La selección por IA en contrataciones merece escrutinio
Cuestión de cumplimiento: La Ley de IA de Colorado exige transparencia y responsabilidad a los empleadores que utilizan IA en la selección de personal.
Transparencia de la IA: Muchos candidatos no saben que los sistemas de IA influyeron en sus postulaciones o evaluaciones laborales.
Brecha de interpretación: Los departamentos de RR.HH. a menudo luchan por explicar los modelos de puntuación de IA y sus implicancias en la contratación.
Responsabilidad del proveedor: Según las regulaciones recientes, los empleadores son responsables de los resultados adversos de las herramientas de IA, no los proveedores.
Cambio en la gobernanza: Las organizaciones deben priorizar la explicabilidad y la documentación en los procesos de contratación con IA para asegurar el cumplimiento normativo.
En algún punto de tu proceso de contratación, un candidato fue filtrado por un sistema que tu equipo no puede explicar completamente. Puede que tengas un acuerdo con un proveedor, un panel de control y una puntuación. Lo que la mayoría de las organizaciones no tienen es una respuesta clara a la pregunta que las nuevas regulaciones de IA ahora requieren que respondas: por qué.
Esa diferencia entre lo que la IA está haciendo en la contratación empresarial y lo que los candidatos y los reguladores realmente pueden ver, ahora es un problema de cumplimiento. La Ley de IA de Colorado, una de las primeras leyes de este tipo en Estados Unidos, entró en vigor en febrero y exige que los empleadores que utilizan sistemas de IA de alto riesgo en decisiones laborales notifiquen a los candidatos y proporcionen un mecanismo para que ellos corrijan datos o apelen una decisión adversa.
Para muchos departamentos de RRHH, cumplir ese requisito significa explicar sistemas que ellos mismos no comprenden totalmente.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
El mercado de herramientas de contratación impulsadas por IA se ha expandido significativamente en los últimos años. Los proveedores ofrecen plataformas de preselección, puntuaciones automatizadas de entrevistas y modelos predictivos de idoneidad a empleadores que gestionan grandes volúmenes de candidaturas.
La propuesta es eficiencia, pero las cifras en el terreno cuentan una historia más compleja. Las solicitudes en LinkedIn aumentaron más del 45% año tras año en 2025, con aproximadamente 11,000 llegando a la plataforma cada minuto. Al mismo tiempo, el 64% de los reclutadores informó un aumento en las aplicaciones similares y generadas por IA durante el mismo periodo, lo que, en vez de reducirlo, incrementó su carga de preselección. Las herramientas diseñadas para filtrar el volumen, en parte, lo están generando.
Tatiana Teppoeva, ex científica de datos en Microsoft y Boeing, que ahora asesora a organizaciones sobre los riesgos de la contratación asistida por IA, ve esta dinámica repetirse de manera constante entre sus clientes empresariales.
«Muchos equipos de RRHH entienden las afirmaciones de los proveedores pero tienen visibilidad limitada sobre cómo se generan los resultados de la preselección o qué señales de los candidatos se están ponderando. Cuando los candidatos preguntan por qué fueron filtrados, a las organizaciones a menudo les cuesta traducir una puntuación de proveedor en una explicación clara y relevante para el puesto.»
En su experiencia, la brecha es muy concreta: las organizaciones pueden describir la puntuación que produce una herramienta más fácilmente de lo que pueden explicar qué representa en términos de capacidad relevante para el puesto.
Esa opacidad tiene un coste medible para los candidatos. Una encuesta a 1,066 buscadores de empleo en EEUU realizada por Enhancv en abril de 2026 reveló que el 68.5% nunca fue informado de que la IA jugó algún papel en su evaluación, y solo el 9.7% dijo que un empleador lo había revelado claramente.
Casi un tercio afirmó haberse retirado de un proceso en vez de completar una preselección por IA unidireccional, y el patrón no era homogéneo. Casi el 80% de los puestos abandonados pagaban menos de $100,000. Los candidatos con menos opciones son los que más expuestos están a sistemas que no pueden ver ni a los que dieron su consentimiento.
Una caja negra con un acuerdo de proveedor
El problema de responsabilidad no solo se trata de opacidad, aunque la opacidad forma parte. Muchas plataformas de preselección operan como sistemas de caja negra o casi caja negra, donde la lógica de ponderación del modelo no es visible para el empleador, y mucho menos para el candidato.
Incluso cuando los proveedores ofrecen funciones de explicabilidad, la explicación que ve un reclutador puede ser un sustituto simplificado de un proceso subyacente más complejo. Un líder de RRHH puede leer el resultado. A menudo, no puede interrogar cómo se produjo.
Esto importa más a gran escala. Una empresa que procesa decenas de miles de candidaturas al año está tomando un gran número de decisiones relevantes a través de un sistema que su propio equipo puede no estar capacitado para auditar. Los requisitos de notificación y apelación de la ley de Colorado hacen que esa cuestión salga a la luz. Si un candidato pregunta por qué fue rechazado, ¿quién responde y con qué información?
