Apéndice

120 principios, lado a lado

Cada principio administrativo con su expresión humana, su equivalente artificial y una clasificación: universal, adaptado o exclusivamente humano.

La consecuencia importa más que el conteo. 87 de 120 principios sobreviven intactos al cambio de ocupante — la mayor parte de la disciplina administrativa no desaparece con IA. 20 conservan su intención y cambian de mecanismo. Solo 13 pertenecen a la condición humana y nunca deben trasladarse al software por una metáfora ingenua.

120 / 120

#	Principio	Recurso humano	Recurso artificial	Clase
1	Todo puesto debe tener un propósito	El ocupante debe comprender por qué existe el puesto y qué valor crea.	El AI Employee debe tener una misión operacional explícita y estable.	U
2	Descripción formal del puesto	Job description documentada.	AI Job Description / Role Contract versionado.	U
3	Responsabilidades definidas	Resultados y deberes asignados con claridad.	Procesos, decisiones y resultados bajo ownership explícito.	U
4	Límites del puesto	Debe quedar claro qué no le corresponde.	Acciones, dominios, datos y decisiones prohibidas.	U
5	Autoridad definida	Se especifica qué puede decidir sin aprobación.	Se especifican acciones autónomas, umbrales y approvals.	U
6	Responsabilidad y autoridad deben estar alineadas	No se exige un resultado sin facultades o recursos suficientes.	No se exige un KPI sin tools, permisos, datos y budget adecuados.	U
7	Unidad de mando / accountability claro	Debe existir un manager responsable del desempeño.	Debe existir exactamente un accountable manager, aunque reciba trabajo de varias áreas.	U
8	Cadena de mando y escalamiento conocidos	Sabe a quién escalar una excepción o conflicto.	Escalation tree explícito por tipo, riesgo y urgencia.	U
9	Span of control razonable	Un manager no debe tener más reportes de los que puede dirigir efectivamente.	La escala puede ser mayor, pero requiere tooling, dashboards y límites de supervisión.	A
10	División del trabajo y especialización	Roles organizados por competencias y resultados.	AI Employees o subagentes especializados por función.	U
11	Evitar duplicidad de ownership	No deben existir dos dueños ambiguos del mismo resultado.	Evitar que varios AI Employees actúen sobre el mismo objeto sin coordinación o lock.	U
12	Interdependencias explícitas	Inputs, outputs y dependencias entre puestos conocidas.	Handoffs, APIs, humanos, otros AI Employees y sistemas identificados.	U
13	Definir el puesto antes de seleccionar al ocupante	Primero se diseña el rol; luego se busca la persona.	Primero se diseña el rol; luego se elige modelo, agente y configuración.	U
14	Seleccionar según competencias requeridas	Skills, experiencia, conocimientos y comportamientos.	Modelo, reasoning, herramientas, memoria, contexto e integraciones.	U
15	Validar competencias antes de contratar	Entrevistas, pruebas, referencias y assessment.	Benchmarks, evals, simulaciones, sandbox y red-team del rol.	U
16	No pagar por capacidad que el puesto no necesita	Evitar sobrecalificación costosa o mal aprovechada.	No usar el modelo más caro o capaz si uno menor cumple el SLA.	U
17	Fit puesto-recurso	Person-job fit y person-organization fit.	Model/agent-role fit y architecture-role fit.	U
18	Periodo de prueba	Probation con supervisión y criterios de éxito.	Shadow mode, sandbox o producción con approvals reforzados.	U
19	Verificación previa	Antecedentes, referencias y requisitos de confianza aplicables.	Security review, evaluación del vendor/modelo, provenance y supply-chain review.	A
20	Inducción a la organización	Historia, propósito, estrategia y estructura.	Contexto empresarial, estructura, objetivos y políticas cargados en la capa de conocimiento.	U
21	Conocer productos y servicios	Formación en oferta, clientes y propuesta de valor.	Knowledge base/RAG/context sobre productos, pricing, clientes y restricciones.	U
22	Conocer políticas	Manual, políticas internas y obligaciones.	Policy layer, system policies y reglas de cumplimiento.	U
23	Conocer procedimientos	SOPs, checklists y formas de trabajo.	SOPs ejecutables, instrucciones y workflows autorizados.	U
24	Conocer compañeros y estructura	Organigrama, stakeholders y responsabilidades.	Organizational graph con humanos, AI Employees, roles, canales y ownership.	U
25	Conocer al supervisor	Manager asignado y expectativas de la relación.	Accountable manager registrado como parte del rol.	U
26	Conocer canales de comunicación	Email, Slack/Teams, reuniones, tickets y protocolos.	Canales autorizados, routing, recipients y reglas de comunicación.	U
