En resumen. Las calificaciones de desempeño 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 desempeño real de la persona explicó el 21 % y el 25 %. Un metaanálisis situó la fiabilidad media entre evaluadores de las calificaciones de los supervisores en 0,52. En la última encuesta federal de Estados Unidos a nivel de toda la administración, solo el 47 % de los empleados afirmó que las diferencias de desempeño se reconocen de forma significativa, el ítem con la puntuación más baja. La IA añade una segunda distorsión: en cuatro experimentos prerregistrados con 4.439 participantes, a las personas ayudadas por IA se las calificó como más 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 países, quien usaba un chatbot estándar obtenía entre 11,83 y 24,72 puntos menos de mérito (escala de 0-100) que alguien que lograba el mismo resultado útil sin IA. La jugada del CEO: llevar un registro semanal de contribuciones que separe el resultado, las decisiones asumidas, la verificación realizada y el apalancamiento creado, y presentar pruebas que un evaluador pueda comprobar. La jugada del estudiante: leer el registro cada mes para ver qué partes de tu trabajo está absorbiendo la IA y qué habilidades de criterio conviene desarrollar a continuación.
Este artículo es la capa de documentación de la evaluación que se apoya en la guía de CEOtudent sobre cómo medir la producción del trabajo intelectual. Si conviene mencionar la IA o no se trata en ¿deberías decirle a tu jefe que usas IA?; cómo convertir las pruebas en un argumento salarial se trata en cómo negociar un aumento cuando la IA multiplicó tu producción.
¿Por qué esta temporada de evaluaciones es diferente?
El uso de la IA en el trabajo se volvió rutinario para una minoría considerable antes de que la mayoría de los empleadores dijera cómo quiere evaluarlo. Pew Research Center constató 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 año antes. En una encuesta de Pew de febrero de 2026, el 38 % de los adultos con empleo declaró usar chatbots de IA para tareas laborales. En cuanto a las reglas, una encuesta de Pew publicada en febrero de 2025 halló que la mitad de los trabajadores que no son autónomos 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 habían usado chatbots en el trabajo, el 40 % los consideró extremadamente o muy útiles para hacer las cosas más rápido, y el 29 % los consideró muy útiles para mejorar la calidad.
Así, una parte creciente del trabajo que un responsable calificará este año se produjo con algo de ayuda de la IA, a menudo bajo reglas no escritas, y sobre todo de forma más rápida que mejor. El evaluador debe decidir qué parte del resultado pertenece a la persona. Sin pruebas, esa decisión recae en la impresión, que es justo donde las evaluaciones son más débiles.
¿Qué fiabilidad tiene, para empezar, una calificación de desempeño?
Tabla 1. Lo que dice la investigación sobre la fiabilidad de las calificaciones de desempeño (cifras tal como se publicaron)
| Estudio | Datos | Hallazgo tal como se publicó |
|---|---|---|
| Scullen, Mount y Goff, Journal of Applied Psychology, 2000 | 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 | Efectos particulares del evaluador: 62 % y 53 % de la varianza; desempeño general y dimensional del evaluado: 21 % y 25 %; error aleatorio: 11 % y 18 % |
| Viswesvaran, Ones y Schmidt, Journal of Applied Psychology, 1996 | Metaanálisis de la fiabilidad de las calificaciones en 10 dimensiones y en el desempeño global | Fiabilidad media entre evaluadores de las calificaciones de los supervisores sobre el desempeño laboral global: 0,52; las calificaciones de los supervisores parecen más fiables que las de los pares |
| Jackson et al., Human Performance, 2022 | Dos muestras reanalizadas (392 evaluados, 244 evaluadores; 342 evaluados, 397 evaluadores) | Estructura principalmente general (más del 27 % de la varianza) y ligada al evaluador (más del 49 %); efectos de dimensión del 1 % al 11 % |
Fuentes: Scullen et al. y Viswesvaran et al. (resúmenes), Jackson et al. (manuscrito aceptado). Los datos de Scullen eran calificaciones multifuente con fines de desarrollo, no evaluaciones ligadas a la retribución.
La cifra de 0,52 es objeto de debate: Jackson y sus coautores señalan 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 sí se sostiene es la dirección: una sola calificación lleva una gran parte del evaluador.
