Los equipos de RR. HH. están listos para adoptar la IA. Sus datos, no.
Ir a la sección
En medio de la fiebre generalizada por la IA, el miedo a quedarse atrás o a equivocarse se ha convertido en una urgencia para muchas empresas.
Sin embargo, la realidad es otra. Cuando todo el mundo persigue el mismo objetivo, ir más rápido, gastar más o tener mejores herramientas ya no es lo que te va a diferenciar del resto.
Lo que realmente marca la diferencia es lo que ocurre por detrás de la IA. Y ahí es, precisamente, donde RR. HH. tiene todavía trabajo por hacer.
RR. HH. apuesta por la IA, pero se queda en la superficie. El 89% de los responsables de RR. HH. usa esta tecnología en sus procesos, pero solo el 14% la tiene profundamente integrada con sus datos de personal.
La IA no cumple cuando los datos son débiles. Las organizaciones sin datos fiables tienen ocho veces más probabilidades de decir que la IA no cumplió sus expectativas. Solo el 21% de las empresas cuenta con datos que se podrían considerar completos, en gran medida.
Los empleados están solos ante el desafío. Solo el 31% recibe suficiente apoyo para utilizar la IA. El 23% la usa sin que su empresa lo sepa.
Basado en las respuestas de más de 3.000 responsables de RR. HH. y 6.000 empleados, el estudio Workforce Pulse se erige como la mayor encuesta a líderes de RR. HH. de Europa para explorar los retos, oportunidades y prioridades de las empresas en un mundo que se adapta a la IA.
Los datos son el factor decisivo entre una IA que cumple y una IA que decepciona. Pero es una brecha que cualquier equipo puede cerrar. Este informe es tu guía para conseguirlo, para que la IA por fin cumpla lo que te prometió (y quizá algo más).
Principales conclusiones de un vistazo
67 %
de los responsables de RR. HH. valora el rendimiento del negocio como alto o muy alto
49 %
dice que sigue siendo difícil contratar
51 %
de los empleados busca un nuevo empleo y el 26% planea dejar su puesto en los próximos seis meses
21 %
de las empresas tiene datos de personas en gran medida completos y precisos, frente al 37% con carencias significativas
65 %
de los responsables de RR. HH. ha tomado una decisión importante sin plena confianza en sus datos
89 %
de los responsables de RR. HH. usa IA en los procesos de su departamento, pero solo el 21% dice contar con datos de empleados completos y precisos para respaldarlo
14 %
de los responsables de RR. HH. tiene la IA profundamente integrada con sus datos
x8
los equipos de RR. HH. con datos incompletos o inexactos tienen ocho veces más probabilidades de decir que la IA no cumplió sus expectativas que los que cuentan con datos de personal completos y precisos
31 %
de los empleados dice que su organización ofrece un apoyo adecuado para utilizar la IA
23 %
de los empleados usa IA sin que su empresa lo sepa
26 %
de los empleados rara vez o nunca recibe una explicación clara sobre cómo se toman las decisiones
Prólogo
Este es el tercer año que hacemos Workforce Pulse y me enorgullece decir que se ha convertido en la mayor encuesta a líderes de RR. HH. de Europa. Este año participaron más de 3.000 profesionales de RR. HH. y 6.000 empleados. Los resultados son muy reveladores, especialmente en lo que respecta a la IA, y para mí ponen sobre la mesa tres grandes oportunidades.
La primera tiene que ver con los presupuestos. Las previsiones de inversión, contratación y crecimiento salarial se han moderado respecto al año pasado. La única partida que se mantiene firme es el gasto en IA y automatización: el 62% de los líderes de RR. HH. sigue esperando que aumente. Para mí, la oportunidad está en usar esa automatización para sacar más partido a los recursos que ya tenemos, en lugar de esperar a que aumenten los presupuestos. En la práctica, eso significa automatizar el trabajo manual, simplificar cómo hacemos las cosas y dar a los managers más autonomía en tareas que hasta ahora supervisábamos muy de cerca. En definitiva, aprovechar mejor el tiempo y la capacidad del equipo que ya tenemos.
La segunda oportunidad está en cómo gestionamos nuestro conocimiento. Solo el 21% de los líderes de RR. HH. cuenta con datos de personas completos y precisos, mientras que el 37% reconoce tener importantes carencias en sus datos. En parte, creo que esto refleja cómo RR. HH. ha gestionado tradicionalmente la información: documentamos los procesos a posteriori y almacenamos los datos en multitud de sistemas diferentes. Creo que la función de RR. HH. tiene que dar un giro radical y tratar nuestro conocimiento y nuestros procesos igual que los equipos técnicos tratan su código. Esto implica centralizar la información y establecer una gobernanza clara sobre cómo se introducen los cambios y quién los aprueba y revisa. Esa es la base que necesitamos para que los agentes de IA puedan aportar valor de verdad a RR. HH.
La tercera oportunidad tiene que ver con cómo explicamos nuestras decisiones. Casi la mitad de nosotros ha tomado este año alguna decisión importante sin confiar plenamente en los datos que la respaldaban. No es algo especialmente sorprendente: tomar decisiones con información incompleta es parte del trabajo. Sin embargo, hay otro dato que sí debería hacernos reflexionar: solo el 20% de los empleados afirma recibir siempre una explicación clara sobre las decisiones que le afectan. RR. HH. tiene buenos motivos para tratar los datos de las personas con cautela. Muchos son confidenciales y sensibles. Pero esto también puede convertirse fácilmente en una excusa cómoda para no explicar nuestras decisiones tanto como podríamos y deberíamos. Compartir los motivos y los factores que hay detrás de una decisión nos expone a preguntas, comentarios y críticas, y puede resultar incómodo. Aun así, es una práctica fundamental para tomar mejores decisiones y generar, con el tiempo, más confianza y apoyo.
En todo caso, veo los datos de este año como una gran oportunidad para hacer las cosas de otra manera, replantearnos cómo trabajamos y aprovechar la atención que reciben hoy los líderes de RR. HH. y sus equipos para aumentar nuestro impacto y nuestra contribución al negocio. Ese es, precisamente, el hábito que quiero fomentar este año en mi propio equipo.
Philipp Richter
Chief People Officer, Personio
Desgloses regionales
43%
de los empleados españoles quiere más apoyo de su empresa para utilizar la IA
16%
de los empleados españoles recibe siempre una explicación clara sobre las decisiones de RR. HH. que le afectan
El 43% de los empleados españoles busca un mayor respaldo de su empresa para adoptar la IA, la cifra más alta entre los mercados analizados. España también lidera el desarrollo activo de competencias en esta materia (48%). La disposición de los equipos es clara. Sin embargo, solo el 16 % afirma recibir explicaciones claras sobre las decisiones de RR. HH. que le afectan, situándose en el nivel más bajo del estudio. Así, el mercado español combina un elevado entusiasmo por la IA con la asignatura pendiente en materia de transparencia de las decisiones de RR. HH. de cara al empleado.
