¿Qué hace exactamente la IA en un proceso de selección?
La IA en selección de personal hace hoy cuatro cosas distintas, y conviene separarlas porque el riesgo legal de cada una es muy diferente. Redacta y difunde anuncios. Ordena o puntúa currículums. Analiza entrevistas grabadas o pruebas escritas. Y predice encaje o desempeño a partir de datos de contrataciones anteriores.
Las dos primeras son herramientas de productividad. Redactar un borrador de oferta o agrupar doscientas candidaturas por criterios que tú has escrito ahorra horas y no decide nada por su cuenta. Casi todo el ahorro real de tiempo que consiguen las empresas está aquí.
Las dos últimas son evaluación de personas, y ahí cambia todo. Un sistema que puntúa una entrevista o predice quién rendirá mejor está tomando parte de una decisión que afecta al acceso al empleo. Eso tiene consecuencias jurídicas y reputacionales que un corrector de textos no tiene.
El error más común que vemos no es usar IA, es no saber en cuál de esos cuatro cajones está la herramienta que se ha contratado. Muchas plataformas de reclutamiento incorporan puntuación automática sin anunciarlo con claridad, y la empresa se entera cuando alguien pregunta por qué quedó fuera.
¿Qué dice la normativa sobre usar IA para seleccionar personal?
La normativa europea de inteligencia artificial clasifica los sistemas destinados a reclutamiento y selección como de alto riesgo. Eso no significa prohibidos: significa sometidos a obligaciones reforzadas de documentación, supervisión humana, calidad de los datos e información a las personas afectadas. El calendario de aplicación es escalonado y conviene que tu asesoría te confirme qué tramo te aplica hoy.
Esa misma normativa prohíbe una práctica concreta que se ha vendido bastante en herramientas de videoentrevista: los sistemas que infieren emociones de una persona en el ámbito laboral. Si un proveedor te ofrece medir entusiasmo, sinceridad o nerviosismo a partir de la cara o la voz de un candidato, esa función es exactamente la que no deberías activar.
La normativa de protección de datos añade otra capa. Una persona tiene derecho a no quedar sujeta a una decisión basada únicamente en un tratamiento automatizado que le afecte de forma significativa, y descartar una candidatura lo es. Ese derecho incluye poder pedir intervención humana, expresar su punto de vista e impugnar la decisión.
Y en el plano laboral existe un derecho de información sobre los algoritmos que afectan a las condiciones de trabajo y al acceso al empleo, dirigido a la representación legal de las personas trabajadoras. Si tu empresa tiene comité o delegados, esta obligación te aplica y muchas empresas la desconocen.
¿Puede una IA descartar candidatos por sí sola?
En la práctica, no deberías dejar que lo haga. Un descarte totalmente automático, sin que ninguna persona revise nada, es el escenario que más difícil resulta de defender si alguien reclama, y el que más obligaciones adicionales arrastra.
La supervisión humana que exige la norma no se satisface con una firma al final. Tiene que ser una revisión que pueda cambiar el resultado: alguien con criterio, con tiempo y con autoridad para rescatar una candidatura que el sistema ha bajado. Si tu responsable revisa mil puntuaciones en diez minutos, esa supervisión no existe.
Hay un punto intermedio que funciona bien y es el que recomendamos: la máquina ordena y agrupa, la persona decide. El sistema puede señalar que veinte candidaturas cumplen los tres requisitos innegociables y que otras cien no los mencionan, pero el descarte lo confirma alguien que ha mirado. Con volúmenes grandes, revisar por muestreo la zona de corte detecta casi todos los errores del filtro.
Conviene además distinguir filtro de criterio duro y filtro de puntuación. Excluir a quien no tiene el carné exigido por el puesto es un criterio objetivo y verificable. Bajar a alguien porque un modelo estima menor probabilidad de encaje es otra cosa, y esa segunda no debería descartar sin mirada humana.
¿Qué tienes que contar y a quién?
Cuatro destinatarios, cuatro mensajes distintos. Escribirlos una vez sirve para todas las vacantes del año:
- A las personas candidatas: que se usan herramientas automatizadas en el proceso, para qué fase, con qué criterios generales y cómo pedir revisión humana de un descarte.
- A la representación legal de las personas trabajadoras, si existe: los parámetros y la lógica de los algoritmos que afectan al acceso al empleo y a las condiciones de trabajo.