Los empleados lo notan. Gallup, empresa de consultoría e investigación, informó en 2019 de que solo el 14 % de los empleados está totalmente de acuerdo en que sus evaluaciones de desempeño los inspiran a mejorar, y en 2018 de que solo el 21 % está totalmente de acuerdo en que tiene métricas de desempeño bajo su control.
La mayor encuesta pública con resultados por ítem es la Federal Employee Viewpoint Survey de la Office of Personnel Management de Estados Unidos. La edición de 2024 (revisada en abril de 2025) es el informe de gestión más reciente para toda la administración que figura en la página de informes de la OPM en octubre de 2026. Respondieron más de 674.000 empleados, con una tasa de respuesta del 41 %.
Tabla 2. Rendición de cuentas frente a reconocimiento, Federal Employee Viewpoint Survey 2024 (porcentaje de respuestas positivas en toda la administración, tal como se publicó)
| Ítem | Porcentaje positivo |
|---|---|
| “Mi supervisor me hace responsable de lograr resultados.” (P. 53) | 88 % |
| “Se me hace responsable de la calidad del trabajo que produzco.” (P. 11) | 87 % |
| “¿Qué grado de satisfacción tiene con el reconocimiento que recibe por hacer un buen trabajo?” (P. 69) | 57 % |
| “En mi unidad de trabajo, las diferencias de desempeño se reconocen de forma significativa.” (P. 17) | 47 %, el ítem con la puntuación más baja |
Fuente: US Office of Personnel Management, 2024 FEVS Governmentwide Management Report y libro de ítems (P. 17: 26,3 % neutral, 27,2 % negativo).
Casi nueve de cada diez dicen que se les hace responsables de los resultados; menos de la mitad dice que las diferencias de desempeño se reconocen de forma significativa. Esa brecha de 40 a 41 puntos es el aspecto que tiene la contribución cuando un sistema puede ver que el trabajo se hizo, pero no cómo de bien ni de quién era.
¿Qué significa el ruido del evaluador para tus pruebas?
Si una impresión es una prueba débil, el remedio son más pruebas independientes, no una impresión más segura de sí misma.
Tabla 3. Señal, ruido del evaluador y valor de las pruebas independientes (análisis de CEOtudent a partir de Scullen et al. 2000 y Viswesvaran et al. 1996)
| Medida | Valor | Cálculo |
|---|---|---|
| Particularidad del evaluador en relación con el desempeño del evaluado | 2,95 veces (conjunto de datos 1); 2,12 veces (conjunto de datos 2) | 62/21; 53/25 |
| Particularidad del evaluador más error aleatorio | 73 % y 71 % de la varianza | 62 + 11; 53 + 18 |
| Fiabilidad de la calificación global de un solo supervisor | 0,52 | Tal como se publicó |
| Fiabilidad esperada, media de 2 / 3 / 4 evaluadores independientes | 0,68 / 0,77 / 0,81 | Fórmula de Spearman-Brown |
| Evaluadores independientes necesarios para alcanzar 0,70 / 0,80 | 3 / 4 | Spearman-Brown despejada para k, redondeando al alza |
Spearman-Brown supone evaluadores paralelos e independientes, algo que los evaluadores reales rara vez son; toma estas cifras como una ilustración de límite superior.
No puedes elegir cuántas personas te evalúan. Sí puedes elegir cuántos hechos independientes y comprobables respaldan cada afirmación: una métrica que es de otra persona, una nota de decisión escrita en el momento, un defecto detectado y confirmado. La tabla es una analogía, no una ley, pero explica por qué tres hechos modestos y verificables persuaden de forma más fiable que un adjetivo impresionante.
¿Cómo juzgan los evaluadores el trabajo en el que ayudó la IA?
Las pruebas más sólidas proceden de Reif, Larrick y Soll, de la Fuqua School of Business de la Duke University (PNAS, 2025).
