La auditoría: nunca decidir sobre gente sin confirmar
La IA escribe un dictamen de desempeño o una recomendación de despido con la misma confianza de siempre, pero ningún despido o ascenso puede salir de un score o dictamen de IA sin auditoría. Un checklist de cinco ítems y el principio de que quien firma la decisión es siempre una persona.
Un gerente le pidió a la IA un resumen de desempeño de un colaborador antes de decidir un ascenso, y el texto que volvió era impecable, con argumentos que parecían venir de alguien que siguió de cerca al equipo todo el año. Casi se volvió la base de la decisión sin ninguna otra revisión. Al confirmar la fuente de cada elogio citado, dos de ellos venían de un proyecto en el que el colaborador ni siquiera había participado, solo estaba listado como observador en la reunión. La prosa segura no dejaba ninguna pista del error.
La IA calculó el bono variable de un equipo entero con base en la meta cumplida, y escribió un párrafo seguro sobre "distribución justa conforme a la política vigente". Casi fue a la nómina así. Rehaciendo la cuenta aparte, la IA había aplicado la regla de una política antigua, ya derogada hace dos trimestres, y tres personas recibirían un valor muy por debajo del correcto, con el mismo tono de certeza de los valores correctos al lado.
En una due diligence laboral, la IA levantó el pasivo de horas extra de un equipo entero y escribió un párrafo confiado sobre "exposición controlada". Casi entró al dictamen sin revisión adicional. Rehaciendo caso por caso, dos registros de fichaje citados por la IA pertenecían a un sistema descontinuado hace un año, y el pasivo real era casi 30% mayor. El texto sonaba a conclusión jurídica; el número era ficción con credencial.
La IA armó el informe de clima de la campaña interna de employer branding y escribió un veredicto de "engagement en alza entre los equipos técnicos". Casi se volvió el argumento central del próximo presupuesto de comunicación interna. Al confirmar la base de respuestas, la IA había contado el silencio (quien no respondió la encuesta) como neutro positivo, y el engagement real estaba estancado, no en alza.
Un colaborador está en medio de un proceso de despido, y la IA arma el dictamen con base en el historial de evaluaciones de él en el sistema. Sale un texto seguro, redondo, con la frase "bajo desempeño recurrente y falta de adherencia cultural en los últimos dos ciclos". La gerente lo lee, coincide con el tono profesional y casi anexa el dictamen como justificativa oficial en el proceso. Antes de firmar, decide releer las tres evaluaciones originales que la IA citó, una por una, en la fuente. Dos de las tres "evaluaciones débiles" eran del período en que el colaborador estaba con licencia médica, y el sistema simplemente registró la nota más baja de ese ciclo sin ninguna nota de contexto. La IA leyó el número y trató la licencia por salud como bajo desempeño común. El dictamen que casi justificó el despido citaba, con toda la confianza del mundo, exactamente el tipo de hecho que jurídicamente se vuelve presunción de despido discriminatorio. La gerente no tuvo la suerte de haberse dado cuenta: auditó porque tenía el hábito. Quien no tiene ese hábito firma el dictamen, y el problema deja de ser de la IA y pasa a ser de la empresa.
La IA evaluó el desempeño de un squad entero a partir de las métricas de entrega y escribió que el equipo "no estaba rindiendo" en el trimestre. Casi se volvió justificativa para redistribuir personas. Mirando la fuente de cerca, la mitad del trimestre el squad estuvo prestado para apagar un incendio de otro equipo, algo que la IA nunca vio porque no estaba en ningún sistema que ella consultó.
La IA rankeó a los vendedores del trimestre por "performance ajustada" para decidir quién sería ascendido a coordinador, y escribió que uno de ellos era el candidato natural. Casi se volvió decisión cerrada. Al confirmar los datos, la IA había comparado el desempeño de él contra una meta de territorio menor que la suya, inflando el resultado relativo respecto a los colegas.
