La inteligencia artificial promete resolver uno de los dolores más persistentes de Recursos Humanos: la falta de tiempo para revisar, clasificar, comparar y priorizar grandes volúmenes de información. El problema comienza cuando, en nombre de esa eficiencia operacional, una herramienta deja de ordenar antecedentes y empieza a influir en decisiones que afectan directamente la trayectoria laboral de una persona.
Durante años, la industria de selección avanzó desde planillas y procesos manuales hacia plataformas de seguimiento de candidatos, bases integradas y evaluaciones en línea. La nueva etapa es distinta. Los ATS incorporan inteligencia artificial, los agentes conversacionales realizan entrevistas, los modelos generan resúmenes, asignan puntajes, construyen rankings y sugieren quién debería avanzar. La experiencia de uso para los equipos internos puede resultar muy atractiva: el reclutador recibe información organizada, comparaciones inmediatas y reportes fáciles de leer.
Ese progreso responde a una necesidad legítima. Un equipo que recibe cientos o miles de postulaciones difícilmente puede revisar cada antecedente con la misma profundidad. Automatizar tareas repetitivas permite concentrar tiempo profesional en aquello que requiere criterio. El riesgo aparece cuando la organización confunde una interfaz ágil e intuitiva con una metodología válida, o cuando un resultado presentado con seguridad numérica se interpreta como evidencia suficiente.
La pregunta decisiva no es si la IA puede participar en Recursos Humanos. Ya lo está haciendo y su presencia seguirá creciendo. La pregunta es otra: ¿qué debe demostrar una organización cuando una recomendación algorítmica influye en quién accede a una oportunidad, quién es descartado, quién obtiene una promoción o quién pierde su empleo?
La velocidad puede reducir los tiempos de un proceso. No demuestra, por sí sola, que la decisión sea correcta, justa o defendible.
Cuando la IA deja de asistir y comienza a evaluar.
No todos los usos de inteligencia artificial tienen el mismo nivel de riesgo. Una herramienta que extrae fechas, experiencia o certificaciones desde un currículum realiza una función distinta de aquella que infiere liderazgo, estabilidad emocional, empatía, potencial o ajuste cultural. En el primer caso se procesa información observable. En el segundo se construyen inferencias sobre características de la persona.
Esa diferencia es esencial. Una IA puede analizar lenguaje, reconocer patrones y comparar respuestas con enorme rapidez. Pero analizar no equivale automáticamente a medir. Cuando una plataforma afirma que una persona posee cierto nivel de una competencia o característica psicológica, debe existir evidencia que sustente el salto entre los datos observados y la conclusión presentada.
La Society for Industrial and Organizational Psychology ha advertido que las evaluaciones basadas en IA utilizadas en selección requieren los mismos fundamentos científicos que cualquier procedimiento de evaluación: definición del constructo, evidencia de validez, confiabilidad, equidad, documentación y relación con el propósito de uso.
Un puntaje de “87% de compatibilidad” puede transmitir precisión, pero todavía deja preguntas básicas sin responder: ¿compatibilidad con qué?, ¿qué variables se ponderaron?, ¿cómo se construyó el criterio?, ¿con qué población fue validado?, ¿qué error puede tener la estimación?, ¿existe evidencia de relación con desempeño posterior? Sin esas respuestas, el número puede ser una inferencia algorítmica presentada como si fuera una medición. En evaluación de personas, una decisión no se vuelve válida porque esté expresada en un puntaje. Debe estar sustentada en ciencia, evidencia psicométrica y criterios pertinentes para el contexto en que será utilizada.
Un algoritmo puede generar un resultado. No necesariamente una evidencia.
Las fuentes también deciden.
La discusión sobre inteligencia artificial suele concentrarse en lo que la herramienta es capaz de hacer, pero dedica menos atención a aquello con lo que fue construida. Ningún sistema es neutral por definición: sus resultados dependen de los datos, fuentes, instrucciones, modelos de ponderación y criterios de éxito utilizados.
