La promoción de 2026 se enfrenta al mercado laboral más difícil en años. La contratación junior se ha frenado, y la IA ha reducido a cero el coste de enviar un currículum. El resultado: las ofertas de entrada reciben casi el triple de solicitudes que en 2022.
El 90% de los empleadores estadounidenses usa IA para filtrar y puntuar candidatos, y la mayoría depende de los mismos tres o cuatro proveedores externos. El equipo de Stanford HAI rastreó 4 millones de solicitudes de 3,4 millones de personas —cubriendo 150 empleadores, 1.700 puestos y 11 sectores—, todas evaluadas por el mismo proveedor de IA de contratación.
La conclusión es directa: las herramientas de IA para contratar no solo tienen sesgo racial, sino que, como muchas empresas comparten el mismo algoritmo, el candidato que una descarta queda descartado en todas las demás.
40.000 recomendaciones que desaparecieron
El estudio utiliza la «regla del 80%» de la EEOC para medir el impacto adverso: cuando la tasa de recomendación de un grupo es inferior al 80% de la tasa del grupo más favorecido, el puesto se marca como discriminatorio. El Título VII de la ley de empleo lo considera indicio de discriminación.
Resultado: el 26% de los candidatos negros y el 15% de los asiáticos solicitaron puestos donde la IA discriminaba a su grupo racial. Si la IA hubiera recomendado a candidatos negros y asiáticos en la misma proporción que al grupo más favorecido (normalmente blancos), 40.000 solicitudes adicionales habrían pasado a la siguiente fase.
Aquí hay una trampa estadística que merece atención. Si mezclas todas las recomendaciones de todos los puestos —tratando al proveedor como un «macroproceso de selección único»—, los datos no muestran impacto adverso. La razón es que la IA puede recomendar frecuentemente a candidatos negros en unos puestos (almacén) y raramente en otros (finanzas). Los dos patrones se cancelan en el agregado y todo parece justo. Pero cuando miras puesto por puesto, la discriminación sigue ahí.
Monocultivo algorítmico
«Monocultivo algorítmico» es un concepto teórico que el equipo de Stanford HAI había propuesto antes: cuando múltiples decisores dependen del mismo algoritmo, los sesgos se amplifican de forma sistémica. Este estudio es la primera validación con datos reales de esa hipótesis.
El hallazgo clave: cuando un candidato se presenta a varias ofertas filtradas por el mismo proveedor de IA, la probabilidad de ser rechazado en todas ellas es significativamente mayor que la que predicen modelos de decisiones estadísticamente independientes. Entre los candidatos que enviaron cuatro solicitudes, el 10% fue rechazado en las cuatro.
El equipo de investigación comparó estos resultados con el mayor estudio previo sobre decisiones de contratación —83.000 solicitudes enviadas simultáneamente a 108 empresas Fortune 500, sin filtrar por si usaban IA o no—. En el grupo de control, la tasa de rechazo universal coincidía con lo esperado bajo independencia estadística.
Esto significa que la concentración de mercado es la variable crítica: cuando un solo proveedor de IA domina el filtrado en un sector, la probabilidad de exclusión sistémica de un candidato se dispara.
El juego estadístico de los proveedores
El estudio también destapa un truco metodológico que los proveedores usan para eludir acusaciones de discriminación.
Si mezclas todos los puestos que gestiona un proveedor y haces una evaluación agregada, los patrones de discriminación de diferentes puestos se compensan entre sí y la cifra global parece limpia. Pero aquí se ignora un hecho fundamental: los candidatos no envían su currículum al «proveedor», lo envían a puestos concretos. Que te recomienden para almacén y te rechacen para finanzas no son dos resultados que «se cancelen» en ninguna estadística, porque son dos trayectorias vitales distintas.
Esta trampa también funciona en el plano jurídico. La evaluación de impacto adverso de la EEOC normalmente se hace por puesto, pero los proveedores de IA pueden argumentar que se evalúe el «sistema completo» —mezclando todos los puestos para «promediar» las señales de discriminación—.
Tres rasgos que nunca deberían darse juntos
El equipo resume la estructura del problema en una frase: «Las herramientas de IA para contratación reúnen tres características que nunca deberían darse simultáneamente: adopción masiva, alto impacto y opacidad externa».
Cuando un sistema automatizado de decisión:
- cubre al 90% de los empleadores
- determina si una persona consigue o no una entrevista
- y su lógica de funcionamiento es invisible desde fuera
con esos tres ingredientes juntos, estamos ante un nodo de poder opaco sin contrapesos.
La contribución más valiosa del estudio es haber cuantificado cómo la concentración de mercado convierte el sesgo individual en exclusión sistémica. Que «la IA tiene sesgos» ya lo sabíamos. Pero que «un mismo algoritmo haga que una persona quede eliminada en todas las empresas a la vez» —eso es el problema nuevo—.
Nueva variable: LLMs y agentes
En sus conclusiones, el equipo de Stanford señala una tendencia inquietante: la nueva generación de herramientas de contratación está usando modelos de lenguaje y agentes de IA. Estos modelos son más potentes, su comportamiento es menos predecible y la detección de sesgos es más difícil de estandarizar.
Teniendo en cuenta los avances de los LLM actuales en generación de código y escritura, el filtrado de candidatos está pasando de «matching de palabras clave + puntuación estructurada» a «evaluación conversacional + juicio sintético». Esto último es mucho más difícil de auditar, porque el fundamento de la decisión ya no es un conjunto discreto de dimensiones de puntuación, sino un proceso de razonamiento de caja negra de extremo a extremo.
Este artículo se basa en información pública y discusiones de la comunidad. Si tienes experiencia directa en este ámbito, no dudes en señalar carencias o imprecisiones.