Esta dinámica se refleja también a nivel organizativo. El 95% de los responsables de RR. HH. en España ya utiliza la IA y un 17% la ha integrado con sus datos de personas, liderando de nuevo el estudio. Además, los índices de insatisfacción son especialmente bajos: solo el 3 % de las empresas con datos precisos y el 10 % de las que presentan carencias afirman que la IA no ha cumplido sus expectativas. En ambos casos, las cifras españolas se sitúan claramente por debajo de la media. Las empresas avanzan a buen ritmo y parecen estar consiguiendo resultados tangibles con esta tecnología.
Estos datos alinean con la estrategia del Plan IA360 del Gobierno de España: una hoja de ruta a doce meses para el despliegue de la IA que contempla la creación del Instituto de Seguridad de la IA y un fondo de 600 millones de euros para pymes. El propio plan identifica una brecha clave entre la adopción por parte de la plantilla (44,2%) y su integración formal en la estructura empresarial (21,1%).
Los responsables de RR. HH. en España cuentan, por tanto, con el impulso de una plantilla dispuesta a avanzar con la IA. El reto actual consiste en acompañar esta adopción con mayor claridad en las decisiones internas que les afectan, asegurando que el despliegue tecnológico avance de la mano de la confianza de las personas.
2025 pudo sentirse como el año de la recuperación para RR. HH. Después de una etapa en la que cada decisión se cuestionaba bajo una presión de negocio constante, todo parecía ir a mejor. Se vislumbraban presupuestos más saludables y menos despidos en el horizonte.
Las cosas parecían ir a mejor. Pero ahora sabemos que 2025 fue la excepción, no la norma.
En comparación con 2024, 2026 sigue sintiéndose como un año optimista, aunque con ese matiz de cautela que ya resulta tan familiar en la industria.
¿Cómo esperas que cambien los siguientes aspectos en los próximos 12 meses?
% que espera un aumento
Presupuesto de RR. HH.
51%
53%
44%
202420252026
Contratación general
50%
52%
43%
202420252026
Salario medio
54%
55%
47%
202420252026
Despidos
60%
39%
38%
202420252026
Rentabilidad del negocio
51%
56%
50%
202420252026
Rendimiento del negocio
56%
69%
67%
202420252026
Un año de confianza, pero con cautela en RR. HH.
Las expectativas para el próximo año en contratación, beneficios, salarios y presupuestos cayeron respecto a 2025. Entre ellas, destaca que menos responsables de RR. HH. esperan un aumento de los presupuestos y de los esfuerzos de contratación, ambos con una caída de nueve puntos porcentuales.
No obstante, aunque las cifras bajaron un poco respecto al máximo del año pasado, el sentimiento general en RR. HH. sigue muy por encima de los niveles de 2024.
Las expectativas de despidos se mantuvieron estables en el 38%, frente al 60% de hace dos años. El rendimiento del negocio también se mantuvo firme, con un 67% de los directivos de RR. HH. valorándolo como alto o muy alto.
El panorama económico y las limitaciones actuales del negocio hacen que el presupuesto, la contratación, la disponibilidad y la rentabilidad estén ahora mismo en el centro de todo. Eso significa que contratar seguirá siendo más difícil. Equivocarse sale más caro.
La presión sobre el talento se suaviza, pero contratar sigue siendo difícil
En comparación con 2025, menos responsables de RR. HH. creen que la escasez de talento y de competencias será su mayor obstáculo para el éxito del negocio en los próximos 12 meses (33% frente al 39%).
Pero eso no significa que contratar sea más fácil. En general, casi la mitad (49%) sigue teniendo dificultades para encontrar talento, lo que sugiere que la presión se concentra en unas pocas competencias clave y perfiles de candidatos.
Si no puedes contratar buen talento, la lógica dice que debes desarrollarlo internamente. El problema es que una parte importante de los empleados planea marcharse (y planea hacerlo pronto).
En 2026, las intenciones de rotación de los empleados siguen siendo altas, pero estables. Más de la mitad (51%) de los empleados busca activamente un nuevo puesto y el 26% planea dejar su empleo en los próximos seis meses. Para la mayoría de los equipos que ya trabajan con limitaciones de presupuesto y competencias, eso deja poco margen.
¿Cuáles crees que podrían ser los principales obstáculos para el éxito de tu empresa en los próximos 12 meses?
Qué caracteriza a una buena IA: automatizar la planificación de plantilla y escenarios
El problema: La planificación de plantilla está fragmentada entre hojas de cálculo, finanzas y responsables de contratación, y no responde a los objetivos de negocio cambiantes.
El caso de uso: Usar herramientas asistidas por IA para construir un planificador de escenarios de plantilla que modele distintas estructuras organizativas, ubicaciones, roles, competencias, niveles y costes.
El resultado: La planificación de talento y la toma de decisiones se volvieron más visibles y fáciles de compartir y modificar.
Una empresa con la que trabajé estaba creciendo en varios países y contratando en distintos departamentos. Crearon una forma sencilla de modelar diferentes escenarios a lo largo del tiempo: qué niveles, competencias y capacidades harían falta y cuánto costaría el crecimiento de plantilla en cada departamento. Usaron Lovable, le añadieron inicio de sesión único de Google, un backend adecuado y lo implementaron con Vercel.
Eso hizo que la planificación de talento fuera mucho más abierta y evidente. Podían representar los escenarios visualmente, compartirlos y hacer cambios con rapidez. Tenían una visibilidad clara y centralizada de qué decisión se tomó y por qué.
La incertidumbre sobre el futuro también está afectando a cómo los responsables de RR. HH. viven el día a día en su organización.
En comparación con 2025, los gerentes de RR. HH. tienen menos probabilidades de valorar como alto el compromiso de los empleados, la eficacia de su función y la confianza en el equipo directivo.
Parte del problema podría estar en los datos. En 2026, los responsables de RR. HH. son menos propensos a afirmar que usan el feedback de los empleados para tomar decisiones. También ha disminuido su confianza en la capacidad de su departamento para tomar decisiones basadas en datos (61% en 2026 frente al 66% en 2025).
A medida que los datos de RR. HH. se dispersan entre sistemas y plataformas, los responsables se sienten menos capaces de actuar con confianza en base a la información de que disponen.
RR. HH. se enfrenta ahora a un aluvión de datos. Todos tenemos demasiados. Pero no puedes impulsar el cambio en el negocio si tienes datos que no puedes usar. Hay una diferencia enorme entre tener muchos datos y tener datos listos para tomar decisiones.
Fractional Global Talent Acquisition Lead, Maverick Otter
¿Cómo valorarías lo siguiente en tu organización?
% que dijo "alto"
Compromiso de los empleados
65%
63%
20252026
Eficacia de la función de RR. HH.
65%
62%
20252026
Confianza en el liderazgo
66%
62%
20252026
Usar el feedback de empleados para tomar decisiones
69%
65%
20252026
Confianza en ser una función basada en datos, frente a hace dos años
66%
61%
20252026
Tendencia 1
La prueba de realidad de la IA
La mayoría de los problemas de IA de RR. HH. en realidad no son problemas de IA.
