La respuesta corta es sí. Y ese no es el problema.
Hoy una IA puede analizar un cargo, interpretar sus funciones y recomendar en segundos una batería de evaluación completa. Puede sonar técnicamente muy razonable.
El punto que realmente importa no es si la IA puede hacerlo, sino con qué criterio llegó a esa recomendación.
La velocidad con que una IA responde no reemplaza la necesidad de definir qué estamos intentando observar.
Una batería plausible no necesariamente es una batería correcta.
Una IA puede asociar liderazgo con ciertas competencias, ventas con orientación a resultados, administración con atención al detalle. Todo eso puede sonar lógico.
El problema aparece cuando dos cargos que comparten el mismo título exigen cosas completamente distintas. Un ejecutivo comercial puede vender de forma transaccional, cerrando en días, o gestionar ciclos de seis meses con múltiples decisores. Puede trabajar sobre cartera existente o estar a cargo de abrir mercado desde cero.
Venta transaccional
Ciclos cortos, volumen, velocidad de respuesta y cierre.
Venta consultiva
Ciclos largos, múltiples decisores, diagnóstico y apertura de mercado.
Si a ambos perfiles se les pide simplemente qué evaluar para un ejecutivo comercial, la respuesta puede ser perfectamente razonable y, al mismo tiempo, insuficiente. La IA no se equivocó. Respondió bien a una pregunta mal planteada.
Antes de elegir una evaluación hay que definir qué necesitamos observar.
El punto de partida correcto no es el test, es el cargo, el contexto y la decisión que hay que tomar. Qué comportamiento necesitamos observar, qué evidencia puede aportarlo y qué peso tendrá esa evidencia dentro de la decisión final son preguntas que preceden a cualquier herramienta.
Cuando ese criterio no está explícito antes de evaluar, muchas veces termina definiéndose sobre la marcha, incluso recién cuando alguien pide una batería. Y ese vacío es exactamente el espacio que una IA llena por defecto cuando nadie lo llenó antes.
No porque la IA imponga un criterio equivocado, sino porque responde donde nadie más respondió primero. La IA puede participar en ese razonamiento. Lo que no deberíamos hacer es delegarle también la responsabilidad de validarlo.
Entonces, ¿dónde sí aporta valor la IA?
Puede analizar perfiles de cargo, identificar hipótesis de competencias, comparar alternativas de evaluación, detectar inconsistencias entre lo que se busca y lo que se mide, e incluso cuestionar una batería ya existente y señalar dónde falta evidencia.
Puede mostrar que una batería histórica mide cosas que ya no son relevantes para el cargo actual, o que dos competencias que siempre se evalúan juntas en realidad están aportando información muy similar.
Usada así, la IA no reemplaza el criterio. Lo pone a prueba.
El valor aparece cuando amplía el análisis antes de decidir y obliga a revisar supuestos, no cuando reemplaza las preguntas que deberían hacerse antes de aceptar una respuesta.
Ese tipo de aporte solo ocurre cuando alguien sigue haciendo las preguntas antes de aceptar la respuesta. El problema nunca fue incorporar IA al proceso de evaluación. El problema es qué lugar ocupa dentro de él, y quién decide ese lugar.
El problema comienza cuando la recomendación se convierte automáticamente en decisión.
Cargo → IA → batería → candidato → resultado
La conveniencia técnica reemplaza al criterio sin que nadie lo note, porque cada paso individual parece razonable.
Criterio → hipótesis → IA → validación → evidencia
La IA sigue presente, pero opera dentro de un proceso que alguien puede revisar y cuestionar antes de que impacte a una persona real.
La diferencia no es burocracia adicional. Es la posibilidad de explicar después por qué se evaluó lo que se evaluó, y no solo confiar en que sonaba correcto en el momento.
Hay una persona al otro lado de la evaluación.
Una batería no es solo una configuración técnica. Alguien va a dedicar tiempo a responderla y ese resultado puede influir en que avance o quede fuera de un proceso, muchas veces sin saber con qué criterio fue evaluado.
Eso eleva el estándar con el que debería usarse la IA para diseñarla. No es lo mismo automatizar la selección de preguntas en una encuesta interna que automatizar la selección de instrumentos cuyos resultados pueden influir directamente en una decisión de contratación.
La responsabilidad sobre cómo esa evidencia afecta una decisión sigue siendo humana.
De automatizar evaluaciones a construir decisiones trazables.
La pregunta no es si la IA puede recomendar una evaluación. La pregunta es si después se puede explicar qué se quería observar, por qué se eligió ese instrumento, qué evidencia se obtuvo, cuánto influyó y quién tomó la decisión final.
Cuando esa cadena existe, la IA es una herramienta que amplía el criterio humano. Cuando no existe, la IA no está fallando, simplemente está ocupando un espacio que nadie más definió.
La IA puede recomendar qué evaluar. La responsabilidad de decidir por qué evaluarlo sigue siendo humana.
