La inteligencia artificial ya participa en procesos de Recursos Humanos que van desde redactar una vacante hasta ordenar candidaturas, resumir entrevistas, recomendar capacitación o detectar patrones de rotación. El beneficio puede ser importante, pero también lo es el riesgo: una recomendación automatizada puede amplificar datos incompletos, criterios históricos o decisiones difíciles de explicar.
En México, este tema adquirió especial actualidad en junio de 2026, cuando se presentó una iniciativa para reformar la Ley Federal del Trabajo y regular los sistemas de inteligencia artificial que influyen en relaciones laborales. La iniciativa está pendiente en comisiones y no constituye una obligación vigente. Aun así, ofrece una referencia útil sobre hacia dónde se dirige la conversación: evaluación de impacto, transparencia, explicabilidad, supervisión humana, no discriminación, privacidad y conservación de evidencia.
Para RRHH, esperar a que exista una obligación formal no es la única opción. Una evaluación de impacto algorítmico permite adoptar IA con criterio, proteger a candidatos y colaboradores y evitar que una herramienta termine tomando decisiones que la organización no puede defender.
¿Qué es una evaluación de impacto algorítmico laboral?
Es un proceso documentado para identificar cómo un sistema de IA puede afectar a las personas en el trabajo, qué datos utiliza, qué errores puede producir y qué controles necesita antes de entrar en operación. No es una auditoría puramente técnica. Debe reunir a RRHH, responsables del proceso, tecnología, seguridad de la información, privacidad y, cuando corresponda, asesoría legal.
El objetivo no es demostrar que una herramienta es perfecta. Es responder preguntas concretas: ¿qué decisión apoya?, ¿a quién puede perjudicar?, ¿qué tan explicable es el resultado?, ¿quién revisa una recomendación equivocada?, ¿qué evidencia queda disponible?
¿Cuándo conviene realizarla?
La revisión debe hacerse antes de comprar o activar una herramienta y repetirse cuando cambie el modelo, la fuente de datos, la población evaluada o la decisión en la que se utiliza. También es recomendable revisar sistemas que ya operan si nunca fueron evaluados formalmente.
- Filtros automáticos de currículums o ranking de candidatos.
- Análisis de video, voz, lenguaje o comportamiento en entrevistas.
- Recomendaciones de contratación, promoción, compensación o despido.
- Puntuaciones de desempeño, productividad, riesgo de salida o potencial.
- Monitoreo de actividad, horarios, ubicación o cumplimiento de tareas.
- Asignación automatizada de capacitación, turnos, incentivos o cargas de trabajo.
La iniciativa mexicana de 2026: qué propone y qué no significa todavía
El Sistema de Información Legislativa registra una iniciativa presentada el 23 de junio de 2026 para incorporar a la Ley Federal del Trabajo reglas sobre IA laboral. El texto identifica como sistemas de alto impacto aquellos que inciden en reclutamiento, contratación, evaluación, productividad, supervisión, promoción, salarios, sanciones o terminación de la relación laboral.
Entre sus propuestas están evaluar el impacto antes de implementar estos sistemas, informar a trabajadores y aspirantes, impedir decisiones de alto impacto exclusivamente automatizadas, ofrecer explicaciones comprensibles y mantener supervisión humana. Al momento de redactar esta guía, el último estatus publicado es pendiente en comisiones de origen.
Por tanto, no debe comunicarse internamente como una reforma aprobada ni como una lista de obligaciones ya exigibles. RRHH debe verificar el avance legislativo y obtener asesoría aplicable a su organización. La evaluación propuesta en este artículo es una práctica preventiva de gobernanza, no un dictamen jurídico.
Checklist de evaluación de impacto algorítmico para RRHH
| Área | Pregunta clave | Evidencia mínima |
|---|---|---|
| Propósito | ¿Qué problema resuelve y qué decisión apoya? | Ficha de caso de uso, alcance y responsable |
| Datos | ¿Qué datos recibe y de dónde provienen? | Inventario, base de legitimidad y periodo de conservación |
| Impacto | ¿Quién puede beneficiarse o resultar perjudicado? | Mapa de grupos afectados y escenarios de daño |
| Sesgo | ¿El resultado cambia injustificadamente entre grupos? | Pruebas por población y registro de hallazgos |
| Explicación | ¿RRHH puede explicar una recomendación concreta? | Descripción comprensible de variables y límites |
| Supervisión | ¿Quién puede revisar, corregir o detener el resultado? | Matriz de autorizaciones y protocolo de excepción |
| Proveedor | ¿Qué cambia, guarda o reutiliza la plataforma? | Contrato, anexos de datos, seguridad y soporte |
| Seguimiento | ¿Cómo se detectarán errores después del lanzamiento? | Indicadores, muestreo, incidentes y fecha de revisión |
Cómo realizar la evaluación paso a paso
1. Delimita el caso de uso
Describe la herramienta sin lenguaje comercial. Por ejemplo: “ordena candidaturas según coincidencia con requisitos definidos por el equipo de selección”. Evita frases vagas como “optimiza el talento”. Indica si el resultado solo informa, recomienda o activa una acción.