Tabla 4. Pruebas de una penalización en la evaluación social por usar IA (Reif, Larrick y Soll, 2025; cifras tal como se publicaron)
| Estudio | Diseño y muestra | Resultado clave |
|---|---|---|
| 1 | 500 participantes imaginaron usar en el trabajo una herramienta de IA generativa o una herramienta de panel de control (N = 497 analizados) | Esperaban que se les viera como más 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) |
| 2 | 1.215 participantes calificaron a un empleado a partir de 384 viñetas (N = 1.203 analizados) | El empleado ayudado por IA fue calificado como más perezoso (2,50) que uno ayudado por una fuente sin IA (2,16) o sin ayuda (2,02); también menos competente, diligente, independiente y seguro de sí mismo; sin moderación por edad, género u ocupación |
| 3 | 801 candidatos reales y 1.718 participantes directivos, contratación compatible con incentivos (N = 1.667 analizados) | Sin diferencia media de adecuación 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 |
| 4 | 1.006 participantes contratando a un trabajador de plataforma (N = 1.002 analizados) | A los usuarios de IA se les vio como más perezosos, lo que redujo la adecuación a la tarea. Tarea manual: 4,75 (herramientas tradicionales) frente a 4,18 (IA). Tarea digital en la que la IA era útil: 5,58 frente a 5,75, no significativo (P = 0,112) |
El total de 4.439 cuenta a los directivos del Estudio 3, no a sus candidatos.
Tres detalles importan para una evaluación. La penalización afectaba al esfuerzo y la capacidad atribuidos (pereza, competencia, diligencia), no a la ambición ni al dominio. Dependía del evaluador: en el Estudio 4, la brecha de pereza fue significativa entre los participantes que nunca habían usado IA, que la habían probado una o dos veces o que la usaban ocasionalmente, y no entre los usuarios semanales o diarios. Y dependía de la adecuación: donde la IA era claramente útil para la tarea, la penalización por adecuación a la tarea desaparecía. Un evaluador que solo ve “usó IA” llena el hueco con una atribución sobre el esfuerzo; un evaluador que ve la decisión, la comprobación y por qué la herramienta se ajustaba a la tarea tiene otra cosa a la que atribuir el mérito.
¿Quién se lleva el mérito cuando ayudó la IA?
Porsdam Mann y sus colegas sostuvieron en Nature Machine Intelligence (2023) que la IA generativa crea una asimetría entre mérito y culpa; un artículo posterior lo resume como un uso de la IA que “eleva el listón para ganarse el mérito, pero los criterios para atribuir la culpa siguen siendo los mismos”.
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 estándar, con un modelo personalizado a partir de los trabajos anteriores del propio escritor, o sin IA, tras revisarla por encima rápidamente. Los participantes calificaron el mérito por una entrada útil, o la culpa por una perjudicial, de 0 a 100.
| País | Brecha de mérito: sin IA menos LLM estándar | Brecha de mérito: personalizado menos LLM estándar |
|---|---|---|
| Reino Unido | 18,51 puntos | 14,31 puntos |
| Estados Unidos | 24,72 puntos | 17,56 puntos |
| China | 11,83 puntos | 5,13 puntos (no significativo) |
| Singapur | No disponible (control excluido tras un error de programación) | 17,60 puntos |
Fuente: Earp et al., Annals of the New York Academy of Sciences, 2024, tabla 1 (ajuste de Bonferroni; los contrastes estándar menos personalizado se reformulan como brechas positivas).
El mérito por una entrada útil elaborada con un modelo entrenado con los trabajos anteriores del propio escritor no fue significativamente inferior al de la entrada sin IA en ningún país con grupo de control; los participantes señalaron la procedencia. La culpa apenas dependió del tipo de IA, salvo en China, y los participantes del Reino Unido culparon más al escritor por usar cualquier modelo.
Draxler y sus colegas (dos estudios, n = 30 y n = 96) añaden el efecto del escritor fantasma de IA: los usuarios no se consideraban propietarios del texto generado por IA, pero tampoco declaraban públicamente la autoría de la IA. Una mayor influencia sobre el texto aumentaba su sensación de propiedad.
