Un reclutador puede filtrar 40 CVs en una tarde con ayuda de un algoritmo. Lo que ningún algoritmo puede hacer todavía —sin evidencia que lo respalde— es decirte con certeza científica si esa persona rendirá bien en el puesto. Esa distinción, tan simple como suena, es la que más se confunde hoy en los procesos de selección de personal con base científica en México y América Latina.
La inteligencia artificial ya es parte del reclutamiento: agenda entrevistas, resume currículums, responde preguntas frecuentes de candidatos y, en algunos casos, asigna un puntaje a cada persona antes de que un humano la vea. El problema no es que la IA participe. El problema es cuándo esa participación se presenta como si fuera evaluación psicométrica, sin haber pasado por el mismo estándar de evidencia.
La automatización en reclutamiento resuelve tareas operativas y logísticas del proceso de selección, mientras que la evaluación psicométrica mide constructos psicológicos —personalidad, aptitudes, competencias— a través de instrumentos con evidencia documentada de validez y confiabilidad. Son capas distintas del proceso y no son intercambiables.
Durante los últimos años, decenas de plataformas han empezado a ofrecer "scoring" de candidatos generado por modelos de lenguaje o algoritmos de matching. Muchas son útiles para lo que hacen: ordenar información, detectar palabras clave, reducir tiempo de revisión manual. El riesgo aparece cuando ese resultado —un número, un semáforo, una recomendación— se presenta ante RH como si tuviera el mismo respaldo que un instrumento psicométrico validado.
La diferencia no es cosmética. Un instrumento psicométrico validado documenta con qué método se probó que mide lo que dice medir (validez) y qué tan consistente es esa medición a través del tiempo y de distintos evaluadores (confiabilidad). Un algoritmo de scoring entrenado para "predecir buenos candidatos" a partir de datos históricos de contratación puede simplemente estar aprendiendo los sesgos de quién contrató antes, sin que exista ese mismo proceso de validación (Raghavan, Barocas, Kleinberg y Levy, 2020).
Esto no significa que la IA sea inútil en reclutamiento. Significa que hay que saber, con precisión, en qué parte del proceso está trabajando.
Estas son las tareas donde la automatización tiene evidencia sólida de eficiencia, sin necesidad de sustituir un instrumento validado:
En todas estas tareas, lo que se automatiza es el proceso, no la medición de la persona. Ahí está la línea.
Estas son las zonas donde un algoritmo de IA, sin el respaldo de un proceso de validación psicométrica, no tiene el mismo estatus que un instrumento científico:
Este último punto conecta directamente con un tema que merece su propio desarrollo y que retomaremos en un blog dedicado: qué pasa cuando un algoritmo introduce sesgo sistemático contra ciertos grupos de candidatos sin que nadie lo detecte a tiempo. Por ahora, basta decir que la ausencia de validación no es un detalle técnico menor: es el punto exacto donde un proceso de selección deja de ser defendible.
Antes de adoptar o mantener una herramienta de IA en tu embudo de reclutamiento, estas preguntas ayudan a ubicar qué está haciendo realmente:
Si la mayoría de las respuestas apuntan a "no lo sé" o "no está documentado", lo que tienes frente a ti es una herramienta de automatización operativa disfrazada de evaluación. Puede seguir siendo útil, pero no en el lugar del proceso donde hoy la estás usando.
El error más común no es usar IA en reclutamiento. Es no tener claro en qué capa del proceso está actuando. Una organización puede —y probablemente debería— usar automatización para agilizar la logística, ordenar el pipeline y mejorar la experiencia del candidato. Lo que no puede hacer sin riesgo es delegarle a esa misma automatización la pregunta que solo un instrumento validado puede responder con evidencia: si esta persona, específicamente, tiene las competencias y rasgos que el puesto requiere.
Ahí es exactamente donde entra la psicometría con respaldo científico: no como un paso adicional que retrasa el proceso, sino como la capa que sostiene, con evidencia, la decisión que la automatización sola no puede garantizar.
