Calibración de entrevistadores: 5 trampas de deriva en paneles

9 de septiembre de 2026
Por Jürgen Ulbrich

Calibrar a los entrevistadores significa que cada panelista puntúa a un candidato según la misma rúbrica, no en comparación con los demás. Cinco sesgos concretos alejan en silencio las puntuaciones de la evidencia mucho antes de que nadie abra un debrief: el anclaje, el efecto de contraste, el efecto halo, el primado y la recencia, y el simple cansancio del evaluador. Si arreglas la mecánica de la reunión pero dejas intacta la psicología de fondo, la deriva sigue exactamente donde estaba.

El problema real está una capa por debajo del propio proceso. Una reunión de calibración puede tener una agenda perfecta, una rúbrica compartida y scorecards bloqueados, y aun así producir puntuaciones infladas o comprimidas si nadie ha nombrado el patrón cognitivo concreto que causa el daño. Los veinte minutos que un entrevistador pasa a solas con un candidato, antes de que empiece cualquier mecánica de reunión, son donde se origina la mayor parte de la deriva.

Las cifras de fiabilidad dejan claro lo que está en juego.

  • Los paneles de entrevistas no estructuradas alcanzan de media solo 0,37 de fiabilidad entre evaluadores, apenas mejor que el azar con un candidato dudoso.
  • Los paneles estructurados alcanzan una fiabilidad de 0,73 a 0,78, muy por encima de un solo entrevistador puntuando con la misma estructura.
  • Un candidato puntuado justo después de otro más fuerte puede perder terreno solo por contraste, con independencia de sus propias respuestas.
  • Recalibrar cada cinco a diez contrataciones evita que la puntuación media de un panel derive hacia el sí automático o hacia un tres plano.

Por qué la calibración estructurada sigue dejando pasar la deriva del evaluador

La calibración de entrevistadores debería lograr que cinco personas que puntúan al mismo candidato lleguen más o menos al mismo número. La deriva del evaluador es lo que ocurre cuando no lo hacen. El juicio de cada entrevistador se tuerce bajo una presión psicológica previsible, a menudo sin que nadie en la sala lo note.

La estructura ayuda enormemente. El metaanálisis clásico de Schmidt y Hunter halló una validez predictiva de la entrevista estructurada de r=0,51 frente a r=0,38 de las no estructuradas, y una actualización de 2022 liderada por Sackett, con correcciones más conservadoras, sigue situando las entrevistas estructuradas en r=0,42, la mayor validez de un único método en la revisión. Un metaanálisis de 2025 en el International Journal of Selection and Assessment halló el mismo patrón a nivel de panel: los entrevistadores individuales obtenían una fiabilidad de 0,48 a 0,61 según la estructura, mientras que los paneles con la misma estructura llegaban a 0,73-0,78.

Qué significan realmente las cifras de fiabilidad: un panel estructurado no se convierte automáticamente en un panel calibrado. El metaanálisis de Wiley es explícito en que los paneles solo superan a los evaluadores individuales cuando la propia entrevista es estructurada. Un panel no estructurado de cinco personas puede seguir promediando la fiabilidad de 0,37 que Conway, Jako y Goodman hallaron en 111 coeficientes entre evaluadores décadas atrás, una cifra tan baja que la Oficina de Gestión de Personal de EE. UU. (OPM) la cita directamente en su propia guía de entrevistas estructuradas.

La guía del proceso de calibración de Sprad cubre esa coreografía de la reunión: los scorecards y la agenda que mantiene el debrief anclado a la evidencia. Pero la coreografía de la reunión no puede tocar los cinco patrones psicológicos que corrompen una puntuación antes de que nadie entre en esa sala. Esos cinco patrones, y cómo cortar cada uno, son donde está el trabajo de verdad.

