Esta plantilla de encuesta sobre IA en evaluaciones de desempeño mide de forma sistemática cómo viven empleados y managers el uso de la IA en las evaluaciones, desde la confianza y la equidad hasta la protección de datos y la gobernanza. Incluye 84 afirmaciones en escala Likert, 6 valoraciones globales (0-10) y 12 preguntas abiertas. Úsala para detectar a tiempo problemas de transparencia, calidad o cumplimiento normativo, y para fijar umbrales claros que indiquen cuándo pausar, volver a formar o reforzar las salvaguardas.
Por qué esta encuesta importa en 2026
Las evaluaciones de desempeño asistidas por IA se extienden rápido, con consecuencias legales y culturales importantes. Una encuesta de Resume Builder de 2025 a más de 1.300 managers reveló que el 91 % usa IA para evaluar el desempeño, pero solo el 71 % confiaba en su equidad en decisiones individuales. Sin una medición estructurada, esa brecha de confianza se convierte en un problema de confianza y de responsabilidad legal.
Tres capas normativas generan obligaciones concretas para los empleadores que usan IA en las evaluaciones:
- Artículo 22 del RGPD: prohíbe las decisiones basadas únicamente en un tratamiento automatizado que produzcan efectos jurídicos o similares de forma significativa. Las sugerencias de valoración generadas por IA que se aceptan sin una revisión humana real pueden activar esta protección. Los empleados tienen derecho a la intervención humana, a expresar su punto de vista y a impugnar la decisión. Un manager que da el visto bueno a las respuestas de la IA sin una revisión sustantiva no cumple el requisito según las directrices del CEPD.
- Reglamento de IA de la UE (EU AI Act): clasifica los sistemas de evaluación del desempeño como IA de alto riesgo (Anexo III). Desde el 2 de diciembre de 2027, los responsables del despliegue (el empleador, no el proveedor del software) deben implantar gestión de riesgos, documentación técnica, registro automático, supervisión humana y una evaluación de impacto sobre los derechos fundamentales. Ojo: el Digital Omnibus on AI (Reglamento (UE) 2026/1744, en vigor desde el 27 de julio de 2026) aplazó el plazo para los sistemas de alto riesgo de agosto de 2026 al 2 de diciembre de 2027 (productos del Anexo I: 2 de agosto de 2028). Prepararse ya sigue compensando: el art. 22 del RGPD y las obligaciones de transparencia ya se aplican. Contexto: resumen jurídico. Además, el art. 86 del Reglamento de IA otorga a los empleados el derecho a solicitar una explicación significativa de cualquier resultado de IA de alto riesgo que les afecte.
- Comités de empresa y codeterminación (UE/DACH): los sistemas de IA capaces de supervisar el desempeño de los empleados activan derechos de codeterminación según la legislación laboral nacional. En Alemania, el §87(1)(6) BetrVG otorga al Betriebsrat (comité de empresa) codeterminación obligatoria sobre los sistemas técnicos que pueden supervisar el comportamiento o el rendimiento de los empleados. Según el art. 26(7) del Reglamento de IA, los empleadores también deben informar a los representantes de los trabajadores y a los trabajadores afectados antes del despliegue.
Esta encuesta te da una base medible y documentable en todas estas dimensiones, y aportaciones concretas para tu comité de empresa y tu delegado de protección de datos.
Cómo usar esta plantilla
Usa una escala Likert de 5 puntos para las afirmaciones (1 = totalmente en desacuerdo, 5 = totalmente de acuerdo). La numeración sirve para el análisis y el seguimiento: E = empleados, M = managers, S = compartidas. Elige uno de los cuatro esquemas de abajo y carga solo los ítems pertinentes. Para una primera ronda bastan 18-22 preguntas; mantén la duración total por debajo de 8 minutos.
Preguntas de la encuesta: empleados
Empleados (E1-E6): conocimiento y transparencia
- (E1) Entiendo cuándo se usa IA en el proceso de evaluación de mi desempeño.
- (E2) Sé qué partes de mi evaluación pueden incluir texto generado por IA (borradores, resúmenes, formulaciones sugeridas).
