Cada vez más managers admiten que evaluar equipos con IA es más difícil que antes de adoptarla. Una encuesta de Nielsen a 1.700 directivos y mandos de siete países, encargada por Monday.com, indica que más de la mitad de los líderes tiene más dificultades para valorar el trabajo de sus empleados desde que la empresa incorporó inteligencia artificial. El motivo es sencillo: los entregables llegan pulidos y ya no se distingue qué aportó la persona y qué aportó la herramienta. Es un problema de gobernanza, no de productividad.
Evaluar equipos con IA: qué ha pasado y por qué importa
El dato central es que más de la mitad de los managers encuestados reconoce más dificultad para evaluar a su gente tras adoptar IA. No hablan de que el trabajo sea peor, sino de que es más difícil de juzgar. Un informe bien estructurado, una presentación limpia o un texto sin erratas ya no dicen gran cosa sobre quién los ha producido ni sobre cuánto criterio ha puesto esa persona en el proceso.
Las cifras del estudio dibujan un cambio de hábitos muy rápido. El 78% de los líderes ha modificado la forma en que evalúa a su personal. El 39% usa IA para redactar las propias evaluaciones de desempeño. Y el 58% espera supervisar más agentes de IA que empleados humanos en el próximo año. Es decir, la IA entra en tres puntos a la vez: en lo que produce el empleado, en cómo se le juzga y en quién forma parte del equipo que hay que supervisar.
Conviene un matiz de contexto. La encuesta la encargó Monday.com, un fabricante de software de gestión del trabajo, así que el estudio sirve también para hablar de su propio terreno. Eso no invalida los datos, pero conviene leerlos sabiendo quién hizo la pregunta. Aun así, el patrón que describe es reconocible para cualquiera que haya gestionado un equipo en los últimos dos años: el listón de presentación sube para todos y deja de servir como señal de esfuerzo o de talento.
Gobernanza, shadow AI y sesgos: el problema de fondo al evaluar equipos con IA
Durante años, la calidad del entregable funcionó como atajo para evaluar. Si alguien entregaba un análisis claro y sin fallos, el manager asumía capacidad y dedicación. Con un LLM disponible, ese atajo se rompe: el resultado pulido es fácil de conseguir y no distingue a quien revisa, contrasta y decide de quien copia y pega. La evaluación tiene que desplazarse del resultado final al proceso, y eso exige más conversación, más contexto y más tiempo del manager.
A esto se suma el efecto de tener más herramientas en circulación. Cuando cada empleado puede usar su asistente favorito, la empresa pierde visibilidad sobre qué se ha hecho con IA y con cuál. Es el fenómeno conocido como shadow AI: uso de herramientas que nadie ha aprobado ni registrado. Si el manager no sabe qué parte del trabajo ha generado un modelo, difícilmente puede valorar la contribución individual, y menos aún justificarla ante RRHH.
El segundo foco es el de los sesgos. Que el 39% de los líderes use IA para redactar evaluaciones de desempeño implica que un LLM está dando forma a textos que afectan a salarios, ascensos y despidos. Un modelo escribe a partir de lo que se le da: si las notas del manager arrastran impresiones subjetivas, el texto resultante las devolverá mejor redactadas y con apariencia de objetividad. Además, un documento fluido es más difícil de cuestionar para el empleado evaluado.
Por último, el 58% que espera supervisar más agentes de IA que personas abre otra pregunta práctica. Un agente no tiene objetivos de carrera, pero sí produce resultados que alguien debe revisar y de los que alguien responde. El rol del manager pasa a incluir control de calidad de trabajo automatizado, y las métricas que servían para personas no se trasladan sin más a sistemas que ejecutan tareas.
Qué significa este movimiento para el mercado
Para las empresas compradoras, el mensaje es que adoptar IA sin reglas sobre su uso interno traslada el coste a los managers. La herramienta se paga una vez, pero la dificultad para evaluar se paga cada trimestre en forma de decisiones de personal menos fiables. Quien compra licencias de asistentes tiene que comprar también criterios: qué tareas admiten IA, cuáles no, cómo se declara su uso y qué se espera ver del empleado más allá del documento final.
Para los proveedores de software de gestión del trabajo y de recursos humanos, el estudio apunta a una demanda concreta: trazabilidad. Si el valor de una persona ya no se lee en el entregable, las plataformas tendrán que mostrar qué se hizo, con qué ayuda y quién validó el resultado. También quedan expuestos los productos que generan evaluaciones de desempeño con LLM sin dejar claro qué datos usan ni cómo controlan los sesgos, porque ahí es donde el riesgo recae sobre la empresa y no sobre el proveedor.
Para las PYMEs, que suelen carecer de un departamento de RRHH grande, el riesgo es mayor porque el propio dueño o el responsable de área evalúa y redacta. Una política de una página sobre herramientas aprobadas, una regla simple como que toda evaluación asistida por IA la revisa y firma una persona, y conversaciones periódicas sobre cómo se ha hecho el trabajo cuestan poco y reducen la exposición al shadow AI y a los sesgos descritos en la encuesta.
Analisis Blixel
El problema que describe este estudio no lo ha creado la IA, lo ha dejado al descubierto. Si un entregable pulido bastaba para que un manager diera por buena a una persona, la evaluación ya era frágil antes de los LLM. Ahora esa fragilidad se ve porque todos entregan con el mismo nivel de acabado. La respuesta no es prohibir herramientas ni desconfiar de cada documento, sino evaluar lo que importa: criterio, capacidad de contrastar y responsabilidad sobre el resultado.
Lo que más me preocupa es el 39% que ya usa IA para redactar evaluaciones. Se puede entender por falta de tiempo, pero delegar en un modelo el texto que decide la trayectoria de alguien exige, como mínimo, revisión humana real y transparencia hacia el empleado. Sin eso, se cambia un sesgo humano visible por uno automatizado y con mejor redacción, que es más difícil de detectar y de discutir.
Mi posición es clara: evaluar equipos con IA requiere reglas antes que más herramientas. Una PYME no necesita un comité ni un software nuevo. Necesita decidir qué usos de IA acepta, pedir que se declaren y reservar tiempo para hablar con cada persona sobre cómo trabaja. Y con agentes de IA entrando en los equipos, conviene definir ya quién responde de su trabajo. Dejarlo para cuando el 58% de la encuesta sea una realidad en tu empresa llegará tarde.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.
Deja una respuesta