IA en selección de personal: cómo auditarla a tiempo
La mayoría de las empresas que usan IA en selección de personal no compró un algoritmo: compró un software de recursos humanos que traía uno adentro. Esa distinción, cómoda mientras nadie preguntaba, dejó de servir como defensa. En 2026 los tribunales estadounidenses permitieron avanzar demandas colectivas contra los sistemas automatizados de filtrado de candidatos, y el criterio que se está consolidando es incómodo para cualquier gerente: quien responde por una decisión discriminatoria es el empleador, no el proveedor del software.
Lo esencial
- La responsabilidad legal por un filtro automatizado que descarta candidatos de forma desigual recae sobre la empresa que lo usa, aunque el sistema sea de un tercero.
- Auditar no es una tarea de tecnología: es medir tasas de selección por grupo, documentar la justificación del criterio y conservar la evidencia antes de que alguien la pida.
- El protocolo mínimo —inventario, prueba de impacto adverso, documentación, revisión humana y cláusulas con el proveedor— es aplicable en cualquier país, incluso donde la ley local todavía no lo exige.
¿Quién responde si el algoritmo discrimina?
La respuesta directa: responde la empresa que toma la decisión de contratación, no quien vendió la herramienta. En Estados Unidos, el marco antidiscriminatorio del Título VII de la Ley de Derechos Civiles no distingue entre un criterio aplicado por un reclutador y uno aplicado por un modelo estadístico. Si el resultado del proceso es una tasa de selección sustancialmente menor para un grupo protegido —por edad, sexo, origen, discapacidad—, existe impacto adverso, y la empresa debe demostrar que el criterio responde a una necesidad real del puesto.
La agencia federal encargada del tema, la EEOC, lo dejó por escrito en su orientación sobre algoritmos: el empleador puede ser responsable del impacto adverso de una herramienta automatizada aunque haya delegado su diseño, implementación o administración en un proveedor externo (análisis de K&L Gates sobre la guía de la EEOC). La delegación técnica no traslada la responsabilidad jurídica.
Esa doctrina dejó de ser teórica. En el caso Mobley v. Workday, un juez federal de California permitió que avanzaran las reclamaciones por discriminación por edad contra la plataforma de filtrado, rechazando el argumento de que las protecciones por impacto desigual solo alcanzan a empleados actuales y no a postulantes (resumen del fallo). La escala del asunto explica la atención que recibió: la propia empresa reconoció que su plataforma procesó del orden de mil cien millones de postulaciones en el período relevante, y la asociación profesional de recursos humanos SHRM calificó el litigio como una llamada de atención para la función de RR. HH.
En enero de 2026 se abrió un segundo frente, y de otra naturaleza. Una acción colectiva presentada en California contra la plataforma Eightfold AI no alega que el algoritmo fuera sesgado, sino que puntuó y descartó candidatos —en una escala de cero a cinco— antes de que un ser humano viera las postulaciones, y que al hacerlo elaboró de facto informes sobre personas sin cumplir las obligaciones de transparencia que la ley de informes crediticios impone (análisis de Epstein Becker Green). El detalle importa para cualquier gerente: el litigio no requiere probar sesgo. Basta con probar opacidad.
¿Qué tan extendido está el problema?
Menos de lo que sugiere el ruido, y más de lo que la mayoría de las empresas ha documentado. Según el informe State of AI in HR 2026 de SHRM, cerca del 27 % de las organizaciones consultadas usa IA en reclutamiento —el área de recursos humanos con mayor adopción—, y solo una minoría permite que la herramienta intervenga en la decisión final. El uso dominante sigue siendo la tarea rutinaria: lectura y clasificación de currículos, programación de entrevistas, redacción de avisos.
Ahí está la trampa. Un sistema que “solo ordena currículos” define, en la práctica, quién llega a la entrevista. Si el modelo aprendió de las contrataciones históricas de la empresa, reproducirá el perfil que la empresa contrató históricamente, con todas sus asimetrías. Como resumió Harvard Business Review en un análisis ya clásico sobre los caminos por los que un algoritmo de contratación introduce sesgo, el problema rara vez está en una variable prohibida explícita: está en las variables correlacionadas —el código postal, el año de graduación, la continuidad del historial laboral, el club deportivo mencionado en el currículo— que funcionan como sustitutos de atributos protegidos.
La adopción, además, es desigual por tamaño: alrededor del 60 % de las empresas de más de cinco mil empleados ya usa IA en alguna función de recursos humanos, frente a aproximadamente un tercio de las pequeñas. Las grandes tienen más exposición, pero también más recursos para auditar. Las medianas y pequeñas suelen tener la exposición sin la capacidad de revisión, y son las que más se benefician de un protocolo simple.