- (E3) Me explicaron qué puede y qué no puede hacer la IA en las evaluaciones de desempeño.
- (E4) Sé quién es el responsable del contenido final de la evaluación, y no es la IA.
- (E5) Me informaron de si la IA influyó en las valoraciones, en las aportaciones a la calibración o en las etiquetas de desempeño.
- (E6) La empresa explicó con palabras sencillas por qué usa IA en las evaluaciones.
Empleados (E7-E12): calidad y utilidad
- (E7) El feedback asistido por IA en mi evaluación era específico sobre mi trabajo real.
- (E8) El feedback incluía ejemplos o pruebas concretas, no solo frases genéricas.
- (E9) El feedback era coherente con lo que oí en las reuniones 1:1 durante el ciclo.
- (E10) El feedback separaba con claridad hechos, interpretaciones y expectativas.
- (E11) El feedback me ayudó a entender las prioridades de los próximos 3-6 meses.
- (E12) El tono del feedback me pareció respetuoso y profesional.
Empleados (E13-E18): percepciones de equidad y sesgo
- (E13) El feedback asistido por IA hizo que la evaluación me pareciera más justa que un feedback totalmente manual.
- (E14) Me preocupa que la IA pueda amplificar sesgos (p. ej., sesgo de proximidad, de similitud, estereotipos).
- (E15) El feedback asistido por IA reflejó con precisión mis aportaciones, no solo el trabajo visible.
- (E16) Sentí que se me aplicó el mismo estándar de desempeño que a compañeros comparables.
- (E17) Me preocupa que la IA pueda interpretar mal el contexto (p. ej., permiso parental, jornada parcial, cambios de proyecto).
- (E18) El lenguaje de la evaluación evitó términos con doble sentido o ambiguos (p. ej., “poco asertivo”).
Empleados (E19-E24): seguridad psicológica y confianza
- (E19) Me sentí cómodo/a preguntando si se había usado IA en mi evaluación.
- (E20) Me sentí cómodo/a cuestionando durante la conversación de evaluación las formulaciones influidas por la IA.
- (E21) Mi manager se mostró abierto a corregir errores en el contenido de la evaluación.
- (E22) Confío en que el uso de IA no redujo mi oportunidad de ser escuchado/a como persona.
- (E23) Creo que mi manager revisó y asumió como suyo el feedback final, sin “copiar y pegar”.
- (E24) Sé cómo escalar mis dudas si el feedback asistido por IA me parece erróneo o injusto.
Empleados (E25-E30): protección de datos y consentimiento
- (E25) Entiendo qué fuentes de datos puede usar la IA en el proceso de evaluación.
- (E26) Entiendo si las entradas de chat, las notas o los comentarios 360° pueden usarse como datos de entrada para la IA.
- (E27) Confío en que no se usan datos personales sensibles en los prompts de IA de las evaluaciones.
- (E28) Entiendo a grandes rasgos dónde se procesan y almacenan los datos (p. ej., UE/EEE).
- (E29) Creo que el uso de IA en las evaluaciones respeta los principios del RGPD (minimización de datos, limitación de la finalidad).
- (E30) Conozco el plazo de conservación de los elementos de la evaluación relacionados con la IA (borradores, registros, resúmenes).
Empleados (E31-E36): impacto global y preferencias
- (E31) Las evaluaciones asistidas por IA mejoraron para mí la claridad de las expectativas.
- (E32) El feedback asistido por IA hizo que la evaluación me pareciera más coherente en toda la empresa.
- (E33) El feedback asistido por IA hizo que la evaluación me resultara menos personal.
- (E34) Preferiría que la IA se usara solo para redactar borradores, no para sugerir valoraciones.
- (E35) Preferiría que la IA se usara solo con puntos de revisión humana claros.
- (E36) En conjunto, el uso de IA mejoró mi experiencia de evaluación en este ciclo.
Preguntas de la encuesta: managers
Managers (M1-M6): incorporación y formación
- (M1) Recibí formación sobre dónde se puede usar IA en las evaluaciones y dónde no.
- (M2) La formación incluyó cómo verificar los resultados de la IA con pruebas (proyectos, resultados, comportamientos).
