexto y se conecta con apoyo real. Este artículo explica las oportunidades, los riesgos y tres condiciones para aplicarla con legitimidad.

Del registro al aprendizaje

Durante gran parte de la historia de la aviación, la formación de pilotos se organizaba alrededor de dos resultados: acumular una cantidad determinada de horas de vuelo y obtener la certificación para operar un tipo específico de aeronave. Las aerolíneas consideraban esos logros una prueba sólida de competencia.

Sin embargo, a medida que las cabinas se han automatizado, las aerolíneas han tenido que desarrollar nuevas formas de comprender las capacidades de sus pilotos. Saber que alguien ha acumulado miles de horas de vuelo dice poco sobre cómo responderá ante situaciones excepcionales, marcadas por la incertidumbre. En esos momentos importan especialmente la percepción del riesgo y la calidad de las decisiones.

Para evaluar esas capacidades, hoy se utilizan sistemas avanzados de seguimiento de datos. Durante cada vuelo registran miles de señales y permiten detectar patrones de toma de decisiones, tiempos de reacción y cumplimiento de procedimientos bajo condiciones cambiantes.

En otras palabras, los pilotos empiezan a ser evaluados de manera continua, a partir de cómo vuelan realmente.

Lo que ocurre en las cabinas anticipa una transformación que podría extenderse a numerosos sectores y ocupaciones: sistemas capaces de observar el desempeño mientras ocurre, identificar patrones y problemas, y facilitar el aprendizaje en tiempo real.

Algo parecido podría suceder en los quirófanos. Ya existen sistemas de inteligencia artificial que analizan videos endoscópicos, siguen los movimientos de los instrumentos y detectan desviaciones técnicas durante una intervención. Esto apunta hacia un futuro en el que la capacidad de un cirujano pueda evaluarse procedimiento por procedimiento, en lugar de certificarse una sola vez y asumir que se mantiene sin cambios.

Esta evolución ofrece oportunidades importantes, pero también riesgos. Para comprenderlos, conviene examinar cómo están cambiando el trabajo, las habilidades y la manera de evaluar a las personas.

Los beneficios y los riesgos son reales

Para muchos trabajadores, un sistema que registra lo que hacen a lo largo de la jornada puede parecer menos una herramienta de aprendizaje y más un mecanismo de vigilancia.

Esa tensión quedó de manifiesto cuando una gran empresa tecnológica comenzó a instalar software en los computadores de sus trabajadores en Estados Unidos para registrar movimientos del mouse, clics, pulsaciones del teclado y capturas ocasionales de pantalla.

La organización explicó que utilizaría esos datos para entrenar sistemas de inteligencia artificial, no para evaluar el desempeño de sus empleados. Sin embargo, la iniciativa provocó una fuerte reacción interna.

El caso demuestra lo rápido que un sistema de observación continua puede perder legitimidad cuando las personas lo perciben como obligatorio, opaco y orientado a extraer información sin ofrecer beneficios claros.

Existe un segundo riesgo: que la organización termine concentrándose exclusivamente en aquello que puede medir.

Cuando ocurre, los trabajadores optimizan sus comportamientos para mejorar los indicadores, aunque esos indicadores no representen lo que realmente importa.

Por eso, los sistemas deben dejar espacio para experimentar, desarrollar nuevas habilidades y explorar métodos que todavía no están reflejados en los datos.

Si se diseñan bien, la evaluación continua no debería restringir el comportamiento. Debería ofrecer un entorno más claro para aprender.

Una responsable con experiencia en la gestión de grandes fuerzas laborales distribuidas planteó una distinción esencial: el propósito no puede ser vigilar por vigilar.

Los sistemas más saludables utilizan la evaluación para impulsar crecimiento, mentoría y adaptación. Si las personas solo experimentan medición, sin recibir apoyo, la organización genera miedo. Cuando la medición se acompaña de coaching, actualización de habilidades y transparencia, los trabajadores suelen estar más dispuestos a participar en los cambios.

Esta distinción resulta especialmente importante en un contexto en el que la inteligencia artificial está transformando rápidamente las tareas.

Del puesto de trabajo a las habilidades, y de las habilidades al desempeño real

Durante mucho tiempo, las organizaciones trataron los puestos como conjuntos relativamente fijos de responsabilidades.

La idea era asignar personas a paquetes predeterminados de tareas y modificar esas definiciones solo de vez en cuando.

