Ralun

Ralun / Guías de desempeño

Cómo las reuniones de calibración pueden introducir sesgos en la evaluación del desempeño

Isotipo oficial de RalunRalun · Lectura estimada: 22 min
CompartirLinkedInFacebook
Enlace

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

Correo
Tres responsables comparan evaluaciones con una misma evidencia; una participante detiene la discusión para revisar el criterio.

Una reunión de calibración puede cambiar una calificación con la intención de hacerla más justa y terminar introduciendo un sesgo nuevo.Este artículo muestra dónde aparece ese riesgo y propone 3 medidas para sostener la conversación en criterios y evidencias comparables.

Por qué la calibración puede crear sesgos

Estas reuniones, creadas para reducir los sesgos al revisar calificaciones, pueden terminar produciendo el efecto contrario.

En muchas empresas, la calibración es uno de los pasos finales del ciclo de evaluación del desempeño. El proceso suele comenzar cuando un jefe evalúa a cada colaborador directo y le asigna una calificación general. Después asiste a una reunión con otros jefes y líderes de mayor nivel para discutir y ajustar las notas de toda la organización. En la práctica, cada persona termina evaluada dos veces: por su jefatura y por un comité de calibración.

El objetivo es eliminar sesgos aplicando criterios consistentes y reduciendo los favoritismos que pueden aparecer durante el proceso. Y funciona, pero únicamente frente a un tipo de sesgo. Una investigación encontró que las reuniones de calibración reducen la indulgencia: la tendencia a calificar a las personas mejor de lo que corresponde a su desempeño real.

Sin embargo, esa misma investigación y nuestros análisis de datos de calibración revelan varias formas en que estas reuniones pueden introducir nuevos sesgos.

Por ejemplo, la investigación mostró que las reuniones aumentan la tendencia a concentrar las calificaciones en el centro de la escala, sin distinguir bien entre el desempeño alto, medio y bajo. Eso priva a colaboradores con desempeño medio o bajo de información crucial para mejorar. Además, puede enviarles un mensaje desmotivador: que no destacan y son simplemente «promedio». No es precisamente lo ideal.

Y ese no es el único sesgo que puede fomentar la calibración.

Lo que revelan las evaluaciones por consenso

Analizamos en profundidad las «evaluaciones por consenso» de un estudio jurídico y encontramos resultados preocupantes. Este mecanismo, habitual en ciertos despachos, funciona así: los socios evalúan a cada profesional con el que han trabajado. Los abogados evaluados nunca ven directamente esos informes. En lugar de eso, un grupo reducido de socios calibra las evaluaciones de sus supervisores y redacta una evaluación consensuada, que es la que recibe cada persona.

El procedimiento tiene fallas evidentes. El profesional nunca sabe quién dijo qué y tampoco puede pedir aclaraciones ni elaborar, junto a un supervisor concreto, un plan de mejora basado en sus comentarios.

Además, el sistema intensificó dos sesgos frecuentes. Uno es el de «tener que demostrarlo otra vez»: a ciertos grupos se les exige probar su capacidad una y otra vez, más que a otros. El segundo es el sesgo de la «cuerda floja»: se acepta una gama de comportamientos más amplia en algunos grupos, mientras que otros son juzgados con mayor dureza por conductas similares.

En el estudio jurídico, la calibración introdujo sesgos contra las mujeres racializadas que no aparecían en las evaluaciones de sus supervisores. Por ejemplo, entre abogados sénior, la diferencia entre el porcentaje de hombres blancos y el de mujeres racializadas considerados «valiosos» por sus responsables directos era de solo dos puntos porcentuales. En las evaluaciones por consenso, esa pequeña brecha se disparó hasta 34 puntos.

Bajo el supuesto de que los profesionales tenían una capacidad similar, concluimos que las reuniones habían reforzado estereotipos raciales y de género acerca de quién aporta valor. Esto ocurrió aun cuando quienes habían trabajado directamente con esas mujeres las valoraban prácticamente igual que a los hombres blancos.

Es significativo: la experiencia directa tiende a imponerse sobre los estereotipos. Cuando falta conocimiento de primera mano, los estereotipos ganan terreno. El patrón no afectaba solamente a personal relativamente nuevo; también se observaba entre abogados de mayor jerarquía.