- (M3) La formación incluyó cómo redactar prompts conformes con el RGPD, es decir, qué datos no se deben introducir.
- (M4) Entiendo cómo explicar con transparencia el uso de IA a los empleados.
- (M5) Sé qué hacer cuando un empleado cuestiona una formulación influida por la IA.
- (M6) Me siento preparado/a para usar IA sin debilitar la seguridad psicológica de mi equipo.
Managers (M7-M12): flujo de trabajo e impacto en el tiempo
- (M7) La IA redujo el tiempo que necesitaba para preparar las evaluaciones.
- (M8) La IA me ayudó a estructurar el feedback más rápido (puntos fuertes, carencias, próximos pasos).
- (M9) La IA mejoró mi capacidad de resumir el feedback 360° sin perder puntos clave.
- (M10) La IA aumentó mi trabajo administrativo por las comprobaciones y reescrituras adicionales.
- (M11) La IA me ayudó a mantener la coherencia del feedback entre varios colaboradores directos.
- (M12) El apoyo de la IA mejoró la calidad de mis conversaciones de evaluación.
Managers (M13-M18): calidad de borradores y resúmenes
- (M13) Los borradores generados por IA eran lo bastante precisos como para ser un buen punto de partida.
- (M14) Los borradores incluían resultados medibles o comportamientos observables cuando se pedía.
- (M15) La IA ayudó a evitar el feedback vago al empujar hacia lo concreto.
- (M16) Los resúmenes de la IA recogieron bien el contexto: cambios de alcance, restricciones, dependencias.
- (M17) Los resultados de la IA coincidían con nuestra rúbrica interna y nuestro lenguaje de competencias.
- (M18) Los resultados de la IA evitaron un lenguaje sesgado sin ocultar los problemas de desempeño.
Managers (M19-M24): criterio, supervisión y responsabilidad
- (M19) Me siento seguro/a editando o rechazando las sugerencias de la IA.
- (M20) Verifico siempre los resultados de la IA con pruebas antes de compartirlos con los empleados.
- (M21) Puedo explicar la justificación de mi feedback final sin recurrir a la IA.
- (M22) La IA nunca se impone a mi criterio sobre valoraciones o resultados de desempeño.
- (M23) Entiendo el riesgo de depender en exceso de la IA en decisiones sensibles sobre personas.
- (M24) Sé cómo documentar las decisiones de forma lista para una auditoría.
Managers (M25-M30): gobernanza y salvaguardas
- (M25) La empresa tiene normas claras de qué se puede y qué no se puede hacer con IA en las evaluaciones de desempeño.
- (M26) Sé qué datos no deben usarse nunca en los prompts: salud, afiliación sindical, categorías protegidas.
- (M27) Sé si este caso de uso de IA está cubierto por un acuerdo con el comité de empresa.
- (M28) Sé a quién acudir cuando el resultado de la herramienta parece arriesgado o erróneo (RR. HH./TI/Protección de datos).
- (M29) Nuestro proceso incluye puntos de control humanos claros antes de que algo afecte a un empleado.
- (M30) El uso de IA se registra de una forma que favorece la transparencia y la responsabilidad.
Managers (M31-M36): equidad, coherencia y apoyo a la calibración
- (M31) La IA me ayudó a aplicar nuestros estándares de desempeño con mayor coherencia.
- (M32) La IA aumentó el riesgo de un “feedback de plantilla” que iguala las diferencias entre personas.
- (M33) La IA facilitó detectar la falta de pruebas antes de las sesiones de calibración.
- (M34) La IA facilitó evitar sesgos habituales de evaluación (de recencia, efecto halo/cuernos, de proximidad).
- (M35) Me preocupa que la IA pueda introducir nuevos sesgos a través de los datos de entrenamiento o de patrones de redacción.
- (M36) La IA mejoró la calidad de las aportaciones que llevo a las sesiones de calibración.
Managers (M37-M42): confianza global y disposición a continuar
- (M37) Confío en los resultados de la herramienta cuando se usa con una revisión humana cuidadosa.
- (M38) Me siento cómodo/a siendo transparente con los empleados sobre el uso de IA.
