Por qué la IA cambia la forma de evaluar el trabajo

Evaluar trabajo hecho con IA obliga a mirar más allá del entregable final. Un documento puede estar bien redactado, una presentación puede parecer sólida y un análisis puede llegar antes, pero eso no demuestra por sí solo que haya habido comprensión, criterio ni responsabilidad profesional.

El cambio de fondo es que la IA separa dos cosas que antes solían ir más unidas: producir un resultado y demostrar competencia. La OIT, en su informe actualizado sobre inteligencia artificial generativa y empleo, analiza cómo la IA generativa transforma tareas y ocupaciones. Para managers y RRHH, esa transformación tiene una consecuencia directa: ya no basta con evaluar qué se entrega, también hay que entender cómo se ha construido el trabajo.

El resultado ya no cuenta toda la historia

Durante años, muchos sistemas de evaluación han observado sobre todo el output: qué se entregó, con qué calidad aparente y dentro de qué plazo. Ese enfoque sigue siendo necesario, pero se queda corto cuando una herramienta puede redactar, resumir, corregir, estructurar o proponer argumentos en segundos.

La pregunta ya no es solo “¿el entregable está bien?”, sino “¿la persona puede explicar, defender y mejorar lo que ha entregado?”. Si no puede hacerlo, quizá el resultado sea útil, pero no demuestra la misma competencia que un trabajo revisado con criterio. Esta diferencia importa en decisiones de desempeño, promoción, bonus o desarrollo profesional.

Un manager no necesita auditar cada paso. Pero sí debería detectar señales: respuestas impecables que la persona no sabe justificar, análisis sin fuentes claras, mejoras repentinas sin aprendizaje visible o errores que revelan dependencia del modelo. Ahí el problema no es la IA, sino la falta de criterio verificable.

Productividad, calidad y mérito no son lo mismo

La productividad con IA puede aumentar rápido, pero eso no significa que el mérito aumente en la misma proporción. Una persona puede entregar antes porque ha aprendido a usar bien una herramienta, porque ha automatizado tareas repetitivas o porque ha delegado sin revisar. En los tres casos hay más velocidad, pero no el mismo valor profesional.

Para evaluar con justicia, conviene separar tres planos: productividad, calidad y mérito. La productividad mide velocidad o volumen. La calidad mide si el resultado es correcto, útil y aplicable. El mérito incorpora la aportación humana: criterio, mejora del resultado, comprensión del contexto, responsabilidad y aprendizaje.

Esta distinción evita dos errores frecuentes: penalizar cualquier uso de IA como si fuera una trampa o premiar cualquier output rápido como si fuera alto desempeño. El objetivo no es decidir si usar IA suma o resta, sino entender cómo se ha usado y qué capacidad humana ha amplificado.

Qué debe revisar un manager cuando un entregable se ha hecho con IA

Cuando un entregable se ha hecho con IA, el manager no debería actuar como detector de herramientas. Su papel es comprobar si el trabajo mantiene calidad, comprensión y responsabilidad. La pregunta no es si se usó IA, sino si la persona ha sabido usarla sin perder control sobre el resultado.

Esto cambia la conversación de revisión. En lugar de aprobar o corregir solo el documento final, conviene explorar cómo se construyó, qué decisiones tomó la persona y qué parte puede defender. Ahí aparece la diferencia entre uso maduro y dependencia encubierta.

Comprensión, criterio y capacidad de defensa

El primer punto es comprobar si la persona entiende lo que ha entregado. Un informe puede estar bien escrito y esconder falta de comprensión. Por eso, el manager debería pedir explicación sobre supuestos, decisiones tomadas y alternativas descartadas.

Una señal clara de buen uso es que la persona pueda decir: “usé IA para acelerar esta parte, pero cambié esto por este motivo”. Ahí hay criterio. En cambio, si no puede explicar por qué una recomendación es válida o qué límites tiene, el resultado pierde valor evaluativo.

Verificación, fuentes y trazabilidad del proceso

La IA puede generar respuestas plausibles, pero incompletas, sesgadas o erróneas. Un manager no necesita revisar cada prompt, pero sí comprobar si el trabajo incluye fuentes fiables, datos contrastados y decisiones trazables.

