Una empresa publica una oferta de trabajo.
En unas horas recibe 700 currículums.
En pocos días son 2.000.
Pretender que un técnico de Recursos Humanos lea con la misma atención cada candidatura es poco realista.
La inteligencia artificial puede analizar documentación, detectar competencias, organizar candidatos, identificar requisitos y ayudar a encontrar perfiles que de otro modo probablemente quedarían enterrados entre cientos de solicitudes.
En grandes organizaciones, no utilizar automatización también tiene un coste.
Tiempo.
Dinero.
Procesos lentos.
Candidatos que nunca reciben respuesta.
Y decisiones humanas tomadas después de revisar decenas de currículums seguidos en pocos segundos.
Por eso el debate sobre inteligencia artificial y selección de personal no debería formularse simplemente así:
“¿Está bien o mal utilizar IA para seleccionar candidatos?”
La pregunta más útil es otra:
¿Qué parte de la selección estamos delegando a la IA, con qué criterios puede excluir a una persona y quién responde cuando el sistema se equivoca?
Porque utilizar IA para comprobar si una persona cumple un requisito objetivo del puesto no es lo mismo que permitir que un algoritmo decida silenciosamente quién “parece adecuado” para una empresa.
Y probablemente ahí estará una de las grandes líneas divisorias de los próximos años:
automatizar el trabajo de selección no debería significar automatizar la arbitrariedad.
La IA en Recursos Humanos no es el problema: el problema es qué decisión le dejamos tomar
Existe una imagen demasiado simplista del debate.
Por una parte:
“La IA discrimina, por tanto no debería utilizarse en contratación.”
Por otra:
“La IA elimina los sesgos humanos y selecciona objetivamente al mejor candidato.”
Ninguna de las dos afirmaciones es correcta de forma general.
Los humanos pueden tener sesgos.
Los algoritmos también.
Un técnico de selección puede descartar injustamente a una persona porque no le gusta su fotografía, su edad aparente, su universidad o una trayectoria profesional poco convencional.
Una herramienta automatizada puede ayudar a evitar alguna de esas intuiciones subjetivas.
Pero también puede cometer otro tipo de error:
descartar sistemáticamente a personas muy válidas porque no utilizan determinadas palabras, porque han tenido una interrupción laboral o porque su carrera profesional no se parece a los ejemplos históricos que el modelo considera exitosos.
El objetivo no debería ser elegir entre:
persona o algoritmo.
Debería ser diseñar un sistema en el que:
la IA haga bien aquello en lo que es fuerte y las personas conserven la responsabilidad sobre aquello que exige juicio, contexto y proporcionalidad.
Por qué RRHH está recurriendo cada vez más a inteligencia artificial
Hay una razón muy sencilla:
el volumen.
Y la propia IA está aumentando todavía más ese volumen.
Un estudio global de Morgan McKinley realizado en el tercer trimestre de 2026 entre 2.106 trabajadores y empleadores encontró que el 78 % de los candidatos utiliza ya IA generativa durante sus procesos de búsqueda de empleo.
El 59 % la utiliza para redactar o mejorar CV y cartas y el 43 % para preparar entrevistas. Casi un tercio de las empresas reconoce que ahora tiene mayores dificultades para comprobar cuáles son las competencias reales de los candidatos.
Se está produciendo una especie de carrera tecnológica.
Los candidatos utilizan IA para preparar mejores candidaturas.
Y:
las empresas utilizan IA para procesar más candidaturas.
Eso genera un círculo curioso:
más facilidad para solicitar puestos → más solicitudes → más automatización para filtrarlas → más optimización de los CV para superar los filtros.
Por eso la selección de personal de 2026 se parece cada vez menos a la de hace diez años.
La paradoja: más candidatos no significa encontrar mejor talento
LinkedIn reconocía en julio de 2026 precisamente este problema.
Según sus propios datos, dos tercios de los reclutadores afirmaban que encontrar talento cualificado era ahora más difícil que un año antes, pese a disponer de más candidatos y más herramientas de automatización.
La compañía sostiene que sus herramientas de IA pueden mejorar la identificación de determinados perfiles, pero también señala que el verdadero reto ha dejado de ser simplemente la velocidad:
la cuestión es la calidad de las señales utilizadas para decidir quién es un buen candidato.
Esta distinción es fundamental.
La IA puede conseguir que descartemos 1.500 currículums en treinta segundos.
Eso no demuestra que hayamos descartado los 1.500 correctos.
Lo que una IA puede hacer muy bien en selección
Una herramienta correctamente diseñada puede aportar muchísimo valor.
Puede:
analizar miles de currículums;
extraer experiencia y competencias;
normalizar diferentes formatos;
identificar titulaciones;
detectar certificaciones;
buscar competencias específicas;
relacionar habilidades equivalentes expresadas de distinta forma;
organizar candidaturas;
comparar requisitos con perfiles;
ayudar a localizar candidatos potencialmente interesantes;
automatizar comunicaciones;
programar entrevistas;
o ayudar a generar preguntas de entrevista relacionadas con el puesto.
Indeed resume su enfoque actual precisamente de esta manera: utilizar automatización para tareas repetitivas y apoyar la búsqueda y evaluación, pero mantener a las personas en control de las decisiones importantes.
