En pocos años la inteligencia artificial pasó de ser una tecnología experimental a revisar currículums, responder preguntas, realizar entrevistas, clasificar candidatos y recomendar quién debe avanzar en un proceso de selección.
El AI Index Report 2026 de Stanford muestra la magnitud del cambio. La adopción organizacional de inteligencia artificial llegó a 88%, mientras la capacidad de los modelos continuó mejorando con rapidez. El mismo informe advierte que las prácticas de IA responsable no avanzan al mismo ritmo y que los incidentes documentados aumentaron de 233 en 2024 a 362 en 2025.
En Recursos Humanos, la promesa es atractiva: revisar más postulaciones en menos tiempo, reducir tareas repetitivas, disminuir costos y responder con mayor rapidez. El problema aparece cuando la prisa por automatizar deja cabos sueltos. Un sistema puede ejecutar miles de evaluaciones, pero si sus criterios están mal definidos, aplicará el error con la misma eficiencia.
Cuando optimizar el proceso se convierte en el objetivo
Cada vacante puede recibir cientos o miles de postulaciones y los equipos de reclutamiento necesitan identificar rápidamente cuáles merecen una revisión más profunda. Por eso, automatizar las primeras etapas parece una decisión lógica.
La IA puede ayudar a organizar información, detectar coincidencias, resumir perfiles y reducir trabajo administrativo. Sin embargo, ahorrar tiempo no equivale automáticamente a seleccionar mejor. El resultado depende de las instrucciones, los datos y los criterios que utiliza el sistema.
Si una vacante está definida con requisitos ambiguos, la IA automatizará esa ambigüedad. Si el perfil ideal replica a quienes ya trabajan en la organización, puede excluir trayectorias diferentes. Si el sistema asigna demasiado peso a palabras clave, premiará a quien aprendió a escribir para el algoritmo y puede ignorar a quien cuenta con la experiencia, pero la describe de otra manera.
La tecnología no decide qué significa “talento”. Esa definición proviene de las personas que diseñan el proceso.
Las redes sociales ya enseñan a manipular los filtros
TikTok, YouTube, y otras plataformas están llenas de recomendaciones para “vencer a la IA”, adaptar un currículum a una vacante o aumentar la probabilidad de superar un filtro automático.
Una investigación de Duke University, University of California Berkeley, University of North Carolina, Arizona State University y la plataforma hireEZ examinó casi 200,000 currículums reales. Alrededor de 1% contenía instrucciones ocultas diseñadas para manipular sistemas de IA. Y no se quedó en un 1%.
La presencia de estos intentos aumentó siete veces entre julio de 2024 y noviembre de 2025. Los investigadores también documentaron la difusión de tutoriales, videos y plantillas en TikTok y YouTube.
Estas técnicas se conocen como prompt injection.
¿Qué es el prompt injection?
Consisten en incorporar contenido que una persona difícilmente detectaría, pero que el modelo puede leer como una instrucción adicional. El objetivo es conseguir que el sistema considere al candidato adecuado, eleve su puntuación o ignore criterios anteriores.
También existen estrategias menos técnicas. Repetir palabras clave, copiar fragmentos completos de la vacante o modificar artificialmente el lenguaje del currículum puede aumentar la coincidencia con sistemas que dependen demasiado de términos literales.
Esto no significa que todos los candidatos estén engañando. El estudio encontró estas instrucciones en aproximadamente uno de cada cien currículums. La cifra, por ahora, es pequeña, aunque suficientemente real para cuestionar cualquier proceso que entregue una decisión completa a un sistema vulnerable.
Cuando los candidatos aprenden a optimizarse para el algoritmo, la empresa puede terminar midiendo quién entiende mejor el filtro, en lugar de quién tiene mayor capacidad para desempeñar el puesto.
Candidatos que solo quieren ser vistos
Muchos candidatos recurren a guías, herramientas de IA y estrategias de optimización porque sienten que su currículum nunca llegará frente a una persona. No están intentando inventar experiencia. Buscan traducir su trayectoria al lenguaje que un sistema espera encontrar.
Una persona puede ser adecuada para una vacante y quedar descartada porque utilizó un título laboral distinto, desarrolló una competencia en otro sector, presenta una trayectoria no lineal o no repitió las palabras exactas del anuncio. Un algoritmo sin criterios bien establecidos puede confundir diferencia con falta de ajuste.