Tabla 5. Qué mueve el juicio sobre el trabajo asistido por IA y qué documentar (análisis de CEOtudent a partir de Reif et al. 2025, Earp et al. 2024 y Draxler et al. 2023)
| Lo que variaron los estudios | Efecto en la evaluación | Documentación que lo aborda |
|---|---|---|
| Fuente de una ayuda idéntica | Pereza 0,34 más alta que con ayuda sin IA, 0,48 más alta que sin ayuda (Reif, Estudio 2) | Nombra el esfuerzo que siguió siendo tuyo: planteamiento, decisiones, comprobaciones |
| Uso propio de la IA por parte del evaluador | Penalización significativa para no usuarios y usuarios ocasionales, no para usuarios semanales o diarios (Reif, Estudio 4) | Escribe para el lector de la evaluación menos familiarizado con la IA |
| Si la IA se ajustaba a la tarea | Penalización por adecuación de 0,57 en una tarea manual; ninguna significativa en una tarea digital (Reif, Estudio 4) | Explica por qué encajaba la herramienta y dónde no se usó |
| Procedencia del contenido | Mérito con LLM estándar entre 11,83 y 24,72 puntos por debajo del control sin IA, media 18,35; LLM personalizado no significativamente inferior (Earp) | Muestra lo que vino de ti: datos, análisis previos, estructura |
| Influencia sobre el texto | Más influencia, más sensación de propiedad (Draxler) | Conserva versiones de antes y después de lo que cambiaste |
Son hallazgos en línea o de laboratorio, no efectos medidos en evaluaciones reales; la columna de la derecha es una inferencia de CEOtudent.
¿Dónde empeora la IA tu trabajo sin que te des cuenta?
En el experimento prerregistrado de Dell’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 % más de tareas y trabajaron un 25,1 % más rápido en 18 tareas dentro de la frontera de capacidad de la IA, pero en una tarea de gestión fuera de ella tuvieron un 19 % menos de probabilidades de dar con soluciones correctas. Los autores lo llaman una frontera tecnológica irregular.
Ese es el argumento más sólido para registrar las correcciones. Tu acto más valioso en un proyecto puede ser rechazar una respuesta del modelo equivocada pero muy segura, y no deja rastro porque el error nunca llegó a entregarse. El coste en tiempo de la comprobación se trata en el impuesto de verificación, la habilidad en la habilidad de evaluación y las ganancias de los estudios controlados en la paradoja de productividad de la IA.
¿Qué cuenta como tu contribución cuando la IA hizo parte del trabajo?
La Escalera de Contribución de la guía central del grupo dice qué medir. Este modelo dice qué documentar.
Tabla 6. El Modelo de Contribución en la Era de la IA (marco editorial de CEOtudent)
| Capa | Pruebas que cuentan | Pruebas que no cuentan | Cómo la cambia la IA |
|---|---|---|---|
| A. Resultado entregado | Se movió una métrica que es de otra persona; se tomó una decisión basada en tu trabajo; se cerró un riesgo | Borradores, presentaciones, tickets, horas, estadísticas de la herramienta | El volumen ahora es barato, así que el peso recae en los resultados |
| B. Planteamiento del problema y derechos de decisión | Nota fechada con las opciones, la elección, el motivo y la aprobación | Un documento pulido sin constancia de lo que se descartó | La IA genera opciones en segundos; elegir una y asumirla es lo escaso |
| C. Verificación y detección de errores | Registro de resultados corregidos, lo que habría costado cada error y cómo se detectó | “Revisado” sin decir frente a qué | La frontera irregular hace esta capa más grande y menos visible |
| D. Apalancamiento creado para otros | Plantillas, prompts, listas de verificación o datos que otros adoptaron; la reutilización cuenta | Velocidad personal que nadie más puede aprovechar | Los flujos de trabajo con IA son fáciles de compartir, así que el apalancamiento pasa a ser medible |
| E. Velocidad de aprendizaje | Nuevas responsabilidades fechadas; una habilidad demostrada en el trabajo que no estaba en el ciclo anterior | Certificados sin uso aplicado | Las tareas que absorbe la IA no dejan de cambiar; quedarse quieto es un declive lento |
Las capas B y C son donde el trabajo asistido por IA recibe menos mérito del que merece, porque son lo que los evaluadores de Reif y Earp no podían ver. El protocolo del diario de decisiones es el lugar natural para la capa B, y el manual del gestor de IA produce pruebas de la capa C como efecto secundario.
El registro semanal de contribuciones
Un bloque breve al final de cada revisión semanal convierte la temporada de evaluaciones de un ejercicio de memoria en un ejercicio de edición.
