Ralun

Ralun / Guías de desempeño

La gestión del desempeño necesita nuevas métricas en la era de la inteligencia artificial

Isotipo oficial de RalunRalun · Lectura estimada: 31 min
CompartirLinkedInFacebook
Enlace

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

Correo
Dos profesionales revisan resultados de IA y tres niveles de medición, conectados por un trazo violeta.

Un equipo entrega más trabajo gracias a la IA, pero las evaluaciones siguen contando solo velocidad y volumen. Así puede parecer excelente un resultado que nadie verificó.Separar lo que aporta la persona, lo que hace el sistema y lo que producen juntos permite medir calidad, juicio y responsabilidad con más precisión.

Cómo evaluar por separado la contribución de las personas, el funcionamiento de los sistemas de inteligencia artificial y los resultados que ambos producen al trabajar juntos.

¿Qué significa desempeñarse bien cuando el trabajo es realizado por personas que utilizan IA? ¿Cómo pueden los líderes asegurarse de que la velocidad y la eficiencia no se consigan a costa del criterio y la responsabilidad?

Son preguntas decisivas. Las empresas invierten grandes recursos en inteligencia artificial y sus directivos deben demostrar que esas inversiones generan resultados.

Una encuesta periódica sobre liderazgo de datos e IA señaló que el 91% de las organizaciones estaba aumentando su inversión en inteligencia artificial y que el 99% la consideraba una prioridad principal. Sin embargo, apenas el 18% afirmaba obtener un nivel alto de valor empresarial medible de esas inversiones.

La IA ya ha mejorado la velocidad y la calidad de diversas tareas. Pero la mayoría de las organizaciones todavía no ha rediseñado sus sistemas de evaluación de desempeño para reflejar ese cambio.

A partir de investigaciones recientes y experiencias de implementación, se propone aquí un modelo de medición de tres niveles: métricas de contribución humana, métricas de los sistemas y agentes de IA, y métricas del sistema conjunto formado por personas e IA.

La paradoja del desempeño humano

Hoy muchas empresas siguen evaluando a quienes trabajan con IA mediante indicadores familiares: productividad, cumplimiento de objetivos y eficiencia.

Eso crea una paradoja. Un empleado que depende demasiado de la IA puede parecer extraordinariamente productivo, mientras quien se detiene a comprobar premisas, cuestionar resultados o corregir errores puede parecer menos eficiente precisamente cuando está aportando más valor.

Así, los líderes corren el riesgo de recompensar la dependencia excesiva de la IA y castigar el criterio humano que evita errores costosos. Optimizarían la cantidad de productos entregados, en lugar de los resultados que realmente importan.

Ya hay indicios de las consecuencias de mantener indicadores antiguos. En una encuesta de un proveedor de tecnología, el 10% de los empleados admitió haber manipulado datos para que la IA pareciera funcionar peor.

No debería sorprender. Cuando la dirección presenta la IA principalmente como un instrumento para reducir dotaciones, las personas sienten que necesitan demostrar que superan a la tecnología en los indicadores convencionales, porque perciben que su empleo está amenazado.

Pero usar indicadores inadecuados es solo parte del problema y, probablemente, la más fácil de corregir. La gestión del desempeño ya presentaba deficiencias importantes antes de la llegada masiva de la IA generativa.

En una encuesta de 2024, solo el 2% de los máximos responsables de recursos humanos de un grupo de grandes corporaciones estuvo completamente de acuerdo en que su sistema de gestión del desempeño inspiraba a los empleados a mejorar. Apenas el 20% de las personas encuestadas expresó plena conformidad con que sus evaluaciones fueran justas o transparentes.

No hay muchos motivos para pensar que la situación haya mejorado sustancialmente. Un informe de enero indicó que el 84% de las compañías todavía no había rediseñado puestos, procesos o trayectorias de carrera alrededor de la IA. Solo el 30% ofrecía incentivos vinculados al desempeño por el uso de esta tecnología.

Muchas organizaciones se han concentrado en capacitar a sus trabajadores. Sin embargo, los preparan para una forma nueva de trabajar mientras siguen midiéndolos como antes.

El supuesto equivocado es que el objetivo continúa siendo hacer más de lo mismo, solo que más rápido.

La combinación de indicadores desalineados y sistemas de evaluación deficientes alimenta un déficit de confianza.

Las expectativas de crecimiento impulsado por IA siguen siendo elevadas entre los directivos, aunque otro análisis concluyó que apenas una de cada 50 inversiones en IA producía valor transformador y que solo una de cada cinco generaba algún retorno medible.