Un estudio presentado por Stanford HAI examinó decisiones reales de una herramienta de selección utilizada por múltiples empleadores. Encontró que 26% de las personas de raza negra y 15% de las personas asiáticas de la muestra aplicaron a puestos donde el sistema generó un impacto adverso contra su grupo. Los investigadores estimaron que 40,000 postulaciones adicionales habrían avanzado si esos grupos hubieran sido recomendados al mismo ritmo que el grupo más favorecido.
El estudio también identificó un riesgo sistémico. Cuando varias empresas utilizan el mismo proveedor y criterios similares, una persona puede ser rechazada repetidamente por el mismo patrón algorítmico. El candidato cree que distintas organizaciones evaluaron su perfil, aunque en la práctica pudo encontrarse varias veces con el mismo sistema que ya lo había descartado.
Un rechazo automático también habla de la empresa
Para la organización, un filtro puede representar una etapa operativa. Para el candidato, representa su primer contacto real con la empresa.
Una respuesta inmediata y genérica, una entrevista sin interacción humana o un rechazo sin explicación pueden generar frustración, especialmente cuando la persona dedicó tiempo a preparar su solicitud. La ausencia de claridad también impide saber si realmente no cumplía con los requisitos o si el sistema interpretó mal su información.
La investigación del 2025, llamada Rejected by an AI?, confirma que estas experiencias influyen en la percepción de justicia. Un estudio experimental con 921 participantes encontró que explicar una decisión mejoró la percepción de justicia del resultado, del proceso y del trato, además de aumentar la intención de recomendar a la organización. El efecto apareció tanto en decisiones humanas como automatizadas.
Otro estudio de 2025, Why might AI-enabled interviews reduce candidates’ job application intention?, encontró que las entrevistas realizadas mediante IA pueden reducir la intención de postularse cuando los candidatos perciben menor justicia procedimental y menor atractivo organizacional. La aceptación también cambia según el contexto. Las personas pueden esperar más automatización de una empresa tecnológica y considerarla fuera de lugar en sectores donde el contacto humano tiene mayor importancia.
La experiencia del empleado comienza antes de la contratación, con la experiencia del candidato. Cada formulario, mensaje, evaluación y rechazo enseña cómo la empresa utiliza la tecnología, cuánto valora el tiempo de las personas y si permite que alguien escuche cuando el sistema se equivoca.
Quien no fue contratado todavía puede convertirse en cliente, recomendar a otra persona, volver a postularse o hablar públicamente de su experiencia. Automatizar el primer contacto sin revisar su impacto también es una decisión de reputación.
El costo de un falso negativo
Las empresas suelen vigilar cuántos candidatos procesa la IA y cuánto tiempo ahorra. Esas métricas muestran eficiencia, pero no necesariamente calidad.
Un falso positivo hace avanzar a alguien que no cumple los requisitos. Es visible porque el reclutador lo detecta en la siguiente etapa. Un falso negativo elimina a una persona adecuada antes de que alguien pueda conocerla. Ese error permanece oculto.
Por eso, un sistema puede parecer exitoso, aunque esté dejando fuera al mejor talento. Si la organización solo evalúa velocidad, volumen o costo por candidatura, nunca verá las capacidades que descartó.
La calidad de un filtro debe analizarse con preguntas diferentes:
- ¿Los criterios provienen de un análisis real del puesto?
- ¿Cada requisito es indispensable o solo deseable?
- ¿El sistema reconoce experiencias y títulos equivalentes?
- ¿Se auditan resultados por grupos y tipos de trayectoria?
- ¿Una persona revisa casos dudosos o puntuaciones cercanas al límite?
- ¿El candidato sabe que se utilizó IA y puede solicitar una revisión?
- ¿Se comprueba que quienes avanzan realmente presentan mejor desempeño después de ser contratados?
Sin estas respuestas, la automatización puede reducir el tiempo del proceso mientras deteriora su validez.
Las empresas ya están corrigiendo decisiones apresuradas
Algunas organizaciones adoptaron IA esperando reducir costos y personal, pero después descubrieron que las tareas contenían juicio, conocimiento tácito y relaciones difíciles de automatizar.
