Entrevista de Salida con IA: Cómo la Inteligencia Artificial Supera al HR Tradicional [Guía 2026]

El "Silver Tsunami" está aquí. Cada día, 10.000 Baby Boomers alcanzan la edad de jubilación. Pero cuando salen por la puerta, no solo se llevan su taza de café; se llevan décadas de conocimiento tácito no escrito que mantiene tu empresa funcionando.

En la empresa moderna enfrentamos una paradoja: tenemos más herramientas de documentación que nunca — wikis, Notion, SharePoint, grabadores de pantalla — y sin embargo perdemos inteligencia operativa crítica a un ritmo récord. El problema no es la falta de herramientas. El problema es que intentamos resolver un problema de conocimiento con procesos de RRHH. La tradicional entrevista de salida (también llamada entrevista de salida laboral) fue diseñada para capturar sentimiento ("¿por qué te vas?", "¿te gustó tu jefe?"). Nunca fue diseñada para capturar cómo se hacía realmente el trabajo.

Esta guía explora por qué las entrevistas de salida tradicionales fallan en dos frentes al mismo tiempo — datos honestos de sentimiento Y transferencia de conocimiento institucional — y cómo una nueva generación de sistemas de entrevista de salida con IA (offboarding automatizado con inteligencia artificial) está resolviendo ambos problemas simultáneamente. Cubrimos la paradoja de Polanyi que explica por qué los grabadores de pantalla no funcionan, las razones respaldadas por investigación de que las entrevistas de salida de RRHH suprimen feedback honesto, la arquitectura de un agente de Indagación Activa IA como el KS-Agents Torch System, y el marco de cumplimiento RGPD + Ley de IA UE que necesitas antes de desplegar cualquier IA en RRHH. Incluimos además un ejemplo de entrevista de salida laboral, un modelo de entrevista de salida listo para usar, una encuesta de salida laboral descargable (también disponible como entrevista de salida pdf) y la conexión entre onboarding y offboarding dentro del ciclo de vida del empleado.

Para una comprensión básica del offboarding y de las preguntas entrevista de salida antes de profundizar en IA, consulta nuestra guía completa (próximamente en ES) o la versión inglesa del complete exit interview guide.

El Problema de Facturación Voluntaria de $1 Billón (y el Brain Drain Oculto de $2M)

Gallup estima que las dimisiones voluntarias cuestan a las empresas estadounidenses aproximadamente $1 billón al año. SHRM sitúa el coste de reemplazo por empleado entre el 50% y el 200% del salario anual. Para un ingeniero senior o una cuenta clave el coste visible ya es malo; el oculto es peor. La investigación muestra que el coste total de reemplazar a un empleado senior varía entre medio y cuatro veces su salario anual. Para un ejecutivo C-level, la cifra sube al 213%.

¿Por qué? Por la Brecha de Ramp-Up de Productividad. Un nuevo hire no empieza al 100%. Los datos sugieren que en su primer mes, un reemplazo opera apenas al 25% de productividad. Toma de 1 a 2 años para que una persona nueva alcance el nivel de "Maestría" del experto saliente.

Durante esa brecha, tu organización sangra dinero a través de:

• El "Bus Factor": procesos que dejan de funcionar porque "solo Sara sabía arreglar el servidor".
• Fragilidad operativa: incapacidad para manejar casos excepcionales porque el playbook vivía en la cabeza de alguien.
• Relaciones perdidas: clientes que se van porque el nuevo gestor no conoce sus preferencias específicas, el historial de escalaciones o los acuerdos de palabra fuera de contrato.
• Decay en calidad de decisiones: la nueva persona comete los mismos errores que la anterior ya había aprendido — porque la lección nunca se capturó.

Entre las principales causas de rotacion de personal (también buscado como motivos de rotacion de personal) están la gestión directa, falta de growth path, compensación percibida como injusta y desalineamiento cultural. El Work Institute 2025 concluye que el 75% de las salidas voluntarias son prevenibles — pero la prevenibilidad requiere datos honestos, y ahí es exactamente donde fallan las entrevistas de salida tradicionales.

Por Qué Fallan las Entrevistas de Salida Tradicionales (Dos Fallos a la Vez)

Fallo 1: los datos de sentimiento están filtrados por el sesgo de RRHH

Aproximadamente el 70-80% de todas las entrevistas de salida se siguen haciendo internamente por personal de RRHH. Los empleados salientes saben que el mismo departamento que les pregunta por qué se van controla su expediente laboral, sus referencias y cualquier documentación de indemnización futura. Incluso con las mejores garantías de confidencialidad, el sesgo de deseabilidad social entra en juego: la gente recurre a respuestas seguras.