Las cinco trampas de deriva que corrompen las puntuaciones de los paneles de entrevista

Cinco patrones cognitivos distintos explican la mayor parte de la deriva que una sesión de calibración tiene que desenredar después. Cada uno deja una huella reconocible, y cada uno tiene una solución que funciona de verdad.

Anclaje: cuando el primer candidato fija el listón

El anclaje ocurre cuando la puntuación del primer candidato se convierte en el punto de referencia hacia el que se tiran todas las puntuaciones posteriores, sobre todo cuando los entrevistadores ven el número de un compañero antes de enviar el suyo. La investigación de Klearskill sobre entrevistas con scorecard sitúa el desplazamiento en unos 0,6 puntos en una escala de cinco una vez que el evaluador ha visto el número de un colega, un efecto que se remonta a la investigación original de Tversky y Kahneman sobre anclaje y ajuste.

La solución es mecánica, no de actitud: bloquea la puntuación independiente de cada entrevistador en el registro del candidato antes de que nadie pueda ver el número de un compañero. Verás que el anclaje golpea con más fuerza cuando un panel puntúa en una hoja de cálculo compartida o en un chat de grupo antes de que se abra el debrief, porque el primer número publicado fija en silencio la escala con la que puntúan los demás.

Este modo de fallo se cierra con proceso, no solo con software: haz que cada entrevistador registre una puntuación en el registro del candidato antes de que se abra el debrief, de modo que el anclaje no tenga ninguna hoja compartida ni hilo de Slack por donde filtrarse. En las conversaciones de primera ronda, una entrevista con IA hace a cada candidato las mismas preguntas y devuelve un scorecard para la revisión humana, lo que elimina una fuente de deriva; no sustituye la disciplina propia del panel.

Efecto de contraste: puntuar al candidato 3 frente al candidato 2

El efecto de contraste distorsiona la puntuación de un candidato según la fortaleza de quien se sentó justo antes, a veces más que sus propias respuestas. Un estudio de 2024 en la Review of Economic Studies siguió entrevistas reales de contratación y admisión y halló que las recomendaciones individuales cambiaban de forma marcada según la calidad del candidato anterior, con una distorsión más fuerte cuando los dos candidatos eran de nivel parecido, cuando pasaba poco tiempo entre sus entrevistas y al principio de una jornada de entrevistas.

Para combatirlo, vuelve a anclarte de forma deliberada en los ejemplos escritos de la rúbrica entre cada candidato, en lugar de hacerlo en el recuerdo de quien acaba de salir de la sala. Se nota más cuando dos candidatos igualmente fuertes se programan seguidos a primera hora, justo las condiciones que la investigación identifica como el peor caso.

Efecto halo: una respuesta brillante que infla todo el scorecard

El efecto halo se produce cuando una sola impresión fuerte, una respuesta inicial segura o un empleador anterior prestigioso, se generaliza en valoraciones infladas de competencias que el entrevistador nunca llegó a evaluar. Edward Thorndike documentó por primera vez el patrón en su estudio de 1920 sobre el error constante en las valoraciones psicológicas, y desde entonces sigue siendo uno de los hallazgos más replicados en la investigación sobre entrevistas y valoración del desempeño.

Lo vences puntuando cada competencia de la rúbrica con su propia evidencia antes de formarte una impresión global, de modo que una gran respuesta sobre comunicación no pueda subir en silencio el número de diseño de sistemas. Vigílalo sobre todo ante una apertura segura o una marca conocida en el CV, los dos detonantes con más probabilidad de inundar un scorecard antes de que la entrevista haya cubierto la mitad de la rúbrica.

Primado y recencia: por qué desaparece el medio de la lista

Primado y recencia significan que los entrevistadores recuerdan de forma desproporcionada al primer y al último candidato de una secuencia, mientras que quien queda en medio de una lista larga tiene más probabilidades de ser infravalorado u olvidado sin más. El mecanismo pasa por dos sistemas de memoria distintos. El primado se apoya en la codificación a largo plazo, un patrón que Asch documentó ya en 1946, mientras que la recencia funciona con la memoria de trabajo a corto plazo, que la investigación de Glanzer y Cunitz de 1966 sobre el efecto de posición serial atribuyó a un mecanismo completamente distinto.

