Gestión algorítmica en RR. HH.: qué es y cómo gobernar las decisiones con IA

Categoría: Decisión | Liderazgo | IA

Tiempo de lectura: 8 minutos

La gestión algorítmica en RR. HH. no es una tendencia lejana. Ya existe en organizaciones que utilizan sistemas para filtrar candidaturas, distribuir turnos, supervisar la productividad, recomendar formación, identificar el riesgo de salida o apoyar evaluaciones del desempeño.

El problema no está en utilizar tecnología para organizar información o reducir el trabajo administrativo. El problema comienza cuando un sistema empieza a influir en decisiones sobre personas sin que la organización sepa exactamente cómo funciona, qué datos utiliza, qué efectos puede generar y quién responde cuando falla.

Por tanto, la cuestión ya no es «¿nuestra empresa utiliza inteligencia artificial en RR. HH.?». La pregunta útil es otra: ¿en qué decisiones estamos permitiendo que los sistemas automatizados influyan en las personas, el trabajo y las oportunidades?

¿Qué es la gestión algorítmica?

La gestión algorítmica es el uso de software, datos y modelos automatizados para apoyar o ejecutar tareas que tradicionalmente realizaban los gestores: orientar el trabajo, distribuir tareas, supervisar la actividad, evaluar el desempeño, recomendar acciones o influir en decisiones sobre personas.

No es necesario que una máquina decida por sí sola a quién contratar o despedir para que exista gestión algorítmica. Basta con que el sistema modifique de forma sustancial cómo se organiza, observa, evalúa o recompensa el trabajo.

Una plataforma de RR. HH. no constituye automáticamente una forma de gestión algorítmica. Un sistema adquiere mayor relevancia cuando deja de ser un mero registro administrativo y empieza a producir clasificaciones, prioridades, predicciones o recomendaciones que influyen en decisiones humanas.

En su investigación sobre el control algorítmico del trabajo, Kellogg, Valentine y Christin identifican seis mecanismos recurrentes:

• Restringir: limitar las opciones disponibles para trabajadores o gestores.
• Recomendar: sugerir tareas, acciones, rutas, prioridades o comportamientos.
• Registrar: recopilar datos continuos sobre actividad, tiempo, ubicación o desempeño.
• Clasificar: asignar puntuaciones, posiciones en una clasificación, niveles de riesgo o evaluaciones.
• Recompensar: incentivar determinados comportamientos mediante premios, acceso o visibilidad.
• Sustituir: automatizar o reconfigurar decisiones que antes tomaban las personas.

Estos mecanismos no son necesariamente negativos. Pueden aumentar la coherencia, reducir la carga administrativa y permitir decisiones mejor fundamentadas. Pero modifican la relación entre los datos, la gestión y las personas. Y eso exige gobernanza.

Dónde puede estar ya presente la gestión algorítmica

• Selección de personal: filtrado de currículos, clasificación de candidatos, análisis de competencias, anuncios segmentados o herramientas de entrevista automatizada.
• Desempeño: paneles de productividad, alertas de actividad, clasificación de resultados, análisis de patrones de trabajo o identificación de desviaciones.
• Turnos y tareas: distribución automática de horarios y asignación de trabajo basada en la disponibilidad, el desempeño anterior o características individuales.
• Retención: modelos que señalan a las personas con mayor probabilidad de salida o menor implicación.
• Desarrollo: recomendación de formación, itinerarios de aprendizaje o movilidad interna a partir de datos sobre el perfil y el uso.

Lo relevante no es únicamente la herramienta utilizada, sino su finalidad concreta. Un panel puede servir solo para apoyar un análisis. Pero también puede transformarse, en la práctica, en un mecanismo que condiciona evaluaciones, promociones o la distribución de oportunidades.

Qué muestra la investigación reciente

En el marco de mi doctorado en Gestión, desarrollé con Helena Oliveira una revisión bibliométrica y sistemática sobre gestión algorítmica y ética de la IA. El análisis partió de 449 artículos de revisión identificados en las bases de datos Scopus y Web of Science y dio lugar a un corpus final de 313 revisiones publicadas entre 2020 y 2025.

La pauta central no es que la tecnología sea, por naturaleza, justa o injusta. Es que la gestión algorítmica crea nuevas tensiones entre eficiencia, autonomía, transparencia, justicia organizacional y rendición de cuentas.

