Un agente funciona de otra manera. Se conecta a los sistemas donde está la información, ejecuta varios pasos por su cuenta y entrega un trabajo terminado. Quien lo pone a funcionar define el objetivo y revisa el resultado final, sin mirar cada paso intermedio.

Estos agentes ya existen en el mercado de RR.HH. LinkedIn lanzó el suyo para reclutamiento en octubre de 2024, y desde entonces los principales proveedores de sistemas de gestión de personas hicieron lo mismo.

Por poner un ejemplo de cómo funciona esto en la práctica, un agente recibe las respuestas abiertas de una encuesta de clima, las clasifica por tema, las cruza con la dotación de cada área y entrega un informe con las tres prioridades detectadas. Nadie tiene que leer los comentarios uno por uno ni construir las categorías manualmente.

Dos analistas de Gestión Humana trabajan de esa forma, cada uno con la encuesta de su unidad de negocio. Los dos entregan un informe con tres prioridades bien elegidas.

Antes de entregarlo, uno de los analistas vuelve a leer algunos comentarios originales. Ahí se da cuenta de que las quejas sobre un jefe en particular quedaron mezcladas en un tema general de comunicación. Las tres prioridades de su informe siguen siendo las correctas, y ninguna de las tres deja ver ese problema. El otro analista acepta la clasificación tal como la recibe.

Los dos informes parecen de la misma calidad, y cualquier evaluación que mire el resultado va a puntuarlos de la misma manera.

Un mejor entregable ya no garantiza una mejor decisión

Hay un experimento que ayuda a entender por qué. En 2023, Boston Consulting Group puso a 758 de sus consultores a resolver tareas reales de su trabajo, a unos con acceso a GPT-4 y a otros sin ninguna herramienta de IA. El diseño y el análisis los hizo un equipo de Harvard Business School con investigadores de otras cuatro instituciones, y el estudio se publicó en 2025 en Organization Science.

Parte de los participantes recibió un caso de negocio que se eligió porque el modelo no lo resolvía bien. Para acertar había que cruzar los números de una hoja de cálculo con entrevistas a personas de la empresa, y el modelo pasaba por alto lo que ahí se decía.

Ese caso arrojó dos resultados que van en direcciones contrarias. Entre quienes usaron IA, la proporción que dio la recomendación correcta fue 19 puntos porcentuales menor que en el grupo sin IA. Al mismo tiempo, los informes de ese grupo tuvieron mejores puntajes de calidad. Esos puntajes medían qué tan bien estaba armado el trabajo, sin importar si la conclusión era la correcta. La mejora se vio incluso en quienes se equivocaron.

Conviene marcar un límite del experimento. Los participantes usaron el modelo como asistente y ninguno le encargó el trabajo a un agente. Si ya es difícil saber cuánto aportó la persona en ese escenario, con un agente de por medio lo es todavía más.

La capacidad de la persona sigue ahí, aunque el producto final no la muestre tanto

El mismo estudio midió otra cosa. Entre quienes usaron IA, la mitad con menor desempeño previo mejoró un 43% respecto de su propio nivel. La mitad con mayor desempeño mejoró un 17%.

Los participantes que empezaron en niveles distintos terminaron más cerca entre sí al trabajar con IA, aunque la diferencia no desapareció del todo.

Como cada persona se compara con su propio nivel anterior, parte de esa diferencia puede deberse a que quienes partían de un nivel más bajo tenían más margen para mejorar.

Dos soluciones rápidas que tampoco funcionan

Hay dos señales que parecen resolver el problema, y las dos llevan a conclusiones equivocadas.

La primera es pensar que quien mejor maneja la herramienta también decide mejor con ella. A una parte de los participantes se le dio antes de empezar una guía de prompting, es decir, de cómo formularle los pedidos al modelo. Ese grupo tuvo mejor calidad en las tareas donde el modelo funcionaba bien. En el caso que excedía su capacidad, su porcentaje de aciertos bajó más que el del grupo sin guía. Saber obtener mejores respuestas del agente y saber cuándo desconfiar de ellas son dos cosas distintas.