27	Recibir herramientas de trabajo	Equipo, software, cuentas y acceso operativo.	Tools, APIs, credentials, browser, DBs, ERP/CRM y otros conectores.	U
28	Recibir únicamente accesos necesarios	RBAC y least privilege.	RBAC, least privilege, secrets aislados y scopes mínimos.	U
29	Objetivos claros	Expectativas concretas sobre qué debe lograr.	Objectives explícitos, verificables y vinculados al Role Contract.	U
30	KPIs definidos	Métricas de desempeño del puesto.	KPIs, SLAs, calidad, costo y riesgo del AI Employee.	U
31	Alinear KPIs con objetivos del negocio	Evitar métricas de vanidad o incentivos perversos.	Medir outcomes, no tool calls, tokens o actividad sin valor.	U
32	Metas alcanzables	Metas realistas según recursos y capacidad.	Metas realistas según modelo, contexto, herramientas y authority.	U
33	Feedback frecuente	Conversaciones de desempeño y corrección de rumbo.	El feedback del manager alimenta configuración, ejemplos, políticas, evals o prompts.	A
34	Evaluación periódica	Performance review formal o continua.	AI Performance Review con métricas, incidentes y quality samples.	U
35	Evaluar resultados, no mera actividad	Outcome y calidad por encima de horas visibles.	Outcome y reliability por encima de tokens, mensajes o pasos ejecutados.	U
36	Comparar resultado contra estándar	Quality bar, SLA o estándar profesional.	Test sets, golden datasets, thresholds y policy checks.	U
37	Responsabilidad por el desempeño	Empleado y manager participan del resultado.	El AI ejecuta; el accountable human conserva responsabilidad de negocio y gobierno.	A
38	Corregir bajo desempeño	Coaching, training, PIP o rediseño del puesto.	Modificar instrucciones, conocimiento, modelo, tools, workflow o scope.	A
39	Reconocer alto desempeño	Reconocimiento, promoción, compensación o mayor autonomía.	Mayor scope, autonomía, límites de autoridad o asignación a procesos más críticos.	A
40	Supervisión proporcional a competencia y riesgo	Junior requiere mayor supervisión; experto puede recibir más autonomía.	La autonomía aumenta solo con evidencia de reliability y según risk class.	U
41	Delegación explícita	El manager define qué delega y qué retiene.	Cada decisión o acción delegada debe constar en policy o authority matrix.	U
42	Management by exception	El manager interviene especialmente en desviaciones y excepciones.	La IA resuelve rutina dentro de límites y escala excepciones.	U
43	Escalamiento definido	Criterios para solicitar ayuda o aprobación.	Confidence/risk thresholds, timers, exception classes y human escalation.	U
44	Separación de funciones	Reduce fraude, error y concentración indebida de poder.	El AI que inicia un pago no debería aprobarlo; roles de maker/checker separados.	U
45	Principio de cuatro ojos	Decisiones sensibles requieren revisión adicional.	AI+humano, AI+AI+humano u otra aprobación proporcional al riesgo.	A
46	No otorgar más autoridad que la necesaria	Delegación mínima compatible con el trabajo.	Least authority y transactional limits.	U
47	La autoridad debe ser revocable	Suspensión o retiro de facultades cuando cambia el riesgo.	Kill switch, revoke credentials, disable tools o downgrade de autonomy.	U
48	Capacitación continua	Formación para mantener y ampliar capacidades.	Actualización de knowledge, tools, model, examples, policies y evals.	U
49	Identificar brechas de competencia	Skills gap analysis.	Capability gap a partir de eval failures, incidents y unsupported tasks.	U
50	Plan de desarrollo	Career path e Individual Development Plan.	Capability roadmap y criterios para ampliar scope o autonomy.	A
51	Coaching	El manager ayuda a mejorar criterio y ejecución.	El feedback humano transforma configuración, context, ejemplos y policy.	A
52	Aprender de errores	Lecciones aprendidas y acciones correctivas.	Postmortems, evals regresivos, memory controlada y guardrails nuevos.	U
53	Gestión del conocimiento	Capturar y compartir conocimiento crítico.	Shared knowledge layer, provenance, versioning y retrieval.	U
54	Actualizar ante cambios de políticas	Reentrenar cuando cambian reglas, productos o contexto.	Actualizar policy/context de forma inmediata y verificar comprensión con evals.	U
55	Comunicación clara de expectativas	Reducir ambigüedad en objetivos y estándares.	Role Contract, prompts, policies y definitions of done inequívocos.	U
56	Canales oficiales definidos	La organización determina dónde ocurre cada tipo de comunicación.	Channels y tools autorizados por tipo de interacción.	U
57	Contexto suficiente para decidir	La persona necesita información relevante y oportuna.	Context engineering, retrieval y memory suficientes, sin sobreexposición.	U