- (M39) Volvería a usar IA para redactar feedback en el próximo ciclo.
- (M40) Volvería a usar IA para resumir el feedback 360° en el próximo ciclo.
- (M41) Evitaría usar IA para sugerir valoraciones a menos que mejore la gobernanza.
- (M42) En conjunto, la IA hizo mi trabajo de evaluación más eficaz en este ciclo.
Preguntas de la encuesta: compartidas (empleados + managers)
- (S1) El uso de IA en las evaluaciones se comunica de forma clara y coherente en todos los equipos.
- (S2) Las personas afectadas por la IA en las evaluaciones pueden dar su opinión sin consecuencias negativas.
- (S3) El proceso facilita corregir errores en el contenido de evaluación asistido por IA.
- (S4) El uso de IA en las evaluaciones encaja con nuestra rúbrica y nuestras expectativas de desempeño.
- (S5) La IA mejora la calidad de las conversaciones de evaluación, no solo el papeleo.
- (S6) Confío en las salvaguardas de la organización para la IA en las evaluaciones de desempeño.
Valoraciones globales (0-10) y preguntas abiertas
Valoraciones globales (0-10)
- (Empleados) ¿Cuánta confianza tienes en el feedback asistido por IA en las evaluaciones de desempeño? (0-10)
- (Empleados) ¿Cuánto mejoró la IA la calidad del feedback que recibiste en este ciclo? (0-10)
- (Empleados) ¿Con qué probabilidad recomendarías el feedback asistido por IA a un compañero? (0-10)
- (Managers) ¿Qué seguridad tienes al usar IA en las evaluaciones sin perjudicar la equidad? (0-10)
- (Managers) ¿Cuánto mejoró la IA la eficiencia de tu preparación de evaluaciones en este ciclo? (0-10)
- (Managers) ¿Con qué probabilidad recomendarías el flujo actual de evaluación con IA a otro manager? (0-10)
Preguntas abiertas (12 en total)
- (Empleados) ¿En qué punto el feedback asistido por IA te pareció más preciso y útil?
- (Empleados) ¿En qué punto el feedback asistido por IA te pareció genérico, erróneo o fuera de contexto?
- (Empleados) ¿Qué frase o apartado reescribirías para reflejar mejor tu trabajo?
- (Empleados) ¿Qué te haría sentir más seguro/a para cuestionar formulaciones influidas por la IA en una conversación de evaluación?
- (Empleados) ¿Cuál es tu mayor preocupación sobre el uso de datos o la privacidad en las evaluaciones asistidas por IA?
- (Managers) ¿En qué parte del flujo de evaluación te ahorró más tiempo la IA?
- (Managers) ¿Dónde generó la IA trabajo extra: reescrituras, verificación, idas y venidas?
- (Managers) ¿Qué salvaguarda evitaría tu mayor riesgo con la IA en las evaluaciones?
- (Managers) ¿Qué tema de formación mejoraría más tu uso de la IA en el feedback de desempeño?
- (Compartida) ¿Qué deberíamos dejar de hacer con IA en las evaluaciones a partir del próximo ciclo?
- (Compartida) ¿Qué deberíamos seguir haciendo con IA en las evaluaciones porque funciona claramente?
- (Compartida) Si pudieras cambiar una norma sobre la IA en las evaluaciones, ¿cuál sería?
Esquemas de encuesta: qué preguntas usar y cuándo
Elige un esquema por ciclo. Flujo sencillo: elige el esquema → carga los ítems → acuerda el umbral de anonimato → envía la encuesta entre 3 y 10 días después del cierre de las evaluaciones → publica resultados y acciones en un máximo de 21 días. Si ya realizas una encuesta clásica posterior al ciclo, alinea la redacción para que las tendencias sigan siendo comparables aunque la IA cambie el flujo de trabajo. El software de gestión del desempeño de Sprad puede ejecutar estas evaluaciones y, para orientarte en la elección de herramientas, consulta nuestra guía de software de gestión del desempeño para empresas.
