{"id":326846,"date":"2026-10-24T05:06:52","date_gmt":"2026-10-24T02:06:52","guid":{"rendered":"https:\/\/ceotudent.com\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real"},"modified":"2026-10-24T05:06:52","modified_gmt":"2026-10-24T02:06:52","slug":"evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real","title":{"rendered":"La evaluaci\u00f3n del desempe\u00f1o aumentada por IA: c\u00f3mo medir y documentar tu contribuci\u00f3n real cuando la IA hace el trabajo"},"content":{"rendered":"<p><strong>En resumen.<\/strong> Las calificaciones de desempe\u00f1o ya eran ruidosas mucho antes de la IA. En el estudio de Scullen, Mount y Goff con dos grandes muestras de directivos, las tendencias particulares del evaluador explicaron el 62 % y el 53 % de la varianza de las calificaciones; el desempe\u00f1o real de la persona explic\u00f3 el 21 % y el 25 %. Un metaan\u00e1lisis situ\u00f3 la fiabilidad media entre evaluadores de las calificaciones de los supervisores en 0,52. En la \u00faltima encuesta federal de Estados Unidos a nivel de toda la administraci\u00f3n, solo el 47 % de los empleados afirm\u00f3 que las diferencias de desempe\u00f1o se reconocen de forma significativa, el \u00edtem con la puntuaci\u00f3n m\u00e1s baja. La IA a\u00f1ade una segunda distorsi\u00f3n: en cuatro experimentos prerregistrados con 4.439 participantes, a las personas ayudadas por IA se las calific\u00f3 como m\u00e1s perezosas y menos competentes que a quienes recibieron la misma ayuda de una persona o de una herramienta convencional, y en un experimento en cuatro pa\u00edses, quien usaba un chatbot est\u00e1ndar obten\u00eda entre 11,83 y 24,72 puntos menos de m\u00e9rito (escala de 0-100) que alguien que lograba el mismo resultado \u00fatil sin IA. La jugada del CEO: llevar un registro semanal de contribuciones que separe el resultado, las decisiones asumidas, la verificaci\u00f3n realizada y el apalancamiento creado, y presentar pruebas que un evaluador pueda comprobar. La jugada del estudiante: leer el registro cada mes para ver qu\u00e9 partes de tu trabajo est\u00e1 absorbiendo la IA y qu\u00e9 habilidades de criterio conviene desarrollar a continuaci\u00f3n.<\/p>\n<p>Este art\u00edculo es la capa de documentaci\u00f3n de la evaluaci\u00f3n que se apoya en la gu\u00eda de CEOtudent sobre <a href=\"\/es\/como-medir-la-produccion-del-trabajo-intelectual\">c\u00f3mo medir la producci\u00f3n del trabajo intelectual<\/a>. Si conviene mencionar la IA o no se trata en <a href=\"\/es\/deberias-decirle-a-tu-jefe-que-usas-ia\">\u00bfdeber\u00edas decirle a tu jefe que usas IA?<\/a>; c\u00f3mo convertir las pruebas en un argumento salarial se trata en <a href=\"\/es\/como-negociar-un-aumento-cuando-la-ia-multiplico-tu-produccion-referencias-y-guiones\">c\u00f3mo negociar un aumento cuando la IA multiplic\u00f3 tu producci\u00f3n<\/a>.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFPor-que-esta-temporada-de-evaluaciones-es-diferente\" >\u00bfPor qu\u00e9 esta temporada de evaluaciones es diferente?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFQue-fiabilidad-tiene-para-empezar-una-calificacion-de-desempeno\" >\u00bfQu\u00e9 fiabilidad tiene, para empezar, una calificaci\u00f3n de desempe\u00f1o?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFQue-significa-el-ruido-del-evaluador-para-tus-pruebas\" >\u00bfQu\u00e9 significa el ruido del evaluador para tus pruebas?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFComo-juzgan-los-evaluadores-el-trabajo-en-el-que-ayudo-la-IA\" >\u00bfC\u00f3mo juzgan los evaluadores el trabajo en el que ayud\u00f3 la IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFQuien-se-lleva-el-merito-cuando-ayudo-la-IA\" >\u00bfQui\u00e9n se lleva el m\u00e9rito cuando ayud\u00f3 la IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFDonde-empeora-la-IA-tu-trabajo-sin-que-te-des-cuenta\" >\u00bfD\u00f3nde empeora la IA tu trabajo sin que te des cuenta?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFQue-cuenta-como-tu-contribucion-cuando-la-IA-hizo-parte-del-trabajo\" >\u00bfQu\u00e9 cuenta como tu contribuci\u00f3n cuando la IA hizo parte del trabajo?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#El-registro-semanal-de-contribuciones\" >El registro semanal de contribuciones<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#%C2%BFComo-revelar-el-uso-de-la-IA-sin-pagar-la-penalizacion\" >\u00bfC\u00f3mo revelar el uso de la IA sin pagar la penalizaci\u00f3n?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#La-jugada-del-CEO-y-la-jugada-del-estudiante\" >La jugada del CEO y la jugada del estudiante<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#Lo-que-esto-no-significa\" >Lo que esto no significa<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#Preguntas-frecuentes\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/ceotudent.com\/es\/evaluacion-de-desempeno-aumentada-por-ia-medir-y-documentar-tu-contribucion-real\/#Fuentes\" >Fuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"por-qu-esta-temporada-de-evaluaciones-es-diferente\"><span class=\"ez-toc-section\" id=\"%C2%BFPor-que-esta-temporada-de-evaluaciones-es-diferente\"><\/span>\u00bfPor qu\u00e9 esta temporada de evaluaciones es diferente?