Contratar un HR tech stack tradicional para un equipo de 12 personas puede costar entre $800 y $1,200 mensuales. Lever para ATS, Lattice para performance, BambooHR para onboarding y Rippling para nómina son herramientas excelentes, sin embargo, pueden resultar inadecuadas si tu equipo está distribuido entre tres continentes, trabaja en sprints de IA que cambian cada quince días, y vincular el desempeño individual con releases de modelos específicos es vital. La solución no está en agregar más SaaS: la clave es construir tu propio sistema sobre Notion.
No me refiero a usar Notion simplemente como un repositorio glorificado de políticas de RH. Estoy hablando de una arquitectura real: bases de datos relacionales, automatizaciones a través de la API, integraciones bidireccionales con tus repositorios de código, pipelines de feedback vinculados a métricas de modelos y un sistema de evaluación que entienda que la "contribución al equipo" en un laboratorio de IA no significa lo mismo que en una empresa tradicional. Esto es lo que hemos aprendido al implementarlo en tres startups durante los últimos 18 meses.
Por qué el HR tradicional no funciona para equipos de IA
Las herramientas convencionales de gestión del talento están diseñadas para organizaciones con roles estables y métricas predecibles. Por ejemplo, un vendedor tiene una cuota, un product manager tiene features shipped y un customer success tiene su NPS. Pero, ¿cómo evalúas a un research scientist cuyo trabajo durante seis meses fue explorar una arquitectura que finalmente descartaste? ¿Cómo mides la contribución de alguien que mejoró el training pipeline y redujo costos de compute en un 40%, pero no "entregó" ningún modelo?
El problema va más allá de las métricas. Los ciclos de desarrollo en IA son clave y fundamentalmente diferentes. Un equipo puede pivotar de fine-tuning a RAG en solo dos semanas. Además, los roles se superponen: un ML engineer puede estar haciendo data engineering el lunes, ajustando hiperparámetros el miércoles y escribiendo documentación técnica el viernes. Así, los objetivos trimestrales pierden sentido, especialmente cuando un paper de arXiv puede invalidar tres meses de trabajo en una sola tarde.
Las startups de IA que escalan exitosamente construyen sus propios sistemas, no porque sea trendy, sino porque necesitan vincular la gestión del talento con realidades técnicas específicas: sprints de experimentos, métricas de modelos, costos de inferencia y deuda técnica en datasets. Notion permite todo esto sin que tengas que convertirte en un desarrollador full-time de herramientas internas.
La arquitectura base: cinco bases de datos relacionales
El núcleo del sistema está compuesto por cinco bases de datos en Notion, todas interconectadas mediante relaciones bidireccionales. Esta no es una configuración casual: es el mínimo viable para tener visibilidad real sobre tu equipo.
People Database: Este es el centro del sistema. Cada persona es una página con propiedades estructuradas: rol actual (con historial mediante relación a otra base de datos), fecha de inicio, nivel (desde IC1 hasta Staff/Principal), stack técnico (multi-select actualizado mensualmente), ubicación, timezone y manager directo. Lo crítico aquí son los campos calculados: tenure automático, tiempo desde última promoción y distribución de tiempo entre proyectos (mediante rollup de otra base de datos).
Projects & Experiments Database: Aquí vive todo el trabajo técnico. Cada proyecto es una página vinculada a personas involucradas (con porcentaje de tiempo asignado), repositorios de GitHub (mediante API), métricas objetivo (accuracy, latency y cost per inference), status actual, fecha de kickoff y deadline. Los sprints de IA son proyectos con duración fija de 2-3 semanas. Aunque esta base de datos se integra con Linear o Jira mediante Zapier, el source of truth vive en Notion.
Reviews & Feedback Database: Se realizan evaluaciones formales cada seis meses, pero también se incluye el feedback ad-hoc vinculado a proyectos específicos. Cada review tiene relaciones a la persona evaluada, el evaluador, proyectos completados en el período, competencias técnicas evaluadas (con escala del 1 al 5) y áreas de desarrollo identificadas. Lo valioso aquí es poder filtrar: "todos los reviews de ML engineers en los últimos 12 meses donde 'comunicación técnica' puntuó bajo de 3".
Skills Matrix Database: Este es el inventario técnico de tu equipo. Cada skill es una página (PyTorch, Kubernetes, Transformer architectures, RAG systems) con nivel de dominio por persona. Esto no se autorreporta: se actualiza durante las reviews formales y se valida con contribuciones reales a proyectos. Permite responder preguntas como: "¿quién puede revisar un PR de optimization de CUDA?" o "¿tenemos coverage interno para fine-tuning de Llama?".
