Marzo de 2026. En un mes, recibí tres cartas de renuncia. Tres ingenieros senior se fueron a Anthropic, uno a DeepMind, y otro a una startup que recién había levantado Serie A. El patrón era claro: no nos estábamos enterando de los problemas hasta que ya era demasiado tarde. Necesitábamos visibilidad, pero contratar un ATS empresarial o una plataforma de gestión de talento costaba entre $15K y $40K anuales. Así que decidimos construir el nuestro con Airtable y Zapier. Y, cinco meses después, tenemos el mejor retention rate del último año, lo que más me sorprende.
Este no es un tutorial sobre cómo usar Airtable. Es la arquitectura completa de un sistema de gestión de talento que supervisa 47 señales de riesgo, automatiza 12 flujos de comunicación, y brinda visibilidad en tiempo real sobre el estado del equipo. Todo por menos de $200 mensuales. Y lo más importante: funciona.
La arquitectura base: tres tablas que sostienen todo el sistema
El error más común al montar un sistema de gestión de talento en Airtable es comenzar por las personas. Este es un mal enfoque. Debes empezar por los eventos. Tu sistema tiene que captar señales, no perfiles.
Primera tabla: People. Aquí viven los datos maestros. Nombre, rol, fecha de ingreso, salario, equity, manager directo. Pero también hay campos calculados claves: "Days since last 1:1", "Tenure in months", "Last promotion date", y "Equity vesting status". Esta tabla es tu single source of truth.
Segunda tabla: Events. Aquí es donde ocurre todo. Cada interacción relevante genera un registro: 1:1s completados, feedback recibido, menciones en Slack sobre estar "explorando opciones", y solicitudes de días libres inusuales. Además, cambios en la actividad de GitHub, como commits que bajan más del 40% en dos semanas, y ofertas competitivas detectadas. Cada evento tiene un timestamp, categoría, severidad (Low/Medium/High/Critical), y está vinculado a la persona correspondiente.
Tercera tabla: Risk Scores. Aquí calculamos el riesgo de fuga. Cada persona tiene un score que se actualiza cada 24 horas, basado en los eventos de las últimas ocho semanas. Imagina un ingeniero que lleva 18 meses sin promoción y tiene commits en baja, más dos 1:1s cancelados; eso resulta en un Risk Score de 7.8/10. Automáticamente, se marca como "High Risk" y dispara alertas.
La magia radica en los Linked Records entre tablas. Cada evento apunta a una persona y cada persona tiene múltiples eventos. El Risk Score se calcula con fórmulas de Airtable que ponderan cada tipo de evento diferente.
Zapier como motor de captura: 12 flujos que alimentan el sistema
Airtable solo es poderoso si lo alimentas constantemente. Aquí es donde Zapier se vuelve crítico. No estamos hablando de dos o tres automatizaciones básicas. Son 12 flujos activos que capturan señales distribuidas en seis plataformas.
Zap #1: Slack → Events. Monitoreamos cuatro canales clave donde la gente habla de trabajo: #engineering, #random, #wins, y nuestro #ama-leadership. Si alguien menciona palabras como "burnout", "opportunities", "considering", o "recruiter", se crea un evento automático categorizado como "Career Signal". Utilizamos el Slack Message Posted trigger con búsqueda por keywords.
Zap #2: Google Calendar → Events. Cuando un manager cancela o reprograma un 1:1 por segunda vez consecutiva, se registra. Además, si alguien bloquea "Focus time" o "Personal" más de 6 horas en una semana, también se registra. El Calendar Event Updated trigger nos proporciona visibilidad sobre cambios de patrones.
Zap #3: GitHub → Events. Aquí el truco es usar webhooks. Configuramos un endpoint en Zapier que recibe push events de nuestros repos principales. Si el commit count de alguien baja más del 50% comparado con su promedio de cuatro semanas, se genera un evento "Low Activity". Si sube más del 150%, se genera un "Overwork Signal". Ambos son señales de riesgo.