En una multinacional que recibe decenas de miles de candidaturas cada año, negar la utilidad de estas herramientas tendría poco sentido.
Y la propia AEPD reconoce que una primera criba automatizada puede ser admisible
Este punto es especialmente importante porque evita convertir el debate en una oposición falsa entre innovación y derechos.
La guía de la Agencia Española de Protección de Datos sobre relaciones laborales incluye un ejemplo muy claro.
Considera que, en procesos con numerosos candidatos, puede ser admisible una primera selección automatizada que excluya a quienes no cumplen una condición o requisito esencial, poniendo como ejemplo la ausencia de una titulación necesaria.
Es decir:
automatizar una primera criba no es en sí mismo el problema.
El problema aparece cuando dejamos de saber:
qué está cribando el sistema;
por qué descarta;
qué importancia tiene cada criterio;
si ese criterio tiene relación real con el puesto;
y si alguien puede corregir la decisión.
La AEPD acaba de advertir precisamente sobre esto en septiembre de 2026
El momento del artículo es especialmente bueno.
El 23 de septiembre de 2026, la AEPD hizo pública una advertencia dirigida a una empresa que estaba estudiando implantar una herramienta de inteligencia artificial para selección de personal y movilidad interna.
La herramienta analizaría currículums, asignaría puntuaciones y podría priorizar candidaturas.
La AEPD actuó antes de que el sistema estuviera implantado.
No se trata de una multa ni de una declaración de infracción.
Es una advertencia preventiva.
Y el mensaje de la Agencia es especialmente interesante:
la IA puede contribuir a mejorar la eficiencia y calidad de los procesos de selección, pero las garantías deben incorporarse desde el diseño.
La Agencia destaca cuatro cuestiones:
protección de datos desde el inicio;
evaluación de riesgos;
transparencia con candidatos y trabajadores;
e intervención humana real.
Y esta última probablemente sea la más importante.
“La decisión final la toma una persona” no basta
Es una frase que probablemente aparecerá muchas veces en políticas corporativas:
“La IA únicamente recomienda; la decisión final siempre corresponde a RRHH.”
Pero jurídicamente y operativamente eso puede no ser suficiente.
Imaginemos este proceso:
la IA analiza 2.000 candidatos.
Les asigna una puntuación de 0 a 100.
Descarta automáticamente todos los que tienen menos de 70.
RRHH recibe únicamente los 120 candidatos restantes.
Después una persona decide cuál contratar.
Formalmente podría decirse:
“La decisión final fue humana.”
Pero 1.880 personas nunca tuvieron una decisión humana sobre si debían continuar en el proceso.
El algoritmo ya decidió que no.
La intervención humana tiene que ser real, no ceremonial
La AEPD ha sido muy clara.
Para considerar que existe verdadera intervención humana, la persona debe poder:
comprender la información proporcionada por el sistema;
valorarla críticamente;
apartarse de su recomendación;
y:
adoptar su propia decisión.
No basta con que el reclutador vea:
“Candidato: 64/100 — No recomendado”
y pulse:
rechazar.
Eso puede convertirse simplemente en automatización con una firma humana al final.
El Tribunal de Justicia de la UE ya ha advertido sobre este problema en otro ámbito
Existe además una sentencia europea muy importante que, aunque no trataba sobre selección de personal, ayuda a comprender la cuestión.
En el caso SCHUFA, el Tribunal de Justicia de la Unión Europea analizó un sistema automatizado que generaba puntuaciones de solvencia utilizadas después por bancos.
El TJUE concluyó que una puntuación automatizada puede formar parte de una decisión automatizada cuando el tercero que formalmente toma la decisión se basa de manera determinante en esa puntuación.
Trasladado al mundo de RRHH, la pregunta interesante sería:
¿el técnico decide realmente o, en la práctica, la puntuación decide por él?
Esa diferencia será cada vez más importante.
El punto clave: las reglas de exclusión deben existir antes de ejecutar el algoritmo
Probablemente este debería ser uno de los principios más importantes de cualquier selección asistida por IA:
primero se decide qué requisitos justifican excluir a una persona; después se configura el sistema.
No al revés.
Una empresa debería poder explicar antes de abrir la vacante:
qué es imprescindible;
qué es deseable;
qué puede compensarse con otra experiencia;
y qué necesita valoración humana.
Por ejemplo:
| Criterio | Tratamiento razonable |
|---|---|
| Titulación legalmente exigida para ejercer | Puede ser criterio de exclusión |
| Certificación profesional imprescindible | Puede ser criterio de exclusión |
| Idioma realmente necesario para desempeñar el puesto | Puede ser requisito |
| Disponibilidad para un turno inseparable del puesto | Puede ser requisito |
| Competencia técnica principal | Puede utilizarse para priorizar |
| Experiencia equivalente | Necesita interpretación |
| Número exacto de años de experiencia | Conviene evitar automatismos |
| Interrupciones laborales | No deberían convertirse automáticamente en penalización |
| Universidad concreta | Difícilmente debería actuar como proxy automático de calidad |
| Código postal o zona de residencia | Puede introducir sesgos poco relacionados con capacidad |
| Personalidad inferida del CV | Requiere enorme cautela |
| Emoción inferida de rostro o voz | Puede estar directamente prohibida |
La clave es distinguir:
requisito esencial
de:
característica que estadísticamente parece asociada a determinados candidatos contratados anteriormente.
