Sesgo algorítmico en selección: cómo detectarlo y controlarlo
Qué es el sesgo algorítmico en selección, de dónde viene, qué exigen el RGPD y el Reglamento de IA y cómo controlarlo en procesos de alto volumen.

El sesgo algorítmico en selección es el trato desfavorable e injustificado a candidatos por una causa protegida, como el sexo, la edad, el origen o la discapacidad, producido por un sistema automatizado. La buena noticia para un equipo de recursos humanos es que no se trata de un defecto inevitable: aparece cuando el proceso carece de criterios claros, de trazabilidad y de una persona que valore de verdad cada decisión. En procesos de alto volumen, como los de retail y restauración, la defensa más sólida es un flujo estructurado y centralizado, con criterios iguales para todos los candidatos y revisión humana en cada decisión relevante.
Este artículo explica de dónde surge el sesgo, qué casos lo ilustran, qué exige hoy la normativa española y europea y qué pasos concretos puede dar su equipo para controlarlo.
En resumen
- El sesgo algorítmico nace de datos históricos sesgados, de grupos infrarrepresentados y de variables que actúan como sustituto de un atributo protegido.
- La AEPD exige evaluar riesgos, informar con claridad y asegurar que quien decide pueda valorar críticamente la puntuación y tomar una decisión propia.
- El Reglamento de IA de la UE clasifica como de alto riesgo determinados sistemas usados en selección y contratación.
- Criterios estructurados, el mismo proceso para todos, indicadores por colectivo y decisión humana reducen el riesgo en volumen.
- Los sesgos no son solo cosa de máquinas: en España ya se ha medido discriminación por edad en la fase de currículum.
Tabla de contenidos
- Qué significa el sesgo algorítmico en selección
- De dónde viene el sesgo
- Casos que ayudan a entenderlo
- Qué exige la normativa en España y la UE
- Cómo controlar el sesgo en un proceso de alto volumen
- Por qué centralizar el proceso reduce el riesgo
- Un punto de vista desde Filmijob
- Filmijob para procesos de selección estructurados
- Preguntas frecuentes
- Fuentes
Qué significa el sesgo algorítmico en selección
Un algoritmo de selección es cualquier sistema que ordena, puntúa, filtra o recomienda candidatos a partir de datos: desde un buscador de currículums hasta un modelo que prioriza solicitudes. Según un estudio académico publicado en 2024 en la revista LABOS, hablamos de discriminación algorítmica cuando esos sistemas producen un trato desfavorable injustificado por una causa protegida. Puede surgir de las variables que el sistema emplea, de los datos con los que se entrenó o de correlaciones proxy, es decir, datos aparentemente neutros que en la práctica sustituyen a un atributo protegido.
Un ejemplo sencillo de proxy: un código postal puede correlacionar con el origen étnico, o un hueco en el historial laboral puede correlacionar con el cuidado de hijos y, por tanto, con el sexo. El sistema no “sabe” nada de eso, pero reproduce la correlación.
Para un responsable de selección, la consecuencia práctica es que no basta con comprobar que el sistema no pregunta por el sexo o la edad. Hay que revisar qué variables intervienen, con qué datos se calibraron los criterios y qué resultados produce por colectivo.
De dónde viene el sesgo
Los estudios identifican varias fuentes que conviene tener presentes al diseñar o revisar cualquier proceso.
Decisiones históricas que se perpetúan
Si un modelo aprende de las contrataciones de los últimos diez años y esas contrataciones ya favorecían a un perfil, el modelo tomará ese perfil como referencia de lo que es un buen candidato. El mismo estudio de LABOS explica que los datos históricos pueden reproducir discriminaciones anteriores.
Grupos infrarrepresentados
Cuando un colectivo aparece poco en los datos, el grupo dominante se convierte en la referencia del modelo, y quienes no encajan en ella son evaluados con peor precisión. Esto afecta a mujeres, personas con discapacidad, personas mayores y minorías étnicas, según un estudio académico de 2026 de Manuel Jesús Garnica Corbacho.