La IA evaluó la productividad de los operadores de un turno y escribió que uno de ellos estaba "consistentemente por debajo del promedio del equipo". Casi se volvió base para una amonestación formal. Revisando la fuente, la IA había comparado al operador del turno de la noche con el promedio del turno del día, que tiene volumen y condiciones distintas, una comparación que nunca se pidió ni tenía sentido.
Para el informe anual de conducta, la IA cruzó denuncias del canal de ética con el historial de evaluación de cada citado y escribió un párrafo tranquilizador sobre "sin patrón preocupante". Casi cerró el informe así. Al revisar caso por caso, la IA había contado dos denuncias distintas contra la misma persona como una sola, porque el texto de ambas era parecido, enmascarando un patrón que ya debería haber escalado.
La IA evaluó commits y revisiones de código de un equipo para sugerir quién merecía progresión técnica, y escribió una recomendación segura de quién "más contribuyó". Casi se volvió insumo directo del comité de carrera. Revisando la fuente, la IA contó líneas de código generadas por una herramienta automática como contribución personal de quien solo aprobó el PR, distorsionando el ranking entero.
La IA analizó entrevistas de salida de diseñadores que pidieron el despido y escribió que el motivo predominante era "falta de oportunidad de crecimiento". Casi se volvió la conclusión oficial de RRHH sobre la fuga del equipo. Revisando las transcripciones originales, la mitad de las entrevistas citaba a un gerente específico como el motivo real, un patrón que la IA diluyó al generalizar la causa.
Para decidir si reestructura una dirección, la IA calculó el índice de sinergia entre las áreas con base en los organigramas y escribió una recomendación segura de fusión. Casi entró al plan que iría al directorio. Al confirmar la fuente, la IA había sumado dos equipos que ya reportaban al mismo gerente hacía meses, inflando artificialmente la superposición que justificaba la fusión.
Ok, detente un segundo en ese "casi". En todos estos casos la recomendación equivocada casi se volvió decisión, no porque la gerente o el gerente fueran descuidados, sino porque la IA entrega un dictamen equivocado con la misma confianza con que entrega uno correcto. En finanzas, un número equivocado se vuelve pérdida. Aquí, un dictamen equivocado se vuelve una persona despedida por un motivo que no existió, o ascendida por el motivo equivocado. Es la misma trampa del módulo entero, solo que ahora el número tiene nombre y apellido.
La idea central de esta lección. La IA es excelente escribiendo y no es confiable por defecto como base para decidir sobre una persona: puede cargar sesgo heredado del historial, descontextualizar un hecho (una licencia médica volviéndose "bajo desempeño"), inventar un vínculo que no existe, y entrega todo esto con la misma confianza de siempre. Por eso la recomendación de la IA sobre gente es una propuesta, nunca una verdad. El cierre de la lección es un checklist de cinco ítems y un principio innegociable: quien firma la decisión sobre una persona es siempre alguien nombrado.
01Excelente escribiendo, pésima como base de decisión sobre persona
Vale la pena entender por qué pasa esto, porque entenderlo cambia cómo usas la herramienta. La IA que usas es, en esencia, una máquina de predecir la próxima palabra que suena bien. Fue entrenada para que el texto sea fluido, plausible y confiado. Nadie la entrenó para que la lectura sobre una persona sea justa. Son dos objetivos distintos, y ella solo persigue el primero.
El efecto colateral, aquí, es el más serio del módulo entero. La misma habilidad que hace que la IA escriba un dictamen de desempeño impecable hace que escriba, con la misma calidad de prosa, una lectura sesgada o un hecho sacado de contexto. Ella no tiene un sentido interno de "esto no es justo con esta persona". Si el historial tiene un sesgo (un gerente que siempre evaluó mal a quien tomó licencia, un equipo que registró ausencia por salud igual a ausencia por desinterés), la IA aprende ese patrón y lo repite con cara de análisis neutral. En un texto de marketing, una lectura torcida es un desliz. En una evaluación de gente, es una carrera, un proceso laboral, una vida.