En las décadas de 1990 y 2000, el trabajo del conocimiento comenzó a organizarse cada vez más alrededor de proyectos e iniciativas transversales. El modelo tradicional basado en puestos y jefaturas empezó a mostrar sus límites.

Las actividades requerían combinaciones específicas de habilidades, pero las empresas no siempre sabían quién las poseía, quién tenía disponibilidad o dónde podrían aprovecharse mejor.

El sistema tenía dificultades para conectar capacidades con oportunidades.

Para responder a ese problema surgió el enfoque de las organizaciones basadas en habilidades.

Las empresas comenzaron a catalogar las capacidades que sostenían sus operaciones. Esa descripción más detallada permitía relacionar tareas con personas que poseían las habilidades necesarias, independientemente de su cargo formal.

También facilitaba la formación de equipos transversales.

Durante un tiempo, el modelo funcionó porque las habilidades requeridas se mantenían suficientemente estables para orientar decisiones.

La inteligencia artificial está cambiando esa condición.

A medida que sus capacidades avanzan, la división del trabajo entre personas y máquinas se modifica continuamente.

Los sistemas automatizados asumen tareas que antes requerían conocimientos especializados. Por eso, las organizaciones necesitan volver a preguntarse qué capacidades humanas siguen siendo relevantes y por qué.

Además, cuando una herramienta puede realizar una tarea que antes requería una habilidad escasa, esa habilidad se vuelve más accesible y puede perder parte de su valor diferencial.

Una competencia que conservaba su importancia durante años puede dejar de distinguir a una empresa en un solo ciclo de producto, si un competidor aprende más rápido o si una herramienta incorpora esa capacidad y la pone al alcance de todos.

Esto genera un desafío organizacional nuevo.

Para tener éxito, las empresas necesitan detectar cómo cambian las capacidades mientras se realiza el trabajo y utilizar esa información para asignar mejor las tareas.

La evaluación continua puede ayudar a resolverlo.

Tres condiciones necesarias

Algunas organizaciones ya están experimentando con componentes de evaluación continua, aunque no siempre los presenten con ese nombre.

Muchas iniciativas aparecen como proyectos de productividad, capacitación, asignación de personal o mejora de procesos.

Sin embargo, consideradas en conjunto, apuntan hacia un sistema más maduro: uno en el que la evaluación depende menos de revisiones periódicas y más de evidencias recogidas durante el trabajo real.

Para construirlo, el artículo identifica tres acciones fundamentales.

1. Cambiar lo que consideramos evidencia de capacidad

La primera condición es observar señales del trabajo efectivo.

Las evaluaciones periódicas y las declaraciones de habilidades ya no bastan para comprender cómo evoluciona el desempeño.

Es necesario considerar evidencias que aparecen mientras se trabaja: cambios de código, conversaciones con clientes, patrones de colaboración y uso de herramientas.

Un ejemplo es un sistema de inteligencia artificial para identificar habilidades que analiza información de correos, documentos, reuniones, chats y patrones de colaboración.

A partir de esas señales, intenta inferir en qué están trabajando las personas, qué conocimientos aplican, con quién colaboran y cómo evolucionan sus capacidades.

Después relaciona la información con una taxonomía de habilidades que incorpora vínculos entre más de 39.000 competencias o habilidades.

El resultado es un perfil dinámico que puede actualizarse a medida que una persona realiza nuevas actividades.

Esto no ofrece una imagen perfecta de la capacidad ni reemplaza el juicio humano.

Pero representa un cambio importante: en lugar de registrar ocasionalmente las habilidades que una persona declara tener, la organización comienza a inferir qué capacidades demuestra mientras trabaja.

La diferencia entre ambas aproximaciones es sustancial.

Una declaración indica lo que alguien considera que sabe hacer. Una señal de trabajo puede aportar evidencia de cómo aplica esa habilidad en situaciones concretas.

Al mismo tiempo, interpretar esas señales exige prudencia: la actividad registrada no equivale automáticamente a calidad, competencia o contribución.

2. Analizar el trabajo al nivel de cada tarea

La segunda condición es comprender cómo se distribuyen y reorganizan las tareas entre personas e inteligencia artificial.

La observación continua recoge señales de actividades individuales y de los flujos de trabajo.

Esto permite identificar quién está adaptándose a las nuevas herramientas y qué tareas están siendo absorbidas por sistemas automatizados.