Variables proxy y correlaciones aprendidas
Un sistema puede aprender, sin que nadie se lo pida, que ciertas palabras, centros de estudio o trayectorias se asocian con las contrataciones pasadas. Es la vía más difícil de ver, porque ninguna variable protegida figura de forma explícita.
Segmentación de ofertas
El sesgo no solo actúa al filtrar candidatos: también puede decidir quién ve una oferta. El estudio de LABOS advierte que la publicidad segmentada puede discriminar si variables protegidas, directa o indirectamente, determinan qué colectivos reciben la oferta. La segmentación mediante audiencias similares, que dirige anuncios a perfiles parecidos a otros usuarios, puede ser lícita en principio, pero deja de serlo si emplea motivos prohibidos para incluir o excluir colectivos. Es un punto relevante para quien capta personal en varios canales a la vez.
Casos que ayudan a entenderlo
El caso de Amazon
El ejemplo más citado es el de un proyecto de selección automatizada de Amazon. Según la explicación de la ACLU, el sistema se entrenó con currículums de una plantilla de ingeniería mayoritariamente masculina, penalizaba referencias como “women’s” y ciertos centros universitarios femeninos, y favorecía verbos asociados a los hombres. La compañía canceló el proyecto y dejó de usar el programa. La lección no es que la tecnología sea el problema, sino que unos datos de partida sesgados dan resultados sesgados cuando nadie los audita.
La edad en España
El sesgo tampoco depende de que haya una máquina. Un experimento de campo de ISEAK de 2023 envió alrededor de 1.600 currículums ficticios a más de 800 vacantes en Euskadi, Barcelona y Madrid, y comparó candidatos de 35 y 49 años. La tasa de invitación a entrevista fue del 7,6 % para los de 35 años y del 3,7 % para los de 49, una brecha de aproximadamente el 50 %. La menor probabilidad de contacto de los candidatos mayores apareció en todos los subgrupos examinados: género, ocupación, sobrecualificación y responsabilidad del puesto.
Este dato importa por una razón concreta: si los modelos aprenden de decisiones humanas, aprenden también de este tipo de patrones. Un proceso estructurado, que evalúa a todos con los mismos criterios antes de ver el currículum completo, ataca el problema en su origen.

Evidencia reciente de Estados Unidos
Un estudio de Stanford HAI publicado en mayo de 2026 observó disparidades raciales en las recomendaciones de herramientas de selección. Se basa en datos de contratación de Estados Unidos y no debe leerse como una estimación del mercado español, pero muestra por qué la medición por colectivos es una práctica cada vez más habitual.
Qué exige la normativa en España y la UE
El marco aplicable combina protección de datos, normativa laboral y regulación de la inteligencia artificial. Conviene conocer sus piezas principales.
RGPD y decisiones automatizadas
La AEPD recordó en 2026 que el artículo 22 del RGPD protege frente a decisiones basadas únicamente en tratamiento automatizado que produzcan efectos jurídicos o afecten significativamente a la persona. Cuando el Tribunal de Justicia de la UE ha precisado la definición de decisión automatizada, ha ampliado la atención sobre las herramientas que puntúan o filtran candidatos, de modo que conviene que su departamento jurídico o su delegado de protección de datos revise qué fases de su proceso podrían entrar en esa categoría.
Las garantías que pide la AEPD
En su nota de prensa del 23 de septiembre de 2026, la AEPD señaló que incorporar IA al análisis de currículums puede mejorar la eficiencia, pero exige integrar la protección de datos desde la configuración inicial y evaluar los riesgos para candidatos y trabajadores. Sus recomendaciones se resumen así:
- Evaluar los riesgos y adoptar medidas técnicas y organizativas.
- Realizar una evaluación de impacto si el tratamiento pudiera entrañar un alto riesgo.
- Informar con claridad a los candidatos.
- Asegurar que quien decide pueda valorar críticamente la puntuación y tomar una decisión propia.
La AEPD advierte además de que una herramienta de este tipo puede influir directamente en el acceso al empleo y afectar a los derechos y libertades de candidatos y trabajadores.