Cuando las mismas preguntas se hacen a un tercero objetivo — o a una IA conversacional bien diseñada con anonimato documentado — el porcentaje de empleados que comparten razones accionables para irse (jefes específicos, procesos rotos, promesas rotas) aumenta drásticamente. La lección de una década de investigación en RRHH: la independencia importa más que la promesa de anonimato.

Fallo 2: el conocimiento institucional nunca se captura

Incluso si los datos de sentimiento fueran perfectos, las entrevistas de salida tradicionales no siquiera intentan capturar la segunda categoría: cómo el empleado saliente realmente hacía su trabajo. Las preguntas se centran en sentimientos y razones, no en operaciones. El resultado es que los 8 años de intuición de debugging acumulada de un ingeniero senior, las relaciones con proveedores, los casos excepcionales no documentados y el conocimiento tribal salen por la puerta sin capturarse.

Muchas empresas intentan resolverlo con "Generadores de SOPs" — herramientas que graban la pantalla del empleado y generan una guía paso a paso ("Haz clic aquí, luego escribe esto"). Estas herramientas son útiles para tareas simples pero fallan catastróficamente para roles complejos. El fallo tiene nombre: la Paradoja de Polanyi.

La Paradoja de Polanyi: Por Qué los Grabadores de Pantalla No Bastan

Michael Polanyi, el filósofo húngaro-británico, observó famosamente: "Sabemos más de lo que podemos decir." La mayoría de la expertise es tácita — incrustada en reconocimiento de patrones, juicios y intuición que el experto puede desplegar automáticamente pero no puede articular sin interrogatorio activo.

La distinción es crítica para las entrevistas de salida:

Conocimiento Explícito (el "Qué"):

• Lo que capturan los grabadores de pantalla: "Abre Excel. Ordena por Columna B. Envía un email a Mario."
• El Valor: Bajo. Cualquiera puede descifrarlo.

Conocimiento Tácito (el "Por Qué" y el "Cómo"):

• Lo que se pierde: "¿Por qué escribiste a Mario y no a Luigi?"
• La respuesta del experto: "Porque Mario aprueba al instante, mientras Luigi tarda 3 días y bloquea la cadena de suministro. Además, solo ordeno por Columna B si la fecha es después del día 15, si no la regla de redondeo cambia."

Un grabador de pantalla captura los clics. Pierde la sabiduría. Pierde el framework de toma de decisiones que previene desastres. Lo mismo ocurre con las plantillas genéricas de entrevista de salida de RRHH: capturan la razón de la dimisión pero pierden la inteligencia operativa que tardó años en construirse.

El Torch System: De Grabación Pasiva a Indagación Activa

En KS-Agents construimos el Torch System para resolver ambos fallos a la vez: extraer datos honestos de sentimiento Y preservar conocimiento institucional. A diferencia de las entrevistas de salida de RRHH tradicionales que se centran en sentimiento, nuestras Entrevistas de Extracción de Conocimiento combinan ambos — ejecutando el bloque de sentimiento vía conversación IA anónima (para honestidad), y el bloque operativo vía indagación activa (para captura de conocimiento).

1. El trigger: identificar los "Gurús Ocultos"

No esperamos la carta de dimisión. La Campaña de Mapeo de Conocimiento permite a managers y pares "reclamar" habilidades para sí mismos o para otros ("Mario sabe la API Legacy"; "Sara es la única que puede debuggear la cola de pagos"). Un mecanismo de validación por pares verifica quién realmente posee el conocimiento. Cuando una competencia se valida como crítica y de propiedad única, dispara una Entrevista de Extracción de Conocimiento — independientemente de si la persona ha dimitido. El conocimiento más caro de perder es el que no sabías que dependías de él hasta que ya se ha ido.

