Sesgo algorítmico en reclutamiento: los 4 riesgos que la evidencia advierte y cómo mitigarlos
La promesa de objetividad tiene letra chica
El argumento más repetido para adoptar inteligencia artificial en selección es la objetividad: una máquina no tiene prejuicios, no se cansa, no decide por simpatía. Es cierto a medias, y la mitad que falta es la peligrosa. Un algoritmo entrenado con datos sesgados no elimina el sesgo: lo automatiza, lo acelera y lo aplica a escala, con la apariencia de neutralidad técnica.
La revisión sistemática publicada en 2026 en Discover Artificial Intelligence es clara al respecto. Junto con reconocer que la IA aporta eficiencia, objetividad y agilidad, enumera los desafíos que toda empresa y profesional debe gestionar antes de delegar decisiones en estos sistemas. Aquí están los cuatro, y qué hacer con cada uno.
Riesgo 1: sesgos presentes en los algoritmos
El estudio señala la posible existencia de sesgos en los propios algoritmos. Un modelo aprende de decisiones pasadas; si esas decisiones favorecieron históricamente a un perfil, el sistema lo perpetuará bajo un barniz de imparcialidad.
Mitigación: audita los resultados, no solo el modelo. Revisa periódicamente si las recomendaciones se distribuyen de forma equitativa entre grupos y mantén siempre una revisión humana sobre los casos límite. El marco de Algorithmic Fairness que cita la revisión existe justamente para hacer medible esta equidad.
Riesgo 2: falta de interpretabilidad
La revisión advierte sobre la ausencia de interpretabilidad atribuible a la falta de conocimiento y dominio del modelo por parte del profesional. Dicho de otro modo: si no entiendes por qué el sistema recomienda lo que recomienda, no puedes defender esa decisión ni corregirla.
Mitigación: prioriza herramientas alineadas con la IA Explicable (XAI), que muestran los factores detrás de cada resultado. Y forma al equipo: una herramienta poderosa en manos de quien no la comprende es un riesgo, no una ventaja.
Recuerda: dentro de la app puedes enviar cualquiera de estas pruebas a un candidato en un clic, hacer seguimiento de su avance en tiempo real y consolidar resultados en un único dashboard por proceso. Pruébalo gratis 7 días.
Riesgo 3: dependencia de datos no representativos
El estudio subraya la considerable dependencia de los datos, que no siempre se recogen de manera representativa. Un modelo entrenado sobre una población estrecha falla —silenciosamente— al evaluar perfiles que no se parecen a esa muestra.
Mitigación: conoce el origen y la composición de los datos que alimentan tus evaluaciones, y desconfía de cualquier sistema que no te lo explique. La baremación y la validación local importan tanto como el algoritmo.
Riesgo 4: cuestiones legales y éticas
Finalmente, la revisión menciona los asuntos legales, éticos y de otra índole que hay que abordar. La selección de personal toca derechos fundamentales; un proceso automatizado mal documentado es una exposición legal y reputacional.
Mitigación: documenta cada decisión, conserva la trazabilidad de cómo se llegó a ella y asegúrate de que siempre exista un responsable humano identificable. La decisión final debe poder explicarse ante un candidato, un tribunal o un directorio.
El hilo conductor: mantener a la persona en el bucle
Los cuatro riesgos comparten una misma respuesta de fondo, la misma que recomienda la literatura: avanzar hacia modelos híbridos donde la IA prepara la evidencia y un experto toma la decisión. La tecnología no diluye la responsabilidad; la concentra en quien debe ejercerla con mejor información.
Ese es el principio de diseño de Obrii App: rigor metodológico, resultados trazables y un dashboard que deja la decisión —y su justificación— en manos del evaluador. Si quieres revisar tu proceso actual de selección con IA y cerrar estas brechas de riesgo, agenda una reunión o revisa los servicios de consultoría. Y para ver cómo se ve un proceso con trazabilidad de principio a fin, activa tu Trial Pro de 7 días gratis, sin tarjeta de crédito.
Fuente: González-Morales, A., Martín-López, M. M. & Góngora-Larequi, F. (2026). A systematic review and descriptive analysis of artificial intelligence applied to recruitment and personnel selection in the present and possible future. Discover Artificial Intelligence. https://doi.org/10.1007/s44163-026-01488-6