La respuesta corta es sí. Y ese no es el problema.
Hoy una IA puede analizar un cargo, interpretar sus funciones y recomendar en segundos una batería de evaluación completa. Puede sonar técnicamente muy razonable.
El punto que realmente importa no es si la IA puede hacerlo, sino con qué criterio llegó a esa recomendación.
La velocidad con que una IA responde no reemplaza la necesidad de definir qué estamos intentando observar.
Una batería plausible no necesariamente es una batería correcta.
Una IA puede asociar liderazgo con ciertas competencias, ventas con orientación a resultados, administración con atención al detalle. Todo eso puede sonar lógico.
El problema aparece cuando dos cargos que comparten el mismo título exigen cosas completamente distintas. Un ejecutivo comercial puede vender de forma transaccional, cerrando en días, o gestionar ciclos de seis meses con múltiples decisores. Puede trabajar sobre cartera existente o estar a cargo de abrir mercado desde cero.
Venta transaccional
Ciclos cortos, volumen, velocidad de respuesta y cierre.
Venta consultiva
Ciclos largos, múltiples decisores, diagnóstico y apertura de mercado.
Si a ambos perfiles se les pide simplemente qué evaluar para un ejecutivo comercial, la respuesta puede ser perfectamente razonable y, al mismo tiempo, insuficiente. La IA no se equivocó. Respondió bien a una pregunta mal planteada.
Antes de elegir una evaluación hay que definir qué necesitamos observar.
El punto de partida correcto no es el test, es el cargo, el contexto y la decisión que hay que tomar. Qué comportamiento necesitamos observar, qué evidencia puede aportarlo y qué peso tendrá esa evidencia dentro de la decisión final son preguntas que preceden a cualquier herramienta.
Cuando ese criterio no está explícito antes de evaluar, muchas veces termina definiéndose sobre la marcha, incluso recién cuando alguien pide una batería. Y ese vacío es exactamente el espacio que una IA llena por defecto cuando nadie lo llenó antes.
No porque la IA imponga un criterio equivocado, sino porque responde donde nadie más respondió primero. La IA puede participar en ese razonamiento. Lo que no deberíamos hacer es delegarle también la responsabilidad de validarlo.
Entonces, ¿dónde sí aporta valor la IA?
Puede analizar perfiles de cargo, identificar hipótesis de competencias, comparar alternativas de evaluación, detectar inconsistencias entre lo que se busca y lo que se mide, e incluso cuestionar una batería ya existente y señalar dónde falta evidencia.
Puede mostrar que una batería histórica mide cosas que ya no son relevantes para el cargo actual, o que dos competencias que siempre se evalúan juntas en realidad están aportando información muy similar.
Usada así, la IA no reemplaza el criterio. Lo pone a prueba.
El valor aparece cuando amplía el análisis antes de decidir y obliga a revisar supuestos, no cuando reemplaza las preguntas que deberían hacerse antes de aceptar una respuesta.
Ese tipo de aporte solo ocurre cuando alguien sigue haciendo las preguntas antes de aceptar la respuesta. El problema nunca fue incorporar IA al proceso de evaluación. El problema es qué lugar ocupa dentro de él, y quién decide ese lugar.
El problema comienza cuando la recomendación se convierte automáticamente en decisión.
Cargo → IA → batería → candidato → resultado
La conveniencia técnica reemplaza al criterio sin que nadie lo note, porque cada paso individual parece razonable.
Criterio → hipótesis → IA → validación → evidencia
La IA sigue presente, pero opera dentro de un proceso que alguien puede revisar y cuestionar antes de que impacte a una persona real.
La diferencia no es burocracia adicional. Es la posibilidad de explicar después por qué se evaluó lo que se evaluó, y no solo confiar en que sonaba correcto en el momento.
Hay una persona al otro lado de la evaluación.
Una batería no es solo una configuración técnica. Alguien va a dedicar tiempo a responderla y ese resultado puede influir en que avance o quede fuera de un proceso, muchas veces sin saber con qué criterio fue evaluado.
Eso eleva el estándar con el que debería usarse la IA para diseñarla. No es lo mismo automatizar la selección de preguntas en una encuesta interna que automatizar la selección de instrumentos cuyos resultados pueden influir directamente en una decisión de contratación.
La responsabilidad sobre cómo esa evidencia afecta una decisión sigue siendo humana.
De automatizar evaluaciones a construir decisiones trazables.
La pregunta no es si la IA puede recomendar una evaluación. La pregunta es si después se puede explicar qué se quería observar, por qué se eligió ese instrumento, qué evidencia se obtuvo, cuánto influyó y quién tomó la decisión final.
Cuando esa cadena existe, la IA es una herramienta que amplía el criterio humano. Cuando no existe, la IA no está fallando, simplemente está ocupando un espacio que nadie más definió.
La IA puede recomendar qué evaluar. La responsabilidad de decidir por qué evaluarlo sigue siendo humana.