Si una herramienta puede ejecutar una actividad que antes requería una habilidad especialmente valorada, la organización necesita descubrirlo pronto.

De lo contrario, puede seguir contratando personas y diseñando puestos alrededor de capacidades cuya escasez ya está disminuyendo.

Un ejemplo aparece en el desarrollo de software.

Una empresa de servicios financieros utiliza agentes internos que escriben bloques de código de manera autónoma y los presentan para revisión humana antes de que lleguen a producción.

En febrero de 2026, la organización informó que se incorporaban semanalmente a producción más de 1.300 contribuciones escritas completamente por inteligencia artificial y revisadas por personas, sin código escrito por humanos dentro de esas contribuciones.

Cada una de ellas ofrece una señal sobre cómo está cambiando la división del trabajo.

La organización puede observar qué parte de una tarea se delegó al agente, qué elementos corrigió o reescribió un ingeniero y qué resultados superaron las etapas de revisión, pruebas y despliegue.

Con el tiempo, esa información puede mostrar qué tareas están asumiendo las herramientas y qué profesionales están aprendiendo a descomponer, supervisar e integrar mejor el trabajo generado por inteligencia artificial.

Es importante distinguir la evidencia de la posibilidad: el ejemplo no establece claramente que esos datos ya se utilicen para evaluaciones formales de capacidad o para reasignar trabajadores. Lo que sí demuestra es que las señales al nivel de cada tarea ya están disponibles.

Este cambio también aparece en otras herramientas de desarrollo asistido por inteligencia artificial.

Ahora es posible registrar qué sugerencias se aceptan, cuáles se rechazan, cuándo se utiliza un asistente conversacional o un agente y si el resultado final supera revisiones, pruebas y despliegues.

Las métricas de adopción de asistentes de programación ofrecen a los administradores empresariales visibilidad sobre su uso.

En una implementación que involucró a más de 400 desarrolladores, se estudiaron tasas de aceptación de sugerencias y de líneas de código, junto con comentarios de los profesionales.

El estudio informó una aceptación promedio del 33% de las sugerencias y del 20% de las líneas propuestas.

Estas cifras no deben interpretarse automáticamente como notas de desempeño individual.

Su valor está en mostrar aspectos concretos de la colaboración entre personas y herramientas.

La evaluación que empieza a surgir es diferente de la medición tradicional de productividad: no se limita a contar productos terminados, sino que intenta comprender qué partes del trabajo están siendo automatizadas y cuáles siguen dependiendo del juicio humano.

3. Cerrar el ciclo entre información y acción

La tercera condición es utilizar los hallazgos para cambiar decisiones reales.

Observar el trabajo solo tiene valor si ayuda a asignar tareas, desarrollar personas, rediseñar funciones y planificar el futuro.

Una iniciativa empresarial descrita en el artículo busca construir una comprensión dinámica de qué trabajo deberían seguir realizando las personas y qué actividades pueden asumir los agentes.

Para ello, propone combinar información del mercado laboral global, datos específicos de las fuerzas laborales de cada organización y registros en tiempo real del desempeño de agentes de inteligencia artificial.

El objetivo es ayudar a los líderes a modelar cómo debería configurarse su fuerza laboral.

La expectativa es que esta información permita recomendar nuevas maneras de organizar tareas y combinar funciones humanas con agentes.

Se trata de una dirección propuesta para el desarrollo de estos sistemas, no de un resultado que el artículo demuestre ya alcanzado.

El paso final consiste en transformar la información en apoyo durante el trabajo.

En lugar de separar completamente la capacitación de la ejecución, la organización puede ofrecer orientación en el momento en que una persona la necesita.

Un sistema de asistencia a agentes de atención al cliente, por ejemplo, puede entregar recordatorios y conocimientos relevantes durante una llamada, antes de que termine la conversación.

Así, el trabajador aprende mientras atiende al cliente, sin esperar al siguiente ciclo formal de formación.

Algunas organizaciones también han comenzado a experimentar con modelos de coaching apoyados por inteligencia artificial para sus equipos de ingeniería.

El principio es el mismo: la evaluación debe conectarse con oportunidades inmediatas de mejora.

Pasar del «qué» al «por qué»

Una vez que la organización puede observar lo que ocurre, necesita comprender por qué ocurre.

Esta distinción es fundamental.

Un cambio en el desempeño puede reflejar desarrollo de habilidades, pero también cansancio, problemas de coordinación o fallas del proceso.

