La inteligencia artificial prometía hacer más objetiva la selección de personal. Pero si compañías distintas utilizan sistemas que miran a los candidatos de manera parecida, un error deja de ser el problema de una empresa: puede convertirse en una barrera que acompaña al trabajador por todo el mercado laboral. El uso de herramientas similares puede erosionar una de las ventajas del mercado laboral: que empresas distintas valoren de forma diferente al mismo candidato.
El pasado mes de julio, una demanda presentada contra Meta puso sobre la mesa una inquietud de un grupo de trabajadores que sostiene que algunos sistemas internos de medición y evaluación pudieron convertir circunstancias como una baja médica, un permiso familiar o una discapacidad en señales de menor rendimiento. Las acusaciones todavía deben probarse, pero el caso ilustra el problema de cómo un algoritmo no necesita utilizar explícitamente una característica protegida para perjudicar a quien la posee; basta con penalizar una variable que funcione como sustituto de ella.
Ahora, otra línea de investigación amplía el problema: ¿qué ocurre cuando muchas empresas utilizan formas parecidas de medir y descartar candidatos? Los investigadores de la Universidad de Stanford lo llaman monocultura algorítmica: sistemas, datos y criterios similares pueden hacer que un mismo error se repita y acompañe al candidato de una empresa a otra.
Hasta ahora, casi todo el debate sobre IA y contratación preguntaba si una herramienta concreta discriminaba dentro de una empresa concreta. Stanford plantea algo distinto: qué ocurre en todo el mercado laboral cuando muchas empresas utilizan sistemas que toman decisiones parecidas.
La investigación analizó cuatro millones de candidaturas de más de tres millones de personas procesadas con tecnología de un mismo proveedor, y detectó que entre quienes optaron a diez puestos distintos, un 4% fue rechazado en los diez. Y entre quienes se presentaron a cuatro empleos, alrededor del 10% no superó ninguno de los procesos. Los autores llaman a este patrón "rechazo sistémico" porque los resultados se repiten más de lo que cabría esperar si cada empresa evaluara a los candidatos de forma verdaderamente independiente.
La monocultura algorítmica aparece cuando empresas distintas acaban mirando a los candidatos casi con los mismos ojos. No necesitan utilizar exactamente el mismo programa; basta con que sus sistemas se entrenen con datos parecidos, valoren las mismas habilidades o compartan una idea similar de qué es un "buen perfil". El resultado es que una persona descartada por una empresa puede volver a ser descartada por muchas otras por razones muy parecidas. Lo que antes era una opinión aislada empieza a convertirse en un criterio común de mercado.
La novedad de la monocultura algorítmica no es descubrir que un algoritmo puede equivocarse o discriminar. Es descubrir qué puede ocurrir cuando el mismo tipo de error se repite entre empresas diferentes. Hasta ahora, el mercado laboral ofrecía al candidato una segunda oportunidad: ser rechazado por una compañía no significaba ser rechazado por las demás. Si numerosas empresas utilizan sistemas que miran el talento de forma parecida, esa segunda oportunidad puede empezar a desaparecer.
El estudio también detectó diferencias raciales: el 25,87% de las candidaturas de personas negras y el 14,74% de las de personas asiáticas correspondían a puestos donde esos grupos obtenían peores resultados. Lo importante es que el sistema no recibía datos sobre raza, sexo o edad. Evaluaba a los candidatos mediante juegos. Es decir, un algoritmo puede generar desigualdades incluso sin utilizar directamente características protegidas, porque otros rasgos aparentemente neutrales pueden producir efectos discriminatorios similares indirectamente.
Esta posibilidad había sido anticipada cinco años antes. Una investigación publicada en Proceedings of the National Academy of Sciences concluyó que incluso un algoritmo bastante preciso puede empeorar el funcionamiento del mercado si todos dependen de él. La razón es que distintas empresas pueden terminar cometiendo los mismos errores y descartando a las mismas personas.
Cambia la búsqueda de empleo
La monocultura algorítmica cambia también la forma de buscar empleo. Hasta ahora, enviar más currículos significaba aumentar las posibilidades porque cada empresa podía valorar al candidato de manera diferente. Pero si muchas compañías utilizan herramientas, filtros o criterios parecidos, una nueva candidatura puede acabar siendo evaluada casi con la misma lógica que la anterior. Es decir, cambiar de empresa no siempre significa enfrentarse a una evaluación realmente distinta.