Son cosas muy diferentes.
Un ejemplo sencillo: ¿5 años de experiencia es realmente una regla?
Imaginemos una oferta que exige:
“5 años de experiencia.”
El algoritmo encuentra una candidata con 4 años y 10 meses.
¿Debe ser eliminada?
Quizá el requisito era realmente:
tener experiencia suficiente para trabajar con autonomía.
En ese caso, cinco años no eran una condición binaria.
Eran simplemente una aproximación humana para describir un nivel.
Una persona podría detectar que la candidata desarrolló proyectos mucho más complejos que otra con siete años.
Un filtro rígido podría no hacerlo.
Por eso:
cuanto más interpretable sea el criterio, menos apropiado resulta utilizarlo como regla automática de exclusión.
La IA debería ser especialmente buena descartando lo imposible, no decidiendo lo discutible
Esta es una buena regla práctica.
Si un puesto exige legalmente una acreditación concreta y alguien no la tiene, la automatización puede ahorrar trabajo.
Si el puesto requiere obligatoriamente trabajar en francés y el candidato declara no conocer el idioma, también existe una señal clara.
Pero preguntas como:
“¿Tiene potencial?”
“¿Encajará en el equipo?”
“¿Su trayectoria demuestra liderazgo?”
“¿Compensa su menor experiencia con otro tipo de habilidades?”
requieren mucho más contexto.
Ahí empieza el verdadero trabajo de selección.
El problema de las puntuaciones de “encaje”
Una de las herramientas más atractivas comercialmente es la puntuación:
92 % match
Parece objetiva.
Pero detrás hay una pregunta mucho más importante:
¿92 % respecto de qué?
Puede haberse calculado utilizando:
palabras clave;
años de experiencia;
formación;
competencias;
trayectoria;
datos históricos;
o combinaciones mucho más complejas.
El porcentaje parece científico.
Pero la verdadera decisión se tomó antes:
cuando alguien decidió qué variables significan “buen candidato” y cuánto pesa cada una.
Un algoritmo puede ser perfectamente consistente y estar consistentemente equivocado
Esta es otra distinción esencial.
Una ventaja de la automatización es la consistencia.
Puede tratar 20.000 candidaturas utilizando exactamente las mismas reglas.
Pero:
aplicar siempre la misma regla no demuestra que esa regla sea correcta.
Si el criterio está mal diseñado, el error se escala.
Un reclutador puede cometer una decisión injusta.
Un algoritmo puede repetir esa misma decisión injusta:
20.000 veces.
El riesgo de aprender del candidato que contratábamos ayer
Imaginemos que una empresa entrena un modelo utilizando el historial de personas contratadas durante los últimos quince años.
La idea parece razonable:
“Busca candidatos parecidos a los profesionales que históricamente funcionaron bien.”
Pero aquí existe una trampa.
El sistema puede aprender:
cómo era nuestra empresa, no necesariamente quién es el mejor candidato.
Si históricamente la mayoría de directivos eran hombres de determinada edad, con determinadas universidades y trayectorias muy lineales, el modelo puede encontrar proxies estadísticos relacionados con ese patrón.
Aunque nunca exista una regla:
“prefiere hombres.”
Este es uno de los riesgos conocidos de los modelos predictivos utilizados en empleo.
Los proxies son especialmente difíciles de detectar
Un sistema no necesita recibir directamente:
sexo;
edad;
discapacidad;
origen étnico;
para generar efectos discriminatorios.
Puede utilizar variables correlacionadas.
Por ejemplo:
historial profesional;
intervalos sin empleo;
código postal;
determinadas instituciones educativas;
trayectorias laborales;
patrones lingüísticos.
Por eso el análisis de sesgo no consiste únicamente en comprobar:
“el algoritmo no pregunta la edad.”
La pregunta real es:
¿el resultado produce diferencias sistemáticas entre grupos y podemos justificar los criterios utilizados por su relación con el puesto?
El caso Workday muestra por qué este debate llegará a los tribunales
Estados Unidos está viviendo uno de los litigios más importantes sobre selección algorítmica.
En Mobley v. Workday, varios candidatos sostienen que herramientas automatizadas de selección de Workday produjeron efectos discriminatorios por motivos como edad, raza, sexo o discapacidad.
Workday niega las acusaciones y sostiene que sus herramientas evalúan cualificaciones laborales.
El caso continúa y no existe todavía una sentencia definitiva sobre la responsabilidad.
Pero en junio de 2026 una jueza federal permitió que varias de las reclamaciones siguieran adelante, y en septiembre los demandantes estaban solicitando la certificación de una amplia acción colectiva.
Es importante no extraer una conclusión excesiva:
el caso no demuestra que Workday haya discriminado.
Eso todavía debe resolverse.
Pero sí demuestra que la selección automatizada ha dejado de ser únicamente una discusión ética.
Empieza a convertirse en litigio real.
