Las compañías están adoptando sistemas de inteligencia artificial generativa para acelerar el proceso de las evaluaciones de desempeño. Estas herramientas muestran habilidades notables, pero hasta el momento la mayoría de las organizaciones las emplean para crear versiones más cuidadas de los informes narrativos tradicionales, en menos tiempo.
No obstante, que un documento esté bien redactado no implica que sea más fiable. Al suavizar la forma en que los supervisores describen el rendimiento, estos sistemas pueden hacer que las evaluaciones parezcan más coherentes y creíbles de lo que realmente son, disimulando las contradicciones y los puntos ciegos que históricamente las han caracterizado. Sin embargo, la misma tecnología podría realizar una tarea mucho más valiosa: alejar las evaluaciones de desempeño de las narrativas sobre el trabajo y acercarlas a evidencia directa de lo que las personas hicieron, decidieron e influyeron en la práctica.
El error común
Para reducir la carga de las revisiones de desempeño, muchas empresas recurren a la IA para redactar los informes de evaluación. A primera vista, esto parece un progreso. Pero en realidad se corre el riesgo de agravar el problema de fondo. Los documentos generados con IA tienden a adoptar el mismo tono fluido y seguro. La variación que antes diferenciaba una evaluación cuidadosa de un elogio genérico se está diluyendo, dando paso a una voz persuasiva pero estandarizada.
Esta homogeneización afecta la presentación, no el contenido. Los gerentes siguen basándose en observaciones incompletas e impresiones subjetivas. La IA simplemente hace que todas las narrativas suenen igual de convincentes. El resultado son evaluaciones que parecen más confiables de lo que realmente son, volviendo más difícil detectar información deficiente.
Un camino más acertado
En lugar de ayudar a los gerentes a escribir historias más persuasivas sobre el rendimiento, la IA podría facilitar la identificación y el análisis de episodios reales de trabajo.
Los sistemas de IA podrían examinar patrones de interacción entre colaboradores para identificar evidencia de competencias avanzadas que las métricas tradicionales pasan por alto. Podrían revisar las redes de comunicación para detectar a quienes constantemente ayudan a otros a resolver problemas, analizar los patrones de toma de decisiones en discusiones de proyectos para encontrar pensamiento estratégico, o mapear los flujos de influencia a través de cadenas de correos electrónicos y transcripciones de reuniones para revelar liderazgo en acción.
Cómo aprovechar el potencial de la IA generativa
Las bases ya están claramente establecidas. Esto es lo que los altos directivos pueden hacer ahora para convertir lo posible en realidad:
- Replantear la conversación sobre desempeño en torno a momentos decisivos, en lugar de etiquetas de rasgos y afirmaciones de excelencia. En vez de pedir a los gerentes que describan el «liderazgo», el «pensamiento estratégico» o la «capacidad para navegar la ambigüedad» de un empleado, las evaluaciones deberían formular una pregunta distinta: ¿Qué momentos en el trabajo de esta persona revelan con mayor claridad esas capacidades? Un solo episodio clave —donde un empleado desafió una suposición errónea, redirigió un proyecto en crisis o alineó a distintas partes interesadas en una decisión difícil— suele revelar más sobre sus habilidades que una página entera de lenguaje evaluativo. La IA puede ayudar a identificar estos episodios analizando registros de proyectos, comunicaciones y otros materiales para detectar los puntos de inflexión donde el juicio tuvo mayor relevancia.
- Dirigir las herramientas de IA ya implementadas en toda la empresa para identificar evidencia conductual, en lugar de solo pulir la narrativa. La mayoría de las compañías ya utilizan asistentes de IA integrados en las herramientas cotidianas. Hoy estos sistemas se usan para resumir documentos o ayudar a los gerentes a redactar mejores textos. En su lugar, las organizaciones deberían orientarlos hacia otra tarea: analizar patrones de interacción entre empleados para identificar evidencia de competencias de alto nivel.
- Construir una gobernanza que equilibre la transparencia con el control de los empleados y evite desviaciones hacia la vigilancia excesiva. La transición hacia la evidencia conductual seleccionada por IA requiere una gobernanza con tres pilares: verificación —la IA debe servir como curadora que señale fuentes verificables, mientras los humanos conservan todo el juicio interpretativo—; control de los empleados —darles poder sobre su propio portafolio de evidencia—; y límites claros para evitar la expansión del alcance —las evaluaciones deben basarse en documentos de trabajo oficiales, no en comunicaciones informales o mensajes privados.
Fuente: Infobae