Aplicación de la IA en RR.HH.: Cómo ganar eficiencia sin perder el criterio humano

En mayo de 2022, la EEOC, la agencia federal estadounidense que vela por la igualdad de oportunidades en el empleo, demandó a iTutorGroup por haber programado su software de reclutamiento para rechazar automáticamente a postulantes por razones de edad. El caso se resolvió en septiembre de 2023 con un acuerdo de 365.000 dólares. Fue la primera demanda de la EEOC vinculada directamente al uso de IA en selección de personal.

Lo que llama la atención del caso no es solo el monto del acuerdo. Es que el sistema funcionó exactamente como estaba configurado. No hubo un fallo técnico ni una decisión equivocada tomada en el momento. El criterio discriminatorio fue incorporado desde el diseño y la organización no evitó que siguiera operando. Ese es, precisamente, el tipo de error que se vuelve más frecuente cuando las organizaciones incorporan IA a sus procesos de talento sin definir con suficiente claridad qué tiene sentido delegarle y bajo qué condiciones.

La IA lleva años transformando la gestión de personas y su presencia en RR.HH. sigue creciendo. Pero adoptar tecnología con rapidez no es lo mismo que adoptarla con criterio. Y en procesos que afectan carreras, equipos y culturas, esa diferencia importa más de lo que suele reconocerse.

Una adopción que avanza, aunque de forma desigual

La IA ya tiene una presencia relevante en varias funciones de RR.HH., especialmente en reclutamiento y selección. Según la Sociedad para la Gestión de Recursos Humanos, entre las organizaciones que ya integran IA en actividades del área, el 64% la utiliza en procesos de reclutamiento, entrevistas o selección. Estas cifras, sin embargo, provienen principalmente de mercados con mayor madurez tecnológica y no deben extrapolarse mecánicamente a otras realidades.

En América Latina, el panorama es más heterogéneo. El Índice Latinoamericano de Inteligencia Artificial 2025, elaborado por CEPAL y CENIA, documenta que la región concentra el 14% de las visitas globales a soluciones web de IA. Al mismo tiempo, persisten brechas estructurales en talento especializado, infraestructura, disponibilidad de datos y gobernanza. Chile, Brasil y Uruguay lideran la región como países pioneros, mientras más de un tercio de los países evaluados permanece en etapas iniciales o con ecosistemas todavía incipientes.

Eso significa que muchas organizaciones de la región están adoptando herramientas de IA para decisiones de talento sin contar aún con los datos, las competencias ni los marcos de gobernanza necesarios para evaluarlas críticamente. La pregunta, entonces, no es si la tecnología llegó. Es qué condiciones existen para usarla bien.

El criterio que lo ordena todo: No todas las decisiones tienen el mismo nivel de riesgo

Antes de preguntarse qué herramienta adoptar o qué proceso automatizar, hay una pregunta más útil: ¿qué nivel de riesgo tiene esta decisión si sale mal?

La IA puede aportar valor real en tareas de alto volumen, baja variabilidad y bajo impacto individual: comunicación inicial con candidatos, generación de reportes, consolidación de datos y seguimiento de indicadores. En ese territorio, la automatización reduce carga operativa y el costo de un eventual error es más manejable.

El escenario cambia cuando una decisión afecta el acceso de una persona a una oportunidad, su continuidad en la organización o la dinámica de un equipo. Ahí la eficiencia deja de ser el único criterio relevante. Entran en juego la trazabilidad, el contexto y la responsabilidad. Y esas tres dimensiones el algoritmo no puede asumir por sí solo.

Esa distinción, entre tareas que la IA puede gestionar con mayor autonomía y decisiones que requieren supervisión humana activa, es el criterio que debería organizar cualquier estrategia de adopción en el área.

Proceso por proceso: Dónde puede aportar y dónde no alcanza

Selección de talento

Es el proceso con mayor adopción de IA y donde los beneficios operativos son más visibles: mayor velocidad, menor carga administrativa y mejor capacidad para manejar volumen. Las herramientas permiten filtrar y clasificar perfiles, gestionar comunicaciones y aplicar entrevistas estructuradas automatizadas como primer filtro.