La solución es una nota puntuada escrita inmediatamente después de cada entrevista, antes de que empiece la siguiente, de modo que los candidatos del medio tengan el mismo peso probatorio que los de los extremos cuando se abra el debrief. Se nota más en una jornada de cinco o seis candidatos sin tiempo para tomar notas entre entrevistas.

Cansancio del evaluador: compresión de puntuaciones tras cinco entrevistas seguidas

El cansancio del evaluador se manifiesta como compresión de puntuaciones: los juicios sucesivos empiezan a agruparse hacia el centro de la escala simplemente porque al evaluador le queda poca energía para decidir. La ilustración más citada es el estudio de 2011 sobre el "juez hambriento", que halló que la tasa de decisiones favorables de los jueces de libertad condicional israelíes caía de aproximadamente el 65 % a casi cero dentro de cada sesión, y se restablecía tras una pausa para comer.

Una salvedad necesaria: el hallazgo del juez hambriento es discutido. La crítica de Weinshall-Margel y Shapard de 2011 y una simulación de Glöckner de 2016 sostienen que el orden no aleatorio de los casos explica la mayor parte del patrón, y no el cansancio en sí, por lo que el tamaño real del efecto probablemente es menor de lo que sugiere el titular original. Tómalo como una analogía ilustrativa para los paneles de entrevista, no como una prueba literal.

La contramedida sigue valiendo incluso descontando esa salvedad: limita las entrevistas del mismo día a tres o cuatro seguidas, incluye descansos reales y reparte una lista larga en dos días en lugar de uno. Es lo más feo en la entrevista cuatro o cinco de un mismo día, justo cuando todos los candidatos restantes empiezan a puntuar más cerca del centro, sea cual sea su rendimiento real.

Cómo distorsiona el rango las puntuaciones del panel

Cuando la persona de mayor rango o mejor pagada habla primero en un debrief, la sala se ancla en su lectura y produce un falso consenso en lugar de un recuento independiente de la evidencia. El análisis de Harvard Business Review sobre el pensamiento de grupo en la contratación apunta al mismo patrón documentado en los propios datos de contratación de Google, donde el promedio de las valoraciones independientes de los entrevistadores predecía el éxito de las nuevas incorporaciones mejor que el juicio de cualquier evaluador individual, incluidos líderes sénior y fundadores.

La solución estructural documentada es un orden de debrief que va del menos sénior al más sénior, con cada scorecard bloqueado antes de abrir la discusión, una práctica en la que coinciden varias guías de procesos de contratación, entre ellas la investigación sobre entrevistas en panel de Metaview. La plantilla de reunión de calibración de Sprad integra ese orden por turnos directamente en la agenda, de modo que la voz junior queda registrada antes de que la lectura de la persona de mayor rango de la sala pueda condicionarla.

Proteger esa voz junior importa más allá de una sola reunión. El estudio longitudinal de Amy Edmondson y Katherine Bransby con más de 10.000 profesionales sanitarios, encuestados cada dos años de 2017 a 2021, halló que las nuevas incorporaciones con menos de un año de antigüedad empiezan en realidad con más seguridad psicológica que sus colegas más veteranos, y luego la van perdiendo de forma constante durante su primer año. Los equipos con una seguridad psicológica ya alta fueron los que más suavizaron esa caída.

La puntuación independiente de un entrevistador junior suele ser la lectura menos contaminada de la sala, precisamente porque aún no ha aprendido qué respuesta quiere oír el panelista sénior. Protégela exigiendo que su puntuación conste antes que la del panelista sénior, siempre.