Si quieres revisar qué debería poder demostrarte cualquier proveedor de evaluación —humano o algorítmico— antes de confiar en sus resultados, nuestro whitepaper "Validez y confiabilidad: lo que tu proveedor de psicometría debería poder demostrar" desarrolla los criterios exactos que aplican aquí también.
Descarga el whitepaper "Validez y confiabilidad: lo que tu proveedor de psicometría debería poder demostrar" y aplica el mismo estándar de evidencia a cualquier herramienta —con o sin IA— que uses en tu proceso de selección.
¿La inteligencia artificial puede sustituir por completo una prueba psicométrica? No. La IA puede automatizar tareas operativas del proceso de selección, pero medir constructos psicológicos con evidencia de validez y confiabilidad requiere instrumentos diseñados y probados específicamente para eso, no un algoritmo de scoring general.
¿Es seguro usar herramientas de IA para el primer filtro de candidatos? Es razonablemente seguro cuando el filtro se basa en criterios objetivos y verificables (experiencia, ubicación, certificaciones). El riesgo aumenta cuando el algoritmo infiere rasgos psicológicos o predice desempeño sin evidencia de validez documentada.
¿Qué pregunta le debo hacer a un proveedor de IA para reclutamiento antes de contratarlo? La más importante es si puede mostrar evidencia de validez de lo que su herramienta mide o predice, y con qué metodología se documentó. Un caso de éxito comercial no equivale a un estudio de validez.
¿La automatización en reclutamiento reduce sesgos o los puede aumentar? Depende del diseño y del entrenamiento del algoritmo. Un modelo entrenado con datos históricos de contratación puede reproducir sesgos previos si no pasa por un proceso explícito de revisión y validación (Raghavan et al., 2020).
¿Qué dice la ley mexicana sobre el uso de IA en la evaluación de candidatos? La LFPDPPP, publicada el 20 de marzo de 2025, exige que el manejo de datos personales —incluyendo los usados para entrenar o alimentar algoritmos de evaluación— cuente con consentimiento informado y trazabilidad sobre su uso.
¿Cómo distingo si una herramienta hace automatización operativa o evaluación psicométrica? Automatiza si organiza, filtra o agiliza tareas basadas en datos objetivos. Evalúa si infiere rasgos psicológicos, personalidad o predicción de desempeño. Solo lo segundo requiere el mismo estándar de validez que una prueba psicométrica.
¿Vale la pena combinar IA y pruebas psicométricas en un mismo proceso de selección? Sí, y es lo más común en procesos maduros: la IA agiliza la logística y el primer filtro, mientras el instrumento psicométrico validado aporta la evidencia científica sobre las competencias y rasgos que el puesto requiere.
Aurora Martínez Carrillo es Gerente de Investigación en Psicotest, con más de 10 años de experiencia en psicometría organizacional aplicada a procesos de selección en México y América Latina.
Psicotest es una plataforma de evaluación psicométrica laboral con más de 20 millones de evaluaciones aplicadas en más de 25 países de habla hispana.
Referencias
American Educational Research Association, American Psychological Association y National Council on Measurement in Education. (2014). Standards for educational and psychological testing.
Cohen, R. J., y Swerdlik, M. E. (2018). Psychological testing and assessment: An introduction to tests and measurement (9a ed.). McGraw-Hill.
International Test Commission. (2016). ITC guidelines for translating and adapting tests (2a ed.).
Raghavan, M., Barocas, S., Kleinberg, J., y Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469–481.
Sackett, P. R., Zhang, C., Berry, C. M., y Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction in range. Journal of Applied Psychology, 107(11), 2040–2068.
Schmidt, F. L., y Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124(2), 262–274.
Society for Industrial and Organizational Psychology. (2021). Guidance on the use of artificial intelligence and machine learning in employee selection.
