Los modelos de IA de frontera obtienen entre un 64 % y un 82 % cuando una pregunta sobre feedback de empleados tiene una respuesta clara y verificable. Cuando la tarea exige ponderar señales incompletas, cargadas de emoción y dependientes del contexto hasta llegar a una única conclusión defendible, los mejores caen al 33 % (PYX Labs, 2026).
Esa segunda categoría tiene un nombre en su empresa. Se llama decidir a quién se asciende.
Seis de cada diez managers ya usan la IA para tomar decisiones sobre sus colaboradores directos: subidas salariales, ascensos, reducciones de plantilla, despidos (Resume Builder, 2025). La curva de la capacidad y la curva del uso apuntan en direcciones opuestas, y casi nadie ha trazado la línea entre ambas.
Qué midió realmente el benchmark PYX-Voice
El 15 de julio de 2026, PYX Labs — un laboratorio de investigación patrocinado por Perceptyx — publicó PYX-Voice, el primer benchmark creado específicamente para evaluar hasta qué punto los modelos de IA de frontera comprenden el feedback de los empleados. Siete modelos líderes de OpenAI, Google, Anthropic y xAI se sometieron a 84 tareas reales de escucha del empleado y se calificaron según 208 criterios definidos por psicólogos del trabajo y de las organizaciones (I-O) y especialistas en comportamiento organizacional (Perceptyx, 2026).
Los criterios de calificación son lo esencial. Entregar a un modelo una hoja de cálculo con respuestas de una encuesta es trivial. Definir cómo es una lectura correcta de esos datos — qué concluiría un psicólogo I-O competente y qué se negaría a concluir — es la parte difícil, y es la parte que ningún benchmark de IA generalista comprueba.
El hallazgo principal no fue que los modelos sean malos. No lo son. La fiabilidad cayó de forma marcada y predecible a medida que aumentaba la carga interpretativa de la tarea (PYX Labs, 2026). El modelo más fuerte del grupo superó el 76 % global. Todos los modelos evaluados — sin excepción — registraron la síntesis como su capacidad más débil.
Esa consistencia importa más que las puntuaciones absolutas. Una debilidad compartida por todos los modelos de cuatro laboratorios distintos no es un problema de proveedor que se resuelva comprando. Es una propiedad de la tarea.
El precipicio está exactamente donde está lo que se juega
El perfil de rendimiento del benchmark encaja casi a la perfección con una distinción que la mayoría de los responsables de operaciones ya hace de forma intuitiva, pero que rara vez impone en sus herramientas.
Los modelos rindieron mejor allí donde el feedback se ordena con claridad en temas bien definidos: preguntas de habilitación del desempeño sobre objetivos, herramientas, métricas, recursos. Son problemas de categorización disfrazados de asuntos de recursos humanos. Existe una respuesta correcta, la respuesta es verificable y el modelo la encuentra.
El rendimiento se degradó en temas amplios y matizados — cambio, innovación, esa categoría difusa de comentarios que dicen que algo va mal sin decir qué. Aquí el modelo debe sostener a la vez varias señales parciales y contradictorias y producir un juicio. Las puntuaciones cayeron hasta el 33 % (PYX Labs, 2026).
Vale la pena citar la descripción que el propio benchmark hace del fallo, porque nombra el mecanismo y no el síntoma: "La ruptura ocurre específicamente cuando tienen que ponderar señales incompletas, emocionales o dependientes del contexto y resolverlas en una conclusión clara" (HR Dive, 2026).
Relea esa descripción y pregúntese qué es una decisión de ascenso. Es información incompleta, con carga emocional, fuertemente dependiente del contexto, resuelta en una conclusión clara. El benchmark no evaluó la gestión del desempeño. Evaluó exactamente la operación cognitiva de la que se compone la gestión del desempeño.
Un 33 % en una tarea de juicio no es un asistente algo más débil. Es lanzar una moneda al aire con voz segura.
Y el modo de fallo es peor de lo que sugiere la puntuación, porque la salida se ve idéntica en ambos casos. Un modelo que sintetiza mal el feedback de empleados no devuelve un error ni una señal de baja confianza. Devuelve un párrafo fluido, bien estructurado y del todo plausible sobre el ánimo del equipo. El manager que lo revisa no tiene ninguna señal que distinga el caso del 82 % del caso del 33 %. PYX Labs también registró casos raros pero significativos de modelos que producían resultados estadísticos inventados, o que no respetaban las restricciones del conjunto de datos subyacente — una cifra en el resumen que nunca estuvo en los datos (HR Dive, 2026).
La fluidez no es calibración. Nada en la capa de presentación se degrada cuando se degrada el razonamiento.
Dónde se están tomando ya las decisiones sobre personas con IA
Ahora ponga ese perfil de capacidad junto al comportamiento real de los managers.
Resume Builder encuestó a 1.342 managers estadounidenses con colaboradores directos a finales de junio de 2025. El sesenta por ciento usa herramientas de IA para tomar decisiones sobre sus personas. Entre quienes lo hacen: el 78 % la usa para determinar subidas salariales, el 77 % para ascensos, el 66 % para reducciones de plantilla y el 64 % para despidos (Resume Builder, 2025).
Otras tres cifras de la misma encuesta definen con precisión el problema de gobernanza.
Más de uno de cada cinco managers afirma que con frecuencia deja que la IA tome la decisión final sin intervención humana alguna. Dos tercios de los managers que usan IA para gestionar personas no han recibido ninguna formación formal al respecto. Y solo un 32 % declara haber recibido formación formal sobre el uso ético de estas herramientas (HR Dive, 2025).