Zap #4: Greenhouse (nuestro ATS) → Events. Cuando alguien del equipo se postula internamente a otra posición, lo registramos. Suena obvio, pero muchas startups no conectan esto. También capturamos si alguien refiere candidatos, lo cual es una señal positiva de engagement.
Zap #5: Lattice (1:1s y feedback) → Events. Cada vez que se completa un 1:1, se crea un evento "1:1 Completed". Si el manager marca "Discussed career growth" o "Mentioned external offers", esos son eventos separados con severidad diferente.
Zap #6-12: Flujos adicionales para Notion (cambios de roadmap que afectan a equipos específicos), Expensify (gastos inusuales que pueden indicar entrevistas), LinkedIn (cambios de perfil), correos filtrados con etiquetas específicas en Gmail, y tres flujos custom vía webhooks para integraciones propias.
La clave está en la categorización consistente. Cada Zap tiene un "Event Type" predefinido: Career Signal, Activity Change, 1:1 Metric, Growth Indicator, Compensation Event, Team Dynamic, External Signal. Esto permite filtrar y analizar después.
El scoring system: cómo convertir señales en números accionables
Aquí es donde la mayoría falla. Tener datos es fácil, pero saber qué hacer con ellos es difícil. Construimos un scoring system basado en tres dimensiones: recency, frequency y severity.
Recency: los eventos de las últimas dos semanas pesan el 100%, de 2-4 semanas pesan el 70%, y de 4-8 semanas pesan el 40%. Después de 8 semanas, el peso cae al 10%. Esto lo automatizamos con una fórmula en Airtable que calcula días desde el evento.
IF(
{Days_Since_Event} <= 14, 1,
IF({Days_Since_Event} <= 28, 0.7,
IF({Days_Since_Event} <= 56, 0.4, 0.1)
)
)
Frequency: si el mismo tipo de evento se repite, el score aumenta exponencialmente. Dos "1:1 Cancelled" en tres semanas significa un problema pequeño. Cuatro en seis semanas = problema grande. La fórmula cuenta eventos duplicados del mismo tipo.
COUNTIFS(
{Person_ID}, {Person_ID},
{Event_Type}, {Event_Type},
{Date}, ">="&DATEADD(TODAY(), -42, 'days')
)
Severity: cada tipo de evento tiene un peso base. Por ejemplo, "External Offer Mentioned" = 8/10. "1:1 Completed" = -1/10 (reduce riesgo). "Low GitHub Activity" = 4/10. "Discussed Career Growth" = -2/10. "Profile Update LinkedIn" = 6/10.
El Risk Score final es una suma ponderada:
Risk_Score = Σ(Event_Severity × Recency_Weight × Frequency_Multiplier)
Cuando alguien supera 6.5/10, entra en "High Risk". Entre 4.5-6.5 es "Medium Risk". Por debajo de 4.5 es "Healthy".
Views y dashboards: de los datos a las decisiones
La data sin visualización es ruido. Creamos cinco vistas críticas en Airtable que reviso cada lunes:
Vista 1: High Risk Dashboard. Filtra personas con Risk Score > 6.5. Agrupadas por manager. Incluye última fecha de 1:1, días desde última promoción, y equity vesting next date. Esta vista me toma 90 segundos revisar y me dice exactamente quién necesita atención inmediata.
Vista 2: Team Health by Department. Aquí uso el campo "Department" y calculo el Risk Score promedio por equipo. Si Engineering tiene 5.2 de promedio y Product tiene 3.1, sé dónde debo enfocarme. Además, la vista muestra trending: ¿el score está subiendo o bajando respecto al mes anterior?
Vista 3: 1:1 Compliance. Filtra personas que no han tenido un 1:1 en más de 14 días. Esta está vinculada al manager responsable. La comparto directamente con nuestro VP of Engineering. Ojo, la presión de pares funciona mejor que cualquier política.
Vista 4: Career Growth Pipeline. Muestra personas que llevan más de 12 meses sin promoción y un Risk Score > 4.0. Esto fuerza conversaciones proactivas sobre growth paths antes de que se convierta en un problema de retención.
