IA en la contratación: ¿Un sistema más justo o una nueva forma de sesgo?

Declaración inicial a favor de la adopción generalizada: La selección impulsada por IA debe adoptarse de forma generalizada porque mejora significativamente la equidad, la eficiencia y la eficacia de la contratación cuando se implementa de manera responsable. El cribado manual de currículums y las entrevistas de primera ronda consumen mucho tiempo, son inconsistentes y vulnerables a sesgos implícitos: los gerentes de contratación pueden verse influenciados por nombres, escuelas, edad, género, señales socioeconómicas o estereotipos de "encaje cultural". Los sistemas de IA bien diseñados pueden anonimizar o minimizar las señales irrelevantes, aplicar los mismos criterios medidos a cada solicitante y destacar a los candidatos que de otro modo podrían pasarse por alto. Los beneficios prácticos son grandes y medibles. La selección automatizada y las evaluaciones de habilidades reducen el tiempo hasta la contratación y las horas de los reclutadores, lo que permite a los equipos más pequeños manejar grandes volúmenes de solicitantes y reduce el costo por contratación. Los modelos predictivos entrenados con resultados relevantes para el trabajo (rendimiento laboral, retención) pueden mejorar la calidad de las coincidencias, trayendo mejores contrataciones más rápido, si los modelos se validan con métricas relevantes y específicas del trabajo en lugar de sustitutos que codifican sesgos. Las preocupaciones sobre el sesgo y la opacidad son reales, pero no son razones para rechazar la IA por completo; son razones para adoptarla correctamente. Las mejores prácticas modernas —documentación transparente del modelo, auditorías de sesgo previas al despliegue, monitoreo continuo de resultados, modelos explicables para decisiones de alto riesgo, datos de entrenamiento curados y equilibrados, y puntos de decisión con intervención humana— pueden reducir sustancialmente el riesgo de amplificación injusta. Las salvaguardias regulatorias y los estándares de la industria (métricas de equidad, auditorías de terceros, procesos de apelación para candidatos) hacen factible la implementación responsable a gran escala. La IA no tiene por qué deshumanizar la contratación. Utilizada como filtro principal para una selección escalable y objetiva, al tiempo que se preserva el juicio humano para las entrevistas finales y las decisiones de "encaje cultural", la IA aumenta la capacidad humana para la evaluación interpersonal significativa en lugar de reemplazarla. Esa combinación reduce el sesgo humano en las primeras etapas, manteniendo la empatía y el juicio donde más importan. Rechazar la IA en bloque mantiene el status quo: juicios subjetivos opacos, selección inconsistente, procesos más lentos y una dependencia continua, excesiva o insuficiente, de señales irrelevantes. El camino pragmático es la adopción generalizada junto con salvaguardias sólidas —técnicas, procesales y legales— para que las organizaciones puedan capturar ganancias de eficiencia y equidad al tiempo que minimizan los daños. Conclusión: Con validación rigurosa, transparencia, auditoría continua y supervisión humana, la IA puede y debe adoptarse ampliamente como herramienta de selección principal porque promueve una contratación objetiva, escalable y más justa, no eliminando el juicio humano, sino mejorando cómo y cuándo los humanos lo aplican.

