¿Es más objetiva la IA que criba CVs?

Los sistemas de IA para criba de CVs no eliminan el sesgo humano: lo codifican en el algoritmo y, cuando asisten a una persona, se lo transfieren también a ella.

Preguntas y respuestas: lo que la evidencia responde

¿De dónde viene la promesa de objetividad?

Del supuesto de que una máquina no tiene prejuicios conscientes. El consenso del mercado promete neutralidad automática al sustituir el juicio humano por un modelo entrenado. La evidencia entrega un patrón opuesto: sesgos raciales y de género medibles en los modelos ¹, que se transfieren a quien supervisa su recomendación ². De esa distancia —neutralidad prometida, sesgo entregado— procede la brecha.

¿Los LLMs modernos son distintos?

No de forma sustantiva. El benchmark FAIRE (Wen et al., 2025), que evaluó varios LLM, entre ellos GPT-4o, GPT-4o-mini, Claude 3.5 Sonnet, Claude 3.5 Haiku y Llama 3.3 70B, encontró algún grado de sesgo en todos, con magnitud y dirección muy variables: Claude 3.5 Sonnet y Llama 3.3 70B mostraron un sesgo negativo más fuerte, especialmente contra candidatos asiáticos y negros, y Claude 3.5 Haiku dio los resultados más equilibrados ¹.

¿Y si el humano supervisa la recomendación?

La supervisión sin estructura no es suficiente. Un estudio experimental (EE.UU., 2025) mostró que, cuando la IA favorecía a un grupo, las personas también favorecían a esos candidatos hasta en el 90 % de las ocasiones; sin IA, o con una IA sin preferencias por raza, seleccionaban a todos los candidatos en la misma proporción ². La IA no solo sesga su propia salida: condiciona el juicio humano posterior.

¿El sesgo afecta a todos los candidatos por igual?

No. El problema puede agravarse estructuralmente: si múltiples empresas utilizan el mismo proveedor de software, los mismos candidatos o subgrupos podrían ser rechazados de forma consistente y errónea, lo que crearía un cuello de botella especialmente severo en el acceso al empleo ⁷.

¿Qué dice el marco legal europeo?

Lo suficiente para saber que el propio legislador no considera estos sistemas neutrales. El Reglamento de IA (UE 2024/1689) clasifica como de alto riesgo los sistemas de IA que se usan en el ámbito del empleo ⁶. La Ley Orgánica 3/2018 remite al art. 22 del RGPD (UE 2016/679), que protege frente a las decisiones individuales automatizadas que produzcan efectos jurídicos sobre la persona o le afecten significativamente ⁵.

Resumen de evidencias primarias

Por qué persiste la promesa de neutralidad

1. La promesa es comercialmente útil. Presentar la IA como objetiva reduce la percepción de riesgo legal y organizacional en el momento de la compra, aunque el riesgo legal real sea el contrario bajo el AI Act y el RGPD ⁶⁵.

2. La asistencia algorítmica no activa el pensamiento crítico: lo inhibe. Las personas asumen que el sistema ya filtró lo irrelevante; el experimento de 2025 documenta que el sesgo del modelo se transfiere al juicio humano sin que el evaluador lo perciba ².

3. La concentración de mercado multiplica el daño. Si muchas organizaciones usan el mismo proveedor, el sesgo de un único algoritmo podría excluir de forma consistente a los mismos subgrupos a escala masiva, sin que ninguna empresa individual lo perciba como problema propio ⁷.

4. La conciencia del sesgo disuade precisamente a quienes más protección necesitan. Ip (2025) documenta que la mera percepción de que un algoritmo está sesgado reduce las candidaturas de las mujeres más cualificadas, deteriorando la calidad y diversidad del pool antes de que el algoritmo procese un solo CV ³.

En su lugar

La evidencia ya citada señala dos direcciones concretas: la combinación híbrida en la que el humano revisa primero la recomendación algorítmica antes de buscar manualmente produce listas más equitativas en género que la IA sola o el humano solo ⁴, y los métodos de debiasing bien aplicados aumentan significativamente el número de candidaturas femeninas reales ³. Ambos hallazgos apuntan a reemplazar la promesa de neutralidad automática por diseños auditables con supervisión humana estructurada, no como complemento opcional, sino como requisito de funcionamiento.