IA en la gestión del desempeño: retroalimentación, objetivos y borradores de evaluaciones

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La IA en la gestión del desempeño consiste en usar software, normalmente un modelo de lenguaje de gran tamaño, para ayudar con el trabajo administrativo y los recordatorios en torno al desempeño: redactar y afinar objetivos, reunir y resumir la retroalimentación durante el año y preparar primeros borradores de evaluaciones que el gerente luego edita, asume y entrega. Acelera la redacción y la detección de patrones. No decide, ni debería decidir, quién recibe una buena calificación, un mejor pago o un ascenso.

Esta guía está dirigida a líderes de recursos humanos, gerentes de personas y a cualquiera a quien le pidan aprobar una función de «evaluación asistida por IA». Cubre qué hace bien la IA en cada etapa del ciclo, dónde falla sin que se note y cómo configurarla para que los gerentes sigan siendo responsables de cada juicio sobre una persona. Forma parte de la sección IA en recursos humanos. Si su pregunta es otra, cómo evaluar a personas cuyo propio trabajo cuenta con mucha ayuda de la IA, eso se trata en la gestión del desempeño cuando la IA hace el trabajo.

Datos clave

• Un metaanálisis de intervenciones de retroalimentación en Psychological Bulletin reunió 607 tamaños de efecto de 23 663 observaciones. La retroalimentación mejoró el desempeño en promedio (d = 0,41), pero más de un tercio de los efectos fueron negativos (Kluger and DeNisi, 1996, APA). Más retroalimentación no es automáticamente mejor retroalimentación.
• La investigación sobre definición de objetivos halla que los objetivos específicos y difíciles conducen a un mayor desempeño que pedir a las personas que den lo mejor de sí, con tamaños de efecto en metaanálisis de entre 0,42 y 0,80, y que los objetivos más una retroalimentación resumida superan a los objetivos solos (Locke and Latham, 2002, American Psychologist).
• Gallup encontró que el 61% de los empleados que reciben de su gerente retroalimentación y reconocimiento al menos una vez por semana está comprometido, frente al 38% de quienes reciben retroalimentación semanal pero menos reconocimiento. Solo el 27% de los empleados dijo que le gustaría recibir retroalimentación de su gerente al menos una vez por semana (Gallup, October 2024).
• Investigadores que probaron modelos de lenguaje con 600 ensayos de estudiantes hallaron que intercambiar indicios de género cambiaba más la retroalimentación en la dirección de hombre a mujer que en la inversa, con una retroalimentación más controladora ante indicios femeninos (Du, Borchers and Cukurova, arXiv). Eran datos educativos, no laborales, pero el mecanismo es el que recursos humanos debe poner a prueba.
• El Anexo III de la EU AI Act enumera como de alto riesgo los sistemas de IA destinados a tomar decisiones sobre ascensos o despidos, a asignar tareas según el comportamiento o los rasgos individuales, o a supervisar y evaluar el desempeño y el comportamiento de los trabajadores (Regulation (EU) 2024/1689, EUR-Lex). La Comisión indica que las reglas de alto riesgo para ámbitos como el empleo se aplican desde el 2 de diciembre de 2027 (European Commission).

Qué hace realmente la IA en el ciclo de desempeño

En términos del ACE Framework, las herramientas de desempeño ingieren texto (documentos de objetivos, notas de seguimiento, comentarios de pares) y algunos datos estructurados (calificaciones, fechas, metas), los analizan y resumen, y generan borradores. Los patrones son la investigación generativa (reunir un año de notas) y el copiloto de flujo de trabajo (sugerir lo siguiente que un gerente debería escribir o hacer). Nada de eso requiere que un modelo prediga algo sobre una persona, y las implantaciones más seguras lo mantienen así.

Así se aplica al ciclo.

El resumen honesto: la IA es buena en el primer 80% de la redacción y mala en el último 20% que contiene el juicio real. Manténgala en la primera parte.