2. La entrevista: Indagación Activa, no un formulario

El empleado recibe un enlace para chatear con el Agente IA. No es un cuestionario de salida estático. Es una conversación adaptativa:

• El Agente actúa como un ingeniero junior curioso que se une al equipo.
• Si el experto dice "solo reviso los logs", el Agente pregunta: "¿Qué logs específicos? ¿Los del servidor o los de la aplicación? ¿Qué patrones de error buscas primero? ¿Cuál es el umbral que significa que es un incidente real vs ruido?"
• Empuja más allá de la superficie para capturar las reglas implícitas, excepciones y criterios de decisión.
• Para preguntas de sentimiento, sigue el mismo patrón de sondeo: cuando el empleado dice "tenía un gran jefe", el Agente pregunta "¿Cuál fue un momento específico en que tu jefe manejó bien una situación difícil — y uno en que no?".

3. El pipeline de procesamiento: orden desde el caos

El habla humana es desordenada. La gente divaga, salta de tema, se contradice, luego vuelve. Una transcripción simple es inútil para un nuevo hire. KS-Agents usa un Pipeline IA de 3 Fases:

• Fase 0 — Agente de Reordenamiento y Limpieza: toma la conversación cruda y desordenada y la reensambla en un flujo lógico cronológico lineal. Arregla la terminología ("el chico de IT" → "IT Support Lead, Marco Bianchi").
• Fase 1 — Agente de Extracción: mina el texto limpio para datos estructurados — pasos del proceso, herramientas requeridas (con versiones específicas y niveles de acceso), contactos (a quién llamar cuando X se rompe), y principios operativos ("Gold Rules" como "NUNCA reinicies la base de datos los viernes").
• Fase 2 — Agente de Validación: asigna un "Completeness Score". Si falta información crítica (un procedimiento de contraseña ausente, un contacto no especificado, un paso que hace referencia a "el flujo habitual" sin definirlo), el Agente marca el proceso para seguimiento antes de que el empleado se vaya.

El Resultado: un "Corporate Brain" que Nunca se Jubila

El resultado final no es solo un documento. Es un Knowledge Asset, vectorizado en una Base de Conocimiento Unificada buscable. En lugar de leer un manual de 50 páginas, el nuevo hire puede simplemente preguntar al sistema: "¿Cómo manejo el reporting de fin de mes para el Cliente X?"

El sistema recupera el "Cómo" específico extraído del experto anterior, combinado con el "Por Qué" y el "Quién". Efectivamente clona la capacidad operativa del experto, permitiendo al nuevo hire saltarse la "fase de lucha" y moverse directo a competencia. Combinado con los datos de sentimiento capturados en la misma sesión, RRHH también obtiene la respuesta honesta a "qué habría cambiado tu decisión" — cerrando el loop de retención en el mismo evento de salida.

Entrevista de Salida IA vs RRHH Tradicional: Comparación Side-by-Side

RGPD y Ley de IA UE: Qué Necesitas Antes de Desplegar IA en Entrevistas de Salida

Las entrevistas de salida realizadas por IA caen bajo múltiples regímenes regulatorios en la Unión Europea. El cumplimiento no es opcional y es significativamente más estricto que para las entrevistas de salida tradicionales. Tres marcos aplican en paralelo:

• RGPD (Reglamento 2016/679): las respuestas de la entrevista de salida son datos personales tanto del empleado saliente como de cualquier colega mencionado. La base jurídica debe documentarse (típicamente interés legítimo, con aviso explícito). Aplica la minimización de datos — recoger solo lo necesario para el propósito documentado. Las políticas de retención deben definirse y aplicarse. El empleado retiene derechos de acceso, rectificación y supresión.
• Ley de IA UE (umbrales de alto riesgo vigentes desde el 2 de agosto de 2026): los sistemas IA que "evalúan personas físicas en contextos laborales" califican como sistemas IA de alto riesgo cuando su output influye en decisiones de personal, referencias o cambios organizacionales. Esto activa la Evaluación de Impacto en Derechos Fundamentales (FRIA) bajo el Artículo 27 más el DPIA bajo el Artículo 35 del RGPD. Documentación, transparencia, supervisión human-in-the-loop y evaluación de conformidad son todas requeridas.
• Leyes de representación laboral: en Alemania, Francia, Italia, Austria y varias otras jurisdicciones UE, los sistemas de RRHH impulsados por IA requieren codeterminación con comités de empresa. Desplegar una plataforma de entrevista de salida IA sin esta consulta puede crear una exposición legal inmediata independientemente del estado de cumplimiento de la Ley de IA.

Las sanciones importan. Las multas de la Ley de IA alcanzan el 7% de la facturación global para violaciones prohibidas y el 3% para incumplimiento de alto riesgo — ambos superiores al máximo del 4% del RGPD. Para una empresa que factura €100M, una sola violación de alto riesgo podría costar €3M.