Career Progression Database: Aquí se establece la matriz de niveles y expectativas. Define lo que significa ser IC2, IC3, Senior o Staff en tu startup específica. Incluye responsabilidades técnicas, scope de impacto, autonomía esperada y habilidades de mentorship. Cada persona en la People Database tiene una relación a su nivel actual aquí, y puedes comparar perfiles actuales versus requisitos del siguiente nivel.
Automatizaciones que convierten datos en decisiones
Las bases de datos son infraestructura fundamental. Sin embargo, el verdadero valor surge cuando automatizas flujos que serían imposibles en herramientas tradicionales.
Sync automático con GitHub: A través de la API de Notion y webhooks de GitHub, cada PR merged actualiza automáticamente la contribución de código del autor en su página de People. Usamos GitHub Actions para extraer datos como líneas de código (que son irrelevantes como métrica absoluta, pero útiles para detectar anomalías), número de PRs revisados, tiempo promedio de review y archivos modificados. Esto alimenta conversaciones de performance con datos objetivos: "En los últimos tres meses, has estado principalmente en infraestructura, pero tu plan de carrera apunta a arquitectura. ¿Necesitas más proyectos core de modelos?"
Dashboard de distribución de talento: Un rollup en la database de Projects muestra en tiempo real qué porcentaje de tu team está en research, producción o infraestructura, cuántas personas están overallocated (más del 100% de tiempo asignado) y qué proyectos tienen dependencia en una sola persona (bus factor = 1). Esto es crítico para startups de IA donde es fácil que todos quieran trabajar en "el modelo nuevo" y nadie en "mantener el pipeline de datos".
Alertas de riesgo de rotación: A través de fórmulas en Notion, calculamos un "engagement score" básico que considera días desde la última 1-on-1 con el manager, tiempo desde el último feedback positivo documentado, si la persona ha expresado interés en un cambio de rol (un campo booleano que los managers actualizan) y si lleva más de 18 meses sin promoción ni cambio significativo de responsabilidades. Cuando este score cruza un umbral, se crea automáticamente una task en la database del manager.
Reportes de calibración para reviews: Antes de cada ciclo de evaluación, generamos vistas filtradas en Notion que muestran la distribución de ratings del período anterior. Esto evita que cada manager calibre en su burbuja. Puedes ver: "En el último ciclo, el 60% del equipo de ML fue rated 'exceeds expectations'. ¿Es realista? ¿O estamos inflando ratings?" En mi experiencia, las startups de IA tienden a sobrevalorar contribuciones técnicas puras y subvalorar el trabajo que no shipea modelos pero mantiene la operación.
Integraciones críticas que cierran el loop
Utilizar Notion como un sistema aislado es como tener una wiki cara. El verdadero poder emerge de conectarlo con tus herramientas de trabajo real.
Slack + Notion API para 1-on-1s estructurados: Hemos construido un bot de Slack (con 200 líneas de Python, hospedado en Cloud Run por $3 al mes) que semanalmente envía a cada par manager-report un thread privado con un template para 1-on-1. Las notas se archivan directamente en la página de la persona en People Database. Esto resuelve el problema de los "managers que no documentan conversaciones" sin imponerles herramientas nuevas. La data en Notion permite búsquedas como: "¿cuándo fue la última vez que discutimos la progresión de carrera con Ana?"
Linear/Jira → Notion para vincular delivery con performance: Mediante Zapier, aunque es un anti-pattern usar no-code para esto, cada issue cerrado en Linear actualiza un campo en Projects Database. Esto permite evaluar no solo "shipped features" sino también contexto: ¿Cuántos issues fueron bug fixes versus features? ¿Cuánto tiempo se dedicó a tech debt? En equipos de IA, cerrar 50 issues de "ajustar threshold de clasificación" es cualitativamente diferente a cerrar 5 issues de "implementar nueva arquitectura de retrieval".
Google Calendar API para balance de tiempo: Integramos los calendarios del equipo (con su consentimiento explícito) para extraer metadata: horas en reuniones versus deep work y distribución entre meetings 1-on-1, all-hands y externas. Esto alimenta conversaciones de productividad: "Estás en reuniones más de 25 horas semanales. ¿Es sostenible para un rol IC? ¿Deberíamos repensar tus responsabilidades?" Para roles investigativos, un alto porcentaje de tiempo en el calendario suele correlacionar con bajo output técnico.