La segunda señal es cuánto cambió cada persona el texto que hizo el modelo. Los autores lo midieron y encontraron que conservar más contenido se asociaba con mejores puntajes. Ellos mismos advierten que esto puede significar lo contrario de lo que parece, porque alguien que fue ajustando el pedido hasta obtener una buena respuesta tiene después poco que corregir. Penalizar a alguien por usar IA porque no hizo el trabajo por sí mismo se apoya en esa misma señal.

Los dos hallazgos vienen de grupos distintos de participantes. Aun así, ninguna de las dos señales sirve para saber cuánto criterio aportó la persona.

Evaluar a la persona requiere separar tres preguntas

El estudio llega hasta ahí. Lo que sigue es una consecuencia de aceptarlo.

El problema aparece cuando el mismo entregable se usa para responder tres preguntas distintas que ya no tienen la misma respuesta.

¿El trabajo salió bien? Es una pregunta sobre el resultado del trabajo que hicieron la persona y el agente. El entregable sirve para responderla y sigue siendo la prueba adecuada.

¿Qué sabe hacer esta persona? Aquí hace falta más evidencia, como observarla en una situación donde el agente no participe o donde se sepa de antemano hasta dónde llegó su ayuda.

¿Con qué criterio decide cuándo aceptar y cuándo revisar lo que el agente hace? Esto se recoge revisando con el jefe decisiones concretas que la persona tomó, cuáles resultaron buenas y cuáles no.

La tercera pregunta depende de la segunda. El analista del ejemplo notó el problema porque conocía las áreas y sabía qué buscar cuando volvió a los comentarios. Los dos entregan informes equivalentes, y solo uno sabe que hay algo que el suyo no muestra.

Conclusiones

El entregable cumplía dos funciones al mismo tiempo. Era el producto del trabajo y también la prueba de lo que la persona había aportado. Estuvieron unidas durante décadas y nadie tuvo que separarlas, porque no hacía falta.

El agente de IA las separó, y lo hizo de forma imperceptible. El informe sigue llegando completo y bien estructurado, de modo que nada indica que dejó de decir quién lo hizo.

Ese riesgo va a crecer a medida que el trabajo entre personas y agentes se vuelva más común. Si alguien no domina el tema, los trabajos de dos personas con capacidades muy distintas parecen del mismo nivel. Los problemas del trabajo de menor calidad siguen ahí, solo que son poco visibles y se necesita conocer bien esa materia para verlos. Un jefe no conoce a fondo todas las materias que supervisa. Puede advertir el problema en el área que domina y no en las demás, así que la detección se vuelve menos confiable cuanto más se extiende por puestos, áreas y toda la organización.

Conviene definir de dónde provendrá esa evidencia mientras la diferencia todavía se pueda notar.

La entrada Si un agente de IA ejecuta parte del trabajo, ¿qué evalúa RR.HH. de la persona? se publicó primero en HR LATAM.

En un entorno de alta exigencia, donde cada integrante del equipo cumple un rol esencial, evaluar el desempeño no es un trámite administrativo, sino una necesidad estratégica. La evaluación no tiene por qué convertirse en un proceso burocrático o costoso. Muy por el contrario, puede y debe adaptarse a la naturaleza dinámica y ágil de una empresa emergente.

Este artículo ofrece una guía práctica para implementar un modelo de evaluación de desempeño por objetivos en startups. Veremos cómo este enfoque ayuda a alinear esfuerzos, identificar oportunidades de mejora y potenciar resultados, sin frenar el ritmo acelerado que caracteriza a estas organizaciones.

Una evaluación de desempeño adaptada a la realidad startup

Implementar una evaluación en una startup no puede seguir el mismo modelo que en las grandes corporaciones. La falta de tiempo, la informalidad de ciertos procesos y el foco constante en resultados obligan a diseñar una metodología ligera, útil y funcional.

La evaluación por objetivos responde a esa necesidad. En lugar de medir comportamientos genéricos o aplicar escalas poco relevantes, se centra en metas concretas alineadas con las prioridades estratégicas del negocio.

Para que sea efectiva, debe ser clara y sencilla. Se recomienda que cada colaborador tenga entre uno y tres objetivos fundamentales, definidos en conjunto con su líder, y que estén directamente relacionados con el valor que se espera generar. Lo importante no es la cantidad de metas, sino la calidad y el impacto de lo que se mide.