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El uso de la IA en el trabajo se volvi\u00f3 rutinario para una minor\u00eda considerable antes de que la mayor\u00eda de los empleadores dijera c\u00f3mo quiere evaluarlo. Pew Research Center constat\u00f3 que el 21 % de los trabajadores estadounidenses afirmaba en septiembre de 2025 que al menos parte de su trabajo se hace con IA, frente al 16 % aproximadamente un a\u00f1o antes. En una encuesta de Pew de febrero de 2026, el 38 % de los adultos con empleo declar\u00f3 usar chatbots de IA para tareas laborales. En cuanto a las reglas, una encuesta de Pew publicada en febrero de 2025 hall\u00f3 que la mitad de los trabajadores que no son aut\u00f3nomos dice que su empleador ni fomenta ni desaconseja el uso de chatbots en el trabajo; el 12 % dijo que su empleador lo fomenta y el 8 % que lo desaconseja. Entre los trabajadores que hab\u00edan usado chatbots en el trabajo, el 40 % los consider\u00f3 extremadamente o muy \u00fatiles para hacer las cosas m\u00e1s r\u00e1pido, y el 29 % los consider\u00f3 muy \u00fatiles para mejorar la calidad.<\/p>\n<p>As\u00ed, una parte creciente del trabajo que un responsable calificar\u00e1 este a\u00f1o se produjo con algo de ayuda de la IA, a menudo bajo reglas no escritas, y sobre todo de forma m\u00e1s r\u00e1pida que mejor. El evaluador debe decidir qu\u00e9 parte del resultado pertenece a la persona. Sin pruebas, esa decisi\u00f3n recae en la impresi\u00f3n, que es justo donde las evaluaciones son m\u00e1s d\u00e9biles.<\/p>\n<h2 id=\"qu-fiabilidad-tiene-para-empezar-una-calificacin-de-desempeo\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-fiabilidad-tiene-para-empezar-una-calificacion-de-desempeno\"><\/span>\u00bfQu\u00e9 fiabilidad tiene, para empezar, una calificaci\u00f3n de desempe\u00f1o?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Tabla 1. Lo que dice la investigaci\u00f3n sobre la fiabilidad de las calificaciones de desempe\u00f1o (cifras tal como se publicaron)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Estudio<\/th>\n<th>Datos<\/th>\n<th>Hallazgo tal como se public\u00f3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Scullen, Mount y Goff, Journal of Applied Psychology, 2000<\/td>\n<td>Dos muestras de directivos (n = 2.350 y n = 2.142), cada uno calificado en 3 dimensiones por 7 evaluadores: 2 jefes, 2 pares, 2 subordinados y uno mismo<\/td>\n<td>Efectos particulares del evaluador: 62 % y 53 % de la varianza; desempe\u00f1o general y dimensional del evaluado: 21 % y 25 %; error aleatorio: 11 % y 18 %<\/td>\n<\/tr>\n<tr>\n<td>Viswesvaran, Ones y Schmidt, Journal of Applied Psychology, 1996<\/td>\n<td>Metaan\u00e1lisis de la fiabilidad de las calificaciones en 10 dimensiones y en el desempe\u00f1o global<\/td>\n<td>Fiabilidad media entre evaluadores de las calificaciones de los supervisores sobre el desempe\u00f1o laboral global: 0,52; las calificaciones de los supervisores parecen m\u00e1s fiables que las de los pares<\/td>\n<\/tr>\n<tr>\n<td>Jackson et al., Human Performance, 2022<\/td>\n<td>Dos muestras reanalizadas (392 evaluados, 244 evaluadores; 342 evaluados, 397 evaluadores)<\/td>\n<td>Estructura principalmente general (m\u00e1s del 27 % de la varianza) y ligada al evaluador (m\u00e1s del 49 %); efectos de dimensi\u00f3n del 1 % al 11 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Fuentes: Scullen et al. y Viswesvaran et al. (res\u00famenes), Jackson et al. (manuscrito aceptado). Los datos de Scullen eran calificaciones multifuente con fines de desarrollo, no evaluaciones ligadas a la retribuci\u00f3n.<\/p>\n<p>La cifra de 0,52 es objeto de debate: Jackson y sus coautores se\u00f1alan que presupone que toda la varianza ligada al evaluador es sesgo del evaluador, un supuesto que otros investigadores han cuestionado, ya que los evaluadores pueden ver partes reales distintas de un puesto. Lo que s\u00ed se sostiene es la direcci\u00f3n: una sola calificaci\u00f3n lleva una gran parte del evaluador.<\/p>\n<p>Los empleados lo notan. Gallup, empresa de consultor\u00eda e investigaci\u00f3n, inform\u00f3 en 2019 de que solo el 14 % de los empleados est\u00e1 totalmente de acuerdo en que sus evaluaciones de desempe\u00f1o los inspiran a mejorar, y en 2018 de que solo el 21 % est\u00e1 totalmente de acuerdo en que tiene m\u00e9tricas de desempe\u00f1o bajo su control.<\/p>\n<p>La mayor encuesta p\u00fablica con resultados por \u00edtem es la Federal Employee Viewpoint Survey de la Office of Personnel Management de Estados Unidos. La edici\u00f3n de 2024 (revisada en abril de 2025) es el informe de gesti\u00f3n m\u00e1s reciente para toda la administraci\u00f3n que figura en la p\u00e1gina de informes de la OPM en octubre de 2026. Respondieron m\u00e1s de 674.000 empleados, con una tasa de respuesta del 41 %.<\/p>\n<p><strong>Tabla 2. Rendici\u00f3n de cuentas frente a reconocimiento, Federal Employee Viewpoint Survey 2024 (porcentaje de respuestas positivas en toda la administraci\u00f3n, tal como se public\u00f3)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>\u00cdtem<\/th>\n<th>Porcentaje positivo<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>&ldquo;Mi supervisor me hace responsable de lograr resultados.&rdquo; (P. 53)<\/td>\n<td>88 %<\/td>\n<\/tr>\n<tr>\n<td>&ldquo;Se me hace responsable de la calidad del trabajo que produzco.&rdquo; (P. 11)<\/td>\n<td>87 %<\/td>\n<\/tr>\n<tr>\n<td>&ldquo;\u00bfQu\u00e9 grado de satisfacci\u00f3n tiene con el reconocimiento que recibe por hacer un buen trabajo?