La literatura es consistente en un aspecto: los principios éticos abstractos no son suficientes. La transparencia, la equidad, la supervisión humana y la protección de datos deben traducirse en procesos concretos, responsabilidades claras y una capacidad real para cuestionar las decisiones.

El riesgo no está en utilizar algoritmos para apoyar la gestión. Está en utilizarlos sin saber en qué decisiones influyen, qué criterios refuerzan y quién puede cuestionar el resultado.

Cuatro riesgos que RR. HH. no debería ignorar

1. Confundir los datos disponibles con el desempeño real

Los sistemas evalúan aquello que pueden observar y medir. Pero lo que puede medirse no corresponde necesariamente con lo que tiene más valor.

La velocidad, el número de tareas completadas, el tiempo de respuesta o la presencia digital pueden ser indicadores útiles. Pero no reflejan automáticamente la calidad de las relaciones, la colaboración, el criterio, la creatividad, la capacidad de prevención o la contribución al funcionamiento del equipo.

Cuando un indicador se convierte en el criterio dominante, las personas tienden a adaptar su comportamiento a aquello que mide el sistema. La organización puede entonces empezar a optimizar señales visibles en lugar de mejorar resultados relevantes.

2. Reproducir sesgos mediante datos y criterios antiguos

Un sistema automatizado no crea sesgos de la nada. Pero puede reproducir o ampliar patrones existentes cuando aprende de datos históricos, variables proxy inadecuadas o criterios que nunca se han cuestionado.

Por ejemplo, un modelo entrenado con decisiones de selección anteriores puede aprender patrones que reflejen preferencias, desigualdades o exclusiones previas. Una regla aparentemente neutral puede perjudicar a grupos específicos si los datos utilizados reflejan oportunidades de partida diferentes.

El riesgo no es inevitable. Pero exige que la organización se pregunte: ¿qué datos alimentan este sistema, qué variables influyen en el resultado y quién comprueba si existen efectos desiguales?

3. Crear opacidad donde debería haber explicaciones

Una persona no necesita conocer el código completo de un algoritmo para comprender cómo está siendo evaluada. Pero debería poder entender, en términos claros, qué datos se utilizan, con qué finalidad y cómo puede cuestionar una decisión que le afecta.

La explicabilidad no significa revelar secretos comerciales ni simplificar una realidad técnica compleja. Significa poder explicar, de forma relevante, cómo participa la herramienta en una decisión y qué salvaguardias existen cuando el resultado parece inadecuado.

Sin esto, la gestión puede parecer arbitraria incluso cuando la intención es generar coherencia. Cuando las personas no pueden comprender o cuestionar un resultado, la confianza se deteriora rápidamente.

4. Diluir la responsabilidad entre el proveedor, el sistema y el gestor

Cuando una plataforma clasifica a un candidato, señala un riesgo de salida o recomienda una evaluación, es fácil escuchar: «ha sido el sistema».

Pero alguien eligió el sistema. Alguien lo configuró con unos criterios determinados. Alguien lo alimentó con datos recopilados. Y alguien aprobó su uso en una decisión.

La responsabilidad no desaparece porque intervenga la tecnología. Al contrario, se vuelve aún más importante definir quién decide, quién supervisa, quién valida los datos, quién responde ante incidentes y quién puede interrumpir el uso de la herramienta cuando surgen problemas.

El marco normativo europeo ya ha cambiado

Este tema ha dejado de ser únicamente una discusión sobre buenas prácticas.

El Reglamento Europeo de Inteligencia Artificial, conocido como AI Act, será aplicable con carácter general a partir del 2 de agosto de 2026. Entre los sistemas potencialmente clasificados como de alto riesgo se encuentran los utilizados para la contratación y selección de personal, el filtrado de candidaturas, la evaluación de candidatos, las decisiones sobre condiciones laborales, la promoción, la extinción de contratos, la asignación de tareas basada en características individuales y la supervisión o evaluación del desempeño.

No todas las herramientas de RR. HH. se clasificarán automáticamente como de alto riesgo. La clasificación depende de la finalidad prevista y de si el sistema influye de forma sustancial en el resultado de una decisión. Las tareas estrictamente procedimentales, preparatorias o de apoyo pueden recibir un tratamiento diferente.

El RGPD también sigue siendo plenamente aplicable. El artículo 22 establece límites a las decisiones basadas exclusivamente en el tratamiento automatizado cuando producen efectos jurídicos o impactos significativos similares sobre una persona. En determinadas situaciones, contempla salvaguardias como la intervención humana, la posibilidad de expresar el propio punto de vista y la impugnación de la decisión.

