Evaluación continua del desempeño: 3 claves para RR. HH.
Actualizado: hace 19 horas
Si tu evaluación de desempeño llega cuando el trabajo ya cambió, no estás solo: la IA mueve tareas y capacidades antes de que cierre el ciclo anual. La salida no es medir cada clic, sino elegir señales útiles, interpretarlas con contexto y convertirlas en aprendizaje sin romper la confianza.
En este artículo:
Evaluar cómo se trabaja, no solo cuánto se acumuló
La aviación entendió hace tiempo que un certificado y miles de horas de vuelo son credenciales importantes, pero no cuentan la película completa. Dicen cuánto tiempo estuvo una persona en la cabina; no muestran necesariamente cómo percibe un riesgo, qué juicio aplica ante una situación incierta o cómo reacciona cuando el manual deja de parecer un mapa y empieza a parecer literatura fantástica.
Por eso, las aerolíneas modernas utilizan sistemas avanzados de monitoreo que capturan miles de señales durante cada vuelo. Esas señales permiten detectar patrones en la toma de decisiones, el tiempo de reacción y el cumplimiento de procedimientos cuando cambian las condiciones. Ahora, junto al historial del piloto, observan cómo vuela.
Esa misma lógica podría extenderse a muchas ocupaciones. En medicina, por ejemplo, ya existen sistemas de IA que analizan videos endoscópicos, siguen el movimiento de instrumentos y señalan desviaciones técnicas durante un procedimiento. Los hospitales todavía no evalúan de manera generalizada a cada cirujano, caso por caso. La tecnología, eso sí, empieza a iluminar una capacidad que antes se infería a partir de credenciales, experiencia acumulada y revisiones puntuales.
Para Recursos Humanos, la pregunta práctica es incómoda y útil: ¿qué sabemos realmente de la capacidad de una persona cuando solo vemos su cargo, su currículum y una evaluación anual? La evaluación continua intenta responder con evidencia generada en el trabajo. No promete una verdad absoluta; ofrece una imagen más actual y detallada, siempre que nadie confunda más datos con sabiduría instantánea.
Por qué la IA volvió vieja la foto anual del talento
Durante décadas, las organizaciones trataron los puestos como contenedores fijos: cada cargo reunía un paquete predeterminado de tareas que se actualizaba de vez en cuando, con la velocidad ceremonial de un reglamento interno. La idea aguantaba mientras el trabajo cambiara más lentamente que el organigrama. Esa ventaja se está acabando.
En las décadas de 1990 y 2000, el auge de los proyectos y de los equipos multifuncionales dejó al descubierto sus límites. Las empresas necesitaban combinaciones específicas de habilidades, pero no siempre sabían quién las tenía, quién estaba disponible ni dónde podía aportar más. Surgió entonces la organización basada en habilidades: catalogar capacidades permitía conectar mejor a las personas con las oportunidades, incluso cuando el título del cargo no decía gran cosa.
Ese enfoque fue útil mientras las capacidades conservaron su valor durante un tiempo razonable. La IA aceleró el cambio. A medida que las herramientas absorben tareas que antes exigían experiencia humana, modifican qué habilidades son escasas, cuáles se vuelven comunes y cuáles aparecen como nuevas fuentes de ventaja. Una capacidad que valía durante años puede perder parte de su diferenciación en un ciclo de producto si una herramienta la incorpora o un competidor aprende más rápido.
Mantener actualizado un catálogo de habilidades ya no alcanza. La organización necesita detectar, durante el trabajo, dónde se está formando una capacidad, dónde se erosiona y cómo cambia la división de tareas entre personas y máquinas. Luego necesita convertir esa lectura en una mejor asignación del trabajo. Ahí aparece la promesa de la evaluación continua: pasar de una foto anual, cuidadosamente posada, a una película que permita ver el movimiento.