Europa ha decidido considerar especialmente sensible la IA de contratación
El Reglamento europeo de Inteligencia Artificial incluye expresamente en su Anexo III los sistemas destinados a:
reclutar o seleccionar personas;
publicar ofertas dirigidas;
analizar y filtrar candidaturas;
y:
evaluar candidatos.
Estos sistemas se encuentran dentro de los casos de uso considerados de alto riesgo.
Eso no significa que estén prohibidos.
Es una diferencia muy importante.
Alto riesgo no significa ilegal.
Significa que Europa considera que su utilización puede afectar suficientemente a derechos fundamentales como para exigir garantías reforzadas.
Importante: las obligaciones de alto riesgo se han aplazado hasta diciembre de 2027
Este detalle es especialmente importante en octubre de 2026.
El AI Act originalmente tenía un calendario anterior.
Pero el nuevo AI Omnibus, que entró en vigor el 27 de julio de 2026, modificó los plazos.
Las obligaciones específicas del régimen de alto riesgo para sistemas independientes del Anexo III —entre ellos los utilizados en empleo— serán aplicables a partir del 2 de diciembre de 2027.
Por tanto:
no sería correcto decir que todas las obligaciones de alto riesgo del AI Act para un sistema de selección ya son exigibles hoy.
Pero tampoco significa que exista un vacío legal hasta 2027.
El RGPD ya se aplica.
La normativa laboral ya se aplica.
La normativa antidiscriminación ya se aplica.
Y algunas prohibiciones del AI Act ya están vigentes.
Una práctica sí está ya prohibida: intentar leer emociones del candidato
Este punto merece especial atención porque muchas herramientas de entrevista automatizada se han promocionado históricamente prometiendo analizar:
expresión facial;
voz;
entonación;
nerviosismo;
confianza;
entusiasmo.
El AI Act prohíbe el uso de sistemas destinados a inferir emociones en el ámbito laboral salvo determinadas excepciones médicas o de seguridad.
Las propias directrices de la Comisión interpretan esta prohibición de forma amplia y la extienden al proceso de selección y contratación.
Por tanto:
utilizar IA para inferir emociones durante una entrevista de trabajo está prohibido en la UE.
Eso no significa que una empresa no pueda realizar una entrevista por vídeo.
El problema es utilizar IA para inferir supuestos estados emocionales a partir de la cara, voz u otras señales biométricas.
El RGPD ya limita las decisiones exclusivamente automatizadas
Aquí está probablemente la norma más importante actualmente.
El artículo 22 del RGPD reconoce el derecho a no quedar sujeto a una decisión basada únicamente en tratamiento automatizado, incluida la elaboración de perfiles, cuando produzca efectos jurídicos o afecte significativamente de forma similar.
Y el propio considerando 71 menciona expresamente:
los servicios de contratación online en los que no medie intervención humana.
Ser excluido de un proceso de selección puede ser precisamente ese tipo de efecto significativo.
La AEPD lo dice expresamente en su guía laboral.
Existen excepciones, pero “es más cómodo” no equivale a “es necesario”
El RGPD contempla determinados casos en los que puede permitirse una decisión exclusivamente automatizada.
Entre ellos, cuando resulte necesaria para celebrar o ejecutar un contrato o exista consentimiento explícito, con las garantías correspondientes.
Pero la AEPD recuerda que esa necesidad debe interpretarse restrictivamente.
Por ejemplo:
“Tenemos 10.000 candidatos y queremos ahorrar costes”
no significa automáticamente que una exclusión completamente automatizada sea jurídicamente necesaria.
También puede ser obligatoria una evaluación de impacto
El artículo 35 del RGPD exige una Evaluación de Impacto en Protección de Datos cuando determinados tratamientos puedan entrañar un alto riesgo para los derechos y libertades.
Entre los supuestos expresamente relevantes se encuentra la evaluación sistemática de aspectos personales basada en tratamientos automatizados cuando se utilizan para tomar decisiones con efectos jurídicos o similares.
La AEPD volvió a señalarlo específicamente en su advertencia de septiembre sobre IA y currículums.
Es decir:
la evaluación no debería hacerse después de comprar la herramienta.
Debería formar parte del diseño y de la decisión de implantarla.
En España existe además un derecho de información sobre algoritmos en el ámbito laboral
Desde 2021, el artículo 64.4.d del Estatuto de los Trabajadores reconoce a la representación legal de las personas trabajadoras el derecho a ser informada sobre:
parámetros, reglas e instrucciones de algoritmos o sistemas de IA que afectan a decisiones que pueden incidir en condiciones de trabajo, acceso y mantenimiento del empleo, incluida la elaboración de perfiles.
Es una obligación importante para RRHH.
El algoritmo no puede convertirse simplemente en:
“una tecnología del proveedor que nosotros no sabemos explicar.”
Y mañana, 5 de octubre de 2026, entra en vigor otra novedad española
El Real Decreto 723/2026, publicado el 15 de septiembre, entra en vigor el 5 de octubre de 2026.
Introduce nuevas obligaciones de información individual para determinadas relaciones laborales.
Entre ellas figura informar de la existencia de sistemas algorítmicos o automatizados de toma de decisiones y, cuando afecten a determinadas condiciones laborales, facilitar información sobre sus pautas, criterios y reglas de funcionamiento.
