La inteligencia artificial está presente en muchos procesos de selección de personal, al menos en la fase inicial de cribado de candidatos.
Un estudio publicado el 6 de junio de 2026 con el título AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights (La auto–preferencia de la IA en la contratación algorítmica: evidencia empírica y perspectivas) revela que un currículum elaborado por un humano representa una desventaja frente a uno generado con IA en un proceso de selección de personal.
Para evaluar el impacto en el mercado laboral, los autores simularon procesos de contratación realistas en 24 ocupaciones. Una versión del currículum fue redactada por un humano y la otra generada por modelos de lenguaje como ChatGPT (GPT-4o y similares). Los LLM seleccionaron la versión generada por ellos mismos en una proporción muy elevada (en algunos casos con tasas de auto-selección superiores al 96 %, y diferencias de hasta 97,6 puntos porcentuales respecto a la versión humana). Los autores denominan a este fenómeno “sesgo de auto–preferencia de la IA”, esto significa que los grandes modelos de lenguaje (LLM) tienden a favorecer el contenido que ellos mismos generan. La IA no busca matices humanos; busca patrones que ya reconoce.
El estudio mostró que los candidatos que utilizaban el mismo LLM que el empleado por la empresa para la selección tenían hasta un 60 % más de probabilidades de conseguir una entrevista o de ser preseleccionados que candidatos igualmente cualificados con currículums escritos por humanos.
Estos hallazgos ponen de relieve un riesgo emergente, pero hasta ahora ignorado, en la toma de decisiones asistida por IA, que exige marcos ampliados de equidad.
Principio de transparencia
Los autores argumentan que, en virtud del principio de transparencia, las plataformas de contratación deberían reconocer la auto–preferencia de la IA como una forma distinta y emergente de sesgo algorítmico. Debería exigirse a las organizaciones que revelen si utilizan IA en la selección de currículos y qué salvaguardias existen para garantizar la equidad.
También consideran necesario realizar auditorías externas que incorporen métricas de auto–preferencia en las evaluaciones de equidad de los sistemas de contratación asistidos por IA. Estas medidas promoverían un despliegue más responsable y equitativo de la IA en el ámbito laboral.
Los autores advierten de que este sesgo podría reproducirse en contextos en los que los sistemas de IA desempeñan funciones evaluativas o de arbitraje, como la moderación de contenidos, la calificación en la educación superior u otros entornos en los que actúan como evaluadores, jueces o mediadores.
Otra línea de investigación importante consiste en examinar cómo se manifiesta el sesgo de auto–preferencia en entornos multilingües o interculturales, donde el contenido en idiomas distintos del inglés puede ser especialmente vulnerable debido a artefactos de tokenización o a una representación limitada en los datos de entrenamiento.
Conclusión
La tecnología no es neutral. Los sistemas de IA, al igual que cualquier herramienta diseñada por humanos, incorporan sesgos que pueden distorsionar decisiones de gran trascendencia, como el acceso al empleo.
Detectar y corregir el sesgo de auto–preferencia , y otros, desde las fases iniciales de diseño no es solo una cuestión técnica, es una condición indispensable para que los procesos de selección sean verdaderamente justos y equitativos.