¿Qué exige la ley hoy, y qué exigirá mañana?
El mapa regulatorio se mueve rápido y de forma poco lineal, lo que refuerza el argumento de fondo de este artículo: conviene auditar por razones de gestión, no por calendario legal.
Estados Unidos. La ciudad de Nueva York fue pionera con su Ley Local 144, que obliga a someter toda herramienta automatizada de decisión laboral a una auditoría de sesgo anual realizada por un tercero independiente, publicar el resultado en el sitio web del empleador y notificar al candidato con antelación (guía de Deloitte sobre la norma). El estándar técnico que se aplica no es nuevo: proviene de las Uniform Guidelines on Employee Selection Procedures, la norma federal de 1978 que fijó la llamada regla de los cuatro quintos —si la tasa de selección de un grupo es inferior al 80 % de la del grupo con mayor tasa, hay indicio de impacto adverso— (texto vigente en el Código de Regulaciones Federales). Es decir: la herramienta es nueva, la prueba tiene casi cincuenta años.
A nivel estatal el panorama es inestable. Colorado aprobó en 2024 la ley más ambiciosa del país sobre sistemas de IA de alto riesgo, la pospuso, vio su aplicación suspendida por un tribunal federal en abril de 2026 y terminó reemplazándola en mayo de 2026 por un marco más liviano, centrado en la divulgación. Illinois, por su parte, exige notificar al candidato el uso de IA en el análisis de entrevistas en video.
Unión Europea. Aquí conviene evitar un error de fecha que circula en muchas presentaciones corporativas. El Reglamento de IA clasificaba los sistemas de empleo y selección como de alto riesgo, con obligaciones plenas a partir del 2 de agosto de 2026. El paquete conocido como AI Omnibus, con acuerdo político en mayo de 2026 y entrada en vigor el 27 de julio de 2026, aplazó esas obligaciones de alto riesgo hasta finales de 2027 (análisis de Ogletree Deakins; ver también el seguimiento del Reglamento para el sector de selección). Para una empresa española o para una filial europea de un grupo latinoamericano, el aplazamiento compra tiempo de preparación, no exime de nada: el reglamento general de protección de datos ya limita las decisiones basadas únicamente en tratamiento automatizado.
España. Existe además una obligación laboral concreta y frecuentemente olvidada. La reforma del artículo 64.4 del Estatuto de los Trabajadores introducida por la llamada “ley rider” reconoce al comité de empresa el derecho a ser informado de los parámetros, reglas e instrucciones en que se basan los algoritmos o sistemas de IA que inciden en el acceso al empleo, el mantenimiento del puesto o la elaboración de perfiles (texto del artículo). Aplica a toda empresa con representación legal de los trabajadores, no solo a plataformas digitales.
América Latina. La regulación específica es incipiente y desigual: Perú y El Salvador cuentan con leyes de IA vigentes; Colombia, Chile y México tramitan proyectos de alcance nacional; Chile mantiene desde 2021 una política nacional que prioriza transparencia y ética. Un análisis regional de Garrigues sobre IA en el mercado laboral latinoamericano subraya que, en ausencia de leyes específicas, se aplican los marcos existentes: protección de datos personales, no discriminación constitucional y derecho laboral común. En México y Colombia, además, las normas de datos personales contemplan derechos frente a decisiones automatizadas que producen efectos jurídicos sobre la persona. La conclusión práctica: la ausencia de una “ley de IA” local no significa ausencia de obligaciones.
El protocolo mínimo: cinco pasos para auditar la IA de selección
Este es el núcleo accionable, y funciona igual en Bogotá, Madrid, Ciudad de México o Santiago.
1. Inventario de herramientas
Enumere todo sistema que puntúe, ordene, filtre o descarte candidatos. Incluya lo que no parece IA: reglas de descarte automático en el sistema de seguimiento de candidatos, filtros por palabra clave, umbrales de años de experiencia, pruebas psicométricas en línea con puntaje de corte, análisis de video o de voz. Para cada uno, registre proveedor, versión, qué decisión toma, en qué punto del proceso interviene y quién lo configuró. La mayoría de las empresas descubre en este paso que tiene más filtros automáticos de los que creía, heredados de configuraciones que nadie revisó en años.