Checklist práctica de cumplimiento para plataformas IA de entrevista de salida:

1. Verifica residencia de datos UE — datos almacenados y procesados en data centers UE, no transferidos a proveedores US bajo SCCs.
2. Exige la FRIA y el DPIA documentados de la plataforma antes de firmar.
3. Confirma que la plataforma soporta el derecho a explicación — el empleado puede solicitar por qué se generó una recomendación específica.
4. Asegura que los umbrales de agregación previenen la re-identificación (mínimo 3+ evaluadores por cohorte).
5. Configura supervisión human-in-the-loop — ningún output generado por IA llega a una decisión de personal sin revisión humana documentada.
6. Consulta comités de empresa donde aplique, antes del rollout.

Dónde las Entrevistas de Salida IA Todavía Fallan (y Cómo Mitigar)

La honestidad sobre los límites importa. Las entrevistas de salida IA no son una solución mágica; tienen modos de fallo que necesitan mitigación consciente.

• Sesgo algorítmico heredado de datos de entrenamiento: si el modelo de lenguaje subyacente fue entrenado con datos sesgados, las preguntas que hace (y los temas que hace emerger) pueden arrastrar ese sesgo. Mitigación: usa modelos con auditorías de sesgo documentadas, ejecuta tests contrafactuales periódicos y mantén revisión humana de la agregación de temas antes del reporting.
• Percepción de vigilancia: cuando los empleados ven "la IA analizó tus patrones de conversación", algunos lo interpretan como vigilancia. La transparencia sobre qué ve y qué no ve la IA no es negociable. La transcripción de la entrevista pertenece al empleado; los temas agregados pertenecen a la empresa.
• Alucinación en resúmenes generados: los modelos IA pueden producir con confianza resúmenes plausibles pero incorrectos de respuestas cualitativas. Mitigación: cada resumen de tema generado por IA debería ser revisable contra la transcripción subyacente por un revisor humano antes de compartirse con jefes o ejecutivos.
• Riesgo de sobre-extracción: un agente de Indagación Activa que presiona demasiado en cada respuesta vaga puede resultar adversarial. Mitigación: ajusta el límite de profundidad por pregunta, permite al empleado saltar, y dile explícitamente al empleado que puede declinar cualquier pregunta.
• Transferencia de conocimiento a un sucesor que aún no existe: si el rol se reestructura o elimina, el conocimiento capturado no tiene consumidor inmediato. Mitigación: almacena el Knowledge Asset en la base de conocimiento buscable de todas formas — hires futuros o equipos adyacentes lo descubrirán y usarán vía búsqueda.

Casos de Uso Reales: Cómo los Equipos Modernos Aplican la IA en Entrevistas de Salida

Caso 1: el ingeniero senior con 9 años de conocimiento tribal

Una empresa SaaS de 200 personas pierde a su ingeniera backend con más antigüedad. La entrevista de salida tradicional captura: "me voy a un Series B con más equity". La entrevista de salida IA captura: los mismos datos de sentimiento más un Knowledge Asset de 90 páginas que cubre casos excepcionales del sistema de pagos, rutas de escalación con proveedores, los 17 scripts de despliegue que existen solo en su máquina local y las tres "Gold Rules" que ha hecho cumplir durante años que nadie sabía que eran reglas. El Knowledge Asset es consultable por su sucesor desde el día uno y por el resto del equipo durante años.

Caso 2: el account manager senior con inteligencia de relaciones

Una responsable de customer success deja 6 años de contexto sobre las 10 cuentas enterprise top. La salida tradicional captura la razón de dimisión. La salida IA captura: historial de escalación a nivel de cuenta, compromisos de palabra fuera de contrato, las dinámicas políticas dentro de cada organización cliente, y las señales tempranas que había desarrollado para detectar riesgo de churn con 90 días de anticipación. El sucesor tiene un briefing estructurado desde el día uno en lugar del habitual período de 6 meses reconstruyendo relaciones.

Caso 3: el ejecutivo jubilándose con memoria de políticas

Un VP se jubila tras 22 años. La salida tradicional cubre planes de jubilación. La salida IA captura la razón detrás de 15 años de decisiones de política, los compromisos incorporados en la estructura organizativa actual, el contexto histórico de los contratos de proveedores actuales, y las relaciones con stakeholders jubilados que aún pueden ser contactados cuando un problema antiguo resurge. Esta es memoria institucional que se habría perdido el día que salió.

