La retroalimentación continua del desempeño parece transformadora hasta que ves cómo la están implementando las empresas
Beneficio de la IA: La retroalimentación impulsada por IA puede proporcionar información en tiempo real y reducir los sesgos presentes en las evaluaciones tradicionales.
Calidad de los datos: Muchas organizaciones tienen dificultades debido a 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 influye en la confianza de los empleados y en la eficacia de la retroalimentación.
Brecha de implementación: Existe una desconexión cada vez mayor entre los posibles beneficios de la IA y su aplicación práctica en las organizaciones.
Ciclos de retroalimentación: Los ciclos de retroalimentación ineficaces pueden acortar los periodos entre evaluaciones, pero no resuelven los problemas de las evaluaciones anuales.
La retroalimentación continua sobre el desempeño impulsada por la IA ha pasado de estar en la lista de deseos de las conferencias a implementarse en empresas más rápido que la mayoría de las prácticas de gestión de personas de los últimos tiempos.
La propuesta es coherente entre los proveedores: aportes en tiempo real, menos sesgo de recencia y una retroalimentación que no esté determinada por cómo se sintió un gerente una tarde cualquiera.
Desde hace mucho tiempo, los empleados dicen que quieren aportes más frecuentes y específicos de los que ofrecen las evaluaciones anuales. Los sistemas asistidos por IA están diseñados exactamente para eso, pero la brecha entre la promesa y la implementación es cada vez más difícil de ignorar.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
El problema de la aprobación automática por parte del gerente
Los gerentes aprueban resúmenes generados por IA sin examinar los modelos que los produjeron.
Andrew Whyatt-Sames, psicólogo organizacional y cofundador de UptakeAI, que trabaja con organizaciones que implementan IA en procesos relacionados con las personas y el desempeño, ha observado que esto ocurre repetidamente.
«Cuando la IA genera un resumen del desempeño, la mayoría de los gerentes lo trata como un borrador que deben aprobar, en lugar de como un punto de partida que deben analizar en profundidad.»
Un gerente de línea, tres meses después del inicio de una implementación en una empresa de 2.000 personas, le dijo: "Decía 'buen comunicador' y estuve de acuerdo: los datos están ahí, ¿no?"
El modelo subyacente estaba ponderando la asistencia a reuniones como un indicador indirecto de la comunicación. Nadie se lo había comunicado a los gerentes.
Parte del problema es fundamental. Los sistemas de retroalimentación continua necesitan datos continuos y de alta calidad. La mayoría de las organizaciones no los tiene.
"Solo tiene el contexto que le das", dijo Matt Poepsel, vicepresidente de Optimización del Talento en The Predictive Index, cuando hablamos en la conferencia Transform en marzo. "Sería como pedirle consejo a un amigo sobre tu jefe y que te respondiera: 'En realidad no conozco a tu jefe; vas a tener que contarme más'."
Los datos sobre las personas, señaló, ya eran inconsistentes antes de que interviniera la IA. Descripciones de puestos extraídas de publicaciones obsoletas, evaluaciones de habilidades vinculadas a requisitos que han cambiado y perfiles conductuales que los gerentes nunca elaboraron porque nadie les enseñó a preguntar.
«Tenemos cantidades enormes de datos. La pregunta es si son los datos adecuados.»
Cuando los datos subyacentes son deficientes, la retroalimentación continua no se corrige por sí sola. Agrava el problema con una frecuencia mayor.
La transparencia es un problema en cualquier caso
Existe una dinámica de confianza que complica aún más la adopción. Como hemos explicado anteriormente, un estudio de 2021 publicado en Strategic Management Journal concluyó que la retroalimentación generada por IA supera a la retroalimentación de los gerentes humanos en resultados medibles, pero solo cuando los empleados no saben que proviene de una máquina. Una vez que se revela, las mejoras en el desempeño desaparecen.
Kamaria Scott, fundadora y directora ejecutiva de Enetic, ha observado directamente cómo se desarrolla el problema de la transparencia.
"Simplemente no mientas nunca al respecto", dijo. "Hay que ser transparente."
Los gerentes que dan retroalimentación generada por IA se arriesgan a que los empleados la descarten si revelan que intervino la IA. Quienes no lo hacen se enfrentan a un problema de transparencia que tiende a salir a la luz tarde o temprano.
Lo que está en juego, sostiene Scott, es si estos sistemas se utilizan como un punto de partida o como un punto final.
«La evaluación no es el objetivo final. La evaluación es el punto de partida de la conversación.»
Desde su perspectiva, el uso más defendible de la IA en la gestión del desempeño es como un aporte de datos que abre una conversación, no como un resumen independiente. «Algo que diga: “Este es un punto neutral desde el que podemos empezar” — eso es útil. Pero hay que llegar a un punto intermedio».
Los empleados saben qué se está midiendo
Según Whyatt-Sames, el problema de manipular el sistema suele aparecer unos seis meses después de la implementación.
Los empleados descubren qué está supervisando el sistema, normalmente a través de canales informales y no de ninguna comunicación oficial, y se adaptan en consecuencia. Más comentarios de seguimiento, más objetivos etiquetados, resultados que el sistema puede interpretar, en lugar de ser útiles para alguien. Un responsable de L&D con quien trabajó lo llamó «jugar con el panel».
El problema del volumen sigue una trayectoria similar. Las organizaciones miden la adopción contando la actividad, por lo que triplicar el volumen de comentarios parece un éxito.
«Cuando auditas los comentarios en sí, su utilidad práctica disminuye drásticamente», dijo Whyatt-Sames. «Se vuelven más breves, más formulistas y se concentran en aquello que el sistema recompensa.
La inversión de la relación entre señal y ruido a menudo solo sale a la luz cuando alguien hace una retrospectiva, momento en el que el patrón ya está firmemente establecido.
Cuando el trabajo en sí se comparte con un agente
Scott planteó en marzo una pregunta que aún no ha encontrado una respuesta clara: «¿Cómo es el desempeño si las propias personas ya no hacen el trabajo, o si los agentes hacen la mitad? ¿Cómo van a evaluar mi desempeño como persona por un trabajo que ya ni siquiera hago completamente yo?»
Es una pregunta que la mayoría de las implementaciones actuales no están diseñadas para abordar. Siguen midiendo el resultado individual en un contexto en el que los límites de la contribución individual están cada vez menos definidos.
El diagnóstico de Whyatt-Sames sobre por qué persisten estos problemas conecta los distintos modos de fallo individuales.
«Las organizaciones tratan la capa de IA como la solución y se saltan la arquitectura del cambio», afirmó. «El sistema genera los comentarios; nadie pregunta si esos comentarios cambian el comportamiento. Ese es un problema de diseño de la implementación, y en la mayoría de las implementaciones no hay nadie cuyo trabajo consista en resolverlo.
En cuanto a lo que está en juego, Poepsel lo expresó claramente.
«Cada decisión relacionada con las personas es una decisión de alto riesgo. Tenemos que abordarla con cuidado para poder avanzar tan rápido como queramos».
El argumento a favor de la retroalimentación continua asistida por IA sigue siendo válido. Lo que no lo es es la suposición de que implementar la tecnología resuelve el problema de gestión que se creó para solucionar.
