La IA debería encargarse de las partes objetivas y de gran volumen de la contratación —analizar candidaturas, programar, transcribir y buscar en entrevistas—, pero no de la decisión evaluativa final. La investigación muestra que la IA acierta en tareas claras y verificables entre un 76 % y un 82 % de las veces, pero cae hasta un 33 % en la síntesis subjetiva, y reproduce sesgos raciales y de género a gran escala. La regla para los fundadores es sencilla: automatiza el embudo, no el criterio. Deja a un humano la decisión sobre si esta es la persona adecuada. ## ¿Debería la IA entrevistar a tus candidatos? La respuesta corta En junio de 2026, una startup sueca llamada Fika Jobs levantó **4 millones de dólares** para construir una plataforma en la que quien realiza la entrevista es un agente de IA, no un reclutador. Es un producto real con dinero real detrás, y plantea una pregunta ineludible a cualquiera que esté montando un embudo de contratación este año: ¿cuánto de tu propio proceso le entregas a una máquina? La respuesta honesta es «mucho, pero no el criterio». La entrevista existe para responder a una sola pregunta: si esta persona concreta encaja en este puesto concreto. Y esa es justo la tarea en la que la generación actual de IA es, de forma medible, peor. Al mismo tiempo, la IA es excelente en todo lo que rodea a la entrevista: el análisis, la programación, la transcripción, la búsqueda, el resumen. Así que la línea no es IA sí o IA no. Es en qué etapa. Pon la IA donde es fuerte y deja a una persona allí donde chocan lo que está en juego y las debilidades del modelo. Esto importa porque la avalancha de candidaturas escritas por IA ha vuelto insoportable el volumen, y automatizar la entrevista parece la única forma de no ahogarse. Es una trampa que conviene nombrar, porque equivocarse en esta línea no solo te cuesta una contratación. Te puede costar una demanda por discriminación y tu marca como empleador. ## La apuesta de 4 millones: qué está construyendo Fika Jobs en realidad Fika Jobs cerró una **ronda pre-seed de 4 millones de dólares liderada por Luminar Ventures**, con participación de Alliance VC y capital ángel de los cofundadores de King (Candy Crush), Sebastian Knutsson y Riccardo Zacconi, según la cobertura de TechCrunch del 23 de junio de 2026. Los fundadores, los hermanos Jakob y Alexander Dubois, crearon antes la app social Gaff. El producto es una **plataforma de contratación centrada en el vídeo**. El candidato conecta su perfil de LinkedIn, un agente de IA basado en los modelos Gemini de Google genera preguntas personalizadas y el agente realiza una **entrevista en vídeo de unos 10 minutos**. La plataforma convierte después las respuestas en clips cortos organizados en un perfil de candidato en vivo y navegable. En lugar de postularse puesto por puesto, los candidatos mantienen un perfil permanente que los empleadores exploran. Es gratis para quien busca empleo, y Fika se lleva el **10 % del salario del primer año** del contratado, que los fundadores presentan como más barato que el 20 % o 30 % que cobran los reclutadores tradicionales. Hay más de 100 empresas en lista de espera, más de 50 lo han probado y se espera un lanzamiento más amplio en otoño de 2026, empezando por Suecia. El argumento de eficiencia es evidente y, en cuanto a comodidad, genuinamente favorable al candidato. Pero aquí está el detalle revelador: el propio anuncio de financiación de TechCrunch advierte de que los perfiles en vídeo «introducen riesgos reales de sesgo», porque los empleadores ven raza, edad, género, aspecto y acento *antes* de evaluar las cualificaciones. Cuando la advertencia de sesgo viene incorporada en la propia cobertura del lanzamiento, ahí tienes todo el debate en miniatura. ## Dónde gana la IA de verdad en el embudo de contratación La IA es fuerte en el trabajo de gran volumen, comprobable de forma objetiva y organizativo. Esa es la zona del 76 % al 82 %, y deberías automatizarla sin miramientos. La misma investigación que condena a la IA en el terreno del criterio (más sobre esto abajo) descubrió que los modelos líderes aprueban las **tareas claras y verificables entre un 76 % y un 82 % de las veces**. Eso encaja limpiamente con las partes de la contratación que nadie disfruta haciendo a mano: - **Triaje.** Analizar y deduplicar candidaturas, y ordenarlas según requisitos objetivos e imprescindibles, como una certificación exigida, la autorización para trabajar o los años en una pila tecnológica concreta. - **Programación.** El paso de pura fricción que quema semanas en correos de ida y vuelta. La programación lenta es en sí misma un coste real, ya que [los retrasos en la programación provocan el abandono de candidatos](/blog/interview-scheduling-delays-candidate-drop-off) antes siquiera de que conozcas a tus mejores perfiles. - **Lectura.** Transcribir entrevistas, resumir el historial de un candidato y buscar en horas de vídeo y en muchos candidatos en segundos. - **Resumen.** Convertir una candidatura interminable y una transcripción en un informe conciso que un responsable de contratación ocupado pueda leer de verdad. Nada de esto es la decisión. Es la preparación para la decisión. Bien hecho, le devuelve horas a tu equipo y deja que una persona invierta su escasa atención en la parte que de verdad necesita a una persona.