Esta norma se dirige esencialmente a personas que ya mantienen una relación laboral y tiene especial importancia para cuestiones como:
promoción;
asignación de tareas;
salario;
jornada;
lugar de trabajo;
o extinción.
Pero refuerza una dirección regulatoria muy clara:
cuando un algoritmo influye significativamente en la vida laboral de una persona, Europa y España quieren que esa influencia sea visible.
La transparencia importa también aunque la empresa esté haciendo todo legalmente
Existe además una cuestión que no es puramente jurídica:
la confianza.
El estudio global de Morgan McKinley de 2026 encontró que solo el 5 % de los candidatos confía en que la IA tome decisiones de contratación de manera independiente.
El 49 % duda en presentarse cuando el proceso implica screening completamente automatizado.
La confianza mejora significativamente cuando existe intervención humana.
Esto debería preocupar también a Recursos Humanos.
Porque un proceso puede ser:
eficiente + legal
y, sin embargo:
parecer profundamente injusto.
El problema de recibir un rechazo treinta segundos después de enviar el CV
Desde el punto de vista de la empresa puede existir una explicación perfectamente legítima:
el candidato no cumple un requisito imprescindible.
Desde el punto de vista del candidato sucede esto:
18:02 — envía solicitud.
18:03 — “Después de valorar cuidadosamente tu candidatura hemos decidido continuar con otros candidatos.”
Es difícil creer que alguien haya:
“valorado cuidadosamente”
nada.
Este tipo de experiencia crea una sensación de:
caja negra.
No sé por qué me rechazaron.
No sé si alguien vio mi CV.
No sé qué requisito incumplí.
No sé si existe algún error.
Y no sé cómo contactar con una persona.
La automatización debería permitir una comunicación más humana, no menos
Paradójicamente, la IA podría resolver parte del problema que ella misma crea.
Si un candidato queda descartado porque no cumple un requisito claramente definido, la organización podría informar:
“Este puesto requiere legalmente la certificación X y en tu solicitud no consta que dispongas de ella.”
Eso es muchísimo más transparente que:
“Tu perfil no encaja.”
Incluso cuando no resulte posible proporcionar explicaciones individualizadas muy detalladas, una empresa puede explicar:
qué tipo de herramienta utiliza;
en qué fase;
qué factores considera;
si una persona revisa los resultados;
y:
cómo puede solicitarse una revisión cuando proceda.
Las empresas deberían distinguir tres tipos de criterio
Un sistema de selección responsable debería separar claramente:
| Tipo | Ejemplo | Papel de la IA |
|---|---|---|
| Requisito excluyente | Certificación imprescindible | Puede comprobarlo |
| Factor de valoración | Experiencia relevante | Puede ayudar a priorizar |
| Juicio contextual | Potencial, transferencia de habilidades, trayectoria atípica | Necesita intervención humana |
El error aparece cuando:
un factor de valoración se convierte silenciosamente en criterio de exclusión.
Por ejemplo:
“se valoran cinco años de experiencia”
acaba programándose como:
si experiencia < 5 → rechazar.
La intención original y el comportamiento real del sistema ya no son iguales.
Una buena política debería definir también qué NO puede utilizar la IA
Tan importante como definir criterios es establecer límites.
Por ejemplo:
no inferir personalidad a partir de fotografías;
no deducir emociones;
no utilizar características protegidas;
no incorporar información irrelevante obtenida de redes sociales;
no penalizar automáticamente interrupciones profesionales;
no convertir variables indirectas en proxies de características sensibles.
La pregunta debe ser siempre:
¿por qué esta variable predice realmente la capacidad para realizar este trabajo?
Si la respuesta es:
“porque históricamente las personas que contratamos se parecían a este perfil”,
conviene investigar mucho más.
También debería revisarse a los candidatos rechazados, no solo a los contratados
Las empresas suelen medir:
qué porcentaje de candidatos recomendados acaba siendo contratado.
Eso permite medir falsos positivos.
Pero existe otra pregunta mucho más difícil:
¿cuántas personas buenas estamos descartando?
Son los falsos negativos.
Y son especialmente peligrosos porque normalmente son invisibles.
La persona nunca llega a entrevista.
Por tanto, nunca descubrimos que era excelente.
Una práctica muy útil: auditar una muestra de rechazados
Una organización podría revisar periódicamente una muestra aleatoria de candidaturas que la IA situó por debajo del umbral.
No para repetir manualmente todos los procesos.
Sino para responder:
¿está dejando fuera perfiles que un buen reclutador habría querido entrevistar?
Si sucede repetidamente, el problema no está en los candidatos.
Está en el criterio.
La supervisión humana tiene que tener autoridad real
La futura obligación de supervisión del AI Act para sistemas de alto riesgo refleja precisamente este principio.
El artículo 14 exige que las personas encargadas de supervisar un sistema puedan comprender sus capacidades y limitaciones, evitar una confianza excesiva en sus resultados, interpretar sus salidas y, cuando corresponda:
ignorar, anular o revertir la recomendación de la IA.