&rdquo; (P. 69)<\/td>\n<td>57 %<\/td>\n<\/tr>\n<tr>\n<td>&ldquo;En mi unidad de trabajo, las diferencias de desempe\u00f1o se reconocen de forma significativa.&rdquo; (P. 17)<\/td>\n<td>47 %, el \u00edtem con la puntuaci\u00f3n m\u00e1s baja<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Fuente: US Office of Personnel Management, 2024 FEVS Governmentwide Management Report y libro de \u00edtems (P. 17: 26,3 % neutral, 27,2 % negativo).<\/p>\n<p>Casi nueve de cada diez dicen que se les hace responsables de los resultados; menos de la mitad dice que las diferencias de desempe\u00f1o se reconocen de forma significativa. Esa brecha de 40 a 41 puntos es el aspecto que tiene la contribuci\u00f3n cuando un sistema puede ver que el trabajo se hizo, pero no c\u00f3mo de bien ni de qui\u00e9n era.<\/p>\n<h2 id=\"qu-significa-el-ruido-del-evaluador-para-tus-pruebas\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-significa-el-ruido-del-evaluador-para-tus-pruebas\"><\/span>\u00bfQu\u00e9 significa el ruido del evaluador para tus pruebas?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Si una impresi\u00f3n es una prueba d\u00e9bil, el remedio son m\u00e1s pruebas independientes, no una impresi\u00f3n m\u00e1s segura de s\u00ed misma.<\/p>\n<p><strong>Tabla 3. Se\u00f1al, ruido del evaluador y valor de las pruebas independientes (an\u00e1lisis de CEOtudent a partir de Scullen et al. 2000 y Viswesvaran et al. 1996)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Medida<\/th>\n<th>Valor<\/th>\n<th>C\u00e1lculo<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Particularidad del evaluador en relaci\u00f3n con el desempe\u00f1o del evaluado<\/td>\n<td>2,95 veces (conjunto de datos 1); 2,12 veces (conjunto de datos 2)<\/td>\n<td>62\/21; 53\/25<\/td>\n<\/tr>\n<tr>\n<td>Particularidad del evaluador m\u00e1s error aleatorio<\/td>\n<td>73 % y 71 % de la varianza<\/td>\n<td>62 + 11; 53 + 18<\/td>\n<\/tr>\n<tr>\n<td>Fiabilidad de la calificaci\u00f3n global de un solo supervisor<\/td>\n<td>0,52<\/td>\n<td>Tal como se public\u00f3<\/td>\n<\/tr>\n<tr>\n<td>Fiabilidad esperada, media de 2 \/ 3 \/ 4 evaluadores independientes<\/td>\n<td>0,68 \/ 0,77 \/ 0,81<\/td>\n<td>F\u00f3rmula de Spearman-Brown<\/td>\n<\/tr>\n<tr>\n<td>Evaluadores independientes necesarios para alcanzar 0,70 \/ 0,80<\/td>\n<td>3 \/ 4<\/td>\n<td>Spearman-Brown despejada para k, redondeando al alza<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Spearman-Brown supone evaluadores paralelos e independientes, algo que los evaluadores reales rara vez son; toma estas cifras como una ilustraci\u00f3n de l\u00edmite superior.<\/p>\n<p>No puedes elegir cu\u00e1ntas personas te eval\u00faan. S\u00ed puedes elegir cu\u00e1ntos hechos independientes y comprobables respaldan cada afirmaci\u00f3n: una m\u00e9trica que es de otra persona, una nota de decisi\u00f3n escrita en el momento, un defecto detectado y confirmado. La tabla es una analog\u00eda, no una ley, pero explica por qu\u00e9 tres hechos modestos y verificables persuaden de forma m\u00e1s fiable que un adjetivo impresionante.<\/p>\n<h2 id=\"cmo-juzgan-los-evaluadores-el-trabajo-en-el-que-ayud-la-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFComo-juzgan-los-evaluadores-el-trabajo-en-el-que-ayudo-la-IA\"><\/span>\u00bfC\u00f3mo juzgan los evaluadores el trabajo en el que ayud\u00f3 la IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Las pruebas m\u00e1s s\u00f3lidas proceden de Reif, Larrick y Soll, de la Fuqua School of Business de la Duke University (PNAS, 2025).<\/p>\n<p><strong>Tabla 4. Pruebas de una penalizaci\u00f3n en la evaluaci\u00f3n social por usar IA (Reif, Larrick y Soll, 2025; cifras tal como se publicaron)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Estudio<\/th>\n<th>Dise\u00f1o y muestra<\/th>\n<th>Resultado clave<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>1<\/td>\n<td>500 participantes imaginaron usar en el trabajo una herramienta de IA generativa o una herramienta de panel de control (N = 497 analizados)<\/td>\n<td>Esperaban que se les viera como m\u00e1s perezosos (3,25 frente a 2,72) y menos competentes (4,72 frente a 5,45) con IA; menos dispuestos a revelarlo a sus responsables (4,91 frente a 5,25)<\/td>\n<\/tr>\n<tr>\n<td>2<\/td>\n<td>1.215 participantes calificaron a un empleado a partir de 384 vi\u00f1etas (N = 1.203 analizados)<\/td>\n<td>El empleado ayudado por IA fue calificado como m\u00e1s perezoso (2,50) que uno ayudado por una fuente sin IA (2,16) o sin ayuda (2,02); tambi\u00e9n menos competente, diligente, independiente y seguro de s\u00ed mismo; sin moderaci\u00f3n por edad, g\u00e9nero u ocupaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>3<\/td>\n<td>801 candidatos reales y 1.718 participantes directivos, contrataci\u00f3n compatible con incentivos (N = 1.667 analizados)<\/td>\n<td>Sin diferencia media de adecuaci\u00f3n a la tarea, pero los directivos que usan menos la IA favorecieron al candidato que nunca la usa, mientras que los usuarios frecuentes favorecieron al usuario diario<\/td>\n<\/tr>\n<tr>\n<td>4<\/td>\n<td>1.006 participantes contratando a un trabajador de plataforma (N = 1.002 analizados)<\/td>\n<td>A los usuarios de IA se les vio como m\u00e1s perezosos, lo que redujo la adecuaci\u00f3n a la tarea. Tarea manual: 4,75 (herramientas tradicionales) frente a 4,18 (IA). Tarea digital en la que la IA era \u00fatil: 5,58 frente a 5,75, no significativo (P = 0,112)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>El total de 4.439 cuenta a los directivos del Estudio 3, no a sus candidatos.