Modelo de Kirkpatrick: qué es, sus 4 niveles y cómo aplicarlo

¿Qué es el modelo de Kirkpatrick?

El modelo de Kirkpatrick es un marco para evaluar la eficacia de la formación en cuatro planos sucesivos: la reacción de los participantes, el aprendizaje que han adquirido, el comportamiento que muestran después en su puesto y los resultados que todo ello produce en el negocio. Lo formuló Donald Kirkpatrick en 1959 y sigue siendo, más de sesenta años después, el marco de evaluación más utilizado en formación corporativa.

Su utilidad real es más modesta y más valiosa de lo que suele contarse: no es una fórmula para calcular el retorno de la formación, sino un inventario de lo que se puede medir y de en qué momento se puede medir. Y su mayor aportación es casi un reproche: deja en evidencia a los departamentos de formación que solo miden el nivel 1 y concluyen a partir de ahí que el programa ha funcionado.

En esta guía verás de dónde sale el modelo, los cuatro niveles con el detalle de cuánto cuesta medir cada uno, qué dice la investigación sobre su punto débil —que lo tiene, y es importante—, qué cambió la revisión de 2016 y cómo aplicarlo sin acabar con un informe que nadie usa. Si lo que buscas es un panorama de todos los modelos de evaluación disponibles y cuál elegir, lo tienes en nuestra guía de evaluación de la capacitación.

De dónde sale el modelo y quién lo creó

Conocer el origen no es erudición: explica por qué el modelo tiene la forma que tiene y por qué arrastra el problema que arrastra.

Donald Kirkpatrick publicó en 1959 una serie de cuatro artículos —Techniques for Evaluating Training Programs— en el Journal of the American Society of Training Directors, la revista de la organización que hoy es ATD. Cada artículo desarrollaba uno de los cuatro planos. Tres décadas y media después los recogió y formalizó en el libro Evaluating Training Programs: The Four Levels (1994), que es la referencia que se cita habitualmente.

Hay dos detalles que casi nunca se mencionan y que conviene tener presentes:

• Kirkpatrick no los llamó «niveles», sino steps, pasos. La palabra «nivel» llegó después y no es inocente: sugiere una jerarquía ascendente que el modelo original no afirmaba con esa rotundidad y que es la fuente de buena parte de los malentendidos posteriores.
• La autoría está discutida. Se ha señalado que las cuatro preguntas provienen del trabajo de Raymond Katzell, a quien el propio Kirkpatrick cita en un artículo suyo de 1956 en esa misma revista. No es un hecho cerrado y hay interpretaciones distintas, pero merece constar: el marco más usado del sector tiene una atribución menos limpia de lo que su nombre sugiere.

Lo relevante para la práctica es que el modelo nació como una taxonomía descriptiva —una forma de ordenar qué cosas se pueden observar después de formar— y se ha usado durante décadas como si fuera un modelo explicativo que predice cómo una cosa lleva a la otra. No es lo mismo, y de ahí viene la crítica que verás más abajo.

Los 4 niveles del modelo de Kirkpatrick

Cada nivel responde a una pregunta distinta y se mide en un momento distinto. Esta es la vista de conjunto antes de entrar en el detalle.

Nivel 1: Reacción

Mide la percepción de los participantes: si el contenido les ha parecido relevante, si el formato les ha funcionado, si volverían a hacerlo. Se recoge con una encuesta breve al cierre.

Cómo se mide: encuesta de satisfacción, puntuación de relevancia percibida o un NPS formativo.
Cuánto cuesta: casi nada. Es el único nivel que se puede automatizar por completo.
El error típico: tratarlo como prueba de eficacia. Una puntuación alta indica que la experiencia fue agradable y que el programa tiene permiso para seguir existiendo. No indica que alguien haya aprendido. La revisión de 2016 afinó este nivel añadiendo dos preguntas más útiles que «¿te ha gustado?»: si el participante percibe el contenido como relevante para su trabajo y si ha estado realmente implicado durante la formación.

Nivel 2: Aprendizaje

Mide qué se ha adquirido de verdad: conocimientos, habilidades y, cuando aplica, cambios de actitud. La forma rigurosa de hacerlo es comparar una medición previa con otra posterior, porque sin la primera no se sabe cuánto de lo que alguien responde bien ya lo sabía antes de entrar.