A estas alturas, la adopción de IA en RR. HH. está casi por todas partes. Todo el mundo ya tiene el juguete nuevo y reluciente y en algunas organizaciones, está funcionando.
El proceso de planificación de escenarios de plantilla, que antes llevaba a tres departamentos dos semanas de trabajo encorvados sobre una hoja de cálculo, ahora se modela en una tarde. Un responsable de equipo que quiere mejorar sus reuniones individuales puede dedicar ya más tiempo a la conversación en sí y menos a la preparación.
Sin embargo, en otras empresas, la IA ha traído consigo nuevos quebraderos de cabeza. Agentes que no se comunican entre sí, decisiones que se toman con información poco fiable, trabajo que se hace por duplicado… Da la sensación de que la IA no ha conseguido que los procesos sean ni mejores ni más rápidos.
Y efectivamente, puede que aún no los haya mejorado. Pero lo hará. Para dar ese paso, los equipos de RR. HH. tan sólo necesitan cambiar de enfoque. Hasta ahora, se han limitado a solucionar los problemas más visibles, pero lo que de verdad falta es buscar sus causas reales.
La IA amplifica lo que hay por detrás: procesos buenos o malos, datos sólidos o débiles. Nos corresponde a nosotros, como líderes, construir ese marco y definir qué se considera "bueno" en nuestra empresa.
Fractional Global Talent Acquisition Lead, Maverick Otter
RR. HH. quiere avanzar con la IA, pero algo sigue frenando su adopción
Toc, toc. La IA ha llamado a la puerta y RR. HH. la ha abierto de par en par. Nueve de cada diez directivos de RR. HH. ya usan IA en sus procesos. La adopción claramente no es el problema.
89%
de los líderes de RR. HH. ya usa IA en procesos de RR. HH.
14%
tiene la IA profundamente integrada con sus datos de personal
Veo a muchos equipos de RR. HH. invertir en todas las plataformas de IA posibles y acabar con agentes y herramientas distintas que no se comunican entre sí. Después tienen todo este panorama por delante y se preguntan: "¿Y ahora qué hacemos con esto?" Nosotros intentamos ser más intencionales, centrándonos en dónde la IA puede ahorrar tiempo dentro del trabajo que people operations ya está haciendo, mientras cuestionamos también cómo se hace ese trabajo, para impulsar la mejora continua.
Conectar la IA con los datos y la tecnología existente de RR. HH. está resultando complicado. Solo el 14% de los responsables afirma tener la IA profundamente integrada; la mayoría convive con un mosaico de plataformas aisladas que no conectan entre sí. Sin embargo, el obstáculo principal no es la falta de integración en sí misma. El problema, en realidad, empieza un paso antes: en cómo los equipos diseñaron sus procesos antes de incorporar la IA.
"La brecha entre usar IA e integrarla a fondo se reduce a una sola cosa: rediseñar los procesos", dice Puren Ucar, fundadora y asesora en Milele. "La mayoría de los equipos que he visto usar IA sin resultados simplemente han añadido herramientas sobre flujos de trabajo ya existentes. Los que sí ven resultados han rediseñado el flujo de trabajo en torno a la IA desde el principio."
¿Qué fuentes de datos usa RR. HH. para tomar decisiones?
Tendencia emergente
El impacto de la integración
Uno de cada cuatro (25%) responsables de RR. HH. dice que la integración es la principal razón por la que no ven valor en sus herramientas de IA. Y los datos sugieren que no basta con integrar: la profundidad de esa integración también importa.
x6
Las organizaciones donde los líderes de RR. HH. dijeron que la IA superó sus expectativas tienen seis veces más probabilidades de tener la tecnología profundamente integrada que aquellas donde se quedó corta (42% frente al 7%).
7%
Solo el 7% de las organizaciones donde la IA se quedó corta dijo tenerla profundamente integrada.
x2
Los responsables de RR. HH. que valoraron como "alta" su capacidad de tomar decisiones basadas en datos tienen el doble de probabilidades de tener la IA profundamente integrada con sus datos que aquellos con capacidades más débiles (17% frente al 8%).
¿Es la profundidad de integración un buen indicador del éxito de la IA?
Como indicador aproximado, sí. La integración profunda va de la mano de una IA que aporta valor, pero es una señal de madurez, no un atajo para llegar a ella. Lo que más importa es dónde se integra en los equipos.
Si entretejes la IA en un proceso mal diseñado o que no la necesitaba, lo único que has hecho es incrustarla en el lugar equivocado. Y en muchos casos, puede que la IA no sea la respuesta al problema, sino el diseño del flujo de trabajo.
"La IA puede estar profundamente incorporada en algunas empresas, pero quizá en procesos que en realidad no la necesitan", dice Adam Horne, cofundador de Open Org. "El principal obstáculo es que muchos equipos de personas no han identificado con claridad dónde están sus problemas reales, ni si la IA va a aportar un valor real en ese caso concreto."
Para identificar dónde las integraciones aportan valor, pregúntate:
Para identificar dónde las integraciones aportan valor, pregúntate:
¿Qué problema se supone que resuelve la IA en este flujo de trabajo/proceso?
¿Estamos viendo resultados medibles al integrar la IA aquí?
¿Ha eliminado trabajo realmente o solo lo ha desplazado a otro lugar?
¿Podría resolverse el mismo problema rediseñando el proceso?
Más dinero, los mismos problemas
Si te has preguntado si el presupuesto de IA de los demás es más generoso que el tuyo, digamos que la hierba no es más verde al otro lado.
Los presupuestos son, en general, bastante modestos: las empresas españolas gastan una media de 16.563 € al año en IA para RR. HH. y más de la mitad (61%) no invierte nada. Sólo usa funciones de IA ya incluidas en sus productos o mantiene el gasto por debajo de los 6.000 €.
Con presupuesto generoso o no, el mejor indicador de la satisfacción general con las herramientas de IA es la calidad de los datos. Entre los equipos que sí invierten en IA, solo el 6% de los que tienen buenos datos (en gran medida completos y precisos) afirma que sus herramientas se quedaron cortas, frente al 22% de los que tienen datos deficientes (en gran medida inexactos e incompletos).
¿En qué gasta realmente RR. HH. su presupuesto de IA?
La IA solo da resultado cuando los procesos que hay por detrás son sólidos
Dos organizaciones pueden comprar exactamente la misma herramienta y tener experiencias muy distintas, dependiendo de lo que haya por detrás. Es más, también pueden obtener resultados muy distintos, de esos que afectan al salario, la progresión profesional y la experiencia laboral de los empleados.
Más de un tercio de las empresas que dicen usar información generada por IA (35%) o analítica predictiva (37%) para tomar decisiones sobre su personal tienen carencias e imprecisiones significativas en los datos de los que dependen esas herramientas.
"La IA está sacando a la luz problemas que ya existían. Básicamente, los atajos que hemos tomado", dice Dra. JooBee Yeow, asesora de fundadores en Learngility. "Si las empresas han tolerado durante años datos inconsistentes, procesos poco claros o una gobernanza deficiente, la IA simplemente hace esas debilidades más visibles y a veces las amplifica."
