La promesa era tentadora: usar inteligencia artificial para eliminar los prejuicios humanos del proceso de contratación y crear un campo de juego realmente nivelado. Sin embargo, la realidad parece ser obstinadamente distinta. Una nueva investigación de las universidades de Princeton y Chicago acaba de echar un jarro de agua fría sobre esa utopía, demostrando que los modelos de lenguaje grande (LLMs) no solo heredan nuestros sesgos, sino que son capaces de desarrollar los suyos propios y, de hecho, volverse más prejuiciosos que las personas. Esto es una llamada de atención monumental para cualquier departamento de Recursos Humanos que esté delegando decisiones críticas en un algoritmo.

Un sesgo que se aprende y se magnifica

Los investigadores diseñaron un juego de simulación donde tanto humanos como una batería de modelos de IA (incluyendo variantes de ChatGPT, Claude y Gemini) debían contratar candidatos para 20 puestos de trabajo distintos a lo largo de 40 rondas. El objetivo era observar cómo la experiencia moldeaba sus decisiones. Los resultados, según reportó MIT Technology Review, fueron tan claros como preocupantes. Mientras que los participantes humanos obtuvieron una puntuación de sesgo de 0.84, uno de los modelos de OpenAI alcanzó una alarmante puntuación de 1.83, más del doble.

Este fenómeno no se debe al sesgo preexistente en los datos de entrenamiento, un problema ya conocido en la industria. Se trata de algo nuevo y más sutil: la capacidad de la IA para crear estereotipos sobre la marcha. Como explicó Ryan Liu, uno de los autores del estudio, “los LLMs están realmente ansiosos por crear generalizaciones a partir de datos limitados”. Y es precisamente en esa prisa por encontrar patrones, añadió, donde “las cosas tienden a salir mal”.

En la práctica, esto significa que si un modelo observa que un par de candidatos con un perfil similar tienen éxito en un rol, rápidamente crea una regla no escrita. Angelina Wang, otra investigadora del proyecto, señala que la IA tiende a “sobreponderar los mismos tipos de comportamientos que ha experimentado antes”. El sistema empieza a favorecer un estereotipo que él mismo ha creado, descartando a otros candidatos potencialmente más cualificados pero que no encajan en su recién aprendido y rígido molde.

La conclusión es inevitable. La idea de una IA reclutadora completamente imparcial sigue siendo ciencia ficción. Estos “nuevos sesgos son omnipresentes”, advierte Liu. Para mitigarlos, no basta con limpiar los datos; será necesario, según el investigador, “incorporar valores sociales deseables” en la arquitectura misma de los modelos. Hasta que eso ocurra, la supervisión humana en los procesos de contratación no es solo una buena práctica, es una necesidad imperativa para garantizar la equidad.

Last Update: July 20, 2026