Caso 4: equipo multilingüe europeo mid-market

Una empresa europea de 400 personas procesa salidas en 5 idiomas. La entrevista de salida IA se ejecuta nativamente en cada idioma, produciendo temas agregados en inglés (o cualquier idioma de reporte elegido) para el equipo de liderazgo mientras preserva la granularidad en el idioma fuente para auditorías de cumplimiento. El coste por entrevista baja de €300+ (traductor + analista RRHH) a €5.

Cómo Elegir una Plataforma de Entrevista de Salida IA: Checklist de 7 Puntos

1. ¿Qué hace realmente la IA? ¿Solo entrevista conversacional? ¿Indagación Activa con follow-ups adaptativos? ¿Extracción de conocimiento con output estructurado? Los claims vagos "AI-powered" suelen significar un wrapper de chatbot sobre un formulario estático.
2. ¿Cómo maneja la Paradoja de Polanyi? Exige ver un ejemplo de conversación real donde la IA sondea una respuesta vaga hasta convertirla en un artefacto operativo estructurado. Si la demo es solo una transcripción Q&A, no es Indagación Activa.
3. ¿Dónde se alojan los datos? Residencia UE para equipos europeos, con lista documentada de sub-procesadores. Las transferencias a proveedores US bajo SCCs son un riesgo de cumplimiento.
4. ¿Cuál es la historia de auditoría de sesgos y explicabilidad? FRIA documentado, tests periódicos de sesgo, capacidad de inspeccionar y anular agregaciones de temas generadas por IA.
5. ¿Cómo funciona la agregación? Umbral mínimo 3+ por cohorte, vistas configurables a nivel equipo vs jefe vs empresa, sin respuestas individuales llegando nunca a un jefe.
6. ¿Se integra con tu base de conocimiento? El Knowledge Asset capturado debería vivir en tu wiki/Notion/SharePoint existente, no en un silo de vendor.
7. ¿Cuál es el modelo de pricing? Pricing por entrevista escala de forma justa. Pricing por licencia castiga a las empresas por las salidas (incentivo perverso). Busca flat-rate o freemium con cumplimiento UE integrado.

Preguntas Frecuentes sobre Entrevistas de Salida IA

¿Qué es una entrevista de salida con IA?

Una entrevista de salida con IA (también escrita como entrevista de salida laboral con IA) es una entrevista conversacional realizada por un agente IA con un empleado saliente. A diferencia de una encuesta de salida online estática, la IA adapta las preguntas de follow-up basándose en las respuestas del empleado, sondeando en profundidad donde aparecen respuestas vagas y capturando datos estructurados tanto sobre sentimiento (por qué te vas) como sobre operaciones (cómo hacías realmente tu trabajo).

¿Son las entrevistas de salida IA más honestas que las realizadas por RRHH?

La investigación muestra consistentemente que sí — pero el mecanismo es la independencia, no el anonimato per se. Los empleados dan respuestas más honestas a entrevistadores percibidos como terceros que al personal interno de RRHH. Una entrevista de salida IA bien diseñada, con confidencialidad documentada y reglas de agregación comunicadas desde el principio, funciona de forma similar a una entrevista telefónica de terceros a una fracción del coste.

¿Pueden las entrevistas de salida IA reemplazar a RRHH por completo?

No. La IA maneja la capa de recopilación y síntesis de datos. Los humanos manejan la capa de juicio: qué temas requieren acción, qué patrones llegan a qué ejecutivo, qué salidas necesitan una llamada de seguimiento estructurada del Chief People Officer, qué casos requieren revisión legal. Tratar la IA como reemplazo del juicio humano es el fallo de implementación más común.

¿Son los datos de entrevista de salida IA admisibles en disputas legales?

En general sí, con los mismos estándares probatorios que cualquier documentación de RRHH. La clave es documentar la metodología (quién la realizó, qué se preguntó, cómo se almacenaron los datos, quién tenía acceso) — lo que en realidad es más fácil con IA que con entrevistas informales de RRHH. Algunas jurisdicciones requieren divulgaciones adicionales cuando se usa IA para recopilación de datos de RRHH; verifica la ley laboral local.

¿Cómo maneja una entrevista de salida IA revelaciones sensibles (acoso, discriminación)?