En conjunto, solo el 15% de los responsables de RR. HH. que usan IA dice que se quedó corta respecto a sus expectativas, aunque ese riesgo no se reparte por igual. Las empresas con los datos de RR. HH. más completos son las que menos probabilidades tienen de sentirse decepcionadas, mientras que las que tienen los datos más incompletos tienen ocho veces más probabilidades de decir lo mismo (19,8% frente al 2,6%).
Qué hacer a continuación: haz que la IA merezca la pena
Cuando los equipos integran la IA de forma efectiva en los flujos de trabajo de RR. HH., tienen muchas más probabilidades de ver y sentir un retorno de su inversión, sea cual sea el presupuesto. El truco está en averiguar dónde la IA aporta valor de verdad y demostrarlo con cada nueva implementación.
1
Cuestiona tus resultados y métricas deseados
Hacer que tu presupuesto de IA rinda más empieza por saber qué quieres conseguir. Si tu razonamiento es hacer las cosas más rápido o mejor, pregúntate primero por qué.
"La mayoría de la gente empieza preguntando: '¿Qué herramientas de IA necesito?'", dice Theen. "Pero cuando pregunto con qué necesitan ayuda realmente, la respuesta suele ser: 'Necesito que esto vaya más rápido.' ¿Más rápido en qué? Puede que buena parte de lo que haces sea redundante. Elimina primero el trabajo manual y después averigua dónde encaja realmente la IA."
2
Mapea cada flujo de trabajo, paso a paso
Si aplicas IA a un mal proceso, sigues teniendo un mal proceso. Es esencial mapear tus flujos de trabajo para identificar dónde los equipos duplican esfuerzos o encuentran fricción. Pero hacerlo en tiempo real es aún mejor.
"En muchos de los proyectos en los que trabajo, gran parte del esfuerzo consiste simplemente en arreglar los flujos de trabajo que hay por detrás", explica Matthew Bradburn, fundador de Deepgrain.
"Graba cada flujo de trabajo al máximo nivel de detalle. ¿Quién hace clic en qué? ¿Dónde están los puntos de fricción? ¿Dónde tienen que mover cosas o cambiar entre plataformas? ¿Realmente necesitan este flujo de trabajo, incluso antes de que entre la IA? Descomponer así tus procesos revela dónde los equipos de RR. HH. perciben que hay problemas frente a lo que ocurre en realidad."
3
Convierte la calidad de los datos en un requisito para cada proyecto de IA
Cuando la calidad de los datos es uno de los principales factores que influyen en la satisfacción con la IA, se convierte en un criterio clave que cualquier propuesta de proyecto debe superar como filtro antes de recibir luz verde.
"Usa la propia implementación de la IA como palanca para la higiene de datos", dice Ucar. "La mayoría de los proyectos de IA que veo fracasar lo hacen porque los datos subyacentes están incompletos. Una empresa con la que trabajo ahora exige que cada proyecto de IA se comprometa con un objetivo de métrica concreto antes de recibir financiación. Esa única regla convirtió la calidad de los datos en un requisito previo para invertir en IA, en lugar de una idea de última hora, y cambió la conversación más rápido que cualquier auditoría de datos."
Tendencia 2
La brecha de datos
Una base de datos de RR. HH. sólida depende de la calidad de los datos y de la capacidad para aprovecharlos. Pocos equipos tienen ambas cosas.
En un mundo ideal, cada decisión que toma RR. HH. se apoya en los datos correctos. Cada dato se actualiza en tiempo real y todas las herramientas comparten esa información entre sí sin que tengas que mover un dedo. Y por supuesto, tus funciones de IA funcionan de maravilla porque se apoyan en una única fuente de verdad.
Pero esto no es la vida real. Aquí las cosas son más caóticas.
Las decisiones se toman rápido, en pleno flujo de trabajo, con los datos que tienes y la intuición que has ido puliendo durante años. Auditar los datos que tienes frente a los que necesitas cuesta un tiempo que el negocio no puede permitirse. Actualizar los datos se queda siempre relegado al final de tu lista interminable de tareas pendientes.
No te pasa solo a ti y no es un fallo tuyo. Al fin y al cabo, casi todo el mundo está lidiando con carencias de datos en algún punto.
Las empresas le dicen a RR. HH. que compre las herramientas de IA y las conecte. Pero si no tenemos un cuadro eléctrico capaz de soportar esa potencia, al final saltarán los plomos.
Una brecha de datos con unos cimientos igual de inestables
49%
dice que su capacidad de aprovechar los datos de personal es "estratégica" o "eficaz"
21%
declara tener los datos del equipo bastante completos y precisos
Solo el 21% de los líderes de RR. HH. tiene acceso a datos completos y precisos. Casi el doble (37%) se encuentra en el bando de los datos deficientes, lidiando con carencias e imprecisiones significativas que afectan a los procesos de RR. HH. del día a día.
Aun así, casi la mitad (49%) considera "eficaz" o "estratégico" el uso que hace de los datos disponibles. Y entre quienes dicen usar los datos de forma muy estratégica, el 40% no cuenta en realidad con una base de datos completa y precisa.
La otra mitad reconoce que su capacidad con los datos es limitada y que le cuesta usarlos para tomar decisiones. Visto en conjunto, parecen dos caras de la misma historia.
"La función de RR. HH. en su conjunto lucha con una brecha de alfabetización de datos", dice Monique Major, Directora Senior de RR. HH., Experiencia de empleado y Transformación de IA en RR. HH. en Diligent. "Pero hay algo que subyace a eso: la percepción que tienen los propios directivos de RR. HH. de su conocimiento. Esa quizá sea la brecha más grande."
Pocos responsables de RR. HH. tienen tiempo para hacer un curso de estadística para principiantes. Sin embargo, esta carencia está llevando a algunos a replantearse qué perfiles necesitan en sus equipos.
"Uno de los mayores retos de RR. HH. es que tenemos una enorme cantidad de datos, pero usarlos de forma eficaz exige un conjunto de competencias completamente distinto", dice Katharina Kuhlmann, Directora Global de Personas y Cultura en Harren Group. "Cuando contrato para nuestro equipo, me centro en las competencias que necesitamos, hacia dónde queremos que evolucione el puesto y qué va a aportar esa persona. La experiencia en exactamente el mismo puesto de RR. HH. ya no es un requisito."
Los líderes de RR. HH. no confían del todo en sus datos
51%
de los líderes con buenos datos ha tomado una decisión en los últimos 12 meses sin plena confianza en su calidad
75%
de los líderes con datos deficientes ha tomado una decisión en los últimos 12 meses sin plena confianza en su calidad
La brecha de datos oculta de RR. HH. socava la confianza en la toma de decisiones en general. Tres cuartas partes de los responsables que gestionan datos deficientes o de baja calidad admiten haber tomado decisiones sin plena confianza en sus datos en el último año. Incluso los que cuentan con acceso a datos de calidad, completos y precisos (un 35%) experimenta esta misma incertidumbre.
