Algo perturbador está pasando en los procesos de selección de personal, y no es la típica queja de que «ya nadie te llama ni para decirte que no». Esto es bastante más oscuro y preocupante. Según un estudio publicado en julio de 2025 en las Proceedings of the National Academy of Sciences (Laurito et al., PNAS, 2025), los grandes modelos de lenguaje muestran una tendencia consistente a preferir el contenido generado por otras IAs sobre el texto escrito por humanos. Los investigadores lo llaman AI–AI bias, sesgo inteligencia artificial contra inteligencia humana.
Un segundo estudio, específicamente sobre contratación algorítmica (arxiv: 2509.00462), midió el sesgo en sistemas de filtrado de currículums (cuando es un robot quién decide si pasas o no el primer corte). Los resultados son: se prefieren los CVs escritos por IA frente a los escritos por personas entre el 67% y el 82%, dependiendo del modelo utilizado. Y si el candidato usa el mismo modelo que el sistema de filtrado, sus probabilidades de pasar a la siguiente fase aumentan entre un 23% y un 60%. No por sus méritos. No por su experiencia. Sino porque la máquina se reconoce a sí misma en el texto.
Es un match de algoritmos. Y si no eres parte de él, quedas fuera sin que ningún humano haya leído una sola línea de lo que escribiste.
El sistema que castiga la rugosidad
En otra entrada de este blog: La rugosidad del cerebro y la planitud del sistema pensaba en el aula, en los pliegues del cerebro de los alumnos recién llegados, en cómo la información «plana» no se fija porque no encuentra dónde anclarse. Recordemos a Ausubel (1968): el aprendizaje significativo necesita enganchar con el conocimiento previo. Si la nueva información no tiene dónde sujetarse, se resbala.
Aplicando esta misma lógica al mercado laboral, podemos pensar que el currículum escrito por un humano es rugoso por definición. Tiene giros personales, estructuras irregulares, palabras que no son las «correctas» según el vocabulario estadístico de un modelo de lenguaje. Un recién llegado que arma su CV en castellano aprendido en tres meses. Un adulto mayor que escribe como se ha comunicado toda su vida, sin optimizar la semántica para máquinas. Una persona con poca escolarización formal que narra su experiencia real pero no en el formato que el algoritmo espera.
El sistema no los rechaza porque no son válidos para el puesto. Los rechaza porque su forma de escribir no es plana y algorítmica. Y esa exclusión, silenciosa y automatizada, no levanta ninguna alarma en ningún departamento de Recursos Humanos, porque el humano de Recursos Humanos ya no llegó a ver el currículum.
Como ya dijo Manuel Castells, en la sociedad red, quedar fuera del acceso no es un detalle menor. Es quedar fuera de casi todo lo demás (Castells, 2006). Lo que no anticipó, porque nadie podía, es que ese cierre de acceso iba a operar también desde dentro del mercado laboral formal, en el momento exacto en que alguien intentara entrar.
El ahorro que nadie contabiliza
La elección masiva de estas herramientas en selección de personal es sencilla y comprensible: es más barato comprar una licencia de IA que pagar a cinco personas para leer PDFs. Un estudio de Harvard Business School (2021, actualizado en 2025 por Joseph Fuller y Manjari Raman) encontró que los sistemas ATS rechazan automáticamente hasta el 88% de candidatos cualificados porque sus perfiles no encajan con los criterios del algoritmo. No porque no sirvan. Porque el sistema no sabe leerlos.
El costo oculto de ese ahorro es que las organizaciones están, sin saberlo, institucionalizando un proceso de selección que premia al candidato que mejor domina el prompt engineering para pasar filtros. No al que tiene las habilidades reales. No al que tiene la experiencia más valiosa. Al que sabe decirle a ChatGPT cómo reescribir su trayectoria para que suene como lo que otro modelo esperaría leer.
Es una mediocridad algorítmica que se autoperpetuaría si nadie la nombra.
En 1932, Aldous Huxley escribió Un Mundo Feliz, allí describe una sociedad donde cada individuo era diseñado para encajar perfectamente en un molde predeterminado. No había espacio para la disidencia ni para la «rugosidad» emocional; la estabilidad se lograba mediante la eliminación de la individualidad.
Hoy, los sistemas de filtrado de CV (ATS) están actuando como los decantadores de las probetas de Huxley. No buscan al candidato más creativo o resiliente; buscan al que mejor se ajusta al patrón estadístico promedio.