Notion → Data warehouse para analytics avanzado: Si tu startup ya tiene un data warehouse (como BigQuery o Snowflake), usa la API de Notion para exportar snapshots semanales de tus bases de datos. Esto permite realizar análisis que Notion no soporta nativamente, como cohort analysis ("¿cuánto tarda en promedio alguien en ir de IC2 a IC3?"), retention modeling ("¿qué factores predicen rotación?") y sentiment analysis sobre notas de 1-on-1s (con LLMs, obvio). Una startup de 30 personas no necesita esto; una de 100+ sí.
El sistema de evaluación que refleja trabajo de IA real
Los performance reviews tradicionales suelen preguntar: "¿Cumpliste tus objetivos trimestrales?" En IA, la pregunta más relevante es: "¿Tomaste decisiones técnicas adecuadas dado el contexto de información disponible, incluso si el resultado final no fue el esperado?"
Nuestro framework en Notion evalúa cinco dimensiones, cada una respaldada por evidencia específica de Projects Database:
Technical execution: No se trata solo de "líneas de código" o "modelos shipped". La evaluación considera: ¿Identificaste el enfoque correcto para el problema? ¿Tu código es mantenible? ¿Documentaste decisiones de diseño? ¿Detectaste y comunicarse blockers de forma temprana? La evidencia proviene de PRs específicos, design docs escritos y post-mortems de experimentos fallidos.
Impact scope: ¿Tu trabajo afectó solo tu proyecto (IC2), múltiples proyectos (IC3), la dirección técnica del equipo (Senior) o la estrategia de producto (Staff)? En startups de IA, alguien que optimiza el training pipeline y reduce costos en un 40% tiene un impacto mayor que alguien que añade tres features a un modelo. El sistema en Notion vincula cada proyecto a "áreas de impacto" predefinidas: costo, latencia, precisión, experiencia del desarrollador y experiencia del usuario.
Collaboration & knowledge sharing: ¿Cuántos PRs revisaste? ¿Escribiste documentación técnica que otros utilizan? ¿Mentoreaste a alguien junior? Esto se extrae parcialmente de GitHub (número de PRs revisados) y parcialmente de feedback cualitativo en Reviews Database. Esto es crítico en equipos de IA donde el conocimiento acumulado puede frenar la velocidad del equipo completo.
Judgment & decision-making: Es la dimensión más complicada de medir pero más crucial en IA. ¿Propusiste usar RAG cuando el fine-tuning hubiera sido excesivo? ¿Identificaste que el problema era la calidad de los datos y no la arquitectura del modelo? Esto se evalúa en retrospectiva: documentamos en Projects Database la decisión inicial, el resultado real y si la lógica fue sólida. Alguien que propuso un enfoque que no funcionó, pero con razonamiento sólido, tiene mejor puntuación que alguien que acertó por suerte.
Autonomy & ownership: ¿Necesitas dirección constante (IC1), trabajas de forma independiente en un scope definido (IC3), defines tu propio scope (Senior) o identificas gaps en la estrategia del equipo sin que nadie te lo pida (Staff)? Esto se infiere de patrones en las notas de 1-on-1: si cada semana tu manager está redireccionando tu trabajo, no estás operando al nivel que tu título sugiere.
Cada dimensión se evalúa en una escala del 1 al 5, pero los números son secundarios. Lo más valioso es la discusión estructurada que Notion facilita: el manager pre-llena evidencia de Projects Database, el report agrega su perspectiva y la conversación de review se centra en las brechas entre expectativas y realidad.
Lo que aprendimos implementando esto en producción
Primera lección: La configuración inicial requiere entre 20 y 30 horas de trabajo de alguien técnico que entienda tanto Notion como las operaciones de tu startup. No es un proceso plug-and-play. Presupuesta este tiempo o fracasarás en la implementación. Nos dimos cuenta de que involucrar a un IC senior en el diseño (no solo al HR lead) es crítico: ellos comprenden qué datos realmente importan y cuáles son solo teatro.
Segunda lección: Las automatizaciones complejas tienden a romperse con frecuencia. La API de Notion es lo suficientemente sólida para producción, pero no es tan confiable como Stripe. Por eso, planifica un mantenimiento mensual. Algunas lecciones que aprendimos a la fuerza incluyen siempre validar que las propiedades relacionales existan antes de crear nuevas páginas, o tu script fallará silenciosamente.