Está bien, hablemos de algo que me ha estado molestando, algo que sigue apareciendo en mis canales de Slack y en mis espirales de pensamiento nocturno: la lenta infiltración de la IA en nuestros procesos de toma de decisiones, específicamente en lo que respecta a la contratación. No se trata de cosas grandes y obvias como el análisis de currículos –todos hemos visto eso–, sino de las maneras sutiles, casi invisibles, en que los algoritmos están empezando a moldear quién tiene una oportunidad, y lo que eso significa para nuestra agencia, tanto como individuos como sociedad.
Es 21 de marzo de 2026, y el mercado laboral es… raro. Tenemos más herramientas que nunca para conectar a las personas, más datos para analizar habilidades, y aun así, sigo escuchando historias que me hacen rascarme la cabeza. Y siempre parece volver a los sistemas ‘impulsados por IA’ que prometen eficiencia, equidad y el mítico ‘mejor ajuste.’ Pero, ¿y si estos sistemas, en su búsqueda implacable de optimización, están erosionando nuestra capacidad de tomar decisiones realmente humanas, y al hacerlo, están cambiando fundamentalmente lo que valoramos en un colega?
El Apretón de Manos Invisible: Cuando los Algoritmos Deciden a Quién Conoces
¿Recuerdas cuando enviabas un currículum y, tal vez, solo tal vez, un humano realmente lo revisaba? ¿O cuando un gerente de contratación podía arriesgarse con alguien con un trasfondo no tradicional porque tenía una buena corazonada? Esos días a veces se sienten como historia antigua. Ahora, antes de que tu currículum llegue a los ojos de una persona, a menudo ha pasado por múltiples capas de escrutinio algorítmico.
Mi amiga Sarah, una brillante diseñadora gráfica, me contaba sobre su aplicación para un puesto senior en una conocida empresa de tecnología. Tiene un portafolio que te dejará boquiabierto, años de experiencia y un historial de innovación. Pero ni siquiera pudo conseguir una entrevista inicial. Después de investigar un poco, descubrió que la empresa utiliza un sistema de IA que prioriza a los candidatos cuyos títulos de trabajo anteriores y nombres de empresas coinciden estrechamente con una lista predefinida. Sarah había trabajado para algunas agencias más pequeñas y especializadas, y a pesar de su excelente trabajo, el algoritmo simplemente no “vio” su experiencia como lo suficientemente relevante.
No se trata de estar en contra de la IA. Uso herramientas de IA a diario para ayudarme a investigar, organizar e incluso redactar los primeros borradores de mis artículos. Son fantásticas para aumentar la inteligencia humana. Pero cuando la IA pasa de ser un apoyo a la toma de decisiones en sí, especialmente en áreas tan críticas como el sustento de alguien, necesitamos ser increíblemente cuidadosos. Porque lo que parece eficiencia en una hoja de cálculo puede ser una profunda injusticia en la vida real.
El Problema con las Métricas Proxy: Lo que la IA Realmente “Ve”
El problema central, tal como lo veo, es que estas IA de contratación no entienden “potencial” o “matices.” Operan con métricas proxy. Están entrenadas con datos históricos, que inherentemente llevan sesgos del pasado. Si una empresa históricamente ha contratado personas de una universidad en particular o con un conjunto específico de palabras clave en su currículum, la IA aprende a priorizar esos atributos. Es como enseñar a un niño a reconocer solo manzanas mostrándole manzanas rojas, y luego sorprenderse cuando no identifica una manzana verde como una manzana.
Digamos que una empresa quiere contratar para “innovación” y “creatividad.” ¿Cómo mide eso un algoritmo? No puede entender verdaderamente el impacto de una pieza del portafolio o la chispa en los ojos de un candidato durante una entrevista. En su lugar, busca proxies: “Número de patentes presentadas,” “palabras clave como ‘tecnología disruptiva’ o ‘design thinking’ en un currículum,” “títulos de escuelas de diseño de primer nivel.” Estas métricas no son inherentemente malas, pero son *limitadas* y pueden excluir a personas genuinamente innovadoras que no encajan en el molde.
Piénsalo: Steve Wozniak probablemente no habría impresionado a una IA buscando credenciales académicas tradicionales en sus primeros días. Ni alguien como Maya Angelou, cuya “experiencia” desafiaba la categorización fácil. Corremos el riesgo de construir un futuro donde solo aquellos que alineen perfectamente con los éxitos del pasado sean considerados dignos de oportunidades futuras.
Más Allá de las Palabras Clave: Recuperando la Agencialidad Humana en la Contratación
Entonces, ¿qué hacemos al respecto? No estoy sugiriendo que deshagamos todas las herramientas de IA. Eso es poco realista y, francamente, absurdo. Pero necesitamos ser más intencionales sobre dónde y cómo las implementamos y, críticamente, dónde trazamos la línea e insistimos en el juicio humano.