Una revisión útil puede apoyarse en preguntas sencillas:

• Información verificada: qué datos, afirmaciones o cifras se comprobaron antes de cerrar el entregable y cuáles quedaron fuera por falta de evidencia suficiente.
• Fuentes o datos utilizados: qué materiales sostienen las conclusiones principales, de dónde proceden y si son fiables, actuales y adecuados para la decisión.
• Cambios realizados por la persona: qué partes de la salida inicial de la IA se corrigieron, descartaron, ampliaron o adaptaron al contexto real del trabajo.
• Dudas o límites abiertos: qué aspectos siguen siendo inciertos, qué riesgos conviene señalar y qué debería revisar el manager antes de aprobar el resultado.

La trazabilidad no tiene que convertirse en burocracia. Basta con que permita entender cómo se llegó al resultado y qué parte requiere más cautela.

Responsabilidad sobre el resultado final

Usar IA no desplaza la autoría profesional del entregable. Si una persona presenta un análisis, una propuesta o una recomendación, debe asumir que el resultado final queda bajo su criterio, aunque haya usado herramientas para construirlo.

Esta idea debe estar clara en la evaluación del desempeño. La IA puede ayudar a redactar, ordenar, resumir o proponer, pero no responde ante un cliente, un equipo o una decisión interna. El manager debe reforzar una regla básica: la herramienta asiste, la persona responde.

Cómo debe adaptar RRHH la evaluación del desempeño con IA

RRHH no puede dejar que cada manager resuelva este tema con intuición propia. Si el uso de IA afecta a calidad, velocidad, autoría y aprendizaje, también afecta a cómo se comparan resultados entre personas y equipos. Sin criterios comunes, la evaluación puede volverse más desigual y menos transparente.

El objetivo no es crear una política rígida para cada herramienta, sino definir principios compartidos. La IA en Recursos Humanos debe ayudar a evaluar mejor, no a añadir sospecha ni vigilancia. Para eso, RRHH necesita separar uso responsable, dependencia y abuso, y dar a los managers una guía práctica para revisar trabajo asistido sin improvisar.

Criterios comunes para evitar arbitrariedad entre equipos

El primer ajuste es evitar que cada manager valore el uso de IA de forma distinta. En un equipo puede verse como iniciativa y en otro como atajo sospechoso. Esa diferencia genera injusticia interna: dos personas pueden hacer un uso similar de IA y recibir lecturas opuestas en su evaluación.

RRHH debe establecer criterios mínimos: cuándo se espera declarar el uso de IA, qué entregables requieren verificación, qué tareas admiten asistencia y qué decisiones no pueden apoyarse en IA sin supervisión humana. No hace falta convertirlo en un reglamento extenso, pero sí en un marco común de evaluación.

Una buena guía debería responder tres preguntas: qué parte del trabajo puede apoyarse en IA, qué parte debe defender la persona y qué evidencias necesita el manager para valorar desempeño. Así se evita que la evaluación dependa del entusiasmo o del miedo de cada responsable.

Evidencias útiles sin convertir la evaluación en vigilancia

RRHH necesita evidencias, pero no debería transformar la evaluación en control permanente. Pedir historial de prompts, capturas o trazabilidad excesiva puede generar rechazo y empujar a usos ocultos. La clave está en pedir evidencias proporcionales al impacto del trabajo.

Nivel de impacto	Qué revisar	Evidencia razonable
Bajo impacto	Coherencia, utilidad y calidad final del entregable	Explicación breve del uso de IA si afecta al resultado.
Impacto medio	Fuentes, cambios realizados y criterios de revisión	Notas de verificación y principales decisiones tomadas.
Alto impacto	Supuestos, límites, riesgos y responsabilidad final	Justificación documentada y revisión humana explícita.
Impacto sobre personas	Sesgos, trazabilidad, posibilidad de revisión y consecuencias	Supervisión reforzada y criterios claros de escalado.

Este enfoque protege dos cosas a la vez: la confianza del empleado y la responsabilidad de la empresa. Evaluar mejor no significa vigilar más, sino pedir la evidencia adecuada para cada nivel de riesgo.

Diferencias entre uso responsable, dependencia y abuso

No todo uso de IA tiene el mismo significado en una evaluación. Usarla para estructurar ideas, detectar inconsistencias o mejorar una primera versión puede demostrar madurez digital. Usarla para entregar sin comprender, sin revisar o sin asumir errores indica dependencia. Usarla para ocultar falta de trabajo, manipular resultados o saltarse normas internas entra en abuso.

RRHH debe ayudar a nombrar esas diferencias. Si todo uso de IA se trata como sospechoso, la adopción se frena. Si todo uso de IA se premia como innovación, se pierde criterio. La evaluación debe distinguir entre amplificar capacidad humana y sustituir juicio profesional sin control.