Confiar en la IA como herramienta principal de selección en la contratación es un camino peligroso que amenaza con institucionalizar la discriminación a una escala sin precedentes. Permítanme explicar por qué esta postura no solo es razonable, sino urgente. Primero, los sistemas de IA son tan justos como los datos con los que se entrenan, y nuestros datos históricos de contratación están profundamente contaminados por décadas de sesgos sistémicos. Cuando Amazon desarrolló una herramienta de reclutamiento de IA, tuvo que desechar famosamente el sistema porque degradaba sistemáticamente los currículums de las mujeres. El algoritmo había aprendido de diez años de patrones de contratación que favorecían a los hombres, y reprodujo fielmente ese sesgo. Este no es un incidente aislado; es el resultado predecible de entrenar máquinas con decisiones humanas sesgadas. Cuando cedemos el poder de selección a la IA, no eliminamos el sesgo; lo blanqueamos a través de un algoritmo y le damos una falsa apariencia de objetividad. Segundo, estos sistemas son fundamentalmente opacos. La mayoría de las herramientas de contratación de IA operan como cajas negras donde ni los candidatos ni los empleadores entienden completamente por qué una persona en particular fue descartada. Esta falta de transparencia es una amenaza directa a la rendición de cuentas. Si un reclutador humano rechaza a un candidato, se le puede pedir a ese reclutador que explique su razonamiento, y ese razonamiento puede ser impugnado. Cuando lo hace un algoritmo, la decisión se oculta detrás de código propietario y modelos estadísticos complejos. Los candidatos que son rechazados injustamente a menudo no tienen forma significativa de apelar o incluso de entender lo que sucedió. Tercero, la escala de la selección de IA amplifica el daño de maneras que el sesgo humano nunca podría. Un solo reclutador sesgado puede afectar a cientos de candidatos a lo largo de una carrera. Un algoritmo sesgado desplegado en una plataforma de contratación importante puede afectar a millones de solicitantes simultáneamente, creando barreras sistémicas que son invisibles y casi imposibles de impugnar. La eficiencia que celebran los defensores es precisamente lo que hace que el sesgo de la IA sea tan peligroso: opera a escala industrial con velocidad industrial. Cuarto, las herramientas de contratación de IA a menudo se basan en sustitutos dudosos. Los sistemas que analizan entrevistas en video pueden penalizar a los candidatos por patrones de habla, expresiones faciales o antecedentes que se correlacionan con la raza, la discapacidad o el estatus socioeconómico, en lugar del desempeño real en el trabajo. Los estudios han demostrado que estas herramientas pueden discriminar a personas con discapacidades, hablantes no nativos y candidatos de comunidades subrepresentadas, no porque carezcan de cualificaciones, sino porque no coinciden con el perfil algorítmico de los empleados exitosos anteriores. Finalmente, la deshumanización del proceso de contratación tiene costos reales. Reducir el potencial de una persona a una puntuación generada por un algoritmo elimina los matices, el contexto y el juicio humano que requiere una buena contratación. Los que cambian de carrera, las personas que superaron la adversidad y los candidatos poco convencionales son precisamente las personas con mayor probabilidad de ser filtradas por sistemas que se optimizan para la coincidencia de patrones en lugar del potencial. La promesa de objetividad es una ilusión. La IA en la contratación no elimina el sesgo, lo automatiza, lo escala y lo oculta detrás de una máscara de neutralidad tecnológica. Deberíamos ser profundamente escépticos ante cualquier sistema que haga que la discriminación sea más eficiente y, al mismo tiempo, más difícil de detectar.

Tienes razón al señalar riesgos reales: los datos de entrenamiento sesgados, la opacidad, la escala, los sustitutos dudosos y la deshumanización son problemas reales. Pero esos riesgos son razones para regular y diseñar la IA correctamente, no para rechazar su adopción generalizada de plano. Una refutación directa a cada uno de tus puntos más fuertes: 1) Sobre los datos de entrenamiento sesgados: el ejemplo de Amazon es instructivo precisamente porque muestra un modo de fallo corregible. El sesgo surge cuando los modelos se optimizan para decisiones de contratación históricas en lugar de resultados validados y relevantes para el puesto. Existen remedios efectivos: entrenar con etiquetas de resultados vinculadas al desempeño real en el trabajo (no a contrataciones pasadas), eliminar o enmascarar señales protegidas e irrelevantes, usar reponderación y técnicas contrafactuales para corregir patrones históricos sesgados, y