¿Quieres la IA en el embudo sin entregarle el veredicto? Las herramientas de IA de Kit resumen candidatos y buscan en transcripciones de entrevistas para que tu equipo lea más rápido, mientras cada avance y cada rechazo siguen siendo una decisión humana registrada.

Empieza tu prueba gratis

## Dónde falla la IA: el problema del 33 % en la síntesis La IA es, de forma medible, mala justo en el criterio que exige una entrevista: sopesar señales incompletas y subjetivas para llegar a una conclusión clara. Un laboratorio de investigación, PYX Labs (patrocinado por la firma de experiencia del empleado Perceptyx), puso a prueba **siete modelos de IA líderes** de OpenAI, Google, Anthropic y xAI en **84 tareas de escucha del empleado**, evaluadas con criterios elaborados por psicólogos y especialistas en comportamiento organizacional, según informa HR Dive. En tareas claras y verificables, los modelos aprobaron entre un 76 % y un 82 % de las veces. Pero cuando tuvieron que interpretar comentarios abiertos y subjetivos y resolverlos en una conclusión coherente, el éxito se desplomó hasta **apenas un 33 %**. **La síntesis fue la capacidad con peor puntuación en todos los modelos, con un rango del 14 % al 57 %.** Vuelve a leer ese modo de fallo: «sopesar señales incompletas, emocionales o dependientes del contexto y resolverlas en una sola conclusión clara». Esa es una definición práctica de entrevistar a un ser humano. El dato que importa no es que la IA sea mala en todo, porque no lo es. Es que la IA es peor justo en lo único que le pedirías que hiciera si la dejaras llevar la entrevista. Para dimensionar la velocidad a la que esto se extiende, el 37 % de quienes respondieron a una encuesta de WTW de 2025 ya usa IA en la gestión del rendimiento, según HR Dive. La adopción va muy por delante del techo de capacidad. En esa brecha vive el riesgo. ## El impuesto del sesgo: qué hace el cribado por IA a gran escala Cuando la IA toma la decisión evaluativa, no solo se equivoca de criterio. Reproduce la discriminación de forma sistemática, de un modo invisible hasta que alguien lo mide. Un estudio de la Universidad de Washington, a cargo de Kyra Wilson y Aylin Caliskan, puso a prueba tres LLM de código abierto con **más de 550 currículos reales** y **más de 500 ofertas de empleo reales** en nueve ocupaciones, ejecutando más de **tres millones de comparaciones** con 120 nombres de pila. Los resultados, presentados en la AAAI/ACM Conference on AI, Ethics, and Society en octubre de 2024: | Comparación | La IA favoreció | frente a | |---|---|---| | Nombres asociados a personas blancas vs. negras | **85 %** | 9 % | | Nombres asociados a hombres vs. mujeres | **52 %** | 11 % | | Nombres de hombre negro vs. hombre blanco | **nunca** | — | Esa última fila es la que debería detenerte. Los sistemas **no favorecieron ni una sola vez los nombres asociados a hombres negros frente a los asociados a hombres blancos**, un daño interseccional que no equivale a sumar «raza más género» sin más. Y este es el mismo tipo de hallazgo que [el mayor estudio hasta la fecha sobre IA de contratación en producción](/blog/ai-resume-screening-racial-disparities-defensible-hiring), que encontró disparidades raciales claras en millones de candidaturas reales. No es una curiosidad de laboratorio. Es lo que hacen estos sistemas cuando los apuntas a candidatos reales y los dejas decidir. La idea no es «no uses nunca IA». Los mismos modelos que puntúan un 33 % en síntesis puntúan entre un 76 % y un 82 % en tareas verificables. La idea es que la silla de quien decide es la única donde estos fallos se convierten en discriminación, y esa silla no debería automatizarse. ## La línea de la confianza y la línea legal Dos riesgos convergen en el momento en que una IA toma la decisión: los candidatos dejan de confiar en ti y los reguladores empiezan a fijarse. En cuanto a la confianza, sé honesto: la comodidad es real. Las entrevistas asíncronas con IA eliminan la fricción de la programación, permiten entrevistarse a las 11 de la noche y, para algunos aspirantes, pueden parecer *menos* sesgadas que una persona distraída. Pero muchos candidatos dicen sentirse deshumanizados al hablar con un bot, sin saber cómo se les está puntuando e incapaces de recurrir un rechazo de caja negra. La ganancia en comodidad y el riesgo para la confianza conviven en el mismo producto. La única salida es la transparencia sobre qué decide y qué no decide la IA, algo que un proceso con supervisión humana puede prometer y uno totalmente autónomo no. En cuanto a la ley, la exposición crece y depende de la jurisdicción. La Local Law 144 de la ciudad de Nueva York exige una auditoría de sesgo independiente y aviso al candidato antes de usar una herramienta automatizada de decisión laboral. La Artificial Intelligence Video Interview Act de Illinois exige divulgación, consentimiento y explicación cuando la IA