| Esquema | Público | Cuándo | Ítems | Combinación de preguntas | Resultado para decidir |
|---|---|---|---|---|---|
| A) Empleados tras el ciclo (piloto) | Empleados en evaluaciones asistidas por IA | 3-10 días después de las evaluaciones | 18–22 | E1-E6, E7-E12, E13-E18, E19-E24, E25-E30 + 2 valoraciones + 3 abiertas | Mantener/ajustar la IA; corregir carencias de transparencia, seguridad y privacidad |
| B) Managers tras el ciclo (piloto) | Managers que usan herramientas de IA | 3-10 días después de la calibración | 18–22 | M1-M6, M7-M12, M13-M18, M19-M24, M25-M30 + 2 valoraciones + 3 abiertas | Plan de formación; actualizaciones de gobernanza; cambios en el flujo de trabajo |
| C) Pulso combinado (piloto) | Empleados + managers | A mitad del piloto o tras el primer ciclo | 12–15 | S1-S6 + E7/E13/E20/E29 + M19/M25 + 2 valoraciones + 2 abiertas | Alerta temprana: parar o continuar antes de escalar |
| D) Encuesta de seguimiento de tendencias | Las mismas poblaciones que en A/B | 6-12 meses después | 12–18 | Ítems clave: E1/E7/E13/E20/E29/E36, M1/M7/M19/M25/M31/M42, S6 + valoraciones | Tendencia de confianza y equidad; preparación para un despliegue más amplio |
Puntuación y umbrales
Usa la escala de 5 puntos para las afirmaciones y 0-10 para las valoraciones globales. Vincula las decisiones a umbrales, no a anécdotas individuales. Tres franjas: baja (media <3,0): corregir antes de escalar. Media (3,0-3,9): mejorar en el próximo ciclo. Alta (≥4,0): estandarizar y compartir ejemplos. En las valoraciones 0-10, trata <6/10 como señal de parar y corregir en los pilotos.
| Métrica | Cómo calcularla | Umbral | Regla de decisión |
|---|---|---|---|
| Media por dimensión | Media de los ítems de cada bloque (p. ej., E13-E18) | Media <3,0 | Pausar la expansión; corregir la causa raíz antes del siguiente ciclo |
| Tasa de respuestas favorables | % que elige 4-5 (de acuerdo/totalmente de acuerdo) | <60 % | Plan de mejora específico con responsable y fecha límite |
| Concentración de desacuerdo | % que elige 1-2 | ≥20% | Organizar grupos de discusión; revisar la comunicación y el comportamiento de los managers |
| Brecha entre grupos | Diferencia entre grupos (p. ej., en remoto frente a en oficina) | ≥0,4 puntos | Revisión de sesgos + auditoría del proceso; escalar a la dirección de RR. HH. |
Rutina de análisis en cuatro pasos: (1) calcula las medias por dimensión, (2) comprueba la dispersión y las tasas de “desacuerdo”, (3) compara grupos, (4) vincula con acciones en la tabla de decisión.
- RR. HH. calcula las puntuaciones por dimensión (E, M, S) y señala los umbrales rojos, en un máximo de 7 días.
- People Analytics revisa las brechas entre grupos y los valores atípicos, en un máximo de 10 días.
- La dirección acuerda 3 correcciones prioritarias, en un máximo de 14 días.
- RR. HH. publica una breve nota de “qué cambia en el próximo ciclo”, en un máximo de 21 días.
Plan de acción: qué hacer cuando las puntuaciones son bajas
La IA en las evaluaciones suele fallar no por la herramienta, sino porque nadie se hace cargo de las partes difíciles: correcciones, escalados y gobernanza. Fija de antemano las reglas de derivación. Tiempos de respuesta por defecto en pilotos: ≤24 h para dudas graves de privacidad, ≤7 días para reconocer puntuaciones bajas de confianza, ≤21 días para publicar las acciones. Alinea los seguimientos de calibración con tu proceso interno de calibración para que la IA no se convierta en una puerta trasera hacia estándares incoherentes.