Paso Práctico 1: Audita tus Algoritmos (Realmente Audítalos)
Si eres un gerente de contratación o estás en recursos humanos, necesitas entender exactamente lo que hacen tus herramientas de IA. No confíes solo en los materiales de marketing del proveedor. Haz preguntas difíciles:
- ¿En qué datos se entrenó este modelo?
- ¿Cuáles son las 5 características o métricas principales que prioriza?
- ¿Cómo se abordan o mitiguen los sesgos en los datos de entrenamiento y en el propio modelo?
- ¿Cuál es la tasa de falsos positivos/falsos negativos para tu perfil de candidato objetivo?
Y luego, crucialmente, necesitas probarlo. Realiza un pequeño experimento. Toma un lote de currículums que fueron rechazados por la IA pero que históricamente fueron contrataciones fuertes para tu empresa. Revísalos manualmente. Observa lo que la IA pasó por alto. Podrías sorprenderte.
Aquí hay un ejemplo simplificado en Python de cómo podrías comenzar a auditar el sesgo por palabras clave. Imagina que tu sistema interno utiliza un algoritmo básico de coincidencia de palabras clave para filtrar las solicitudes iniciales. Podrías escribir un script para analizar la densidad de palabras clave de contrataciones exitosas frente a candidatos rechazados para roles específicos.
import pandas as pd
from collections import Counter
import re
def get_keywords(text):
# Un extractor de palabras clave muy básico para la demostración
# En realidad, esto sería mucho más sofisticado (NLP, embeddings, etc.)
return re.findall(r'\b(?:python|java|aws|azure|leadership|creativity|agile|scrum)\b', text.lower())
# Datos de muestra (en un escenario real, esto vendría de tu sistema de recursos humanos)
successful_hires_resumes = [
"Desarrollador Python experimentado con sólidas habilidades en AWS y cualidades de liderazgo.",
"Arquitecto Java, lideré equipos ágiles, profundo conocimiento de azure y scrum.",
"Creativo solucionador de problemas, experiencia en python, buena experiencia de liderazgo."
]
rejected_candidates_resumes = [
"Excelente programador C++, algo de experiencia con diseño de bases de datos.",
"Desarrollador front-end, JavaScript, React, un poco de python.",
"Gerente de proyectos, fuerte comunicación, pero sin palabras clave tecnológicas directas."
]
# Procesar currículums
successful_keywords = []
for resume in successful_hires_resumes:
successful_keywords.extend(get_keywords(resume))
rejected_keywords = []
for resume in rejected_candidates_resumes:
rejected_keywords.extend(get_keywords(resume))
# Analizar frecuencia
successful_counts = Counter(successful_keywords)
rejected_counts = Counter(rejected_keywords)
print("Frecuencias de Palabras Clave para Contrataciones Exitosas:")
print(successful_counts)
print("\nFrecuencias de Palabras Clave para Candidatos Rechazados:")
print(rejected_counts)
# Identificar palabras clave con discrepancias significativas
print("\nPalabras Clave más prevalentes en contrataciones exitosas:")
for keyword, count in successful_counts.items():
if count > rejected_counts.get(keyword, 0) * 2: # Umbral arbitrario para "significativo"
print(f"- {keyword}: {count} (Exitoso) vs {rejected_counts.get(keyword, 0)} (Rechazado)")
Este script simple resaltaría si tus contrataciones exitosas contienen de manera desproporcionada ciertas palabras clave, y si tu pila de rechazados carece de ellas. Este es un ejemplo rudimentario, pero ilustra la idea de observar activamente lo que el sistema prioriza y si eso se alinea con tus verdaderos objetivos de contratación.
Paso Práctico 2: Redefinir “Ajuste” y “Éxito” para el Algoritmo
Si vas a usar IA para la selección inicial, necesitas alimentarla con datos verdaderamente sólidos y diversos. Esto significa curar activamente tus perfiles de “candidatos exitosos” para incluir personas que tuvieron éxito a través de caminos no convencionales. Significa ampliar la definición de “experiencia relevante” más allá de los títulos de trabajo directos.
En lugar de solo alimentarle currículums de contrataciones pasadas, proporcionarle puntos de datos que reflejen los valores de tu empresa: contribuciones a proyectos de código abierto, trabajo voluntario que demuestre liderazgo, proyectos personales que exhiban ingenio, o incluso desafíos específicos superados. Esto es más difícil de cuantificar, lo sé, pero si no lo intentamos, solo estamos perpetuando el statu quo.