Si el sistema aprende de decisiones históricas de contratación, puede reproducir las preferencias, desigualdades y errores presentes en esas decisiones. Si utiliza fuentes externas, la organización debería conocer su origen, calidad y alcance. Si incorpora cuestionarios, escalas o instrumentos psicológicos, también debe saber quién posee los derechos, qué autorización permite su uso, si la digitalización está contemplada y qué evidencia técnica respalda las interpretaciones.
Este punto es especialmente relevante en psicometría. Un instrumento no es solo un conjunto de preguntas. Incluye un modelo conceptual, reglas de puntuación, estudios de validez y confiabilidad, criterios interpretativos, poblaciones de referencia y condiciones de aplicación.
La propiedad intelectual y la validez técnica son exigencias diferentes y acumulativas. Contar con una licencia no demuestra que el instrumento sea adecuado para una población o finalidad. Del mismo modo, disponer de un estudio favorable no autoriza a reproducir, adaptar, digitalizar o comercializar una obra protegida.
La IA no es neutral y la revisión humana puede ser solo aparente.
Los sistemas de IA no operan en un vacío neutral. Pueden aprender correlaciones que funcionan como variables indirectas de género, edad, origen, nivel socioeconómico u otras características. También pueden favorecer determinados estilos de comunicación, trayectorias laborales o formas de responder que no necesariamente guardan relación con el desempeño del cargo.
El sesgo puede incorporarse a través de los datos históricos, la definición de éxito, las etiquetas utilizadas para entrenar o ajustar el modelo, las instrucciones entregadas y la forma en que se seleccionan o ponderan las variables. Incluso una actualización del proveedor puede modificar su comportamiento sin que la organización cambie formalmente el proceso.
Por eso, no basta con afirmar que una persona toma la decisión final. La supervisión humana es efectiva solo cuando quien revisa comprende el alcance y las limitaciones de la recomendación, puede cuestionar sus fundamentos, dispone de información alternativa y tiene autoridad real para modificarla, rechazarla o solicitar una revisión.
La IA no elimina la responsabilidad humana. Puede desplazarla, volverla opaca y hacerla más difícil de exigir.
El caso Meta: una advertencia antes que una sentencia.
En julio de 2026, veintiséis trabajadores de Meta presentaron una demanda en California alegando que sistemas internos de IA, métricas de productividad y rankings asistidos algorítmicamente influyeron en la selección de personas para despidos masivos. Según los demandantes, el sistema habría perjudicado de forma desproporcionada a trabajadores que utilizaron licencias médicas, parentales o familiares, porque sus métricas de actividad no podían acumularse durante esos períodos. Meta ha rechazado las acusaciones y sostiene que las decisiones fueron tomadas por personas.
El caso todavía debe resolverse y las alegaciones no equivalen a hechos judicialmente acreditados. Sin embargo, el conflicto ya instala una pregunta que trasciende a la empresa: ¿qué ocurre cuando un criterio aparentemente neutral penaliza indirectamente a personas protegidas por la ley?
También demuestra por qué la existencia de una decisión humana al final del proceso no resuelve automáticamente el problema. Si el ranking, los puntajes o la información priorizada provienen de un sistema que no considera adecuadamente el contexto, la persona responsable puede heredar sus sesgos.
Europa y Chile están elevando el estándar.
El Reglamento Europeo de Inteligencia Artificial clasifica como de alto riesgo determinados sistemas utilizados para reclutamiento, selección, evaluación de candidatos, gestión de trabajadores, asignación de tareas, monitoreo del desempeño y terminación de relaciones laborales. La lógica regulatoria es clara: cuando la tecnología puede afectar oportunidades de empleo o medios de subsistencia, las exigencias deben aumentar.
El marco europeo contempla gestión de riesgos, calidad y gobernanza de datos, documentación técnica, registros, transparencia, supervisión humana, precisión, robustez y ciberseguridad. Además, restringe el reconocimiento de emociones en el ámbito laboral, salvo excepciones acotadas.
