Los sesgos en la selección de personal no son un defecto de carácter del reclutador. Son una característica previsible del cerebro humano y de los sistemas algorítmicos que deciden bajo incertidumbre. Negar que existan no los reduce, solo garantiza que sigan actuando de forma invisible.
Este artículo es un catálogo práctico, los 11 sesgos más comunes en las decisiones de contratación en España hoy, cómo aparece cada uno de forma concreta en el embudo y qué prácticas reducen su impacto. No promete eliminarlos, promete diagnóstico y herramientas.
Sesgos humanos clásicos
1. Sesgo de confirmación
El reclutador se forma una impresión en los primeros 30 segundos de la entrevista (o en la primera lectura del currículum) y el resto de la conversación sirve para confirmar esa impresión. Las preguntas se convierten en una búsqueda de pruebas que respalden la primera hipótesis.
Cómo aparece: el candidato "pasa" el cribado si generó comodidad al principio, "no pasa" si generó ruido pronto.
Cómo reducirlo:
- Entrevista estructurada con las mismas preguntas para todos
- Decisión por escrito antes de comentarla con los compañeros
- Rúbrica cerrada en lugar de "me dio buena espina"
2. Efecto halo (y efecto cuerno)
Una característica positiva (o negativa) muy llamativa se extiende sobre toda la evaluación. Al candidato de una universidad de prestigio se le evalúa como mejor en todo, comunicación, razonamiento, autonomía, aunque no haya evidencia de ello.
Cómo aparece: "Es de la Politécnica de Madrid, seguro que domina sistemas distribuidos". O bien: "Tiene un hueco de 18 meses en el currículum, debe de ser una persona desorganizada".
Cómo reducirlo:
- Evaluar cada competencia por separado, con una rúbrica independiente
- No sumar todo en una "impresión general"
- Pruebas técnicas a ciegas (sin nombre, sin universidad)
3. Sesgo de afinidad
La tendencia a preferir a candidatos que se parecen al reclutador (mismo entorno social, misma universidad, misma afición, misma personalidad). Es el sesgo más difícil de quitar porque se disfraza de "química" o de "encaje cultural".
Cómo aparece: "Me cayó genial, va a encajar perfecto con nosotros". A menudo significa "se parece a mí".
Cómo reducirlo:
- Paneles de entrevista con diversidad de perfiles
- Separar el "encaje cultural" (comparte los valores explícitos de la empresa) del "encaje social" (se parece a mí)
- Documentar el "encaje cultural" con criterios escritos antes de la entrevista
4. Sesgo de anclaje
El primer dato o el primer número da forma a todo lo demás. El candidato con un currículum vistoso que se ve primero se convierte en el ancla para los siguientes 20 currículums.
Cómo aparece: "Este es el mejor de la lista" suele ser, en realidad, el que más se parece al primero que se vio.
Cómo reducirlo:
- Evaluar a cada candidato contra la rúbrica, no contra los demás candidatos
- Aleatorizar el orden de evaluación
- Hacer una pausa entre tandas de evaluación para reiniciar el ancla
5. Sesgo de disponibilidad
Estimamos la probabilidad según la facilidad con la que recordamos ejemplos. Si el último desarrollador flojo venía de Vue, un candidato de Vue parece un riesgo, aunque no haya datos que lo respalden.
Cómo aparece: "Los desarrolladores del framework X suelen flojear en arquitectura", una opinión basada en 2 o 3 casos, no en estadística.
Cómo reducirlo:
- Decidir a partir de datos agregados cuando existan
- Documentar las heurísticas internas y revisarlas de forma periódica
- Sustituir la intuición por una prueba objetiva siempre que se pueda
6. Sesgo del statu quo
Preferencia inconsciente por candidatos parecidos a quienes ya forman parte del equipo. Reduce la diversidad de forma activa, incluso cuando la empresa dice que la valora.
Cómo aparece: un equipo entero masculino, formado en las mismas escuelas, todo backend Java. La siguiente incorporación que "encaja" tiende al mismo perfil. "No fue intencionado", que es justo lo que hace peligroso a este sesgo.
Cómo reducirlo:
- Un análisis de carencias intencionado ("¿qué le falta a nuestro equipo?") antes de abrir la vacante
- Una cantera diversa desde el origen (no solo vacantes en los canales de siempre)
- Métricas posteriores a la incorporación por demografía, revisadas cada trimestre
Sesgos específicos del mercado español
7. Sesgo de origen geográfico
En España, el prestigio percibido por territorio juega su papel. Los currículums con domicilio en Madrid o Barcelona reciben más atención que los de provincias menos pobladas o zonas rurales, incluso en vacantes en remoto donde la ubicación no debería importar. La "España vaciada" también pesa en la criba inicial.