| Señal | Umbral | Acción recomendada | Responsable | Plazo |
|---|---|---|---|---|
| Poca transparencia | E1-E6 media <3,2 o ≥20 % de “desacuerdo” | Publicar una explicación de una página sobre la IA en las evaluaciones; puntos de conversación para managers; añadir la etiqueta “IA usada: sí/no” en los formularios | RR. HH. + Comunicación | 14 días |
| Baja calidad del feedback | E7-E12 media <3,0 | Reunir 10 ejemplos anonimizados de “malo frente a bueno”; refinar los prompts; exigir 2 puntos de prueba por apartado | RR. HH. + managers piloto | 21 días |
| Dudas sobre equidad/sesgo | E13-E18 media <3,0 o brecha entre grupos ≥0,4 | Revisión de sesgos de los resultados de la IA; afinar los anclajes de la rúbrica; repasar la calibración | People Analytics + RR. HH. | 30 días |
| Baja seguridad psicológica | E19-E24 media <3,2 | Establecer un derecho de corrección; ofrecer una vía de escalado; formar en guiones de conversación que den seguridad para cuestionar | HRBP + managers | 14 días |
| Dudas sobre privacidad | E25-E30 media <3,5 o cualquier comentario grave | Repasar las reglas del RGPD; actualizar la lista de datos que no se deben introducir en los prompts; confirmar el plazo de conservación; alinear con el DPD y el comité de empresa | DPD + TI + RR. HH. | 7 días |
| Formación insuficiente | M1-M6 media <3,0 | Formación obligatoria de 90 min + lista de comprobación; condicionar el acceso del siguiente ciclo a haberla completado | L&D + RR. HH. | 30 días |
| Supervisión débil de los managers | M19-M24 media <3,2 | Añadir un paso de validación humana; exigir referencias a pruebas; revisión entre pares del 10 % de las evaluaciones asistidas por IA | RR. HH. + responsables de función | Próximo ciclo |
| Valoraciones 0-10 bajas | Media <6/10 o caída ≥1,0 | Organizar grupos de discusión de 45 min (empleados y managers por separado); publicar 3 cambios concretos | RR. HH. | 14 días |
Para formulaciones que mantengan el feedback asistido por IA específico y justo, usa nuestras frases de evaluación de desempeño generadas por IA y descubre cómo RR. HH. puede usar IA en la gestión del desempeño más allá de la redacción.
Comprobaciones de equidad y sesgo
La equidad no es una única puntuación media. Desglosa los resultados por grupos relevantes y compara tanto la percepción como las señales del proceso. La investigación sobre la predicción del desempeño basada en IA muestra que los empleados consideran justas las funciones de IA cuando se corresponden estrechamente con el desempeño real en el puesto; los sistemas genéricos u opacos erosionan esa percepción aunque la calidad del resultado sea adecuada. Señales de alerta prácticas: una brecha entre grupos ≥0,4, o una diferencia de ≥15 puntos porcentuales en las tasas de respuestas favorables, o menciones repetidas en el texto libre de “genérico”, “copiar y pegar”, “injusto” o “privacidad”. Alinea las comprobaciones de lenguaje con tu proceso interno de revisión de sesgos para mantener estándares coherentes.
| Patrón que observas | Interpretación habitual | Qué hacer a continuación | Responsable |
|---|---|---|---|
| Personas en remoto: E1-E6 más bajo | Brechas de transparencia en la comunicación distribuida | Briefing pensado para el trabajo en remoto; añadir un aviso en la interfaz de la herramienta de evaluación | RR. HH. + managers |
| Personal junior: E14/E17 más alto | Mayor incertidumbre y distancia jerárquica | Añadir pasos de “cómo cuestionar”; crear una vía de escalado segura | HRBP |
| Un equipo: E16 + M31 más bajos | Estándares incoherentes y deriva de la calibración | Actualizar los anclajes de la rúbrica; organizar un taller de calibración específico | Responsable de función + RR. HH. |
| E33 alto + E12 bajo | El feedback resulta impersonal o está mal editado | Fijar mínimos de edición; prohibir copiar y pegar; exigir ejemplos personalizados | Managers |
Escenarios prácticos
Escenario 1: los empleados desconfían de la IA porque la comunicación no es clara
Ves una media de E1-E6 de 2,8 y comentarios como “solo me di cuenta de que había redacción de IA después de la reunión”. RR. HH. añade el aviso en el momento de uso: el formulario de evaluación muestra “borrador asistido por IA: sí/no” junto con una explicación de un párrafo. Los managers reciben un guion de 60 segundos para la conversación de evaluación. Repites el pulso combinado (esquema C) a los 60 días para confirmar que la confianza ha subido.