Definición de objetivos: donde más ayuda la IA

La investigación sobre la definición de objetivos es uno de los hallazgos más sólidos de la psicología aplicada. Los objetivos específicos y difíciles superan al «dé lo mejor de sí», y la combinación de un objetivo y retroalimentación regular sobre el avance supera a un objetivo solo. El problema en la mayoría de las empresas no es la teoría, sino que los objetivos se escriben una vez al año, con prisa y en lenguaje vago.

Ahí es donde un asistente se gana su lugar. Si le da un objetivo aproximado, puede proponer una versión con una medida, un plazo y un primer hito. Un gerente de customer success que escribe «mejorar la retención» puede recibir «reducir el churn del segmento mid-market desde la tasa actual hasta una meta antes de que termine el tercer trimestre, con una revisión mensual de las cuentas en riesgo». Un líder de equipo de software puede convertir «mejorar la calidad del código» en un objetivo sobre el tiempo de respuesta de las revisiones y los defectos que llegan a producción.

Tres reglas hacen que esto funcione.

1. El empleado propone, la herramienta afina. Si la IA escribe el objetivo desde cero, la persona no se ha comprometido con él, y el compromiso es lo que hace que los objetivos funcionen.
2. Revise usted la dificultad. Un modelo no puede saber qué es un reto para esta persona en este territorio. Los gerentes deben ajustar la meta después de conversarla.
3. Vincule los objetivos al trabajo, no a la actividad. Pida al asistente que señale los objetivos que miden esfuerzo (llamadas hechas, tickets cerrados) cuando lo que importa es un resultado. Esto importa aún más cuando la IA infla la producción, que es un problema distinto del de esta guía.

Retroalimentación continua: útil, pero fácil de hacer mal

El análisis de Gallup de octubre de 2024 vincula la retroalimentación frecuente acompañada de reconocimiento con un mayor compromiso, y también muestra una brecha: solo el 27% de los empleados quiere retroalimentación semanal de su gerente, y solo uno de cada cuatro está muy de acuerdo en que recibe retroalimentación valiosa de las personas con quienes trabaja. Eso debería hacer que cualquiera sea cauteloso con una herramienta cuyo argumento de venta es «más retroalimentación, más a menudo».

El metaanálisis de Kluger y DeNisi es el contrapeso aleccionador. La retroalimentación ayudó en promedio, pero más de un tercio de los efectos fueron negativos. Aplicado a la retroalimentación asistida por IA, el consejo práctico es claro.

• Use la IA para que la retroalimentación sea específica y esté centrada en la tarea. «La secuencia de correos de onboarding que lanzó redujo el tiempo hasta el primer uso, y el segundo correo es el que hay que reescribir» supera a «buen trabajo, siga así» o «tiene que ser más estratégico».
• Úsela para resumir, no para puntuar. Reunir cinco comentarios de pares en tres temas recurrentes es un buen trabajo para un modelo. Producir un número para la «colaboración» de alguien no lo es.
• Use recordatorios, no volumen. Un aviso a un gerente que lleva tres semanas sin una reunión individual aporta valor. Un torrente de elogios generados automáticamente, no.
• Mantenga el reconocimiento en manos humanas. Los datos de Gallup apuntan a la combinación de retroalimentación y reconocimiento por parte del gerente. Un agradecimiento redactado por una máquina que se nota que lo es rara vez cuenta. Combine esto con las señales que se tratan en la IA para el compromiso de los empleados.

Redacción de evaluaciones: papeleo más rápido, riesgos reales

La temporada de evaluaciones es cuando los gerentes dedican más horas, así que es donde la IA resulta más tentadora. Un gerente pega notas y objetivos, y el modelo devuelve en segundos un texto estructurado. El artículo sobre IA generativa para equipos de recursos humanos cubre las técnicas de redacción; esto es lo específico de las evaluaciones.

Lo que hace bien. Organiza notas dispersas por objetivo, corrige la gramática, acorta párrafos divagantes y ofrece alternativas a frases cargadas. Para un gerente que escribe doce evaluaciones al año y no disfruta escribir, elimina una barrera real.

Lo que hace mal.