<\/p>\n<p>Tres detalles importan para una evaluaci\u00f3n. La penalizaci\u00f3n afectaba al esfuerzo y la capacidad atribuidos (pereza, competencia, diligencia), no a la ambici\u00f3n ni al dominio. Depend\u00eda del evaluador: en el Estudio 4, la brecha de pereza fue significativa entre los participantes que nunca hab\u00edan usado IA, que la hab\u00edan probado una o dos veces o que la usaban ocasionalmente, y no entre los usuarios semanales o diarios. Y depend\u00eda de la adecuaci\u00f3n: donde la IA era claramente \u00fatil para la tarea, la penalizaci\u00f3n por adecuaci\u00f3n a la tarea desaparec\u00eda. Un evaluador que solo ve &ldquo;us\u00f3 IA&rdquo; llena el hueco con una atribuci\u00f3n sobre el esfuerzo; un evaluador que ve la decisi\u00f3n, la comprobaci\u00f3n y por qu\u00e9 la herramienta se ajustaba a la tarea tiene otra cosa a la que atribuir el m\u00e9rito.<\/p>\n<h2 id=\"quin-se-lleva-el-mrito-cuando-ayud-la-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFQuien-se-lleva-el-merito-cuando-ayudo-la-IA\"><\/span>\u00bfQui\u00e9n se lleva el m\u00e9rito cuando ayud\u00f3 la IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Porsdam Mann y sus colegas sostuvieron en Nature Machine Intelligence (2023) que la IA generativa crea una asimetr\u00eda entre m\u00e9rito y culpa; un art\u00edculo posterior lo resume como un uso de la IA que &ldquo;eleva el list\u00f3n para ganarse el m\u00e9rito, pero los criterios para atribuir la culpa siguen siendo los mismos&rdquo;.<\/p>\n<p>Earp, Porsdam Mann y sus coautores lo pusieron a prueba en un experimento prerregistrado con muestreo representativo (N = 1.802) en el Reino Unido, Estados Unidos, China y Singapur. Un escritor ficticio publicaba una entrada de blog elaborada con un modelo de lenguaje grande est\u00e1ndar, con un modelo personalizado a partir de los trabajos anteriores del propio escritor, o sin IA, tras revisarla por encima r\u00e1pidamente. Los participantes calificaron el m\u00e9rito por una entrada \u00fatil, o la culpa por una perjudicial, de 0 a 100.<\/p>\n<table>\n<thead>\n<tr>\n<th>Pa\u00eds<\/th>\n<th>Brecha de m\u00e9rito: sin IA menos LLM est\u00e1ndar<\/th>\n<th>Brecha de m\u00e9rito: personalizado menos LLM est\u00e1ndar<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Reino Unido<\/td>\n<td>18,51 puntos<\/td>\n<td>14,31 puntos<\/td>\n<\/tr>\n<tr>\n<td>Estados Unidos<\/td>\n<td>24,72 puntos<\/td>\n<td>17,56 puntos<\/td>\n<\/tr>\n<tr>\n<td>China<\/td>\n<td>11,83 puntos<\/td>\n<td>5,13 puntos (no significativo)<\/td>\n<\/tr>\n<tr>\n<td>Singapur<\/td>\n<td>No disponible (control excluido tras un error de programaci\u00f3n)<\/td>\n<td>17,60 puntos<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Fuente: Earp et al., Annals of the New York Academy of Sciences, 2024, tabla 1 (ajuste de Bonferroni; los contrastes est\u00e1ndar menos personalizado se reformulan como brechas positivas).<\/p>\n<p>El m\u00e9rito por una entrada \u00fatil elaborada con un modelo entrenado con los trabajos anteriores del propio escritor no fue significativamente inferior al de la entrada sin IA en ning\u00fan pa\u00eds con grupo de control; los participantes se\u00f1alaron la procedencia. La culpa apenas dependi\u00f3 del tipo de IA, salvo en China, y los participantes del Reino Unido culparon m\u00e1s al escritor por usar cualquier modelo.<\/p>\n<p>Draxler y sus colegas (dos estudios, n = 30 y n = 96) a\u00f1aden el efecto del escritor fantasma de IA: los usuarios no se consideraban propietarios del texto generado por IA, pero tampoco declaraban p\u00fablicamente la autor\u00eda de la IA. Una mayor influencia sobre el texto aumentaba su sensaci\u00f3n de propiedad.<\/p>\n<p><strong>Tabla 5. Qu\u00e9 mueve el juicio sobre el trabajo asistido por IA y qu\u00e9 documentar (an\u00e1lisis de CEOtudent a partir de Reif et al. 2025, Earp et al. 2024 y Draxler et al. 2023)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Lo que variaron los estudios<\/th>\n<th>Efecto en la evaluaci\u00f3n<\/th>\n<th>Documentaci\u00f3n que lo aborda<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fuente de una ayuda id\u00e9ntica<\/td>\n<td>Pereza 0,34 m\u00e1s alta que con ayuda sin IA, 0,48 m\u00e1s alta que sin ayuda (Reif, Estudio 2)<\/td>\n<td>Nombra el esfuerzo que sigui\u00f3 siendo tuyo: planteamiento, decisiones, comprobaciones<\/td>\n<\/tr>\n<tr>\n<td>Uso propio de la IA por parte del evaluador<\/td>\n<td>Penalizaci\u00f3n significativa para no usuarios y usuarios ocasionales, no para usuarios semanales o diarios (Reif, Estudio 4)<\/td>\n<td>Escribe para el lector de la evaluaci\u00f3n menos familiarizado con la IA<\/td>\n<\/tr>\n<tr>\n<td>Si la IA se ajustaba a la tarea<\/td>\n<td>Penalizaci\u00f3n por adecuaci\u00f3n de 0,57 en una tarea manual; ninguna significativa en una tarea digital (Reif, Estudio 4)<\/td>\n<td>Explica por qu\u00e9 encajaba la herramienta y d\u00f3nde no se us\u00f3<\/td>\n<\/tr>\n<tr>\n<td>Procedencia del contenido<\/td>\n<td>M\u00e9rito con LLM est\u00e1ndar entre 11,83 y 24,72 puntos por debajo del control sin IA, media 18,35; LLM personalizado no significativamente inferior (Earp)<\/td>\n<td>Muestra lo que vino de ti: datos, an\u00e1lisis previos, estructura<\/td>\n<\/tr>\n<tr>\n<td>Influencia sobre el texto<\/td>\n<td>M\u00e1s influencia, m\u00e1s sensaci\u00f3n de propiedad (Draxler)<\/td>\n<td>Conserva versiones de antes y despu\u00e9s de lo que cambiaste<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Son hallazgos en l\u00ednea o de laboratorio, no efectos medidos en evaluaciones reales; la columna de la derecha es una inferencia de CEOtudent.