Cómo reducirlo:
- Evaluación a ciegas en la primera lectura (sin domicilio, sin código postal)
- Una cantera de candidatos diversa geográficamente
- Métricas de aprobación por comunidad autónoma, revisadas
8. Sesgo de prestigio académico
Las universidades y escuelas de negocio más reconocidas de España (Politécnica de Madrid, Politécnica de Cataluña, Complutense, IE, ESADE, IESE) reciben un peso desproporcionado en la primera lectura. Los candidatos formados en universidades públicas más pequeñas o en formación profesional de grado superior compiten en desventaja aunque su desempeño sea equivalente.
Cómo reducirlo:
- Prueba técnica antes de la entrevista, sin identificar la universidad
- Decisión por la habilidad medida, no por el nombre de la institución
9. Sesgo de género en perfiles técnicos
Persiste en las vacantes técnicas. Los currículums con nombre masculino se leen como portadores de competencia técnica, mientras que los currículums con nombre femenino se leen como portadores de habilidades "blandas". El sesgo está documentado en estudios españoles e internacionales, no es teoría. La Ley de Igualdad y los planes de igualdad obligatorios en empresas de más de 50 personas empujan a corregirlo, pero la criba inicial sigue siendo donde más se cuela.
Cómo reducirlo:
- Cribado a ciegas (sin nombre) en la primera lectura
- Panel de entrevista con participación femenina
- Prueba técnica estandarizada antes de la entrevista por competencias
Sesgos algorítmicos
10. Sesgo heredado del histórico de datos
Un modelo de IA entrenado con datos de contrataciones pasadas aprende patrones, incluidos los que nadie quiere replicar. Caso famoso: Amazon (2018) entrenó un modelo de cribado con 10 años de histórico y descubrió que penalizaba los currículums que contenían la palabra "mujer". El modelo se desactivó.
Cómo aparece: una plataforma de cribado por IA filtra "de forma extraña" a más candidatos de un perfil demográfico que de otro. No se programó de manera explícita, lo hereda.
Cómo reducirlo:
- Auditoría del sesgo del modelo, con pruebas sintéticas en perfiles demográficos variados
- Reevaluación anual con un conjunto de datos equilibrado
- En contextos con sistemas de IA de alto riesgo (la selección de personal lo es bajo el Reglamento de IA de la UE): documentación, supervisión humana y control de sesgos
11. Sesgo por "optimización del currículum"
Los sistemas que ponderan la coincidencia de palabras clave favorecen a quien ha aprendido a optimizar el currículum para el rastreador, no a los mejores técnicamente. Crea un metasesgo contra quien escribe un currículum conciso y directo. Aquí entra en juego el funcionamiento del sistema de seguimiento de candidatos (ATS), que centra el cribado en la lectura del texto y no en la habilidad real.
Cómo reducirlo:
- Mover el filtro de "lectura del currículum" a "medición de la habilidad"
- Plataformas como NORT atacan justo ese metasesgo mediante un score de carrera basado en pruebas, no en el currículum
¿Cómo medir si tienes sesgo (y cuánto)?
No basta con declarar buenas intenciones. Cuatro pruebas prácticas.
Prueba 1: análisis por demografía
Compara la tasa de aprobación por fase entre géneros, edades y universidades. Si la tasa cae más para un grupo entre la fase 2 y la fase 3, hay un sesgo operando en esa fase.
Prueba 2: auditoría de la descripción de la vacante
¿La oferta tiene palabras con sesgo de género (por ejemplo "agresivo", "guerrero", "crack", masculinizadas en el contexto español)? Herramientas de análisis de lenguaje inclusivo ayudan a detectarlas.
Prueba 3: evaluación a ciegas controlada
Aplica la misma rúbrica a currículums con identificación y sin ella (nombre, foto, universidad, domicilio). El currículum ciego es ya una práctica conocida en España, y un resultado distinto entre ambas versiones es prueba directa de sesgo.
Prueba 4: diversidad de la lista final
Si el 10% mejor de los candidatos tiene un perfil demográfico, pero el 10% mejor de los contratados tiene otro, el sesgo vive en el embudo, no en la cantera.
Lo que NO reduce el sesgo (aunque suene bien)
- "Formación en sesgo inconsciente" sin cambiar el proceso: la investigación reciente muestra un efecto a corto plazo, sin un cambio de comportamiento sostenido.
- Cuotas declaradas sin cambiar el criterio: generan resentimiento sin resolver la causa.
- "Cultura de pertenencia" sin datos: un eslogan sin instrumentación no cambia nada.
- La IA como solución automática al sesgo humano: puede cambiar un sesgo humano por otro algorítmico.
¿Qué dice el marco legal español sobre los sesgos y la IA en selección?
Quien evalúa a candidatos manejando datos personales y, a menudo, algoritmos, se mueve dentro de un marco que en España no es negociable.