- A tu propia organización: quién es el responsable de la herramienta, quién revisa y qué hacer cuando alguien reclama. Sin nombre y apellidos, la supervisión no ocurre.
- Al proveedor: pídele por escrito qué datos usa el modelo, con qué se entrenó, qué evaluación de sesgo tiene y qué documentación te entrega si te la reclaman.
- Y a tu asesoría laboral y a quien lleve la protección de datos, antes de contratar la herramienta, no después de haberla desplegado en tres procesos.
¿Cómo se audita un filtro automático sin ser técnico?
Con tres pruebas que puede hacer cualquiera con una hoja de cálculo y una tarde. No sustituyen a una auditoría formal, pero detectan los problemas gruesos, que son la mayoría.
Prueba uno, el test de la variable prohibida. Coge veinte candidaturas descartadas y veinte pasadas y comprueba si el sistema ha visto datos que no debería pesar: nombre, edad, domicilio, foto, nombre del centro de estudios. Muchos filtros usan el código postal como aproximación de algo, y el código postal es con frecuencia un sustituto de origen o de clase social.
Prueba dos, el test del gemelo. Duplica un currículum y cambia solo una cosa: el nombre, el año de nacimiento, un hueco de dos años en la trayectoria. Si la puntuación se mueve mucho, ya sabes qué está pesando de verdad.
Prueba tres, el test de la explicación. Pide a la herramienta el motivo de tres descartes concretos. Si la respuesta es un número sin frase, no vas a poder contestar a un candidato que reclame ni a un inspector que pregunte, y ese es un problema operativo antes que legal.
Guarda el resultado de las tres pruebas con fecha. Ese documento vale más que cualquier certificado del proveedor, porque demuestra que tu empresa revisó la herramienta con sus propios datos.
¿Dónde conviene usar IA y dónde no?
Este es el reparto que aplicamos nosotros y que funciona en empresas sin equipo técnico dedicado:
| Fase | Uso recomendado | Qué no automatizar |
|---|---|---|
| Definición del puesto | Borrador de la descripción y de los criterios | La decisión sobre qué es innegociable |
| Difusión de la oferta | Adaptación del texto por canal | Segmentación de audiencia por edad o sexo |
| Criba de candidaturas | Ordenar, agrupar y detectar requisitos duros | El descarte final sin revisión humana |
| Pruebas y retos | Corrección asistida con rúbrica escrita | La nota definitiva de una prueba abierta |
| Entrevista | Transcripción y resumen con aviso previo | Análisis de emociones, cara o voz |
| Decisión | Comparativa de evidencias en una tabla | La predicción de desempeño como criterio principal |
Qué hacer con tu proceso este mes
Empieza por un inventario de una página: qué herramientas intervienen en tus procesos, qué hace cada una, quién la revisa y qué decide. La mayoría de las empresas que hacen este ejercicio descubren dos o tres funciones automáticas que nadie recordaba haber activado.
Después escribe el párrafo de información a candidatos y añádelo a todas tus ofertas y a tu política de privacidad. Son cinco líneas y son la diferencia entre un proceso opaco y uno explicable.
Y fija la regla de oro por escrito: ninguna candidatura se descarta sin que una persona lo confirme. Es la medida que más reduce el riesgo y la que menos cuesta implantar.
En ONKLUB usamos la tecnología para ordenar volumen, no para decidir por ti: evaluamos con evidencia de trabajo, retos y casos escritos, y quien puntúa es una persona con una rúbrica delante. Si quieres montar un proceso así en tu empresa, te entregamos el Top 3 de finalistas en 20 días, con tarifa cerrada y garantía de 3 meses.
De dónde salen los datos de ONKLUB
Las cifras de operativa que aparecen en este artículo salen de los registros propios de ONKLUB, no de estimaciones de mercado. El proceso de referencia va de 248 perfiles evaluados a 3 decisiones entregadas, pasando por 80 señales válidas, 25 entrevistas en profundidad y 9 finalistas con valoración escrita, en un ciclo de 20 días naturales. Las cifras acumuladas de la agencia cubren de 2022 a 2026.
Qué NO demuestran estos datos: son la operativa de una agencia sobre sí misma, no una muestra representativa del mercado laboral español, y el embudo corresponde a un proceso de dificultad alta, no a la media de todos. No están auditados por un tercero independiente.
Metodología completa, desglose por fases y limitaciones en el Informe ONKLUB de talento joven, publicado bajo licencia CC BY 4.0: se puede citar y reproducir citando la fuente.