Actualizado: marzo 2026 · Por Álvaro Arrescurrenaga, CEO de Voicit
En 2018, Amazon descubrió que su sistema de IA para selección de personal penalizaba sistemáticamente a las mujeres. En 2020, el algoritmo de evaluación de profesores en el Reino Unido dejó sin acceso a la universidad a miles de estudiantes de barrios desfavorecidos. Y en 2023, la ciudad de Nueva York se convirtió en la primera jurisdicción del mundo en exigir auditorías obligatorias de los algoritmos usados en contratación. La ética en el uso de tecnología para RRHH no es un debate teórico — es una necesidad urgente con consecuencias reales.
Es el conjunto de principios que guían el uso responsable de inteligencia artificial, automatización y análisis de datos en la gestión de personas. Abarca tres pilares: privacidad de los datos de empleados y candidatos, transparencia en las decisiones automatizadas, y equidad algorítmica para evitar discriminación. En la UE, el AI Act (2024) clasifica los sistemas de IA en RRHH como «alto riesgo», con obligaciones legales específicas.
- Por qué la ética tecnológica en RRHH importa ahora
- Privacidad: qué datos puedes recoger y cuáles no
- Transparencia algorítmica: el derecho a saber
- Equidad: sesgos reales y cómo detectarlos
- 4 casos reales que cambiaron las reglas
- Marco legal: AI Act, RGPD y NYC Local Law 144
- Checklist ético para equipos de RRHH
- Herramientas para auditar la ética de tu tecnología
- Conclusión
🔍 Por qué la ética tecnológica en RRHH importa ahora
La adopción de IA en Recursos Humanos se ha acelerado drásticamente. Según Gartner, el 76% de los líderes de RRHH creen que si no adoptan IA en los próximos 12-24 meses, se quedarán atrás. Pero la velocidad de adopción ha superado a la reflexión ética:
- 83% de las empresas usan algún tipo de IA en sus procesos de selección (fuente: SHRM, 2025)
- Solo el 32% tienen una política formal de ética en IA para RRHH
- 1 de cada 4 candidatos afirma haber sido evaluado por un sistema de IA sin saberlo
- Multas de hasta 35M€ por incumplimiento del AI Act de la UE en sistemas de alto riesgo
El problema no es la tecnología en sí — es usarla sin los controles adecuados. La IA en RRHH toca decisiones que afectan directamente a la vida de las personas: quién consigue un empleo, quién es ascendido, quién es despedido. Esas decisiones exigen un marco ético sólido.
🔒 Privacidad: qué datos puedes recoger y cuáles no
Los sistemas de RRHH modernos recopilan una cantidad enorme de datos: desde CVs y evaluaciones de desempeño hasta monitorización de productividad, análisis de sentimiento en comunicaciones internas y datos biométricos de control de acceso.
Datos que requieren especial cuidado
| Tipo de dato | Ejemplo | Nivel de riesgo | Base legal necesaria (RGPD) |
| Datos básicos | Nombre, email, CV | Bajo | Consentimiento o interés legítimo |
| Datos de desempeño | Evaluaciones, KPIs | Medio | Interés legítimo + información |
| Datos de productividad | Monitorización de pantalla, keystroke logging | Alto | Interés legítimo + proporcionalidad |
| Datos biométricos | Huella dactilar, reconocimiento facial | Muy alto | Consentimiento explícito (Art. 9) |
| Datos de salud | Bajas médicas, análisis de estrés | Muy alto | Consentimiento explícito + necesidad |
| Análisis de sentimiento | IA analizando tono en emails/chats | Muy alto | Prohibido en muchos contextos (AI Act) |
Principio de minimización de datos
El RGPD exige recoger solo los datos estrictamente necesarios para el fin declarado. Si tu herramienta de screening de CVs recoge la fecha de nacimiento pero no la necesita para evaluar competencias, estás incumpliendo el principio de minimización — aunque el candidato haya dado consentimiento.
La regla práctica: si no puedes explicar exactamente para qué necesitas un dato, no lo recojas.
🔎 Transparencia algorítmica: el derecho a saber
Cuando un algoritmo descarta a un candidato o recomienda un despido, ¿puede explicar por qué? La transparencia algorítmica es uno de los pilares más críticos — y más descuidados — de la ética tecnológica en RRHH.
Qué exige la ley
- RGPD (Art. 22): derecho a no ser objeto de decisiones automatizadas con efectos significativos, y derecho a obtener una explicación de la lógica utilizada.