Dos personas pueden usar la misma herramienta y obtener resultados parecidos, pero una habrá revisado datos, adaptado conclusiones y defendido decisiones; la otra habrá copiado una salida convincente. El entregable puede parecer similar, pero el desempeño no lo es.

Cómo evitar que la IA distorsione aprendizaje, reconocimiento y promoción

El uso de IA no solo cambia cómo se produce un entregable. También puede alterar cómo una persona aprende, cómo se reconoce su contribución y cómo se toman decisiones sobre crecimiento profesional. Si managers y RRHH no ajustan sus criterios, la IA puede amplificar rendimiento real, pero también maquillar brechas de competencia.

El problema aparece cuando la empresa premia velocidad sin mirar aprendizaje, apariencia sin mirar comprensión o volumen sin mirar impacto. Evaluar trabajo hecho con IA exige revisar qué parte del desempeño viene de una mejora real de capacidades y qué parte depende de una herramienta que la persona todavía no sabe controlar.

Cuando entregar mejor no significa aprender más

Una persona puede entregar trabajos más pulidos gracias a la IA y, aun así, aprender menos. Si la herramienta resume, estructura, redacta y corrige sin que haya revisión activa, el empleado puede perder exposición a errores, dudas y decisiones que antes desarrollaban criterio profesional.

Esto es especialmente delicado en perfiles junior o en personas que están cambiando de rol. Si la IA resuelve demasiado pronto las partes difíciles, puede acelerar el output, pero reducir el aprendizaje. El manager debe observar si la persona mejora su comprensión o solo mejora la presentación final.

La pregunta útil es: ¿la IA está ampliando la capacidad de la persona o está sustituyendo el proceso que necesitaba para aprender? Si se usa para contrastar ideas, recibir feedback o explorar alternativas, puede ser una palanca de desarrollo. Si se usa para saltarse el razonamiento, crea dependencia silenciosa.

Cómo premiar criterio y no solo velocidad

El reconocimiento interno también debe ajustarse. Si la empresa premia únicamente rapidez, volumen o entregables visualmente impecables, acabará incentivando usos superficiales de IA. Lo que debería reconocerse es la combinación de productividad, criterio, revisión y mejora del resultado.

RRHH puede ayudar a los managers a incorporar preguntas más justas en la evaluación: qué decisiones tomó la persona, qué cambió respecto a la salida inicial de la IA, qué riesgos detectó, qué fuentes verificó y qué aprendizaje se llevó del proceso. Esa conversación conecta mejor con desarrollo que una valoración basada solo en output.

Este enfoque encaja con Evaluación del desempeño sin desmotivar, porque evaluar bien no consiste en emitir un juicio tardío, sino en generar claridad para que la persona entienda cómo crecer. En trabajos asistidos por IA, esa claridad pasa por reconocer no solo lo que se entrega, sino cómo se ha construido y qué capacidad deja instalada.

También afecta a promociones. Una persona que entrega más con IA no necesariamente está lista para asumir más responsabilidad. Antes de promocionar, conviene comprobar si puede explicar decisiones, revisar outputs de otros, detectar errores y sostener criterio bajo presión. La IA puede acelerar el desarrollo, pero no debería sustituir las evidencias de madurez profesional.

Conclusiones

La IA en Recursos Humanos no obliga a desconfiar del trabajo de las personas, pero sí a evaluarlo con más precisión. Cuando un entregable puede estar asistido por IA, mirar solo el resultado final ya no basta. Managers y RRHH necesitan entender qué aportó la persona, qué revisó y qué responsabilidad asumió.

El cambio más importante es separar productividad de desempeño. Entregar más rápido puede ser positivo, pero no siempre implica más valor, más aprendizaje o más criterio. La evaluación debe reconocer a quien usa IA para mejorar su trabajo, no a quien produce más contenido con apariencia profesional.

Esto exige criterios comunes. Si cada manager interpreta el uso de IA a su manera, la empresa abre la puerta a evaluaciones desiguales: unos premiarán la automatización, otros la sospecharán y otros no sabrán cómo valorarla. RRHH debe crear un marco que distinga uso responsable, dependencia y abuso sin convertir la evaluación en vigilancia.

Evaluar trabajo hecho con IA no va de controlar herramientas, sino de proteger calidad, mérito y desarrollo profesional. La pregunta ya no es solo qué se ha entregado, sino si la persona puede explicar, defender, mejorar y asumir el resultado.