Los trabajadores detectan con claridad las diferencias entre el discurso de la dirección y lo que realmente sucede. En esa distancia entre las expectativas de las juntas directivas y la experiencia cotidiana es donde la gestión del desempeño comienza a fallar.

¿Qué es un buen desempeño en la era de la IA?

Los indicadores tradicionales fueron diseñados para un trabajo compuesto por tareas delimitadas, repetibles y asignadas a una sola persona.

La IA puede automatizar muchas de ellas: redactar borradores, resumir, traducir, producir código estándar y realizar análisis preliminares.

En un experimento de campo con más de 750 trabajadores del conocimiento, el acceso a un modelo avanzado de IA aumentó la velocidad en más del 25% y mejoró la finalización de tareas en un 12,2%. También permitió obtener soluciones de una calidad significativamente superior cuando las tareas estaban dentro de las capacidades del modelo.

Pero la misma investigación demuestra el peligro de medir solo la producción. Cuando los participantes recibían una tarea apenas fuera de las capacidades de la IA, quienes tenían acceso a la herramienta mostraron un 19% menos de probabilidad de obtener una solución correcta que quienes trabajaban sin ella.

Los investigadores describieron este fenómeno como una «frontera tecnológica irregular»: la IA puede ser extraordinariamente competente en algunas tareas y fallar de forma abrupta en otras aparentemente muy parecidas.

Si el sistema de evaluación recompensa entregar más rápido sin comprobar la exactitud, incentiva que las personas lleven la tecnología más allá de su capacidad confiable y confíen en que el resultado sea correcto.

Otros estudios revelan que los indicadores antiguos tampoco reflejan bien de dónde procede el valor.

En una investigación, la asistencia mediante IA aumentó la productividad aproximadamente un 14% en promedio, pero los beneficios se concentraron en personas con menos experiencia.

Los empleados experimentados obtuvieron pequeñas mejoras de velocidad y ligeras disminuciones de calidad.

Sin embargo, los expertos aportan valor mediante el diagnóstico, la detección de casos excepcionales, la validación de premisas y la orientación a otros sobre cuándo no deben confiar en la herramienta. Pocas organizaciones elegirían conscientemente sacrificar esas contribuciones.

También existe un riesgo más sutil y de largo plazo. Experimentos controlados muestran que la exposición repetida a respuestas sesgadas de IA puede amplificar los sesgos humanos en juicios perceptivos, emocionales y sociales.

Los participantes suelen desconocer cuánto influyó la tecnología sobre sus decisiones. Así, una persona que parece guiarse por los datos puede estar incorporando silenciosamente los sesgos del modelo, y los sistemas tradicionales de desempeño no están preparados para detectarlo.

A esto se suma la proliferación del trabajo generado deprisa con IA pero de baja calidad: entregables redundantes, con errores y escaso valor de contenido.

Este tipo de trabajo desperdicia el tiempo de quienes lo reciben y deteriora la percepción sobre los colegas que lo envían, afectando la cohesión de los equipos.

Medir volumen sin medir precisión no solo conduce a evaluaciones equivocadas: puede empeorar el desempeño.

Las jefaturas ya informan dificultades para revisar todo lo que sus equipos producen. Actividades que antes tomaban una semana pueden ejecutarse en horas, pero asegurar su calidad sigue requiriendo tiempo de líderes experimentados.

La IA capaz de ejecutar tareas de manera autónoma añade otra dificultad.

La mayoría de las organizaciones ha tratado la IA como una herramienta empleada por un trabajador. Aunque apenas el 11% ha conseguido desplegar agentes de IA en entornos de producción, su entrada en los procesos crea un problema de «codesempeño».

Cuando un resultado procede de un sistema mixto, debemos responder simultáneamente tres preguntas: ¿qué tan bien se desempeñó la persona?, ¿qué tan bien funcionó el sistema de IA?, ¿qué tan bien trabajaron ambos en conjunto?

Una investigación sobre control algorítmico muestra que los agentes pueden influir en el comportamiento de manera parecida a una jefatura: recomendar o restringir trabajo, registrar y calificar resultados, y activar decisiones de recompensa o sustitución.

Sin medición y gobernanza diferenciadas sobre el agente y la persona, desaparece la posibilidad de exigir responsabilidades claras a cualquiera de los dos.

Cuando la ficha de desempeño del trabajador y la del agente se fusionan en un solo documento, ninguna representa correctamente lo ocurrido.