Las plataformas de entrevista de salida IA de mejor práctica incluyen un flujo de escalación estructurado: cuando la conversación hace emerger lenguaje que indica posible acoso, discriminación o exposición legal, la IA ofrece un opt-in explícito a un seguimiento humano con un investigador designado. El opt-in se documenta; la IA no activa unilateralmente una investigación. Esto preserva la agencia del empleado mientras crea una ruta de escalación defendible.

¿Cuánto dura una entrevista de salida IA?

30-45 minutos típicamente — comparable a una entrevista de alta calidad de RRHH o de terceros. La profundidad es mayor porque la IA no se cansa, no se apresura y adapta cada follow-up a la respuesta previa.

¿Qué pasa con el conocimiento capturado después de la entrevista?

En una arquitectura tipo Torch: el Knowledge Asset limpio y estructurado se vectoriza en la base de conocimiento existente de la empresa (wiki, Notion, SharePoint), se etiqueta por tema y contribuyente, y se hace buscable para empleados actuales y futuros. Los datos de sentimiento fluyen por separado al dashboard de analítica RRHH con safeguards de anonimato.

¿Pueden las entrevistas de salida IA hacerse en múltiples idiomas simultáneamente?

Sí — esta es una de las ventajas más fuertes sobre los formatos realizados por RRHH. Una plataforma de entrevista de salida IA multilingüe maneja salidas en 5+ idiomas nativamente, agrega temas en cualquier idioma de reporte elegido mientras preserva la granularidad del idioma fuente para auditorías de cumplimiento.

¿Es la Ley de IA UE un bloqueador para entrevistas de salida IA en Europa?

No, pero el cumplimiento es no trivial. Los sistemas IA de entrevista de salida que influyen en decisiones de personal son de alto riesgo bajo la Ley de IA y requieren FRIA documentado, DPIA, residencia de datos UE y supervisión human-in-the-loop. Elige un vendor con cumplimiento UE integrado, no atornillado.

¿Cuál es el ROI de cambiar de RRHH a entrevistas de salida IA?

Tres retornos medibles: (1) reducción de coste — de $200-400 por entrevista (tiempo RRHH) a $1-5 por entrevista a escala; (2) mejora de calidad de datos — las tasas de completion suben del ~70% al 90%+, con más temas accionables por entrevista; (3) preservación de conocimiento — por primera vez, cada salida deja atrás un Knowledge Asset estructurado, reduciendo el tiempo de ramp-up del sucesor de 6-12 meses a semanas.

Detén el Brain Drain: Tus Empleados Se Irán, Su Conocimiento No Tiene Que Irse con Ellos

El offboarding tradicional se centra en el pasado (por qué se fueron). KS-Agents se centra en el futuro (cómo seguir funcionando sin ellos). Las dos cosas no están en tensión — son la misma conversación, realizada de forma diferente. Una entrevista de salida con IA bien diseñada captura ambas: los datos honestos de sentimiento que tu estrategia de retención necesita, y el conocimiento operativo estructurado que tu sucesor necesitará desde el día uno.

KS-Agents 360 Unlimited Starter incluye el motor de entrevista de salida IA del Torch System junto con la plataforma de feedback 360° — gratis para siempre para equipos hasta 10 empleados, con residencia de datos UE, cumplimiento RGPD + Ley de IA documentado out-of-the-box, e integración directa con Notion, SharePoint y tu base de conocimiento existente. Empieza tu primera Campaña de Extracción de Conocimiento hoy →

Para exploración más profunda, lee nuestra guía (próximamente en ES) a la entrevista de salida completa, explora nuestra biblioteca de preguntas entrevista de salida y consulta nuestros análisis sobre el coste estratégico de la pérdida de conocimiento en rotación de personal y cómo frenar la fuga de cerebros mediante retención estructurada de conocimiento.

Referencias

• Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
• Gallup. (2025). State of the Global Workplace Report.
• SHRM. Making Exit Interviews Work.
• Harvard Business Review. (2016). Making Exit Interviews Count.
• Work Institute. (2025). Annual Retention Report.
• Unión Europea. (2025). Reglamento de Inteligencia Artificial (umbrales de alto riesgo vigentes 2 agosto 2026).
• Unión Europea. Reglamento General de Protección de Datos (RGPD).
• AIHR. Exit Interview Data Analysis: A 7-Step Process.