Vista 5: Positive Signals. No todo es negativo. Esta vista filtra eventos positivos: referencias de candidatos, feedback excepcional recibido, contribuciones a docs internos, y mentorías. La revisamos en all-hands para celebrar los éxitos.
Para los dashboards visuales, conectamos Airtable con Google Data Studio vía API. Tres gráficos clave: Risk Score distribution (histograma), Risk Score trending over time (línea temporal), y Top 10 Risk Contributors (qué tipos de eventos están generando más riesgo).
Acciones automatizadas: cuando el sistema responde solo
Un sistema de monitoreo que no actúa automáticamente es solo teatro de datos. Configuramos cuatro tipos de acciones automatizadas que se disparan según condiciones específicas.
Acción #1: Manager Alert. Si alguien cruza el threshold de High Risk (6.5+), su manager recibe un Slack DM automático con contexto: "Hey, [Person] acaba de entrar en High Risk. Últimos eventos: [lista]. Última 1:1: [fecha]. Recuerda: el costo de reemplazo es 1.5-2x su salario anual."
Acción #2: HR Check-in. Si alguien permanece en High Risk por más de dos semanas, nuestro People Lead recibe una tarea automática en Notion para hacer un check-in informal. No esperamos a que el manager escale. Somos proactivos, lo que me parece fundamental.
Acción #3: Skip-level 1:1. Si el Risk Score supera 8.0, se crea un evento de calendario automático para un skip-level 1:1 entre la persona y el manager del manager. Implementamos esto con Zapier + Google Calendar API. La invitación dice: "Regular check-in sobre tus objetivos de carrera". No mencionamos risk scores — eso es interno.
Acción #4: Equity Refresh Analysis. Si alguien llega a 75% vested en su equity grant + Risk Score > 5.0, se dispara un análisis automático para un posible equity refresh. Esto lo hacemos con un Zap que crea una fila en Google Sheets donde modelamos diferentes opciones de refresh.
La clave aquí es no automatizar todo. Las conversaciones difíciles deben ser manejadas por humanos. El sistema solo asegura que esas conversaciones sucedan.
El ROI real: números que justifican todo esto
Llevamos cinco meses con este sistema operando y los números hablan por sí solos.
Pre-sistema (Sep 2025 - Feb 2026): 7 salidas de 42 personas = 16.6% de attrition anualizado. Post-sistema (Mar 2026 - Jul 2026): 1 salida de 45 personas = 5.3% de attrition anualizado.
El costo de reemplazo promedio de un ingeniero senior en nuestra área es de $85K (reclutamiento, onboarding, productividad perdida, training). Si logramos evitar 4 salidas en 6 meses, eso se traduce en $340K ahorrados.
El costo del sistema es: Airtable Pro ($20/usuario × 3 usuarios admin) + Zapier Professional ($49/mes) + Google Data Studio (gratis) + tiempo de setup (40 horas × $100/hora de oportunidad) + mantenimiento mensual (2 horas). Total primer año: ~$5,700.
ROI = ($340K - $5.7K) / $5.7K = 58.5x.
Pero el ROI real no es solo financiero. Es visibilidad. Ahora sabemos qué está pasando antes de que suceda. Identificamos que nuestro equipo de ML tenía tres personas en High Risk porque no habíamos comunicado bien el roadmap post-pivot. Dos conversaciones proactivas, un all-hands enfocado en visión, y los tres bajaron a Medium Risk en tres semanas. ¿No es eso impresionante?
Lo que aprendimos: señales que importan vs. ruido
No todas las señales son iguales. Después de cinco meses, identificamos qué eventos realmente predicen salidas:
Top 5 predictores (correlación con salida dentro de 90 días):
- Días desde última promoción > 18 meses + 1:1 cancelado 2+ veces (87% correlación).
- LinkedIn profile update + "Career Signal" en Slack (81%).
- GitHub activity -60%+ sostenido por 3+ semanas (76%).
- Equity vesting > 75% + ninguna discusión de equity refresh (71%).
- Skip-level 1:1 solicitado por el empleado (no por el manager) + Risk Score > 5.0 (68%).
Señales que pensamos que importaban pero no:
- Días de vacaciones tomados (correlación: 12%).