El dilema ético de la detección de mentiras por IA: cuando el algoritmo juzga la verdad

La promesa es seductora: un algoritmo que analiza microexpresiones, patrones vocales y señales fisiológicas para determinar con más del 90 % de precisión si alguien miente. Investigaciones académicas recientes confirman que los modelos multimodales —fusionando video, audio y datos biométricos— ya alcanzan esos umbrales en entornos controlados. El Pentágono destina millones a integrar esa capacidad en sus polígrafos de nueva generación. Empresas como Pangram demuestran que la detección de texto sintético roza el 99 % de acierto. La tecnología ha dejado de ser experimental para convertirse en una opción comercial viable.

El salto del laboratorio a la oficina

Para un director de seguridad corporativa o un jefe de recursos humanos en México, Colombia o Brasil, la tentación es inmediata. Entrevistas de alto riesgo, investigaciones internas de fraude, procesos de due diligence con proveedores: todos escenarios donde "saber la verdad" vale dinero. Las herramientas ya existen. Startups ofrecen SaaS que analizan grabaciones de videollamadas en tiempo real. Proveedores de background check integran módulos de voice stress analysis potenciado por deep learning. La barrera ya no es técnica; es normativa y reputacional.

Tres riesgos que no aparecen en la hoja de especificaciones

Sesgo estructural y discriminación indirecta. Los conjuntos de entrenamiento sobrerrepresentan poblaciones occidentales, adultos jóvenes, condiciones de iluminación y acústica ideales. Un ejecutivo andino que evita el contacto visual por norma cultural, o un candidato con trastorno del espectro autista cuyos patrones vocales difieren de la media, generarán falsos positivos sistemáticos. En jurisdicciones con leyes antidiscriminación —como la LGPD en Brasil o la Ley 1581 en Colombia— eso es pasivo de sanción millonaria y daño de marca irreversible.

Inversión de la carga de la prueba. Cuando el algoritmo dice "miente", la organización tiende a tratar la salida como evidencia objetiva, no como probabilidad estadística. Eso rompe el principio de presunción de inocencia en procesos internos y expone a demandas por despido injustificado o daño moral. La opacidad de los modelos black box impide auditar por qué se marcó a ese empleado.

Escalada de vigilancia y erosión de confianza. Implementar detección de engaño normaliza la monitorización biométrica continua. Los mejores talentos —especialmente perfiles técnicos senior— rechazan entornos donde su integridad se presume sospechosa por defecto. La fuga de capital humano cuesta más que el fraude que se pretende evitar.

Marco de gobernanza mínimo viable

Antes de firmar cualquier contrato, el comité de ética —o el board si no existe— debe exigir:

• Validación independiente con datos locales y población diversa, no solo el benchmark del proveedor.
• Umbral de decisión humano obligatorio: el algoritmo alerta, una persona calificada decide.
• Derecho a réplica técnico: el evaluado puede solicitar revisión manual y acceder a los logs de inferencia.
• Cláusula de *sunset* contractual: revisión anual de false positive rate por grupo demográfico; renovación condicionada a métricas de equidad.

La trampa de la eficiencia

No es un compliance tool la detección de mentiras por IA; es una tecnología de poder asimétrico. Quien la controla define qué cuenta como verdad. En América Latina, donde la desigualdad de información entre empresa y empleado ya es alta, automatizar la asimetría profundiza la brecha de legitimidad. Los reguladores europeos ya preparan prohibiciones específicas en el AI Act para sistemas de "detección de emociones en el lugar de trabajo". La región seguirá esa estela.

Si la tecnología funciona no es la pregunta —los datos dicen que sí—. La pregunta es si la organización está dispuesta a absorber el coste de usarla mal. Porque cuando el algoritmo falle —y fallará—, el responsable no será el modelo. Será el director que aprobó su compra sin exigir gobernanza.