Aunque estas obligaciones específicas para sistemas de empleo se aplicarán a partir de diciembre de 2027, constituyen ya un excelente criterio de diseño.
El sesgo de automatización: “si lo dice el sistema, será por algo”
Existe además un problema psicológico.
Cuando una pantalla muestra:
87 % compatible
frente a:
61 % compatible,
es extremadamente difícil para una persona ignorar esa cifra.
Aunque no sepa exactamente cómo se calculó.
Se denomina automation bias:
la tendencia humana a confiar demasiado en una recomendación automatizada.
Curiosamente, el propio AI Act exige que quienes supervisen sistemas de alto riesgo sean conscientes precisamente de esa tendencia.
Por eso una empresa no debería limitarse a decir:
“RRHH puede cambiar la decisión.”
Debe crear un proceso que realmente anime a:
cuestionarla.
¿Qué aspecto tendría un proceso de selección razonablemente bien diseñado?
Podría funcionar así:
FASE 1 — Definición humana del puesto
RRHH y el responsable del área definen antes de recibir candidaturas:
requisitos imprescindibles;
criterios valorables;
competencias;
posibles equivalencias;
criterios que no deben utilizarse.
FASE 2 — Automatización de tareas objetivas
La IA estructura información y detecta cumplimiento de requisitos claros.
FASE 3 — Priorización, no sentencia
Puede ordenar candidatos según criterios previamente documentados.
Una puntuación baja no debería convertirse automáticamente en exclusión cuando el criterio exige interpretación.
FASE 4 — Revisión humana
RRHH revisa candidatos recomendados y una muestra relevante de resultados fronterizos o rechazados.
FASE 5 — Evaluación real de habilidades
Entrevistas estructuradas, pruebas relacionadas con el trabajo o muestras prácticas permiten comprobar que el CV —quizá optimizado por IA— corresponde con capacidades reales.
FASE 6 — Decisión humana
La decisión final integra la información disponible y puede apartarse del ranking.
FASE 7 — Auditoría
Se analiza periódicamente:
quién pasa;
quién queda fuera;
qué errores aparecen;
si existen patrones por grupos;
y si los criterios continúan siendo adecuados.
Ese modelo utiliza mucha IA.
Pero no entrega a la IA la responsabilidad completa.
El auge de la IA entre candidatos hace todavía más importante evaluar capacidades reales
Existe además otro cambio.
Si prácticamente cualquiera puede utilizar IA para crear:
un excelente CV;
una carta de presentación perfecta;
o respuestas muy pulidas,
el aspecto formal de una candidatura empieza a valer menos como indicador.
Morgan McKinley señala precisamente que los empleadores están respondiendo con mayor énfasis en:
pruebas prácticas;
preguntas específicas sobre experiencias reales;
y entrevistas donde el candidato explique cómo resolvió una situación concreta.
Tiene sentido.
En vez de construir filtros cada vez más complejos para saber:
“¿este CV lo escribió ChatGPT?”,
puede resultar más útil preguntar:
“¿esta persona sabe hacer el trabajo?”
La IA podría incluso mejorar la selección basada en habilidades
Aquí está también la gran oportunidad.
Durante décadas hemos utilizado señales imperfectas:
universidad;
años de experiencia;
empresa anterior;
determinados títulos profesionales.
La IA puede potencialmente ayudar a identificar:
competencias transferibles.
Una persona que nunca haya tenido exactamente el título:
“Project Manager”
puede haber gestionado durante años:
presupuestos, equipos, proveedores, plazos y riesgos.
Una herramienta bien diseñada podría ayudar a descubrir ese perfil.
Es decir:
la IA no tiene por qué estrechar el embudo. También puede ampliarlo.
LinkedIn sostiene precisamente que sus sistemas actuales pueden localizar candidatos que métodos tradicionales no siempre descubrían.
El proveedor no puede convertirse en una excusa
Otra frase peligrosa sería:
“No sabemos exactamente cómo funciona; es la herramienta que nos proporciona nuestro ATS.”
Para la persona candidata, quien ofrece el puesto es la empresa.
Una organización debería conocer al menos:
qué datos utiliza el sistema;
qué resultados genera;
qué papel tienen esos resultados;
cómo se evalúa su precisión;
cómo se gestionan errores;
cómo se detectan sesgos;
qué logs existen;
qué ocurre cuando cambia el modelo;
y quién puede revisar una decisión.
Contratar software no externaliza automáticamente la responsabilidad.
¿Debe la empresa explicar el algoritmo entero al candidato?
No necesariamente.
Transparencia no significa:
publicar el código fuente.
Tampoco significa revelar secretos comerciales.
Significa proporcionar información suficientemente significativa para entender:
que existe automatización;
qué papel desempeña;
qué tipo de factores son relevantes;
qué consecuencias puede tener;
y:
qué mecanismos de revisión existen cuando correspondan.
El RGPD reconoce además derechos específicos de información cuando existen decisiones automatizadas relevantes.
¿Puede una IA rechazar automáticamente a un candidato?
La respuesta rigurosa es:
depende del tipo de decisión, del funcionamiento real del sistema y de la base jurídica aplicable.