Volvamos a la aviación.

Una reacción tardía en la cabina no puede interpretarse de manera aislada como una falta de competencia del piloto.

Podría deberse a fatiga o a dificultades en la coordinación de la tripulación.

Por eso, los sistemas de seguimiento aeronáutico combinan datos operativos con información contextual, en lugar de tratar cada variación como un problema individual.

La misma lógica comienza a trasladarse al trabajo del conocimiento.

Los sistemas de coaching con inteligencia artificial utilizados en centros de atención pueden ayudar a formar trabajadores, pero también a distinguir un desempeño insuficiente de un flujo de trabajo defectuoso.

Con el tiempo, una organización que aprende desarrolla la capacidad de interpretar mejor estas diferencias.

Ese es el punto en el que la evaluación continua puede dejar de parecer vigilancia y convertirse en aprendizaje organizacional.

Si solo se registra que una persona tardó demasiado en resolver una tarea, el sistema puede producir una conclusión injusta.

Si también comprende que faltaba información, que el procedimiento estaba mal diseñado o que una herramienta falló, puede ayudar a corregir el problema verdadero.

La evaluación continua necesita contexto, no solo más datos.

Una nueva manera de planificar la estrategia

La transformación del trabajo impulsada por inteligencia artificial exige revisar un supuesto central de la planificación: que los puestos, las habilidades y la división del trabajo permanecen relativamente estables.

En un entorno que cambia en tiempo real, esas suposiciones pueden perder validez rápidamente.

La estrategia debe volverse más dinámica y apoyarse en una visión detallada y actualizada de dónde están apareciendo, debilitándose o desplazándose las capacidades entre personas y máquinas.

La organización necesita comprender no solo cuántos trabajadores tiene o qué cargos ocupan, sino también qué pueden hacer actualmente, qué están aprendiendo y qué tareas pueden asumir las herramientas.

Esto afecta la contratación, la formación, la movilidad interna, el diseño de puestos y la asignación de recursos.

Pero el principal desafío para avanzar hacia la evaluación continua no es tecnológico.

Es un desafío de gobernanza.

La gobernanza importa más que la tecnología

Los líderes deben definir con claridad qué señales se recogerán, cómo se interpretarán y para qué podrán utilizarse.

También deben explicar qué decisiones se tomarán con esa información y cómo se protegerá la legitimidad del sistema frente a los trabajadores.

La evaluación debe presentarse y utilizarse de manera transparente para apoyar aprendizaje y adaptación, no como un mecanismo opaco de vigilancia y control.

Sin esa claridad, incluso un sistema técnicamente avanzado puede generar resistencia, miedo y conductas orientadas a satisfacer indicadores.

Con una gobernanza adecuada, en cambio, la información puede ayudar a comprender capacidades reales, detectar necesidades de desarrollo y reorganizar el trabajo de manera más inteligente.

Durante distintas etapas de la historia, las organizaciones se estructuraron principalmente alrededor de funciones, procesos y proyectos.

El artículo propone que la siguiente etapa podría organizarse alrededor de la preparación para actuar: la capacidad continuamente actualizada de una organización para responder en la frontera cambiante de colaboración entre personas y máquinas.

Las empresas que aprendan a gobernar esta transformación podrán superar etiquetas de puestos y habilidades que envejecen rápidamente.

Podrán asignar el trabajo según capacidades observadas y adaptarse a una velocidad mayor que la que permiten los ciclos tradicionales de planificación.

La idea central es sencilla, aunque sus consecuencias sean profundas: medir continuamente solo tiene sentido cuando esa información ayuda a las personas y a la organización a aprender, mejorar y adaptarse.

Conclusión

La evaluación continua puede conectar el desempeño con aprendizaje, asignación de tareas y desarrollo. Para hacerlo de forma legítima, las organizaciones deben explicar qué señales usan, interpretarlas con contexto y ofrecer apoyo real. Más datos, por sí solos, no equivalen a mejores decisiones.

Luis Grau

Te dejo un desafío

Esta semana, elige una señal de desempeño que tu equipo registra. Pregunta qué capacidad demuestra, qué contexto falta y qué apoyo recibiría la persona. Si la señal no orienta una decisión de aprendizaje, revisa para qué la estás recogiendo.

CompartirLinkedInFacebook
Enlace

Selecciona el enlace y usa la opción Copiar de tu dispositivo.

Correo