Tener datos limpios no siempre garantiza una decisión fácil si carecen de la profundidad necesaria para ofrecer la foto completa. Además, para cuando finalmente se toman las decisiones, la información corre el riesgo de haberse quedado obsoleta.
"Los datos de RR. HH. cambian a diario, pero la expectativa de tomar decisiones con rapidez sigue ahí", dice Aaron Windrum, Consultor principal de RR. HH. en A Human Resource. "Los responsables parten de la base de que unos datos imperfectos son mejores que no tener datos. Trabajan con lo que tienen."
Las encuestas a empleados, el feedback de los managers y las métricas de desempeño están entre las principales fuentes de datos para la toma de decisiones en RR. HH. Claramente existe volumen, pero puede que no suficiente profundidad como para generar confianza.
"Los datos de personal tienen tanto contexto que no siempre se obtiene de un informe a menos que seas muy riguroso con lo que introduces", dice Yasmin Chalmers, Head of People en StackOne. "Si un candidato rechaza tu oferta, por ejemplo, tienes que registrar el motivo en lugar de anotar solo que aceptó otro puesto. Si no, los datos se quedan demasiado superficiales para ser útiles cuando llegue el momento de analizarlos."
¿Qué fuentes de datos usa RR. HH. para tomar decisiones?
Los datos son un dolor de cabeza diario, pero todavía no se ven como un riesgo a largo plazo
Aunque los equipos de RR. HH. son conscientes de los retos que plantean sus datos, no siempre dimensionan el impacto real que tienen en el negocio.
Solo el 15% de los responsables de RR. HH. considera que la falta de capacidad para tomar decisiones basadas en datos como una amenaza para el éxito de su empresa en los próximos 12 meses. En cambio, muestran más del doble de preocupación por la escasez de talento y competencias.
Es un problema de enfoque. La escasez de talento es visible e inmediata y siempre se cuela en lo más alto de la lista de tareas de RR. HH. Mientras tanto, unos datos inconsistentes aquí y allá se sienten más como una molestia operativa que como un riesgo estratégico. Eso hace mucho más difícil conectar el problema con su impacto en el negocio.
RR. HH. suele medir la calidad de sus datos de forma aislada, en lugar de preguntarse si conectan con los resultados de negocio que quieren influir. Si no puedes explicar con claridad cómo tus datos de personas se relacionan con el rendimiento operativo o comercial, esos datos todavía no son estratégicos… por muy pulido que parezca el dashboard.
¿Qué hacer a continuación? Haz que tus datos ganen un lugar de peso
Construir una base de datos más sólida empieza por entender exactamente qué tipo de datos tienes, dónde están y a qué propósito sirven.
1
Trabaja desde los objetivos de negocio hacia atrás
Una base de datos sólida empieza por saber seleccionar. Los equipos deben encontrar las métricas que de verdad importan al negocio y trabajar bien con ellas antes de añadir todo lo demás.
"El instinto es recopilar más datos", dice Yeow. "Creo que, a menudo, ocurre lo contrario. Empieza por la decisión de negocio que quieres mejorar y trabaja hacia atrás. ¿Qué resultado de negocio importa? ¿Qué indicadores muestran progreso? ¿Qué condiciones de las personas influyen en esas métricas? Sólo entonces deberías decidir qué datos merece la pena recopilar."
2
Cribar los datos que sí tienes, sin piedad
"La mitad de los responsables de RR. HH. admiten sin rodeos que 'no saben muy bien qué están mirando'", dice Theen. "Pero, en el otro 50%, esa seguridad puede deberse simplemente a la costumbre. Cuando trabajas año tras año con el mismo conjunto limitado de datos, es fácil confundir lo conocido con lo que realmente funciona."
Revisa las métricas, informes y dashboards que tu equipo produce o sigue por defecto. Evalúa si cada uno todavía te ayuda a responder una pregunta de negocio relevante o a tomar una decisión. Si no es así, plantéate si sigue siendo estratégicamente relevante.
3
Identifica dónde puedes enriquecer el contexto
Una vez que hayas establecido qué datos necesitas, fíjate con más atención en dónde solo te ofrecen una visión parcial de lo que está pasando y si necesitas más información. Este es el contexto que ayuda a tus herramientas de IA a funcionar de forma más eficaz.
Lo que está en juego en la decisión cambia el nivel de detalle que necesitas.
"Si los datos son 'suficientemente' detallados o no depende de lo que intentes decidir, de lo que esté en juego, del plazo y de qué necesitarías en su lugar", dice Chalmers. "Con el benchmarking salarial, por ejemplo, si te das cuenta de que los datos que tienes sobre el precio de mercado no son lo bastante detallados, la consecuencia de equivocarte es demasiado grande como para fiarte del instinto."
Para identificar dónde tus datos necesitan más contexto, pregúntate:
¿Por qué seguimos obteniendo este resultado? ¿Necesitamos más información sobre comportamientos o sobre el razonamiento detrás de las decisiones?
¿Tenemos terminología o definiciones internas que aportan significado? (por ejemplo, ¿qué significa para nosotros la calidad de contratación o el alto desempeño?)
¿Distintos equipos interpretarían este dato de la misma manera?
¿Necesitamos contexto situacional sobre cuándo o dónde ocurre algo (por ejemplo, en qué fase de tu proceso de contratación se producen más abandonos de candidatos?)
4
Convierte la calidad de los datos en un KPI
Mantener tus datos de personas precisos y actualizados requiere responsabilidad. Extender esa responsabilidad por todo el equipo de RR. HH. significa incorporarla al comportamiento diario.
"Una de las herramientas más sencillas y menos aprovechadas es vincular la calidad de los datos al desempeño", dice Ucar. "Los equipos de RR. HH. deberían contar con KPIs específicos sobre la integridad y precisión de los datos, hacer un seguimiento periódico y tenerlos en cuenta al evaluar su trabajo. Cuando disponer de datos fiables y consolidados se convierte en un objetivo medible y no solo en una aspiración, la forma de trabajar cambia."
Qué caracteriza a una buena IA: identificar carencias de datos con agentes
El problema: Te cuesta detectar los problemas de calidad e imprecisiones en los datos.
El caso de uso: Construir un agente de IA que identifique tus carencias e imprecisiones de datos y que después funcione de forma autónoma cuando aparezcan otras nuevas.
El resultado: Se elimina el trabajo manual con los datos y mejora la precisión de la toma de decisiones.
Registramos muchísimos datos y a veces es difícil saber cuáles son importantes porque siempre lo hemos hecho así. Con la IA es mucho más fácil decir: 'oye, agente, señala las carencias en nuestros datos de empleados'. Nuestro objetivo principal es reducir el trabajo manual que implica auditar nuestros datos. El siguiente paso es mejorar la calidad para poder obtener conclusiones más profundas.
Los líderes de RR. HH. dicen que sus decisiones son más data-driven que nunca. Los empleados dicen que siguen sin recibir una explicación.