Encontramos otra manifestación del sesgo de exigir pruebas repetidas entre las mujeres blancas. En las evaluaciones de supervisores, tenían doce puntos porcentuales más probabilidades que los hombres blancos de ser descritas como personas con potencial. Después de la calibración, tenían cinco puntos menos de probabilidades de que se mencionara su potencial.

Esto importa especialmente porque otro estudio encontró que hasta el 50 % de las diferencias de promoción entre hombres y mujeres podía atribuirse a diferencias en las calificaciones de potencial dentro de las evaluaciones del desempeño.

También identificamos sesgos de «cuerda floja», que suelen manifestarse en comentarios sobre la personalidad. En nuestros estudios, las personas racializadas recibían más observaciones sobre su personalidad que los hombres blancos. Una conducta aceptada en un hombre blanco podía calificarse como «difícil», «airada» o «intimidante» en alguien de otro grupo racial.

Las evaluaciones por consenso también intensificaron este problema. En las evaluaciones originales de los supervisores, había una diferencia de apenas dos puntos porcentuales entre hombres blancos y hombres racializados descritos como «personas agradables». Después de la calibración, los hombres racializados tenían once puntos más de probabilidades de recibir esa descripción.

¿Qué tiene de malo que alguien sea agradable? Un colaborador negro, uno de los pocos de su empresa, lo resumió así: «Una persona negra no puede progresar aquí si no es la mejor amiga de todo el mundo». Los hombres negros debían hacer bien su trabajo y, además, agradar a todos, mientras que a los hombres blancos les bastaba con el mérito profesional. Que «agradable» aparezca como atributo relevante de evaluación transmite ese mensaje.

Cuando el formato deja de ser justo

Las reuniones de calibración tienen formatos diferentes según la organización. Pero, si no existe una estructura clara, es probable que aparezcan problemas similares.

En una empresa tecnológica, por ejemplo, se dedicaron dos días a revisar cien evaluaciones. En ambas jornadas se acabó el tiempo. Así, las personas revisadas al comienzo recibieron mucha más atención que las evaluadas al final. Como ya vimos, si se juzga más a los hombres blancos por su potencial y no se aplica ese mismo criterio a los demás, quienes sean revisados al final de la jornada pueden terminar con notas más favorables que las mujeres o personas racializadas revisadas en ese mismo momento.

En otra empresa, el formulario tenía tantos criterios que era imposible discutirlos todos. Tampoco se documentaba lo que se decía sobre cada colaborador. Como resultado, las personas terminaban evaluadas con criterios distintos e inconsistentes.

El problema vuelve a ser el mismo: si no se compara a todas las personas utilizando los mismos criterios, las mismas escalas y evidencias pertinentes, los sesgos encuentran por dónde entrar.

En reuniones poco estructuradas hemos oído también conversaciones sobre asuntos privados: problemas matrimoniales, situación de maternidad o paternidad e incluso apariencia física. Son comentarios que nadie escribiría en una evaluación formal por una razón obvia: son improcedentes y no tienen relación con el desempeño.

Cuando una reunión es una discusión sin reglas, puede aparecer además el efecto de las campañas de influencia. Un antiguo alto directivo de una gran empresa llegó a recomendar que los colaboradores identificaran y cultivaran relaciones con los participantes de los comités de calibración antes de la reunión, para causar una buena impresión.

Esa estrategia podría favorecer a algunos, pero será más fácil para quienes ya pertenecen al grupo dominante —a menudo hombres blancos extrovertidos—. La cuestión fundamental es otra: nadie debería necesitar una campaña de relaciones para recibir una evaluación justa. La responsabilidad de garantizarla es de la organización.

Entonces, si las reuniones de calibración pueden convertirse en un caldo de cultivo para los sesgos, ¿deberíamos eliminarlas?

Puede ser la decisión adecuada para algunas organizaciones. Pero hay buenas noticias: pequeños cambios pueden interrumpir los sesgos durante la reunión y mejorar la equidad del proceso para todos los grupos.

