Cuando los 1:1s no bastan: el sistema Notion-Airtable que detecta señales de fuga 90 días antes

Esta mañana, tu mejor ML engineer aceptó otra oferta. Hace dos meses te dijo que estaba feliz, y antes, a tres semanas, mencionó que "le gustaría aprender más sobre LLMs". Sin embargo, hace cinco días dejó de commitear a las 23:00 como siempre. Las señales estaban ahí. Simplemente no las viste a tiempo.

Photo: Marvin Meyer on Unsplash

El problema con la retención de talento en IA no es que la gente se vaya. Es que se van en silencio, y cuando finalmente te enteras, ya firmaron con alguien más. Las startups suelen intentar resolver este problema con más 1:1s, mejor compensación o equity adicional. Pero, en mi experiencia, la realidad es más compleja. Necesitas un sistema de detección temprana que capture señales débiles antes de que se conviertan en cartas de renuncia. Este artículo disecciona cómo construir ese sistema, utilizando Notion como capa de inteligencia humana y Airtable como motor de señales cuantificables.

La anatomía de una fuga silenciosa: qué medir realmente

El error más común es pensar que la retención se trata únicamente de satisfacción. No es así. Se trata de engagement progresivo y señales de desconexión acumulativas. Un ingeniero contento, pero aburrido, se va. Por otro lado, un ingeniero desafiado, pero sin reconocimiento, también.

Las tres categorías de señales que importan:

Señales técnicas (lo que Airtable captura automáticamente)

• Commit velocity: No solo cuenta cuántos commits han hecho, sino la consistencia horaria. Ojo, un cambio de patrón (de nocturno a solo horario laboral) es una señal de desenganche emocional.
• Code review participation: Cuando dejan de comentar en PRs de otros, es un indicativo de que están mentalmente afuera.
• Slack response time: El promedio de respuesta en canales técnicos. Una desviación estándar de +40% sostenida durante 3 semanas es crítico.
• Learning budget usage: Si no utilizan su presupuesto para cursos o conferencias durante dos trimestres, significa que podrían estar aprendiendo en otro lado.

Señales relacionales (lo que Notion documenta cualitativamente)

• 1:1 depth: No se trata solo de la frecuencia, sino de la profundidad. ¿Están compartiendo frustraciones reales o solo actualizaciones de proyecto?
• Peer mentions: En retrospectivas, ¿mencionan a compañeros o solo hablan de su propio trabajo?
• Initiative ownership: ¿Proponen ideas nuevas o solo ejecutan tickets?

Señales de contexto externo (lo que sincronizas manualmente)

• LinkedIn activity changes: ¿Han actualizado su perfil, cambiado su foto o agregado nuevas habilidades?
• Conference attendance patterns: Notas que están asistiendo a más eventos de networking.
• Slack en comunidades externas: Si eres parte de las mismas, verás su actividad incrementar.

La arquitectura del sistema: Airtable como cerebro cuantitativo

Photo: Annie Spratt on Unsplash

Airtable será tu base de datos relacional de señales. Honestamente, no uses Google Sheets. Necesitas relaciones entre tablas, fórmulas avanzadas y automatizaciones que Sheets no puede manejar a esta escala.

Estructura de tablas core:

Tabla 1: Team Members

Campos esenciales:

• Name, Role, Team, Start Date
• Risk Score (número calculado, 0-100)
• Last High Risk Alert (fecha)
• Retention Status (dropdown: Green/Yellow/Orange/Red)

Tabla 2: Technical Signals

Campos:

• Member (linked record a Team Members)
• Signal Type (dropdown: Commit Velocity, PR Activity, Slack Response, etc.)
• Value (número)
• Baseline Average (número - promedio últimos 90 días)
• Deviation % (fórmula)
• Date Recorded
• Anomaly? (checkbox - se marca si Deviation > 30%)

Fórmula de Deviation %:

IF(
  {Baseline Average},
  ((({Value} - {Baseline Average}) / {Baseline Average}) * 100),
  0
)

Tabla 3: Qualitative Signals

Campos:

• Member (linked record)
• Signal Category (1:1 Quality, Initiative Level, Peer Engagement)
• Notes (long text - aquí vinculas desde Notion)
• Sentiment Score (1-5)
• Date
• Logged By (nombre del manager)

Tabla 4: External Context

Campos:

• Member (linked record)
• Source (LinkedIn, GitHub public activity, conference attendance)
• Activity Description
• Risk Weight (low/medium/high)
• Date Detected

La automatización crucial:

Utiliza Airtable Automations (no Zapier para esto, es nativo y más confiable) para:

1. Calcular Risk Score semanalmente: promedio ponderado de anomalías técnicas (50%), sentiment qualitativo (30%) y contexto externo (20%).
2. Si Risk Score > 60, cambiar Retention Status a Orange y enviar notificación a Slack.
3. Si Risk Score > 75, cambiar a Red y crear tarea en Notion para intervención inmediata.

Notion como capa de inteligencia: convertir data en decisiones

Airtable te proporciona los números, mientras que Notion te da el contexto para actuar. Aquí es donde documentas la historia completa de cada persona y planificas intervenciones específicas.

Estructura de páginas en Notion:

Database principal: People Profiles

Cada persona tiene una página con:

Sección 1: Current State

• Linked database view desde Airtable (usando integración nativa) mostrando su Risk Score actual.
• Timeline visual de señales de los últimos 90 días.
• Status: Green/Yellow/Orange/Red (sincronizado desde Airtable).

Sección 2: 1:1 Archive

• Sub-página por cada 1:1 con estructura:
  • Mood check (emoji + breve nota).
  • Key topics discussed.
  • Concerns raised (tagged).
  • Action items agreed.
  • Energy level (1-5).
  • Manager observations (privado).

Sección 3: Growth & Challenges

• Current projects con nivel de challenge (1-5).
• Skills they want to develop (lista).
• Learning investments made (cursos, conferencias pagadas).
• Mentorship relationships (quién les mentorea, a quién mentorea).

Sección 4: Intervention Log

• Cuando el Risk Score sube, documentas aquí:
  • Signals detected (bullets con links a registros de Airtable).
  • Hypothesis about cause.
  • Intervention planned.
  • Date executed.
  • Outcome observed.

Sección 5: Retention Lever Inventory

Esto es clave. Para cada persona, documenta qué palancas funcionan:

• Compensation: ¿Les importa? ¿Cuánto?
• Equity upside: ¿Entienden el valor? ¿Lo priorizan?
• Technical growth: ¿Qué específicamente les motiva aprender?
• Impact visibility: ¿Necesitan reconocimiento público o privado?
• Autonomy: ¿Prosperan con libertad o necesitan estructura?
• Team dynamics: ¿Con quién trabajan mejor?

Database secundario: Retention Playbooks

Crea playbooks por escenario:

Playbook: "Senior Engineer mostrando señales técnicas de desconexión"

• Signals pattern: Commit velocity -35%, PR comments -50%, 1:1 depth descendiendo.
• Causas comunes: Aburrimiento técnico, falta de desafío, oportunidades externas.
• Actions:
  1. 1:1 profundo: "He notado que estás menos activo en code reviews. ¿Qué está pasando?"
  2. Pitch de proyecto nuevo y desafiante (tener 2-3 en el banco siempre).
  3. Ofrecer tiempo para side project interno (20% time).
  4. Conectar con mentor externo si buscan growth fuera del scope actual.
• Timeline: Actuar dentro de 5 días de detectar patrón.

Playbook: "ML Researcher mostrando señales de LinkedIn activity"

• Pattern: Perfil actualizado + asistencia a conferencias + menos iniciativa interna.
• Causas: Están siendo reclutados activamente, evaluando opciones.
• Actions:
  1. No confrontar directo (se cierran).
  2. Crear oportunidad para que hablen: "¿Cómo ves tu carrera en los próximos 2 años?"
  3. Mostrar roadmap técnico de la empresa, destacando su rol crítico.
  4. Acelerar equity cliff si están cerca (adelantar vesting).
  5. Proponer research paper collaboration con su nombre como primer autor.
• Timeline: Actuar dentro de 3 días, probablemente ya están en late stages.