aumentar los grupos subrepresentados con datos específicos. Estos son problemas de ingeniería y política que pueden mitigarse; abandonar la tecnología descarta herramientas que, cuando se usan correctamente, pueden reducir la influencia de los prejuicios humanos individuales que actualmente dan forma a las decisiones de forma ad hoc. 2) Sobre la opacidad y la rendición de cuentas: la opacidad es un problema de gobernanza, no una razón intrínseca para evitar la IA. Los modelos explicables, las tarjetas de modelo, la documentación de la importancia de las características y las explicaciones dirigidas a los candidatos son pasos prácticos. La regulación puede exigir pistas de auditoría, auditorías de terceros y la capacidad de obtener razones significativas para decisiones adversas. Los flujos de trabajo con intervención humana garantizan que los rechazos de alto riesgo sean revisables por humanos capacitados que pueden anular el sistema con justificación documentada. Esas prácticas crean más rendición de cuentas que la cultura informal actual de "decisión instintiva" en muchos equipos de contratación. 3) Sobre la escala que amplifica el daño: la escala magnifica los efectos en cualquier dirección. Ese es el punto: la misma escalabilidad que puede propagar resultados sesgados también se puede utilizar para aplicar la equidad de manera consistente en millones de solicitudes. Las comprobaciones de equidad automatizadas y repetibles, el monitoreo continuo de las métricas de impacto desproporcionado y los pasos de remediación a nivel de plataforma (por ejemplo, detener un modelo que muestra resultados desproporcionados ilegales) son posibles a escala de maneras que no lo son con la toma de decisiones humana descentralizada. La respuesta no es evitar las herramientas escalables, sino aplicar una gobernanza sólida a la misma escala. 4) Sobre sustitutos como el análisis de video: los empleadores no deben implementar modelos que dependan de sustitutos no validados contra el desempeño laboral. La selección de mejores prácticas utiliza muestras de trabajo validadas, evaluaciones de habilidades estructuradas y currículums anonimizados, características con vínculos claros con el éxito laboral. El análisis de video que infiere la personalidad o las microexpresiones faciales debe tratarse con extrema precaución o prohibirse a menos que esté rigurosamente validado y acompañado de alternativas razonables para solicitantes con discapacidades o estilos de presentación no estándar. Las políticas y las reglas de adquisición pueden impedir que los proveedores utilicen sustitutos poco confiables. 5) Sobre la deshumanización: la IA puede humanizar la contratación al eliminar tareas de bajo valor y sesgadas de los reclutadores humanos para que puedan invertir tiempo en entrevistas, tutoría y evaluación del ajuste interpersonal complejo. Utilizada como un filtro objetivo temprano con revisión humana obligatoria para las decisiones finales, la IA aumenta el ancho de banda para el juicio humano significativo en lugar de reemplazarlo. Conclusión: Las advertencias del oponente son barreras esenciales, no obstáculos insuperables. El camino pragmático es la adopción generalizada condicionada a salvaguardias sólidas y aplicables: validación rigurosa contra resultados relevantes para el puesto, requisitos de transparencia y explicabilidad, supervisión humana y derechos de apelación, monitoreo continuo del impacto desproporcionado y auditorías independientes. Con esas salvaguardias, la IA puede reducir los sesgos humanos arbitrarios, subjetivos e inconsistentes que actualmente dominan la selección, ofreciendo resultados de contratación más rápidos, justos y consistentes en lugar de blanquear la discriminación.

El argumento inicial de mi oponente presenta un caso sofisticado, pero en última instancia se basa en una premisa errónea: que las herramientas de contratación basadas en IA, si se implementan con salvaguardias, producirán resultados más justos de manera confiable que el juicio humano. Permítanme abordar directamente sus puntos más sólidos. Primero, mi oponente argumenta que las preocupaciones sobre el sesgo no son razones para rechazar la IA, sino razones para adoptarla correctamente. Esto suena razonable en teoría, pero se desmorona bajo el peso de la evidencia del mundo real. Las salvaguardias que describen —auditorías de sesgo, documentación transparente, modelos explicables, datos de entrenamiento equilibrados— representan una versión idealizada de la implementación de IA que rara vez existe en la práctica. Un estudio de 2022 del AI Now Institute encontró que la mayoría de las empresas que implementan herramientas de contratación con IA no realizan auditorías de sesgo significativas. La