Por eso, diez rechazos pueden tener dos explicaciones muy diferentes: que diez empresas hayan llegado por separado a la misma conclusión o que todas estén utilizando sistemas que tienden a valorar al candidato de forma semejante. El problema es que la persona normalmente no sabe qué herramientas se han utilizado ni por qué ha quedado descartada.
Los investigadores de la Universidad de Stanford advierten de que, en ese escenario, algunos candidatos pueden necesitar presentarse a muchas más ofertas para aumentar las posibilidades de que alguna solicitud supere el filtro automático y llegue a ser revisada por una persona.
Esto ayuda a entender también la desconfianza de los candidatos. En una encuesta de Gartner a 2.918 personas, solo el 26% confiaba en que la IA pudiera evaluarlas de forma justa; el 32% temía que perjudicara su candidatura y una de cada cuatro decía confiar menos en las empresas que utilizan IA para evaluar candidatos.
Poner a una persona al final del proceso no garantiza una verdadera supervisión. Un experimento de la Universidad de Washington con 528 participantes mostró que la supervisión humana no siempre corrige los sesgos de una máquina: cuando los evaluadores recibían recomendaciones algorítmicas sesgadas sobre candidatos igualmente cualificados, sus propias decisiones tendían a inclinarse en la misma dirección. En los casos de mayor sesgo, llegaron a seguir alrededor del 90% de las recomendaciones..
La cuestión no es elegir entre personas o algoritmos, sino decidir qué queremos que midan esos sistemas y cuánto margen dejamos para descubrir talento diferente. La IA puede reducir arbitrariedades humanas, pero también repetir a gran escala los mismos criterios y errores. Korn Ferry advierte de que será cada vez más importante que los responsables de selección sepan cuestionar una recomendación automática y no limitarse a aceptarla. La monocultura algorítmica no es siempre negativa: la consistencia también puede aportar ventajas. El riesgo aparece cuando muchas empresas terminan mirando a los candidatos de la misma manera. Un mercado laboral sano necesita diversidad de criterio, porque alguien descartado por una empresa debería conservar la posibilidad de ser valorado de forma distinta por otra.
Cómo escapar del mismo filtro una y otra vez
Si varias empresas utilizan herramientas y criterios parecidos, cambiar de oferta no garantiza que el candidato esté cambiando realmente de evaluación. Puede enviar 20 solicitudes a 20 compañías distintas y seguirá topándose con filtros que valoran de manera muy similar su trayectoria. En ese escenario, aumentar simplemente el número de candidaturas puede servir de poco si todo el esfuerzo pasa por el mismo tipo de canal.
Una forma de reducir esa dependencia consiste en variar también la vía de acceso. Los formularios automatizados seguirán siendo inevitables en muchos procesos, pero pueden combinarse con reclutadores especializados, antiguos compañeros, asociaciones profesionales, comunidades sectoriales, ferias o contactos que permitan que una candidatura llegue antes a una persona. No hay evidencia de que estas alternativas neutralicen por sí solas la monocultura algorítmica, pero sí evitan que toda la búsqueda dependa de un único mecanismo de evaluación.
El problema de los filtros rígidos no es nuevo. Harvard Business School, junto con Accenture, documentó en Hidden Workers: Untapped Talent cómo determinadas prácticas de contratación pueden excluir a trabajadores perfectamente capacitados porque no encajan en los criterios predefinidos con los que se construye el candidato ideal. El estudio no analiza específicamente la monocultura algorítmica de Stanford, pero ayuda a entender por qué ampliar las formas de acceder a una empresa puede resultar relevante cuando los sistemas estandarizan demasiado lo que consideran un perfil válido.
También cambia lo que conviene enseñar. Si diferentes herramientas leen títulos, puestos anteriores y años de experiencia de manera parecida, puede resultar útil aportar información que describa mejor la capacidad real: proyectos terminados, resultados cuantificados, certificaciones, muestras de trabajo, código, publicaciones o evidencias concretas de una habilidad. La contratación basada en capacidades que promueve LinkedIn se mueve precisamente en esa dirección, al intentar ampliar los grupos de candidatos más allá de las credenciales tradicionales.