Los beneficios posibles de mirar el trabajo en tiempo real
Bien diseñada, la evaluación continua puede acercar el aprendizaje al momento en que todavía sirve. Para quien gestiona personas, esa diferencia es muy concreta: no esperar seis o doce meses para descubrir que un proceso fallaba, una habilidad necesitaba apoyo o una tarea ya había cambiado por efecto de la IA. La organización puede reconocer patrones antes y responder dentro del flujo de trabajo.
Para RR. HH., los beneficios potenciales son concretos:
→ Detectar cómo evolucionan las capacidades a partir de evidencia del trabajo real, sin depender únicamente de declaraciones personales o revisiones esporádicas.
→ Entender qué tareas está absorbiendo la IA y cuáles requieren más juicio, supervisión, integración o aprendizaje humano.
→ Vincular la información con decisiones de asignación, desarrollo, rediseño de roles y planificación de la fuerza laboral.
→ Ofrecer coaching y apoyo cuando ocurre la dificultad, no cuando el ciclo de capacitación finalmente encuentra una fecha libre en el calendario.
El último punto importa especialmente. Cresta Agent Assist, por ejemplo, entrega recordatorios y conocimiento pertinente al personal de centros de contacto antes de que termine una llamada. La persona aprende mientras el cliente todavía está en línea, en vez de esperar al siguiente curso. Algunas empresas están empezando a explorar modelos parecidos para equipos de ingeniería.
El beneficio aparece al reducir la distancia entre señal, comprensión y acción. Si el dato solo alimenta un tablero que todos admiran durante cinco minutos y luego cierran, no hay aprendizaje continuo: hay decoración corporativa con gráficos.
Los riesgos: vigilancia, miopía y miedo
La misma tecnología que permite aprender del trabajo puede hacer que cada movimiento parezca una prueba en un juicio permanente. Ahí vive la contradicción central: RR. HH. necesita mejores señales para ayudar, pero la persona puede sentir que cada clic alimenta un expediente. Un sistema que observa el flujo cotidiano se parecerá más a vigilancia que a aprendizaje si se vive como obligatorio, opaco y extractivo.
Un caso en Meta muestra lo rápido que puede desaparecer la legitimidad. La empresa comenzó a instalar software en computadores de empleados de Estados Unidos para capturar movimientos del ratón, clics, pulsaciones de teclas y capturas de pantalla ocasionales. Meta indicó que los datos servirían para entrenar sistemas de IA, no para evaluar el desempeño. Aun así, la iniciativa provocó un rechazo interno importante. La intención declarada no alcanzó para compensar la experiencia de ser observado sin suficiente control ni claridad.
Junto con la vigilancia existe un riesgo menos cinematográfico, pero igual de peligroso: la miopía organizacional. Cuando una métrica entra por la puerta, la conducta aprende rápido a posar para ella. Las personas pueden optimizar lo que se mide y descuidar lo que importa, evitar experimentos que empeoren el indicador a corto plazo o abandonar maneras nuevas de trabajar porque todavía no caben en la taxonomía.
Por eso, un sistema saludable debe dejar espacio para explorar, aprender y desarrollar capacidades que aún no aparecen en los datos. Carrol Chang, CEO de Andela y antes responsable global de operaciones de conductores y repartidores en Uber, plantea que la evaluación necesita apoyo. Medir sin coaching, reconversión de habilidades y transparencia produce temor. Cuando la observación viene acompañada de desarrollo y adaptación, es más probable que las personas participen en el cambio.
La advertencia para RR. HH. es sencilla: si el trabajador solo recibe medición, entenderá control; si recibe contexto, apoyo y oportunidades, puede reconocer aprendizaje. El tablero puede ser el mismo; la relación es completamente distinta.
Tres necesidades para que la evaluación continua funcione
La fuente identifica tres acciones que, juntas, forman una arquitectura práctica. No son una receta universal ni una metodología validada para copiar sin pensar. Sí ofrecen a RR. HH. una secuencia fácil de poner a prueba: revisar si el sistema observa evidencia relevante, entiende cómo cambia el trabajo y convierte el hallazgo en una decisión útil.