<\/p>\n<h2 id=\"dnde-empeora-la-ia-tu-trabajo-sin-que-te-des-cuenta\"><span class=\"ez-toc-section\" id=\"%C2%BFDonde-empeora-la-IA-tu-trabajo-sin-que-te-des-cuenta\"><\/span>\u00bfD\u00f3nde empeora la IA tu trabajo sin que te des cuenta?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>En el experimento prerregistrado de Dell&rsquo;Acqua y sus colegas con Boston Consulting Group (758 trabajadores del conocimiento; Organization Science, 2026), los participantes que usaban GPT-4 completaron un 12,2 % m\u00e1s de tareas y trabajaron un 25,1 % m\u00e1s r\u00e1pido en 18 tareas dentro de la frontera de capacidad de la IA, pero en una tarea de gesti\u00f3n fuera de ella tuvieron un 19 % menos de probabilidades de dar con soluciones correctas. Los autores lo llaman una frontera tecnol\u00f3gica irregular.<\/p>\n<p>Ese es el argumento m\u00e1s s\u00f3lido para registrar las correcciones. Tu acto m\u00e1s valioso en un proyecto puede ser rechazar una respuesta del modelo equivocada pero muy segura, y no deja rastro porque el error nunca lleg\u00f3 a entregarse. El coste en tiempo de la comprobaci\u00f3n se trata en <a href=\"\/es\/el-impuesto-de-verificacion-cuanto-cuesta-revisar-los-resultados-de-la-ia\">el impuesto de verificaci\u00f3n<\/a>, la habilidad en <a href=\"\/es\/la-habilidad-de-evaluacion-juzgar-resultados-de-ia\">la habilidad de evaluaci\u00f3n<\/a> y las ganancias de los estudios controlados en <a href=\"\/es\/paradoja-de-productividad-de-la-ia-ganancias-individuales-resultados-empresa\">la paradoja de productividad de la IA<\/a>.<\/p>\n<h2 id=\"qu-cuenta-como-tu-contribucin-cuando-la-ia-hizo-parte-del-trabajo\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-cuenta-como-tu-contribucion-cuando-la-IA-hizo-parte-del-trabajo\"><\/span>\u00bfQu\u00e9 cuenta como tu contribuci\u00f3n cuando la IA hizo parte del trabajo?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La Escalera de Contribuci\u00f3n de la gu\u00eda central del grupo dice qu\u00e9 medir. Este modelo dice qu\u00e9 documentar.<\/p>\n<p><strong>Tabla 6. El Modelo de Contribuci\u00f3n en la Era de la IA (marco editorial de CEOtudent)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Capa<\/th>\n<th>Pruebas que cuentan<\/th>\n<th>Pruebas que no cuentan<\/th>\n<th>C\u00f3mo la cambia la IA<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>A. Resultado entregado<\/td>\n<td>Se movi\u00f3 una m\u00e9trica que es de otra persona; se tom\u00f3 una decisi\u00f3n basada en tu trabajo; se cerr\u00f3 un riesgo<\/td>\n<td>Borradores, presentaciones, tickets, horas, estad\u00edsticas de la herramienta<\/td>\n<td>El volumen ahora es barato, as\u00ed que el peso recae en los resultados<\/td>\n<\/tr>\n<tr>\n<td>B. Planteamiento del problema y derechos de decisi\u00f3n<\/td>\n<td>Nota fechada con las opciones, la elecci\u00f3n, el motivo y la aprobaci\u00f3n<\/td>\n<td>Un documento pulido sin constancia de lo que se descart\u00f3<\/td>\n<td>La IA genera opciones en segundos; elegir una y asumirla es lo escaso<\/td>\n<\/tr>\n<tr>\n<td>C. Verificaci\u00f3n y detecci\u00f3n de errores<\/td>\n<td>Registro de resultados corregidos, lo que habr\u00eda costado cada error y c\u00f3mo se detect\u00f3<\/td>\n<td>&ldquo;Revisado&rdquo; sin decir frente a qu\u00e9<\/td>\n<td>La frontera irregular hace esta capa m\u00e1s grande y menos visible<\/td>\n<\/tr>\n<tr>\n<td>D. Apalancamiento creado para otros<\/td>\n<td>Plantillas, prompts, listas de verificaci\u00f3n o datos que otros adoptaron; la reutilizaci\u00f3n cuenta<\/td>\n<td>Velocidad personal que nadie m\u00e1s puede aprovechar<\/td>\n<td>Los flujos de trabajo con IA son f\u00e1ciles de compartir, as\u00ed que el apalancamiento pasa a ser medible<\/td>\n<\/tr>\n<tr>\n<td>E. Velocidad de aprendizaje<\/td>\n<td>Nuevas responsabilidades fechadas; una habilidad demostrada en el trabajo que no estaba en el ciclo anterior<\/td>\n<td>Certificados sin uso aplicado<\/td>\n<td>Las tareas que absorbe la IA no dejan de cambiar; quedarse quieto es un declive lento<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Las capas B y C son donde el trabajo asistido por IA recibe menos m\u00e9rito del que merece, porque son lo que los evaluadores de Reif y Earp no pod\u00edan ver. El <a href=\"\/es\/diario-de-decisiones-plantilla-y-protocolo-para-mejorar-tu-juicio\">protocolo del diario de decisiones<\/a> es el lugar natural para la capa B, y el <a href=\"\/es\/manual-gestion-ia-dirigir-evaluar-mejorar\">manual del gestor de IA<\/a> produce pruebas de la capa C como efecto secundario.<\/p>\n<h2 id=\"el-registro-semanal-de-contribuciones\"><span class=\"ez-toc-section\" id=\"El-registro-semanal-de-contribuciones\"><\/span>El registro semanal de contribuciones<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Un bloque breve al final de cada <a href=\"\/es\/protocolo-revision-semanal-alto-rendimiento-2026\">revisi\u00f3n semanal<\/a> convierte la temporada de evaluaciones de un ejercicio de memoria en un ejercicio de edici\u00f3n.