RGPD y LOPDGDD: los datos de un candidato son datos personales. Necesitas una base legal, una finalidad clara, minimización de datos y plazos de conservación definidos. El artículo 22 del RGPD reconoce el derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado, lo que implica garantizar intervención humana cuando un algoritmo decide o descarta. La Agencia Española de Protección de Datos lo desarrolla en su guía sobre adecuación al RGPD de tratamientos con inteligencia artificial.
Reglamento de IA de la UE y AESIA: la IA aplicada a la selección y evaluación de personas candidatas se clasifica como sistema de alto riesgo. De ahí se derivan obligaciones de transparencia, documentación, supervisión humana y control activo de sesgos. La Agencia Española de Supervisión de la Inteligencia Artificial (AESIA) es la autoridad nacional encargada de vigilar su cumplimiento. Un proceso estructurado y medible es más fácil de justificar ante ambos marcos que una entrevista subjetiva cuya lógica de valoración nadie puede reproducir.
¿Cómo encaja NORT en todo esto?
NORT ataca el sesgo mediante tres mecanismos de arquitectura.
1. Filtro por criterio objetivo sobre una cantera ya evaluada: un score de carrera por habilidad medida, idioma medido y un perfil de personalidad Big Five validado. El currículum pasa a ser secundario.
2. Evaluación portátil: el candidato hace el proceso una vez y la empresa no tiene la oportunidad de filtrar por nombre, foto o universidad en la primera lectura.
3. Transparencia con el candidato: el resultado es visible para la propia persona candidata, de modo que las decisiones automatizadas rinden cuentas.
Conviene tener clara una cosa: NORT no es un ATS. Es una plataforma de reclutamiento inverso y evaluación. El candidato se evalúa una sola vez y obtiene un score de carrera; las empresas filtran sobre esa cantera ya precualificada. No sustituye a tu sistema de seguimiento de candidatos, lo complementa, porque mueve el cuello de botella del embudo hacia donde es más defendible: la medición de la habilidad. No elimina todos los sesgos humanos (la entrevista final sigue existiendo), pero traslada la criba a un terreno mucho más justo.
Preguntas frecuentes
¿Puedo eliminar el sesgo por completo?
No. Se puede reducir de forma significativa. La investigación muestra que un proceso estructurado, más una evaluación a ciegas inicial, más una rúbrica clara, reduce el sesgo entre un 30% y un 60% según el perfil demográfico. La eliminación total exigiría quitar la decisión humana, lo que trae otros problemas.
¿Puede una empresa aplicar cuotas legalmente en España?
Las acciones positivas para grupos infrarrepresentados están amparadas por la legislación española de igualdad (por ejemplo, planes de igualdad y medidas de fomento del empleo de personas con discapacidad). Es distinto de "elegir a alguien por su demografía", se trata de "abrir vacantes con criterios de fomento" dentro del marco legal.
¿Es obligatoria la auditoría de sesgos en España?
Para los sistemas de IA de alto riesgo, como la selección de personal, el Reglamento de IA de la UE exige documentación, supervisión humana y control de sesgos, bajo la vigilancia de la AESIA. Para procesos sin IA de alto riesgo no existe hoy una auditoría obligatoria como tal, pero el RGPD ya garantiza el derecho a la revisión humana de decisiones automatizadas.
¿La IA reduce o aumenta el sesgo?
Puede hacer ambas cosas. Un modelo entrenado con datos equilibrados, con instrumentos validados (como Big Five) y con auditoría regular, lo reduce. Un modelo entrenado con el histórico interno y sin auditoría lo amplifica.
¿El "encaje cultural" es un sesgo disfrazado?
Puede serlo. El "encaje cultural" es defendible cuando significa "comparte los valores explícitos y documentados de la empresa". Es problemático cuando significa "se parece a mí socialmente". La diferencia está en la claridad de los criterios escritos.
En resumen
- Los sesgos en la selección de personal no son un defecto de carácter, son una característica previsible de la decisión humana bajo incertidumbre.
- Los principales: confirmación, halo, afinidad, anclaje, disponibilidad y statu quo, más los sesgos territoriales (origen geográfico, prestigio académico, género en perfiles técnicos) y los algorítmicos (histórico de datos y optimización del currículum).
- Reducirlos exige un proceso estructurado, evaluación a ciegas donde se pueda, rúbrica clara y métricas por demografía.
- La IA puede reducir o amplificar el sesgo, depende de la auditoría.
- El RGPD, la LOPDGDD y el Reglamento de IA marcan el terreno, con la AEPD y la AESIA como autoridades de referencia.
¿Quieres filtrar tu cantera por habilidad medida en lugar de por intuición? Crea una cuenta gratuita en NORT y empieza a seleccionar sobre criterios objetivos.