para orientarte
Alguien dice “la IA lo hizo mal” y la conversación se cierra. Nadie sabe si falló la fuente, el contexto, el permiso, el criterio o la revisión que nunca ocurrió.
El feedback se vuelve útil cuando transforma una decepción en evidencia compartida y una siguiente decisión que el equipo puede probar.
“La IA lo hizo mal” no es feedback suficiente. Tampoco lo es “se ve bien” cuando nadie puede explicar qué criterio se usó.
En equipos que usan IA, el feedback necesita cubrir dos capas: el resultado visible y el sistema que lo produjo. Una corrección puede mejorar un documento y dejar intacto el problema de fuentes, permisos, contexto o revisión.
Feedback sobre el resultado
Antes de corregir, definí qué debía lograr. Un comentario útil conecta observación, impacto y siguiente acción:
En el segundo apartado falta la fuente que sostiene esta afirmación. Eso hace que el equipo no pueda verificarla. Agregá una fuente primaria o marcá la afirmación como pendiente.
Evita juicios vagos como “no funciona” o “hacelo más humano”. Si querés un tono distinto, describí qué debería sentir o entender la persona que lo recibe.
Feedback sobre el proceso
Preguntá:
- ¿Qué contexto recibió la herramienta?
- ¿Qué fuentes usó?
- ¿Qué parte revisó una persona?
- ¿Qué casos difíciles probamos?
- ¿Qué supuestos quedaron ocultos?
- ¿Qué no debería volver a automatizarse?
El objetivo es hacer visible la ruta cuando un resultado importa.
Una rúbrica pequeña
Podés evaluar un output del 1 al 3 en cinco dimensiones:
| Dimensión | 1 | 2 | 3 |
|---|---|---|---|
| Exactitud | contiene errores | requiere correcciones | verificable |
| Relevancia | responde otra cosa | cubre parte | resuelve la necesidad |
| Evidencia | no se puede rastrear | fuentes incompletas | fuentes claras |
| Criterio | decisiones ocultas | algunas visibles | supuestos explícitos |
| Uso | no se puede entregar | necesita retrabajo | listo con revisión normal |
La rúbrica no reemplaza juicio profesional. Lo vuelve conversable.
Cómo recibir feedback sin ponerte a la defensiva
Cuando alguien señala un problema, preguntá: “¿Qué cambiaría tu evaluación de un 2 a un 3?”. Esa pregunta convierte una crítica difusa en una condición observable.
También podés preguntar si el problema está en el output, la instrucción, la fuente, el plazo o el criterio. No todo fallo de IA es un fallo de la persona que escribió el prompt.
Feedback y seguridad psicológica
Un equipo necesita poder decir “no sé”, “esto no tiene fuente” o “no quiero conectar ese permiso” sin quedar como poco colaborativo. La confianza se fortalece cuando el equipo puede corregir un error temprano y conversar sobre el desacuerdo.
Para seguir, leé inteligencia relacional en el trabajo y las habilidades humanas que importan en la era de IA.
El feedback necesita un lugar seguro para ser útil
Una rúbrica puede ordenar la conversación, pero no garantiza que alguien se anime a decir “esto no tiene fuente”. Para que el feedback produzca aprendizaje, el equipo necesita separar el error de la identidad de la persona y poder discutir el proceso sin miedo a quedar marcada como difícil.
Una pregunta práctica es: “¿Qué cambiaría tu evaluación de un 2 a un 3?”. Otra es: “¿Qué parte del sistema produjo este resultado?”. Juntas desplazan la conversación desde la culpa hacia la evidencia, sin quitar responsabilidad a quien aprobó o publicó el output.
La meta es acordar qué errores son tolerables, cuáles requieren una segunda mirada y cuáles nunca deberían salir sin aprobación humana.
Cómo convertir el desacuerdo en una decisión compartida
Un buen sistema de feedback protege dos cosas a la vez: la calidad del resultado y la posibilidad de que alguien vuelva a señalar un problema mañana. Si cada error se convierte en una vergüenza pública, el equipo aprenderá a ocultar señales. Si todo se suaviza para no incomodar, aprenderá a publicar sin revisar.
La conversación más útil suele terminar con un cambio específico: agregar una fuente, reducir permisos, definir una prueba, mover una aprobación o cambiar el criterio de éxito. Así el aprendizaje queda en el sistema y no solo en la memoria de quien recibió la crítica.
Fuentes para profundizar
- Deloitte: tendencias globales de capital humano 2026
- Amy Edmondson: psychological safety and team learning
- Mejores prácticas de IA para equipos
Transparencia editorial
Este artículo fue investigado y preparado con ayuda de IA. Nina revisó fuentes, contexto, criterio editorial y versión final.