Las startups no pueden permitirse invertir horas en formularios extensos o en sesiones de retroalimentación redundantes. Necesitan herramientas simples, prácticas y que acompañen el crecimiento sin generar fricción.

Implementando una evaluación de desempeño por objetivos para startups

Para que la evaluación funcione en la práctica, conviene verla como un proceso con diferentes pasos que se repiten en cada ciclo. A continuación, se presentan las etapas más importantes:

Paso 1: Definir objetivos medibles y significativos

La claridad es esencial, sobre todo en equipos pequeños donde los roles suelen ser multifuncionales. Se recomienda usar el enfoque SMART (específicos, medibles, alcanzables, relevantes y acotados en el tiempo). También puede adoptarse el marco OKR (Objectives and Key Results), que conecta las metas individuales con los desafíos estratégicos de la empresa.

Lo más importante es evitar generalidades. Cada objetivo debe responder a una necesidad concreta y contar con criterios claros para evaluar su cumplimiento.

Ejemplo: en lugar de “mejorar el servicio al cliente”, un objetivo medible sería “reducir en un 20 % el tiempo promedio de respuesta a tickets de soporte en el próximo trimestre”.

Paso 2: Establecer un seguimiento ágil y no invasivo

En lugar de evaluar el desempeño una o dos veces al año, lo más adecuado en una startup es establecer ciclos breves de revisión. Estos pueden ser mensuales o bimestrales, lo que permite ajustar expectativas y prioridades sin perder velocidad.

Las sesiones no necesitan ser largas ni formales. Lo ideal es que sean espacios breves y productivos para revisar avances, identificar obstáculos y definir próximos pasos.

Paso 3: Dar retroalimentación directa y basada en evidencia

En contextos de alta exigencia, la retroalimentación debe ser frecuente, clara y constructiva. Comentarios vagos o demasiado generales no ayudan. El colaborador debe saber exactamente qué mejorar y cómo hacerlo.

Una buena práctica es reconocer logros concretos o brindar observaciones específicas sobre aspectos a reforzar, vinculándolos siempre con los objetivos establecidos.

Paso 4: Cerrar el ciclo y generar aprendizaje iterativo

Al finalizar cada etapa, conviene realizar una revisión general tanto del desempeño individual como del proceso de evaluación. Preguntas útiles en esta fase son:

• ¿Los objetivos fueron demasiado ambiciosos o demasiado conservadores?
• ¿Se logró vincular el trabajo diario con los resultados esperados?
• ¿Qué ajustes deben hacerse para el próximo ciclo?
• Este análisis permite perfeccionar el sistema con cada iteración y adaptarlo a medida que la empresa crece y evoluciona.

Minimizar complejidad, maximizar utilidad

La clave de una evaluación efectiva en startups no está en la sofisticación del sistema, sino en su utilidad real. Algunas recomendaciones prácticas para mantener el proceso liviano son:

• Usar herramientas simples como hojas compartidas o tableros digitales para dar seguimiento, sin depender de plataformas complejas o costosas.
• Establecer un único responsable del proceso, idealmente el CEO o líder del equipo, en empresas muy pequeñas. A medida que el equipo crezca, la responsabilidad puede delegarse en un referente fundamental de talento humano.
• Evitar métricas innecesarias y concentrarse en indicadores que reflejen realmente el impacto del trabajo.
• Reforzar una cultura de conversación abierta, donde el feedback no sea una formalidad anual, sino una práctica continua integrada al día a día.

Conclusión

La evaluación de desempeño por objetivos puede convertirse en una herramienta poderosa para las startups siempre que se diseñe con realismo y enfoque estratégico. Un sistema ágil, claro y centrado en el valor permite alinear esfuerzos, detectar brechas y construir una cultura orientada a resultados sin entorpecer la dinámica acelerada de estas organizaciones.

En definitiva, medir el desempeño no debe ser una carga ni un aspecto burocrático, sino un impulso para el crecimiento sostenido de personas y equipos en entornos altamente cambiantes.

La entrada Evaluación de desempeño por objetivos para Startups se publicó primero en HR LATAM.