Es también el proceso con mayor concentración de riesgos documentados. En 2018, Reuters reportó que Amazon había desechado una herramienta interna de selección porque penalizaba a candidatas mujeres. El sistema había sido entrenado con una década de contrataciones en una industria históricamente masculina y terminó replicando ese patrón. Más recientemente, Workday enfrenta un litigio en curso en California. En 2024, varias reclamaciones sobrevivieron a la moción de desestimación y, en mayo de 2025, un juez federal concedió certificación preliminar de acción colectiva bajo la ley federal de discriminación por edad para postulantes mayores de 40 años. El caso no está resuelto, pero ya ilustra el tipo de riesgo que puede materializarse cuando un sistema de cribado opera con criterios opacos y sin revisión adecuada.

En ambos casos, el patrón es similar. El problema no fue técnico. Fue la falta de supervisión sobre cómo el sistema estaba tomando decisiones. Un algoritmo entrenado con datos históricos sesgados puede replicar y amplificar esos sesgos, a menudo con la apariencia de objetividad que da la automatización. La IA puede procesar miles de perfiles con rapidez. No puede evaluar potencial real, encaje cultural ni señales que los datos no capturan. Eso sigue siendo trabajo humano.

Gestión del desempeño

En este ámbito, la IA actúa principalmente como motor de analítica. Consolida datos de productividad, genera alertas sobre desvíos, apoya el seguimiento de objetivos y sintetiza patrones de feedback a lo largo del tiempo. Cuando se usa bien, puede aportar trazabilidad y ayudar a detectar señales de riesgo con anticipación.

Para ilustrar sus límites, considera este escenario hipotético: un sistema identifica a una gerente de proyectos como perfil de riesgo de salida porque sus indicadores de actividad cayeron durante dos trimestres consecutivos. El algoritmo genera una alerta de retención. Lo que el dashboard no puede ver es que esa caída coincide con un cambio de liderazgo que redujo su autonomía y la alejó de los proyectos que le daban sentido. El problema no está en ella. Está en el entorno inmediato. Una intervención genérica de retención, tomada solo sobre la base de esa alerta, no solo no resolvería nada, sino que podría deteriorar aún más la situación.

Hay una diferencia significativa entre medir actividad y comprender desempeño. La analítica puede señalar dónde hay una señal. No puede leer el contexto que explica esa señal. Y en decisiones que afectan el futuro de una persona dentro de la organización, ese contexto lo cambia todo.

Desarrollo y retención

La IA ya se aplica en recomendación de aprendizaje, personalización de rutas de formación y analítica de riesgo de salida. Las plataformas de aprendizaje corporativo incorporan modelos que personalizan recomendaciones y rutas de formación según patrones de uso, ritmo de avance o preferencias declaradas por cada colaborador. Los sistemas de people analytics también pueden identificar patrones asociados a una mayor probabilidad de rotación con meses de anticipación, lo que puede ser una ventaja cuando se usa como punto de partida para conversaciones, no como diagnóstico definitivo.

Un escenario ilustrativo: un profesional con buenas evaluaciones, que completa sus formaciones y participa activamente. El sistema no lo identifica como riesgo. Lo que no captura es que lleva más de un año esperando una conversación seria sobre su desarrollo y esa conversación no ha ocurrido. Cuando renuncia, el dato sorprende. El sistema medía actividad observable, no motivación ni percepción de futuro.

La permanencia de una persona en una organización depende de variables difíciles de cuantificar: la calidad de la relación con su líder, si percibe que su trabajo tiene sentido y si siente que hay un lugar para ella en el futuro de la organización. La analítica puede ser una herramienta útil para abrir conversaciones. No debería usarse para cerrarlas.

El peso de la gobernanza cuando la regulación todavía no llega

La mayoría de las herramientas de IA que se usan en RR.HH. fueron desarrolladas en mercados con mayor madurez de datos y marcos regulatorios más consolidados. En la Unión Europea, el AI Act clasifica como de alto riesgo ciertos sistemas de IA utilizados en reclutamiento, selección y decisiones que afectan la relación laboral, como promoción, terminación o evaluación de desempeño. Eso no abarca automáticamente todo uso de IA en RR.HH., pero sí establece un umbral claro para los usos más sensibles: transparencia, auditoría y obligaciones reforzadas de control.