<\/p>\n<p><strong>Tabla 7. Campos del registro semanal de contribuciones (marco editorial de CEOtudent)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Campo<\/th>\n<th>Qu\u00e9 escribir<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fecha y proyecto<\/td>\n<td>Semana, proyecto, parte interesada<\/td>\n<\/tr>\n<tr>\n<td>Resultado<\/td>\n<td>El cambio que el trabajo pretende provocar y a qui\u00e9n pertenece esa m\u00e9trica<\/td>\n<\/tr>\n<tr>\n<td>Decisi\u00f3n asumida<\/td>\n<td>La elecci\u00f3n, las opciones descartadas, el motivo<\/td>\n<\/tr>\n<tr>\n<td>Papel de la IA<\/td>\n<td>Qu\u00e9 partes redact\u00f3, resumi\u00f3 o calcul\u00f3 la herramienta y cu\u00e1les no toc\u00f3<\/td>\n<\/tr>\n<tr>\n<td>Verificaci\u00f3n<\/td>\n<td>Qu\u00e9 se comprob\u00f3, frente a qu\u00e9 fuente y qu\u00e9 se encontr\u00f3<\/td>\n<\/tr>\n<tr>\n<td>Error detectado o correcci\u00f3n<\/td>\n<td>En qu\u00e9 se equivoc\u00f3 el modelo y qu\u00e9 habr\u00eda costado<\/td>\n<\/tr>\n<tr>\n<td>Apalancamiento<\/td>\n<td>Qu\u00e9 pueden reutilizar otros y qui\u00e9n lo us\u00f3<\/td>\n<\/tr>\n<tr>\n<td>Nota de aprendizaje<\/td>\n<td>Qu\u00e9 fue nuevo, dif\u00edcil o se deleg\u00f3 en la IA por primera vez<\/td>\n<\/tr>\n<tr>\n<td>Referencia a la prueba<\/td>\n<td>D\u00f3nde est\u00e1 la prueba: archivo, ticket, mensaje, panel<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Ejemplo ilustrativo de entrada (todos los valores son supuestos ilustrativos, no datos).<\/strong> Semana 14, informe trimestral de proveedores. Resultado: el ciclo del informe se redujo de 5 d\u00edas a 2 d\u00edas, una reducci\u00f3n del 60 %, m\u00e9trica que pertenece al responsable de finanzas. Decisi\u00f3n: se eliminaron dos m\u00e9tricas heredadas sin uso en favor de una medida de calendario de caja que pidi\u00f3 el responsable de finanzas. Papel de la IA: redact\u00f3 la narrativa y una primera versi\u00f3n de la tabla de desviaciones; no toc\u00f3 la extracci\u00f3n de datos. Verificaci\u00f3n: se cuadraron todos los totales con la exportaci\u00f3n del libro mayor; se encontraron dos notas de cr\u00e9dito contabilizadas dos veces. Correcci\u00f3n: se rechaz\u00f3 una explicaci\u00f3n de desviaci\u00f3n que citaba una cl\u00e1usula contractual inexistente. Apalancamiento: dos compa\u00f1eros usan ya la lista de verificaci\u00f3n de conciliaci\u00f3n. Aprendizaje: primera medida de calendario de caja; la siguiente habilidad es preverla. Prueba: historial de versiones y archivo de la lista de verificaci\u00f3n.<\/p>\n<h3 id=\"la-plantilla-de-prrafo-de-autoevaluacin\">La plantilla de p\u00e1rrafo de autoevaluaci\u00f3n<\/h3>\n<p>Sustituye cada corchete y elimina cualquier frase que no puedas respaldar.<\/p>\n<blockquote>\n<p>En [periodo], [proyecto] logr\u00f3 [resultado], medido por [m\u00e9trica] que pertenece a [parte interesada], pasando de [valor de partida] a [resultado]. La decisi\u00f3n clave fue [elecci\u00f3n] en lugar de [alternativa] porque [motivo]. Las herramientas de IA se usaron para [partes concretas]; [partes nombradas] se hicieron sin ellas. Cada [cifra o afirmaci\u00f3n] se comprob\u00f3 frente a [fuente], lo que detect\u00f3 [n\u00famero] errores, entre ellos [el que importaba], que habr\u00eda [consecuencia]. La [plantilla o flujo de trabajo] creada durante este trabajo la usa ahora [qui\u00e9n]. El siguiente paso es [responsabilidad m\u00e1s exigente], que requiere desarrollar [habilidad].<\/p>\n<\/blockquote>\n<p>La frase sobre la IA es breve, factual y est\u00e1 ligada a partes del trabajo. Responde a la pregunta que, de otro modo, el evaluador responder\u00eda con una suposici\u00f3n, y vincula la herramienta a una tarea en la que encajaba, la condici\u00f3n en la que desaparec\u00eda la penalizaci\u00f3n de Reif.<\/p>\n<h3 id=\"la-prueba-de-seis-preguntas-para-cada-logro\">La prueba de seis preguntas para cada logro<\/h3>\n<p>Conserva los logros que superen al menos cinco.<\/p>\n<ol>\n<li><strong>Prueba del propietario.<\/strong> \u00bfSe mide el resultado con un n\u00famero o una decisi\u00f3n que pertenece a otra persona?<\/li>\n<li><strong>Prueba contrafactual.<\/strong> \u00bfHabr\u00eda sido el resultado peor, m\u00e1s tard\u00edo o err\u00f3neo si se hubiera aceptado el primer resultado de la herramienta?<\/li>\n<li><strong>Prueba de la decisi\u00f3n.<\/strong> \u00bfSe pueden nombrar la opci\u00f3n descartada y el motivo?<\/li>\n<li><strong>Prueba de la verificaci\u00f3n.<\/strong> \u00bfEst\u00e1 claro qu\u00e9 se comprob\u00f3, frente a qu\u00e9 y qu\u00e9 se encontr\u00f3?<\/li>\n<li><strong>Prueba de la evidencia.<\/strong> \u00bfExiste un artefacto que un evaluador esc\u00e9ptico pudiera abrir en dos minutos?<\/li>\n<li><strong>Prueba de la divulgaci\u00f3n.<\/strong> \u00bfSe describe con precisi\u00f3n la participaci\u00f3n de la IA, al nivel que exigen la pol\u00edtica de tu empleador y los acuerdos con clientes?<\/li>\n<\/ol>\n<p>La pregunta 6 corta en ambos sentidos. Exagerar tu parte en un trabajo producido por IA es un riesgo para tu credibilidad y a menudo un incumplimiento de la pol\u00edtica; infravalorar tu criterio porque intervino una herramienta es un error de medici\u00f3n en tu contra.<\/p>\n<h2 id=\"cmo-revelar-el-uso-de-la-ia-sin-pagar-la-penalizacin\"><span class=\"ez-toc-section\" id=\"%C2%BFComo-revelar-el-uso-de-la-IA-sin-pagar-la-penalizacion\"><\/span>\u00bfC\u00f3mo revelar el uso de la IA sin pagar la penalizaci\u00f3n?