Desde el inicio de la era de la IA, los responsables de RR. HH. han intentado responder a una pregunta: ¿cómo se sienten los empleados ahora que la IA ha llegado para quedarse?
Los medios están llenos de titulares alarmistas sobre pérdida de empleo y escasez de competencias. Junto a la máquina de café de RR. HH. se murmura sobre el uso oculto de IA y el sabotaje intencionado.
Si esta es nuestra nueva realidad, parece sacada de una novela de ficción.
La buena noticia es que puede que parte de todo esto se haya exagerado un poco porque lo que los empleados realmente piden es mucho más sencillo: confianza, claridad y transparencia.
El reto humano consiste en resistir la tentación de tratar la IA como otro atajo más. La tecnología no puede compensar la falta de responsabilidad clara, una toma de decisiones inconsistente o una disciplina operativa débil.
El optimismo de los empleados sobre la IA pesa más que el miedo
Si la adopción de la IA en RR. HH. es casi universal, entre los empleados la realidad es distinta. El 38% de ellos dice usar actualmente la IA como apoyo en su puesto de trabajo, pero la adopción varía de unos a otros.
Los trabajadores de oficina (48%) tienen más del doble de probabilidades de adoptar la IA que los que no trabajan en oficina (23%).
Los sectores más avanzados en IA, como IT y telecomunicaciones (60%), finanzas (52%) y ventas, medios y marketing (50%) muestran los niveles de adopción más altos a nivel sectorial.
La adopción va a la zaga en sectores con mucho personal de primera línea, como sanidad (30%) o retail y hostelería (32%).
El 44% de los empleados de 25 a 34 años usa IA en su puesto, frente al 28% entre quienes tienen 55 años o más.
Los empleados que se muestran optimistas sobre el potencial de la IA superan a los que no lo son (40% frente al 27%) y los empleados más jóvenes se muestran, en general, más positivos que sus compañeros de más edad.
Empleados a los que les entusiasma el potencial de la IA para mejorar su forma de trabajar.
No obstante, tras un destacado repunte el año pasado, el uso de IA entre los empleados está empezando a enfriarse. En 2025, el uso de IA entre los profesionales casi se duplicó, pasando del 24% al 43%. En 2026, cayó al 38% y además, al 25% de los empleados les preocupa perder su empleo por la IA.
Empleados que actualmente usan IA
24%
43%
38%
202420252026
Sin apoyo, los empleados dan vueltas sin avanzar
Si el uso de IA entre los empleados avanza más despacio últimamente podría deberse al apoyo que reciben al usarla.
Solo el 31% de los empleados dice que su empleador les ofrece un apoyo adecuado con la IA. Eso son 5 puntos menos que el año pasado.
El porcentaje de trabajadores que desarrolla activamente sus competencias en IA cayó del 49% en 2025 al 44% en 2026.
Los empleados se sienten, en general, menos seguros de que sus competencias resistan el paso del tiempo (66% en 2025 frente al 62% en 2026).
Al principio, adoptar herramientas de IA era relativamente sencillo. Los empleados se lanzaron con ganas, curiosos por saber qué podían hacer y cómo podían mejorar su trabajo.
Pero hay una gran diferencia entre usar la IA y usarla bien en el trabajo. La prisa por adoptarla a escala en toda la empresa, siguiendo sus propias reglas, se adelantó tanto a las competencias de los empleados como al apoyo que las empresas podían ofrecer. Los logros fáciles que llegaron rápido y en abundancia en los primeros meses de adopción se han ido frenando. Sin el apoyo adecuado en el momento adecuado, el entusiasmo y el progreso han empezado a decaer.
"Los empleados escuchan constantemente a los directivos de su empresa decir 'usad la IA', sin ninguna orientación clara", dice Bradburn. "No ven impacto ni prueba real de que esté cambiando algo importante dentro del negocio."
Tendencia emergente
Sentimientos encontrados
Aunque los empleados se muestran mayoritariamente positivos sobre el potencial impacto de la IA, el panorama general de cómo se sienten no es tan claro. En varias preguntas sobre sentimiento, el acuerdo y el desacuerdo estuvieron muchas veces muy igualados.
De acuerdoNi de acuerdo ni en desacuerdoEn desacuerdo
Sé muy poco sobre cómo usar la IA en el trabajo
36%28%33%
Mi organización fomenta el uso de la IA para mejorar la eficiencia
35%29%33%
Me gustaría recibir más apoyo en el trabajo para usar herramientas de IA
37%32%28%
Las herramientas de IA me han hecho más productivo en mi puesto actual
35%29%33%
Me preocupa que el lugar de trabajo cambie a medida que la IA sustituya empleos
34%27%37%
¿Qué hace que los empleados se queden a medio camino?
Aunque estos datos podrían leerse como indiferencia o neutralidad, creemos que en realidad es lo contrario.
Una gran parte de las respuestas neutras y mixtas refleja a una plantilla que se enfrenta a un futuro incierto. Aunque, en general, hay más defensores que detractores activos, todavía estamos lejos del entusiasmo saludable necesario para impulsar la experimentación y nuevos casos de uso.
"Estamos en un momento en el que la gente se cuestiona a sí misma", dice Horne. "No hay un punto de referencia sobre lo buena o mala que es la gente con la IA. Nadie sabe realmente cómo será la IA dentro de 12 meses. Hay quien dice que lo cambiará todo y quien dice que no. Puede que los empleados estén en un punto intermedio simplemente porque no lo saben."
Empleados y RR. HH. no se ponen de acuerdo sobre la transparencia de los datos
La IA sigue siendo como una caja negra para los empleados que, además, sienten que se les deja al margen sobre cómo su empresa usa los datos para tomar decisiones sobre su futuro.
20%
de los empleados dice que "siempre" recibe una explicación clara sobre cómo se toman las decisiones de RR. HH.
55%
entiende cómo sus datos influyen en el proceso de toma de decisiones
61%
de los responsables de RR. HH. dice que sus decisiones son más data-driven que hace dos años
Sólo el 20% de los empleados dice que siempre recibe una explicación clara de cómo se toman las decisiones de RR. HH. que les afectan, incluidas las relacionadas con salario, desempeño y ascensos. Más de un cuarto (26%) rara vez o nunca la recibe.
Muchos tampoco entienden el papel que juegan sus datos en ese proceso. Sólo algo más de la mitad (55%) de los empleados sabe cómo influyen sus datos en la toma de decisiones.
Pero espejito, espejito, ¿quién sigue considerándose la función más data-driven de todas? Sí, RR. HH. El 61% de los responsables de este área está de acuerdo en que sus procesos y decisiones están más guiadas por los datos que hace dos años. Esta brecha de transparencia podría convertirse en un reto mayor a medida que la IA se integre en más procesos que afectan a los empleados.
"Los empleados no necesariamente tienen miedo a la IA", dice Dominic Joyce, Fractional Global Talent Acquisition Lead, Maverick Otter. "Tienen miedo de lo que la organización pueda hacer con la herramienta, de lo que signifique para su puesto y de si las decisiones que les afectan se volverán menos transparentes. No necesitan entender cada detalle técnico de un algoritmo, pero sí merecen entender cómo se están tomando con él decisiones importantes."