Cómo se mide: prueba antes y después, ejercicios prácticos, resolución de casos o demostración de la habilidad.
Cuánto cuesta: moderado. El esfuerzo no está en pasar la prueba, sino en diseñarla bien.
El error típico: medir solo el recuerdo. Una pregunta de opción múltiple comprueba reconocimiento; pedir que se reconstruya el procedimiento o se resuelva un caso comprueba comprensión. La diferencia aparece justo cuando hay que aplicarlo. Aquí es donde la evaluación formativa aporta más, porque permite corregir las lagunas mientras el programa todavía está en marcha en vez de descubrirlas al final.

Nivel 3: Comportamiento

Mide si lo aprendido se está aplicando en el puesto. Es el nivel que de verdad importa, porque es donde se decide si la formación ha servido para algo, y es también donde fracasa la mayoría de las implantaciones del modelo.

Cómo se mide: observación en el puesto, revisión del trabajo, valoración del responsable directo, autoevaluación contrastada o indicadores operativos de proceso.
Cuánto cuesta: alto, y no por el instrumento sino por la organización. Exige haber definido el comportamiento esperado en términos observables, que alguien lo observe y que ese alguien sepa qué mirar.
El error típico: intentar medirlo sin haber definido antes qué se espera ver. «Aplicar el protocolo» no es observable; «registrar la incidencia con el código correcto en los dos primeros minutos» sí lo es. Las rúbricas de evaluación son la herramienta que hace este nivel reproducible, porque fijan criterios explícitos que dos observadores distintos puntúan igual.

Y un matiz que la revisión de 2016 puso en el centro: el comportamiento no se sostiene solo con formación. Si al volver al puesto nadie refuerza, nadie revisa y nada cambia en el entorno, el comportamiento revierte en semanas. No es un fallo del alumno ni del curso: es un fallo del sistema que rodea al curso.

Nivel 4: Resultados

Mide el impacto en el indicador de negocio al que apuntaba el programa: errores operativos, tiempos de proceso, ventas, calidad, rotación, siniestralidad.

Cómo se mide: comparando la evolución del KPI, idealmente con un grupo de comparación que no haya pasado por el programa.
Cuánto cuesta: alto, y el problema no es recoger el dato sino atribuirlo. En una empresa pasan muchas cosas a la vez, y un indicador que mejora después de una formación no mejora necesariamente por esa formación.
El error típico: decidir qué indicador mirar cuando el programa ya ha terminado. Si el KPI no estaba nombrado antes de empezar, el nivel 4 se convierte en una búsqueda de cifras que confirmen lo que ya se quería concluir.

El error de leer los niveles como una cadena causal

Esta es la parte que distingue a quien ha usado el modelo de quien solo lo ha leído. La lectura habitual es que los cuatro niveles forman una cadena: si la gente está satisfecha aprenderá, si aprende cambiará su comportamiento y si cambia su comportamiento mejorará el negocio. Suena razonable. La investigación no la respalda.

• Alliger y Janak (1989), en Personnel Psychology, revisaron el modelo treinta años después de su formulación y encontraron un apoyo empírico muy limitado a esos supuestos causales. En concreto: la reacción no predice el aprendizaje, y el aprendizaje no conduce automáticamente al cambio de comportamiento. Conviene decir también lo que sí concedieron, porque es justo: el modelo aporta un vocabulario común y una taxonomía razonable para hablar de criterios de evaluación.
• Alliger, Tannenbaum, Bennett, Traver y Shotland (1997) lo confirmaron en un meta-análisis posterior: ni correlaciones sustanciales entre las medidas de los distintos niveles, ni evidencia de la causalidad lineal que el modelo sugiere.
• Holton (1996), en Human Resource Development Quarterly, fue el más directo en el diagnóstico: lo que Kirkpatrick propuso es una taxonomía de resultados, no un modelo de evaluación. Un modelo de evaluación tendría que explicar qué variables median entre un nivel y el siguiente —la motivación del participante, las condiciones de transferencia, el entorno de trabajo, el apoyo del responsable— y el de Kirkpatrick no las contempla. También cuestionó que la reacción se trate como un resultado, dada su escasa correlación con el aprendizaje.
• Bates (2004) y Reio, Rocco, Smith y Chang (2017) han añadido la crítica práctica: el modelo, aplicado de forma literal, empuja a evaluar lo que es fácil de medir en lugar de lo que importa.

¿Significa esto que haya que descartarlo? No, y nadie serio lo propone. Significa usarlo para lo que sirve: como lista ordenada de lo que se puede observar. Lo que no se puede hacer es inferir hacia arriba. Un nivel 1 de 9 sobre 10 no autoriza a dar por bueno nada; una nota media excelente en el nivel 2 no permite afirmar que nadie ha cambiado su forma de trabajar. Si quieres saber qué pasa en el nivel 3, hay que ir a mirar al nivel 3.