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La decisi\u00f3n de revelarlo seg\u00fan el r\u00e9gimen de pol\u00edticas est\u00e1 en la gu\u00eda de CEOtudent sobre la divulgaci\u00f3n. Para el documento de evaluaci\u00f3n, los experimentos sugieren tres reglas. <strong>Revela el m\u00e9todo, no una confesi\u00f3n:<\/strong> la penalizaci\u00f3n del Estudio 2 se asociaba a una simple menci\u00f3n de la ayuda de la IA, as\u00ed que di qu\u00e9 hizo la herramienta y qu\u00e9 hiciste t\u00fa. <strong>Ancla la herramienta a la adecuaci\u00f3n a la tarea:<\/strong> la penalizaci\u00f3n del Estudio 4 desaparec\u00eda donde la IA era claramente \u00fatil, as\u00ed que di por qu\u00e9 encajaba. <strong>Muestra la procedencia:<\/strong> en el experimento de Earp el m\u00e9rito se recuperaba cuando el resultado se basaba en el trabajo propio del autor, as\u00ed que se\u00f1ala tus datos, an\u00e1lisis, prompts y listas de verificaci\u00f3n. Nada de esto garantiza una calificaci\u00f3n justa; reduce el espacio en el que una impresi\u00f3n sustituye a las pruebas.<\/p>\n<h2 id=\"la-jugada-del-ceo-y-la-jugada-del-estudiante\"><span class=\"ez-toc-section\" id=\"La-jugada-del-CEO-y-la-jugada-del-estudiante\"><\/span>La jugada del CEO y la jugada del estudiante<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>La jugada del CEO.<\/strong> Trata la evaluaci\u00f3n como un dosier para el consejo: resultados, las decisiones que los sustentan, riesgos detectados, capacidades creadas. Lleva el registro semanal, elige de tres a cinco logros que superen la prueba de seis preguntas, adjunta a cada uno una referencia a la prueba y pregunta de antemano qu\u00e9 m\u00e9trica pondera m\u00e1s tu responsable.<\/p>\n<p><strong>La jugada del estudiante.<\/strong> Cada mes, lee juntos los campos &ldquo;papel de la IA&rdquo; y &ldquo;nota de aprendizaje&rdquo;. Las tareas que pasaron a &ldquo;redactado por la IA&rdquo; est\u00e1n siendo absorbidas; decide si eso libera tiempo para un trabajo m\u00e1s exigente o erosiona una habilidad que todav\u00eda necesitas. Detectar repetidamente errores del modelo se\u00f1ala una habilidad de criterio que vale la pena profundizar. En un a\u00f1o, esto se convierte en tu mapa de <a href=\"\/es\/capital-profesional-era-ia-que-se-acumula-que-se-deprecia\">lo que se acumula y lo que se deprecia<\/a>.<\/p>\n<h2 id=\"lo-que-esto-no-significa\"><span class=\"ez-toc-section\" id=\"Lo-que-esto-no-significa\"><\/span>Lo que esto no significa<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Las calificaciones no son aleatorias.<\/strong> Una fiabilidad en torno a 0,52 sigue aportando informaci\u00f3n; una sola impresi\u00f3n es simplemente m\u00e1s d\u00e9bil que varios hechos independientes.<\/li>\n<li><strong>La penalizaci\u00f3n por IA no te tiene por qu\u00e9 ocurrir a ti.<\/strong> Los experimentos usaron muestras en l\u00ednea, vi\u00f1etas y tareas breves, no evaluaciones reales con historial y contexto.<\/li>\n<li><strong>Las cifras federales no describen a tu empleador,<\/strong> y las cifras de Gallup proceden de una empresa que vende servicios de gesti\u00f3n del desempe\u00f1o.<\/li>\n<li><strong>Ocultar el uso de la IA no es la respuesta.<\/strong> La ocultaci\u00f3n conlleva riesgos de pol\u00edtica interna, contractuales y de credibilidad que los experimentos no midieron. Sigue la pol\u00edtica de tu empleador.<\/li>\n<li><strong>Esto es informaci\u00f3n general sobre investigaciones publicadas, no asesoramiento jur\u00eddico ni de recursos humanos.<\/strong> Las normas sobre supervisi\u00f3n, divulgaci\u00f3n y evaluaci\u00f3n var\u00edan seg\u00fan el pa\u00eds, el sector y el contrato.<\/li>\n<\/ul>\n<h2 id=\"preguntas-frecuentes\"><span class=\"ez-toc-section\" id=\"Preguntas-frecuentes\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfPuede alguien atribuirse un resultado si la IA redact\u00f3 la mayor parte del entregable?<\/strong><br \/>\nS\u00ed, por las partes que fueron suyas: el planteamiento, las decisiones, la verificaci\u00f3n y el resultado del que responde, con el papel de la IA descrito con precisi\u00f3n. El experimento de Earp sugiere que los evaluadores conceden el m\u00e9rito completo cuando el resultado se basa claramente en el trabajo previo de la propia persona.<\/p>\n<p><strong>\u00bfDeber\u00eda una autoevaluaci\u00f3n mencionar la IA?<\/strong><br \/>\nPrimero, sigue la pol\u00edtica del empleador. Donde no exista, una frase concreta sobre lo que hizo la herramienta y lo que hizo la persona suele ser m\u00e1s segura que el silencio o una confesi\u00f3n vaga.<\/p>\n<p><strong>\u00bfCu\u00e1ntos logros deben figurar en una evaluaci\u00f3n?<\/strong><br \/>\nNo existe una cifra basada en la evidencia. Importan m\u00e1s varios hechos comprobables por afirmaci\u00f3n que una lista larga; de tres a cinco logros que superen la prueba de seis preguntas es una regla pr\u00e1ctica de CEOtudent, no un hallazgo de investigaci\u00f3n.<\/p>\n<p><strong>\u00bfY si el responsable es esc\u00e9ptico con la IA?<\/strong><br \/>\nEsa es la condici\u00f3n con la penalizaci\u00f3n m\u00e1s fuerte en los experimentos de Reif. Explica la adecuaci\u00f3n a la tarea, muestra las comprobaciones y empieza por los resultados que pertenecen a otras personas.<\/p>\n<p><strong>\u00bfDetectar errores de la IA cuenta como desempe\u00f1o?<\/strong><br \/>\nEn el experimento de Dell&rsquo;Acqua, los usuarios de IA tuvieron un 19 % menos de probabilidades de llegar a soluciones correctas en una tarea fuera de la capacidad de la herramienta. Evitarlo es un valor real, pero solo si se registra con lo que se encontr\u00f3 y lo que habr\u00eda costado.