Tendencia emergente
¿Empezarán los empleados a exigir transparencia en la IA?
La mitad de los empleados no entiende cómo se usan sus datos en las decisiones. Sin embargo, solo el 10% quiere saber cómo la IA toma decisiones sobre ellos.
A medida que los equipos de RR. HH. empiezan a incorporar la IA en todo el ciclo de vida del empleado, la demanda de transparencia y explicaciones podría aumentar rápidamente en cuanto los empleados sepan más sobre dónde entra en juego en los procesos.
Los costes ocultos de la opacidad en los datos
RR. HH. y los empleados no se ponen de acuerdo sobre cómo influyen los datos en las decisiones. Pero para los profesionales, esa ambigüedad tiene un impacto considerable en cómo se presentan a trabajar.
Los trabajadores que siempre reciben una explicación clara sobre cómo se usan sus datos para tomar decisiones tienen más del doble de probabilidades de sentirse muy motivados y 2,5 veces más probabilidades de confiar en RR. HH. También afirman sentirse más productivos y tienen más probabilidades de quedarse en la empresa.
Confían en RR. HH. en general
40%
"Siempre" reciben una explicación clara
15%
"Rara vez" o "nunca" reciben una explicación clara
Afirman una motivación alta
64%
"Siempre" reciben una explicación clara
31%
"Rara vez" o "nunca" reciben una explicación clara
Afirman una productividad alta
72%
"Siempre" reciben una explicación clara
46%
"Rara vez" o "nunca" reciben una explicación clara
Buscando activamente otro empleo
44%
"Siempre" reciben una explicación clara
60%
"Rara vez" o "nunca" reciben una explicación clara
Tendencia emergente
La IA en la sombra
La IA ha superado tanto la preparación como la capacitación. También está superando la capacidad de las empresas para gobernarla, lo que lleva a algunos empleados a tomar cartas en el asunto y buscar sus propias soluciones.
Pero eso no es necesariamente un problema de apoyo o formación. Al menos, no como cabría esperar.
23%
de los empleados admite usar la IA sin que su empleador lo sepa.
x5
Los empleados que dicen que la IA ha mejorado su productividad tienen cinco veces más probabilidades de usarla sin el conocimiento de su empleador que los que dicen que no (45% frente al 8%).
x3
Los empleados que dicen recibir una formación adecuada en IA tienen tres veces más probabilidades de usarla a escondidas que quienes no la reciben (43% frente al 14%).
¿Qué hay detrás de esta paradoja de capacidades?
Una posible explicación es que los empleados que se sienten seguros usando la IA y ven cómo beneficia a su puesto la integran de forma proactiva en su trabajo, cuenten o no con el visto bueno de su organización.
Pero si las empresas no logran capacitar a este grupo oculto, tendrán que preocuparse tanto por la retención como por la mitigación de riesgos. Quienes usan la IA en la sombra tienen muchas más probabilidades de estar buscando activamente un nuevo puesto que quienes no la usan (67% frente al 42%).
"La ambivalencia de los empleados suele venir de no ver casos de uso significativos en toda la empresa", dice Major. "Quienes sí los han encontrado pueden acabar frustrados cuando la organización no los capacita y ahí es donde a menudo entra el uso de IA en la sombra. Además, son las mismas personas que, una vez capacitadas, aceleran la adopción de la IA. Esta es la oportunidad que tiene la empresa de hablar con ellas, entender qué están haciendo y capacitarlas."
Qué caracteriza a una buena IA: preparación de evaluaciones de desempeño liderada por el empleado
El problema: El cambio hacia un modelo de evaluación de desempeño más frecuente y liderado por el empleado hizo que a los empleados les costara prepararse.
El caso de uso: Se creó una skill de Claude que reúne evidencias recientes de la plataforma de RR. HH. y de los sistemas donde el trabajo ya está documentado (CRM, herramientas de IA para tomar notas, Slack, etc.).
El resultado: Los empleados llegan a las evaluaciones con un dossier de evidencias preparado por IA y refinado por una persona, lo que da lugar a una conversación mucho más enriquecedora.
Cambiamos a un modelo de evaluación de desempeño bimensual, más liderado por el empleado. Para lograrlo, necesitábamos una forma de facilitar que la gente se centrara menos en buscar información y más en la conversación en sí (la parte más valiosa). Así que creamos una skill de Claude que ayuda a los empleados a prepararse recopilando ocho semanas de actividad reciente de nuestra plataforma de RR. HH. y de muchos otros conectores como Linear, Hubspot, Notion y Slack. Después, Claude ancla eso en la misión y los objetivos de su puesto, su evaluación de desempeño anterior, la hoja de ruta de la empresa y cualquier matriz de competencias relevante, para ayudar a detectar lo que podría volverse importante para el negocio en los próximos meses.
Qué hacer a continuación: incorpora confianza y claridad en la implementación
Cuando se le dice a los empleados que usen la IA sin ninguna orientación por parte de la empresa, o sin claridad sobre cómo afecta a su puesto, esto puede llevarlos a abandonar la tecnología por completo o avanzar por su cuenta. Ninguna de las dos opciones funciona para una integración de la IA a largo plazo.
Centrarse en la confianza, la claridad y la capacitación dará a los empleados la seguridad para experimentar y el conocimiento para hacerlo de forma responsable.
1
Crea condiciones seguras para experimentar
Alcanzar la madurez en IA depende tanto del comportamiento de los empleados como de la integración técnica.
"No puedes pasar de que los empleados no tengan ningún contacto con la IA a darles un sistema totalmente integrado", dice Ankita Poddar, senior HRBP en Amazon Web Services. "Saltarse ese paso reduce la confianza. Confías menos en un sistema cuando no sabes qué está haciendo o cómo lo hace. Los empleados necesitan experimentar con la IA, equivocarse y descubrir cómo funciona para ellos, su equipo y su organización."
Ofrece a los empleados directrices claras sobre dónde pueden y no pueden usar la IA, incluyendo qué datos confidenciales o sensibles no se pueden introducir en estas herramientas. Después, crea espacios seguros para experimentar, como hackathons, entornos sandbox y conjuntos de datos ficticios, para que los empleados puedan probar y aprender de forma responsable.
2
Convierte el uso oculto en una capacidad compartida
Cuando la confianza y las directrices seguras ya están en marcha, las organizaciones necesitan crear formas para que los empleados se sientan cómodos compartiendo abiertamente sus casos de uso.
"La IA está optimizada para el uso individual, no a nivel de equipo", dice Aoife O'Brien, fundadora de Happier at Work. "Puede que la gente oculte cuánto la usa porque teme que trabajar de forma más eficiente haga que su puesto parezca menos valioso. Cambiar el foco hacia los resultados y mejorar la coordinación entre equipos ayudará a las organizaciones a obtener resultados más eficaces con la IA."
