Ralun

Ralun / Guías de desempeño

Algoritmos de selección: 6 riesgos que RR. HH. debe revisar

Isotipo oficial de RalunRalun · Lectura estimada: 8 min
CompartirLinkedInFacebook
Enlace

Selecciona el enlace y usa la opción Copiar de tu dispositivo.

Correo
Dos personas revisan una tabla de puntuaciones y conectan sus resultados con una decisión humana.

Quieres contratar mejor y considerar a personas que quizá un filtro tradicional dejaría fuera. Pero una puntuación automática también puede premiar señales que no predicen el trabajo o repetir decisiones del pasado. Aquí verás qué evidencia pedir y qué riesgos revisar antes de delegar parte de la selección.

Una predicción no basta para contratar

Las entrevistas sin estructura, algunas pruebas y las recomendaciones personales tampoco garantizan decisiones acertadas. Por eso los sistemas que usan datos para buscar o puntuar candidatos parecen atractivos: pueden ampliar la búsqueda y restar peso a credenciales que no son indispensables. A la vez, una herramienta puede introducir criterios difíciles de explicar o medir algo que no guarda una relación demostrada con las tareas del cargo.

Peter Cappelli planteó esta tensión en el artículo de Harvard Business Review «Data Science Can’t Fix Hiring (Yet)», publicado en 2019. Su texto sirve como antecedente sobre modelos entrenados con resultados laborales anteriores, datos limitados y señales indirectas. Sus ejemplos describen ese momento; no prueban cómo funciona hoy cada proveedor ni el estado actual de una organización.

La idea central sigue siendo útil para evaluar cualquier filtro automático: Que una característica se asocie con un resultado pasado no demuestra por sí sola que sea pertinente, justa o adecuada para decidir sobre una persona. Antes de usar una puntuación para ordenar, descartar o avanzar candidatos, conviene saber qué mide, para qué cargo, con qué datos y bajo qué revisión humana.

1. Datos insuficientes o poco representativos

Un modelo requiere casos suficientes y resultados que representen el trabajo que intenta anticipar. Sin embargo, una empresa puede tener pocos datos comparables: contrataciones de distintas épocas, cargos diferentes o evaluaciones que no usan criterios comunes. Si los resultados de desempeño son escasos, irregulares o dependen de evaluaciones subjetivas, entrenar un algoritmo con ellos no elimina esas limitaciones; las convierte en parte del cálculo.

Los proveedores pueden combinar datos de varias organizaciones. Eso aumenta el volumen, pero deja otra pregunta: ¿las funciones, condiciones de trabajo y criterios de éxito son suficientemente parecidos para que el patrón resulte útil en tu vacante? Más registros no compensan automáticamente una diferencia importante entre el contexto de entrenamiento y el puesto que se intenta cubrir.

Al revisar una herramienta, pide que describan la población y el periodo usados para desarrollarla, las tareas para las que se evaluó y los límites conocidos. Si el proveedor no puede responder en un nivel comprensible para el equipo que contrata, será difícil juzgar qué significa la puntuación.

2. Resultados que no se trasladan a tu organización

Una señal puede parecer predictiva en una empresa y perder utilidad en otra. Cambian la definición del cargo, la tecnología, el equipo, el liderazgo, la ubicación, las oportunidades de aprendizaje y hasta la forma de medir el desempeño. Un promedio de varias organizaciones puede ocultar estas diferencias.

Por eso una demostración comercial o un informe general no sustituyen la evaluación en el contexto de uso. Delimita qué vacante, familia de cargos y etapa del proceso cubriría la herramienta. Aclara si su resultado recomienda revisar una candidatura o si funciona como descarte. No son usos equivalentes: cuanto más automática y determinante sea la exclusión, más importante es comprender y documentar sus criterios y efectos.

Si el rol cambia de manera sustantiva o el sistema se actualiza, vuelve a comprobar si la evidencia sigue aplicando. Una validación de otro cargo o de una versión anterior no responde automáticamente por la decisión de hoy.