02La paradoja de la sensación: crees que ya auditaste
En 2025, el METR midió a profesionales experimentados trabajando con y sin IA en tareas reales, y el resultado fue el contrario de lo esperado: con IA, se volvieron cerca de 19% más lentos, pero creían que estaban más rápidos. La sensación de ganancia no coincidió con el resultado medido.
Esa misma sensación traicionera aparece a la hora de decidir sobre una persona. Cuando el dictamen de la IA llega bien escrito, organizado, con una conclusión que suena profesional, tu cerebro registra "esto ya fue analizado" y baja la guardia. Es exactamente en la decisión más seria (despedir, ascender, dar o negar un aumento) donde esa falsa sensación de ya haber confirmado cuesta más caro. Leer el dictamen no es auditar el dictamen. Son cosas distintas, y la diferencia es el tema de la próxima sección.
03El checklist de auditoría de decisión sobre gente
Aquí está el corazón de la lección. Cinco preguntas, en orden, antes de que cualquier recomendación de la IA sobre una persona se vuelva despido, ascenso, amonestación o aumento.
La primera: ¿el criterio usado está explícito, y es el mismo aplicado a todos en la misma situación? Si el dictamen dice "bajo desempeño" sin decir contra qué regla, y esa regla no es la misma usada para los colegas, el criterio no existe de verdad, solo parece existir.
La segunda: ¿la fuente de cada alegación existe y coincide? Toda frase del tipo "dos evaluaciones débiles en los últimos ciclos" necesita confirmarse en la fuente, una por una. Es este paso el que atrapa la evaluación que era, en realidad, de un período de licencia por salud.
La tercera: ¿existe calibración entre grupos? Mira el conjunto: ¿la tasa de recomendación negativa de la IA está desproporcionada en algún grupo (quien tomó licencia, quien tiene un perfil demográfico específico, quien está en un equipo específico)? Un patrón desproporcionado no prueba culpa individual, pero es la señal de que el criterio puede estar cargando sesgo heredado del historial.
La cuarta: ¿alguien pondría esa recomendación frente a la persona y la defendería cara a cara? Si la respuesta es "preferiría que ella nunca supiera que una IA generó esto así", la recomendación no está lista.
La quinta, y la más importante: ¿quién firma la decisión final es una persona nombrada, con nombre y responsabilidad? Si la respuesta es "el sistema lo recomendó" sin un nombre humano detrás, la decisión no tiene dueño, y una decisión sin dueño no puede salir.
04La regla RESPONDER aplicada a despido y ascenso
El checklist tiene un principio detrás, y es el mismo que sostiene el módulo entero. En el mapa Los 3 Movimientos, el movimiento RESPONDER trata de responsabilidad anclada en un nombre humano. Aplicado a la decisión de gente, se vuelve una regla de tres tiempos que nunca colapsas.
La IA propone. Puede generar el dictamen, el score, la sugerencia de acción. Úsala con confianza aquí, es donde ayuda de verdad. Pero propuesta es propuesta: nada de lo que produce sobre una persona es verdad solo porque ella lo produjo.
El humano confirma. Es el checklist de las cinco preguntas corriendo, sin atajo, sobre todo cuando la decisión es grave.
Y la persona firma. Cuando la decisión sale (la carta de despido, el ascenso, la amonestación), la responsabilidad es de alguien con nombre, siempre. "Fue el score el que recomendó" no existe como excusa, ni en una conversación de RRHH, ni en un reclamo laboral. Y el peso legal aquí es real, no es solo un principio bonito: la Súmula 443 do TST ya reconoce presunción de despido discriminatorio cuando un empleado con estigma o enfermedad grave es despedido sin justificativa clara, y la LGPD, en el artículo 20, garantiza a la persona el derecho de pedir revisión de una decisión automatizada que afecte sus intereses. Un dictamen de IA que carga sesgo sin auditoría no es solo un error de criterio. Es exposición jurídica real, para la persona y para la empresa.
