Identifica usos de IA en reclutamiento, clasifica impacto, prueba sesgo y seguridad, documenta supervisión humana y retiro.

---

La IA puede entrar a selección sin que RR. HH. compre un “sistema de IA”: búsqueda semántica, transcripción, ranking, chatbot o análisis de video pueden estar incorporados en una plataforma existente.

El primer control es inventariar funciones reales y decisiones que apoyan.

Aviso: este contenido es informativo y no sustituye asesoría legal, técnica o antidiscriminatoria. Evalúa cada sistema conforme al Reglamento peruano de IA, protección de datos y normas laborales.

Qué usos de IA deben entrar al inventario

Incluye generación de avisos, búsqueda de perfiles, filtrado, ranking, chatbot, resumen de CV, transcripción, pruebas, inferencias, verificación y recomendación. Registra funciones piloto y módulos desactivados que pueden activarse.

La PCM aprobó el Reglamento de la Ley 31814 mediante el DS 115-2025-PCM. La clasificación debe realizarse sobre el uso concreto, no sobre la etiqueta comercial.

Ficha por sistema y uso

Registra proveedor, versión, dueño, finalidad, población, entrada, salida, decisión afectada, supervisión, país, fecha de alta y estado. Una plataforma puede tener varios usos con riesgos distintos.

Pregunta a reclutadores por extensiones y herramientas gratuitas. Un inventario contractual no detecta datos copiados a asistentes externos.

Cómo clasificar impacto sobre candidatos

Evalúa si el resultado excluye, prioriza, recomienda, produce una inferencia o solo organiza. Considera escala, reversibilidad, datos sensibles, población vulnerable y posibilidad de explicación.

La campaña oficial de Inteligencia Artificial Responsable reúne orientación sobre usos prohibidos, riesgo alto, transparencia y obligaciones.

No llames “apoyo” a una recomendación que nadie cuestiona. Observa el proceso: porcentaje descartado, tiempo de revisión, autoridad del reclutador y evidencia de cambios.

Construye tres niveles internos:

Impacto	Ejemplo	Control mínimo
Bajo	Corrección de estilo revisada	Validación y datos no reales
Medio	Resumen que orienta entrevista	Muestreo y fuente visible
Alto	Ranking o exclusión	Evaluación, pruebas y supervisión reforzada

La clasificación interna no sustituye la jurídica del Reglamento. Sirve para asignar revisión y no perder usos.

Datos, explicabilidad y supervisión humana

Mapea datos entregados, fuentes adicionales e inferencias. El nuevo Reglamento de Protección de Datos Personales exige responsabilidad proactiva y protección desde el diseño.

Define qué explicación necesita el candidato y qué evidencia necesita el revisor. Conserva variables, versión, criterios y resultado; no solo la decisión final.

Supervisión real

La persona revisora debe tener tiempo, competencia, información y autoridad para cambiar el resultado. Mide cuántas recomendaciones modifica y por qué. Cero cambios puede indicar perfección o automatización de hecho.

Prohíbe inferencias sin relación demostrada con el puesto. Voz, rostro, nombre, edad o dirección pueden introducir riesgos y no medir competencia.

Pruebas de sesgo, error y seguridad

Prueba datos incompletos, formatos de CV, nombres, trayectorias no lineales, discapacidad y grupos relevantes sin crear perfiles ilegítimos. Compara tasas de error y resultados con criterio profesional.

La guía del MTPE sobre valoración objetiva de puestos ayuda a separar requisitos y valor del puesto de estereotipos de género.

Ensaya ataques, instrucciones maliciosas en CV, fuga entre clientes, acceso y exportación. El proveedor debe mostrar límites y respuesta.

Define umbrales antes de probar. Si aparece diferencia o error relevante, investiga causa, ajusta o detén. No selecciones solo métricas favorables.

Errores frecuentes:

• inventariar proveedores y no funciones;
• aceptar que “solo recomienda” sin observar uso;
• probar precisión global sin grupos;
• llamar supervisión a una aprobación automática;
• activar módulos nuevos sin revisión;
• conservar datos piloto y candidatos indefinidamente.

Registro de decisiones, incidentes y retiro

Conserva evaluación, pruebas, versión, aprobaciones, incidentes, cambios y revisiones. Registra la contribución del sistema en decisiones sensibles sin convertir el expediente en una caja negra.

Control de cambios del modelo

Exige aviso de nueva versión, variables, datos de entrenamiento relevantes, métricas y efectos previstos. No permitas actualizaciones automáticas en un uso que filtra o prioriza candidatos. Prueba la versión con el mismo conjunto controlado y compara resultados.

Registra fecha de activación, configuración y posibilidad de volver atrás. Si el proveedor no permite fijar versión, incorpora monitoreo reforzado y una cláusula de salida.

Atención a candidatos

Define un canal para preguntas, correcciones y revisión. El equipo debe localizar datos y reconstruir qué versión intervino. Una respuesta “decidió el algoritmo” no explica ni permite corregir.

Cuando una persona impugna un dato, separa rectificación del CV, revisión de inferencia y decisión laboral. Conserva el pedido y resultado sin etiquetar al candidato como conflictivo.

Comité de revisión

Para usos de mayor impacto, reúne RR. HH., privacidad, seguridad, legal, igualdad y dueño de negocio. Revisa riesgos, pruebas, incidentes y necesidad de continuidad. El proveedor aporta evidencia, pero no aprueba su propio riesgo.

Documenta desacuerdos y condiciones. Una aprobación caduca ante cambio de finalidad, modelo, datos o regulación.

Activa retiro ante error grave, discriminación, incidente, cambio contractual o pérdida de control. Define alternativa manual, exportación y eliminación.

El plan de retiro identifica procesos que dependen del sistema, responsables, comunicación, revisión de decisiones afectadas y destrucción de datos. Practícalo con un caso simulado; no esperes un incidente.

Después de retirar, analiza si corresponde revisar candidatos excluidos o decisiones tomadas durante la falla. Registra alcance y remedio sin inventar una conclusión colectiva.

Elimina copias de prueba, revoca integraciones y confirma el cierre del proveedor. Conserva únicamente la evidencia necesaria para explicar la decisión, el alcance temporal exacto, las personas afectadas evaluadas y todas las acciones correctivas verificadas por el equipo responsable.

Audita una muestra de decisiones y reclamos. Comunica límites y canal de corrección cuando corresponda.

Revisión paralela antes de ampliar el uso

Durante un periodo controlado, compara la recomendación de la herramienta con una evaluación humana documentada sin permitir que el resultado automático decida por sí solo. Selecciona casos diversos, registra discrepancias y analiza qué dato o regla produjo la diferencia. No uses el ejercicio para confirmar que la IA “acierta”; busca límites y condiciones de uso.

Define criterios de pausa: cambio de modelo sin aviso, pérdida de explicabilidad, error de integración o impacto adverso no comprendido. Cada excepción necesita dueño y evidencia de resolución antes de escalar a más vacantes. La revisión paralela ayuda a decidir si mantener, restringir o retirar el sistema con base en casos reales.

Integra el inventario con los criterios de compra de IA, la evaluación de agentes de IA y las tareas de selección que deben seguir siendo humanas. Gobernar IA significa poder explicar, corregir y retirar cada uso.