Para procesos de movilidad interna a roles de mayor complejidad, un scorecard puede ordenar criterios, evidencias y contraevidencias. Ese recurso no equivale a una prueba psicométrica validada ni permite validar herramientas de contratación automatizada.

3. El pasado puede reproducir desigualdades

Los modelos aprenden de datos que ya existen. Si los registros históricos reflejan oportunidades desiguales o un grupo tuvo mayor acceso a ciertos cargos, el sistema podría favorecer las características asociadas a quienes fueron contratados o evaluados como exitosos, aunque no sean requisitos del trabajo.

Cappelli describió un caso divulgado por Amazon: el proyecto de selección que la empresa desarrolló desde 2014 penalizaba señales asociadas con mujeres porque el historial de contrataciones y desempeño estaba dominado por hombres. Amazon dejó de usarlo en 2017. Es un ejemplo histórico concreto, no evidencia de que todos los algoritmos actuales funcionen de la misma manera. Sí ayuda a formular la pregunta correcta: ¿qué decisiones previas están representadas en los datos y a quiénes podrían dejar fuera si se repiten?

Un recuento de resultados por grupo puede revelar diferencias que merecen investigación. Si aparece una disparidad, no la expliques como una propiedad natural de las personas ni la des por resuelta con una métrica agregada. Revisa qué etapa produce el efecto, si el criterio está relacionado con el trabajo y qué alternativas igualmente útiles podrían reducir una exclusión injustificada. Puedes ampliar la revisión con estas maneras prácticas de reducir sesgos en la contratación y con estrategias para decidir con menos sesgos.

4. Variables fáciles de medir, pero difíciles de justificar

Un sistema puede analizar palabras, movimientos, expresiones faciales, ubicación u otros datos porque están disponibles, no porque sean una medida sólida del trabajo. Una señal se vuelve un proxy cuando sustituye indirectamente a otra característica. Por ejemplo, el tiempo de traslado puede estar relacionado con la permanencia, pero también depende de dónde vive alguien y de sus posibilidades económicas. Usarlo para seleccionar personas puede afectar a grupos de forma desigual sin medir su capacidad para cumplir el cargo.

Pregúntate qué tarea concreta representa cada variable. ¿La medición refleja una capacidad necesaria o una circunstancia personal? ¿Se comprobó que aporte información adicional frente a una evaluación más directa? ¿Qué tan sensible es el resultado a acento, discapacidad, idioma, conectividad o condiciones del entorno? Si la explicación es «el modelo encontró una correlación», falta justificar por qué esa relación debería influir en una contratación.

La automatización tampoco convierte una variable subjetiva en objetiva. Si la empresa elige las etiquetas, los resultados deseados y los registros de entrada, esas decisiones siguen siendo humanas, aunque después las procese un sistema.

5. Privacidad, accesibilidad y explicaciones insuficientes

Recopilar información de redes sociales, navegación u otras fuentes puede sorprender a las personas y exceder lo que necesitan saber para postular. Que un dato esté disponible no significa que resulte pertinente ni que su reutilización sea apropiada. Antes de recopilarlo, aclara qué información se obtiene, con qué propósito, cuánto tiempo se guarda, quién accede a ella y qué opciones tiene la candidatura para ejercer sus derechos según la normativa aplicable.

También importa cómo se realiza la evaluación. Una prueba de voz, vídeo o interacción digital puede medir de forma distinta a alguien por su discapacidad, el dispositivo disponible o una necesidad de adaptación. La orientación de la EEOC sobre pruebas de selección y su material sobre inteligencia artificial y discapacidad describen obligaciones y prácticas en Estados Unidos. No reemplazan la revisión de las leyes de cada país, que pueden variar.

Define un canal para solicitar ajustes y una alternativa razonable para demostrar la capacidad relevante. Informa a quienes participan de las etapas que usan tecnología y de cómo pedir ayuda. El equipo responsable debe poder explicar, al menos, qué decisión apoya la herramienta y quién puede corregir una lectura equivocada.