Ley Local 144 de la ciudad de Nueva York, una de las primeras leyes que exige auditorías de sesgo de las herramientas de contratación automatizadas, ha sido ampliamente criticada por su débil aplicación y la facilidad con la que las empresas pueden cumplir sus requisitos sin abordar genuinamente la discriminación. La brecha entre las mejores prácticas en el papel y el comportamiento corporativo real es enorme, y el argumento de mi oponente depende por completo de cerrar esa brecha, algo que el mercado no ha mostrado ninguna inclinación a hacer voluntariamente. Segundo, mi oponente afirma que la IA puede anonimizar o minimizar señales irrelevantes. Pero la investigación demuestra consistentemente que los sistemas de IA encuentran sustitutos para las mismas características que intentamos eliminar. Eliminen nombres y marcadores de género de los currículums, y el algoritmo aprende que ciertas universidades, códigos postales, actividades extracurriculares o incluso estilos de escritura se correlacionan con características protegidas. Un estudio histórico de Obermeyer et al. demostró cómo un algoritmo utilizado en la atención médica —construido sin datos raciales explícitos— todavía producía resultados profundamente sesgados racialmente porque utilizaba el costo como sustituto de las necesidades de salud. El mismo problema de los sustitutos impregna las herramientas de contratación con IA. No se puede simplemente eliminar el sesgo de datos que fueron generados por una sociedad sesgada. Tercero, mi oponente sugiere que la IA debería encargarse de la selección inicial mientras que los humanos se encargan de las decisiones finales, como si esta división del trabajo resolviera el problema. Pero la etapa de selección inicial es precisamente donde se toman las decisiones más importantes. Si un algoritmo sesgado elimina a un candidato calificado en la etapa del currículum, ninguna cantidad de entrevistas humanas, empáticas y de última ronda puede ayudar a esa persona: nunca llega a la sala. El punto más estrecho del embudo es el más poderoso, y ahí es exactamente donde mi oponente quiere colocar la caja negra. Cuarto, mi oponente enmarca el status quo como la alternativa: juicios subjetivos opacos y selecciones inconsistentes. Pero esto es un falso dilema. La elección no es entre IA defectuosa y humanos defectuosos sin mejoras. Podemos invertir en entrevistas estructuradas, rúbricas estandarizadas, paneles de contratación diversos, revisiones de currículums a ciegas realizadas por humanos capacitados y mecanismos de rendición de cuentas, todo lo cual tiene sólidas bases de evidencia para reducir el sesgo sin introducir la opacidad y los riesgos de escalabilidad de los sistemas algorítmicos. Mejorar los procesos humanos no es mantener el status quo; es el camino a seguir más honesto y responsable. Quinto, mi oponente menciona las salvaguardias regulatorias como si estuvieran implementadas y funcionando. No lo están. La regulación de la IA en la contratación está en sus inicios a nivel mundial. La Ley de IA de la UE clasifica la IA de contratación como de alto riesgo, pero aún se está implementando. En los Estados Unidos, la regulación es, en el mejor de los casos, un mosaico. Las empresas están desplegando estas herramientas mucho más rápido de lo que los reguladores pueden evaluarlas. Pedirnos que adoptemos ampliamente la IA de contratación ahora, con la promesa de que la regulación eventualmente se pondrá al día, es pedir a los candidatos que soporten los costos de la discriminación hoy por protecciones hipotéticas mañana. Finalmente, volvamos al problema central: la rendición de cuentas. Cuando un humano toma una decisión de contratación sesgada, tenemos marcos legales, leyes contra la discriminación y procesos institucionales para identificar y remediar ese sesgo. Cuando un algoritmo lo hace, la decisión se ve oscurecida por código propietario, protecciones de secretos comerciales y una complejidad técnica que hace que los desafíos legales sean extraordinariamente difíciles. La visión de mi oponente de una implementación responsable de la IA requiere un nivel de transparencia corporativa e infraestructura regulatoria que simplemente no existe y no muestra signos de materializarse al ritmo necesario para igualar el despliegue. Las ganancias de eficiencia que celebra mi oponente son reales, pero la eficiencia en la discriminación no es una virtud. No deberíamos adoptar ampliamente un sistema que acelera el sesgo, dificulta su detección y lo hace casi imposible de impugnar, al tiempo que otorga a los empleadores una negación plausible. El camino responsable es arreglar los procesos humanos con métodos probados, no automatizar nuestras peores tendencias y llamarlo progreso.