1. Cambiar qué se acepta como evidencia de capacidad
Las revisiones periódicas y los autoinformes no desaparecen, pero dejan de ser la única ventana. La organización incorpora señales del trabajo real: cambios de código, llamadas con clientes, patrones de colaboración y uso de herramientas, entre otras posibilidades. La selección debe responder a un propósito legítimo. Acumular datos “por si acaso” es una manera muy sofisticada de no saber qué se está buscando.
Microsoft Skills Agent ilustra este cambio. Como parte del sistema People Skills, recoge información de correos, documentos, reuniones, chats y patrones de colaboración para inferir en qué trabaja una persona, qué experiencia aplica, con quién colabora y cómo evolucionan sus capacidades. Luego relaciona esas señales con una taxonomía de habilidades apoyada en parte por LinkedIn Skills Graph, que representa vínculos entre más de 39.000 habilidades.
El resultado es un perfil dinámico que se actualiza con el trabajo. Pero sigue siendo parcial y no reemplaza el juicio humano. Un correo no revela todo el conocimiento de quien lo escribió, y hablar mucho en una reunión tampoco concede automáticamente el cinturón negro de colaboración.
Para RR. HH., la decisión inicial es definir qué evidencia ayuda a comprender una capacidad y qué evidencia solo resulta fácil de capturar. Esa diferencia evita que la comodidad técnica termine diseñando la política de talento.
2. Analizar el trabajo al nivel de cada tarea
La captura continua de señales permite observar cómo se redistribuye el trabajo entre personas e IA. El análisis por tareas revela dónde una herramienta acelera, dónde sustituye una actividad y dónde aumenta la necesidad de supervisar, evaluar o integrar resultados.
Stripe ofrece un ejemplo público. Sus agentes internos de programación, conocidos como minions, escriben bloques de código y los envían a revisión humana antes de que algo llegue a producción. En febrero de 2026, Stripe informó que más de 1.300 entregas de este tipo se integraban cada semana: código escrito por IA, revisado por personas y sin código humano en esos envíos.
Cada entrega deja señales: qué se delegó, qué se corrigió y qué superó la revisión, las pruebas y el despliegue. Con el tiempo, estas huellas permiten observar qué tareas absorbe la IA y qué ingenieros aprenden a descomponer el trabajo, supervisar al agente e integrar sus resultados en sistemas confiables. Aquí conviene mantener el freno puesto: Stripe no afirma con claridad que use esos datos para una evaluación formal de capacidades o para reasignar su fuerza laboral. El ejemplo muestra la visibilidad de la tarea, no una política de RR. HH. ya demostrada.
GitHub Copilot genera señales parecidas: qué sugerencias se aceptan o rechazan, cuándo se usa asistencia conversacional o agéntica y si el resultado sobrevive a la revisión, las pruebas y el despliegue. En un despliegue de ZoomInfo con más de 400 desarrolladores, se reportó una aceptación promedio de sugerencias del 33 % y una aceptación de líneas del 20 %, junto con retroalimentación de los desarrolladores.
Esas cifras no deberían transformarse en una tabla de posiciones. Una tasa alta de aceptación puede significar buen ajuste, tareas simples o poca revisión; una tasa baja puede reflejar trabajo complejo, criterio exigente o una herramienta que ese día decidió improvisar jazz. El valor aparece cuando la señal ayuda a entender la tarea y el aprendizaje, no cuando se convierte automáticamente en una nota individual.
