Medir el rendimiento laboral con máquinas reduce la arbitrariedad directiva, aunque amenaza con invisibilizar tareas valiosas imposibles de cuantificar.
Las evaluaciones de desempeño siempre han sido subjetivas. Eso lo sabe todo el mundo: un jefe repasa el año de un empleado, mezcla resultados, recuerdos, intuiciones y afinidades, y acaba decidiendo quién merece un ascenso, una subida de sueldo o una advertencia.
Ahora la inteligencia artificial promete sustituir buena parte de esa arbitrariedad por datos, pero hay un problema: podría estar cambiando una subjetividad visible por otra mucho más difícil de detectar, como es la subjetividad con apariencia de precisión.
Esto lo hemos descubierto gracias a Alan Chang, cofundador y consejero delegado de Fuse Energy, que ha convertido esa idea en una filosofía de gestión. Las evaluaciones semestrales de esta compañía británica se basan en gran medida en IA y Chang ha explicado que quiere eliminar del proceso "tanto juicio humano como sea posible". Es parte de una filosofía más amplia: define Fuse como "la meritocracia definitiva", una organización en la que, según sus propias palabras, "los resultados determinan la autoridad".
La idea es que los managers olvidan, comparan mal y tienden a sobrevalorar lo más reciente. Una máquina puede recordar lo ocurrido en febrero cuando llega diciembre, reunir comentarios dispersos, detectar diferencias entre evaluadores y descubrir contribuciones que el jefe no vio.
Eso es lo que intenta la compañía tecnológica UST. Con más de 30.000 empleados ha desarrollado herramientas de IA para reconstruir el historial de cada profesional y preparar borradores de evaluación a partir de logros, formación, habilidades o comentarios. Según la compañía, estas herramientas han reducido el tiempo dedicado a revisar perfiles y ayudan a combatir el llamado sesgo de recencia: la tendencia a valorar desproporcionadamente lo sucedido en las últimas semanas y olvidar lo ocurrido meses atrás.
En todo caso, el mánager conserva la decisión final, algo decisivo cuando la evaluación afecta salario, promoción o despido.
Maruti Suzuki, filial de Suzuki Motor y líder del mercado automovilístico indio, ha seguido una vía parecida. Junto con EY creó un sistema apoyado en inteligencia artificial para evaluar a miles de empleados mediante pruebas, simulaciones y ejercicios homogéneos.
La compañía asegura que el proceso es más rápido y consistente, y de nuevo la máquina complementa el juicio humano; no lo sustituye.
Una puntuación de 8,7 parece más objetiva que decir que un profesional "ha tenido un buen año". Pero alguien ha decidido qué datos importan, cuánto pesa cada variable y qué significa exactamente rendir bien.
La IA no elimina esas decisiones: las desplaza hacia quien decide qué datos cuentan, cómo se ponderan y qué se entiende por rendimiento.
También hay que tener en cuenta el caso de Amazon: hay sistemas automatizados en sus almacenes que han utilizado datos de productividad, velocidad y calidad para controlar el rendimiento y generar advertencias cuando un trabajador queda por debajo de determinados objetivos. Es una forma precisa de medir una variable. Pero procesar menos paquetes puede significar muchas cosas: una zona más difícil, un problema técnico, ayudar a un compañero o trabajar con más cuidado.
En los trabajos del conocimiento el problema es todavía mayor. Ahí aparecen contribuciones difíciles de convertir en una métrica: el ingeniero que evita una avería que finalmente nunca ocurre, quien consigue abandonar a tiempo un proyecto condenado al fracaso o el empleado que dedica parte de su jornada a formar a otros. Si sólo existe lo que el sistema puede registrar, una empresa puede acabar haciendo invisible parte de su trabajo más valioso.
Ya no es un fenómeno marginal. Una encuesta de la OCDE a más de 6.000 mánagers encontró herramientas de gestión algorítmica en el 90% de las empresas estadounidenses estudiadas y en el 79% de las europeas. El 60% de quienes las utilizan cree que mejoran sus decisiones, pero casi dos tercios señalan también problemas, desde la dificultad para entender cómo decide el sistema hasta quién responde cuando se equivoca.
Europa ya ha decidido que no se trata de una herramienta administrativa cualquiera. El Reglamento de IA considera de alto riesgo determinados sistemas utilizados para evaluar trabajadores, decidir promociones, asignar tareas o influir en despidos.
Aquí hay que volver al experimento de Alan Chang: el gran dilema de la IA en recursos humanos no será decidir si una máquina puede juzgar mejor que un jefe sino decidir qué juicios merece la pena convertir en algoritmos y cuáles sería peligroso dejar de hacer.
Tiene sentido automatizar la memoria, pedir a una IA que detecte contradicciones entre evaluadores o advierta de que un jefe está ignorando información relevante. Mucho más discutible es dejarle decidir cuánto vale una persona.
La "meritocracia definitiva" probablemente no consista en sacar humanos de la ecuación, sino en obligarlos a evaluar mejor: utilizar la máquina para hacer visible aquello que el mánager no ve, sin permitir que sólo exista aquello que la máquina sabe medir.
Cada profesional tendrá un pasaporte actualizado de habilidades y credenciales"El título es sólo la base de lo que ofrecemos"10 señales de que la próxima crisis laboral será la falta de personas Comentar ÚLTIMA HORA