- AI Act (Art. 13): los sistemas de IA de alto riesgo deben ser «suficientemente transparentes» para que los usuarios comprendan e interpreten los resultados.
- NYC Local Law 144: obliga a publicar un resumen de la auditoría de sesgo del algoritmo en la web de la empresa.
Qué significa en la práctica
- Informar a candidatos y empleados de que se usa IA en el proceso (en la oferta de empleo, en el contrato, o en la política interna).
- Explicar los criterios que usa el sistema: «Este candidato puntuó 85/100 porque tiene 5 años de experiencia en el sector y domina 3 de las 4 herramientas requeridas».
- Ofrecer alternativa humana: cualquier persona tiene derecho a solicitar que un humano revise la decisión automatizada.
- Documentar el sistema: ficha técnica con datos de entrenamiento, métricas de rendimiento, resultados de auditoría de sesgo.
Señal de alerta: Si tu proveedor de IA para RRHH no puede explicarte cómo funciona su algoritmo, o se niega a compartir resultados de auditorías de sesgo, es una bandera roja. La opacidad algorítmica es incompatible con el cumplimiento del AI Act.
⚖️ Equidad: sesgos reales y cómo detectarlos
Los algoritmos no son neutrales. Aprenden de datos históricos — y si esos datos contienen sesgos (y casi siempre los contienen), la IA los reproduce y a menudo los amplifica.
Tipos de sesgo en IA para RRHH
- Sesgo de datos históricos: si una empresa contrató mayoritariamente hombres durante 10 años, la IA aprende que «hombre» = «buen candidato». Esto fue exactamente lo que pasó con Amazon.
- Sesgo de proxy: el algoritmo no usa «género» como variable, pero usa «capitán del equipo de rugby» (correlación con género masculino) como predictor positivo.
- Sesgo de exclusión: candidatos con gaps en el CV (maternidad, enfermedad, cuidado de familiares) son penalizados por algoritmos que priorizan trayectorias lineales.
- Sesgo socioeconómico: priorizar universidades de prestigio, dominio de inglés nativo, o experiencia internacional excluye talento igualmente válido de contextos menos privilegiados.
- Sesgo de accesibilidad: entrevistas en vídeo con IA que evalúan expresiones faciales discriminan a personas neurodivergentes o con discapacidades.
Cómo detectar sesgos en tu sistema
La única forma fiable es con auditorías cuantitativas. Compara los resultados del algoritmo por grupos demográficos (género, edad, etnia, discapacidad) y mide:
- Tasa de selección adversa (4/5 rule): si la tasa de selección de un grupo protegido es menor al 80% de la del grupo mayoritario, hay impacto adverso.
- Ratio de falsos negativos: ¿el sistema descarta más candidatos cualificados de un grupo que de otro?
- Distribución de puntuaciones: ¿las puntuaciones medias son significativamente diferentes entre grupos?
📋 4 casos reales que cambiaron las reglas
1. Amazon (2018) — Sesgo de género en screening de CVs
Amazon desarrolló una IA para filtrar CVs que aprendió de 10 años de contrataciones históricas. Como la mayoría de contratados eran hombres, el sistema aprendió a penalizar CVs que contenían la palabra «women’s» (como «women’s chess club captain»). Amazon descartó el sistema.
Lección: los datos históricos no son neutrales. Sin auditoría de sesgo, la IA automatiza la discriminación del pasado.
2. HireVue (2019-2021) — Evaluación facial en entrevistas
HireVue usaba análisis de expresiones faciales en entrevistas en vídeo para evaluar candidatos. Tras presión de la Electronic Privacy Information Center (EPIC), la FTC investigó el caso. HireVue eliminó el análisis facial en 2021, admitiendo que los beneficios no justificaban los riesgos de sesgo.
Lección: que una tecnología sea posible no significa que sea ética. El análisis facial en selección está cada vez más cuestionado legal y éticamente.
3. Algoritmo A-levels UK (2020) — Sesgo socioeconómico
Durante la pandemia, el gobierno británico usó un algoritmo para asignar notas a estudiantes. El sistema penalizó sistemáticamente a alumnos de centros públicos y barrios desfavorecidos. Tras protestas masivas, el gobierno descartó los resultados algorítmicos.
Lección: los algoritmos pueden parecer objetivos pero codificar desigualdades estructurales. La supervisión humana no es opcional.