Un nuevo marco de medición de tres niveles

La propuesta consiste en distinguir el desempeño de la persona, el de los sistemas y agentes de IA, y el resultado combinado.

Cada nivel debería contar con pocos indicadores, revisados con frecuencia —mensual o trimestralmente— y relacionados con decisiones visibles, como coaching, asignación de personal, promociones y gobernanza de herramientas.

Qué medir en cada nivel
NivelPregunta principal
Contribución humana¿Dónde aportó juicio, coordinación y aprendizaje la persona?
Sistema de IA¿Cumplió objetivos, explicó resultados y escaló excepciones?
Sistema humano-IA¿Mejoró el resultado conjunto, sin ocultar quién aportó el valor?

Nivel 1. Indicadores de contribución humana

Para comprender la contribución real de los trabajadores, hay que reducir el peso de los productos que la IA puede multiplicar fácilmente y prestar atención a capacidades humanas decisivas.

Tres dimensiones resultan relevantes en diferentes tipos de puestos: juicio sobre los límites de la IA, coordinación de herramientas y personas, y velocidad de aprendizaje.

A. Juicio sobre los límites de la IA

La pregunta fundamental es: ¿qué tan confiablemente reconoce alguien que la IA está fuera de su ámbito de competencia, y qué hace después?

Tasa de precisión de las escalaciones. Una escalación se considera justificada cuando una auditoría posterior confirma que el resultado de la IA era incorrecto, incompleto o excedía su campo de competencia confiable.

Puntuación de trazabilidad de fuentes. Comprueba si se documentan de forma transparente el origen de los datos, su fecha de creación y el modelo utilizado. Debe definirse con anticipación el tamaño de la muestra; por ejemplo, auditar el 20% de todos los entregables trimestrales.

Índice de calidad de las correcciones humanas. Una modificación se considera justificada si el empleado deja constancia de la razón: error del resultado, datos desactualizados, ausencia de contexto u otra causa comprobable. Las correcciones injustificadas reducen la puntuación.

B. Capacidad de coordinación u orquestación

No basta con que una persona incremente su producción individual. También importa si utiliza herramientas de IA para mejorar el rendimiento del equipo y facilitar el trabajo de otros.

Tasa de adopción de IA en el equipo. Debe acompañarse de una segmentación según la profundidad de uso: esporádico (menos de dos veces por semana), regular (de dos a cuatro veces por semana) e integrado (diariamente y en tareas distintas). Importa la distribución entre segmentos, no solo la tasa global.

Índice de contribución al flujo de trabajo. Se propone ponderar las mejoras realizadas por una persona: proceso completamente nuevo (1,0); optimización de un proceso existente (0,5); documentación y difusión del aprendizaje (bonificación de 0,25). El registro se realiza trimestralmente.

Relación entre volumen de trabajo y dotación. Se sigue como una serie temporal. Más importante que el valor absoluto es su evolución: una mejora con un equipo de igual o menor tamaño puede indicar una coordinación eficaz.

C. Velocidad de aprendizaje

La pregunta es si una persona se adapta conforme cambian las herramientas, los procesos y las políticas.

Invertir en el desarrollo estructurado de capacidades para usar IA transmite un mensaje relevante: dominar la tecnología es una oportunidad de progreso y no necesariamente una amenaza para la continuidad laboral.

Demora en la adopción de herramientas. Días laborables entre el lanzamiento oficial y el primer uso productivo documentado. Cuanto menor sea el tiempo, mayor será la velocidad de aprendizaje. Puede analizarse individualmente o como promedio de equipo.

Tasa de transferencia de la formación a la práctica. Mide cambios de conducta documentados: el trabajador o su jefatura deben registrar al menos un ejemplo concreto de aplicación dentro de los 30 días posteriores a completar la capacitación.

Tasa de experimentación. Un experimento es un intento documentado de probar una aplicación nueva, una estrategia de instrucciones para la IA o una combinación de herramientas, independientemente del resultado. Su objetivo es fomentar una cultura de aprendizaje en la que los intentos fallidos no se castiguen.

Nivel 2. Indicadores de los sistemas y agentes de IA

La exactitud del modelo y su disponibilidad operativa no bastan, especialmente cuando los agentes pueden actuar en varias etapas.

Tres dimensiones permiten comprender mejor su funcionamiento: cumplimiento de objetivos, explicabilidad y trazabilidad, y calidad de las escalaciones.

