Los documentos de revisión se preparan en minutos, no en horas
Que hace
La automatización convierte la laboriosa recopilación de datos sobre el trabajo del empleado en un proceso en segundo plano. El agente de IA lee las fuentes de datos que RR. HH. ya gestiona — el rastreador de tareas, HRIS, las carpetas de informes — y genera un borrador de revisión con una plantilla unificada para cada empleado en el ciclo. El responsable dedica su tiempo al juicio y la retroalimentación, no a reconstruir la cronología del trimestre.
Proceso paso a paso
- Activador del ciclo de revisión. El administrador de RR. HH. inicia la preparación de la revisión de forma individual para un empleado o en bloque para un departamento a través de la interfaz HRIS o un formulario independiente.
- Recopilación de artefactos. El agente se conecta a HRIS y al almacenamiento de archivos, extrae los datos del empleado correspondientes al período: tareas cerradas, informes, notas de 1-on-1, resultados de revisiones anteriores, objetivos OKR o KPI.
- Normalización de fuentes. Los documentos en distintos formatos — PDF, DOCX, tablas, markdown — se convierten a un formato de texto unificado mediante parsers antes de enviarse al LLM.
- Sumarización.El modelo de IA comprime los artefactos extensos en puntos breves según bloques acordados previamente: logros, áreas de crecimiento, alineación con los objetivos, compromiso.
- Generación del borrador. El agente completa la plantilla corporativa de performance review — los mismos encabezados, tono y extensión de las secciones que en los documentos finales de ciclos anteriores.
- Exportación para aprobación. El borrador se guarda en la carpeta del responsable en el almacenamiento de archivos y en la ficha del empleado en HRIS para su edición y aprobación final.
- Versionado. Cada iteración se guarda en un archivo independiente — el responsable puede ver qué se añadió en la edición manual y qué provino de la IA.
Lo que esta automatización no hace
- No toma decisiones sobre ascensos, bonificaciones ni despidos. El borrador es la base para la conversación entre el responsable y RR. HH., no un veredicto final.
- No reemplaza la reunión 1-on-1. Los datos sobre el trabajo se recopilan de forma automática, pero la retroalimentación al empleado la proporciona una persona.
- No evalúa los soft skills sin datos de entrada. Si en las fuentes no hay notas sobre trabajo en equipo, liderazgo o comunicación, el agente no los infiere, sino que marca la sección como pendiente de entrada manual.
Como funciona
La automatización está construida sobre arquitectura low-code — sin custom backend. Componentes principales: orquestador (motor de workflow o Zapier), capa LLM sobre un modelo de IA, conectores a HRIS y almacenamiento de archivos, almacén de prompts y plantillas. El flujo funciona en tres etapas lógicas: recopilación de contexto → procesamiento con IA → exportación y notificaciones. En cada etapa, los datos pasan por validación — si el documento no se encuentra o el campo está vacío, el agente lo marca y continúa, en lugar de fallar.
Pasos de implementación
- Configuración de conectores HRIS. Se crea una clave API read-only para HRIS (BambooHR, Hibob, Humaans, 1С:ЗУП o equivalente) con acceso a las fichas de empleados, objetivos e historial de revisiones. Para el almacenamiento de archivos — integración OAuth con Google Drive, Dropbox Business o SharePoint.
- Digitalización de la plantilla de revisión. El equipo de HR entrega la plantilla corporativa actual — la estructura de secciones, la extensión y el tono. La plantilla se convierte en un prompt estructurado con marcadores de posición.
- Mapeo de fuentes a secciones. Para cada sección de la revisión (por ejemplo, «Logros del trimestre») se especifican las fuentes: rastreador de tareas con estado Done, tickets cerrados, commits de git, informes de una carpeta específica.
- Configuración de prompts y restricciones. El prompt se elabora con instrucciones explícitas: no salir del marco de los hechos, no realizar valoraciones personales, marcar las lagunas en los datos, usar un tono neutro.
- Prueba con 3-5 empleados. Ejecución con datos reales de personas del ciclo anterior, comparación con el documento original, calibración de los prompts según el estilo de la empresa.
- Gate manual antes del envío. En todas las versiones, el borrador llega primero al responsable, nunca directamente al empleado.
- Registro y auditoría. Cada ejecución se guarda: qué fuentes se usaron, la versión del prompt, qué LLM, cuántos tokens. Necesario para compliance y análisis de errores.
Composición del sistema
Componente | Función | Ejemplo |
|---|---|---|
Orquestador | Lógica de flujo, disparadores, manejo de errores | plataforma low-code, Zapier |
LLM | Sumarización y generación de borrador | modelo de IA |
Conector HRIS | Fichas, objetivos, historial de revisiones | BambooHR, Hibob |
Conector de archivos | Informes, notas 1-on-1, plantillas | Google Drive, SharePoint |
Almacén de prompts | Versiones de plantillas y prompts | Notion, repositorio Git |
Seguridad y compliance
Los datos de los empleados son sensibles. El agente de IA funciona en modo enterprise del modelo de IA sin enviar datos a conjuntos de entrenamiento públicos. El acceso está restringido a HR y responsables, los registros se guardan para la auditoría GDPR. Si es necesario, el procesamiento LLM se traslada a infraestructura self-hosted. La plantilla de tratamiento de datos se registra en el DPIA (Data Protection Impact Assessment) antes del primer lanzamiento.