Chile también entra en una nueva etapa. La Ley N.º 21.719, cuya entrada en vigor está prevista para el 1 de diciembre de 2026, moderniza la protección de datos personales y reconoce derechos vinculados con decisiones automatizadas y elaboración de perfiles cuando producen efectos jurídicos o afectan significativamente a las personas.
Para Recursos Humanos, esto es particularmente relevante. Un proceso de selección puede integrar currículums, datos de contacto, entrevistas, evaluaciones psicológicas, inferencias sobre competencias y, dependiendo del proceso, datos personales sensibles.
El postulante no es solo una fuente de datos.
Para la empresa, un proceso puede involucrar miles de candidatos. Para cada postulante, puede representar una oportunidad decisiva. Esa asimetría obliga a mirar el proceso también desde la experiencia de quien es evaluado.
La persona debería saber cuándo interactúa con IA, qué función cumple, qué datos analiza, si genera perfiles o puntuaciones y cómo influyen en la decisión. También debería existir una vía razonable para corregir información, entregar contexto, solicitar explicación o pedir revisión humana.
La eficiencia no debería construirse trasladando al postulante el costo de la opacidad. Un proceso puede ser impecable desde la usabilidad interna y, al mismo tiempo, resultar incomprensible, despersonalizado o injusto para quien participa.
De automatizar más a decidir mejor.
La inteligencia artificial puede cumplir un papel legítimo y valioso en Recursos Humanos. Puede organizar antecedentes, apoyar la identificación de inconsistencias, asistir determinadas etapas de una entrevista y reducir carga operativa. La discusión no debería reducirse a estar a favor o en contra de su uso.
El verdadero desafío es establecer un estándar proporcional al impacto de cada función. Cuanto más cerca esté la herramienta de perfilar, puntuar, recomendar o excluir, mayor debe ser la exigencia de evidencia, transparencia y control.
Una decisión defendible debe poder reconstruirse, explicar sus criterios, demostrar que se sustenta en evidencia científica, validez psicométrica y criterios técnicos pertinentes, justificar la pertinencia de los datos utilizados, acreditar la legitimidad de sus fuentes y mantener una responsabilidad humana efectiva. También debe admitir revisión y considerar el efecto sobre la persona.
La tecnología puede acelerar una decisión. La gobernanza determina si esa decisión puede sostenerse ante el postulante, una auditoría, una autoridad o un tribunal.
La pregunta que las organizaciones deberán responder ya no será solamente cuánto tiempo ahorraron gracias a la IA. Será si pueden demostrar qué hizo el sistema, con qué información, bajo qué metodología, qué riesgos controlaron y por qué el resultado merece ser utilizado.
Cuando una decisión afecta la trayectoria laboral de una persona, debe poder validarse, explicarse y defenderse.
El futuro de Recursos Humanos no será simplemente automatizar más. Será decidir mejor.
Referencias y fuentes consultadas
- Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, por el que se establecen normas armonizadas en materia de inteligencia artificial (AI Act).
- Biblioteca del Congreso Nacional de Chile. Ley N.º 21.719, que regula la protección y el tratamiento de los datos personales y crea la Agencia de Protección de Datos Personales.
- Society for Industrial and Organizational Psychology (2023). Considerations and Recommendations for the Validation and Use of AI-Based Assessments for Employee Selection.
- U.S. Equal Employment Opportunity Commission (2023). Assessing Adverse Impact in Software, Algorithms, and Artificial Intelligence Used in Employment Selection Procedures Under Title VII.
- Associated Press (14 de julio de 2026). 26 Meta employees sue, alleging AI-driven layoff picks hit workers on medical and parental leave.
- Reuters (14 y 17 de julio de 2026). Cobertura sobre la demanda presentada por trabajadores de Meta y la decisión judicial inicial.
- New York City Department of Consumer and Worker Protection. Automated Employment Decision Tools: Local Law 144.
- Illinois General Assembly. Artificial Intelligence Video Interview Act, 820 ILCS 42.
- Analytica Social SpA – SocialJobs (2026). Fundamentos para la utilización de instrumentos psicométricos: propiedad intelectual, validez, confiabilidad y pertinencia de uso.