6. Validez que no se comprueba en el cargo

Una puntuación alta o una presentación técnica no prueban que una herramienta prediga el desempeño que importa. Hay que definir el criterio: ¿qué significa hacer bien este trabajo y cómo se observará? Después, se necesita evidencia pertinente para ese cargo y ese uso, no solo para el sector en general.

La EEOC recomienda que las pruebas y procedimientos de selección estén validados para los puestos y propósitos en que se usan. También indica que, si un procedimiento excluye a un grupo protegido, el empleador debe evaluar si existe una alternativa igualmente eficaz con menor impacto adverso y adoptarla cuando corresponda. Es orientación para Estados Unidos; consulta asesoría laboral local antes de aplicar conclusiones legales a otro territorio.

En la práctica, documenta el objetivo de la herramienta, las tareas esenciales, el método de evaluación, los resultados por etapa y quién revisa las excepciones. Compara el filtro automatizado con una alternativa más directa —por ejemplo, una muestra de trabajo relacionada con el puesto, preguntas estructuradas o criterios observables— sin asumir que ninguna opción está libre de sesgo. La selección de líderes presenta retos adicionales; esta guía sobre cómo replantear ese proceso y examinar sus sesgos ofrece otro punto de comparación.

Preguntas para evaluar una herramienta

Antes de contratar o ampliar el uso de un sistema, pide respuestas claras a estas preguntas:

  1. ¿Qué decisión apoya? Identifica el cargo, la etapa del proceso y si la herramienta ordena, recomienda o descarta candidaturas.
  2. ¿Qué datos utiliza? Solicita origen, población, periodo, criterios de éxito y límites de los datos de desarrollo y de uso.
  3. ¿Qué evidencia respalda el resultado? Revisa cómo se comprobó la relación con las tareas y si se evaluó para ese puesto y ese propósito.
  4. ¿A quién podría dejar fuera? Analiza resultados por grupos relevantes y por etapa; investiga diferencias en lugar de ocultarlas con un promedio global.
  5. ¿Qué alternativas existen? Compara métodos con efectividad equivalente que puedan tener menos efectos adversos o medir la capacidad de forma más directa.
  6. ¿Quién revisa y corrige? Asigna a una persona responsable, un canal de consulta y un procedimiento para excepciones, errores y cambios del sistema.

Si faltan datos para responder, registra la limitación y define qué se debe comprobar antes de ampliar el uso. Para observar otros riesgos de la automatización, también puedes leer cómo la IA puede amplificar sesgos humanos y cómo esos patrones aparecen en la evaluación del desempeño.

Conclusión

Los algoritmos pueden ayudar a ordenar información y abrir nuevas vías para encontrar talento. Pero una herramienta no puede decidir por sí sola qué significa un buen desempeño, qué datos representan el cargo ni qué diferencias son aceptables. Si los registros son limitados, heredados o poco comparables, una puntuación puede devolver esas mismas limitaciones con apariencia de precisión.

Antes de automatizar un filtro, comprueba su pertinencia para el trabajo, los resultados que produce en tu contexto, la posibilidad de una alternativa menos excluyente y la forma de atender errores o ajustes. Mantén la responsabilidad en las personas que definen y aplican el proceso, y pide orientación legal en las jurisdicciones donde contratarás.

Luis Grau

Te dejo un desafío

En tu próxima revisión de un algoritmo de selección, toma una variable que influya en la puntuación. Pregunta qué tarea del cargo representa, qué evidencia respalda esa relación y qué alternativa directa permitiría comprobarla. Deja por escrito quién revisará el resultado antes de que afecte a una candidatura.

Esta semana, elige un proceso de selección y pide al proveedor qué datos, variables y evidencia usa para ese cargo. Contrasta una regla con los resultados por grupo y define quién revisará excepciones; así podrás detectar dudas antes de automatizar otra decisión.

CompartirLinkedInFacebook
Enlace

Selecciona el enlace y usa la opción Copiar de tu dispositivo.

Correo