2. Prueba de impacto adverso
Calcule la tasa de selección por grupo en cada etapa donde interviene la herramienta: postulantes que pasan / postulantes que entran. Compare cada grupo con el de mayor tasa. Si algún cociente cae por debajo de 0,8, hay indicio de impacto adverso y debe investigarse. La regla de los cuatro quintos es un umbral de alerta, no una absolución: diferencias menores pueden ser significativas en volúmenes grandes.
Dos advertencias prácticas para el contexto hispanoamericano. Primera: en varios países la recolección de datos sobre origen étnico o discapacidad está restringida o es culturalmente inusual, de modo que muchas empresas solo podrán medir por sexo y edad; hágalo con lo disponible, de forma agregada y con datos disociados del expediente individual. Segunda: si el volumen de postulantes es bajo, agregue varios procesos o varios trimestres antes de concluir nada.
3. Justificación del criterio
Para cada variable que el sistema pondera, documente por qué predice el desempeño en ese puesto. Si nadie puede explicar la relación entre la variable y el trabajo, la variable no debería estar ahí. Este ejercicio, que parece burocrático, es el que más filtros elimina: años de experiencia como sustituto de competencia, título de una universidad específica como sustituto de capacidad, continuidad laboral perfecta como sustituto de compromiso. Cada uno de esos atajos tiene un impacto desigual conocido y una justificación débil.
4. Revisión humana con capacidad real de revertir
Una revisión humana que solo confirma el orden que produjo el algoritmo no es una salvaguarda. Para que cuente, la persona debe ver los expedientes descartados, no solo los aprobados; debe tener criterios escritos para revertir una exclusión; y debe quedar registro de cuántas veces lo hizo. Si en un año nadie revirtió nunca una decisión del sistema, la revisión es decorativa. Vale la pena revisar aquí cómo se está gobernando en general la delegación de tareas en sistemas automatizados, un problema que excede a recursos humanos y que tratamos en cómo liderar equipos que delegan en agentes de IA.
5. Cláusulas con el proveedor
Renegocie el contrato para incluir, como mínimo: derecho de auditoría o entrega periódica de resultados de auditoría independiente; descripción de las variables usadas y del conjunto de datos de entrenamiento; notificación previa de cambios sustanciales en el modelo; indemnidad por reclamaciones derivadas del funcionamiento del sistema; y compromiso de asistencia documental ante una investigación. El proveedor no asumirá su responsabilidad frente al candidato, pero puede asumir la carga de darle a usted la evidencia que necesitará.
¿Cuánto cuesta no hacerlo?
En Nueva York, las sanciones por incumplimiento comienzan en 500 dólares por infracción y escalan a 1.500 dólares por día de infracción continuada; una auditoría anual cuesta bastante menos. Pero la exposición relevante para la mayoría de las empresas hispanoamericanas no es la multa: es el litigio individual, la investigación de la autoridad de datos personales y, sobre todo, el costo de reputación en un mercado laboral donde el candidato rechazado publica su experiencia.
Existe un costo silencioso adicional, puramente de gestión. Un filtro mal calibrado descarta talento que la empresa necesitaba y lo hace de forma sistemática e invisible: no genera una queja, genera una vacante que tarda tres meses en cubrirse. Auditar el algoritmo mejora la calidad de la contratación aunque nunca aparezca un abogado, y por eso conviene tratar el ejercicio como una revisión de proceso —cercana a la lógica de la auditoría interna y la gerencia— y no como un trámite de cumplimiento.
Qué debe hacer un gerente esta semana
Tres acciones concretas, en orden de esfuerzo creciente:
- Pregunte, por escrito, qué herramientas automatizadas intervienen hoy en su proceso de selección y en qué etapa descartan candidatos. La respuesta suele tardar más de lo esperado, y esa demora ya es información.
- Pida al proveedor su última auditoría de sesgo. Si no la tiene, o si la hizo él mismo, tiene un dato relevante para la próxima renovación del contrato.
- Corra una prueba de impacto adverso con los datos del último año. No necesita un consultor para empezar: necesita las tasas de selección por etapa y una hoja de cálculo.
La IA en selección de personal no va a retroceder, y en la mayoría de los casos no debería: bien usada, reduce tiempos y amplía el universo de candidatos considerados. El problema no es la automatización, sino automatizar sin medir. La empresa que documenta lo que su sistema hace tiene una defensa, una mejora de proceso y una ventaja sobre la que no lo hace. La que no documenta, descubrirá qué criterios usaba su algoritmo el día en que un tribunal se lo pregunte.
Para profundizar en el lado humano del proceso, conviene revisar también la humanización del reclutamiento y la selección del talento y explorar los contenidos de recursos humanos publicados en deGerencia.