El RGPD establece como regla general el derecho a no quedar sometido a decisiones exclusivamente automatizadas que produzcan efectos jurídicos o similares significativos.
Existen excepciones.
Pero deben interpretarse con cuidado y acompañarse de garantías.
En cambio, utilizar automatización como ayuda para una primera criba basada en requisitos esenciales puede resultar admisible, tal como reconoce la propia AEPD.
No es lo mismo:
“no posee la habilitación profesional legalmente necesaria”
que:
“el algoritmo cree que no encaja”.
¿Y puede puntuar candidatos?
También puede.
Pero cuanto más importante sea la puntuación para determinar quién continúa, más relevante será poder explicar:
qué significa;
cómo se utiliza;
qué datos la generan;
qué margen tiene el humano para apartarse;
y:
si produce sesgos o errores.
La advertencia de la AEPD de septiembre de 2026 trata precisamente de una herramienta destinada a analizar currículums, asignar puntuaciones y priorizar candidatos.
¿Debería un candidato saber que está siendo evaluado mediante IA?
La tendencia normativa europea apunta claramente hacia una mayor transparencia.
Actualmente el RGPD ya exige información sobre determinados tratamientos y decisiones automatizadas.
La normativa laboral española añade obligaciones de información en contextos específicos.
Y, cuando entre plenamente en aplicación el régimen de alto riesgo del AI Act para empleo, existirán obligaciones adicionales para los responsables del despliegue.
Desde una perspectiva de confianza, además, parece razonable.
No es lo mismo decir:
“Utilizamos IA.”
que explicar:
“Una herramienta analiza tu CV para identificar los requisitos y competencias definidos para el puesto. No analiza emociones ni características protegidas. Las decisiones relevantes son revisadas por el equipo de selección.”
La segunda explicación reduce enormemente la sensación de arbitrariedad.
¿Qué debería saber un responsable de RRHH antes de comprar una herramienta de IA?
Antes de contratar un sistema, debería poder responder al menos a estas cuestiones:
- ¿Qué decisión concreta queremos mejorar? No comprar “IA para selección” sin definir el problema.
- ¿Qué requisitos pueden justificar realmente la exclusión? Deben fijarse antes del proceso y guardar relación directa con el puesto.
- ¿Qué datos utiliza el sistema? Incluidos datos inferidos y variables indirectas.
- ¿Utiliza características sensibles o proxies?
- ¿Cómo se calcula una puntuación y qué significa operacionalmente?
- ¿Quién puede modificar o ignorar la recomendación?
- ¿Se revisan también candidatos rechazados?
- ¿Cómo se mide el sesgo y la tasa de error?
- ¿Qué ocurre cuando el proveedor actualiza el modelo?
- ¿Cómo puede una persona solicitar revisión o impugnar una decisión cuando corresponda?
- ¿Necesitamos una EIPD?
- ¿Qué información reciben candidatos y representantes de los trabajadores?
- ¿La herramienta incorpora funciones de reconocimiento emocional o biométrico que podrían estar prohibidas?
- ¿Conservamos trazabilidad suficiente para explicar posteriormente una decisión?
Si un proveedor no puede responder razonablemente a estas preguntas, el problema no debería resolverse simplemente confiando en que:
“el algoritmo es muy avanzado.”
Un modelo de selección más humano no significa un modelo menos tecnológico
Este es probablemente el error conceptual que conviene evitar.
Humanizar no significa volver a imprimir 3.000 currículums y leerlos uno por uno.
Significa reservar el juicio humano para donde realmente aporta valor.
La IA puede:
quitar ruido.
El profesional de RRHH debería:
aportar contexto.
La IA puede:
detectar una competencia.
El profesional puede:
entender cómo se adquirió.
La IA puede:
encontrar patrones.
El profesional debe:
preguntarse si esos patrones deberían utilizarse para decidir.
El objetivo no debería ser encontrar “el candidato que más se parece a nuestros empleados”
Debería ser:
encontrar a las personas que tienen las capacidades necesarias para desempeñar bien el puesto.
Parece una diferencia pequeña.
Pero algorítmicamente es enorme.
El primer enfoque reproduce el pasado.
El segundo intenta predecir capacidad.
Y precisamente uno de los grandes beneficios potenciales de la inteligencia artificial será permitirnos descubrir:
trayectorias distintas que esconden habilidades equivalentes.
La experiencia del candidato también forma parte del riesgo empresarial
Una organización puede cumplir toda la regulación y, aun así, diseñar una experiencia pésima.
Si un candidato siente que:
nadie ha leído su perfil;
no sabe por qué fue rechazado;
no puede contactar con nadie;
y sospecha que una palabra mal colocada decidió su futuro,
el daño también afecta a:
la marca empleadora.
Morgan McKinley encontró que el 49 % de los candidatos duda en solicitar puestos cuando existe screening puramente automatizado, mientras que la aceptación aumenta claramente cuando intervienen personas.
Por eso:
mantener humanos en el proceso no es únicamente una exigencia de cumplimiento. Puede ser una ventaja competitiva.
La contratación del futuro probablemente será híbrida
La IA no va a desaparecer de Recursos Humanos.
Probablemente ocurra exactamente lo contrario.