El problema es que, para pasar el filtro, el candidato empieza a automodelarse. Si la IA premia la «planitud», los humanos dejamos de destacar lo que nos hace únicos para convertirnos en clones textuales. Como señala la experta en ética de datos Cathy O’Neil en su obra Weapons of Math Destruction (2016), estos modelos son «cajas negras» que codifican el pasado para juzgar el futuro. Si el modelo aprendió que un «buen empleado» escribe de forma aséptica y previsible, cualquier originalidad será castigado como un error de lectura.
El sesgo oculto: Dime dónde vives y te diré si te contrato
Pero la estandarización no es el único peligro. La máquina también busca datos que tú crees irrelevantes, pero que ella interpreta con prejuicios heredados.
- Sesgo de código postal: Algunos algoritmos han demostrado penalizar a candidatos que viven en barrios con rentas bajas, asociándolos (sin ninguna base ética) con una mayor rotación laboral o menor puntualidad.
- La «afinidad» invisible: Investigaciones de la Universidad de Princeton (Caliskan et al., 2017) han confirmado que la IA hereda sesgos raciales y de género presentes en el lenguaje humano. Si el modelo detecta un nombre o una actividad extracurricular asociada a una minoría, puede bajar la puntuación de forma silenciosa.
Nota: Estamos ante una Epsilonización del mercado laboral: si no hablas «máquina», el sistema te asigna un rol marginal, independientemente de tu capacidad real.
El costo de «disfrazarse»
Al final, el ahorro que buscan las empresas es un espejismo. Están llenando sus oficinas de personas que son muy buenas haciendo prompt engineering y siguiendo reglas, pero ¿qué pasa con el pensamiento crítico? Si premiamos al que mejor se disfraza de robot, no deberíamos sorprendernos cuando las empresas pierdan su capacidad de innovar. Estamos creando organizaciones «Beta» que han olvidado cómo gestionar el talento «Alfa» que no se deja etiquetar.
Cuando hablo de «Epsilonización», estoy robando el término directamente de la jerarquía de castas que imaginó Aldous Huxley en Un Mundo Feliz. En su novela, la sociedad se dividía desde los «Alfas» (los elegidos, los guapos, los inteligentes que mandan) hasta los «Épsilons».
Los Épsilons eran personas condicionadas genéticamente para ser lo más simples posible. No necesitaban pensar, solo obedecer y realizar tareas repetitivas. No tenían «rugosidad» mental; eran, literalmente, piezas de repuesto biológicas.
¿Qué tiene que ver esto con tu currículum?
En el contexto de tu entrada de blog, la Epsilonización algorítmica es el proceso por el cual el mercado laboral (ayudado por la IA) nos está empujando a todos a ser «Épsilons digitales»:
- Vigilancia del pensamiento: Si el algoritmo decide que solo pasan los que escriben de una forma estándar y plana, todos empezamos a redactar igual. Matamos la chispa (el toque «Alfa») para no ser descartados.
- La casta de los que «saben»: Se crea una nueva jerarquía. Los que saben hacer prompt engineering (los nuevos Alfas) acceden a los puestos; los que escriben de forma «humana» (los nuevos Épsilons) son condenados al sótano del mercado laboral porque la máquina no los entiende.
- El sesgo de «bajo valor»: Como mencionaba antes con el sesgo de código postal, si el algoritmo detecta que vives en un barrio humilde o que tu sintaxis no es la de una escuela de negocios, te pone la etiqueta de «Épsilon» automáticamente. Te descarta no por lo que sabes hacer, sino por el «molde» en el que la IA cree que encajas.
¿Por qué es peligroso?
Porque, como decía Cathy O’Neil en su análisis sobre los algoritmos de contratación, estos sistemas no buscan la excelencia, buscan la evitación del riesgo.
«Un algoritmo no busca al genio incomprendido; busca al candidato que menos problemas le dé a la empresa.»
Al final, estamos creando un mundo laboral lleno de gente que finge ser un «Épsilon» perfecto (previsible, plano, sin aristas) para que una máquina los deje entrar. Es el triunfo de la obediencia semántica sobre el talento real.
Disfrazarse de robot para entrar a la fiesta humana
Ante este escenario, el cinismo honesto parece más útil que la indignación bien formulada. Si el sistema funciona así, y todo indica que lo hace, hay tres reglas de supervivencia que conviene conocer, aunque incomoden.
La primera: escribí tu currículum con tus propias palabras y luego pasalo por ChatGPT o Claude. El prompt tiene que ser directo: «Reescribí mi currículum usando la estructura y el vocabulario que un sistema ATS de inteligencia artificial valoraría positivamente, sin alterar los datos ni exagerar nada.» No es trampa. Es adaptarse al idioma del filtro.
