La IA en selección de personal ha dejado de ser una promesa futura para convertirse en el presente de millones de procesos de contratación en todo el mundo. Cada vez más empresas delegan en algoritmos la primera —y a veces la única— criba de candidatos. Lo que antes era una conversación entre personas se ha convertido en un análisis de patrones, palabras clave y métricas de comportamiento. Y la mayoría de los candidatos ni siquiera lo saben.
El algoritmo que decide antes que el reclutador
Cuando envías tu currículum a una gran empresa, lo más probable es que ningún humano lo lea en primera instancia. Los sistemas ATS (Applicant Tracking Systems) llevan años filtrando CVs automáticamente. Pero lo que ha cambiado en los últimos años es mucho más profundo: ahora la IA no solo filtra documentos, sino que evalúa cómo hablas, cómo te mueves y cómo miras a una cámara.
Plataformas como HireVue, Pymetrics o Paradox han normalizado las entrevistas asistidas por inteligencia artificial. El candidato graba respuestas en vídeo —o las da en tiempo real— y el sistema analiza el tono de voz, el vocabulario empleado, las microexpresiones faciales y la cadencia del discurso. Todo eso se convierte en una puntuación.
Una puntuación que puede abrirte o cerrarte la puerta antes de que nadie te haya mirado a los ojos.
Cómo funciona la IA en selección de personal
El proceso varía según la herramienta, pero hay un esquema común. Primero, el sistema aprende a partir de datos históricos: qué perfiles han tenido éxito en esa empresa, qué características comparten los empleados que rinden mejor. Después, aplica ese modelo a los nuevos candidatos para predecir quién encajará.
Suena razonable. El problema es lo que hay dentro de ese modelo.
Si los empleados de alto rendimiento de una empresa han sido históricamente hombres, de una franja de edad concreta, con un determinado acento o estilo comunicativo, el algoritmo aprenderá a premiar esos rasgos aunque no tengan nada que ver con la competencia real para el puesto. No porque la máquina sea maliciosa, sino porque refleja exactamente lo que le enseñaron. Ya lo hemos visto antes: los sesgos humanos que trasladamos a los sistemas de IA acaban volviendo amplificados.
Amazon tuvo que abandonar un sistema de selección propio en 2018 precisamente por eso: el modelo penalizaba currículums que incluían la palabra «mujeres» o que procedían de universidades femeninas. Nadie lo programó así. Simplemente aprendió de los datos.
Lo que miden y lo que creen que miden
Algunos sistemas van más allá del currículum y la entrevista. Pymetrics, por ejemplo, usa juegos cognitivos y emocionales para evaluar rasgos de personalidad. La idea es que estos tests son más objetivos que una entrevista tradicional, donde el sesgo del entrevistador puede jugar un papel determinante.
¿Tienen razón? Tal vez en parte. Pero el debate sobre si un algoritmo puede medir la «idoneidad cultural» o el «potencial de liderazgo» de una persona a través de cómo reacciona ante un juego de ordenador sigue completamente abierto. Y la evidencia científica que respalda algunos de estos métodos es, siendo generosos, escasa y cuestionada por la propia comunidad investigadora.
El análisis de microexpresiones faciales, en concreto, es uno de los puntos más controvertidos. La premisa —que ciertas expresiones revelan estados emocionales universales— ha sido criticada duramente por psicólogos e investigadores. Lisa Feldman Barrett, una de las principales expertas en emociones, lleva años argumentando que no existe tal universalidad. Que una ceja levantada no significa lo mismo en todas las personas ni en todos los contextos.
Pero el algoritmo la puntúa igual.
La experiencia del candidato: invisible y juzgado
Imagina que llevas semanas buscando trabajo. Encuentras una oferta que parece ideal. Mandas tu candidatura. Días después recibes un enlace para hacer una «entrevista en vídeo asincrónica». Te conectas, una pantalla te da instrucciones, y durante veinte minutos respondes preguntas ante una cámara mientras sabes que, al otro lado, no hay nadie.
Esa experiencia ya la están viviendo millones de personas. Y genera una incomodidad muy particular: la sensación de ser evaluado sin poder establecer ningún vínculo humano. Sin poder aclarar una respuesta, sin leer el lenguaje corporal del entrevistador, sin la posibilidad de que alguien vea algo en ti que no estaba en el guion.
Además, muchos candidatos no saben que están siendo evaluados por una IA, ni qué criterios se están aplicando. La falta de transparencia no es un detalle menor: es un problema de poder. Uno de los lados de la ecuación tiene toda la información; el otro, ninguna.
¿Se puede preparar uno para una entrevista con IA?
La respuesta corta es: sí, pero con matices. Hay consejos que circulan por internet sobre cómo «optimizar» tu presencia ante estos sistemas: mirar a la cámara, hablar despacio, usar palabras clave del sector, evitar el lenguaje corporal nervioso. Incluso usar herramientas de IA para preparar tu candidatura se ha vuelto una práctica habitual entre quienes buscan empleo.
Pero esto abre una pregunta incómoda: si te preparas para engañar al algoritmo, ¿estás mostrando tu mejor versión o estás actuando un papel que el sistema quiere ver? ¿Y si lo que el sistema quiere ver no tiene nada que ver con si serás bueno en ese trabajo?
La carrera entre candidatos que aprenden a «hablar el idioma de la IA» y sistemas que intentan detectar respuestas artificiales ya ha empezado. Y nadie sabe muy bien adónde lleva.
El marco legal: una carrera a contrarreloj
La regulación va, como casi siempre, muy por detrás de la tecnología. En Europa, el Reglamento de IA (AI Act) aprobado en 2024 clasifica los sistemas de IA usados en contratación como de alto riesgo, lo que implica obligaciones de transparencia, supervisión humana y derecho a explicación para el candidato.
