Los consejos de IA en contratación te dan más confianza y más errores

El sesgo de automatización en la contratación es la tendencia a confiar en exceso en una recomendación segura de la IA —una puntuación del candidato, una preselección ordenada o el resumen de una entrevista— y dejar de ejercer el propio criterio. Una nueva investigación demuestra que el peligro no es que la IA se equivoque de vez en cuando. Es que una respuesta fluida y tajante de la IA hace que respondas más, te sientas mucho más seguro y te vuelvas, de forma medible, menos preciso, incluso cuando el consejo es rotundamente falso.

El estudio es difícil de ignorar. A lo largo de cinco experimentos con 3132 participantes, el simple hecho de tener la IA disponible redujo la precisión del 27,5 % al 9,2 %, mientras que la confianza subió de 30 a 76 sobre 100. La gente acertó más o menos una tercera parte de lo que acertaba sin IA y se sintió más del doble de segura. En contratación, ahí está todo en juego: una puntuación pulida de la IA puede empeorar tus decisiones mientras tu equipo se siente mejor que nunca con ellas.

El estudio que todo comprador de IA para contratación debería leer

Chiara Marcoccia (École Normale Supérieure), Walter Quattrociocchi (Universidad Sapienza de Roma) y Valerio Capraro (Universidad de Milán-Bicocca) realizaron cinco experimentos, cuatro prerregistrados más una réplica directa, con 3132 participantes. Su preprint de 2026 lleva un título sin rodeos: «AI advice suppresses people’s willingness to say ‘I don’t know’, even when the advice is wrong and accuracy is incentivized.»

Este es el detalle del diseño que importa. Los investigadores usaron deliberadamente preguntas que la IA responde mal. Las tareas eran preguntas sobre detalles visuales de películas, y el modelo con el que emparejaron a las personas falla en ellas de forma fiable. Así que la caída de la precisión y el pico de confianza no pueden descartarse simplemente como «la gente confiando con buen criterio en una buena herramienta». La herramienta era mala, y la gente confió en ella de todos modos.

El resultado agregado, en palabras de los propios autores, es que sin incentivos monetarios «los participantes respondieron más preguntas, pero acertaron alrededor de una tercera parte de las veces en comparación con cuando la IA no estaba disponible (precisión: 27,5 % frente a 9,2 %)». Mientras tanto, «la confianza fue unas dos veces y media mayor (confianza media: 29,6 frente a 75,9)». Más respuestas, más seguridad, peor precisión. En esa inversión está toda la advertencia.

El sesgo de automatización, definido, y por qué la contratación es la trampa perfecta

El sesgo de automatización es la tendencia a confiar en exceso en una recomendación segura de la IA y dejar de aplicar un criterio independiente. No es una brecha de conocimiento. Es una brecha de metacognición, un fallo en tu percepción de cuánto sabes realmente. El estudio de Marcoccia midió ese fallo directamente, fijándose en una sola cosa: con qué frecuencia la gente seguía dispuesta a decir «no lo sé».

La respuesta se desplomó. En un experimento, la tasa de «no lo sé» cayó del 44 % al 3 % en cuanto la IA estuvo disponible. En otro, del 36 % al 6 %. El resumen lo dice sin medias tintas: la IA «prácticamente eliminó la disposición de los participantes a suspender el juicio». Capraro dejó claro lo que está en juego a The Next Web: «la capacidad de decir “no lo sé” es muy importante porque representa el reconocimiento de los límites de nuestro propio conocimiento».

La contratación es exactamente el escenario para el que se escribió esta advertencia. Un reclutador bajo presión de tiempo abre una preselección ordenada o el resumen de una entrevista generado por IA. El veredicto es seguro, fluido y específico. Así que el debate se detiene. Ya nadie dice «sinceramente, no lo tengo claro con este candidato», porque la puntuación ya suena segura. La marca del buen criterio, la duda calibrada, es lo primero que desaparece.