La segunda: cuando veas una oferta de trabajo que te interesa, copiá el texto de la oferta y usalo para pedirle a la IA que adapte tu CV para que haga match semántico con esa descripción. Los sistemas de filtrado puntúan la coincidencia de términos. La oferta ya te está diciendo exactamente qué palabras usar.
La tercera, y esta duele un poco si sos del tipo creativo: si tu currículum es un PDF hermoso, con columnas, colores y diseño, la IA que lo parsea no ve nada de eso. Ve ruido. Los sistemas ATS procesan texto plano. Cuanto más aburrido y estándar sea el formato, más fácil lo lee la máquina. Guardá el diseño para el portfolio. El CV que manda al portal de empleo necesita ser funcional, no memorable.
Básicamente, estamos en un momento en que hay que disfrazarse de robot para que te dejen entrar a la fiesta humana. Triste, pero es la única forma de que tu currículum sobreviva a la burocracia inorgánica.
Lo que no debería resolverse con un prompt
Todo lo anterior es pragmático y necesario. Pero no sirve de nada si no resolvemos el problema. Porque el problema de fondo no es que los candidatos no sepan usar bien ChatGPT. El problema es que se está construyendo un mercado laboral que invisibiliza a quienes no tienen acceso, conocimiento, tiempo o toman la opción de no utilizar IA, y no adaptarse a sus reglas cambiantes.
El chico recién llegado que armó su currículum a pulmón. La adulta mayor que escribió su historia en sus propias palabras. La persona con poca escolarización que describió veinte años de experiencia real en un lenguaje que ningún modelo de lenguaje reconocería como «óptimo». Esos perfiles no son descartados por ineptos. Son descartados porque el sistema de filtrado nunca fue diseñado pensando en ellos.
Esto conecta directamente con la discusión sobre la emancipación digital: la tecnología no es neutra. Puede ser una herramienta de autonomía o puede ser un muro más sofisticado. La brecha no es solo de acceso a dispositivos. Es de acceso al conocimiento de cómo funcionan estos sistemas, y de tiempo y recursos para adaptarse a ellos.
La exclusión digital que documentó Castells en la sociedad red de los 2000 no desapareció. Mutó. Y ahora opera, entre otros lugares, dentro de los propios sistemas que deberían abrir puertas.
Una pregunta que no tiene respuesta fácil
¿Tiene solución esto? Algunas organizaciones están empezando a revisar sus procesos, a exigir que los sistemas ATS sean auditables, a reclamar mayor transparencia sobre cómo los algoritmos puntúan los perfiles. La Unión Europea, a través del AI Act (Reglamento de IA, 2024), clasifica los sistemas de selección de personal automatizados como sistemas de alto riesgo y establece requisitos de transparencia y supervisión humana. Es un paso. No resuelve el problema hoy, para quien manda un currículum esta semana.
Lo que sí podemos hacer, mientras tanto, es nombrar lo que está pasando. Que el mercado laboral tiene un filtro invisible que favorece a quienes tienen acceso a herramientas de IA y saben usarlas. Que ese filtro castiga desproporcionadamente a los colectivos que ya enfrentaban más barreras. Y que la solución no puede ser solo individual, no puede depender de que cada candidato aprenda prompt engineering por su cuenta.
Fuentes
Ausubel, D. P. (1968). Educational Psychology: A Cognitive View. Holt, Rinehart & Winston.
Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334).
Castells, M. (2006). La sociedad red: una visión global. Alianza Editorial.
Daugherty, P. R., & Wilson, H. J. (2018/2025). Human + Machine: Reimagining Work in the Age of AI. Harvard Business Review Press.
Fuller, J. B. & Raman, M. (2021, actualizado 2025). Dismissed by Degrees. Harvard Business School Managing the Future of Work Project.
Huxley, A. (1932). Brave New World. Chatto & Windus.
Laurito, W., Davis, B., Grietzer, P., Gavenčiak, T., Böhm, A., & Kulveit, J. (2025). AI–AI bias: Large language models favor communications generated by large language models. Proceedings of the National Academy of Sciences, 122(31), e2415697122. https://doi.org/10.1073/pnas.2415697122
O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.
Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). Diario Oficial de la Unión Europea.
[Nota: el estudio sobre sesgo en contratación algorítmica específica de CVs referenciado corresponde a: «AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights», disponible en arXiv:2509.00462. Fuente académica verificada, no revisada aún por pares en el momento de publicación de este artículo.]
Deja una respuesta