Sesgo de automatización: impactos psicológicos en el candidato y el empleado.
DOI:
https://doi.org/10.29105/pss4.2-232Palabras clave:
inteligencia artificia, sesgo de automatización, discriminación algorítmica, tecnoestrés, deshumanización laboralResumen
La transición hacia una gestión del talento basada en algoritmos predictivos ha transformado radicalmente el reclutamiento y la evaluación del desempeño. Aunque estas herramientas prometen una precisión matemática y eficiencia operativa, su implementación genera tensiones psicológicas profundas tanto en candidatos como en empleados. Uno de los principales desafíos es el sesgo de automatización, definido como la confianza desproporcionada que los reclutadores otorgan a los sistemas tecnológicos, llegando a delegar su responsabilidad ética en algoritmos cuya lógica suele ser opaca. Este fenómeno puede derivar en una deshumanización sistémica, donde el trabajador es reducido a un dato cuantificable, erosionando su autonomía e identidad profesional. Desde la perspectiva del candidato, el uso de la Inteligencia Artificial (IA) puede provocar ansiedad algorítmica e impotencia, donde el rechazo ocurre sin interacción humana ni posibilidad de réplica. Además, existe un riesgo crítico de discriminación algorítmica, ya que los sistemas pueden replicar sesgos históricos de género y étnica bajo un velo de neutralizad técnica. Para los empleados la IA introduce estrés, incertidumbre y ruptura psicológica con la organización. El documento analiza estas respuestas mediante marcos como la Teoría de la Autodeterminación y la Conservación de recursos, subrayando que la autonomía y el bienestar emocional se ven amenazados por protocolos rígidos.
Citas
Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., & Woo, S. E. (2024). A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. Journal of Organizational Behavior, 45(2), 159–182. https://doi.org/10.1002/job.2735 DOI: https://doi.org/10.1002/job.2735
Beltrán, M. (2026). IA en selección de personal y discriminación de género. Universitat Oberta de Catalunya (UOC). https://www.uoc.edu/es/news/2026/ia-seleccion-personal-discriminacion-genero
Chen, Z. (2023). Ethics and discrimination in artificial intelligence-enabled recruitment practices. Humanities and Social Sciences Communications, 10, 567. https://doi.org/10.1057/s41599-023-02079-x DOI: https://doi.org/10.1057/s41599-023-02079-x
Cramarenco, R. E., Burcă-Voicu, M. I., & Dabija, D. C. (2023). The impact of artificial intelligence (AI) on employees’ skills and well-being in global labor markets: A systematic review. Oeconomica Copernicana, 14(3), 731–767. https://doi.org/10.24136/oc.2023.022 DOI: https://doi.org/10.24136/oc.2023.022
Cummings, M. L. (2006). Automation and accountability in decision support system interface design. Journal of Technology Studies, 32(1), 23–31. DOI: https://doi.org/10.21061/jots.v32i1.a.4
Dang, J., & Liu, L. (2025). Dehumanization risks associated with the use of artificial intelligence. American Psychologist. Advance online publication. https://doi.org/10.1037/amp0001542 DOI: https://doi.org/10.1037/amp0001542
Hobfoll, S. E. (1989). Conservation of resources: A new attempt at conceptualizing stress. American Psychologist, 44(3), 513–524. https://doi.org/10.1037/0003-066X.44.3.513 DOI: https://doi.org/10.1037/0003-066X.44.3.513
Infojobs. (2024). El 65% de las empresas utiliza herramientas digitales para la gestión de RR. HH. https://nosotros.infojobs.net/el-65-de-las-empresas-utiliza-herramientas-digitales-para-la-gestion-de-rr-hh/
Lins, S., Pandl, K. D., Teigeler, H., Thiebes, S., Bayer, C., & Sunyaev, A. (2021). Artificial Intelligence as a Service: Classification and research directions. Business & Information Systems Engineering, 63, 441–456. https://doi.org/10.1007/s12599-021-00708-w DOI: https://doi.org/10.1007/s12599-021-00708-w
Majeed, A., & Hwang, S. O. (2021). Data analytics with artificial intelligence in the era of COVID-19: A comprehensive review of recent developments. Symmetry, 14(1), 16. https://doi.org/10.3390/sym14010016 DOI: https://doi.org/10.3390/sym14010016
Naik, S. (2024). Michael is better than Mehmet: Exploring the perils of algorithmic biases and selective adherence to advice from automated decision support systems in hiring. Frontiers in Psychology, 15, 1416504. https://doi.org/10.3389/fpsyg.2024.1416504 DOI: https://doi.org/10.3389/fpsyg.2024.1416504
Olaitan, O. O., Issah, M., & Wayi, N. (2021). A framework to assess South Africa’s readiness for the fourth industrial revolution. South African Journal of Information Management, 23(1), 1–10. https://doi.org/10.4102/sajim.v23i1.1274 DOI: https://doi.org/10.4102/sajim.v23i1.1284
Özkiziltan, D., & Hassel, A. (2021). Artificial Intelligence at work: A general overview of the literature. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3796746 DOI: https://doi.org/10.2139/ssrn.3796746
Rousseau, D. (1995). Psychological contracts in organizations: Understanding written and unwritten agreements. SAGE Publications. DOI: https://doi.org/10.4135/9781452231594
Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78. https://doi.org/10.1037/0003-066X.55.1.68 DOI: https://doi.org/10.1037/0003-066X.55.1.68
Tarafdar, M., Cooper, C. L., & Stich, J. (2019). The technostress triad: Techno-eustress, techno-distress and design: Theoretical directions and an agenda for research. Information Systems Journal, 29(1), 6–42. https://doi.org/10.1111/isj.12169 DOI: https://doi.org/10.1111/isj.12169
