IA en reclutamiento: cómo evitar sesgos y usarla de forma responsable

Cuando un modelo aprende de decisiones históricas, aprende también sus preferencias. Si durante años se contrató un mismo perfil, la IA tenderá a reproducirlo. El riesgo no es teórico: es la razón por la que la IA en selección requiere controles explícitos.

La buena noticia es que el sesgo humano tampoco es neutral, y a diferencia de una persona, un sistema se puede auditar. Un proceso con IA bien configurada puede ser más justo que uno basado en la intuición de quien revisa CV a las siete de la tarde. La clave está en cómo se diseña, se supervisa y se documenta.

Cinco sesgos frecuentes

• Sesgo histórico: el modelo replica patrones de contrataciones pasadas, incluidas sus exclusiones.
• Sesgo de proxy: variables aparentemente neutras (comuna, colegio, brechas laborales, año de titulación) funcionan como señal de género, edad o nivel socioeconómico.
• Sesgo de automatización: el reclutador confía en el ranking sin revisar el criterio detrás.
• Sesgo de redacción: exigencias innecesarias o lenguaje del aviso que reducen la postulación de ciertos grupos antes de que exista una evaluación.
• Sesgo de muestra: el modelo funciona bien en los perfiles con más datos y peor en los perfiles menos frecuentes en tu base.

Dónde aparece el sesgo en el proceso

Controles que sí funcionan

1. 1Evaluar contra el perfil de cargo, no contra perfiles de contratados anteriores.
2. 2Excluir variables sensibles y sus proxies del análisis.
3. 3Exigir justificación por candidato: qué requisito cumple y cuál no.
4. 4Revisión humana obligatoria antes de descartar a alguien.
5. 5Estructurar las entrevistas con las mismas preguntas y una pauta de puntaje.
6. 6Auditar periódicamente la composición de las listas cortas versus la del total de postulantes.
7. 7Informar a los candidatos que se usa apoyo de IA y ofrecer un canal de revisión.

Cómo auditar tu propio proceso en una tarde

1. 1Toma los últimos 10 procesos cerrados.
2. 2Compara la distribución por género, rango etario y procedencia entre el total de postulantes y la lista corta.
3. 3Si la brecha es relevante, revisa en qué etapa se produce el filtro.
4. 4Revisa tres descartes al azar por proceso: ¿el criterio registrado explica la decisión?
5. 5Documenta hallazgos y define un ajuste concreto antes del próximo cargo.

Trazabilidad: el registro que te protege

Ante un reclamo, la pregunta no es si usaste IA, sino si puedes explicar la decisión. Guarda para cada proceso: perfil publicado, criterios de evaluación, evidencia de cada etapa y la persona responsable de la decisión final.

Datos personales de postulantes

• Informa qué datos recolectas y con qué finalidad, en un lenguaje claro.
• Pide solo lo necesario para evaluar el cargo; evita datos sensibles sin justificación.
• Define plazos de retención de CV y evidencia de entrevistas, y cúmplelos.
• Restringe el acceso por rol dentro del equipo y registra quién consulta qué.
• Permite al candidato acceder, corregir o solicitar la eliminación de sus datos.
• Verifica qué hacen tus proveedores con la información y dónde se almacena.

Checklist de IA responsable

• Existe una persona responsable de cada decisión de descarte y contratación.
• El sistema explica sus recomendaciones en lenguaje comprensible.
• Las variables sensibles y sus proxies están excluidas.
• Las entrevistas siguen un guion estructurado.
• Los criterios y la evidencia quedan registrados en la plataforma.
• Se audita la composición de listas cortas al menos cada semestre.
• Los candidatos saben que hay apoyo de IA y cómo pedir revisión.
• Hay política de retención y eliminación de datos, documentada y aplicada.

La IA responsable en selección se resume en una regla: la máquina ordena y explica, la persona decide.