El 65% de las empresas ya utiliza inteligencia artificial en sus procesos de selección, según datos de Infojobs citados en una jornada de elEconomista. La cifra suena como victoria, pero oculta un riesgo que los expertos repiten en privado: la mayoría está comprando ferraris para circular por calles sin asfaltar.
El problema no es la tecnología. El informe Artificial Intelligence Index Report 2024 de Stanford confirma que los modelos generativos han redefinido la toma de decisiones empresariales, pero también advierte que los sesgos en los datos, la privacidad y la sostenibilidad energética son riesgos sistémicos. En recursos humanos, donde las decisiones afectan carreras y vidas, esos riesgos no son teóricos.
La base: procesos, no herramientas
Desde el Zukunftszentrum KI de Renania del Norte-Westfalia lo plantean sin rodeos: "el éxito de la IA depende decisivamente de la calidad de los procesos subyacentes". Si los flujos de reclutamiento son opacos, las responsabilidades difusas o los datos incompletos, el mejor modelo solo automatiza la confusión.
Antes de evaluar un solo proveedor, los directores de RRHH deberían responder:
- ¿Cómo fluye hoy una vacante desde la solicitud hasta la oferta?
- ¿Dónde se pierden candidatos por tiempos de respuesta?
- ¿Qué información recibe realmente un nuevo empleado en sus primeros 90 días?
- ¿Dónde reside el conocimiento crítico y quién lo actualiza?
Solo con ese mapa honesto tiene sentido preguntar qué tareas son candidatas a automatización: screening curricular, programación de entrevistas, generación de contratos, consultas frecuentes de nómina. El resto —evaluación de ajuste cultural, conversaciones de desarrollo, gestión de conflictos— sigue siendo terreno humano.
Dos velocidades, un mismo error
Patricia Zamacola (Grupo Adecco) lo describió con claridad: las grandes empresas se mueven lentas por gobernanza y legado; las startups adoptan rápido pero sin arquitectura. Ambas terminan en el mismo lugar: islas de automatización que no conversan entre sí.
En Latinoamérica, donde la brecha entre corporaciones y pymes es estructural, el consejo es el mismo: pilotos acotados, métricas claras, escalado solo si el proceso soporta la carga. Un caso de uso real en MasOrange ilustra el enfoque dual: transformar proyectos estratégicos y mejorar la eficiencia diaria del puesto de trabajo, entendiendo que ambas aproximaciones son complementarias.
Sesgos, ciegas y regulación: el triángulo latente
El informe de Stanford lo señala y la mesa de elEconomista lo confirma: la IA puede reducir sesgos (currículums ciegos, criterios estandarizados) o amplificarlos (datos históricos sesgados, proxy variables). Netex Learning reporta ahorro de tiempo en sourcing gracias a CVs anonimizados, pero Pilar Prada insiste: "el rol de RRHH es poner luz, criterio, cautela".
En la región, donde los marcos regulatorios van desde la Ley de Protección de Datos Personales en Chile hasta la LGPD en Brasil o iniciativas incipientes en México y Colombia, la conformidad no es opcional. Adán Recuero (MasOrange) lo resume: "legislar está bien, pero no le puedes poner puertas al campo. Es imposible controlar lo que hace cada empleado. Por eso es muy importante formar a los trabajadores para que conozcan los límites".
Hoja de ruta mínima viable
1. Auditoría de procesos: mapear end-to-end los flujos críticos (reclutamiento, onboarding, evaluación, offboarding). 2. Limpieza de datos: unificar fuentes, eliminar duplicados, etiquetar variables sensibles. 3. Definición de *use cases* de alto impacto: priorizar tareas repetitivas, de alto volumen y bajo riesgo reputacional. 4. Piloto con *human-in-the-loop: la IA propone, el humano dispone. Medir tiempo ahorrado, calidad de decisión, satisfacción del candidato/empleado. 5. Gobernanza y formación: comité ético transversal, capacitación obligatoria en límites y sesgos, política de uso de herramientas generativas. 6. Escalado condicionado*: solo si el piloto mejora KPIs sin degradar experiencia humana.
El cierre que nadie quiere escuchar
Juan Carlos Carabias (Atos) lo dijo sin eufemismos: "Mucha gente se está resistiendo al cambio, pero ha llegado para quedarse. Es una ola que o la surfeas o te arrolla". La diferencia entre surfear y ahogarse no está en el presupuesto ni en el proveedor. Está en haber hecho la tarea aburrida —procesos, datos, gente— antes de comprar la tabla.