En Nueva York, la Local Law 144, aprobada en 2021 y aplicable desde julio de 2023, obliga a las empresas que usan herramientas automatizadas en decisiones de empleo a realizar auditorías anuales de sesgos. Una auditoría del contralor estatal, publicada en diciembre de 2025, encontró que, al revisar 32 empresas, la autoridad municipal había identificado solo un problema, mientras que los auditores identificaron al menos 17 instancias potenciales de incumplimiento en esa misma muestra. Es un hallazgo relevante. Incluso donde existe regulación específica, la fiscalización puede ser insuficiente.

En mercados donde el marco regulatorio todavía está en desarrollo, la responsabilidad de gobernanza recae de forma más directa en cada organización. El ILIA 2025 describe a América Latina como una región que avanza en adopción de IA, pero que enfrenta brechas estructurales persistentes en gobernanza y talento especializado. Eso no es un argumento para frenar la adopción. Sí es un argumento para ser más deliberado sobre cómo se adopta, especialmente en decisiones que afectan a personas.

El nuevo rol de RR.HH.: De ejecutor a arquitecto de decisiones

La presencia de IA en procesos de talento no reduce la relevancia del área de RR.HH. La transforma. Y esa transformación exige algo más que saber usar herramientas. Exige la capacidad de definir qué debe hacer la tecnología, auditar si lo está haciendo bien y asumir la responsabilidad de las decisiones que se toman con su respaldo.

En la práctica, eso implica algunas responsabilidades concretas que no siempre están bien definidas en las organizaciones:

• Establecer qué procesos pueden automatizarse y cuáles requieren supervisión humana activa, no como política general, sino con criterios específicos según el tipo de decisión y su nivel de riesgo.
• Exigir explicabilidad a cualquier herramienta que influya en decisiones de talento. Si no se puede explicar por qué el sistema recomienda lo que recomienda, esa recomendación no debería traducirse directamente en una decisión que afecte la carrera de una persona.
• Auditar periódicamente los resultados, no solo el funcionamiento técnico. Un sistema puede operar sin errores técnicos y, aun así, producir decisiones sesgadas o desalineadas con los objetivos de la organización.
• Definir gobernanza antes de escalar. Quién valida los resultados, qué protocolo existe cuando el sistema produce un resultado cuestionable y cómo se documenta el proceso: esas preguntas deben tener respuesta antes de ampliar el uso, no después.
• Desarrollar en el equipo la capacidad de cuestionar lo que la tecnología sugiere. Saber leer un dashboard es útil. Saber cuándo el dashboard está equivocado, o cuándo refleja actividad pero no realidad, es lo que marca la diferencia.

El profesional de RR.HH. que entiende ese rol tiene una ventaja que ningún sistema puede replicar: la capacidad de conectar datos, contexto y responsabilidad en una sola decisión.

Conclusión

La IA puede aportar valor real en RR.HH., especialmente en tareas de alto volumen, analítica y personalización a escala. Pero, precisamente porque está entrando a decisiones sensibles del ciclo de vida del talento, el reto central no es adoptarla más rápido. Es entender con rigor dónde termina la automatización útil y dónde empieza la responsabilidad humana indelegable.

Los casos documentados, desde Amazon hasta iTutorGroup o el litigio en curso contra Workday, no son historias de mala intención. Son ejemplos de organizaciones que asumieron que la automatización era neutral o que el sistema podía operar sin supervisión suficiente. Ese supuesto tiene un costo que no siempre es inmediato, pero que acaba materializándose.

En RR.HH., la frontera relevante no está entre tecnología y humanidad. Está entre eficiencia y responsabilidad. Y en la región, donde la adopción avanza mientras persisten brechas de gobernanza, talento e implementación, trazar esa línea con deliberación no es una ventaja competitiva. Es parte esencial del trabajo.