Cierre — a favor de la adopción generalizada con salvaguardias estrictas: El oponente advierte correctamente de peligros reales: datos sesgados, modelos opacos y el riesgo de que la automatización escale el daño. Pero esas advertencias apoyan un despliegue cuidadoso, no un rechazo. El punto decisivo es este: ya tomamos decisiones de contratación importantes y sesgadas a escala utilizando humanos. La IA, si se le exige cumplir con estándares aplicables, puede reducir esos errores humanos arbitrarios al tiempo que hace que la selección sea más consistente, rápida y transparente que la línea base actual ad hoc. Por qué mi postura es más sólida: - Eficiencia más equidad: la IA puede identificar rápidamente a los candidatos que cumplen con criterios validados y específicos del puesto (muestras de trabajo, evaluaciones estructuradas) para que el esfuerzo humano se centre en el juicio y la idoneidad. Esa combinación mejora tanto la velocidad como la posibilidad de que se vea el talento pasado por alto. La eficiencia por sí sola no es el objetivo; es una selección eficiente y validada la que aumenta la oportunidad equitativa. - Existen mitigaciones prácticas: el desvío adversarial, las pruebas contrafactuales, la reponderación, la aumentación sintética y el entrenamiento en resultados de desempeño laboral, no en contrataciones históricas brutas, abordan problemas de proxies y datos. Estas no son herramientas teóricas; se utilizan activamente en dominios de alto riesgo y pueden ser obligatorias en los procesos de adquisición y certificación. - La transparencia y la rendición de cuentas son alcanzables: exigir tarjetas de modelo, importancia de características documentadas, registros de auditoría, explicaciones dirigidas al candidato y auditorías independientes de terceros. Estas medidas de gobernanza pueden y deben incorporarse a la ley, los contratos de proveedores y los estándares de la industria para que no sean complementos opcionales. - El bucle humano y los derechos de apelación protegen a los candidatos: tratar la selección automatizada como un filtro preliminar y reversible que debe presentar candidatos calificados para revisión humana; exigir rutas de evaluación alternativas para aquellos desfavorecidos por modelos particulares; y dar a los candidatos mecanismos reales de apelación y remediación. Por qué el argumento del oponente flaquea: - La brecha entre las mejores prácticas y las malas prácticas es real, pero la respuesta es la regulación y la aplicación, no el abandono de herramientas que pueden reducir el sesgo. Ya regulamos otros sistemas de alto impacto; la contratación merece el mismo rigor. Decir "las empresas a menudo fallan" es un llamado a exigir criterios de éxito, no a congelar la innovación. - Los proxies son un riesgo, pero no una inevitabilidad. Las auditorías de características, el análisis causal y la validación contra resultados (no proxies) limitan la fuga de proxies. La prohibición de señales no validadas (por ejemplo, microexpresiones faciales) e insistir en predictores probados previene los usos más dañinos. - La selección en etapas tempranas es crítica precisamente porque puede mejorarse: usar la IA para expandir, no para reducir, el grupo de candidatos (por ejemplo, listas cortas anonimizadas, pruebas de habilidades que promueven a quienes cambian de carrera) contrarresta la afirmación del oponente de que la IA solo filtra personas. Las políticas pueden exigir que la exclusión automatizada sea rara, explicable y revisada por humanos. - Los mejores procesos humanos son valiosos y complementarios. El debate no es IA versus contratación humana estructurada; es si debemos combinarlos. La IA responsable amplifica los procesos humanos estructurados, haciendo factible la aplicación consistente de rúbricas a escala. En resumen: rechazar la IA por completo cede el campo a la automatización no regulada y preserva el status quo de una selección inconsistente, subjetiva y lenta. El curso más inteligente y justo es la adopción generalizada condicionada a salvaguardias vinculantes: pruebas rigurosas de validez laboral, auditorías obligatorias, explicabilidad, supervisión humana y protecciones exigibles para los candidatos. Ese enfoque captura los beneficios de la IA —velocidad, consistencia y la capacidad de contrarrestar prejuicios individuales— al tiempo que minimiza los riesgos que el oponente destaca acertadamente. Por equidad y practicidad, deberíamos adoptar la IA ampliamente, pero solo bajo una gobernanza estricta y exigible que haga de los buenos resultados la regla, no la excepción.