¿Qué es el sesgo de automatización en la contratación? Es la tendencia a confiar en exceso en una recomendación segura de la IA —una puntuación del candidato, una preselección ordenada o el resumen de una entrevista— y dejar de ejercer un criterio independiente. Una nueva investigación (Marcoccia et al., 2026; N=3132) demuestra que los consejos de la IA hacen que la gente responda más, se sienta mucho más segura y sea menos precisa: la precisión cayó del 27,5 % al 9,2 % mientras la confianza subía de 30 a 76 sobre 100, aunque la IA se equivocara. En contratación, una puntuación pulida de la IA puede empeorar las decisiones mientras el equipo se siente más seguro.

El detalle demoledor: daba igual pedir el consejo de la IA o recibirlo sin pedirlo

Este es el hallazgo que debería cambiar tu forma de evaluar el software de contratación. En un experimento, los investigadores eliminaron la elección por completo. En lugar de dejar que la gente pidiera el consejo de la IA, lo mostraban automáticamente, sin que nadie lo solicitara, antes de que la persona se comprometiera con una respuesta. El efecto se mantuvo. La disposición a suspender el juicio se desplomó de 0,35 a 0,01 sin incentivos.

Vuelve a leerlo pensando en tu ATS. La mayoría de las herramientas de contratación nativas de IA no esperan a que preguntes. Muestran una puntuación del candidato por defecto. Generan automáticamente un resumen de la entrevista y lo colocan al principio de las notas de la reunión de valoración. Ordenan la preselección antes de que una persona se haya formado una sola opinión independiente. Esa es exactamente la condición que el estudio encontró más corrosiva: un veredicto seguro puesto delante de ti antes de que hayas podido pensar.

El diseño de tus herramientas no es neutral en esto. Una interfaz que muestra primero un número tajante, y las pruebas después (si es que las muestra), incorpora el efecto del sesgo de automatización en cada vacante que gestionas.

«Basta con decirles a los reclutadores que piensen de forma crítica» no funciona

La solución obvia es la rendición de cuentas. Paga a la gente por acertar, penalízala por equivocarse, y seguro que irá más despacio y verificará lo que dice la IA. Los investigadores probaron justamente eso. Ayudó, pero no llegó ni de lejos a resolver el problema.

Cuando se recompensaba la precisión y se penalizaban los errores, la gente recurría algo menos a la IA y acertaba algo más. Pero incluso en la mejor condición con incentivos, la calidad del criterio se mantuvo muy por debajo del punto de partida sin IA. En un estudio, el grupo con IA e incentivos aún suspendía el juicio solo el 8 % de las veces y obtenía apenas un 16 % de precisión, muy lejos del 27,5 % que la gente lograba cuando simplemente no había IA. Como dicen los autores, incluso cuando se incentivaba la precisión, la gente seguía delegando.

La traducción práctica para los responsables de contratación es incómoda: una diapositiva de formación que diga a los reclutadores que «usen la IA como herramienta, no como muleta» no es un control. Ni las buenas intenciones ni siquiera los incentivos económicos neutralizan el efecto. Si quieres criterio humano independiente, tienes que diseñar el proceso para forzarlo, no para pedirlo.

No es un problema de modelos flojos

Podrías suponer que los investigadores amañaron esto con un modelo malo, y que un sistema de vanguardia se comportaría de otra manera. Lo previeron. Eligieron a propósito un modelo que falla de forma fiable en estas preguntas y luego verificaron que los modelos de vanguardia también las fallan. GPT-5.5, Claude Sonnet 4.6 y Gemini 3.5 Flash las fallaron todas.

Ese es el quid. El problema no es la precisión de ningún modelo concreto. Es la deferencia humana excesiva hacia una respuesta fluida y tajante, sea correcta o no. Un modelo mejor no elimina el mecanismo. Podría decirse que lo empeora, porque una respuesta equivocada más pulida y que suena más segura es justo lo que suprime tu duda con mayor eficacia.

Esto conecta con una línea de trabajo paralela de 2026 de Shaw y Nave sobre lo que llaman «rendición cognitiva»: quienes consultaban a una IA que se equivocaba se volvían menos precisos y, a la vez, más seguros, incluso después de ver los errores, y ni los incentivos ni la presión de tiempo eliminaban el patrón. Dos grupos de investigación independientes que convergen en la misma advertencia. Tu confianza se la gana la fluidez, no la precisión, y no debería ser así.