El riesgo es la confianza, no el uso
Más de siete de cada diez managers que usan la IA para ayudar a gestionar sus equipos se declararon confiados en que la tecnología toma decisiones justas y sin sesgos sobre los empleados (HR Dive, 2025).
Más del setenta por ciento confiado. Treinta y tres por ciento de capacidad en el extremo interpretativo. Esa brecha es toda la exposición, y no se cierra con mejores modelos: se cierra delimitando mejor.
Repare en lo que esto no es. No es un argumento para decir que los managers son imprudentes o que la IA no tiene lugar en la gestión del desempeño. Los managers que delegan la extracción de temas de 400 respuestas abiertas están acertando; esa es la tarea del 82 %, y hacerla a mano desperdicia la semana de una persona sénior. El problema es que la misma interfaz, el mismo cuadro de texto y el mismo permiso institucional cubren ambas tareas — y solo una de ellas es segura.
Los motivos para no sobreinterpretar esto
Tres salvedades, dichas con claridad, porque el reflejo de descontar ambas fuentes está en parte justificado.
PYX Labs está patrocinado por Perceptyx, que vende tecnología de escucha del empleado. Un benchmark que concluye que interpretar el feedback de los empleados es más difícil de lo que parece — y requiere experiencia I-O — resulta comercialmente conveniente para una empresa que vende experiencia I-O. Tómelo en cuenta y contrástelo con el hecho de que la metodología, el número de tareas y los criterios de calificación del benchmark están publicados, y los resultados se difundieron íntegros, incluido dónde los modelos rindieron bien.
Resume Builder es una empresa de servicios de currículums, y su estudio es una encuesta en línea autodeclarada. "El sesenta por ciento de los managers usa la IA para decisiones sobre personas" mide lo que los managers dicen hacer, en una encuesta en la que decir que sí no cuesta nada. Trate la dirección como sólida y los decimales como blandos.
Y PYX-Voice es un único benchmark, publicado hace semanas, aún sin réplica independiente. Un solo benchmark es evidencia, no prueba.
Lo que sobrevive a las tres salvedades es la forma del hallazgo: la capacidad cae a medida que sube la carga interpretativa, de manera uniforme entre laboratorios, mientras que el uso es máximo justo donde la carga interpretativa alcanza su pico. Ningún incentivo comercial fabricó esa inversión. Haría falta una suerte bastante extraña para que el sesgo del patrocinador y el de la encuesta acabaran apuntando en la misma dirección.
Qué significa esto en una empresa de 50 a 500 empleados
A escala corporativa, el problema lo absorbe el proceso. Hay un comité de retribución, una sesión de calibración, un HR business partner que lee el mismo feedback de forma independiente y una función legal que preguntará cómo se llegó a una decisión de despido.
Con 200 personas hay un manager, una hoja de cálculo y una fecha límite.
Esto no es una crítica a las operaciones del mid-market: es la realidad estructural que hace que este hallazgo sea más urgente aquí que en una empresa de 20.000 personas. El mid-market tiene el mismo acceso a la IA, una capa de revisión más fina y una tolerancia sensiblemente menor a una demanda por despido improcedente. La herramienta llegó; el proceso de calibración que detectaría sus errores, no.
Hay además un efecto acumulativo que conviene nombrar. Un modelo que lee mal el feedback matizado no se equivoca al azar. Favorece sistemáticamente lo legible sobre lo significativo: la queja escrita con claridad frente a la que va con reservas, el empleado que se expresa bien frente al reticente, el tema con una palabra clave frente al que no la tiene. Deje eso funcionando en silencio durante dos ciclos de ascensos y no habrá cometido un error. Habrá instalado un sesgo con su propio rastro documental.
Trace la línea este trimestre
Divida el trabajo por verificabilidad, no por herramienta
La frontera utilizable no es "IA para RR. HH., sí o no". Es: ¿puede comprobarse la salida contra la fuente en menos de un minuto? Agrupar 300 comentarios en temas — comprobable, delegue. Ordenar a dos candidatos para una única plaza de ascenso a partir de su feedback — no comprobable, manténgalo humano. Ponga ese test por escrito e inclúyalo en las guías para managers, porque ahora mismo dos tercios de sus managers que usan estas herramientas no han recibido ninguna formación formal (Resume Builder, 2025).
Nombre las cuatro decisiones que la IA no puede cerrar
Subidas salariales, ascensos, reducciones de plantilla, despidos. Para cada una, exija una justificación humana documentada que no cite un resumen de IA como evidencia. No cuesta nada y aborda directamente a ese uno de cada cinco que hoy deja decidir al modelo sin supervisión.
Audite un ciclo hacia atrás
Tome el último ciclo de desempeño o de retribución. Haga a cada manager una sola pregunta: ¿dónde tocó la IA esto y qué comprobó usted? No busca infracciones. Busca el mapa honesto de dónde ocurre ya — que, en la mayoría de las empresas del mid-market que he examinado, va más avanzado de lo que el equipo directivo supone.
Una decisión este trimestre
Elija la decisión sobre personas de mayor calado que sus managers hayan tomado en los últimos noventa días y pregunte si un resumen generado por IA estuvo en algún punto de su cadena de evidencias. Si lo estuvo, haga la segunda pregunta: ¿habría podido alguien saber, solo por la salida, si ese resumen era del tipo del 82 % o del tipo del 33 %?
Si la respuesta es no, no tiene un problema de IA. Tiene una delegación sin perímetro — y el arreglo es una línea en un documento de política interna, no un modelo mejor.
Seis de cada diez managers ya han cruzado esa línea. A casi ninguno le dijeron dónde estaba.