Escenario 2: los managers ahorran tiempo, pero los empleados encuentran el feedback genérico
M7 y M8 puntúan alto (≥4,0), pero E7-E12 puntúan bajo (media <3,0) y E33 sube. Decisión: mantener la IA para estructurar, pero exigir pruebas. Cada apartado de la evaluación debe incluir 2 puntos de prueba: proyecto, métrica, comportamiento observable. RR. HH. comparte ejemplos de “bueno frente a malo”, actualiza los prompts y revisa por muestreo el 10 % de las evaluaciones para comprobar su especificidad antes de que lleguen a los empleados en el próximo ciclo.
Escenario 3: las dudas sobre equidad se concentran en un grupo
E16 es estable en general, pero un centro muestra una brecha de 0,5 puntos y un E14 más alto. RR. HH. y el comité de empresa local comprueban si allí se usaron prompts, rúbricas o fuentes de datos distintos. Próximos pasos: repaso de calibración, afinar los anclajes de la rúbrica, volver a informar a los managers sobre patrones de sesgo. Comparas el mismo segmento en la encuesta de seguimiento de tendencias (esquema D) para confirmar que la brecha se ha reducido.
Guía de implantación
Empieza poco a poco y escala después. Implica pronto a tu comité de empresa siempre que la IA toque procesos de desempeño, cuestiones de supervisión o apoyo a la toma de decisiones: el Reglamento de IA exige información previa y la legislación laboral nacional puede exigir codeterminación. Mantén la encuesta claramente separada de los resultados individuales: las respuestas no deben influir en valoraciones, salario ni etiquetas de desempeño; de lo contrario, destruirás la confianza y las tasas de participación.
Ritmo de despliegue recomendado: piloto (6-10 semanas) → primer ciclo de evaluación → encuesta + correcciones (≤30 días) → escalar a la siguiente área → revisión de tendencias a los 6-12 meses. Para una planificación más amplia de talento y competencias junto con tu despliegue de IA, nuestra guía de software de gestión del talento para DACH recoge con detalle la lista de comprobación del RGPD y del comité de empresa.
- Haz un piloto en 1 función con 20-50 participantes; define los usos de IA permitidos: RR. HH. + TI, en un máximo de 14 días.
- Acuerda la minimización de datos, la conservación y los derechos de acceso; documéntalo con palabras sencillas: DPD + RR. HH., en un máximo de 30 días.
- Forma a los managers en verificación y en conversaciones que den seguridad para cuestionar: L&D, antes de que empiece el ciclo.
- Ejecuta los esquemas A y B tras el ciclo; publica las acciones en un máximo de 21 días: responsable de RR. HH.
- Revisa y actualiza el banco de preguntas cada año o tras cambios importantes en las herramientas: RR. HH. + comité de empresa, 1 vez al año.
| KPI a seguir | Objetivo | Por qué importa | Responsable |
|---|---|---|---|
| Tasa de participación | ≥70 % tras el ciclo | Las tasas bajas suelen indicar problemas de confianza o de fatiga de encuestas | RR. HH. Operaciones |
| Tiempo hasta la acción | ≤21 días | La rapidez genera credibilidad; un seguimiento lento reduce la sinceridad en la siguiente ronda | Responsable de RR. HH. |
| Formación completada (managers) | ≥90% | Reduce los prompts de riesgo y la dependencia excesiva de borradores sin revisar | L&D |
| Brechas de equidad entre grupos | <0,4 puntos | Alerta temprana de patrones de sesgo o de estándares incoherentes | People Analytics |
| Tasa de acciones completadas | ≥80% | Evita el “teatro de encuestas” y demuestra seguimiento real | HRBP + líderes |
Para un seguimiento más amplio de skills y competencias junto con tu trabajo de gobernanza de la IA, una comparativa de software de gestión de skills estructurada te ayuda a separar los “problemas de herramienta” de las “carencias de skills” y a planificar correcciones específicas más rápido.