Tirar de rango sigue teniendo un lugar legítimo, pero solo por una razón concreta: cuando una puntuación divergente revela que un panelista aplicó mal un criterio específico de la rúbrica. Un entrevistador sénior que lee la misma evidencia de otra manera y simplemente impone su voto sobre una puntuación más baja por autoridad está reintroduciendo exactamente el patrón HiPPO que el orden del debrief se creó para evitar. La guía de Sprad sobre sesgos en las evaluaciones cubre este patrón más amplio de la autoridad que se impone a la evidencia en las conversaciones de desempeño, más allá de la contratación.

Cómo es una cadencia de calibración real con 200 y con 500 empleados

Una cadencia de calibración viable recalibra el panel cada cinco a diez contrataciones dentro de la misma familia de puestos, o aproximadamente una vez por trimestre en un equipo de selección pequeño, una convención de profesionales convergente más que un único estudio controlado. El volumen detrás de esa convención no deja de crecer: el Talent Trends Report 2026 de Ashby halló que los puestos de negocio promedian ya 11,7 entrevistas por contratación, un 36 % más que en 2021, y los puestos técnicos 17,6 entrevistas por contratación, un 52 % más, con un promedio de unas 7 contrataciones por trimestre por reclutador.

Cuatro entrevistadores ya te dan alrededor de un 86 % de confianza en una decisión de contratación, según la investigación interna de Google recogida por Laszlo Bock, y cada entrevistador adicional por encima de cuatro suma aproximadamente un punto porcentual más, mientras que un panel de cuatro llega a la misma decisión que un panel mayor el 95 % de las veces. Así que sacas más partido a calibrar el panel que ya tienes que a sumar más entrevistadores.

La tabla de abajo combina esos datos de volumen de entrevistas con la regla estándar de recalibración cada 5-10 contrataciones en una estimación razonada para dos tamaños de empresa habituales. Ninguna fuente vincula la cadencia de calibración con un número exacto de empleados, así que toma las horas concretas como orientativas, no como una estadística de referencia.

Tamaño de la empresaVolumen aproximado de contrataciónCadencia sugeridaDedicación de tiempo
~200 empleados5-8 contrataciones por trimestre por familia de puestosUna sesión de calibración por trimestre y por familia de puestos activa60-90 minutos por sesión
~500 empleados15-25 contrataciones por trimestre entre familias de puestosCalibración mensual por cada familia de puestos principal, más una revisión tras cada 5-10 contrataciones60-90 minutos por familia y mes

El lado de los costes lo resuelve enseguida. La referencia más citada del Departamento de Trabajo de EE. UU. sitúa el coste directo de una mala contratación en un mínimo del 30 % del salario del primer año, y la referencia más amplia de SHRM, que incluye selección, onboarding y pérdida de productividad, oscila entre el 50 % y más del 200 % del salario anual según la seniority. Una sola mala contratación evitada cubre años de sesiones de calibración trimestrales con cualquiera de los dos tamaños de empresa.

El coste acumulado de dejar que los paneles deriven

Las cinco trampas rara vez aparecen solas. Un panel que deja que el anclaje fije la escala por la mañana es también el panel con más probabilidades de comprimir las puntuaciones en el candidato cinco por la tarde, porque ambos fallos comparten la misma causa raíz: nadie construyó una barrera estructural entre la lectura de un entrevistador y el juicio independiente del siguiente.

La formación por sí sola no cierra esa brecha. El metaanálisis de Forscher y colaboradores de 2019, con 492 estudios y más de 87.000 participantes, halló que los procedimientos diseñados para aumentar la conciencia del sesgo producían un efecto cercano a cero en el comportamiento real. Lo que sí aguanta es lo estructural: puntuación independiente bloqueada antes de la discusión, una cadencia fija de recalibración y un orden de debrief que proteja a la voz más nueva de la sala.