Tabla 7. Campos del registro semanal de contribuciones (marco editorial de CEOtudent)
| Campo | Qué escribir |
|---|---|
| Fecha y proyecto | Semana, proyecto, parte interesada |
| Resultado | El cambio que el trabajo pretende provocar y a quién pertenece esa métrica |
| Decisión asumida | La elección, las opciones descartadas, el motivo |
| Papel de la IA | Qué partes redactó, resumió o calculó la herramienta y cuáles no tocó |
| Verificación | Qué se comprobó, frente a qué fuente y qué se encontró |
| Error detectado o corrección | En qué se equivocó el modelo y qué habría costado |
| Apalancamiento | Qué pueden reutilizar otros y quién lo usó |
| Nota de aprendizaje | Qué fue nuevo, difícil o se delegó en la IA por primera vez |
| Referencia a la prueba | Dónde está la prueba: archivo, ticket, mensaje, panel |
Ejemplo ilustrativo de entrada (todos los valores son supuestos ilustrativos, no datos). Semana 14, informe trimestral de proveedores. Resultado: el ciclo del informe se redujo de 5 días a 2 días, una reducción del 60 %, métrica que pertenece al responsable de finanzas. Decisión: se eliminaron dos métricas heredadas sin uso en favor de una medida de calendario de caja que pidió el responsable de finanzas. Papel de la IA: redactó la narrativa y una primera versión de la tabla de desviaciones; no tocó la extracción de datos. Verificación: se cuadraron todos los totales con la exportación del libro mayor; se encontraron dos notas de crédito contabilizadas dos veces. Corrección: se rechazó una explicación de desviación que citaba una cláusula contractual inexistente. Apalancamiento: dos compañeros usan ya la lista de verificación de conciliación. Aprendizaje: primera medida de calendario de caja; la siguiente habilidad es preverla. Prueba: historial de versiones y archivo de la lista de verificación.
La plantilla de párrafo de autoevaluación
Sustituye cada corchete y elimina cualquier frase que no puedas respaldar.
En [periodo], [proyecto] logró [resultado], medido por [métrica] que pertenece a [parte interesada], pasando de [valor de partida] a [resultado]. La decisión clave fue [elección] en lugar de [alternativa] porque [motivo]. Las herramientas de IA se usaron para [partes concretas]; [partes nombradas] se hicieron sin ellas. Cada [cifra o afirmación] se comprobó frente a [fuente], lo que detectó [número] errores, entre ellos [el que importaba], que habría [consecuencia]. La [plantilla o flujo de trabajo] creada durante este trabajo la usa ahora [quién]. El siguiente paso es [responsabilidad más exigente], que requiere desarrollar [habilidad].
La frase sobre la IA es breve, factual y está ligada a partes del trabajo. Responde a la pregunta que, de otro modo, el evaluador respondería con una suposición, y vincula la herramienta a una tarea en la que encajaba, la condición en la que desaparecía la penalización de Reif.
La prueba de seis preguntas para cada logro
Conserva los logros que superen al menos cinco.
- Prueba del propietario. ¿Se mide el resultado con un número o una decisión que pertenece a otra persona?
- Prueba contrafactual. ¿Habría sido el resultado peor, más tardío o erróneo si se hubiera aceptado el primer resultado de la herramienta?
- Prueba de la decisión. ¿Se pueden nombrar la opción descartada y el motivo?
- Prueba de la verificación. ¿Está claro qué se comprobó, frente a qué y qué se encontró?
- Prueba de la evidencia. ¿Existe un artefacto que un evaluador escéptico pudiera abrir en dos minutos?
- Prueba de la divulgación. ¿Se describe con precisión la participación de la IA, al nivel que exigen la política de tu empleador y los acuerdos con clientes?
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 política; infravalorar tu criterio porque intervino una herramienta es un error de medición en tu contra.
¿Cómo revelar el uso de la IA sin pagar la penalización?
La decisión de revelarlo según el régimen de políticas está en la guía de CEOtudent sobre la divulgación. Para el documento de evaluación, los experimentos sugieren tres reglas. Revela el método, no una confesión: la penalización del Estudio 2 se asociaba a una simple mención de la ayuda de la IA, así que di qué hizo la herramienta y qué hiciste tú. Ancla la herramienta a la adecuación a la tarea: la penalización del Estudio 4 desaparecía donde la IA era claramente útil, así que di por qué encajaba. Muestra la procedencia: en el experimento de Earp el mérito se recuperaba cuando el resultado se basaba en el trabajo propio del autor, así que señala tus datos, análisis, prompts y listas de verificación. Nada de esto garantiza una calificación justa; reduce el espacio en el que una impresión sustituye a las pruebas.
La jugada del CEO y la jugada del estudiante
La jugada del CEO. Trata la evaluación 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 qué métrica pondera más tu responsable.
La jugada del estudiante. Cada mes, lee juntos los campos “papel de la IA” y “nota de aprendizaje”. Las tareas que pasaron a “redactado por la IA” están siendo absorbidas; decide si eso libera tiempo para un trabajo más exigente o erosiona una habilidad que todavía necesitas. Detectar repetidamente errores del modelo señala una habilidad de criterio que vale la pena profundizar. En un año, esto se convierte en tu mapa de lo que se acumula y lo que se deprecia.
Lo que esto no significa
- Las calificaciones no son aleatorias. Una fiabilidad en torno a 0,52 sigue aportando información; una sola impresión es simplemente más débil que varios hechos independientes.
- La penalización por IA no te tiene por qué ocurrir a ti. Los experimentos usaron muestras en línea, viñetas y tareas breves, no evaluaciones reales con historial y contexto.
- Las cifras federales no describen a tu empleador, y las cifras de Gallup proceden de una empresa que vende servicios de gestión del desempeño.
- Ocultar el uso de la IA no es la respuesta. La ocultación conlleva riesgos de política interna, contractuales y de credibilidad que los experimentos no midieron. Sigue la política de tu empleador.
- Esto es información general sobre investigaciones publicadas, no asesoramiento jurídico ni de recursos humanos. Las normas sobre supervisión, divulgación y evaluación varían según el país, el sector y el contrato.
Preguntas frecuentes
¿Puede alguien atribuirse un resultado si la IA redactó la mayor parte del entregable?
Sí, por las partes que fueron suyas: el planteamiento, las decisiones, la verificación y el resultado del que responde, con el papel de la IA descrito con precisión. El experimento de Earp sugiere que los evaluadores conceden el mérito completo cuando el resultado se basa claramente en el trabajo previo de la propia persona.
¿Debería una autoevaluación mencionar la IA?
Primero, sigue la política del empleador. Donde no exista, una frase concreta sobre lo que hizo la herramienta y lo que hizo la persona suele ser más segura que el silencio o una confesión vaga.
¿Cuántos logros deben figurar en una evaluación?
No existe una cifra basada en la evidencia. Importan más varios hechos comprobables por afirmación que una lista larga; de tres a cinco logros que superen la prueba de seis preguntas es una regla práctica de CEOtudent, no un hallazgo de investigación.
¿Y si el responsable es escéptico con la IA?
Esa es la condición con la penalización más fuerte en los experimentos de Reif. Explica la adecuación a la tarea, muestra las comprobaciones y empieza por los resultados que pertenecen a otras personas.
¿Detectar errores de la IA cuenta como desempeño?
En el experimento de Dell’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 encontró y lo que habría costado.
¿En qué se diferencia esto de la Escalera de Contribución?
La escalera clasifica las métricas según cuánto 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 verificación propia.
Fuentes
- 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 través de Europe PMC).
- 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).
- 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).
- Gallup (2019). More Harm Than Good: The Truth About Performance Reviews. Artículo publicado por la empresa.
- Gallup (2018). Re-Engineering Performance Management. Artículo publicado por la empresa.
- US Office of Personnel Management (2025). 2024 Federal Employee Viewpoint Survey Results: Governmentwide Management Report, revisado en abril de 2025.
- US Office of Personnel Management. 2024 FEVS governmentwide all levels, all index, all items report (xlsx).
- 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.
- Porsdam Mann, S., Earp, B. D., et al. (2023). Generative AI entails a credit-blame asymmetry. Nature Machine Intelligence, comentario (solo la entradilla).
- 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.
- 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.
- Dell’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).
- Pew Research Center (2025). Workers’ experience with AI chatbots in their jobs. 25 de febrero de 2025.
- Pew Research Center (2025). 21% of US workers use AI on the job, up since 2024. 6 de octubre de 2025.
- Pew Research Center (2026). Americans and AI 2026: Chatbots, Smart Devices and Views on Impact. 17 de junio de 2026.
Las tablas 3 y 5 son análisis de CEOtudent que recalculan o combinan las cifras publicadas que se indican en cada tabla; las tablas 6 y 7, la plantilla de autoevaluación 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 señalados como ilustrativos. Cifras muy repetidas que se han dejado fuera deliberadamente: afirmaciones de que una proporción 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 artículo no se consultó ningún texto primario que las respalde.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