Será cada vez más habitual para:
búsqueda;
matching;
cribado;
evaluación;
comunicaciones;
planificación;
analítica.
Pero precisamente cuanto mayor sea su presencia, más importante será definir:
dónde termina la recomendación de la máquina y empieza la responsabilidad humana.
La eficiencia puede automatizarse.
La responsabilidad no.
Preguntas frecuentes sobre IA y selección de personal
¿Es legal usar inteligencia artificial para seleccionar candidatos?
Sí puede serlo.
No existe una prohibición general de utilizar IA en selección.
Pero deben cumplirse el RGPD, la normativa laboral y antidiscriminatoria y, según el sistema y el calendario aplicable, el AI Act.
¿Los sistemas de selección son de alto riesgo según el AI Act?
Los sistemas destinados a analizar y filtrar solicitudes o evaluar candidatos aparecen expresamente en el Anexo III del AI Act como casos de uso de alto riesgo.
Las principales obligaciones específicas de alto riesgo para estos sistemas han sido aplazadas hasta el 2 de diciembre de 2027.
¿Puede utilizarse IA para hacer una primera criba?
Sí puede ser posible.
La AEPD pone como ejemplo admisible una primera criba automatizada cuando existen numerosos candidatos y se excluye a quienes no cumplen un requisito esencial como una titulación necesaria.
¿Puede una IA rechazarme automáticamente?
El RGPD establece límites a las decisiones exclusivamente automatizadas que producen efectos jurídicos o afectan significativamente a las personas.
La situación concreta dependerá del sistema, la base jurídica y las salvaguardas aplicadas.
¿Basta con que RRHH pulse “confirmar”?
No necesariamente.
Para que exista intervención humana real, la persona debe tener capacidad y autoridad para valorar críticamente el resultado y modificar la decisión.
Una mera validación formal puede no ser suficiente.
¿Puede una IA analizar mi cara o mi tono de voz durante una entrevista?
La utilización de IA para inferir emociones en procesos de contratación está prohibida en la UE, salvo las excepciones muy concretas previstas para fines médicos o de seguridad.
¿La empresa debe decirme que utiliza IA?
Existen ya obligaciones de transparencia derivadas del RGPD en determinados tratamientos y decisiones automatizadas.
Además, el marco laboral y el AI Act refuerzan progresivamente estas obligaciones.
¿Una puntuación automática cuenta como decisión aunque después decida una persona?
Puede llegar a ser relevante si esa puntuación determina de facto el resultado.
El TJUE ya estableció en el caso SCHUFA que una puntuación automatizada puede entrar en el ámbito del artículo 22 del RGPD cuando el tercero que adopta formalmente la decisión se basa de manera determinante en ella.
¿La empresa responde si el algoritmo es de un proveedor externo?
Utilizar software de terceros no elimina las obligaciones de la empresa respecto al tratamiento de datos, las decisiones laborales y los derechos de las personas.
La asignación concreta de responsabilidades dependerá del caso y de los distintos roles jurídicos.
Conclusión: utilizar IA para encontrar personas, no para dejar de verlas
La inteligencia artificial tiene mucho sentido en Recursos Humanos.
Especialmente cuando una organización recibe miles o decenas de miles de candidaturas.
No es razonable pedir a una persona que procese manualmente todo ese volumen.
Tampoco deberíamos idealizar la selección tradicional.
Los reclutadores humanos también pueden equivocarse, cansarse, utilizar atajos mentales o reproducir prejuicios.
La IA puede ayudar.
Puede aportar coherencia.
Puede descubrir habilidades.
Puede reducir tareas administrativas.
Puede conseguir que un equipo de RRHH dedique menos tiempo a clasificar documentos y más tiempo a hablar con personas.
Pero existe una frontera que las organizaciones no deberían perder de vista.
Una herramienta debería poder ayudarnos a encontrar candidatos. No debería poder inventar silenciosamente las reglas por las que dejamos de considerarlos.
Si una empresa quiere excluir automáticamente a una persona, debería ser capaz de responder con claridad:
¿qué requisito no cumple?
¿por qué ese requisito es realmente necesario para el puesto?
¿se decidió antes de ver las candidaturas?
¿podemos demostrar que no produce efectos injustificadamente discriminatorios?
Y, cuando la respuesta sea menos clara:
debería entrar una persona.
Porque seleccionar talento no consiste únicamente en calcular similitudes.
Consiste también en detectar excepciones.
Entender trayectorias.
Reconocer habilidades transferibles.
Y descubrir por qué alguien que no encaja perfectamente en el perfil previsto puede ser precisamente la persona que la empresa necesita.
La IA puede hacernos mucho más eficientes.
El error sería utilizar esa eficiencia para eliminar el elemento que da sentido a Recursos Humanos:
el criterio humano.
El mejor modelo de selección probablemente no será el que automatice más.
Será el que sepa con precisión:
qué merece automatizarse y qué nunca debería decidirse sin una persona detrás.
Última actualización: 4 de octubre de 2026.
Este contenido tiene finalidad informativa y no constituye asesoramiento jurídico. La legalidad de un sistema concreto de selección mediante inteligencia artificial depende de su funcionamiento, datos tratados, grado de automatización, finalidad y contexto de utilización.