Nada garantiza que esas evidencias escapen a una evaluación automatizada. Su utilidad está en introducir más información sobre lo que una persona sabe hacer y reducir la dependencia de señales indirectas como la universidad en la que estudió, el nombre de su último cargo o haber trabajado previamente en determinada compañía.
Los propios rechazos pueden proporcionar alguna información, aunque las empresas expliquen muy poco sobre sus filtros. Si un profesional presenta numerosas candidaturas y nunca consigue superar la primera fase, seguir enviando exactamente el mismo currículo al mismo tipo de puesto puede aportar cada vez menos. Cambiar una variable (familia profesional, sector, canal de entrada, formato del currículo o forma de demostrar una competencia) permite comprobar si el resultado también cambia. No permite saber qué algoritmo estaba actuando, pero sí evita convertir la búsqueda en la repetición indefinida del mismo experimento.
Hay situaciones en las que el candidato puede además preguntar directamente por la evaluación. Esto resulta especialmente importante cuando una prueba automatizada puede colocar en desventaja a una persona con discapacidad u otra circunstancia que requiera adaptación. La EEOC estadounidense advierte expresamente de que las herramientas algorítmicas pueden excluir a personas capaces de desempeñar un trabajo y recuerda que, cuando corresponda, deben existir mecanismos de adaptación razonable.
La dificultad de la monocultura algorítmica es que el candidato rara vez sabe si un rechazo procede de una decisión particular de una empresa o de un patrón que se está repitiendo en varias. No existe una estrategia capaz de eliminar esa incertidumbre. Lo que sí puede hacerse es evitar que toda la búsqueda de empleo dependa de la misma combinación de currículo, formulario y filtro automático. Cuantas más formas tenga una persona de demostrar lo que sabe hacer y de llegar a una organización, menor será su dependencia de una única definición de lo que significa ser un buen candidato.
Cuando una auditoría tampoco detecta el sesgo
Si el riesgo de la monocultura algorítmica es que un mismo sesgo pueda repetirse entre empresas distintas, la respuesta parece sencilla: hay que auditar las herramientas antes de utilizarlas. Pero una auditoría mal diseñada también puede pasar por alto precisamente aquello que debería detectar.
Nueva York fue pionera al exigir auditorías de sesgo para ciertas herramientas automatizadas de contratación. Pero un estudio presentado en ACM FAccT 2025 encontró fallos importantes: el 83% de las auditorías tenía datos incompletos sobre raza o sexo de los candidatos.
Eso significa que una herramienta podía parecer "aprobada" sin que la auditoría tuviera toda la información necesaria. Stanford detectó además otro problema: los resultados globales de un proveedor no mostraban sesgo, pero al analizar cada puesto por separado sí aparecían diferencias relevantes. Una auditoría agregada puede ocultar discriminaciones que solo se ven al examinar puestos concretos.
El regulador británico ICO encontró problemas similares al examinar proveedores de IA para selección. Tras sus auditorías formuló cerca de 300 recomendaciones y detectó, entre otras prácticas, sistemas capaces de filtrar por características protegidas o de inferir género y origen étnico a partir del nombre.
Para las empresas, "auditado" no debería equivaler automáticamente a "seguro". Una revisión útil debe especificar qué versión del sistema se ha examinado, con qué candidatos, para qué puestos, qué datos faltan, qué diferencias aparecen entre grupos y qué sucede después de cada actualización. En un mercado en el que muchas organizaciones pueden compartir herramientas y criterios, una auditoría superficial no solo deja escapar un error: puede permitir que ese error se reproduzca a gran escala.
¿Ofertas invisibles? Sea el candidato elegido antes de publicar la vacanteDe estudiantes fantasma a candidatos 'fake': el fraude de identidad con IA'Deuda de dignidad': la factura por ser muy productivo con la IA Comentar ÚLTIMA HORA-
01:20
Goldman adquiere LCN por 410 millones de dólares
-
01:10
Los gestores llevan su apuesta por la Bolsa a máximos en cinco años
-
00:53
Los planes de pensiones pierden 586 millones en julio
-
00:44
Cobas y Azvalor disparan sus activos más de un 25% en 2026
-
00:04
Valores para ganar con el alza del rendimiento de la deuda