Vigilancia laboral con IA: cinco límites para proteger a las personas y al negocio

Hay herramientas que prometen resolver un problema real: prevenir accidentes, proteger información, detectar fatiga, asegurar continuidad o entender dónde se atasca un proceso. El problema empieza cuando la organización confunde esa promesa con un permiso abierto para observar a las personas.

La vigilancia laboral con IA no se vuelve riesgosa solo por usar algoritmos. Se vuelve riesgosa cuando nadie puede explicar con precisión qué se está mirando, para qué, cuánto tiempo se guarda, quién accede, qué decisión se tomará con esa información y cómo puede una persona cuestionarla.

El informe de Anthropic de septiembre de 2026 muestra por qué la escala importa. En los casos de vigilancia que investigó, actores estatales, contratistas y proveedores comerciales usaron IA para construir herramientas, analizar grandes volúmenes de información y perfilar personas. No es una comparación entre una empresa chilena y una operación de espionaje: los fines, la legitimidad y el marco legal son radicalmente distintos. La lección transferible es más básica: cuando baja el costo de recolectar y analizar datos, la disciplina de los límites se vuelve más importante, no menos.

Antes de preguntar “¿podemos?”, pregunta “¿qué problema resolvemos?”

La tecnología suele llegar a la empresa con una métrica atractiva: productividad, seguridad, asistencia, cumplimiento. Pero un indicador no es una finalidad suficiente. Por ejemplo, registrar acceso a una zona de riesgo puede ser pertinente para investigar un incidente. Convertir cada movimiento en un puntaje permanente de confiabilidad es otra cosa.

Una forma útil de abrir la conversación es obligar al proyecto a llenar esta tabla antes del piloto:

Si no hay respuesta, no hay caso de uso: hay curiosidad tecnológica. Y la curiosidad sobre personas tiene costos de confianza difíciles de revertir.

Cinco límites que conviene escribir, no asumir

1. Finalidad concreta y proporcionalidad

No uses una fuente de datos para “ver qué aparece”. Declara el evento que importa y el límite del análisis. Un sistema de seguridad puede requerir alertar sobre una condición operacional; no por eso necesita inferir rasgos personales que no guardan relación con el riesgo.

2. Separar apoyo de decisión disciplinaria

Un sistema puede alertar, ordenar información o sugerir una revisión. No debería convertirse por sí solo en una sanción, una evaluación de desempeño o una conclusión sobre la intención de una persona. El salto desde una señal a una decisión humana debe ser visible y revisable.

3. Explicar el proceso a quienes afecta

La transparencia no es una nota escondida en una política. Las personas necesitan entender qué se observa, con qué propósito, qué no se observa, quién recibe los resultados y cómo levantar un error. Sin esa explicación, incluso un control bien intencionado puede vivirse como vigilancia arbitraria.

4. Diseñar acceso y retención como controles, no como detalles técnicos

El dato que se recolecta “por si acaso” tiende a sobrevivir más que el proyecto que lo justificó. Define acceso por rol, registros de consulta, períodos de retención y un responsable que revise si el sistema sigue siendo necesario. Seguridad de la información y Personas deben conversar antes de que el repositorio exista.

5. Revisar el efecto sobre el trabajo

Una métrica puede cambiar conductas. Si el equipo siente que cada pausa, conversación o desviación será interpretada contra él, puede ocultar problemas, evitar pedir ayuda o priorizar la señal por encima de la seguridad real. En ese punto, la gestión se vuelve vigilancia sin dirección: produce datos, pero destruye información honesta.

El riesgo de confundir correlación con conducta

Los sistemas pueden encontrar patrones. Eso no equivale a entender causas. Un descenso de actividad puede deberse a un incidente, una dependencia externa, una adaptación, una tarea invisible o una mala definición de métrica. La IA puede hacer que una correlación se vea muy convincente; no puede convertirla automáticamente en una explicación justa.

Por eso los roles de liderazgo necesitan aprender a preguntar:

• ¿Qué hipótesis alternativa explica esta señal?
• ¿Qué dato relevante falta?
• ¿La persona afectada puede dar contexto?
• ¿El sistema fue evaluado en el entorno y población donde se usará?
• ¿Qué costo tendría equivocarnos en este caso?

Esta es una competencia de liderazgo y de cultura, no solo de cumplimiento. En la gestión de información y control ya planteamos una distinción útil: el control sirve cuando baja claridad para decidir; se vuelve dañino cuando solo aumenta observación.

Dónde aporta Obrii sin prometer una solución tecnológica

Obrii no implementa plataformas de vigilancia. Sí ayuda a que las organizaciones no traten una decisión delicada sobre personas como una compra de software. Un diagnóstico organizacional puede aportar evidencia sobre clima, confianza, roles y efectos del cambio antes de que una política se convierta en conflicto. En cargos que administrarán información sensible, headhunting y evaluación psicolaboral permiten mirar juicio, responsabilidad y capacidad para sostener límites bajo presión.

El objetivo no es escoger entre seguridad y dignidad. Es diseñar controles que protejan ambas. Una organización madura no pregunta cuánto puede observar; pregunta qué necesita saber para actuar bien y qué debe dejar fuera para seguir siendo confiable.

Fuente y alcance

El informe fuente documenta operaciones de vigilancia no consentida y violaciones de derechos en contextos estatales y comerciales. Este artículo extrae principios de gobernanza y no equipara esos casos con un uso laboral legítimo ni interpreta la normativa de una jurisdicción particular.

Anthropic (2026). Detecting and countering misuse of AI: September 2026, sección “Surveillance operations”, pp. 81–110. Informe completo.

Contenido educativo B2B de Obrii Consulting. No constituye asesoría laboral, legal ni de privacidad.