• Texto soso e intercambiable. Los modelos producen elogios plausibles y críticas plausibles. Dos empleados con años muy distintos pueden terminar con párrafos casi idénticos.
• Detalles inventados. Un modelo al que se le pide «desarrollar» una nota escueta puede añadir logros o incidentes que nunca ocurrieron. Es el problema de la alucinación (alucinación de la IA), y en una evaluación se convierte en una afirmación falsa en el expediente de alguien.
• Lenguaje sesgado. Los resultados de un modelo de lenguaje reflejan patrones de sus datos de entrenamiento. En el estudio educativo citado antes, los intercambios contrafactuales de género desplazaron la retroalimentación, con un lenguaje que fomentaba más la autonomía ante indicios masculinos y un lenguaje más controlador ante indicios femeninos. Otro artículo sobre cartas de recomendación escritas por modelos de lenguaje halló un sesgo de género significativo en el estilo del lenguaje y la elección de palabras (Wan et al., arXiv). Las evaluaciones de desempeño son el mismo género de texto.
• Anclaje. Un borrador pulido es difícil de rebatir. Los gerentes tienden a aceptarlo y retocarlo, de modo que el encuadre del modelo se convierte discretamente en el veredicto.

Una disciplina sencilla ayuda: el gerente escribe primero el juicio (la justificación de la calificación en pocas frases claras), y la IA ayuda con la estructura y la redacción que lo rodean, no al revés.

Ejemplos reales por función

Ventas. Un gerente de ventas lleva notas semanales en viñetas de cada representante. A mitad de año, el asistente agrupa las notas por objetivo (cobertura del pipeline, win rate, precisión del forecast) y redacta un resumen. La gerente elimina dos afirmaciones que las notas no respaldan, añade contexto sobre un cambio de territorio y escribe ella misma la justificación de la calificación.

Ingeniería. Un líder de equipo pide al asistente que reescriba objetivos vagos como «ser responsable de la fiabilidad» en objetivos medibles, y luego los revisa con cada ingeniero. Los ingenieros objetan una meta, y la cifra final es suya.

Atención al cliente. Un gerente de soporte usa la IA para resumir los temas de los comentarios de control de calidad y de la retroalimentación de clientes de cada agente. El resumen se convierte en el punto de partida de una conversación de coaching, no en una puntuación automática.

HR business partner. Antes de la calibración, el socio estratégico revisa los borradores de evaluaciones en busca de lenguaje que difiere según el grupo: elogios vagos para unas personas y específicos para otras, comentarios sobre la personalidad en lugar de sobre el comportamiento. Esto saca a la luz patrones que los gerentes deben corregir. No cambia ninguna calificación por sí solo.

Equidad y responsabilidad del gerente

Dos preguntas deciden si esto sale bien: ¿es justo y quién responde cuando no lo es?

Equidad. Trate cualquier proceso de evaluación asistido por IA como algo que hay que probar, no en lo que confiar. Compare la extensión, la especificidad y el tono de los borradores según género, edad, ubicación y antigüedad. Fíjese en a quién le dicen «tiene que ser más asertivo» y a quién «gran compañero de equipo». Donde la ley le permita analizar características protegidas, revise las calificaciones y los resultados de ascensos por grupo antes y después de introducir la herramienta.

Responsabilidad. El gerente firma la evaluación. Eso debe seguir siendo cierto en la política y en la práctica. Déjelo por escrito:

• La IA puede redactar y resumir, y el gerente es responsable de cada afirmación.
• El empleado debe saber que la IA ayudó a preparar el documento, y qué datos se usaron.
• Las decisiones sobre calificaciones, pago y ascensos las toman personas, y una persona debe poder explicar las razones en lenguaje sencillo. Este es el principio de human-in-the-loop (persona en el circuito).
• Un empleado puede pedir una corrección, y la atiende una persona, no una herramienta.