A. Cumplimiento de objetivos

¿El agente realizó lo que debía dentro de los límites establecidos?

Tasa de finalización de tareas. Una tarea está correctamente completada cuando el resultado cumple criterios de aceptación definidos con anticipación sin necesitar corrección humana ni un nuevo envío. Conviene medirlo por agente, tipo de tarea y a lo largo del tiempo para detectar cambios o deterioro del desempeño.

Tasa de errores. Los errores deben clasificarse por gravedad —críticos, moderados o menores— y registrarse junto con su causa raíz. Una tasa total baja que oculte muchos errores críticos es un riesgo importante y debe informarse por separado.

Índice de desviación de objetivos. Resulta especialmente pertinente en agentes que ejecutan varios pasos. Detecta situaciones en las que un sistema optimizó un indicador sustituto, fácil de medir, en lugar de perseguir el resultado que realmente se le había pedido.

B. Explicabilidad y trazabilidad

¿Podemos entender por qué el sistema hizo lo que hizo? ¿Podemos demostrarlo?

Tasa de documentación de fuentes de las respuestas. Cada resultado debería permitir identificar datos de entrada, versión del modelo y contexto de recuperación de información. Es posible auditar una muestra definida, como el 20% de los resultados por período. Una tasa baja supone un riesgo importante en entornos regulados.

Puntuación de reproducibilidad. Se vuelve a ejecutar una muestra aleatoria de resultados utilizando los parámetros registrados. Cuando entradas equivalentes producen resultados suficientemente consistentes, el sistema es auditable. Una variación superior a un umbral predefinido —por ejemplo, más del 5%— obliga a revisar la trazabilidad.

Puntuación de suficiencia de las explicaciones. Un panel de revisión humano —especialistas técnicos, responsables de cumplimiento o usuarios, según el contexto— evalúa si el agente entrega una justificación suficientemente clara. Se necesita una rúbrica definida para que las calificaciones de distintos evaluadores sean consistentes.

C. Calidad de las escalaciones

Cuando el agente llega al límite de lo que debería manejar por sí mismo, ¿actúa correctamente?

Esta es una de las dimensiones más importantes de los sistemas autónomos, porque constituye la vía práctica para mantener la supervisión humana.

Precisión del encaminamiento de casos excepcionales. Los casos se definen anticipadamente por categoría de riesgo, como decisiones de alto valor, nuevos tipos de entrada o eventos sujetos a exigencias regulatorias. El encaminamiento es correcto si el asunto llega al nivel de escalación adecuado dentro del plazo previsto.

Tasa de escalaciones falsas. Un agente que escala demasiado genera carga operativa y debilita la confianza de quienes lo usan. Este indicador ayuda a equilibrar sensibilidad y especificidad del mecanismo de escalación.

Tasa de apoyo a la intervención humana. Mide si la arquitectura permite realmente que una persona intervenga y anule una decisión, no solo si existe una opción teórica. Cada intento fallido u obstaculizado de intervención es una falla crítica del sistema, aunque ocurra pocas veces.

Nivel 3. Indicadores del sistema humano-IA

Por último, hay que evaluar si la combinación de personas e inteligencia artificial obtiene mejores resultados que cualquiera de las dos por separado.

Es una distinción tan importante como difícil de medir, porque exige disponer de abundantes datos. Cuando una organización cuenta con los recursos necesarios, puede utilizar estas métricas.

Tasa de sustitución por IA. Registra la proporción de trabajo en la que las personas han salido efectivamente del ciclo de ejecución o control. Su aumento no es necesariamente malo; sin embargo, combinado con una disminución de la calidad o un crecimiento de los errores, puede mostrar que la generación de valor está dando paso a su destrucción.

Índice de complementariedad. Mide la proporción de casos donde la participación humana produjo una diferencia demostrable, por ejemplo al descubrir un error, reformular el problema o añadir juicio contextual. Un resultado alto indica complementariedad genuina y no una aprobación automática. Un resultado bajo puede significar dos cosas muy distintas: un agente extraordinariamente competente o un trabajador poco involucrado. Cada situación exige una respuesta diferente.

Relación de atribución del valor. Requiere descomponer el valor total producido en la parte atribuible a la ejecución de IA y la que procede del juicio, la selección, la interpretación o las correcciones humanas. Es difícil de calcular metodológicamente, pero estratégico. Conforme crece la capacidad de la IA, esta relación cambia. Seguirla permite saber si la organización invierte en las capacidades humanas correctas o las está vaciando de contenido de manera gradual.

