Ralun

Ralun / Guías de desempeño

Sesgo por apariencia en el trabajo: cómo detectarlo sin trasladarlo a la IA

Isotipo oficial de RalunRalun · Lectura estimada: 6 min
CompartirLinkedInFacebook
Enlace

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

Correo
Dos candidaturas comparables se revisan mediante muestras de trabajo en lugar de retratos.

Dos candidaturas ofrecen experiencia comparable, pero una fotografía cambia la impresión inicial del evaluador. El sesgo por apariencia puede influir después en entrevistas, ascensos y evaluaciones de desempeño. La fuente propone usar datos e IA para hacerlo visible, siempre que la organización examine primero los prejuicios que esos mismos datos pueden contener.

Qué es el sesgo por apariencia

Es el trato más favorable que recibe una persona considerada atractiva, de forma consciente o inconsciente, aunque su aspecto no demuestre mayor capacidad para el trabajo. La fuente lo sitúa junto a otros prejuicios que pueden alterar decisiones laborales y señala que los criterios de belleza dominantes también afectan de manera desigual a grupos minoritarios.

La investigación que resume el artículo original relaciona el atractivo percibido con más oportunidades de entrevista, contratación, ascenso y remuneración. Entre sus ejemplos figura un experimento con currículos iguales acompañados de fotografías distintas: los perfiles considerados más atractivos recibieron más invitaciones a entrevistas. La fuente también cita diferencias salariales observadas en estudios, pero esas cifras describen los trabajos revisados allí, no una regla aplicable a cada empresa.

Una decisión basada en la apariencia puede parecer una evaluación de mérito cuando nadie registra qué información influyó realmente. Por eso conviene examinar el proceso completo y no solo la intención declarada de quienes evalúan.

Dónde aparece en la contratación y la evaluación

El efecto puede empezar antes de una entrevista, al revisar fotografías, presencia en vídeo o señales del currículo que sugieren una apariencia determinada. También puede influir cuando un entrevistador interpreta seguridad, simpatía o capacidad a partir de una primera impresión. Más tarde, esas mismas impresiones pueden contaminar calificaciones de desempeño y decisiones de promoción.

La fuente conecta este fenómeno con el «efecto halo»: atribuir otras cualidades positivas a alguien por un rasgo favorable que se percibe primero. En el trabajo, el problema se agrava cuando las calificaciones dependen casi por completo de juicios subjetivos de una sola persona y faltan ejemplos observables del desempeño.

Un proceso de evaluación del desempeño con criterios claros y conversaciones documentadas puede ayudar a preguntar qué evidencia respalda una calificación. No garantiza, por sí solo, que el sesgo desaparezca.

Lo que una relación estadística no demuestra

La fuente insiste en que correlación no equivale a causalidad. Encontrar una relación entre atractivo y éxito profesional no demuestra cuánto se explica por prejuicios, por diferencias en oportunidades anteriores o por otros factores. Incluso el desempeño «previo» puede reflejar que una persona recibió mejores proyectos, más apoyo o evaluaciones más favorables.

También hay trabajos donde la interacción con clientes influye en resultados. Eso no convierte automáticamente la apariencia en un criterio legítimo para seleccionar o evaluar: hay que distinguir las capacidades relevantes para la tarea de preferencias estéticas ajenas al mérito. Sin una definición concreta del desempeño, es fácil confundir una percepción agradable con una contribución real.

Cómo puede ayudar la IA

La propuesta más útil de la fuente es diagnóstica: comparar patrones de decisiones con resultados del trabajo para detectar si la apariencia percibida se asocia a diferencias que los criterios laborales no explican. Una organización puede revisar, por ejemplo, si candidaturas comparables reciben evaluaciones distintas cuando se muestra una fotografía, o si las calificaciones cambian según quién observa a la persona.

También puede reducir señales visuales en ciertas etapas de selección y usar criterios estructurados que se relacionen con tareas reales del puesto. La IA podría ayudar a ordenar información y señalar inconsistencias para revisión humana. Su valor depende de la calidad de los criterios y de la capacidad de auditar sus resultados, no de que el sistema se llame «inteligente».

No hace falta convertir la apariencia de cada persona en un dato operativo permanente para empezar. Antes de recolectar información sensible, define la pregunta, el uso permitido y la forma de proteger a las personas implicadas.

El riesgo de enseñar al sistema el mismo prejuicio

La fuente advierte que un modelo entrenado con evaluaciones humanas puede aprender a imitar el sesgo que se quería corregir. Si en el pasado las personas consideradas atractivas recibieron mejores notas, promociones y oportunidades, esos historiales pueden presentarlas como «mejores» candidatos incluso cuando parte de la ventaja no provino del trabajo.

Además, las valoraciones de atractivo pueden reflejar estándares culturales y preferencias raciales. Un sistema que aprenda esas asociaciones podría reforzarlas a gran escala. Quitar una fotografía tampoco limpia automáticamente el resto de señales: las credenciales, la trayectoria y las calificaciones anteriores pueden incorporar desigualdades previas.

Por eso, si se usa IA para apoyar decisiones, revisa qué variables recibe, qué resultados intenta predecir, cómo se contrastan sus recomendaciones y qué grupos salen perjudicados. Un análisis de competencias 360 basado en conductas observables puede aportar perspectivas adicionales, siempre que quienes participan conozcan los criterios y puedan revisar ejemplos concretos.

Una revisión práctica del proceso

Empieza por escribir qué exige cada función y qué evidencias mostrarán que alguien cumple esos requisitos. Separa la observación del trabajo de las impresiones personales. En entrevistas, plantea preguntas y criterios comparables; en promociones y evaluaciones, pide ejemplos de resultados, conductas y contexto.

Después, revisa si las personas reciben oportunidades similares de demostrar su capacidad. Contrasta patrones de selección, calificación y promoción con los criterios definidos. Si una herramienta de IA interviene, documenta qué decisión apoya, quién puede cuestionarla y cómo se investigan errores. La revisión debe poder corregir tanto un juicio humano como una recomendación automática.

Conoce Ralun para organizar conversaciones de desempeño y criterios de desarrollo con evidencia observable, sin convertir una primera impresión en una conclusión sobre el potencial de una persona.

Luis Grau

Te dejo un desafío

Elige una decisión reciente de selección o promoción. Revisa los criterios que se escribieron antes de conocer a la persona, la evidencia usada para evaluarla y las impresiones que aparecieron después de verla. Pregunta qué habría cambiado si no se hubiera mostrado su imagen. Si usas IA, examina también si su recomendación depende de historiales que pudieron incluir la misma preferencia.

CompartirLinkedInFacebook
Enlace

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

Correo