Autor/es reacciones

Patricia Sánchez-Holgado

Profesora del departamento de Sociología y Comunicación de la Universidad de Salamanca

Este estudio es muy pertinente en el marco del uso de la inteligencia artificial (IA) en el sector de los recursos humanos y la selección de personal, especialmente cuando se estudian las desigualdades de género en el mercado laboral. 

Lo más interesante es que presenta un planteamiento innovador, ya que realiza un análisis empírico de la interacción entre la oferta y la demanda, es decir, de las solicitudes de empleo (currículos generados con IA) y de la evaluación de esas solicitudes utilizando las mismas herramientas de IA. Destaca porque lo hace a gran escala, ya que audita en un entorno controlado (no se ha llevado a cabo en real) seis de los modelos más avanzados (GPT 5.4, Claude Opus 4.6, DeepSeek 3.2, Mistral Large 3, Grok 4.1 y Llama 3.3 70B) a través de 98 ocupaciones laborales reales del censo estadounidense, generando y evaluando más de 35.000 currículums. 

El hallazgo central es que, dado que los mismos sistemas de IA se utilizan tanto para redactar currículos como para evaluarlos y recomendar salarios, se produce una amplificación algorítmica: los sesgos generados en la redacción del currículo se refuerzan posteriormente cuando la IA evalúa ese mismo perfil. Dicho de otro modo, demuestra que la IA no solo absorbe los estereotipos de sus datos de entrenamiento, sino que los amplifica cuando se utiliza tanto para redactar candidaturas como para evaluarlas. Siguiendo esa misma línea, respecto al género, se observa que la IA no penaliza a las mujeres de manera uniforme, sino que copia la segregación del mercado laboral real. Si solo se cambia el género del aspirante, los modelos penalizan a las mujeres en sectores masculinizados y las favorecen en sectores feminizados, incluyendo cuestiones de salario, con lo que las brechas serán persistentes. 

Las implicaciones prácticas de esta investigación son directas para empresas, reguladores y personas en búsqueda de empleo. La automatización de los recursos humanos no garantiza la objetividad, sino que conlleva un riesgo medible de amplificación algorítmica si los mismos sistemas filtran los textos que ellos ayudaron previamente a crear. Se hacen necesarias auditorías estadísticas desagregadas por sector, ya que los promedios globales ocultan las desigualdades reales.

ES