Cómo se ve esto dentro de tu proceso de contratación

El laboratorio usó preguntas de trivial sobre películas, pero el mecanismo se traslada limpiamente a la contratación. Son escenarios ilustrativos, basados en los hallazgos del estudio, no casos documentados.

• Aprobación automática de la preselección ordenada. Un revisor abre una lista puntuada por IA, trabaja de arriba abajo y rechaza a todos los que quedan por debajo de una línea de corte sin abrir un solo perfil. Ese es el patrón de «responder más, dudar menos» de la condición de visualización automática, aplicado a las carreras de personas reales.
• El resumen de la IA como veredicto. Un responsable de contratación que solo vio la mitad de una entrevista lee el resumen de la IA («buen comunicador, flojo en diseño de sistemas») y entra en la reunión de valoración ya anclado, sin formarse ya una lectura independiente.
• Confianza sin calibración. Los paneles que antes decían «no lo tengo claro con este» ahora convergen rápido en el enfoque de la IA y declaran una confianza alta. Es el salto de confianza de 30 a 76, solo que en una sala de reuniones.
• La brecha de auditoría. Cuando un candidato rechazado se queja o se realiza una auditoría de sesgo, el registro muestra que la decisión humana coincidió con la puntuación de la IA todas y cada una de las veces. No hay pruebas de criterio independiente, que es precisamente lo que reguladores y tribunales quieren ver.

Este es el primo cognitivo de fallos sobre los que Kit ya ha escrito: el bucle infernal de la contratación con IA impulsado por el volumen, y el colapso del criterio humano del pensamiento de grupo en la reunión de valoración post-entrevista. El sesgo de automatización es pensamiento de grupo con una máquina, y la máquina nunca matiza.

Cómo debería diseñarse un ATS AI-nativo contra el sesgo de automatización

Si lo que suprime el criterio es un veredicto seguro, entonces el trabajo del producto es negarse a dártelo antes de tiempo. Un ATS AI-nativo debería diseñarse contra este efecto, no adornarse con una puntuación pulida que lo amplifique. De la investigación se derivan directamente cuatro principios.

1. Muestra incertidumbre calibrada, no falsa precisión

El modo de fallo es la desaparición del «no lo sé». Así que la herramienta debería poder decirlo. En lugar de meter a cada candidato en una puntuación de aspecto seguro de 0 a 100, el producto debería admitir un estado explícito de «pruebas insuficientes para ordenar» y mostrar rangos y confianza en lugar de un único número rotundo. Un número invita a rendirse. Un honesto «todavía no sabemos lo suficiente» invita a que una persona vaya a averiguarlo.

2. Muestra el razonamiento y las pruebas, no una puntuación a secas

La gente delega en exceso ante la fluidez, así que contrarréstala con pruebas. Haz que la IA cite su trabajo: las líneas concretas del currículum, las respuestas de la entrevista o las señales de las pruebas de trabajo detrás de cualquier sugerencia, para que la persona evalúe pruebas y no un veredicto. Esta es la misma lógica que hay detrás de los cuadros de evaluación de entrevistas estructuradas y de la contratación por competencias y guiada por pruebas: decides a partir de la señal, no del resumen. Las pruebas invitan al escrutinio; una puntuación invita a asentir.

3. Obliga a una decisión humana explícita en cada etapa

El hallazgo más demoledor del estudio es que el consejo mostrado automáticamente es tan corrosivo como el consejo que pediste. Así que las transiciones de etapa deberían requerir una decisión humana afirmativa, avanzar o rechazar con un motivo, nunca un «aceptar el orden de la IA» de un solo clic. El objetivo es que estar de acuerdo con la IA sea un acto deliberado y no una opción por defecto. Las transiciones de etapa de Kit están construidas como decisiones humanas explícitas con cuadros de evaluación, de modo que un revisor se compromete con un juicio en lugar de heredarlo. Esto es lo contrario de depender en exceso de la IA en la evaluación.