58	Right information, right actor	Principio need-to-know.	Need-to-know enforced por RBAC, retrieval filters y data scopes.	U
59	Documentar decisiones importantes	Registro para continuidad, control y auditoría.	Logs estructurados, tool traces y decision records.	U
60	Handoffs claros	Transferencia explícita entre personas o equipos.	Agent-to-agent y AI-to-human handoffs con estado, contexto y ownership.	U
61	Sentido de propósito personal	Puede afectar motivación, compromiso y permanencia.	No existe como experiencia subjetiva del software.	H
62	Motivación intrínseca	Interés, maestría, autonomía y significado pueden impulsar desempeño.	No aplicable como estado psicológico.	H
63	Motivación extrínseca	Pago, reconocimiento, incentivos y consecuencias.	Puede existir una función de reward/optimization, pero no equivale a motivación humana.	A
64	Engagement	Compromiso psicológico con el trabajo y la organización.	No existe como experiencia subjetiva demostrable.	H
65	Satisfacción laboral	Importa para salud, permanencia y desempeño humano.	No aplicable al recurso artificial.	H
66	Sentido de pertenencia	Relación social y psicológica con el grupo.	No aplicable ontológicamente; solo puede simular conducta social.	H
67	Salario	Contraprestación económica por trabajo.	No hay salario; existen costos de modelo, SaaS, infraestructura, licencias y soporte.	A
68	Compensación justa	Equidad interna, externa y legal.	La optimización económica aplica, pero no como derecho del software.	A
69	Bonos por desempeño	Incentivo económico ligado a resultados.	No requiere incentivo psicológico; pueden usarse reward functions técnicas.	A
70	Beneficios	Salud, pensión, seguros, vacaciones y otras prestaciones.	No aplica al software.	H
71	Costo total del empleado	Salario + cargas + beneficios + equipo + administración.	Total Cost of AI Employment: modelos + infraestructura + integraciones + supervisión + errores + governance.	U
72	Salud ocupacional	Protección de salud física y mental.	No aplica como bienestar del AI; sí existen requisitos de seguridad operacional del sistema.	H
73	Descanso	Necesidad biológica y protección laboral.	No aplica biológicamente; se sustituye por maintenance windows, quotas y capacity management.	A
74	Jornada laboral	Protección humana sobre tiempo de trabajo.	Puede operar 24/7 sujeto a capacity, budget y reglas operativas.	H
75	Burnout	Riesgo humano por estrés sostenido.	No existe como estado subjetivo; sí existe degradación, context pollution, saturation o error accumulation.	A
76	Seguridad psicológica	Permite hablar, discrepar y reconocer errores sin miedo indebido.	No aplica como experiencia subjetiva del AI, aunque sí importa para humanos que trabajan con él.	H
77	Código de conducta	Normas de comportamiento esperado.	Behavioral policies, output constraints y conduct rules.	U
78	Confidencialidad	Deber de reserva y cuidado de información.	Data access, disclosure policies, DLP y constraints.	U
79	Conflictos de interés	Identificar y gestionar intereses incompatibles.	Gestionar conflicts entre vendor, data source, goals, tools o roles.	A
80	No discriminación	Obligación ética y legal en decisiones sobre personas.	Fairness testing, policy constraints y human review de decisiones sensibles.	U
81	Honestidad e integridad	No engañar, falsear ni ocultar deliberadamente.	Políticas contra fabricación, impersonation y claims no sustentados.	U
82	Protección de información	Custodia y uso apropiado de datos.	Data minimization, encryption, access control y retention.	U
83	Cumplimiento normativo	Respeto de leyes, políticas y estándares aplicables.	Compliance-by-design + human accountability.	U
84	Libertad sindical	Derecho humano de asociación laboral.	No aplica al software.	H
85	Negociación colectiva	Derecho de trabajadores humanos y organizaciones sindicales.	No aplica al software.	H
86	Procedimiento de quejas	Canal para que una persona reclame decisiones o condiciones.	No aplica subjetivamente al AI; sí deben existir canales humanos para reclamar acciones del AI.	H
87	Protección contra acoso	Derecho humano a un entorno libre de acoso.	No aplica al AI como víctima; sí sus outputs deben estar gobernados para no acosar a humanos.	H
88	Debido proceso disciplinario	Protección humana ante medidas disciplinarias.	No aplica como derecho del software; operacionalmente se reemplaza por incident review y change control.	A
89	Segregación de accesos	Limitar y separar privilegios según rol.	Fundamental: identity, RBAC, scopes y secrets separados.	U
90	Auditoría	Revisión independiente de procesos y decisiones.	Logs, traces, event history, evals y reproducibilidad.	U
