Las herramientas de inteligencia artificial prometen revisar miles de currículums con rapidez y objetividad, pero investigaciones recientes muestran que pueden reproducir e incluso amplificar prejuicios relacionados con el género, la raza y las trayectorias sociales de los candidatos.
Enviar un currículum a una gran empresa puede parecer una conversación entre una persona y un departamento de recursos humanos. Cada vez con mayor frecuencia, sin embargo, el primer lector no es una persona. Es un sistema automatizado que compara palabras, experiencias, estudios y patrones profesionales antes de decidir qué candidatos llegarán a los ojos de un reclutador.
La promesa resulta atractiva. Frente a cientos o miles de solicitudes, una máquina puede realizar en segundos una tarea que a un equipo humano le tomaría días. El problema aparece cuando aquello que parece neutral aprende de un pasado que neutral, precisamente, nunca fue.
La Comisión para la Igualdad de Oportunidades en el Empleo de Estados Unidos ha advertido que la inteligencia artificial puede «enmascarar y perpetuar» sesgos o crear nuevas barreras discriminatorias. La agencia sostiene que las leyes contra la discriminación siguen siendo aplicables cuando una decisión laboral se realiza mediante algoritmos. Es decir, automatizar una decisión no elimina la responsabilidad de quien utiliza la herramienta.
¿Dónde puede esconderse el prejuicio? En lugares aparentemente inocentes. Un sistema puede otorgar valor a determinadas universidades, trayectorias laborales sin interrupciones, cargos anteriores o palabras asociadas con ciertos perfiles. Pero esos indicadores no están separados de la sociedad. El acceso a determinadas universidades depende de recursos económicos; las interrupciones profesionales pueden estar relacionadas con responsabilidades familiares; y las oportunidades laborales anteriores pueden variar enormemente según el origen social.
La investigadora Ifeoma Ajunwa explicó ante la Comisión estadounidense que los sistemas automatizados pueden convertir conceptos ambiguos como el «encaje cultural» en variables que funcionan como sustitutos de características protegidas. El riesgo es especialmente delicado porque el algoritmo puede parecer objetivo mientras reproduce desigualdades que ya estaban presentes en los datos utilizados para entrenarlo.
La investigación reciente confirma que no se trata solamente de una posibilidad teórica. Un estudio publicado en PNAS Nexus en 2025 sometió aproximadamente 361.000 currículums a evaluaciones realizadas por varios grandes modelos de lenguaje, modificando identidades sociales mientras mantenía constantes experiencia, educación y habilidades. Los investigadores encontraron diferencias asociadas con género y raza: en determinadas condiciones, los modelos otorgaron puntuaciones diferentes a candidatos con cualificaciones comparables.
Otro estudio presentado en la conferencia de la Asociación de Maquinaria Computacional sobre Inteligencia Artificial, Ética y Sociedad examinó sistemas de recuperación utilizados para simular selección de candidatos en nueve ocupaciones. Los resultados encontraron diferencias significativas relacionadas con nombres asociados con género y raza. En las pruebas descritas por sus autores, los nombres asociados con hombres fueron favorecidos con mayor frecuencia que los asociados con mujeres, mientras que los nombres asociados con personas blancas fueron seleccionados considerablemente más veces que aquellos asociados con personas negras.
El problema también aparece cuando se observa específicamente el género. Una investigación publicada en AI & Society en 2025 encontró que un sistema basado en ChatGPT podía reproducir patrones de género presentes en las ofertas laborales y utilizar señales lingüísticas asociadas con hombres o mujeres al evaluar currículums. El resultado es inquietante porque una característica aparentemente irrelevante —incluso un nombre— puede convertirse en una señal que modifique la valoración del candidato.
Y hay una dimensión socioeconómica menos visible. Si un algoritmo ha aprendido que determinados perfiles educativos o trayectorias profesionales aparecen con mayor frecuencia entre las personas que históricamente fueron contratadas, puede terminar interpretando esa correlación como una señal de talento. Un candidato que estudió en una institución menos prestigiosa o que tuvo que alternar empleos, cuidar familiares y estudiar puede quedar penalizado no porque sea menos capaz, sino porque su recorrido se parece menos al de quienes fueron contratados en el pasado.
Eso produce una paradoja. Una empresa puede introducir inteligencia artificial para reducir el prejuicio humano y terminar automatizando el prejuicio histórico. En lugar de que un reclutador descarte conscientemente un perfil, el candidato simplemente puede desaparecer de una lista de prioridades sin saber por qué.
Por ello, la solución no consiste necesariamente en abandonar estas herramientas. La Comisión para la Igualdad de Oportunidades en el Empleo recomienda validar los procedimientos de selección, comprobar si excluyen desproporcionadamente a determinados grupos y buscar alternativas igualmente eficaces que produzcan un menor impacto adverso. La transparencia también resulta fundamental: las empresas necesitan saber qué variables utiliza un sistema, cómo fue evaluado y qué ocurre cuando sus resultados contradicen la realidad.
La cuestión se vuelve todavía más urgente porque el uso de estas tecnologías continúa creciendo. Un informe de investigación publicado en agosto de 2026 documentó nuevas controversias y demandas relacionadas con sistemas de selección automatizada, incluidos cuestionamientos sobre falta de transparencia y posibles discriminaciones por género, edad y otros factores.
La verdad es que un algoritmo no necesita «odiar» a un grupo para discriminarlo. Basta con que encuentre patrones equivocados y los convierta en reglas de selección. Esa es quizá la parte más difícil de aceptar: el prejuicio del futuro puede no presentarse como una decisión abiertamente injusta, sino como una puntuación, un ranking o una casilla que nadie sabe exactamente cómo se calculó.
La contratación automatizada puede ahorrar tiempo, pero la eficiencia no debe confundirse con justicia. Si una máquina decide quién merece ser escuchado, la sociedad necesita saber qué aprendió esa máquina, con qué datos y a quién está dejando fuera. De lo contrario, el viejo prejuicio no desaparecerá. Simplemente habrá aprendido a hablar el lenguaje de los algoritmos.
