La Retroalimentación Continua del Desempeño suena transformadora hasta que ves cómo la implementan las empresas
Beneficio de la IA: La retroalimentación impulsada por IA puede ofrecer información en tiempo real y reducir sesgos presentes en las evaluaciones tradicionales.
Calidad de los datos: Muchas organizaciones luchan con datos insuficientes, desactualizados o inconsistentes que afectan la calidad de la retroalimentación.
Problemas de confianza: La transparencia en la retroalimentación generada por IA es crucial; la divulgación afecta la confianza de los empleados y la eficacia de la retroalimentación.
Brecha de implementación: Existe una desconexión creciente entre los beneficios potenciales de la IA y su aplicación práctica en las organizaciones.
Ciclos de retroalimentación: Ciclos de retroalimentación ineficaces pueden acortar el ciclo de evaluación pero no resuelven los problemas de las revisiones anuales.
La retroalimentación continua sobre el desempeño impulsada por IA ha pasado de ser un deseo en conferencias a implementarse a nivel empresarial más rápido que la mayoría de las prácticas modernas de gestión de personas.
La propuesta es constante entre los proveedores: información en tiempo real, menor sesgo de inmediatez y comentarios que no dependen del estado de ánimo del gerente en un momento dado.
Los empleados llevan tiempo pidiendo opiniones más frecuentes y específicas de las que brindan las evaluaciones anuales. Los sistemas asistidos por IA están diseñados para esto, pero la brecha entre la promesa y la implementación se hace cada vez más difícil de ignorar.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
El problema del visto bueno automático del gerente
Los gerentes están aprobando resúmenes generados por IA sin examinar los modelos que los producen.
Andrew Whyatt-Sames, psicólogo organizacional y cofundador de UptakeAI, que colabora con organizaciones que implementan IA en procesos de personas y desempeño, ha visto esto repetirse muchas veces.
«Cuando la IA genera un resumen de desempeño, la mayoría de los gerentes lo trata como un borrador para aprobar, en lugar de un punto de partida para cuestionar.»
Un jefe de equipo, tres meses después de implementar el sistema en una empresa de 2,000 personas, le comentó: “Decía ‘buen comunicador’ y estuve de acuerdo — los datos están ahí, ¿no?”
El modelo tomaba la asistencia a reuniones como un indicador de comunicación. Nadie les había informado eso a los gerentes.
El problema es, en parte, fundamental. Los sistemas de retroalimentación continua requieren datos continuos y de alta calidad. La mayoría de organizaciones no los tienen.
“Solo tiene el contexto que le das”, dijo Matt Poepsel, vicepresidente de Optimización del Talento en The Predictive Index, cuando conversamos en la conferencia Transform en marzo. “Sería como pedirle un consejo a un amigo sobre tu jefe y que te diga: ‘En realidad no conozco a tu jefe — vas a tener que contarme más’.”
Según él, los datos sobre personas ya eran inconsistentes antes de que se incorporara la IA. Descripciones de puesto sacadas de vacantes antiguas, evaluaciones de habilidades basadas en requerimientos que han cambiado, perfiles de comportamiento que los gerentes nunca elaboraron porque nadie les enseñó cómo preguntar.
«Tenemos montones de datos. La pregunta es si son los datos adecuados.»
Cuando los datos que sustentan el sistema son débiles, la retroalimentación continua no corrige el problema por sí sola. Lo agrava con mayor frecuencia.
La divulgación es problemática en cualquier caso
Hay una dinámica de confianza que dificulta aún más la adopción. Como mencionamos anteriormente, un estudio de 2021 publicado en el Strategic Management Journal halló que la retroalimentación generada por IA supera a la de los gerentes humanos en resultados medibles, pero solo cuando los empleados no saben que proviene de una máquina. En cuanto se revela, las mejoras en el desempeño desaparecen.
Kamaria Scott, fundadora y CEO de Enetic, ha presenciado directamente el problema de la divulgación.
“Simplemente nunca mientas al respecto,” afirmó. “Tienes que ser transparente.”
Los gerentes que revelan cuando la retroalimentación fue generada por IA corren el riesgo de que los empleados la descarten. Aquellos que no lo hacen enfrentan un problema de transparencia que, por lo general, termina saliendo a la luz.
Scott argumenta que lo que está en juego es si estos sistemas se utilizan como un punto de partida o como el punto final.
«La evaluación no es el objetivo final. La evaluación es el punto de partida para la conversación.»
En su opinión, el uso más defendible de la IA en la gestión del desempeño es como un insumo de datos que abre un debate, no como un resumen independiente. "Algo que diga: 'Este es un punto neutral desde donde empezar', eso es útil. Pero tienes que llegar a un punto intermedio."
Los empleados saben qué se está midiendo
El problema de la manipulación tiende a surgir aproximadamente a los seis meses de la implementación, según Whyatt-Sames.
Los empleados aprenden qué monitorea el sistema, generalmente a través de canales informales en lugar de comunicados oficiales, y se adaptan en consecuencia. Más comentarios en los check-ins, más objetivos etiquetados, resultados que sean legibles para el sistema aunque no útiles para nadie. Un responsable de L&D con el que trabajó lo llamó "jugar con el tablero".
El problema del volumen sigue un patrón similar. Las organizaciones miden la adopción por la cantidad de actividad, así que el triple de comentarios en los feedbacks parece un éxito.
"Cuando auditas el propio feedback, la capacidad de llevarlo a la acción cae drásticamente", dijo Whyatt-Sames. "Se vuelve más corto, más formulista y se concentra en aquello que el sistema recompensa."
La inversión entre señal y ruido suele salir a la luz solo cuando alguien realiza una retrospectiva; para entonces, el patrón ya está muy arraigado.
Cuando el trabajo en sí es compartido con un agente
Scott planteó una pregunta en marzo que aún no tiene una respuesta clara: "¿Cómo se ve el desempeño si las personas no están realizando el trabajo en sí, o los agentes hacen la mitad? ¿Cómo vas a evaluar mi desempeño como persona si ya ni siquiera hago completamente el trabajo yo misma?"
Es una pregunta que la mayoría de las implementaciones actuales no están diseñadas para abordar. Todavía están midiendo el rendimiento individual en un contexto donde los límites de la contribución individual son cada vez menos claros.
El diagnóstico de Whyatt-Sames sobre por qué persisten estos problemas conecta los modos de fallo individuales.
"Las organizaciones tratan la capa de IA como la solución y omiten la arquitectura del cambio", dijo. "El sistema genera el feedback; nadie se pregunta si el feedback cambia el comportamiento. Ese es un problema de diseño de despliegue, y la mayoría de las implementaciones no cuentan con alguien encargado de cerrarlo."
En cuanto a la verdadera importancia de fondo, Poepsel lo expresó con claridad.
"Toda decisión sobre personas es una decisión de alto riesgo. Debemos ser reflexivos para poder actuar con la rapidez que deseamos."
La justificación para un feedback continuo asistido por IA sigue siendo válida. La suposición de que implementar la tecnología resuelve el problema de gestión para la que fue creada, no.