Exposición legal. En la UE, el Artículo 22 del GDPR da a las personas el derecho a no ser objeto de una decisión basada únicamente en un tratamiento automatizado, incluida la elaboración de perfiles, que les afecte significativamente, y sus salvaguardas incluyen el derecho a la intervención humana y a impugnar la decisión (GDPR, EUR-Lex). El Anexo III de la AI Act apunta en la misma dirección para los sistemas que evalúan a los trabajadores. Las reglas en otros lugares difieren y siguen cambiando, así que involucre a un asesor jurídico para cada jurisdicción. La prueba práctica: si la herramienta influye en una decisión sobre el pago, el ascenso o el empleo de alguien, trátela como de alto riesgo y mantenga a una persona a cargo.

Puntuaciones predictivas. Evite usar los datos de las evaluaciones para predecir quién renunciará o quién tiene «potencial» sin salvaguardas sólidas. Y conecte cualquier decisión de pago vinculada a las calificaciones con la guía de la IA en la planificación de compensación.

Cómo implantar la IA en la gestión del desempeño, paso a paso

1. Elija una etapa. Empiece con la redacción de objetivos o el resumen de notas. Tienen menos riesgo que la calificación o la calibración.
2. Defina las líneas rojas. La IA no produce calificaciones, clasificaciones, recomendaciones de ascenso ni justificaciones de despido. Déjelo por escrito antes de cualquier piloto.
3. Arregle los insumos. Un modelo que resume notas escasas o unilaterales produce resúmenes escasos o unilaterales. Acuerde qué evidencia deben registrar los gerentes durante el año. Los fundamentos de datos de recursos humanos para la IA cubren la base de trabajo.
4. Elija una herramienta con los controles adecuados. Busque una configuración empresarial en la que los datos de los empleados no se usen para entrenar modelos públicos, el acceso esté limitado por rol y cada borrador muestre en qué se basó.
5. Capacite a los gerentes. Cubra cómo dar buenas instrucciones, cómo detectar detalles inventados y cómo reescribir el juicio con sus propias palabras. Una hora en esto vale más que un recorrido por las funciones.
6. Haga un piloto con ciclo de retroalimentación. Ejecute una función durante un ciclo. Pregunte a los gerentes cuánto tiempo ahorró y a los empleados si las evaluaciones les parecieron más o menos precisas y personales.
7. Pruebe el sesgo. Compare los borradores y los resultados finales entre grupos. Corrija las instrucciones y las plantillas cuando encuentre brechas.
8. Informe a los empleados. Explique para qué se usa la IA, para qué no y cómo plantear una inquietud.
9. Mida lo que importa. Dé seguimiento al tiempo dedicado por evaluación, las puntuaciones de calidad de los empleados, los cambios en la distribución de calificaciones y el número de correcciones. El tiempo ahorrado por sí solo es una mala medida de éxito.
10. Revise cada año. Los modelos, las regulaciones y su propia plantilla cambian. Reconfirme las líneas rojas y las pruebas en cada ciclo.

Errores comunes

• Dejar que el borrador se convierta en el veredicto. Haga que los gerentes escriban la justificación de la calificación antes de ver cualquier texto de la IA.
• Medir el volumen de retroalimentación. La frecuencia sin valor no ayuda. Solo uno de cada cuatro empleados está muy de acuerdo en que la retroalimentación que recibe es valiosa.
• Elogios generados automáticamente. Los empleados lo notan, y abarata el reconocimiento genuino.
• Detalles sin revisar. Exija que los gerentes comparen con sus notas cada logro o incidente de un borrador.
• Usar la herramienta para clasificar. Pasar de resumir a puntuar convierte una ayuda de redacción en un sistema de alto riesgo.
• Omitir la prueba de sesgo. Si no compara los resultados entre grupos, no lo sabrá.
• Sin divulgación. El uso oculto de la IA erosiona la confianza en cuanto alguien lo descubre.

Siguientes pasos

• Para el panorama más amplio de la IA en recursos humanos, comience con IA en recursos humanos.
• Para ver cómo el trabajo asistido por IA cambia lo que debería evaluar, lea la gestión del desempeño cuando la IA hace el trabajo.
• Para herramientas de tipo agente que reúnen automáticamente el material de las evaluaciones, vea el agente de IA de evaluación del desempeño.
• Para ver cómo los objetivos y la retroalimentación pueden alimentar un inventario de habilidades, lea la inferencia de habilidades con IA.