La retroalimentación continua sobre el 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, obsoletos o incoherentes que afectan a 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: La desconexión entre los posibles beneficios de la IA y su aplicación práctica en las organizaciones es cada vez mayor.
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 del desempeño, una parte fundamental de la gestión del desempeño en tiempo real, ha pasado de ser un deseo para las conferencias a implementarse en las empresas más rápidamente que la mayoría de las prácticas de gestión de personas de los últimos tiempos, con la IA impulsando cada vez más estos sistemas.
La propuesta es coherente entre los proveedores: aportaciones en tiempo real, menor sesgo de recencia y comentarios que no están determinados por cómo se sintió un gerente una tarde determinada.
Desde hace tiempo, los empleados afirman que quieren aportaciones más frecuentes y específicas de las que ofrecen las evaluaciones anuales. Los sistemas asistidos por IA están diseñados exactamente para eso, pero la brecha entre la promesa y la implementación resulta 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 del gerente
Los gerentes aprueban resúmenes generados por IA sin examinar los modelos que los han producido.
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 sucede repetidamente.
«Cuando la IA genera un resumen del desempeño, la mayoría de los gerentes lo trata como un borrador que debe aprobarse en lugar de como un punto de partida que debe cuestionarse.»
Un gerente de línea, que llevaba tres meses en 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 ponderaba la asistencia a reuniones como 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», afirmó 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 dijera: “En realidad no conozco a tu jefe; tendrás que contarme más”».
Los datos sobre las personas, señaló, ya eran incoherentes antes de que interviniera la IA. Descripciones de puestos extraídas de ofertas desactualizadas, evaluaciones de competencias vinculadas a requisitos que han cambiado y perfiles de comportamiento que los gerentes nunca elaboraron porque nadie les enseñó a preguntar.
«Tenemos una gran cantidad de datos. La cuestión 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 mayor frecuencia.
La divulgación es un problema en cualquier caso
Existe una dinámica de confianza que complica aún más la adopción. Como ya hemos explicado anteriormente, un estudio de 2021 publicado en el 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 procede 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 el problema de la divulgación.
«Simplemente no mientas nunca al respecto», afirmó. «Hay que ser transparente».
Los gerentes que ofrecen 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 divulgación que tiende a salir a la luz tarde o temprano.
Lo que está en juego, sostiene Scott, es si estos sistemas se utilizan como punto de partida o como punto final.
«La evaluación no es el objetivo final. La evaluación es el inicio de la conversación.»
En su opinión, el uso más defendible de la IA en la gestión del desempeño es como un dato de entrada que abre un debate, no como un resumen independiente. "Algo que diga: 'Este es un punto de partida neutral para nosotros' — eso resulta útil. Pero hay que llegar a un punto intermedio."
Los empleados saben qué se mide
Según Whyatt-Sames, el problema de la manipulación del sistema suele surgir 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 son legibles para el sistema en lugar de útiles para cualquiera. Un responsable de L&D con quien trabajó lo llamó «jugar con el panel de control».
El problema del volumen sigue una trayectoria similar. Las organizaciones miden la adopción mediante recuentos de actividad, por lo que triplicar el volumen de comentarios parece un éxito.
«Cuando auditas los comentarios en sí, su aplicabilidad disminuye drásticamente», afirmó Whyatt-Sames. «Se vuelven más breves, más estereotipados 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 realiza una retrospectiva, momento en el que el patrón ya está bien consolidado.
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 no realizan el trabajo, o si los agentes hacen la mitad del trabajo? ¿Cómo se va a evaluar mi desempeño como persona por un trabajo que ya ni siquiera realizo completamente yo?"
Es una pregunta que la mayoría de las implementaciones actuales no están diseñadas para abordar. Siguen midiendo la producción 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 la mayoría de las implementaciones no cuentan con nadie cuyo trabajo consista en cerrarlo.»
En cuanto a lo que está en juego, Poepsel lo expresó claramente.
"Toda decisión relativa a las personas es una decisión de alto riesgo. Tenemos que actuar con prudencia 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 para cuya solución se creó.
