Definición. La discriminación algorítmica en reclutamiento es la forma de exclusión sistemática que se produce cuando sistemas automatizados — modelos predictivos, filtros basados en machine learning, parsers de currículum, scoring automatizado de candidatos — reproducen o amplifican sesgos presentes en los datos con los que fueron entrenados, en el diseño del sistema o en su uso, generando desventajas sistemáticas para grupos demográficos específicos.
Desarrollo. La discriminación algorítmica no es un riesgo teórico futuro: es un fenómeno documentado en múltiples casos públicos de los últimos años. Sus mecanismos típicos incluyen:
La discusión técnica internacional sobre este tema ha producido en los últimos años marcos regulatorios concretos. La Unión Europea, a través del AI Act, clasifica los sistemas de IA aplicados a reclutamiento como "alto riesgo" y establece obligaciones de transparencia, auditoría y registro. En Estados Unidos, jurisdicciones como Nueva York han implementado regulaciones específicas (Local Law 144) que exigen auditorías de sesgo para herramientas automatizadas de decisión laboral. En México, el marco regulatorio específico sobre IA en reclutamiento todavía está en formación, pero principios contenidos en LFPED, LFPDPPP y NOM-035 ya aplican a estos sistemas en su operación actual.
La psicometría tradicional bien diseñada — con baremos vigentes, evidencia de validez documentada, análisis de DIF, monitoreo de impacto adverso — opera con marcos técnicos consolidados desde hace décadas. Los sistemas algorítmicos más nuevos frecuentemente se despliegan sin esos mismos marcos. La paradoja regulatoria es que herramientas más sofisticadas técnicamente pueden estar menos validadas socialmente que herramientas más simples y antiguas.
Ejemplo aplicado. Una empresa multinacional con operación en México evalúa adoptar un sistema de scoring automatizado de candidatos basado en machine learning para procesos de reclutamiento masivo. El equipo de RRHH local plantea cuatro preguntas al proveedor antes de la adopción: con qué datos se entrenó el modelo, qué auditorías de sesgo se han realizado sobre él, qué transparencia ofrece sobre los factores que pesan en cada puntaje, y qué evidencia tiene de validez para población mexicana específicamente. La respuesta del proveedor es vaga en tres de las cuatro preguntas. El equipo recomienda no adoptar el sistema en sus operaciones mexicanas hasta contar con respuestas documentables. La postura no es contra la tecnología — es a favor de aplicar a la tecnología nueva los mismos estándares de evidencia que la psicometría tradicional ha aplicado durante décadas.
Por qué importa al decisor. La discriminación algorítmica es uno de los riesgos reputacionales y legales emergentes más relevantes para áreas de RRHH en los próximos años. Aplicar a sistemas automatizados los mismos criterios técnicos que se aplican a la psicometría tradicional — validez documentada, equidad demostrada, auditoría periódica — protege simultáneamente la calidad de las decisiones y la integridad ética del proceso.
Referencias.