Nota importante: este artículo no sustituye el asesoramiento jurídico, una evaluación de protección de datos ni un análisis de conformidad. La clasificación de una herramienta depende de su contexto de uso, de las decisiones en las que influye, de los datos tratados y de las salvaguardias existentes.

Siete preguntas antes de utilizar IA en decisiones sobre personas

• ¿Qué decisión concreta apoya este sistema o en qué decisión influye?
• ¿Qué datos se utilizan y qué variables tienen mayor peso en el resultado?
• ¿El sistema recomienda, clasifica, supervisa o decide?
• ¿Quién realiza una revisión humana efectiva antes de adoptar una decisión con impacto?
• ¿Cómo puede un candidato o empleado solicitar aclaraciones o cuestionar el resultado?
• ¿Qué pruebas se realizan para identificar errores, sesgos o efectos desiguales?
• ¿Qué responsabilidades conserva la organización y cuáles corresponden al proveedor?

Si estas preguntas no tienen respuestas claras, el problema no es únicamente tecnológico. Es un problema de gestión.

Cómo crear gobernanza sin generar burocracia innecesaria

Una organización no necesita crear un comité complejo para cada nueva función de un programa informático. Pero sí necesita una estructura mínima cuando la tecnología influye en las personas y en decisiones relevantes.

Esa estructura puede comenzar con cuatro prácticas sencillas:

• Mapa de uso: identificar qué herramientas utilizan datos de candidatos o empleados y para qué decisiones se utilizan.
• Criterios de impacto: distinguir las herramientas administrativas de los sistemas que clasifican, recomiendan o influyen en decisiones relevantes.
• Supervisión definida: asignar a una persona o equipo la responsabilidad de validar el uso, los datos, los incidentes y las decisiones críticas.
• Derecho de revisión: garantizar que los resultados automatizados puedan ser revisados por una persona con autoridad, contexto y capacidad real para modificar la decisión.

El objetivo no es convertir la tecnología en burocracia. Es garantizar que la eficiencia, la equidad y la responsabilidad no entren en conflicto por falta de diseño.

Este desafío está relacionado con la forma en que las organizaciones evalúan el desempeño. Como analizamos en Desempeño organizacional: por qué medir no es lo mismo que gestionar, un indicador puede aportar información para una decisión, pero no sustituye la gestión necesaria para interpretar el contexto, definir prioridades y movilizar la acción.

La tecnología puede apoyar a RR. HH. No puede sustituir la responsabilidad de gestionar personas.

La gestión algorítmica puede aumentar la coherencia, ayudar a identificar patrones y liberar a los equipos de RR. HH. de tareas repetitivas. Negar esa realidad serviría de poco.

Pero la gestión de personas sigue exigiendo criterio, contexto, proporcionalidad y capacidad para explicar las decisiones a quienes se ven afectados por ellas.

En VAGAR, ayudamos a las organizaciones a estructurar sus prácticas de RR. HH., desempeño y liderazgo para que la tecnología refuerce la calidad de la gestión, en lugar de crear nuevas zonas de opacidad, injusticia o dependencia acrítica del sistema.

Conozca el trabajo de VAGAR en Estructuración de RR. HH., Resultados, Gestión del Desempeño y Reconocimiento, o reserve un Diagnóstico Inicial para Organizaciones.

Reservar un diagnóstico inicial

Base de evidencia

Reglamento (UE) 2024/1689 – Reglamento de Inteligencia Artificial, en particular el artículo 6 y el Anexo III sobre sistemas de IA de alto riesgo.

Oliveira, H., & Pires da Silva, L. (2026). Algorithmic Management and AI Ethics: A Systematic Literature Review (2020–2025). Trabajo académico no publicado, Doctorado en Gestión, Universidad de Évora.

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410.

Meijerink, J., & Bondarouk, T. (2023). The duality of algorithmic management: Toward a research agenda on HRM algorithms, autonomy and value creation. Human Resource Management Review, 33(1), 100876.

Langer, M., & Landers, R. N. (2021). The future of artificial intelligence at work: A review on effects of decision automation and augmentation on workers targeted by algorithms and third-party observers. Computers in Human Behavior, 123, 106878.

Reglamento (UE) 2016/679 – Reglamento General de Protección de Datos, en particular el artículo 22 sobre decisiones individuales automatizadas.