El workflow semanal: convirtiendo el sistema en hábito

Un sistema solo funciona si lo usas consistentemente. Este es el ritual que realmente hace la diferencia:

Lunes 9:00 AM - Review de Risk Scores (15 min)

• Abre vista filtrada en Airtable: Risk Score > 50.
• Revisa quién subió esta semana y por qué (señales específicas).
• Anota en Notion quién necesita check-in esta semana.

Miércoles - Data Capture (30 min)

• Actualiza Technical Signals con data de la última semana (automatiza lo posible vía API).
• GitHub commits: usa GitHub CLI + script Python que escribe directo a Airtable.
• Slack response time: Slack Analytics o script custom.
• PR activity: GitHub API también.

Viernes post-1:1s - Qualitative Update (20 min)

• Después de cada 1:1, actualiza la página de Notion de esa persona inmediatamente.
• Resume sentiment, concerns, energy.
• Si detectaste algo fuera de lo normal, crea entrada en Intervention Log.
• Actualiza Qualitative Signals en Airtable con sentiment score.

Mensual - Retention Lever Review (1 hora)

• Revisa Retention Lever Inventory de cada persona.
• Pregúntate: ¿Cambió algo? ¿Descubrí nueva palanca?
• Actualiza playbooks si encontraste un nuevo patrón.

Cuando las señales se vuelven rojas: el protocolo de intervención

Has detectado a tiempo. Ahora, ¿qué haces específicamente?

Fase 1: Confirmation (primeras 48 horas) No actúes solo con data. Confirma tu hipótesis:

• 1:1 casual pero directo: "He notado X y Y. ¿Todo bien?"
• Escucha sin defender ni justificar.
• Toma notas detalladas en Notion, incluyendo citas textuales.

Fase 2: Root Cause (días 3-7) Investiga más profundo si confirman que algo está mal:

• "¿Qué tendría que pasar para que esto mejore?"
• "Si tuvieras una varita mágica, ¿qué cambiarías?"
• Busca si es situacional (proyecto actual) o estructural (rol, equipo, empresa).

Fase 3: Custom Intervention (días 8-14) Basado en Retention Levers de esa persona, diseña un plan específico:

• Si es growth: proyecto nuevo o role expansion.
• Si es reconocimiento: visibility con founders, public win.
• Si es compensación: equity acceleration o off-cycle raise.
• Si es team: cambio de squad o reporting line.

Fase 4: Follow-through (día 15-90) El error fatal es intervenir y olvidar:

• Check-in semanal los primeros 30 días.
• Mide si el Risk Score baja.
• Si no mejora en 30 días, la intervención no funcionó; necesitas otro enfoque.
• Documenta todo en Intervention Log.

Las métricas que realmente importan: qué tracked medir

Tu sistema solo vale lo que predice. Trackea esto mensualmente:

Leading indicators (predicción):

• % de personas con Risk Score > 60 que salieron en los siguientes 90 días (si funciona, debe ser ~70%+).
• Días promedio entre la primera señal roja y la intervención (target: < 7 días).
• % de intervenciones que bajaron Risk Score > 20 puntos en 30 días.

Lagging indicators (resultado):

• Voluntary turnover rate (especialmente en top performers).
• Time to detect (días entre fuga real y primera señal detectable retrospectivamente).
• Retention rate 12 meses post-intervención.

Si tu sistema detecta pero no intervienes, o intervienes tarde, o intervienes mal, ninguno de estos números mejorará. La detección temprana sin acción es solo ansiedad organizada.

Lo que este sistema no soluciona (y por qué importa saberlo)

Sé honesto contigo mismo: hay fugas que ningún sistema puede prevenir.

Si tu compensación está 40% debajo de mercado, si tu tech stack es legacy mientras la industria se movió, si tu cultura es tóxica, o si no hay un career path real, ningún dashboard te salvará. Este sistema detecta y te brinda tiempo para actuar. Pero solo funcionará si tienes algo que ofrecer cuando intervienes.

También hay personas que simplemente necesitan cambiar. Buscan algo que tu startup no puede darles hoy: más seniority, un expertise diferente, o trabajo remoto internacional.