4. Audita dónde divergen la IA y los resultados

Como la confianza se desacopla de la precisión, no puedes fiarte de la sensación de que el sistema funciona. Tienes que instrumentarlo. Registra dónde coinciden y dónde divergen las recomendaciones de la IA y las decisiones humanas finales, y marca a los revisores que ni una sola vez discrepan del modelo: esa es tu señal de aprobación automática. Un revisor con una tasa de acuerdo del 100 % no valida la IA. Ha dejado de ser un revisor.

Kit puede defender este argumento con credibilidad porque está construido en torno a señales verificables, cuadros de evaluación estructurados y puntos de decisión humana, en lugar de una puntuación por coincidencia de palabras clave. La misma arquitectura que escapa del bucle infernal también resiste el sesgo de automatización. Nuestra postura es simple: no vamos a lanzar una puntuación de IA segura que empeore la contratación mientras todos se sienten más seguros de que es mejor. Esa es toda la premisa de un ATS AI-nativo digno de ese nombre.

«Estuvimos de acuerdo con la IA» no es una defensa

Esto también tiene una vertiente de cumplimiento normativo. La contratación es un uso de la IA reconocido como de alto riesgo, y la supervisión humana significativa es cada vez más un requisito legal, no un extra deseable, bajo marcos como las obligaciones para la contratación de alto riesgo de la Ley de IA de la UE y, en España, el deber de transparencia algorítmica del artículo 64.4.d) del Estatuto de los Trabajadores. Los hallazgos de Marcoccia hacen que «la persona simplemente estuvo de acuerdo con el modelo» deje de ser un problema de calidad y pase a ser una cuestión de responsabilidad legal.

Si tu registro de auditoría muestra que una persona dio el visto bueno a todas las recomendaciones de la IA sin un solo juicio independiente ni una sola anulación, has documentado la ausencia de supervisión, no su presencia. En España, ese patrón no lo persiguen los abogados de los demandantes, como en la demanda por responsabilidad del ATS de Workday en Estados Unidos, sino la vía administrativa: la Inspección de Trabajo y Seguridad Social, que puede exigir que se revelen los parámetros del algoritmo al amparo del artículo 64.4.d) del Estatuto de los Trabajadores, y la AESIA, con su régimen sancionador sobre los sistemas de IA de alto riesgo —y la contratación lo es— del Reglamento (UE) 2024/1689. La discrepancia calibrada en tus registros no es fricción. Es la prueba de que una persona estuvo de verdad en el circuito.

Qué preguntarle a tu proveedor de ATS

Antes de confiar en una herramienta de contratación con IA, hazle cuatro preguntas. Se corresponden una a una con los hallazgos del estudio.

1. ¿Puede decir «no lo sé»? ¿Tiene un estado explícito de «pruebas insuficientes» o obliga a meter a cada candidato en una puntuación segura?
2. ¿Muestra pruebas o un veredicto? ¿Puedes ver las señales concretas detrás de una recomendación, o solo un número?
3. ¿Obliga a una decisión humana? ¿Las transiciones de etapa son una decisión humana afirmativa con un motivo, o un «aceptar el orden» de un solo clic?
4. ¿Audita la divergencia? ¿Puede mostrarte dónde discrepan las personas y la IA, y marcar a los revisores que nunca lo hacen?

Si las respuestas honestas son no, no, no y no, no estás comprando una herramienta de contratación. Estás comprando una máquina de confianza, y la investigación es clara sobre lo que hacen: te vuelven más seguro y menos acertado.

El hallazgo central merece repetirse porque es de lo más contraintuitivo. Añadir IA a una decisión hacía que la gente se sintiera drásticamente más segura y, a la vez, fuera drásticamente menos precisa, incluso cuando la IA se equivocaba e incluso cuando acertar tenía premio. La contratación es una larga cadena de exactamente esas decisiones. Los equipos que ganen con la IA serán los que traten esa confianza con recelo y construyan un proceso que mantenga a una persona genuinamente en el circuito y con responsabilidad. Si ese es el tipo de contratación que quieres llevar, prueba Kit.