O'Brien recomienda que las organizaciones adopten un enfoque experimental al crear este entorno, con mecanismos para compartir conocimiento que encajen tanto con sus normas de comunicación ya existentes como con mantener alta la seguridad psicológica. Sus sugerencias incluyen:
Crear una estructura repetible en torno al aprendizaje, con jornadas de inmersión, canales dedicados en Slack o Teams, presentaciones en reuniones de equipo o all-hands y la creación de un centro de excelencia para la IA.
Celebrar retrospectivas sobre todos los proyectos de IA, especialmente los que fracasaron.
Plantear los proyectos de IA en términos de resultados y de los problemas que resuelven para el negocio.
Construir un repositorio centralizado de prompts, proyectos, resultados y aprendizajes al que todo el mundo pueda acceder y consultar.
3
Aclara cómo influyen los datos y la IA en las decisiones
Si esperas transparencia sobre cómo usan los empleados la IA, debes ofrecer lo mismo a cambio. Los equipos de RR. HH. deben poder explicar cómo influyen los datos en las decisiones que se toman sobre los empleados y cómo o dónde ha intervenido la IA, si es que lo ha hecho. Esto también debe trasladarse al nivel de los responsables.
Para cada decisión clave, debes conocer tus datos y tu modelo lo bastante bien como para responder a esto:
¿Qué datos o qué IA hemos usado para tomar esta decisión?
¿Dónde interviene el criterio humano en esta decisión/resultado?
¿Cómo pueden los empleados cuestionar o impugnar esta decisión si no están de acuerdo?
4
Mide el impacto, no solo el resultado
Las organizaciones pueden estar volcadas en mejorar la eficiencia, pero si eso es todo lo que ven los empleados, usar la IA puede empezar a sentirse transaccional, sobre todo si la optimización relacionada con la IA se traduce simplemente en más carga de trabajo o mayor intensidad.
Esto significa mirar más allá de la rapidez con la que se hace el trabajo o de los costes que se ahorran. Los líderes de RR. HH. deben preguntarse: ¿encuentran los empleados su trabajo más significativo? ¿Cómo está el bienestar general de los equipos? ¿Cómo sienten los empleados su carga de trabajo con el paso del tiempo?
"A los responsables de RR. HH. les importa, en última instancia, el servicio y la experiencia que ofrecen", dice Major. "La eficiencia no debería ser la única métrica que midas. Si te centras demasiado en ella, no ves si las cosas mejoran de verdad como resultado de los cambios que has hecho. Combina eficiencia con experiencia y obtienes una imagen mucho más completa de lo que realmente está pasando."
Qué caracteriza a una buena IA: liderar mejores reuniones individuales
El problema: Los managers con buen desempeño dedican una cantidad desproporcionada de tiempo a tareas administrativas para preparar reuniones individuales de calidad. Cuando la preparación se hace deprisa (o se salta), aparecen sesgos, se pasan por alto patrones y se pierde contexto valioso.
El caso de uso: Integrar la IA en la preparación de reuniones individuales y evaluaciones de desempeño para reducir la carga administrativa, de modo que el responsable pueda centrarse en conversaciones de coaching personalizadas.
El resultado: El tiempo ahorrado se reinvierte en escuchar, hacer coaching y ofrecer un enfoque consistente, de alta calidad y personalizado para cada persona.
Un caso de uso que me llamó especialmente la atención: un manager creó su propia solución de IA para reducir la carga administrativa necesaria en reuniones individuales imparciales, basadas en datos y personalizadas, para poder centrarse en la conversación en sí. En cada reunión individual, usa la IA para transcribir la conversación. Pero no trata la transcripción como sus notas. En su lugar, toma sus propias notas junto a ella: palabras clave, frases y momentos que destacan. Después, introduce esos aspectos destacados de nuevo en la IA como una capa de su propio criterio. Combinado con la transcripción completa, esto produce un resumen mucho más significativo, porque la IA sabe qué buscar.
Los equipos de RR. HH. preparados para sacar partido a sus datos abarcan presupuestos, tamaños, sectores y niveles de sofisticación técnica muy distintos. Pero lo que los une a la hora de integrar la IA con éxito es la consistencia en lo fundamental.
Qué hacen distinto las organizaciones que tienen sus datos preparados
Documentan la mayoría de las decisiones
78%
Organizaciones preparadas en datos
69%
Organizaciones con datos deficientes
Revisan regularmente las predicciones sobre personas
64%
Organizaciones preparadas en datos
28%
Organizaciones con datos deficientes
Integran la IA en toda la organización
38%
Organizaciones preparadas en datos
14%
Organizaciones con datos deficientes
Estas acciones, aparentemente pequeñas, se refuerzan entre sí. Documentar tus decisiones crea un registro de por qué se tomaron. Esa información facilita probar y revisar tus predicciones sobre personas y corregir los errores. A su vez, esos puntos de control de calidad generan confianza en los datos, lo que te permite integrar la IA con más seguridad en los procesos de RR. HH.
Cuando los equipos ponen en marcha esos puntos de control, confían más en el valor que aporta su trabajo.
Los equipos de RR. HH. preparados para trabajar con datos tienen más probabilidades de sentirse eficaces, valorados y escuchados. También registran mayores niveles de compromiso y tienen 1,4 veces más probabilidades de afirmar que su empresa obtiene buenos resultados.
Cómo se ven a sí mismas las organizaciones preparadas para trabajar con datos
Reportan alta eficacia de RR. HH.
79%
Organizaciones preparadas en datos
50%
Organizaciones con datos deficientes
Se sienten seguras y valoradas
79%
Organizaciones preparadas en datos
58%
Organizaciones con datos deficientes
Sienten que RR. HH. no tiene suficiente voz
29%
Organizaciones preparadas en datos
52%
Organizaciones con datos deficientes
Reportan un alto rendimiento del negocio
82%
Organizaciones preparadas en datos
57%
Organizaciones con datos deficientes
Si tu equipo de RR. HH. quiere cerrar esa brecha, probablemente estés más avanzado de lo que crees. Sin embargo, estar preparado para trabajar con datos empieza por las pequeñas decisiones del día a día: seleccionar y mantener los pocos conjuntos de datos en los que puedes confiar, en lugar de los diez en los que no puedes confiar; crear flujos de trabajo y puntos de control que mantengan esa alta calidad de datos con el tiempo y, por último, convertirla en un KPI para cada nueva decisión o proyecto.
Se trata de convertir los datos en un instinto cotidiano.
Ya tienes los datos. Lo que estás construyendo ahora es la confianza para respaldarlos.
¿Quieres seguir al día?
Suscríbete a nuestras comunicaciones y recibe nuevos estudios, tendencias y recursos para afrontar los retos de RR. HH. con más información y mejores herramientas.
Nuestro estudio Workforce Pulse 2026 recoge las respuestas de 3.001 responsables de RR. HH. y 6.000 empleados en empresas de entre 10 y 2.000 trabajadores en el Reino Unido, Alemania, España y los Países Bajos. Los datos se recopilaron entre el 29 de mayo y el 10 de junio por Censuswide.
Explora los RR. HH. inteligentes. Descubre cómo funciona Personio.
