Su algoritmo ya contrató. Usted todavía no lo sabe

Un técnico chihuahuense con veinte años de experiencia y resultados verificables solicita un puesto. Su trayectoria incluye una pausa para cuidar a un familiar. Su currículum no repite las palabras exactas del anuncio. Un filtro lo descarta en segundos. Ninguna persona lo lee. La empresa nunca sabrá a quién perdió. La inteligencia artificial puede ordenar miles de solicitudes, reducir tiempos y detectar patrones. El problema comienza cuando la velocidad del filtro se confunde con la imparcialidad. Un sistema no conoce al candidato: conoce variables elegidas por quienes lo diseñaron, y replica lo que esas variables consideran valioso. El algoritmo no tiene prejuicios propios. Tiene los prejuicios de quienes eligieron con qué datos alimentarlo. Esa es una distinción que no absuelve a nadie. La objetividad que se compra en una licencia Raghavan y colaboradores analizaron sistemas algorítmicos de contratación y encontraron que decisiones aparentemente técnicas —qué datos recopilar, cómo definir a un buen empleado, contra quién comparar al candidato— incorporan sesgos que el comprador rara vez examina. Si el modelo aprendió de los trabajadores históricamente exitosos en una empresa, tenderá a favorecer a quienes se parecen a ellos: misma institución educativa, misma trayectoria lineal, mismo vocabulario en el currículum. El costo lo pagan personas con trayectorias distintas: mayores de cincuenta años, jóvenes sin experiencia formal, madres que interrumpieron su carrera, técnicos formados en rutas no convencionales, personas con discapacidad. La Unión Europea clasificó como de alto riesgo los sistemas de IA usados en reclutamiento precisamente porque pueden afectar carreras, medios de vida y derechos fundamentales. El Departamento de Justicia de Estados Unidos advirtió que entrevistas automatizadas y análisis de voz pueden excluir sistemáticamente a candidatos calificados con discapacidad. Lo que estos números significan en Chihuahua Los Censos Económicos 2024 registraron 121,783 unidades económicas en el estado y más de 1.11 millones de personas ocupadas. El grupo de 21 a 30 años representó 30.7% del personal. El mismo ejercicio identificó 2,245 unidades que emplearon personas con alguna dificultad para realizar actividades. En México, la Ley Federal del Trabajo exige condiciones libres de discriminación y permite diferencias únicamente cuando las calificaciones del puesto lo justifican. Comprar un sistema de filtrado no traslada esa responsabilidad al proveedor. La empresa sigue siendo responsable de a quién contrata y de a quién, sin saberlo, pierde. Tres decisiones para no perder al mejor candidato 1. Auditar también a los rechazados — revise muestras de currículums descartados y compare tasas de avance por edad, sexo, pausa laboral e institución de origen. El sesgo se esconde antes de la primera entrevista, no durante ella. 2. Exigir explicación al sistema y revisión humana final — conozca qué variables usa el filtro, qué infiere y quién puede corregir una exclusión. Ninguna decisión de contratación relevante debe quedar solo en manos de un algoritmo. 3. Evaluar capacidad, no semejanza — use pruebas de trabajo, casos prácticos y periodos de formación breve para medir lo que el candidato puede hacer. Un currículum compatible no es lo mismo que un talento capaz. Una puerta de contratación que se abre más rápido no sirve si está diseñada para que solo entren quienes ya se parecen a los que están adentro. La empresa que delega la selección a un sistema sin auditarlo asume un riesgo legal, reputacional y estratégico que ninguna licencia cubre y ningún proveedor pagará. Un algoritmo puede encontrar al candidato que se parece a sus empleados actuales. Solo el criterio humano puede descubrir a quien transformará la empresa. Referencias Cámara de Diputados. (2026). Ley Federal del Trabajo, texto vigente al 14 de mayo de 2026. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFT.pdf European Parliament and Council. (2024). Regulation (EU) 2024/1689 on Artificial Intelligence (AI Act). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:32024R1689 INEGI. (2025). Censos Económicos 2024: Panorama económico de Chihuahua. https://www.inegi.org.mx/contenidos/programas/ce/2024/doc/ro_mchih_ce24.pdf Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 ACM Conference on Fairness, Accountability, and Transparency. https://doi.org/10.1145/3351095.3372828 U.S. Department of Justice. (2022). Algorithms, artificial intelligence, and disability discrimination in hiring. https://www.ada.gov/resources/ai-guidance/