Información algorítmica en el ámbito laboral
La guía del Ministerio de Trabajo y Economía Social de 2022 recoge los deberes de información algorítmica de las empresas que emplean algoritmos o decisiones automatizadas en la gestión de personas, incluida la selección y la contratación. También menciona entre los supuestos que pueden exigir una evaluación de impacto los tratamientos que implican decisiones automatizadas o que contribuyen en gran medida a decisiones que impiden ejercer un derecho, acceder a un servicio o formar parte de un contrato. Añade los derechos de información de las personas trabajadoras y de su representación.
Reglamento de IA de la UE
El Reglamento (UE) 2024/1689 clasifica como de alto riesgo determinados sistemas de IA usados en el empleo, incluida la selección y la contratación, en su anexo III. Según EUR-Lex, su aplicación general comienza el 2 de agosto de 2026, con excepciones y plazos escalonados previstos en el propio texto. Para su empresa, esto significa que gobernanza, documentación y supervisión humana pasan a formar parte de la selección de personal, no de una opción añadida. Los detalles aplicables a su caso deben confirmarse con su asesoría jurídica.
Cómo controlar el sesgo en un proceso de alto volumen
En retail y restauración el reto es doble: cientos de candidaturas por campaña, y poco tiempo por candidato. Un método de control debe ser ligero y repetible. Estos son los pasos que mejor encajan.
1. Defina criterios antes de ver a nadie
Cada puesto necesita una lista corta de competencias observables y una escala común para puntuarlas. Un scorecard de entrevistas bien diseñado impide que la impresión general sustituya a la evidencia. Si el criterio no está escrito antes, será imposible demostrar después que se aplicó igual a todos.
2. Elimine variables que no predicen el desempeño
Revise qué datos se usan para filtrar. Edad, foto, nombre, centros de estudio o huecos laborales rara vez aportan información sobre cómo trabajará alguien en sala o en tienda. Cuantas menos variables irrelevantes entren, menos proxies se activan. Para evaluar competencias con rigor, la guía sobre evaluación de soft skills ofrece plantillas y un umbral de fiabilidad.
3. Use el mismo proceso para todos
Las mismas preguntas, el mismo orden y el mismo tiempo de respuesta reducen la variabilidad. En videoentrevistas en diferido, cada candidato responde a las mismas preguntas cuando le conviene, y el equipo evalúa con la misma rúbrica. Para profundizar en este punto, consulte nuestro análisis de los sesgos en videoentrevistas.
4. Mida resultados por colectivo
La única forma de saber si un proceso discrimina es comparar quién entra y quién avanza en cada fase. Calcule, por ejemplo, el porcentaje de candidatos que pasa de preselección a entrevista según tramo de edad y sexo. Una diferencia persistente es una señal para revisar los criterios, no una prueba definitiva. Los indicadores de selección sirven de base para montar este seguimiento, y las decisiones basadas en datos explican cómo interpretarlos sin sobrerreaccionar.
Un ejemplo de lectura: si de 400 solicitudes de personas menores de 30 años pasan a entrevista 80 (20 %) y de 100 solicitudes de mayores de 45 pasan 8 (8 %), conviene revisar qué criterio filtra en la fase previa antes de concluir nada sobre los candidatos.
5. Deje la decisión en manos de una persona
Es la garantía que más repiten la AEPD y la doctrina académica. Garnica Corbacho destaca en 2026 la transparencia, la auditabilidad y la intervención humana como garantías relevantes frente a la opacidad algorítmica. En la práctica, la persona que decide debe ver los motivos de una puntuación, poder discrepar y dejar constancia de por qué lo hace.
6. Documente y conserve la trazabilidad
Qué criterio se aplicó, quién decidió y cuándo. Esta información es la base de cualquier evaluación de impacto, de una respuesta a un candidato que la solicite y de una auditoría interna. Si el proceso vive repartido entre correos, hojas de cálculo y mensajería, reconstruirlo es casi imposible.
7. Revise periódicamente
Cada campaña, sede o perfil cambia las condiciones. Fije una revisión trimestral de indicadores y de criterios. La guía de técnicas de selección ayuda a elegir métodos adecuados para cada puesto.