Dicho de otro modo: el modelo te dice dónde mirar. No te ahorra tener que mirar.

El modelo Kirkpatrick del Nuevo Mundo (2016)

La respuesta a esas críticas llegó desde dentro de la propia familia. En 2016, James D. Kirkpatrick y Wendy Kayser Kirkpatrick publicaron la revisión conocida como New World Kirkpatrick Model, que no cambia los cuatro niveles pero sí dos cosas decisivas: qué se mide dentro de cada uno y en qué orden se usa el modelo.

El cambio de orden es el más importante y el más fácil de pasar por alto. En la versión clásica el modelo se usa al terminar, evaluando de abajo arriba. En la revisión se usa al empezar, diseñando de arriba abajo: primero se define qué resultado de negocio se busca, luego qué comportamientos lo producirían, después qué hay que saber para ejecutar esos comportamientos y, por último, cómo tiene que ser la experiencia formativa. Es la diferencia entre usar el modelo para redactar un informe y usarlo para diseñar el programa.

Cómo aplicar el modelo de Kirkpatrick paso a paso

La secuencia que funciona es la de la versión de 2016: empezar por el final. Estos son los cinco pasos, con lo que hay que tener resuelto en cada uno antes de pasar al siguiente.

Paso 1. Nombra el resultado de negocio

Antes de diseñar nada, escribe el indicador concreto que debería moverse y su valor actual. No «mejorar la atención al cliente», sino «reducir las reclamaciones escaladas a segundo nivel, hoy en el 18 %». Si no puedes nombrarlo, el nivel 4 no se podrá medir después, por mucho que se intente.

Paso 2. Define los comportamientos observables que lo producirían

Qué tendría que hacer distinto la gente para que ese indicador se moviera, descrito de forma que dos personas distintas puedan observar lo mismo y coincidir. Este paso es el que más se salta y el que más determina si el nivel 3 será medible.

Paso 3. Identifica qué hay que saber y qué hay que sostener

Dos preguntas, no una. Qué conocimientos y habilidades hacen falta para ejecutar esos comportamientos —eso es el contenido formativo— y qué tiene que cambiar en el entorno para que se sostengan: quién revisa, quién acompaña, qué se reconoce. Esos son los required drivers, y sin ellos el programa se evapora al mes.

Paso 4. Diseña la medición de los cuatro niveles antes de lanzar

Qué instrumento, quién lo aplica y en qué fecha, para cada nivel. Incluido el 3, que es el que nunca se planifica y por eso nunca se mide. Si en este punto no hay un nombre y una fecha para la observación en el puesto, ese nivel no va a existir.

Paso 5. Mide, interpreta por separado y decide

Recoge cada nivel en su momento y, sobre todo, no infieras de uno a otro. Interpreta cada uno por lo que es y cruza los resultados para localizar dónde se rompe la cadena. Si el 2 es alto y el 3 es bajo, el problema está en el entorno de trabajo, no en el curso. Si el 3 es alto y el 4 no se mueve, el comportamiento que elegiste no era el que movía el indicador. Esa capacidad de diagnóstico es la verdadera utilidad del modelo, y solo aparece si mides más de un nivel.

Qué nivel medir en cada tipo de programa

Medir los cuatro niveles en todos los programas es la forma más rápida de no medir bien ninguno. La regla práctica: llega hasta el nivel que puedas sostener con evidencia y para en el primero que no te dé una decisión. Esta tabla resuelve la mayoría de los casos.

Ejemplo completo de aplicación, de principio a fin

Una red de tiendas detecta que el 18 % de las reclamaciones se escala a segundo nivel cuando podría resolverse en tienda. Así se aplicaría el modelo completo, en el orden correcto:

• Resultado (nivel 4), definido antes de empezar: bajar del 18 % al 12 % de reclamaciones escaladas en seis meses. Indicador intermedio para no esperar medio año: porcentaje de reclamaciones cerradas en el primer contacto, revisado cada mes.
• Comportamientos (nivel 3), definidos en observable: identificar el motivo real en los dos primeros minutos, consultar el margen de resolución disponible y registrar el caso con el código correcto. Se observará mediante revisión de diez casos por tienda al mes, con una rúbrica común, a partir del día 30.
• Required drivers, sin los cuales nada de lo anterior se sostiene: una ayuda de trabajo de una página con los márgenes de resolución, cinco minutos de repaso en la reunión semanal de tienda y reconocimiento mensual al equipo con mejor resolución en primer contacto.
• Aprendizaje (nivel 2): prueba previa y posterior sobre los márgenes de resolución y tres casos prácticos con decisión. Se mide confianza, no solo acierto: «¿te ves capaz de resolverlo sin escalar?».
• Reacción (nivel 1): tres preguntas al cierre, centradas en relevancia percibida y no en satisfacción general.