Paso Práctico 3: Mandar Revisión Humana en Etapas Clave
Esto es quizás lo más crítico. La IA debe servir como un filtro, no como un árbitro final. Abogo por mandar revisión humana en puntos específicos del proceso de contratación. Por ejemplo:
- La Pila de “Casi Aciertos”: Cada sistema de IA debería tener un mecanismo para señalar a candidatos que no cumplieron del todo con los criterios principales pero que obtuvieron buenos resultados en métricas secundarias más cualitativas (por ejemplo, portafolio sólido, carta de presentación convincente, experiencia diversa). Un humano debería revisar estos casos.
- Chequeo de Diversidad: Antes de extender ofertas, un panel humano debería revisar la composición demográfica de los candidatos finales. Si es demasiado homogénea, revisa las etapas anteriores y pregúntate por qué. ¿Estaba la IA filtrando inadvertidamente ciertos grupos?
- El Espacio “Wildcard”: Dedica un porcentaje de tus espacios de entrevista (incluso un 5-10%) a candidatos que no encajan en el molde algorítmico pero que fueron identificados por un revisor humano como teniendo alto potencial o una perspectiva única.
Aquí hay un ejemplo conceptual de cómo podrías implementar un proceso de revisión “wildcard” utilizando una consulta de base de datos simple, asumiendo que tu IA asigna una ‘puntaje’ y un revisor humano puede etiquetar a un candidato como ‘wildcard_potential’.
-- Consulta SQL para identificar candidatos para revisión "wildcard" humana
-- Esto asume que tu IA asigna un 'ai_score' numérico y un humano puede agregar una 'wildcard_tag'
SELECT
candidate_id,
candidate_name,
ai_score,
human_notes
FROM
applications
WHERE
(ai_score BETWEEN 0.6 AND 0.75) -- Candidatos que estaban "casi allí" según la IA
OR
wildcard_tag = TRUE -- Candidatos específicamente marcados por un revisor humano
ORDER BY
ai_score DESC, candidate_name;
Esta consulta recuperaría candidatos que estaban en el límite según la IA, dando a un revisor humano la oportunidad de reevaluar, junto con cualquier candidato que un humano haya marcado específicamente para una segunda revisión, independientemente de su puntuación de IA. Se trata de crear puntos de fricción intencionales para que el juicio humano intervenga.
El Futuro de la Agencia en la Contratación
El objetivo no es detener el progreso. Se trata de asegurar que el progreso sirva al florecimiento humano, no solo a métricas de eficiencia corporativa. Cuando la IA toma decisiones de contratación sin una supervisión humana suficiente, corremos el riesgo de crear un ciclo auto-perpetuante de conformidad. Perdemos la serendipia, las corazonadas, la capacidad de arriesgarnos con alguien que podría redefinir cómo se ve el “éxito” para nuestra organización.
Nuestra agencia en la contratación no se trata solo de la capacidad del gerente de contratación para elegir un candidato. Se trata de la agencia del candidato para presentar su yo completo, para que se vean sus cualidades únicas, y de no ser filtrado por una caja negra que no entiende la complejidad hermosa y desordenada del potencial humano.
Usemos la IA para hacer nuestros procesos más fluidos, para manejar el trabajo pesado, pero protejamos ferozmente el elemento humano en las decisiones que realmente importan. Porque al final, no se trata solo de llenar un rol; se trata de construir equipos, fomentar cultura y dar forma al futuro del trabajo en sí.
Conclusiones Accionables:
- Exige Transparencia: No aceptes ciegamente las afirmaciones de los proveedores. Entiende los datos y la lógica detrás de tu IA de contratación.
- Define Tus Valores: Articula explícitamente lo que significan “buen ajuste” y “potencial” para tu organización más allá de palabras clave, y trata de incorporar eso en el entrenamiento o criterios de evaluación de tu IA.
- Implementa Puertas de Revisión Humana: Crea puntos obligatorios en tu proceso de contratación donde el juicio humano anule o complemente las decisiones algorítmicas, especialmente para candidatos “casi acertados” o revisiones de diversidad.
- Prueba e Itera: Audita continuamente el rendimiento de tu IA contra resultados del mundo real y ajusta sus parámetros o tus procesos de revisión en consecuencia.
- Defiende el Wildcard: Busca activamente y aboga por candidatos que no encajen en el molde pero que demuestren un potencial excepcional o perspectivas únicas.
Artículos Relacionados
- Agente de IA que reduce la sobrecarga operativa
- Fundamentos de Alineación de IA: Consejos Prácticos, Trucos y Ejemplos para un Desarrollo Responsable de IA
- Estoy explorando el futuro del trabajo en agntzen.com
🕒 Published: