Predicción de Rotación de Empleados con IA para Empresas: Por Qué el Aviso Llega Cuando Ya se Han Ido

Las encuestas de satisfacción y las entrevistas de salida confirman por qué alguien se fue. Un modelo de IA bien entrenado avisa semanas antes, mientras todavía hay margen para actuar.

---

Cuando Recursos Humanos se entera de que un empleado clave se va, casi siempre es por la carta de dimisión. En ese momento ya no queda nada que hacer: la decisión se tomó semanas antes, y la empresa se enteró la última. Un modelo de IA de predicción de rotación no mira la fecha de salida: mira las señales de comportamiento que, en el propio historial de la empresa, aparecieron antes de cada baja voluntaria — mientras aún había tiempo de ofrecer algo distinto.

El problema: el coste no es solo emocional, es 1 billón de dólares al año

Gallup calcula que la rotación voluntaria le cuesta a las empresas de Estados Unidos un billón de dólares cada año, y que la mayor parte de ese coste es evitable: más de la mitad de quienes dimiten voluntariamente dicen que su jefe o su empresa podría haber hecho algo para que se quedaran (Gallup, «This Fixable Problem Costs U.S. Businesses $1 Trillion», McFeely y Wigert, 2019).

La cifra no es abstracta. Sustituir a un empleado cuesta entre la mitad y el doble de su salario anual, según el puesto (reclutamiento, formación, productividad perdida mientras el puesto está vacío o mal cubierto). Una empresa de 100 personas con un salario medio de 50.000 $ puede estar perdiendo entre 660.000 $ y 2,6 millones de dólares al año solo en reposición de personal, incluso con una rotación que parece «normal» para el sector.

El problema de fondo es el orden de los acontecimientos: cuando una encuesta de clima o una entrevista de salida detecta el motivo, el empleado ya ha decidido marcharse. Se está confirmando una decisión tomada semanas antes, no anticipándola.

Qué mira de verdad un modelo de IA que predice rotación

Un modelo de predicción de rotación no busca «lleva tiempo sin un ascenso» como señal aislada. Busca combinaciones de señales que, en el historial propio de la empresa, precedieron a una baja voluntaria — algunas evidentes (bajada de rendimiento, menos participación en reuniones, uso reducido de las herramientas internas) y otras que solo aparecen al cruzar variables que nadie vigila juntas: alguien que tarda más en responder al jefe, deja de pedir vacaciones con antelación y reduce su actividad en el chat del equipo, aunque cada señal por separado parezca ruido.

Las variables que de verdad pesan no siempre son las intuitivas. El propio programa de IBM analiza, entre otras cosas, el tiempo transcurrido desde el último ascenso, la antigüedad total, los ascensos de compañeros del mismo nivel, el tiempo de desplazamiento al trabajo y las horas extra — ninguna de ellas es lo primero que un responsable de equipo pensaría en mirar.

Caso real: IBM evita 300 millones de dólares con un 95% de precisión

El caso mejor documentado es el de IBM. Su «Programa de Predicción de Atrición» («Predictive Attrition Program»), construido sobre Watson, analiza datos de rendimiento, antigüedad, compensación, formación y señales de clima para calcular qué empleados tienen mayor riesgo de marcharse. La entonces consejera delegada de IBM, Ginni Rometty, explicó en la cumbre CNBC @Work Talent + HR de 2019 que el sistema predice con un 95% de precisión quién va a dejar la empresa, y que ha ahorrado a IBM cerca de 300 millones de dólares en costes de retención: menos contratación de sustitución, menos formación repetida y más talento sénior que se queda. Su resumen de la idea, tal cual la dijo: «el mejor momento para llegar a un empleado es antes de que se vaya» (CNBC, 3-abr-2019).

Lo importante no es solo la puntuación de riesgo: IBM envía esa puntuación al responsable directo junto con las variables que más pesan en ese caso concreto, y recomendaciones de acción (formación, cambio de proyecto, ajuste salarial). El sistema no decide qué ofrecer — decide a quién hay que prestarle atención antes de que sea tarde.