3. Cerrar el ciclo entre la señal y la acción
Observar no basta. La información solo adquiere valor si modifica cómo la organización asigna trabajo, desarrolla personas, rediseña roles y planifica el futuro. Sin ese cierre, la evaluación continua produce una colección impresionante de datos con la utilidad práctica de una bodega llena de cables sin etiqueta: hay mucho material, pero nadie sabe qué conectar.
r.Potential, una iniciativa de Adecco en alianza estratégica con Salesforce, sugiere una posible dirección. La propuesta combina datos del mercado laboral, información específica de la fuerza laboral de una empresa y datos en tiempo real sobre el desempeño de agentes de IA. Su objetivo es construir una comprensión dinámica del trabajo que deberían seguir realizando las personas y del que podrían realizar los agentes, para ayudar a modelar futuras configuraciones de la fuerza laboral. Es una orientación propuesta, no un resultado ya probado.
Cerrar el ciclo también significa llevar el desarrollo al flujo de trabajo. Si una señal revela que alguien necesita otra forma de apoyo, la organización puede ofrecer guía en el momento, ajustar la tarea o rediseñar el proceso. El sistema deja de preguntar únicamente “¿cómo rindió esta persona?” y empieza a preguntar “¿qué debemos cambiar para que las personas y la organización aprendan mejor?”.
RR. HH. puede usar las tres necesidades como una secuencia de decisión:
→ Definir qué señales del trabajo real representan una capacidad y con qué límites se capturarán.
→ Examinar las tareas para distinguir automatización, aceleración, supervisión e integración humana.
→ Convertir la lectura en una acción verificable de asignación, desarrollo, diseño del trabajo o planificación.
Un control transversal acompaña toda la secuencia: propósito explícito, transparencia, contexto, espacio para experimentar y juicio humano. No es una cuarta necesidad añadida a la fuente; es la condición de gobernanza que evita que las tres anteriores terminen funcionando en contra de las personas.
Del qué al porqué: el contexto evita diagnósticos absurdos
Una señal muestra qué ocurrió, pero rara vez explica por sí sola por qué ocurrió. Volvamos a la cabina. Una respuesta tardía puede deberse a una brecha de capacidad, pero también a fatiga o a un problema de coordinación entre tripulantes. Los sistemas de monitoreo en aviación combinan datos operativos con contexto precisamente para no convertir cada variación en un juicio automático sobre la competencia individual.
La misma lógica sirve en el trabajo del conocimiento. Un sistema de coaching en un centro de contacto puede ayudar a una persona a mejorar, pero también puede revelar que el problema está en un flujo roto, una herramienta lenta o información que llega tarde. Castigar al agente por un proceso defectuoso sería como culpar al piloto porque el aeropuerto decidió mover la pista mientras aterrizaba.
La evaluación continua madura cuando la organización aprende a distinguir entre brechas de habilidades, fatiga, coordinación, calidad del sistema y cambios en la propia tarea. Para conseguirlo necesita combinar señales, escuchar a las personas y admitir que el dato puede estar incompleto o ser ambiguo.
La gobernanza decide si el sistema enseña o controla
Aunque involucra datos, IA y sistemas de monitoreo, el desafío decisivo de la evaluación continua no es técnico: es de gobernanza. La dirección debe definir con claridad qué datos se capturan, qué decisiones pueden apoyarse en ellos, quién puede acceder, cómo se corrigen errores y qué apoyo recibe una persona cuando aparece una brecha.
Antes de implementar, RR. HH. debería poder responder preguntas básicas sin convocar a un comité de diecisiete personas y tres siglas nuevas:
→ ¿Qué problema de aprendizaje o asignación intenta resolver el sistema?
→ ¿Qué señales son pertinentes y cuáles resultarían desproporcionadas o invasivas?
→ ¿Cómo conocerán las personas el propósito, el uso y los límites de la información?
→ ¿Qué contexto y juicio humano impedirán que una señal aislada se convierta en sentencia?
→ ¿Qué coaching, reconversión o cambio de proceso seguirá a un hallazgo?
→ ¿Dónde podrán las personas experimentar sin ser castigadas por una métrica todavía inmadura?
