Evaluación de desempeño con IA: 6 prompts y un ejemplo real

El prompt lleva las metas, tus propias pruebas y la escala, y la nota la pones tú

Un solo prompt escribe un primer borrador útil de una evaluación de desempeño cuando lleva tres cosas: las metas fijadas al inicio del ciclo, las pruebas que sacaste tú mismo del sistema de tickets, el calendario y las cifras, y la escala de calificación con sus definiciones. JPMorgan Chase permite justo eso a sus managers, bajo una directriz que dice que la herramienta "no sustituye el juicio humano" y con la prohibición de usar IA para asignar puntajes o decidir pagos y ascensos (Bloomberg, 13 de noviembre de 2025). Este es el prompt que enviamos a dos modelos el 29 de septiembre de 2026; la ingeniera de soporte y sus cifras son inventadas, lo importante es la estructura.

Escribe los comentarios del manager para una evaluación anual de desempeño. Usa solo las pruebas de abajo; donde necesites un dato que no te di, escribe [NEEDED] en lugar de inventarlo. Estructura: un párrafo por meta (primero el resultado, luego las pruebas), un párrafo sobre áreas de desarrollo y después una nota general propuesta en nuestra escala con una frase de justificación. Menos de 250 palabras. Nada de adjetivos sobre el carácter de la persona, solo lo que hizo y lo que produjo.

Puesto: ingeniera de soporte, 2 años en el puesto. Escala: 1 Por debajo de lo esperado, 2 Cumple parcialmente, 3 Cumple, 4 Supera, 5 Supera por mucho. Un 3 es la nota esperada para un año sólido; el 4 exige un impacto medible más allá del puesto.

Meta 1: Reducir la mediana del primer tiempo de respuesta en tickets de nivel 2 de 9 horas a menos de 4. Pruebas: informe de Zendesk, mediana del primer tiempo de respuesta de 3.6 horas del T2 al T4; 3,100 tickets atendidos en el año frente a un promedio del equipo de 2,400.

Meta 2: Lanzar la página de estado para clientes. Pruebas: lanzada el 14 de marzo, seis semanas después del objetivo del 1 de febrero; el retraso se debió a una dependencia de SSO de un proveedor fuera de su control; 22 incidentes publicados desde el lanzamiento.

Meta 3: Acompañar a dos nuevos ingresos hasta que atiendan tickets sin supervisión en 8 semanas. Pruebas: ambos atendían tickets solos en la semana 6 (notas de las reuniones individuales del manager, abril y mayo).

Nota de desarrollo: dos escalamientos en el T3 en los que se dio al cliente una fecha de solución antes de que ingeniería la confirmara (Jira SUP-2211, SUP-2287).

Dos instrucciones de ese prompt hacen la mayor parte del trabajo. "[NEEDED] en lugar de inventarlo" impide que el modelo adorne una meta con una cifra que nunca mediste: en nuestra prueba, Claude Sonnet 4.5 escribió un [NEEDED] donde no habíamos dado pruebas de una solución tras los dos escalamientos, y Gemini 2.5 Pro no escribió ninguno y añadió una frase sobre un proceso que nunca le dimos. "Nada de adjetivos sobre el carácter de la persona" mantiene el borrador en lo que ocurrió, que es también lo que el empleado puede discutir y lo que RR. HH. puede defender.

Las pruebas tienen que venir de ti, porque el modelo no tiene nada más. El informe State of People Strategy 2025 de Lattice encontró que al 49% de los managers les cuesta revisar un año de retroalimentación, y ese año es justo lo que el prompt necesita: la exportación de Zendesk o Jira, el calendario, el registro de commits, las notas de las reuniones individuales, las cifras del panel. El prompt 2 convierte esas exportaciones en líneas de evidencia antes de escribir nada.

Abajo están las exportaciones en bruto del periodo de evaluación de esta persona: [pega la lista de tickets, la exportación del calendario, el registro de commits o el informe de ventas, una tras otra]. Conviértelas en líneas de evidencia, una por línea, cada una con una fecha o rango de fechas, algo que se hizo y una cifra de la exportación. Agrúpalas bajo estas metas: [pega las metas]. Si un elemento no respalda ninguna meta, ponlo en "Otros". Si falta una cifra, escribe [NUMBER NEEDED]. No resumas ni califiques nada, y no añadas ningún elemento que no esté en las exportaciones.