Una encuesta internacional realizada entre febrero y marzo de 2025 por encargo de Orgvue, una empresa de software especializada en diseño organizacional y planeación de la fuerza laboral, encontró que el 39% de los 1,163 líderes empresariales encuestados había reducido personal como consecuencia de implementar IA. Entre quienes realizaron estos recortes, el 55% reconoció haber tomado decisiones equivocadas al respecto. Además, del total de participantes, el 38% todavía no entendía el impacto que tendría la IA en su negocio y el 27% no contaba con una hoja de ruta claramente definida para implementarla.
En 2026, otra investigación de Orgvue encontró que 32% de las organizaciones que redujeron personal bajo la promesa de ahorrar con IA tuvieron que volver a contratar personal. Entre las empresas que hicieron recortes, 23% había basado la decisión en supuestos generales sobre lo que la IA podía hacer, en lugar de analizar tareas y puestos específicos.
Klarna ofrece un ejemplo visible. En 2024, la compañía informó que su asistente de IA realizaba el “trabajo equivalente a 700 agentes” y podía generar una mejora estimada de 40 millones de dólares en utilidades. En 2025, su director general reconoció que el costo había tenido demasiado peso en la decisión y que el resultado fue una menor calidad. La empresa volvió a contratar personal para garantizar que sus clientes pudieran acceder a soporte humano cuando lo necesitaran.
La lección no consiste en abandonar la IA. Consiste en dejar de utilizarla como sustituto automático de aquello que todavía requiere contexto, responsabilidad y criterio.
La IA ejecuta, el criterio debe seguir siendo humano
El criterio humano debe definir qué se mide, por qué importa, qué evidencia respalda la decisión y cuándo un caso necesita revisión. También debe vigilar los resultados, corregir sesgos y asumir la responsabilidad cuando la herramienta se equivoca.
Un proceso de selección responsable puede utilizar IA para ejecutar tareas, pero necesita personas para:
- Analizar el puesto y establecer criterios relevantes.
- Elegir herramientas validadas para el propósito específico.
- Auditar resultados y detectar patrones de exclusión.
- Revisar casos ambiguos y ofrecer vías de reconsideración.
- Comunicar con transparencia cómo se toman las decisiones.
- Evaluar la calidad de las contrataciones, no solo la velocidad del filtro.
La IA seguirá avanzando y los candidatos también aprenderán a interactuar con ella. La solución sostenible consiste en combinar su capacidad de ejecución con procesos bien diseñados, evaluaciones confiables y supervisión humana real.
En HRTools, ayudamos a las organizaciones a definir criterios de selección relacionados con el puesto y a integrar evaluaciones psicométricas válidas dentro de procesos que aprovechan la tecnología sin delegarle por completo la decisión.
Contáctanos y recibe una sesión de orientación libre de costo con un consultor experto.
Referencias
- Duke University Pratt School of Engineering. (2026). Thwarting hidden resume hacks targeting AI hiring tools. https://pratt.duke.edu/news/thwarting-prompt-injection/
- Klarna. (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/
- Luo, W., Zhang, Y., & Mu, M. (2025). Why might AI-enabled interviews reduce candidates’ job application intention? The role of procedural justice and organizational attractiveness. Humanities and Social Sciences Communications, 12, 1278. https://doi.org/10.1057/s41599-025-05607-z
- Malin, C., Fleiß, J., Ortlieb, R., & Thalmann, S. (2025). Rejected by an AI? Comparing job applicants’ fairness perceptions of artificial intelligence and humans in personnel selection. Frontiers in Artificial Intelligence, 8, 1671997. https://doi.org/10.3389/frai.2025.1671997
- Orgvue. (2025). 55% of businesses admit wrong decisions in making employees redundant when bringing AI into the workforce. https://www.orgvue.com/news/55-of-businesses-admit-wrong-decisions-in-making-employees-redundant-when-bringing-ai-into-the-workforce/
- Orgvue. (2026). New research exposes the complexity of deploying AI systems in the workforce. https://www.orgvue.com/news/new-research-exposes-the-complexity-of-deploying-ai-systemsin-the-workforce/
- Shibu, S. (2025). Klarna is hiring customer service agents after AI couldn’t cut it on calls, according to the company’s CEO. Entrepreneur. https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396
- Stanford Institute for Human-Centered Artificial Intelligence. (2026a). The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report
- Stanford Institute for Human-Centered Artificial Intelligence. (2026b). AI hiring tools can yield racial bias and systemic rejection. https://hai.stanford.edu/news/ai-hiring-tools-can-yield-racial-bias-and-systemic-rejection
