Las mujeres perciben más sesgo en selección

En una encuesta de 4417 personas en 28 países europeos, las mujeres, los mayores, los no blancos, los con empleo temporal y quienes se identifican como otro género reportaron mayor probabilidad de experimentar discriminación negativa en procesos de selección automatizados. Esto indica que los sesgos incorporados afectan desproporcionadamente a grupos ya vulnerables.

En los últimos años, los algoritmos de selección automática se han convertido en la primera puerta de entrada para miles de candidatos en Europa. Empresas que confían en sistemas de IA para filtrar currículos prometen eficiencia, pero la práctica ha revelado que esas máquinas reproducen los prejuicios que se les cargan. Cuando una joven profesional de Madrid ve que su solicitud desaparece sin explicación, o cuando un trabajador temporal en Lisboa recibe una respuesta automática negativa, el problema deja de ser anecdótico y se vuelve estructural.

El paper publicado en *Gender Work and Organization* aborda esa brecha con datos de una encuesta a 4 417 personas en 28 países europeos, aplicando un marco feminista que permite cruzar género, edad, raza y tipo de contrato. Los autores preguntaron a los encuestados si habían percibido discriminación en procesos de selección automatizados y analizaron las respuestas mediante modelos estadísticos que controlan variables sociodemográficas. Los resultados muestran que las mujeres, los mayores, los no blancos, los empleados con contrato temporal y quienes se identifican como otro género reportaron una probabilidad significativamente mayor de experimentar discriminación negativa frente a la IA, en comparación con los hombres jóvenes, blancos y con empleo permanente.

El mensaje es claro: no basta con comprar la herramienta más moderna, hay que auditarla a fondo y reconfigurar sus criterios de decisión. Incorporar conjuntos de datos que reflejen la diversidad real de la fuerza laboral, establecer revisiones periódicas de sesgo y abrir los algoritmos a revisión externa son pasos imprescindibles. Además, crear canales de retroalimentación donde los empleados puedan denunciar decisiones automatizadas sin temor a represalias permite detectar y corregir desviaciones antes de que se institucionalicen.

Conclusiones

• Las políticas de contratación deben revisar los datos de entrenamiento para evitar que reproduzcan desigualdades de género y raza.
• Los empleadores deben incluir auditorías de impacto diferencial antes de desplegar herramientas de selección.
• Incorporar perspectivas feministas en el diseño mejora la confianza y la percepción de justicia entre los empleados.