No llegas tarde a esto. Resume Builder encuestó en junio de 2025 a 1,342 managers de EE. UU. con personas a cargo: el 65% usa herramientas de IA en el trabajo y, de ellos, el 91% las usa para evaluar el desempeño, con ChatGPT como primera opción para el 53%.

Autoevaluación con IA: las mismas entradas y un fallo honesto

Una autoevaluación escrita con IA parte de las mismas tres entradas y defiende una sola nota, la que respaldan tus pruebas, con una cosa que harías distinto dicha con palabras claras. Una autoevaluación sin ningún fallo parece escrita por una máquina o por alguien que no presta atención, y el 26% de los empleados ya sospecha que recibió una evaluación escrita por IA (ZeroBounce, encuesta a 1,000 profesionales de EE. UU., septiembre de 2025). El orden del despliegue en Citi muestra lo normal que se ha vuelto: desde junio de 2025 sus empleados podían redactar autoevaluaciones con las herramientas de IA de la empresa, y los managers recibieron la misma ayuda cuatro meses después.

Escribe mi autoevaluación para la evaluación de [periodo]. Mis metas fueron: [pega]. Mis pruebas, todas de mis propios registros: [pega las líneas de evidencia del prompt 2]. Nuestra escala de calificación: [pega, con la definición de cada nivel]. En primera persona, menos de 300 palabras, un párrafo por meta que empiece por el resultado y siga con las pruebas, y luego un párrafo con lo que haría distinto: [describe el fallo en una línea]. Defiende la nota que respaldan mis pruebas y di de qué nivel es; no defiendas una más alta. Donde necesites una cifra que no te di, escribe [NUMBER NEEDED]. Nada sobre mi actitud, esfuerzo o potencial, solo lo que hice y lo que produjo.

Cada cifra de la autoevaluación debe ser una que tu manager pueda comprobar en el sistema de donde la sacaste, porque ahí es donde va a mirar. Los tres resultados que sostienen una autoevaluación son los mismos que sostienen una petición de aumento, así que el prompt de argumentación de usar IA para pedir un aumento produce los puntos para ambas, y la autoevaluación es el mejor lugar para dejarlos primero por escrito.

El último paso es la voz, y aquí importa más que en el borrador del manager, porque una autoevaluación que suena a modelo le dice a tu manager que no la escribiste tú. El prompt 4 usa tus propias frases como muestra, y funciona igual con cualquier correo de trabajo.

Aquí hay tres párrafos que escribí yo mismo, de correos o documentos: [pega]. Reescribe la autoevaluación de abajo para que coincida con cómo escribo: la longitud de mis frases, mi vocabulario, la forma en que empiezo las oraciones. Quita todo adjetivo que no esté unido a una cifra. No añadas, quites ni reordenes ningún dato, y deja cada cifra y cada [NUMBER NEEDED] exactamente como está. [pega el borrador]

¿Qué IA es mejor para evaluaciones de desempeño? Probamos un prompt en dos

Claude Sonnet 4.5 escribió la evaluación más cuidadosa y Gemini 2.5 Pro la más cálida, y ambos propusieron la misma nota, un 4, con pruebas idénticas. Enviamos el prompt 1 sin cambios a los dos modelos por la misma API (el endpoint any-llm de fal.ai) el 29 de septiembre de 2026 con temperatura 0.3, una ejecución cada uno, con el razonamiento de Gemini activado porque el endpoint lo exige para ese modelo. Toda la prueba costó menos de un centavo.

El resultado de Claude, sin editar salvo su formato en negritas:

Meta 1: Tiempo de primera respuesta Se cumplió el objetivo de mediana del tiempo de primera respuesta, con datos de Zendesk que muestran 3.6 horas del T2 al T4, por debajo de la meta de 4 horas. Se logró atendiendo 3,100 tickets, un 29% por encima del promedio del equipo de 2,400.

Meta 2: Página de estado La página de estado para clientes se lanzó el 14 de marzo, seis semanas después del objetivo del 1 de febrero, debido a una dependencia de SSO de un proveedor fuera de su control. Desde el lanzamiento se han publicado 22 incidentes en la página.

Meta 3: Acompañamiento de nuevos ingresos Los dos nuevos ingresos asignados llegaron a atender tickets sin supervisión en la semana 6, dos semanas antes del objetivo de 8 semanas, según consta en las notas de las reuniones individuales del manager de abril y mayo.