Un patrón parecido aparece documentado en Nielsen: según recoge el libro The Power of People (Guenole, Ferrar y Feinzig), su equipo de análisis de personas identificó 120 empleados con riesgo alto y, moviendo lateralmente a un 40% de ese grupo hacia otros puestos, consiguió seis meses sin ninguna baja voluntaria en ese colectivo. A escala de toda la empresa, cada punto porcentual de reducción de la rotación equivalía a 5 millones de dólares de ahorro — con una reducción de dos puntos, el programa completo ahorró 10 millones.

Por qué no sirve «preguntar más» ni un sistema genérico

El error más habitual no es técnico, es de enfoque: montar una encuesta de satisfacción trimestral y esperar que alguien a punto de irse lo escriba en un campo de texto. Para entonces, como con el churn de clientes, la decisión suele estar tomada. Lo mismo pasa con paneles de «riesgo» genéricos que solo miran antigüedad o última evaluación de desempeño: confirman lo obvio y no detectan los casos donde la señal real es el cruce de dos o tres variables poco vistosas.

Un modelo entrenado con los datos reales de la empresa — RR.HH., evaluaciones de desempeño, uso de herramientas internas, historial de ascensos y compensación — detecta el patrón específico de esa plantilla, no el patrón medio del sector.

Cómo lo hacemos en Optima Quantum

No vendemos un panel genérico de «riesgo de rotación». Construimos el modelo sobre los datos reales de cada empresa — RR.HH., desempeño, compensación, uso de herramientas internas — y lo conectamos donde el responsable de equipo ya trabaja: como una alerta dentro de su sistema de gestión de personas, no un informe más que nadie abre. Si esos datos todavía viven repartidos en hojas de cálculo sueltas, lo primero es ordenar esa base (lo cubrimos en nuestro artículo sobre CRM con IA para empresas aplicado a la gestión de datos internos); si el objetivo final es también anticipar la demanda de contratación, no solo las bajas, el mismo tipo de modelo alimenta la previsión de demanda con IA.

El resultado se mide en una cifra de negocio, no estadística: personas retenidas, coste de contratación evitado, tiempo de los responsables de equipo mejor dirigido — exactamente el mismo principio que aplicamos a la predicción de abandono de clientes con IA, solo que aquí el cliente que se va es interno.

Preguntas frecuentes

¿Qué datos hacen falta para predecir la rotación con IA?

Historial de RR.HH. de la propia empresa: evaluaciones de desempeño, antigüedad, ascensos, compensación, uso de herramientas internas y, si existen, encuestas de clima anteriores. Cuantas más bajas voluntarias haya en el histórico, más fiable es el modelo desde el primer día.

¿Esto sustituye a los responsables de equipo?

No. El modelo señala quién tiene riesgo alto y por qué, pero la decisión de qué ofrecer — un ascenso, un cambio de proyecto, una conversación — la sigue tomando una persona. El sistema evita que esa conversación llegue tarde, no la sustituye.

¿Funciona solo en empresas grandes, con miles de empleados?

El enfoque cambia según el tamaño, no la utilidad. Con plantillas grandes, el valor está en detectar patrones que no se ven a simple vista; con equipos pequeños, en explicar con claridad por qué una persona concreta está en riesgo, para que el responsable sepa qué palanca mover.

¿Cuánto tarda en implementarse?

Depende de dónde vivan ya los datos. Si están centralizados en un sistema de RR.HH. razonablemente ordenado, un primer modelo que funciona se puede entrenar y validar en semanas, no meses.

¿Qué pasa cuando el modelo marca a alguien como «en riesgo»?

La alerta llega al responsable directo de esa persona, con las variables que más pesan en ese caso, no solo una puntuación. La decisión sobre qué hacer — y si hacer algo — sigue siendo humana.

¿Cuántas bajas evitables tiene su empresa este año que todavía no sabe que están por llegar? Puede ver el resto de nuestros servicios de IA y automatización, nuestras soluciones de análisis predictivo, o contactarnos directamente para revisar los datos de personal que ya tiene y qué modelo encaja con su plantilla.