Empieza por la trampa que más contrataciones te cuesta ahora mismo. Si las puntuaciones ya se agrupan en una hoja de cálculo compartida antes del debrief, arregla primero el anclaje. Si una jornada de cinco candidatos es lo habitual, arregla a continuación el cansancio y el momento de tomar notas. La mayoría de los paneles ya tienen una buena rúbrica y una agenda de reunión sólida. Lo que les falta es algo estructural alrededor del momento en que cada entrevistador elige su propio número, antes de que nadie más opine.

La deriva suele empezar antes del debrief: nuestra lista de errores en scorecards de entrevista muestra los fallos de diseño que conviene corregir primero.

Calibración de entrevistadores: preguntas frecuentes

¿Con qué frecuencia debe recalibrarse un panel de selección?

La mayoría de las guías de profesionales recomiendan recalibrar cada cinco a diez contrataciones dentro de la misma familia de puestos, o aproximadamente una vez por trimestre en un equipo pequeño. Las empresas que contratan más rápido en más familias de puestos deberían acortarlo a una vez al mes por familia, ya que el propio volumen de entrevistas es lo que amplía la ventana en la que las puntuaciones pueden derivar.

¿Deben los entrevistadores ver las puntuaciones de los demás antes del debrief?

Las puntuaciones independientes deben quedar bloqueadas antes de que nadie abra una vista compartida, no después. Ver primero el número de un compañero es el mayor detonante del anclaje, y desplaza la puntuación del propio evaluador en aproximadamente medio punto hacia lo que vio antes de enviar la suya.

¿Añadir más entrevistadores a un panel reduce el sesgo?

Cuatro entrevistadores ya te dan alrededor de un 86 % de confianza en una decisión de contratación, según la investigación interna de contratación de Google, y cada uno por encima de esa cifra aporta solo en torno a un punto porcentual. La calidad de la calibración importa mucho más que el tamaño del panel una vez superados los cuatro evaluadores.

¿La formación en sesgos corrige la deriva del evaluador?

Apenas. Un metaanálisis de 492 estudios y más de 87.000 participantes halló que las intervenciones de concienciación sobre el sesgo producían un cambio cercano a cero en el comportamiento real de valoración, y por eso las soluciones estructurales, como la puntuación independiente y la recalibración fija, superan a la formación por sí sola.

¿Cuántas entrevistas seguidas hacen falta para que el cansancio empiece a afectar a las puntuaciones?

Los signos de compresión suelen aparecer hacia la cuarta o quinta entrevista de un mismo día, cuando los juicios sucesivos empiezan a agruparse hacia el centro de la escala. Limitar los paneles a tres o cuatro entrevistas seguidas, con una pausa real entre bloques, es la contramedida estructural habitual.

Jürgen Ulbrich

CEO y cofundador de Sprad

Jürgen Ulbrich cuenta con más de una década de experiencia en la creación y dirección de equipos y empresas de alto rendimiento. Como experto en programas de recomendación de empleados y en procesos de feedback y desempeño, Jürgen ha ayudado a más de 100 organizaciones a optimizar sus estrategias de captación y desarrollo de talento.

Plantillas y descargas gratuitas

Únete a la comunidad en solo 26 segundos y accede gratis a más de 100 recursos, plantillas y guías.

Plantilla gratuita de plan de desarrollo individual (Excel): objetivos SMART y evaluación de competencias
Vídeo
Gestión del desempeño
Plantilla gratuita de plan de desarrollo individual (Excel): objetivos SMART y evaluación de competencias
Plantilla gratuita de encuesta de eficacia del liderazgo (Excel)
Vídeo
Gestión del desempeño
Plantilla gratuita de encuesta de eficacia del liderazgo (Excel)

La People Powered HR Community es para profesionales de RR. HH. que ponen a las personas en el centro de su trabajo de RR. HH. y reclutamiento. Juntos, convirtamos nuestra convicción compartida en un movimiento que transforme el mundo de RR. HH.