Preguntas frecuentes
¿Con qué frecuencia deberíamos hacer estas preguntas de encuesta sobre IA en las evaluaciones de desempeño?
Durante un piloto, hazla tras cada ciclo de evaluación asistido por IA, al menos en los 2 primeros ciclos, mientras los recuerdos están frescos. Después funciona bien una encuesta en profundidad una vez al año más un pulso breve tras cambios importantes en las funciones de IA. Mantén estables 6-8 ítems clave entre rondas (confianza, equidad, seguridad psicológica, privacidad) para poder seguir las tendencias con fiabilidad a lo largo del tiempo.
¿Qué hacemos si las puntuaciones son muy bajas (media <3,0) o los comentarios son duros?
Empieza por contener y aclarar, no por ponerte a la defensiva. Reconoce los resultados en un máximo de ≤7 días y explica qué ocurrirá a continuación. Usa grupos de discusión para identificar las causas raíz: ¿carencias de comunicación, redacción genérica, miedo por la privacidad o comportamiento de los managers? Después comprométete con 3 correcciones como máximo, con responsables y fechas límite. Cierra el ciclo públicamente en un máximo de ≤21 días. Para dudas graves de privacidad, deriva al DPD/TI con un tiempo de respuesta de ≤24 horas.
¿Cómo evitamos que la encuesta parezca una vigilancia o un control del desempeño?
Sé explícito sobre la finalidad y la separación: las respuestas de la encuesta no deben influir en valoraciones, salario ni resultados individuales. Informa solo de resultados agregados y aplica umbrales de anonimato (sin informes para grupos de menos de 5-7 personas). Implica pronto a tu comité de empresa o a los representantes de los empleados y documenta las salvaguardas con claridad: fuentes de datos, plazos de conservación, derechos de acceso. Las directrices del CEPD sobre decisiones automatizadas son un buen punto de referencia para plantearlo internamente.
¿Qué exigen en la práctica el art. 22 del RGPD y el Reglamento de IA de la UE?
El art. 22 del RGPD prohíbe las decisiones con efectos significativos basadas únicamente en un tratamiento automatizado. Las sugerencias de valoración o las aportaciones de calibración generadas por IA que los managers aceptan sin una revisión sustantiva pueden activar esta protección. Los empleados tienen derecho a solicitar intervención humana, expresar su punto de vista e impugnar el resultado, y una revisión real exige una verdadera capacidad de decisión, no un simple visto bueno. El Reglamento de IA de la UE añade una segunda capa: los sistemas de evaluación del desempeño son IA de alto riesgo (Anexo III), lo que exige documentación de gestión de riesgos, registro, supervisión humana y una evaluación de impacto sobre los derechos fundamentales. Desde el 2 de diciembre de 2027 (la fecha fijada por el Digital Omnibus on AI), los empleados también podrán solicitar una explicación significativa de cualquier resultado de IA de alto riesgo según el art. 86 del Reglamento de IA.
¿Deberíamos decir a los empleados cuándo se usó IA en su evaluación?
Sí, si quieres generar confianza. La falta de transparencia tiende a inflar las dudas sobre equidad incluso cuando la calidad del resultado es buena. Hazlo sencillo: dónde se usó la IA (redacción, resumen, apoyo a la calibración), qué datos usó y cuáles no, y quién es responsable del contenido final. Añade un derecho de corrección: los empleados pueden cuestionar la redacción y pedir cambios sin tener que “demostrar” que la IA se equivocó.
¿Cómo mantenemos actualizado el banco de preguntas a medida que cambian las herramientas y las políticas?
Haz una revisión anual con RR. HH., algunos managers, People Analytics y tu comité de empresa cuando proceda. Mantén estables tus ítems de tendencia clave (confianza, equidad, seguridad psicológica, privacidad) y rota un pequeño conjunto de preguntas específicas según lo que haya cambiado: nuevas funciones de resumen, nuevas sugerencias de valoración, nuevas fuentes de datos. Prueba los ítems nuevos primero con un equipo y escala cuando la redacción sea inequívoca y esté lista para actuar.