El trabajo de Teppoeva se centra específicamente en lo que describe como "la capa de interpretación", el espacio entre una señal de contratación generada por IA y una decisión humana. La primera pregunta que hace a las organizaciones que ya han implementado una herramienta de preselección es por qué: "¿Por qué este candidato recibió una puntuación baja a pesar de parecer adecuado para el equipo de contratación? ¿Por qué otro candidato obtuvo una puntuación alta pero luego terminó en un plan de mejora del rendimiento?"
La mayoría de las organizaciones, dice, no pueden responder a esas preguntas. Tienen la puntuación, pero no el razonamiento detrás de ella.
Las organizaciones suelen depender de los resultados generados por los proveedores sin mantener un marco interno claro para interpretar o documentar esos resultados", señala. "Esto puede dificultar el explicar cómo se aplicó el juicio humano o cómo se tomó la decisión final.
Cuando una decisión es cuestionada, esa brecha se convierte en una responsabilidad.
La responsabilidad recae en el empleador
La regulación en cuanto a los plazos también pone de manifiesto un problema con la manera en que se han adquirido tradicionalmente las herramientas de contratación basadas en IA. Las decisiones sobre qué plataforma utilizar suelen estar lideradas por los equipos de adquisición de talento enfocados en el volumen, mientras que los líderes de legal, cumplimiento e incluso RRHH suelen involucrarse menos en la evaluación de lo que realmente hace la herramienta.
La ley de Colorado cambia ese cálculo. Bajo la SB 205, la responsabilidad por resultados adversos derivados del uso de IA de alto riesgo en el ámbito laboral recae en el empleador, no en el proveedor. La empresa que utiliza la herramienta es responsable de sus resultados.
Jimmy Hurff, director de operaciones y cofundador de Brightmove, proveedor de sistemas de seguimiento de candidatos, señala que las conversaciones en las adquisiciones reflejan exactamente este problema.
«Los empleadores parecen estar más enfocados en la integración de características y el volumen de candidatos. Nuestros clientes potenciales revisan sobre todo las opciones de integración, pero rara vez se centran en la calidad de los candidatos en el pipeline y la automatización de la puntuación y evaluación.»
Las preguntas que más importan bajo el marco legal de Colorado —explicabilidad, auditabilidad, procesos de apelación— no suelen ser las que se plantean en la mesa.
Brightmove publicó una Política de IA Responsable como respuesta directa a la SB 205, y Hurff afirma que la ley ha forzado una revisión más amplia entre los proveedores. También aclara hacia dónde cree que debe ir la conversación regulatoria: hacia un solo estándar federal en lugar de un mosaico de cumplimientos estatales, lo que, afirma, daría a los proveedores un mandato más claro sobre el que trabajar.
El problema de documentación se vuelve especialmente relevante cuando los candidatos, cuyos patrones de comunicación están fuera de lo que el sistema fue entrenado para reconocer —debido a discapacidad, neurodivergencia o diferencias de idioma—, son evaluados por herramientas que no pueden considerar el contexto. Teppoeva describe el problema central.
"Una señal puede medirse con precisión y aun así ser interpretada de forma incorrecta", dice ella.
Cuando un candidato impugna un resultado, la mayoría de las organizaciones puede reproducir el resultado, pero no explicar la decisión y rara vez dispone de documentación que demuestre que lo medido era relevante para el puesto.
La EEOC ha estado monitoreando este tema al menos desde 2021, cuando lanzó su iniciativa sobre la imparcialidad algorítmica en la contratación. Su orientación de 2023 dejó claro que los empleadores no pueden delegar la responsabilidad de resultados discriminatorios en la evaluación a un proveedor externo.
La ley de Colorado va más allá, añadiendo obligaciones de transparencia y apelación que la mayoría de grandes operaciones de contratación no estaban preparadas para cumplir.
Lo que deben saber los líderes de RRHH
En la práctica, esto genera una superficie de cumplimiento que muchos líderes de RRHH no han mapeado. Tal vez tengan un contrato con un proveedor. Tal vez tengan una idea general de cómo funciona la herramienta. Pero la documentación sobre cómo se entrenó el modelo, qué está optimizando y cómo se registran y recuperan las decisiones para revisión de apelaciones suele ser más limitada de lo que el contexto regulatorio ahora exige.
Teppoeva enmarca el cambio en términos que los líderes de RRHH reconocerán de otras conversaciones sobre cumplimiento.
Las nuevas regulaciones están desplazando la conversación de '¿Funciona la herramienta?' a '¿Podemos explicar y defender cómo se usó?'
Quienes tratan la evaluación por IA como una decisión de compra en vez de como una cuestión de gobernanza continua, están más expuestos cuando un candidato o regulador hace una pregunta que la herramienta no puede responder.
Parte de esto se resolverá mediante la presión de los propios proveedores. Si los clientes empresariales comienzan a exigir documentación de explicabilidad y trazabilidad en las auditorías como parte de la adquisición, los proveedores las desarrollarán. Pero ese proceso es lento y, mientras tanto, candidatos en Colorado y en otros lugares están siendo filtrados por sistemas cuya lógica los empleadores que los operan no pueden explicar completamente.
La conversación que los líderes de RRHH deben tener no es solo sobre si las herramientas de selección de CV por IA funcionan. Se trata de si las organizaciones que las usan pueden rendir cuentas sobre su funcionamiento.