Posibles escollos
La IA alucina cuando las fuentes se contradicen entre sí — por ejemplo, una tarea está cerrada pero en el informe aparece marcada como fallida. El agente debe señalar las contradicciones con honestidad, en lugar de elegir la versión conveniente. El segundo riesgo es la uniformidad de las formulaciones: si todos los borradores suenan igual, la confianza en la herramienta disminuye. Se resuelve con la variabilidad de los prompts y la aleatoriedad del orden de las secciones. El tercer riesgo es que el responsable firme el borrador sin modificaciones, convirtiendo a la IA en la única voz en la revisión. Se elimina con el gate manual obligatorio y una lista de verificación del responsable antes de la finalización.
Requisitos previos
La automatización parte de un nivel medio de madurez en los procesos de HR. No hace falta una potente infraestructura de HR — hace falta regularidad y unificación de fuentes: los mismos lugares donde van los artefactos de trabajo de los empleados.
Datos y accesos
- HRIS activo con API o exportación — BambooHR, Hibob, Humaans, HR-Link, 1С:ЗУП o análogo.
- Almacenamiento de archivos organizado por empleados — Google Drive, Dropbox Business, SharePoint, Notion.
- Una plantilla de performance review acordada en al menos un idioma.
- Historial de 3-5 revisiones anteriores para la calibración según el estilo de la empresa.
- Ciclo regular de revisiones — trimestral, semestral o anual.
Preparación del equipo
- Un HR manager o HRBP dispuesto a invertir 10-15 horas en la configuración y prueba del piloto.
- Una persona técnica — interna o socio — para la configuración de los conectores low-code.
- Una decisión acordada sobre la política de datos: dónde se almacena el contexto de las revisiones, quién ve los logs, cuánto tiempo se conserva el historial.
Plazos
Complejidad: simple (week). 2-4 semanas desde el inicio hasta el primer ciclo de trabajo. De las cuales: una semana para los conectores y la digitalización de la plantilla, una semana para los prompts y la calibración, 1-2 semanas para la prueba con 3-5 empleados y el feedback de los responsables piloto.
Problemas
- Calidad inconsistente
- Tiempo en informes manuales
FAQ
¿Cuánto tiempo lleva la implementación?
La configuración básica se pone en marcha en 2-4 semanas, siempre que el HRIS y el almacenamiento de archivos ya existan. La primera semana: conexión de conectores y digitalización de la plantilla de revisión. La segunda: configuración de prompts y calibración al estilo de la empresa. Las últimas 1-2 semanas: prueba con 3-5 empleados del ciclo anterior y ajustes según la retroalimentación de los responsables piloto.
No tenemos un HRIS completo — solo Google Sheets y carpetas con documentos. ¿Funciona igualmente?
Sí, con condiciones. Si los empleados y los objetivos se gestionan en una tabla estructurada y los artefactos de trabajo se depositan en carpetas predecibles, la integración low-code se conecta directamente a Google Drive y Sheets. La calidad de la sumarización depende de la estructura de los datos: si las tablas están desordenadas, el agente lo reflejará. Primero conviene ordenar las fuentes y luego implementar el agente de IA.
¿Cuáles son los riesgos y qué puede salir mal?
Tres riesgos principales. El primero: alucinaciones de IA ante contradicciones en las fuentes (la tarea está cerrada pero aparece como fallida en el informe). Se resuelve con una instrucción explicit que marque las contradicciones. El segundo: uniformidad en las formulaciones, que reduce la confianza en el documento. Se resuelve con variabilidad de prompts. El tercero: filtración de datos de empleados. Se resuelve con el modo enterprise del modelo de IA, la restricción de accesos y la auditoría de logs.
¿Funciona en nuestra industria?
La automatización es horizontal: no está vinculada a la especificidad del sector. Es adecuada para cualquier empresa de 5-50 personas con un ciclo regular de performance review: IT, agencias, manufactura, retail, medicina. La especificidad se refleja en la plantilla de revisión y en el mapeo de fuentes: si tiene ingenieros, se conecta el rastreador de tareas y git; si tiene vendedores, CRM e informes de transacciones.
¿Cómo se integra esto en el proceso actual de performance review?
El agente de IA genera un borrador antes de la reunión del responsable con el empleado. El borrador se envía a la ficha del empleado en el HRIS o a la carpeta del responsable, donde se edita manualmente, se acuerda con HR y se entrega en el 1-on-1. La reunión en sí, la decisión sobre la promoción y la retroalimentación quedan en manos de las personas: Grow2.ai no interviene en esta etapa.
¿Cómo evitar el sesgo en la generación de revisiones por IA?
El sesgo surge de dos fuentes: los datos de entrenamiento del LLM y la estructura del prompt. Sobre lo primero no influimos: utilizamos el modelo enterprise de LLM con un perfil conocido. Sobre lo segundo influimos completamente: el prompt prohíbe evaluaciones personales, exige referencias a hechos y no utiliza características demográficas. Antes del lanzamiento realizamos una prueba de control en revisiones anteriores: comparamos la tonalidad por género, edad y roles.
Quieres esto en tu negocio?
Reserva una auditoria gratuita — te mostraremos como funcionara esta automatizacion para ti.