4. NYC Local Law 144 (2023) — Primera ley de auditoría algorítmica
Nueva York aprobó la primera ley que obliga a las empresas a auditar anualmente sus herramientas de IA para contratación, publicar los resultados, y notificar a los candidatos. Otras ciudades y la UE (con el AI Act) están siguiendo este modelo.
Lección: la regulación ya llegó. Las empresas que no auditan sus algoritmos se exponen a multas y demandas.
📜 Marco legal: AI Act, RGPD y NYC Local Law 144
Tres marcos regulatorios clave que todo equipo de RRHH debe conocer:
| Regulación | Ámbito | Requisitos clave para RRHH | Sanciones |
| AI Act (UE) | Unión Europea | Evaluación de conformidad, supervisión humana, transparencia, registro de actividades | Hasta 35M€ o 7% facturación global |
| RGPD | UE + EEE | Minimización de datos, consentimiento, derecho a explicación, derecho a intervención humana (Art. 22) | Hasta 20M€ o 4% facturación global |
| NYC Law 144 | Nueva York | Auditoría anual de sesgo, publicación de resultados, notificación a candidatos | $500-$1,500/día por violación |
¿Qué clasifica el AI Act como «alto riesgo» en RRHH?
- Sistemas de IA para screening y filtrado de candidatos
- Herramientas de evaluación automatizada en entrevistas
- Sistemas de monitorización de empleados
- IA para decisiones sobre promoción, despido o asignación de tareas
Si usas cualquiera de estos sistemas en la UE, estás obligado a cumplir los requisitos de alto riesgo del AI Act, con entrada en vigor progresiva entre 2025 y 2027.
✅ Checklist ético para equipos de RRHH
- ¿El proveedor puede explicar cómo funciona el algoritmo?
- ¿Proporciona informes de auditoría de sesgo?
- ¿Los datos de entrenamiento son representativos y diversos?
- ¿Existe supervisión humana en las decisiones críticas?
- ¿Los candidatos/empleados son informados del uso de IA?
- ¿Hay un proceso para solicitar revisión humana?
- ¿Se cumplen los requisitos del RGPD (minimización, consentimiento, explicación)?
- ¿El sistema está registrado como alto riesgo según el AI Act (si aplica)?
Auditoría periódica (mínimo trimestral):
- ¿La tasa de selección por grupo demográfico cumple la regla 4/5?
- ¿Hay candidatos cualificados descartados por patrones sospechosos?
- ¿Los criterios del algoritmo siguen alineados con los requisitos reales del puesto?
- ¿Se han documentado y corregido los sesgos detectados?
- ¿Los empleados de RRHH reciben formación actualizada en ética de IA?
🛠️ Herramientas para auditar la ética de tu tecnología
- Aequitas (gratuita) — Framework open-source de la Universidad de Chicago para auditar sesgo en sistemas de decisión automatizada.
- AI Fairness 360 (IBM) (gratuita) — Toolkit de código abierto con métricas de equidad y algoritmos de mitigación de sesgo.
- What-If Tool (Google) (gratuita) — Herramienta visual para explorar el comportamiento de modelos de ML sin escribir código.
- Holistic AI (de pago) — Plataforma de auditoría y gobernanza de IA, usada por empresas para cumplir con NYC Law 144 y AI Act.
💡 Conclusión
La ética en el uso de tecnología para RRHH no es un freno a la innovación — es lo que separa la innovación responsable de la irresponsable. Los casos de Amazon, HireVue y el algoritmo británico demuestran que la IA sin controles éticos causa daño real a personas reales.
La buena noticia: el marco legal ya existe (AI Act, RGPD), las herramientas de auditoría son accesibles (muchas gratuitas), y los equipos de RRHH que lideran en ética tecnológica construyen más confianza con candidatos y empleados.
La clave está en tres principios: recoger solo los datos necesarios (privacidad), explicar cómo funcionan los sistemas (transparencia), y auditar regularmente los resultados (equidad). Y siempre, siempre: supervisión humana en las decisiones que afectan a la vida de las personas.
Si usas IA en tu proceso de selección, complementa el screening con herramientas que documenten las entrevistas de forma transparente. Voicit genera informes automáticos de entrevistas que sirven como registro objetivo de la evaluación — un complemento esencial para la trazabilidad ética del proceso.
📚 Artículos relacionados
- Cribado de CV con inteligencia artificial: guía completa 2026
- Apps de IA para transcribir reuniones: las 12 mejores en 2026
- Cómo generar informes de entrevistas con IA
- Employee Experience: claves más allá del onboarding