analiza entrevistas en vídeo. La AI Act de Colorado añade deberes en torno a la IA de alto riesgo en decisiones de empleo, con entrada en vigor escalonada entre 2026 y 2027. Y la EEOC ha dejado claro que usar un algoritmo sesgado no protege a un empleador de la responsabilidad bajo el Title VII. La conclusión práctica para un fundador: «lo hizo el modelo del proveedor» no es una defensa. Si una herramienta de IA rechaza candidatos de una clase protegida a una tasa desigual, la responsabilidad del resultado es tuya. Un rastro de decisiones revisable por humanos no es solo buena ética. Es exactamente el documento de auditoría que piden los reguladores y los demandantes. ## Qué es de verdad la supervisión humana La supervisión humana significa que la decisión evaluativa es una acción explícita y atribuida de una persona con nombre, y que el papel de la IA queda acotado a la ayuda. Debería ser una restricción de tu sistema, no una frase en el texto de tu página de empleo. Así está construida exactamente la vertical de contratación de Kit. El embudo se compone de etapas tipadas: `screening` (que puede cribar automáticamente según requisitos objetivos e imprescindibles), `team_review` (con votación configurable, incluido un umbral de puntuación, una opción de exigir a todos los revisores y un indicador `veto_auto_rejects` para que una persona pueda revocar cualquier rechazo automatizado), `live_interview` (programada, con un número obligatorio de entrevistadores humanos) y `code_assignment`. Cada avance o rechazo es un registro `Decision` cuyo `decided_by` **tiene que ser un usuario humano de la cuenta**. No existe ninguna ruta de código para «la IA rechazó a este candidato». El sistema literalmente no puede registrar un veredicto que no esté atribuido a una persona. La IA aparece como herramientas, no como quien decide. Las herramientas de Kit basadas en MCP —como los resúmenes de candidatos y candidaturas y la búsqueda semántica en transcripciones de entrevistas— ayudan a tu equipo a leer más rápido entre muchos candidatos y horas de vídeo. Sacan información a la superficie; no emiten el voto. (Para saber cómo se construye ese instrumental, mira [MCP para contratación](/blog/mcp-for-hiring).) Esa es la diferencia entre «la IA te entrevistó y te rechazó» y «una persona decidió, con la IA ayudándola a leer más rápido». Y como el portal del candidato muestra el progreso real y revisable por humanos de las etapas en lugar de una puntuación opaca, es a la vez la respuesta de confianza para los candidatos y la respuesta de auditoría para los reguladores. Ojo: este es un problema distinto del de los candidatos que intentan burlar los filtros de IA, que tratamos en [trampas en entrevistas con IA y el rediseño de las evaluaciones](/blog/ai-interview-cheating-undetectable-overlays-redesign-assessments). Este artículo va de quién tiene la última palabra, no de quién intenta ganarle a la prueba. ## Una regla etapa por etapa para fundadores Entonces, ¿debería tu IA entrevistar a los candidatos? No. Pero debería hacer casi todo lo que rodea a la entrevista. Aquí está la línea, etapa por etapa: | Etapa | ¿Se lo dejas a la IA? | Por qué | |---|---|---| | Analizar y deduplicar candidaturas | **Sí** | Gran volumen, objetivo, verificable | | Ordenar según requisitos imprescindibles | **Sí**, con un rechazo automático vetable por una persona, nunca uno silencioso | Las comprobaciones objetivas son la zona fuerte de la IA; el veto atrapa el sesgo | | Programación | **Sí** | Pura fricción, sin criterio | | Transcribir y buscar en entrevistas | **Sí** | Leer rápido, no decidir | | Resumir el historial del candidato | **Sí** | Saca contexto a la superficie para una persona | | La evaluación de la entrevista | **No** | Esta es la zona del 33 % de síntesis | | Cada avance o rechazo | **No** | Criterio más exposición legal; que sea humano y quede registrado | Ese reparto captura casi toda la eficiencia de Fika sin heredar las responsabilidades del 33 % en síntesis y del 85 % de sesgo por nombre de un entrevistador autónomo. Añade transparencia de cara al candidato sobre qué es qué, para que nadie tenga que adivinar si la decisión la tomó un bot o una persona. Los fundadores que recurren a entrevistadores de IA no se equivocan sobre el dolor. El volumen aplasta, las comisiones de los reclutadores son elevadas y la programación es un suplicio. Solo están apuntando la automatización a la silla equivocada. Apúntala al embudo, deja el criterio a una persona y consigues la velocidad sin la brecha de confianza. Kit está construido sobre esa línea exacta: la eficiencia del triaje con IA junto a la defendibilidad y la humanidad de las decisiones humanas, demostrado en el modelo de datos en lugar de prometido en un pitch. Si quieres un proceso que funcione así desde el primer día, [explora las plantillas de roles](/templates) o [empieza gratis](/users/sign_up).