<\/p>\n<p><strong>\u00bfEn qu\u00e9 se diferencia esto de la Escalera de Contribuci\u00f3n?<\/strong><br \/>\nLa escalera clasifica las m\u00e9tricas seg\u00fan cu\u00e1nto revelan sobre el valor. Este modelo clasifica las pruebas que hay que documentar para que un evaluador pueda ver ese valor, con una capa de verificaci\u00f3n propia.<\/p>\n<h2 id=\"fuentes\"><span class=\"ez-toc-section\" id=\"Fuentes\"><\/span>Fuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Scullen, S. E., Mount, M. K., y Goff, M. (2000). Understanding the latent structure of job performance ratings. Journal of Applied Psychology, 85(6), 956-970 (solo el resumen, a trav\u00e9s de Europe PMC).<\/li>\n<li>Viswesvaran, C., Ones, D. S., y Schmidt, F. L. (1996). Comparative analysis of the reliability of job performance ratings. Journal of Applied Psychology, 81(5), 557-574 (solo el resumen, tal como lo indexa la biblioteca de la Shanghai University of Finance and Economics).<\/li>\n<li>Jackson, D. J. R., et al. (2022). Uncertainty about rater variance and small dimension effects impact reliability in supervisor ratings. Human Performance, 35(3-4), 278-301 (manuscrito aceptado).<\/li>\n<li>Gallup (2019). More Harm Than Good: The Truth About Performance Reviews. Art\u00edculo publicado por la empresa.<\/li>\n<li>Gallup (2018). Re-Engineering Performance Management. Art\u00edculo publicado por la empresa.<\/li>\n<li>US Office of Personnel Management (2025). 2024 Federal Employee Viewpoint Survey Results: Governmentwide Management Report, revisado en abril de 2025.<\/li>\n<li>US Office of Personnel Management. 2024 FEVS governmentwide all levels, all index, all items report (xlsx).<\/li>\n<li>Reif, J. A., Larrick, R. P., y Soll, J. B. (2025). Evidence of a social evaluation penalty for using AI. Proceedings of the National Academy of Sciences, 122(19), e2426766122.<\/li>\n<li>Porsdam Mann, S., Earp, B. D., et al. (2023). Generative AI entails a credit-blame asymmetry. Nature Machine Intelligence, comentario (solo la entradilla).<\/li>\n<li>Earp, B. D., Porsdam Mann, S., Liu, P., et al. (2024). Credit and blame for AI-generated content: Effects of personalization in four countries. Annals of the New York Academy of Sciences, 1542, 51-57.<\/li>\n<li>Draxler, F., et al. (2023). The AI Ghostwriter Effect: When Users Do Not Perceive Ownership of AI-Generated Text But Self-Declare as Authors. arXiv 2303.03283v2.<\/li>\n<li>Dell&rsquo;Acqua, F., et al. Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013; Organization Science, marzo-abril de 2026 (solo el resumen).<\/li>\n<li>Pew Research Center (2025). Workers&rsquo; experience with AI chatbots in their jobs. 25 de febrero de 2025.<\/li>\n<li>Pew Research Center (2025). 21% of US workers use AI on the job, up since 2024. 6 de octubre de 2025.<\/li>\n<li>Pew Research Center (2026). Americans and AI 2026: Chatbots, Smart Devices and Views on Impact. 17 de junio de 2026.<\/li>\n<\/ol>\n<p><em>Las tablas 3 y 5 son an\u00e1lisis de CEOtudent que recalculan o combinan las cifras publicadas que se indican en cada tabla; las tablas 6 y 7, la plantilla de autoevaluaci\u00f3n y la prueba de seis preguntas son marcos editoriales de CEOtudent, no hallazgos de los estudios citados. La entrada de registro de ejemplo usa valores inventados se\u00f1alados como ilustrativos. Cifras muy repetidas que se han dejado fuera deliberadamente: afirmaciones de que una proporci\u00f3n fija de empresas ha abandonado las evaluaciones anuales, y porcentajes de encuestas de proveedores sobre directivos que usan IA para redactar evaluaciones, porque para este art\u00edculo no se consult\u00f3 ning\u00fan texto primario que las respalde.<\/em><\/p>\n<hr>\n<p><em>Este contenido fue recopilado con el apoyo de la IA tras una investigaci\u00f3n exhaustiva, y luego redactado y preparado para su publicaci\u00f3n por el equipo editorial de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>En un estudio cl\u00e1sico con dos grandes muestras de directivos, las particularidades del evaluador explicaron el 62 % y el 53 % de la varianza de las calificaciones, frente al 21 % y el 25 % del desempe\u00f1o real. Cuatro experimentos prerregistrados (N = 4.439) muestran ahora que a las personas que se sabe que usan IA se las juzga m\u00e1s perezosas y menos competentes. Esta gu\u00eda ofrece un registro de contribuciones, una plantilla de autoevaluaci\u00f3n y una prueba de seis preguntas para que el evaluador tenga pruebas que comprobar en lugar de una impresi\u00f3n que adivinar.<\/p>\n","protected":false},"author":1,"featured_media":326847,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5,18],"tags":[],"class_list":["post-326846","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-is","category-strateji"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326846","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/comments?post=326846"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326846\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media\/326847"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media?parent=326846"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/categories?post=326846"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/tags?post=326846"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}