2. Clasifica el nivel de impacto
No todos los usos tienen la misma consecuencia. Generar un borrador de correo requiere controles distintos a descartar automáticamente una candidatura. Valora alcance, reversibilidad, número de personas afectadas, sensibilidad de los datos y efecto sobre empleo, ingreso o desarrollo.
- Bajo: apoyo administrativo sin efecto directo sobre derechos u oportunidades.
- Medio: recomendación que influye en una decisión, pero siempre recibe revisión sustantiva.
- Alto: clasificación o recomendación determinante sobre contratación, evaluación, promoción, salario, sanción o salida.
3. Examina los datos
Documenta las variables ingresadas, quién las recopiló, para qué propósito y cuánto tiempo se conservarán. Elimina campos que no sean necesarios. Presta especial atención a inferencias sobre salud, emociones, personalidad, género, edad, discapacidad, origen o situación familiar. Una herramienta no se vuelve neutral solo porque sus variables estén ocultas.
4. Prueba resultados y posibles sesgos
Utiliza casos representativos y escenarios límite. Compara tasas de recomendación, falsos positivos y falsos negativos entre grupos relevantes, sin convertir atributos protegidos en criterios de decisión. Si la empresa no tiene capacidad técnica para validar el modelo, debe exigir al proveedor pruebas comprensibles y reservarse el derecho de no desplegarlo.
5. Diseña una supervisión humana real
Una aprobación automática no equivale a supervisión. La persona revisora necesita tiempo, información, autoridad y capacitación para cuestionar el resultado. Define qué decisiones nunca pueden depender únicamente del sistema y cómo un candidato o colaborador puede solicitar revisión.
6. Pilota antes de escalar
Prueba el sistema en un proceso acotado, en paralelo con el método actual y sin automatizar consecuencias irreversibles. Compara calidad, tiempo, errores, experiencia de usuario y diferencias entre poblaciones. Un piloto debe tener criterios explícitos para avanzar, corregir o detener.
Indicadores para vigilar después del lanzamiento
- Porcentaje de recomendaciones modificadas por revisión humana.
- Diferencias en avance, selección o promoción entre grupos comparables.
- Quejas, solicitudes de explicación y tiempo de respuesta.
- Errores detectados, severidad, causa y acción correctiva.
- Calidad de contratación o desempeño posterior frente al método anterior.
- Porcentaje de responsables capacitados y evaluaciones completadas a tiempo.
El interés por estos controles no es teórico. El Barómetro de la IA en el mundo laboral 2026 de PwC México analiza cómo la tecnología transforma productividad, salarios y habilidades, mientras el Work Trend Index 2026 de Microsoft señala una adopción acelerada entre trabajadores mexicanos. A mayor uso, más importante resulta convertir principios generales en responsabilidades y evidencia.
Errores que RRHH debe evitar
- Comprar una herramienta sin definir qué decisión apoyará.
- Suponer que el proveedor asume toda la responsabilidad.
- Usar datos históricos sin revisar desigualdades o criterios obsoletos.
- Aceptar puntuaciones que nadie puede explicar de forma comprensible.
- Informar que existe “revisión humana” cuando el equipo solo confirma el resultado.
- Guardar datos indefinidamente o reutilizarlos para fines no comunicados.
- Presentar la iniciativa legislativa de 2026 como ley vigente.
Un plan de 30 días para comenzar
- Semana 1: inventariar las herramientas de IA usadas por RRHH, incluidas pruebas gratuitas y funciones integradas en plataformas existentes.
- Semana 2: clasificar casos por impacto y seleccionar uno prioritario para revisión.
- Semana 3: completar el checklist con proceso, tecnología, privacidad y asesoría legal.
- Semana 4: aprobar controles, responsables, indicadores y una fecha de reevaluación.
La evaluación de impacto algorítmico ayuda a que la conversación deje de ser “usar o no usar IA”. La pregunta correcta es dónde aporta valor, bajo qué condiciones y con qué protección para las personas. En 2026, esa capacidad de gobernanza puede convertirse en una competencia central de Recursos Humanos en México.
Para fortalecer esa capacidad en tu equipo, conoce G-Talent HR: una propuesta de formación online para profesionales de Recursos Humanos que necesitan actualizar criterios, liderar la adopción responsable de nuevas herramientas y convertir el aprendizaje en mejores decisiones de talento.