Áreas de desarrollo Hubo dos escalamientos en el T3 (SUP-2211, SUP-2287) en los que se comunicaron fechas de solución a los clientes antes de la confirmación de ingeniería. [NEEDED: evidence of improvement or corrective action taken after these incidents.]

Nota propuesta: 4 (Supera) La combinación de cumplir la meta de tiempo de respuesta con un volumen de tickets muy superior al promedio, acelerar la preparación de los nuevos ingresos y entregar la página de estado pese a retrasos externos demuestra un impacto medible más allá de las expectativas habituales del puesto.

El de Gemini, sin editar:

Superaste la meta de reducir la mediana del primer tiempo de respuesta, con 3.6 horas frente a un objetivo de menos de 4 horas del T2 al T4. Lo lograste atendiendo 3,100 tickets en el año, por encima del promedio del equipo de 2,400.

La página de estado para clientes se lanzó el 14 de marzo. Aunque fue después del objetivo del 1 de febrero, el retraso se debió a una dependencia de un proveedor fuera de tu control. En la página se han publicado 22 incidentes desde el lanzamiento.

Cumpliste la meta de acompañar a dos nuevos ingresos. Ambos atendían tickets sin supervisión en la semana 6, antes del objetivo de 8 semanas, según las notas de las reuniones individuales de abril y mayo.

Como desarrollo, enfócate en la comunicación durante los escalamientos. En el T3 se dio a dos clientes una fecha de solución antes de que ingeniería la confirmara (SUP-2211, SUP-2287). El proceso es esperar una estimación de ingeniería antes de dar una fecha al cliente.

Nota propuesta: 4 (Supera). El rendimiento muy superior en volumen de tickets y tiempo de respuesta generó un impacto positivo medible en la experiencia del cliente más allá de lo definido para el puesto.

La nota es donde ambos se inclinaron igual, y es la razón por la que la nota se queda contigo. La escala decía que un 3 es la nota esperada para un año sólido y que un 4 exige un impacto medible más allá del puesto. Los dos modelos tomaron 3,100 tickets frente a un promedio de 2,400 como ese impacto, y ninguno puso en la balanza el retraso de seis semanas de la meta 2 ni los dos escalamientos al fijar la nota. Con estas pruebas, un 4 es defendible; también lo es un 3 con una línea sobre los escalamientos, y el modelo eligió el generoso las dos veces. El prompt 5 lo obliga a defender el otro lado antes de que decidas.

Aquí hay un borrador de evaluación y nuestra escala de calificación: [pega ambos]. El borrador propone un [nota]. Escribe el mejor argumento en un párrafo a favor de la nota un nivel por debajo y el mejor a favor de la nota un nivel por encima, usando solo las pruebas del borrador y las definiciones de la propia escala. Luego enumera cada prueba que la nota propuesta ignora. No recomiendes ninguna nota.

Entonces, qué IA es mejor: para una evaluación el modelo importa menos que las pruebas, porque dos modelos de frontera con las mismas pruebas dieron la misma nota y se distinguieron en la voz y en una frase inventada. Claude si quieres que señale la evidencia faltante, Gemini si quieres un borrador ya dirigido al empleado. Donde ayuda tener ambos en un solo lugar es en una temporada de evaluaciones con ocho personas a cargo. En Whizi fijas una vez la escala de calificación y las definiciones de competencias en un proyecto (a septiembre de 2026 un proyecto admite hasta 10 archivos fijados de 10 MB cada uno, incluidos .docx y PDF, e instrucciones del proyecto de hasta 32,000 caracteres que acompañan cada mensaje), y luego pasas las pruebas de cada persona por Claude y Gemini sin volver a pegar la escala (cómo funcionan los proyectos). Donde Whizi pierde es en la otra mitad del trabajo: no tiene integración con HRIS ni cuentas de equipo, así que nada se extrae por ti de Workday, Lattice o Zendesk. Performance Assist de Citi "reúne automáticamente toda esa información directamente de nuestros sistemas", en palabras de Patricia Gould, jefa de compensación total de Citi, y el AI Agent de Lattice resume la retroalimentación pasada desde dentro de Lattice. En Whizi exportas y pegas.

¿Tienes que decirle a RR. HH., o al empleado, que la IA ayudó a escribir la evaluación?