Fíjate en lo que se ha diseñado primero y en lo que se ha diseñado al final. El curso es la última pieza, no la primera.

Un caso real de un nivel 4 que sí se movió. Clarel alineó más de 1.000 puntos de venta y más de 3.000 empleados en cultura y operativa casi en tiempo real. Los datos publicados permiten ver dos niveles distintos a la vez: un 84 % de participación en la formación —que es cobertura, no impacto— y un 90 % de aumento en la tasa de aciertos en producto, que sí es un indicador de negocio que se movió. La distinción entre esas dos cifras es exactamente de lo que trata este artículo. Ver el caso de éxito →

Errores habituales al aplicar el modelo de Kirkpatrick

Casi todos los problemas de implantación se repiten y casi todos se pueden anticipar.

• Quedarse en el nivel 1 y concluir a partir de ahí. Es el error más extendido y el que la investigación desautoriza con más claridad. Una encuesta de satisfacción alta no es evidencia de nada más que de una buena experiencia.
• Medir el nivel 3 sin haber definido el comportamiento. Si lo que se espera ver no está descrito en términos observables, la observación se convierte en opinión y cada responsable puntúa con un criterio distinto.
• Atribuir un resultado de negocio sin comparación. Que un KPI mejore después de una formación no significa que haya mejorado por ella. Sin grupo de comparación o sin serie histórica, es una correlación presentada como causa.
• Elegir el indicador cuando el programa ya ha terminado. Entonces no se mide: se buscan cifras que confirmen la conclusión deseada.
• Medir los cuatro niveles en todos los programas. El coste del nivel 3 es alto y el del 4 también. Aplicarlos a todo garantiza hacerlo mal en todo.
• Olvidar el entorno. Es la crítica de Holton llevada a la práctica: si nadie refuerza el comportamiento al volver al puesto, el programa no ha fallado por el diseño del curso.

El modelo de Kirkpatrick frente a otros modelos de evaluación

No es el único marco disponible, y conocer los demás ayuda a situar sus límites. El modelo ROI de Phillips lo extiende con un quinto nivel que convierte los beneficios del nivel 4 en valor monetario y lo compara con el coste del programa. El de Kaufman añade un nivel previo de inputs y procesos y amplía el de resultados al impacto en el cliente y la sociedad. Y hay varios más —CIRO, Anderson, Brinkerhoff, CIPP— con enfoques distintos según lo que se quiera averiguar.

Como punto de partida, Kirkpatrick sigue siendo la elección razonable para casi cualquier organización: es el más conocido, el más barato de implantar en sus primeros niveles y el que mejor funciona como vocabulario común entre L&D y dirección. Si quieres la comparativa completa de los siete modelos principales, con su nivel de complejidad y para qué tipo de organización encaja cada uno, está desarrollada en nuestra guía de evaluación de la capacitación. Y si tu contexto es formación online, aquí tienes cómo se concreta la evaluación en e-learning.

Cómo te ayuda isEazy LMS a aplicar el modelo

Una plataforma no evalúa por ti, pero sí determina cuánto trabajo manual exige cada nivel. Con isEazy LMS puedes automatizar la parte que es automatizable:

• Nivel 1: encuestas al cierre del curso, con resultados agregados por colectivo sin volcados manuales.
• Nivel 2: pruebas previas y posteriores, umbrales de superación, intentos y puntuaciones por módulo, con alertas cuando alguien no alcanza el umbral.
• Nivel 3: trazabilidad del progreso y de la actividad posterior al curso, informes por persona, departamento o centro que sirven de base a la observación, y segmentación para saber a quién hay que observar.
• Nivel 4: exportación de datos formativos para cruzarlos con los indicadores de negocio en el cuadro de mando de la organización.

Y conviene decir también lo que ninguna plataforma resuelve: el nivel 3 exige observación en el puesto de trabajo. El LMS te dice quién completó qué, con qué nota y en cuánto tiempo, y eso es imprescindible; pero si alguien aplica o no lo aprendido con un cliente delante, eso lo tiene que mirar una persona. Cualquier herramienta que prometa resolver el nivel 3 sin observación está midiendo otra cosa.

Si quieres ver cómo se recoge y se cruza todo eso en la práctica, puedes solicitar una demo de isEazy LMS.