En teoría, eso significa que si una IA te rechaza, tienes derecho a saber por qué. En la práctica, la implementación de estas normas está en curso y los mecanismos de control son todavía débiles.
En Estados Unidos, Nueva York aprobó en 2023 una ley que obliga a las empresas a informar a los candidatos cuando usan herramientas automatizadas de decisión en contratación. Fue un primer paso. Pero es una ley de un estado, en un país de cincuenta, y su aplicación ha sido irregular.
La brecha entre lo que la ley dice y lo que ocurre en la práctica sigue siendo enorme. Y mientras tanto, los algoritmos siguen evaluando.
¿Discrimina la IA o solo la hace más eficiente?
Este es el debate de fondo. Los defensores de la IA en selección de personal argumentan que los humanos son mucho peores: que los reclutadores tienen sesgos inconscientes, que valoran la simpatía sobre la competencia, que discriminan por edad, aspecto o acento sin darse cuenta. Un algoritmo bien diseñado, dicen, podría ser más justo.
No es un argumento descabellado. Pero tiene un punto ciego enorme: asume que «bien diseñado» es posible y frecuente. Y la evidencia disponible sugiere que, en muchos casos, no lo es.
El problema no es que la IA discrimine más que los humanos. El problema es que cuando lo hace, lo hace a escala, de forma opaca y con una apariencia de objetividad que la hace mucho más difícil de cuestionar. Un reclutador sesgado puede ser corregido, formado, responsabilizado. Un algoritmo sesgado puede procesar miles de candidaturas antes de que alguien detecte el patrón.
Y eso, como ya hemos visto en otros contextos —desde los sistemas de IA en medicina hasta los modelos que moderan contenido—, tiene consecuencias reales para personas reales.
El efecto sobre los colectivos más vulnerables
Quienes más pierden con sistemas opacos y mal calibrados son siempre los mismos: personas mayores que no dominan los canales digitales, candidatos con discapacidades que afectan al habla o a la expresión facial, personas de entornos culturales distintos cuyo estilo comunicativo no encaja con el perfil entrenado, trabajadores sin acceso a los recursos para prepararse.
La promesa de una selección más meritocrática puede acabar siendo exactamente lo contrario: un filtro que premia a quien ya tiene ventajas y penaliza a quien parte desde más atrás.
Esto no es especulación. Hay investigaciones —del MIT, de la Unión Europea, de organizaciones como AlgorithmWatch— que documentan estos efectos. Y también hay empresas que están revisando sus modelos, reconociendo errores y buscando alternativas más equitativas. Pero el camino es largo y los incentivos económicos para seguir usando estos sistemas son muy potentes.
Modelos que aprenden de datos escasos o contaminados
Otro ángulo del problema tiene que ver con la calidad de los datos de entrenamiento. Si quieres que tu IA prediga el éxito en un puesto, necesitas datos sobre qué es «éxito» y quién lo ha alcanzado. Pero esos datos vienen del pasado. Un pasado en el que ciertos grupos estaban subrepresentados en ciertos puestos, precisamente por barreras que no tenían que ver con la competencia.
Es un círculo que se cierra sobre sí mismo. Y tiene mucho que ver con los límites de lo que la IA puede aprender cuando sus fuentes de información son incompletas o están sesgadas desde el origen.
¿Y el futuro? Más IA, no menos
Todo apunta a que la tendencia se va a acelerar, no a revertir. Los modelos de lenguaje de última generación permiten mantener conversaciones cada vez más naturales. Los sistemas de análisis multimodal —voz, vídeo, texto al mismo tiempo— son cada vez más sofisticados. Y las empresas, presionadas por costes y volumen de candidaturas, tienen incentivos claros para automatizar.
Lo que cambia es el nivel de sofisticación. Ya no hablamos solo de filtrar palabras clave en un CV. Hablamos de sistemas que pueden mantener una conversación compleja, detectar inconsistencias en el discurso, evaluar la coherencia emocional de las respuestas o comparar tu perfil lingüístico con el de los empleados más exitosos de la empresa.
El candidato del futuro cercano —en realidad, del presente— se enfrenta a un juez que no duerme, no se cansa y no da segundas oportunidades. Y que, además, no tiene que explicar sus decisiones salvo que la ley lo exija.
Hay empresas que están apostando por modelos híbridos: la IA hace la criba inicial, pero siempre hay una revisión humana antes de cualquier decisión relevante. Es un equilibrio razonable, aunque no exento de problemas propios. Y hay voces —cada vez más— que piden moratoria en el uso de ciertas técnicas hasta que su validez esté mejor demostrada.
Pero la presión del mercado es enorme. Y las startups del sector siguen captando inversión, creciendo y vendiendo la promesa de una contratación más rápida, más barata y más objetiva.
Que también podría ser, sin que nadie lo haya decidido conscientemente, una de las aplicaciones de IA con mayor impacto en la vida cotidiana de las personas.
¿Quién responde cuando el algoritmo se equivoca?
Al final, la pregunta más incómoda no es si la IA en selección de personal es mejor o peor que los humanos. Es quién asume la responsabilidad cuando algo sale mal. Cuando alguien no consigue un trabajo para el que estaba perfectamente cualificado porque el algoritmo penalizó su acento, su edad o la forma en que parpadeó durante una entrevista en vídeo.
¿La empresa que compró el software? ¿La startup que lo desarrolló? ¿El modelo de negocio que normalizó delegar decisiones humanas en cajas negras? La cadena de responsabilidades se diluye con la misma facilidad con que se procesan las candidaturas.
Quizás la pregunta más urgente no es cómo prepararse para ser evaluado por un algoritmo, sino si estamos dispuestos a dejar que un algoritmo sea quien decida qué personas merecen una oportunidad.