91	Trazabilidad	Saber quién hizo qué, cuándo y bajo qué autoridad.	Actor ID + action + timestamp + context + tool + approval.	U
92	Accountability	Debe existir una persona responsable de decisiones y resultados.	Nunca debe quedar huérfano: un humano accountable responde por deployment, authority y outcomes.	U
93	Gestión de incidentes	Detectar, contener, investigar y aprender de fallas.	AI incident management con kill switch, rollback, postmortem y remediation.	U
94	Protección de datos	Principios de privacidad, acceso, minimización y retención.	Data governance, consent, retrieval filters, retention y deletion.	U
95	Gestión de riesgo	Identificar, evaluar, mitigar y monitorear exposición.	Risk classification por rol, tool, data y action; controles proporcionales.	U
96	Promoción	Mayor responsabilidad, alcance, estatus o compensación.	Mayor scope, autonomy, budget o authority tras evidencia.	A
97	Transferencia de puesto	Cambio de función o unidad.	Nuevo Role Contract, tools, context, permissions y manager.	U
98	Plan de sucesión	Preparar reemplazo para talento crítico.	Fallback agent/model/version y runbook de reemplazo.	U
99	Cross-training	Desarrollar flexibilidad para cubrir otras funciones.	Multi-capability, backup agents o ensembles, cuidando separation of duties.	U
100	Retención de talento/conocimiento crítico	Reducir pérdida de capacidades y know-how.	Reducir vendor/model lock-in; preservar prompts, policies, evals, memory y artifacts.	A
101	Criterios de terminación	Bajo desempeño, reestructuración, incumplimiento u otras causas.	Obsolescencia, costo, riesgo, incidents, bajo desempeño o cambio de arquitectura.	U
102	Offboarding	Recuperar equipos, accesos, obligaciones y responsabilidades.	Revoke credentials, disable tools, remove schedules, queues y integrations.	U
103	Transferencia de conocimiento	Evitar pérdida de información al salir.	Exportar memory aprobada, context, artifacts, runbooks y outstanding tasks.	U
104	Protección de información después de la salida	Confidencialidad y cierre de accesos.	Retention/deletion policies, revocation y secret rotation.	U
105	Registro histórico	Employee file y evidencia de desempeño.	Audit/performance record versionado para governance y aprendizaje.	U
106	Planificar capacidad futura	Headcount, skills y carga requeridos para la estrategia.	Human + AI capacity planning, concurrency y workload forecasting.	U
107	Make vs. buy	Contratar, tercerizar o desarrollar capacidad internamente.	Build agent vs. SaaS/vendor vs. managed service vs. open source.	U
108	Dimensionamiento	Número y mezcla de personas necesarias.	Instances, concurrency, model tiers y capacity requerida.	U
109	Diseñar el workforce mix	Full-time, part-time, contractors, outsourcing.	Human, AI y hybrid role allocation según riesgo, costo y ventaja comparativa.	U
110	Productividad por recurso	Output/FTE y valor generado.	Outcome/AI Employee, cost per outcome y human review load.	U
111	Medir productividad	Cantidad/valor de output por recurso.	Outcomes por unidad de costo/tiempo del AI Employee.	U
112	Medir calidad	Calidad contra estándar del puesto.	Accuracy, acceptance rate, QA score y policy compliance.	U
113	Medir costo	Costo total y marginal de operar el puesto.	Model + compute + tools + integrations + supervision + error cost.	U
114	Medir errores	Error rate, retrabajo e incidentes.	Hallucination/error rate, exception rate, incidents y recovery cost.	U
115	Medir disponibilidad	Asistencia/cobertura del recurso humano.	Uptime, queue readiness, dependency availability.	U
116	Medir utilización	Capacidad utilizada versus disponible.	Runtime/concurrency/tool utilization e idle capacity.	U
117	Medir tiempo a competencia	Time-to-productivity de una nueva contratación.	Time-to-autonomy: desde instanciación hasta desempeño confiable.	U
118	Medir rotación/reemplazo	Turnover y sus causas/costos.	Model/agent replacement rate, architecture churn y migration cost.	A
119	Benchmarking	Comparar desempeño entre personas, equipos o mercado.	Comparar models, configurations, prompts, agent versions y vendors.	U
120	Mejora continua	Optimizar procesos y workforce con evidencia.	Continuous evals, optimization, policy iteration y process redesign.	U

La matriz es una síntesis propia de prácticas de diseño organizacional, RR. HH., performance management, gobierno, workforce planning y riesgo. No es la transcripción de un único estándar existente, y la clasificación es una propuesta de trabajo de este framework — doctrina administrativa, no una afirmación jurídica sobre el empleo de software.