La automatización ha convertido la criba de currículums en un trámite de segundos. Pero la investigación de los últimos años advierte de que, por el camino, muchas empresas están descartando justo a las personas que dicen no encontrar.

En 2014, un equipo de ingenieros de Amazon se propuso algo que sonaba a sueño para cualquier departamento de Recursos Humanos: una máquina capaz de leer currículums y señalar a los mejores. El sistema puntuaba a los candidatos de una a cinco estrellas, igual que los clientes valoran los productos en la tienda online. Uno de los implicados lo resumió después con bastante franqueza. Querían, dijo, un motor al que dar 100 currículums para que devolviera los cinco mejores.

El experimento no salió como esperaban. Hacia 2015, la compañía comprobó que la herramienta no evaluaba de forma neutral a los aspirantes a puestos de desarrollo de software y otros perfiles técnicos. El modelo había aprendido observando los currículums recibidos durante una década, y la mayoría eran de hombres, algo que reflejaba el peso masculino en el sector tecnológico. El resultado fue que el sistema penalizaba los CV en los que aparecía la palabra «women’s», por ejemplo en la línea de alguien que había sido capitana de un club de ajedrez femenino, y rebajaba la nota a las graduadas de dos universidades exclusivamente femeninas.

Los ingenieros corrigieron esos términos concretos, pero nada garantizaba que la máquina no encontrara otras formas de clasificar a los candidatos que resultaran igual de discriminatorias. Amazon acabó desmantelando el equipo.

Aquella historia, que desveló Reuters en 2018, sigue siendo hoy un buen punto de partida para entender un debate que ya forma parte del día a día de cualquier empresa que contrata.

Una puerta que casi nadie ve

Cuando una empresa publica una oferta, lo habitual es que reciba cientos de candidaturas. Nadie puede leerlas todas con calma, así que la primera criba se deja en manos de un software. Se calcula que alrededor del 99% de las compañías del Fortune 500 utilizan sistemas automatizados para filtrar a los aspirantes y reducirlos a un número manejable antes de empezar las entrevistas.

La herramienta en sí no es el problema, porque gestionar ese volumen es necesario. El riesgo aparece en un lugar menos visible, que son las instrucciones que le damos.

La tentación de los criterios cerrados

Pongamos un ejemplo. Una empresa busca a alguien para coordinar equipos y configura el filtro para que exija la expresión «gestión de proyectos» y un mínimo de cinco años de experiencia. Una candidata que lleva seis años liderando equipos multidisciplinares en una ONG, o un exmilitar que ha dirigido operaciones logísticas complejas, pueden quedarse fuera sin que nadie llegue a leer su nombre. Saben hacer el trabajo, pero lo describen con palabras distintas a las que espera el sistema.

En 2021, la Harvard Business School y la consultora Accenture publicaron el estudio Hidden Workers: Untapped Talent («Trabajadores ocultos: talento sin explotar»). Los investigadores encuestaron a 2.250 directivos de Estados Unidos, Reino Unido y Alemania, y una amplia mayoría, el 88%, reconoció que candidatos cualificados quedan fuera del proceso porque no encajan exactamente en los criterios del puesto.

El informe también puso cifra a ese talento invisible. Hasta 27 millones de personas solo en Estados Unidos entrarían en la categoría de «trabajadores ocultos», y entre los colectivos más perjudicados por sistemas de selección rígidos figuran veteranos del ejército, inmigrantes, personas con discapacidad física o quienes han pasado por prisión. A ellos se suman perfiles mucho más corrientes, como quien tiene un paréntesis en su carrera por cuidar de un familiar, quien cambió de sector o quien aprendió su oficio fuera de la universidad.

Uno de los autores del estudio, el profesor Joseph Fuller, apuntó una contradicción llamativa. Según explicó, las empresas acaban contratando a personas que ellas mismas consideran no del todo cualificadas mientras se quejan de que no encuentran candidatos preparados. Parte de la famosa escasez de talento, en otras palabras, podría estar provocada por el propio embudo de selección.

Cuando la máquina aprende nuestros prejuicios

La nueva generación de herramientas ya no se limita a buscar palabras clave. Utiliza inteligencia artificial generativa para interpretar y ordenar los currículums, y cabría pensar que eso resuelve el problema. Los datos apuntan a que no del todo.

