Segun Harvard Business Review, las empresas están integrando sistemas de inteligencia artificial generativa para optimizar las evaluaciones de desempeño, buscando reducir el tiempo y aumentar la consistencia en los procesos de retroalimentación laboral. Casos concretos muestran que instituciones como Citi emplean herramientas que recopilan información de múltiples áreas para redactar informes de rendimiento. JPMorgan utiliza un conjunto de modelos de lenguaje para elaborar revisiones anuales, mientras que el asistente interno de Boston Consulting Group ha logrado disminuir en un 40% el tiempo necesario para redactar estas evaluaciones. Aunque estas soluciones ofrecen un alto potencial de eficiencia, su aplicación actual se centra principalmente en reescribir versiones más elaboradas de los formatos tradicionales, sin transformar profundamente el enfoque narrativo que históricamente han adoptado las organizaciones.
La tecnología no sustituye necesariamente el juicio humano, sino que actúa como un catalizador para acelerar el proceso de generación de contenido. Sin embargo, si se emplea sin una revisión crítica, puede reforzar sesgos o fomentar la homogeneización de los resultados. Los modelos aprenden de datos pasados, lo que significa que pueden reflejar estructuras de evaluación ya establecidas, sin cuestionar su validez o equidad. En este contexto, el riesgo no es solo perder tiempo, sino también perder claridad en el análisis de desempeño real, especialmente en entornos donde el trabajo es diverso, dinámico y altamente contextualizado.
Para el lector peruano, este escenario tiene implicaciones directas. Las empresas del sector privado, especialmente en áreas como servicios, manufactura y comercio, están implementando nuevas tecnologías para gestionar su talento. Aunque el uso de IA puede facilitar el seguimiento de desempeño, es crucial que los gestores no dependan únicamente de las recomendaciones automáticas. Los resultados de una evaluación deben reflejar la realidad del trabajo diario: el esfuerzo, la innovación, la resolución de conflictos y el impacto en el equipo. En entornos donde los empleados trabajan bajo condiciones de alta presión o con cambios frecuentes, un enfoque basado en datos generados por IA podría ignorar dimensiones cualitativas clave. Por ejemplo, un operario que resuelve problemas de cadena de suministro de forma espontánea no será reconocido si el sistema no ha sido entrenado para detectar ese tipo de contribución.
Además, el contexto peruano debe considerar la brecha tecnológica entre grandes corporaciones y pequeñas y medianas empresas. Mientras que grandes grupos pueden invertir en herramientas de inteligencia artificial, muchas organizaciones locales aún dependen de procesos manuales o de evaluaciones basadas en memorias personales. Aquí, la integración de IA debe ser gradual y acompañada de formación para los líderes. El objetivo no es automatizar la evaluación, sino fortalecer el diálogo entre líderes y empleados, asegurando que los resultados no solo sean rápidos, sino también justos y significativos. La clave está en usar la tecnología como herramienta de apoyo, no como sustituto del juicio humano y de la experiencia práctica en el campo laboral.