05Auditar no es desconfiar: es proteger a la persona y a la empresa
Déjame deshacer una resistencia antes de cerrar. Hay gente que siente que auditar el dictamen de la IA sobre un colaborador es burocracia, que atrasa una decisión que ya estaba tomada de cualquier forma. Ese marco está equivocado, y sale caro de los dos lados.
Auditar no es desconfianza de la herramienta, es higiene profesional, igual a lo que viste en finanzas. Solo que aquí el costo de no auditar no es una planilla equivocada, es una persona despedida por un motivo que no existió, o un proceso laboral que la empresa pierde porque la decisión nunca tuvo un criterio defendible detrás. El costo de auditar es minutos: releer tres evaluaciones en la fuente, ver si el criterio es el mismo de siempre, preguntarte si lo defenderías cara a cara. El costo de no auditar puede ser una carrera, una indemnización, una reputación. Minutos contra eso no es retrabajo, es el seguro más barato que existe. La IA propone, tú confirmas, y quien firma protege a la persona y a la empresa al mismo tiempo.
Hazlo ahora
Toma una recomendación de IA sobre una persona que ya tengas o estés a punto de usar (tu tarea real sirve bien): un dictamen de desempeño, un score de un sistema de evaluación, una sugerencia de acción sobre alguien del equipo.
Corre el checklist de cinco ítems, escribiendo la respuesta de cada uno:
- ¿EL CRITERIO ESTÁ EXPLÍCITO? ¿Cuál es la regla usada, y es la misma aplicada a todos en la misma situación?
- ¿LA FUENTE COINCIDE? Elige las dos alegaciones más fuertes del dictamen y confirma cada una en la fuente original, una por una. ¿Coincidieron?
- ¿HAY CALIBRACIÓN ENTRE GRUPOS? Mirando el conjunto de recomendaciones parecidas, ¿hay algún grupo (quien tomó licencia, quien está en un equipo específico) recibiendo recomendación negativa desproporcionada?
- ¿LO DEFENDERÍAS CARA A CARA? Si la persona evaluada leyera ese dictamen frente a ti, ¿lo defenderías frase por frase?
- ¿QUIÉN FIRMA? Escribe el nombre de quien firma esa decisión final, y la defensa de una línea que esa persona daría si fuera cuestionada, en un comité o en una audiencia.
Si te trabaste en cualquiera de los cinco, la decisión todavía no está lista para salir.
Practica
1. La IA entregó un dictamen de despido bien escrito, citando evaluaciones anteriores del colaborador. ¿Cuál es la lectura correcta antes de usar ese dictamen?
2. El estudio del METR (2025) mostró a profesionales creyendo que estaban más rápidos con IA, cuando en realidad estaban más lentos. ¿Cuál es la lección correcta de esto para decisiones sobre gente?
3. Una decisión de despido basada en un score de IA terminó siendo cuestionada judicialmente, y el score estaba equivocado. ¿Quién responde por esa decisión?
4. La IA recomendó el despido de un colaborador citando 'bajo desempeño recurrente', pero dos de las evaluaciones citadas eran de un período en que él estaba con licencia médica. ¿Qué ejemplifica esta situación?
Para la pizarra
Sobre lo que está en juegoen finanzas el error se vuelve pérdida. Aquí se vuelve una persona despedida por un motivo que nunca existió.
Sobre el informebien escrito y citando evaluaciones no es prueba. Es una propuesta hasta que abras cada evaluación citada.
Sobre la responsabilidadno migra a la herramienta bajo ninguna hipótesis, incluso ante la justicia laboral.
Gracias por el feedback. Esto ayuda a afinar la próxima lección.