Por qué centralizar el proceso reduce el riesgo
El riesgo de sesgo crece cuando hay muchos puntos de decisión sin registro: cada responsable de tienda filtra a su manera, cada canal recoge datos distintos y no hay forma de comparar. Un proceso centralizado permite aplicar criterios homogéneos entre sedes, ver todas las fases en un mismo sitio y generar los datos necesarios para medir. Esa lógica de automatización de los procesos de selección y de flujos de automatización en recursos humanos libera tiempo operativo y deja el criterio profesional donde corresponde: en la valoración final.
Un punto de vista desde Filmijob
Nuestra experiencia al diseñar la plataforma parte de una idea sencilla: en la selección de alto volumen, automatizar no equivale a delegar la decisión. Automatizamos lo repetitivo, como la captación, el seguimiento y el filtrado, para que el equipo de recursos humanos dedique su tiempo a evaluar personas con criterios claros.
Por eso apostamos por mantener criterios humanos en cada decisión, por centralizar todo el funnel, desde la publicación de la oferta hasta la selección final, y por personalizar los flujos según el sector o la sede. Cuando todo el proceso queda en un solo lugar, la trazabilidad deja de ser un esfuerzo extra y pasa a ser una consecuencia del propio flujo.
Creemos que los equipos de retail, restauración y operaciones intensivas pueden contratar con rapidez sin perder calidad ni capacidad de explicar cada decisión. Esa combinación de velocidad, estructura y supervisión humana es la que defendemos.
Alejandro
Filmijob para procesos de selección estructurados
Si su empresa gestiona campañas recurrentes de contratación, Filmijob reúne en una sola plataforma las videoentrevistas en diferido, la automatización de la captación, el filtrado, el seguimiento de candidatos y una base de talento activa. Los planes parten de STARTER, a 99 € al mes, y llegan a ENTERPRISE, desde 999 € al mes; entre medias están GROWTH, a 299 € al mes, y SCALE, a 699 € al mes. Cada plan cuenta con un servicio de onboarding de pago único, desde 390 € en Starter. Puede consultar todas las condiciones en la página de precios.

La suscripción se contrata tras un periodo de prueba o demo, y está pensada para empresas medianas y grandes y para consultoras de reclutamiento con procesos recurrentes de alto volumen.
Preguntas frecuentes
¿Qué ejemplo muestra un sesgo algorítmico en selección?
El más conocido es el de la herramienta experimental de Amazon, entrenada con currículums de una plantilla mayoritariamente masculina. Penalizaba términos como “women’s” y favorecía verbos asociados a los hombres, y la compañía acabó cancelando el proyecto, según la ACLU.
¿Qué grupos pueden verse más afectados?
Los estudios académicos citan a mujeres, personas con discapacidad, personas mayores y minorías étnicas, entre otros colectivos protegidos. La razón suele ser su infrarrepresentación en los datos o la presencia de variables proxy que los penalizan.
¿Es ilegal usar IA para filtrar currículums en España?
No está prohibido, pero exige cumplir el RGPD y, según el caso, realizar una evaluación de impacto, informar a los candidatos y garantizar una decisión humana significativa, como recuerda la AEPD. Además, el Reglamento de IA clasifica determinados usos en selección como de alto riesgo. Para su caso concreto, consulte a su asesoría jurídica o a su delegado de protección de datos.
¿Cómo sé si mi proceso discrimina?
Compare, fase a fase, el porcentaje de candidatos que avanza por colectivo (edad, sexo, origen) y revise los criterios donde aparezcan diferencias persistentes. Una diferencia no prueba discriminación, pero indica dónde auditar primero.
Fuentes
- Analítica de personas y discriminación algorítmica, revista LABOS (2024)
- Why Amazon’s Automated Hiring Tool Discriminated Against Women, ACLU
- ¿Demasiado mayor para trabajar? Experimento de campo, ISEAK (2023)
- AI Hiring Tools Can Yield Racial Bias and Systemic Rejection, Stanford HAI (2026)
- Retos jurídico-laborales para la protección de colectivos vulnerables, Revista de Relaciones Laborales (2026)
- La Agencia recuerda las garantías para utilizar IA en el análisis de currículums, AEPD
- Información algorítmica en el ámbito laboral, Ministerio de Trabajo y Economía Social (2022)
- Reglamento (UE) 2024/1689, EUR-Lex