La evaluación del desempeño arrastra dos problemas antiguos: criterios vagos y memoria selectiva. La tecnología puede aportar datos y constancia, pero si los criterios siguen sin estar escritos, solo automatiza la subjetividad y la disfraza de número con dos decimales. Y sin criterio previo, el número acaba mandando más que la persona.
Hay además un marco legal que no conviene ignorar. Los datos de los trabajadores se tratan con finalidad concreta, información previa y proporcionalidad. Antes de puntuar a alguien con un modelo, conviene preguntarse quién puede ver el resultado y qué se va a hacer con él.
Criterios antes que datos
Define tres o cuatro criterios observables y su peso antes de mirar cualquier dato. Cumplimiento de plazos, calidad del trabajo, atención al cliente o colaboración con el equipo. Si el criterio no se puede explicar con un ejemplo, no sirve para evaluar ni para automatizar nada.
Publica la escala antes del periodo de evaluación, no después. Cuando la gente sabe qué se mide, ajusta su trabajo a ello, para bien y para mal. Por eso conviene evitar métricas que premian volumen sin mirar calidad o que castigan tareas de soporte.
- Cada criterio, con un ejemplo real.
- Peso acordado y publicado.
- Misma escala para puestos similares.
Sesgos que los modelos heredan
Si entrenas con datos históricos, el modelo aprende también las decisiones injustas del pasado. Un equipo que nunca recibió proyectos grandes sale peor puntuado, no porque rinda menos. Revisa los resultados por grupo, pregunta por qué y documenta las correcciones antes de usar la puntuación.
- Datos históricos revisados por sesgo.
- Resultados comparados por grupo.
- Explicación por escrito de cada corrección.
RGPD y transparencia con el equipo
Informa de qué datos se usan, con qué fin y durante cuánto tiempo. No analices comunicaciones privadas ni midas presencia física si no es necesario. Permite que la persona vea su informe y lo comente. Una evaluación que el trabajador descubre al final genera desconfianza y problemas.
No conviertas una puntuación automática en una decisión disciplinaria sin revisión humana. La persona tiene derecho a saber cómo se ha valorado y a explicar el contexto.
Datos que sí aportan
Horas dedicadas, entregas a tiempo, incidencias resueltas y objetivos cumplidos son señales razonables si están bien definidas. La IA sirve para consolidarlas y para redactar un resumen equilibrado. Lo que no aporta es medir clics o mensajes como si fueran rendimiento, porque enseña a trabajar para la métrica.
Cruza siempre el dato con una muestra de casos reales. Una entrega a tiempo que se hizo mal no es un buen indicador. Revisa tres ejemplos al azar por persona y compara lo que dicen los números con lo que cuentan los propios clientes.
La conversación sigue siendo tuya
Un informe no sustituye a una reunión. Prepara el borrador con la IA, quita el tono de veredicto y añade contexto concreto. Escucha la versión de la otra parte y cierra con dos compromisos medibles. La evaluación vale cuando cambia algo, no cuando se archiva en una carpeta.
Anota los acuerdos y revísalos en la siguiente evaluación. Un compromiso que nadie vuelve a mencionar enseña al equipo que el proceso es un trámite. La constancia vale más que cualquier herramienta nueva que se compre a mitad de año.
Preguntas frecuentes
¿Puedo usar IA para puntuar a mi equipo?
Puedes usarla para ordenar datos y redactar borradores, con información previa y finalidad concreta. La decisión y la conversación deben seguir siendo humanas. Si el sistema afecta a condiciones laborales, conviene consultar antes con un asesor.
¿Qué datos de los empleados no debo tratar?
Los que no sean necesarios para la finalidad. Evita datos de salud, creencias o vida privada, y no analices mensajes personales. Tampoco uses videovigilancia para medir productividad. Menos datos suele significar menos riesgo y mejores decisiones.
¿Cómo evito que la evaluación sea arbitraria?
Escribe los criterios y su peso antes de evaluar, usa ejemplos y aplica la misma escala a puestos similares. Guarda la versión de los criterios y revisa los resultados por grupo. Si dos personas con el mismo desempeño reciben notas distintas, hay algo que corregir.