La gobernanza también alcanza a la estrategia. Cuando los roles, las habilidades y la división del trabajo se reconfiguran en tiempo real, planificar ya no puede consistir en congelar supuestos durante un año y esperar que la IA respete el presupuesto. La organización necesita una visión actualizada y de alta resolución sobre dónde se forman, se erosionan y se desplazan las capacidades entre personas y máquinas. Esa visión sirve para decidir, no para fingir que el futuro ya está resuelto.
En este contexto, TRAKER plantea, como propuesta independiente de los casos descritos, conectar objetivos, feedback, calibración, seguimiento continuo y planes de desarrollo para que la información de desempeño pueda transformarse en conversaciones y decisiones. Esa posibilidad no significa que las organizaciones mencionadas en el artículo usen TRAKER ni que una plataforma resuelva por sí sola la gobernanza. La tecnología ordena señales. El propósito y los límites siguen siendo responsabilidad de las personas.
Preguntas frecuentes sobre la evaluación continua
¿La evaluación continua reemplaza la evaluación anual?
No necesariamente. Puede complementar las revisiones periódicas o reducir la dependencia de ellas al aportar evidencia más cercana al trabajo real. La decisión depende del propósito, del tipo de trabajo y de la capacidad de interpretar los datos con contexto. Lo importante es no obligar a una realidad que cambia cada semana a esperar el cierre del ciclo anual.
¿Más datos producen evaluaciones más justas?
No por sí solos. Más señales pueden mejorar la comprensión, pero también amplificar sesgos, premiar lo fácil de medir o invadir la privacidad. La justicia depende de la pertinencia de los datos, la transparencia, el contexto, el juicio humano y la posibilidad de corregir interpretaciones.
¿Cómo se evita que las personas trabajen para la métrica?
El sistema debe medir con prudencia, preservar espacio para experimentar y revisar si los indicadores representan lo que importa. También necesita combinar evidencia cuantitativa y cualitativa. Si el indicador se convierte en el objetivo absoluto, la organización puede mejorar el número y empeorar el trabajo.
¿Qué debería hacer RR. HH. con una señal de bajo desempeño?
Primero, investigar el porqué. La variación puede reflejar una brecha de capacidad, fatiga, coordinación deficiente, una herramienta inadecuada o un flujo roto. Después corresponde elegir una acción de apoyo, rediseño o desarrollo, en lugar de saltar directamente a una conclusión individual.
¿Cuál es un punto de partida razonable?
Empezar con un problema concreto, una tarea delimitada y señales que las personas comprendan. Luego conviene acordar usos y límites, probar cómo se interpreta el contexto y definir qué acción seguirá a los hallazgos. Un piloto que aprende es preferible a un sistema gigantesco que observa todo y entiende poco.
Conclusión: prepararse para una frontera que se mueve
La evaluación continua responde a una realidad: la colaboración entre personas e IA modifica las tareas con demasiada rapidez para depender solo de cargos fijos, inventarios estáticos de habilidades y revisiones ocasionales. Su promesa es una organización que aprende mientras trabaja. Su peligro es un sistema que observa mientras desconfía.
Los autores llaman readiness a la capacidad continuamente actualizada de actuar en la frontera móvil entre trabajo humano y trabajo de las máquinas. El concepto no es una norma establecida ni una fórmula garantizada. Sirve para nombrar una pregunta estratégica: ¿puede la organización reconocer cómo cambia su capacidad y responder antes de que el organigrama se convierta en una pieza de museo?
Para avanzar, RR. HH. necesita cambiar la evidencia, mirar las tareas y cerrar el ciclo hacia la acción, con gobernanza en cada paso. Si el objetivo es conectar seguimiento, feedback y desarrollo sin perder de vista a las personas, conversemos sobre cómo llevar esa lógica a un proceso de desempeño. Medir cada clic es fácil; aprender algo valioso de él, sin arruinar la confianza en el camino, es la verdadera destreza.
Comentarios