En los dos grandes empleadores con una postura publicada, la respuesta difiere: Citi informa a los empleados y deja que cualquiera rechace una evaluación redactada por IA, y en diciembre de 2025 lo había hecho menos del 1%, mientras que la directriz de JPMorgan, según la reportó Bloomberg, limita lo que el manager puede hacer con la herramienta en lugar de exigir que se avise a la persona evaluada. JPMorgan prohíbe los puntajes asignados por IA; Citi mantiene al manager como responsable de la evaluación final. En cualquier otro lado la respuesta es la política de IA de tu empresa, y el primer punto de la lista de Lattice y de Textio es el mismo que el nuestro: léela antes de pegar. Las posturas de empleadores de EE. UU. con nombre, según lo reportado entre el 13 de noviembre y el 2 de diciembre de 2025:

Las cifras de las encuestas indican que la pregunta ya está vigente en la mayoría de los equipos. En la encuesta de Resume Builder de junio de 2025, "más del 20% dice que permite que la IA tome decisiones sin intervención humana siempre (5%) o con frecuencia (16%)", y solo el 32% de los managers que usan IA para gestionar personas había recibido alguna formación formal al respecto. La encuesta de ZeroBounce de septiembre de 2025 situó en el 41% a los managers que habían redactado o revisado una evaluación con IA. La encuesta de diciembre de 2025 de Gartner, con 1,622 encuestados, encontró que "los managers reportaron un ahorro promedio de cuatro horas en distintas partes del proceso de gestión del desempeño al usar IA", y su consejo de abril de 2026 fue tratar la IA "como un insumo para el juicio del manager y no como un reemplazo".

El único experimento de campo sobre divulgación encontró un costo por avisar, y una forma de esquivarlo. Tong, Jia, Luo y Fang, en el Strategic Management Journal en 2021, midieron la retroalimentación generada por IA dentro de una empresa real y escribieron que "los empleados pueden desarrollar una percepción negativa de la retroalimentación de la IA una vez que se les revela, lo que perjudica su productividad", un efecto que se reducía con la antigüedad del empleado. La solución que sugieren es la forma en que termina cada política anterior: el manager entrega la retroalimentación, con la voz del manager, sea lo que sea que la redactó. Peter Cassat, socio de CM Law, dijo a HR Dive en diciembre de 2025 que usar IA para evaluar empleados "podría exponer a las organizaciones a demandas por discriminación y a obligaciones de cumplimiento sustanciales", que es la razón legal por la que la calificación sigue siendo humana en los bancos. Las normas estatales y municipales varían, y esta página no es asesoría legal; la pregunta para tu RR. HH. o tu abogado es si una herramienta de redacción cuenta como herramienta de decisión automatizada donde estás. IA para RR. HH. enumera seis normas laborales de IA de EE. UU., las que alcanzan el pago y la disciplina, y las que excluyen la redacción en su propio texto.

¿Puedo escribir una evaluación con IA gratis?

Sí. Los planes gratuitos de ChatGPT, Claude y Gemini aceptan el prompt 1 tal como está, y los generadores específicos hacen el mismo trabajo con un formulario en lugar de un prompt. TechnologyAdvice probó ocho generadores gratuitos en marzo de 2026 y se quedó con cuatro: Easy-Peasy.AI (2 evaluaciones al día), Writify.AI (sin límite, con anuncios), Vondy (4 antes de registrarse) y GravityWrite (1,000 palabras al mes). Los formularios piden el nombre del empleado; pon un cargo en su lugar en cualquier herramienta cuyas condiciones de datos no hayas leído (qué nunca pegar en un chat con IA).

Gratis o de pago, haz una comprobación que las herramientas de formulario omiten. La prueba de Textio de enero de 2023 sobre la retroalimentación de ChatGPT encontró que presumía mujer a una enfermera 9 de cada 10 veces y escribía retroalimentación para mujeres un 15% más larga, con la longitud extra compuesta sobre todo de críticas. El prompt 6 hace esa comprobación sobre tu propio conjunto antes de entregar nada.

Aquí hay [N] borradores de evaluación de mi equipo, con los nombres reemplazados por letras: [pega]. Compáralos y enumera: cualquier evaluación más de un 20% más larga o más corta que la mediana; cualquier adjetivo sobre el carácter (confiable, difícil, alegre, agresivo) y en qué evaluación aparece; cualquier pronombre o palabra con género; cualquier afirmación sin una cifra o fecha que la respalde. Entrega una tabla con una fila por hallazgo. No reescribas nada.

La regla en la que coinciden todas las políticas de esta página cabe en una frase: las pruebas las pones tú, el borrador puede venir del modelo, y la nota y la conversación siguen siendo tuyas.