En 2024, un equipo de la Universidad de Washington hizo un experimento muy interesante. Tomaron más de 550 currículums reales y fueron cambiando solo los nombres, alternando nombres asociados a hombres y mujeres, blancos y negros, sin tocar una sola línea de la experiencia. Después pidieron a tres modelos de lenguaje punteros, de Mistral AI, Salesforce y Contextual AI, que los ordenaran frente a más de 500 ofertas reales de nueve profesiones distintas, lo que sumó más de tres millones de comparaciones.

Los sistemas prefirieron los nombres asociados a personas blancas en el 85% de los casos, frente al 9% de los asociados a personas negras, y los nombres masculinos en el 52% de los casos, frente al 11% de los femeninos. En ninguna comparación directa favorecieron un nombre asociado a un hombre negro frente a uno asociado a un hombre blanco.

Es importante recordar que los currículums eran idénticos. Lo único que cambiaba era el nombre.

Lo que un formulario no sabe leer

Más allá de los sesgos hay una limitación más de fondo. Una trayectoria profesional está llena de matices que no caben en un campo de texto, como la forma en que alguien sacó adelante un proyecto que se torcía, cómo resolvió un conflicto en su equipo o por qué dejó un puesto estable para aprender algo nuevo.

Cuando la primera fase de la selección se delega por completo en un sistema, se da por hecho que todo lo relevante está escrito en el documento. Y muchas veces lo que distingue a un profesional está precisamente en lo que resulta difícil de medir.

Supervisar es algo más que mirar

La respuesta más intuitiva es que una persona revise lo que propone la máquina. Es necesario, aunque no suficiente, y la propia Universidad de Washington lo comprobó en un segundo estudio. En él, 528 participantes seleccionaron candidatos con la ayuda de sistemas de IA simulados con distintos niveles de sesgo racial. Cuando decidían sin sugerencias, sus elecciones apenas mostraban sesgo, pero cuando recibían recomendaciones acababan reproduciendo los prejuicios de la IA.

Tener a alguien revisando el proceso sirve de poco si esa persona se limita a dar por buena la propuesta del algoritmo. El criterio humano hay que ejercerlo de verdad.

La ley también se mueve

Europa ha tomado nota. El Reglamento Europeo de Inteligencia Artificial clasifica como de alto riesgo los sistemas de IA usados en decisiones laborales, desde las herramientas de reclutamiento y selección hasta la evaluación del desempeño, la asignación de tareas, la vigilancia de trabajadores y las decisiones de ascenso o despido. Esa etiqueta conlleva obligaciones exigentes en documentación, gestión de riesgos y supervisión humana.

Su aplicación, prevista en un principio para este verano, se ha retrasado. Tras la aprobación del llamado Ómnibus Digital por el Parlamento Europeo el 16 de junio y por el Consejo el 29 de junio de 2026, las obligaciones para estos sistemas se aplicarán a partir del 2 de diciembre de 2027. Aun así, sería un error tomarlo como un respiro. El aplazamiento no deroga nada, y la IA aplicada al empleo sigue dentro de la categoría de alto riesgo. Las organizaciones que empiecen ya a revisar sus procesos llegarán mucho mejor preparadas.

Equilibrar la eficiencia con el juicio humano

Nada de esto supone un alegato contra la tecnología. Sin herramientas de cribado, muchos departamentos de selección no podrían funcionar. La cuestión es qué papel les damos dentro del proceso.

Hay prácticas sencillas que marcan la diferencia. Separar los requisitos imprescindibles de los deseables, para que un «preferiblemente» no acabe funcionando como un descarte automático. Revisar cada cierto tiempo una muestra de los candidatos que el sistema ha dejado fuera, para comprobar si el filtro está siendo más estricto de la cuenta. Preguntar a los proveedores cómo se ha entrenado su herramienta y qué pruebas de sesgo ha superado. Y reservar tiempo para hablar con perfiles que se salen de lo habitual, porque en esa conversación suele aparecer el porqué de una trayectoria.

Si el filtro es demasiado estrecho, el equipo de selección acabará entrevistando siempre a personas muy parecidas entre sí. Y una organización que solo incorpora perfiles conocidos va perdiendo, poco a poco, la capacidad de ver las cosas de otra manera.

Contratar a alguien tiene mucho de apuesta por su potencial, algo que va bastante más allá de cumplir una lista de requisitos. Y para hacer bien esa apuesta todavía hace falta alguien que sepa leer entre líneas.