3 medidas para reducir los sesgos de calibración

1. Enseñar a identificar los sesgos

La mayoría de las personas reconoce los estereotipos raciales, étnicos o de género, pero puede estar menos familiarizada con otras formas importantes de sesgo: «cuerda floja», «demuéstralo otra vez», «barrera de la maternidad o paternidad» y «competencia entre miembros de grupos desfavorecidos».

Recomendamos capacitar a todos los participantes de la calibración para reconocer estas dinámicas.

En un experimento con un estudio jurídico mediano, enseñar a quienes evaluaban a reconocer los sesgos redujo drásticamente los comentarios negativos sobre la personalidad de personas racializadas: pasaron del 14 % antes de la intervención al 0 % después.

2. Usar una rúbrica breve, consistente y basada en evidencias; exigir notas previas por escrito

Definir las competencias clave ayuda a evaluar a todas las personas con los mismos criterios relevantes para el puesto.

Recomendamos que cada participante entregue, antes de la reunión, dos o tres evidencias concretas que respalden su valoración escrita sobre si una competencia se ha demostrado o no.

Nuestra investigación muestra que cuando los jefes se comprometen de antemano con una calificación, son menos susceptibles a cambiarla simplemente porque un superior inicia la conversación expresando otra opinión.

En un experimento con una gran compañía minorista descubrimos que solo el 43 % de los colaboradores recibía feedback fundamentado en evidencias. Al reemplazar el sistema por una rúbrica con expectativas de desempeño breves, específicas y claras, a las jefaturas les resultó más sencillo sustentar las evaluaciones en hechos. El porcentaje de personas que recibió feedback basado en evidencias aumentó al 87 %.

3. Asignar a personas la tarea de detectar sesgos durante la reunión

Los «interruptores de sesgos» son participantes encargados específicamente de identificar señales de sesgo mientras se calibra.

Si la conversación se desvía hacia cuestiones irrelevantes —por ejemplo, cuánto agrada alguien a sus colegas—, estas personas pueden devolverla a los criterios acordados. A veces basta una pregunta: «¿Eso es relevante para la rúbrica?».

Cómo registrar una decisión con evidencia

Señales que conviene interrumpir en la reunión
SeñalRiesgoPregunta de control
Pedir pruebas repetidasUna persona debe demostrar más que otras el mismo nivel de capacidad¿Exigimos evidencia comparable a todas las candidaturas?
Comentarios de personalidadLa conversación se aparta de conducta y resultados¿Qué hecho observable sustenta esta calificación?
Criterios que cambianSe discute cada caso con una rúbrica distinta¿Aplicamos los mismos criterios definidos antes de la reunión?
Campañas de influenciaGana quien logra más apoyo informal¿La decisión quedó documentada con evidencia previa?

El cuadro resume riesgos descritos en el artículo para revisar decisiones; la reunión debe dejar constancia de qué criterio se aplicó y qué evidencia cambió la calificación.

Para preparar una reunión, puede ayudar revisar sesgos frecuentes, reunir evidencia de desempeño y comparar decisiones con una distribución de calificaciones sin convertirla en cuota.

Conclusión

Las evaluaciones del desempeño deberían dar confianza o despertar la conciencia de que es necesario mejorar. Que sean justas es esencial para el éxito empresarial: permite reconocer, promover y retener a quienes más contribuyen.

Aunque nuestra investigación encontró sesgos de género y raza en casi todas las organizaciones analizadas, no son inevitables. Un proceso más estructurado y basado en evidencias puede reducirlos considerablemente.

Una calibración justa requiere una rúbrica breve y compartida, notas previas y alguien que interrumpa argumentos basados en estereotipos o popularidad. La reunión tiene valor cuando mejora la evidencia de cada decisión y permite explicar el resultado a la persona evaluada.

Luis Grau

Te dejo un desafío

Antes de la próxima calibración, elige un criterio y pide a cada participante dos evidencias concretas por persona evaluada. Durante la reunión, registra cada cambio de calificación y la evidencia que lo justificó; revisa después si se aplicó el mismo estándar en todos los casos.

CompartirLinkedInFacebook
Enlace

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

Correo