Permítanme concluir resumiendo por qué el caso contra la adopción generalizada de la IA como herramienta principal de selección de personal es más sólido que cualquier argumento que mi oponente haya presentado. A lo largo de este debate, mi oponente ha presentado una visión de la contratación con IA que es más aspiracional que real. Todo su argumento descansa en una condición: la IA debería ser adoptada ampliamente si se audita adecuadamente, si los datos de entrenamiento están libres de sesgos, si los modelos son transparentes, si la regulación es sólida, si la supervisión humana es significativa. Pero cada una de esas condiciones sigue estando en gran medida incumplida en el mundo real, y mi oponente no ha ofrecido ninguna evidencia creíble de que la brecha entre su ideal y la realidad actual se esté cerrando. Nos están pidiendo que adoptemos ampliamente una tecnología hoy basándonos en salvaguardias que pueden o no existir mañana. Esa no es una posición política responsable: es una apuesta con el sustento de las personas. Mi argumento, por el contrario, se basa en lo que realmente está sucediendo. Amazon desechó su herramienta de reclutamiento de IA porque discriminaba a las mujeres. Los estudios demuestran que la discriminación indirecta persiste incluso cuando las características protegidas se eliminan de los datos. La mayoría de las empresas que implementan estas herramientas no realizan auditorías significativas de sesgos. La regulación existente, como la Ley Local 144 de la ciudad de Nueva York, ha demostrado ser ineficaz. Las herramientas de análisis de video penalizan a los candidatos con discapacidades y patrones de habla no estándar. Estos no son riesgos hipotéticos: son daños documentados que ocurren ahora mismo, a gran escala, a personas reales. Mi oponente intentó reformular cada problema estructural como un desafío de ingeniería solucionable. ¿Datos sesgados? Simplemente reentrena el modelo. ¿Opacidad? Simplemente añade explicabilidad. ¿Escala? Simplemente monitoriza los resultados. Pero este planteamiento ignora una asimetría fundamental: los costos de equivocarse recaen enteramente en los candidatos —desproporcionadamente en mujeres, personas de color, personas con discapacidades y aquellos de orígenes desfavorecidos—, mientras que los beneficios de la eficiencia corresponden a los empleadores. Cuando las personas perjudicadas no tienen una forma significativa de detectar, comprender o impugnar los rechazos algorítmicos, decirles que el sistema mejorará eventualmente no es una respuesta. Es una abdicación de responsabilidad. Tres puntos que mi oponente nunca abordó adecuadamente. Primero, el problema de los proxies. Cité el estudio de Obermeyer que demuestra que los algoritmos encuentran proxies para características protegidas incluso cuando esas características están explícitamente excluidas. Mi oponente reconoció este riesgo pero solo ofreció la garantía de que una mejor ingeniería puede resolverlo —sin abordar la realidad fundamental de que los datos generados por una sociedad sesgada codificarán ese sesgo de maneras extraordinariamente difíciles de detectar y eliminar. Segundo, la brecha de rendición de cuentas. Argumenté que las decisiones algorítmicas están protegidas por código propietario y protecciones de secretos comerciales, lo que hace que los desafíos legales sean mucho más difíciles que desafiar las decisiones humanas. La respuesta de mi oponente fue que la regulación puede exigir registros de auditoría y explicaciones —pero admitió que ningún marco regulatorio de este tipo está funcionando a escala hoy en día. Tercero, el falso binario. Mi oponente presentó repetidamente la elección como IA versus el status quo defectuoso, ignorando que las entrevistas estructuradas, las rúbricas estandarizadas, los paneles de contratación diversos y las revisiones ciegas de currículums por parte de humanos capacitados son alternativas probadas y responsables que reducen el sesgo sin los riesgos de opacidad y escalabilidad de los algoritmos. Permítanme ser claro sobre lo que no estoy argumentando. No estoy diciendo que la IA no tenga ningún papel en ningún aspecto del reclutamiento. Estoy diciendo que adoptar ampliamente la IA como la herramienta principal de selección —el guardián que determina quién siquiera es considerado— es prematuro, peligroso e injusto dado el estado actual de la tecnología, el panorama regulatorio y las prácticas de rendición de cuentas corporativas. La etapa de selección principal es el punto de estrangulamiento más importante en la contratación. Un candidato calificado eliminado por un algoritmo sesgado nunca llega al entrevistador humano en quien mi oponente confía para proporcionar empatía y matices. Ese candidato simplemente desaparece del proceso, y ni él ni nadie más sabrán nunca por qué. Mi oponente nos pide que confiemos en que las corporaciones implementarán voluntariamente las mejores prácticas, que los reguladores se pondrán al día y que los ingenieros resolverán el problema de los proxies. La historia no nos da ninguna razón para esa confianza. Lo que sí nos da es un largo historial de tecnologías implementadas a escala antes de que se comprendieran sus daños, con las comunidades marginadas soportando los mayores costos. El camino responsable a seguir es mejorar los procesos de contratación humana con métodos probados, transparentes y responsables —y tratar las herramientas de contratación de IA con el profundo escepticismo que merece cualquier tecnología poderosa, opaca y en gran medida no regulada. La eficiencia no es una virtud cuando lo que se está haciendo eficiente es la discriminación. No deberíamos adoptar ampliamente la IA como herramienta principal de selección hasta que las salvaguardias que mi oponente describe realmente existan, realmente funcionen y realmente se apliquen. Hasta entonces, la adopción generalizada no es progreso: es injusticia automatizada a escala.