Cómo rediseñar la gestión del desempeño

No hace falta reconstruir todos los procesos de golpe.

El punto de partida es elegir un flujo de trabajo donde la IA ya esté modificando la manera de operar: atención al cliente, propuestas comerciales, elaboración de políticas, desarrollo de software o reportes financieros.

Después, se recomiendan cuatro pasos.

1. Representar las tareas frente a la frontera de capacidad de la IA

Divide el proceso en clases de trabajo: tareas rutinarias, tareas que requieren mucho juicio, actividades de alto riesgo y actividades intensivas en relaciones humanas.

Identifica dónde aparece la frontera irregular: tareas en las que los resultados de la IA parecen plausibles, pero son incorrectos con frecuencia.

Este mapa es la base de los siguientes cambios.

2. Rediseñar los indicadores antes que el formulario de calificación

Sustituye el volumen de producción por un conjunto pequeño de indicadores anticipatorios: verificaciones de trazabilidad superadas, calidad de las escalaciones, reducción del trabajo repetido, evolución de la experiencia del cliente y contribución al desempeño del equipo.

Cambiar primero la escala o el formulario, sin revisar lo que realmente se mide, no resuelve el problema.

3. Separar el desarrollo de las decisiones retributivas

Si una misma señal generada por IA se utiliza simultáneamente para orientar a las personas y determinar su remuneración, los trabajadores pueden interpretarla como vigilancia.

Cuando saben qué datos se usan, qué decisiones dependen de ellos y cómo pueden cuestionarlos, la medición se acerca más al acompañamiento y la mejora.

Sin esa transparencia, incluso los indicadores bien construidos pueden experimentarse como un mecanismo de control.

4. Asignar responsabilidades explícitas sobre la IA

Cuando la IA forma parte de un proceso, la organización debe responder tres preguntas antes de que aparezca un problema:

¿Podía el trabajador identificar el error de la IA, considerando la información y el tiempo de que disponía?

¿El diseño del sistema le ofrecía incentivos y herramientas adecuados para comprobar la respuesta?

¿El fallo ocurrió dentro de las capacidades conocidas de la herramienta o se la utilizó en una tarea para la cual nunca fue diseñada?

Estas preguntas —controlabilidad, diseño del sistema y gobernanza— determinan dónde debería recaer la responsabilidad.

Sin esa definición, «mantener a una persona en el circuito» se convierte en una expresión vacía que, en la práctica, puede significar que nadie responde por el resultado.

La organización debe designar a un responsable de cada herramienta o agente. Puede ser el dueño del producto, un líder de operaciones o la persona a cargo de datos, analítica e inteligencia artificial.

Esa persona responde por el desempeño, los límites de seguridad y las actualizaciones del agente.

Conviene publicar su ficha de indicadores —la del segundo nivel del modelo— y actualizarla cada vez que cambie el ámbito de acción autorizado del sistema.

Cuando se produzca un problema, la pregunta no debe limitarse a «¿quién entregó este producto?». También habrá que poder responder «¿quién era responsable del comportamiento de este sistema?».

El éxito de la IA exige reconocer el valor humano

Las organizaciones enfrentan una paradoja: miden el desempeño de un modo que premia la velocidad de entrega, pero no detecta premisas ausentes, no reconoce a la persona que habría advertido el error y tampoco exige responsabilidad al sistema de IA.

Las empresas capaces de mejorar serán las que rediseñen su gestión del desempeño para hacer visible lo que hoy permanece oculto: el juicio sobre los límites de la tecnología, la calidad de la colaboración entre personas y agentes, y la responsabilidad por los resultados.

Si esperan hasta que los agentes estén profundamente integrados en los procesos, tendrán que reconstruir los mecanismos de responsabilidad cuando esos mismos procesos ya dependan de ellos.

La recomendación es empezar ahora: rediseñar un flujo de trabajo, aplicar tres niveles de medición y resolver las preguntas de responsabilidad antes de que el primer incidente obligue a hacerlo.

Para llevar este marco a la práctica, consulta también cómo evaluar el desempeño con criterios claros y cómo convertir los resultados en feedback aplicable.

Luis Grau

Te dejo un desafío

Elige un flujo de trabajo donde ya se use IA. Anota una medida de juicio humano, una de calidad del sistema y una del resultado conjunto. Después define quién revisará un error, cuándo se escalará y qué evidencia quedará para la evaluación.

CompartirLinkedInFacebook
Enlace

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

Correo