Los procesos de selección de personal representan una fase crítica en la gestión del talento humano, ya que determinan no solo la composición de la fuerza laboral de una organización, sino también su diversidad, innovación y equidad interna. Sin embargo, existe una amenaza persistente para la objetividad de estos procesos: los sesgos inconscientes. Estos sesgos, definidos como asociaciones automáticas y no intencionadas que influyen en la percepción y el juicio (Greenwald & Banaji, 1995), operan de manera subrepticia incluso en individuos con intenciones explícitas de actuar de manera justa. Su presencia puede comprometer la equidad en la toma de decisiones, perpetuar desigualdades estructurales y limitar el acceso equitativo al empleo.

Diversas investigaciones han documentado cómo los sesgos inconscientes influyen en múltiples dimensiones de los procesos de selección. Por ejemplo, estudios clásicos como el de Bertrand y Mullainathan (2004) revelan cómo los nombres asociados a determinados grupos étnicos pueden afectar negativamente la probabilidad de ser llamado a una entrevista, incluso cuando las credenciales de los candidatos son equivalentes. Otros trabajos han demostrado sesgos sistemáticos contra personas con discapacidades, identidades de género no normativas o trayectorias educativas no convencionales (Derous & Ryan, 2019; Rivera, 2012). Estos hallazgos ponen de manifiesto la necesidad urgente de estrategias efectivas para mitigar los efectos de estos sesgos en la selección de personal.

Una de las primeras estrategias recomendadas por la literatura científica es la implementación de sistemas de evaluación estructurados. Los procesos estructurados, que incluyen entrevistas con preguntas estandarizadas y criterios de evaluación claramente definidos, han demostrado reducir la influencia de juicios subjetivos y mejorar la equidad del proceso (Campion, Palmer & Campion, 1997). En contraste, las entrevistas no estructuradas, que permiten mayor flexibilidad en las preguntas y la interpretación de las respuestas, se asocian con una mayor propensión a la influencia de estereotipos y expectativas previas.

Otra medida relevante es el anonimato parcial o total de los candidatos durante las primeras etapas de la evaluación. Al ocultar información personal como nombre, edad, género o nacionalidad, se reduce la posibilidad de que esta información desencadene asociaciones automáticas basadas en estereotipos. Esta práctica, conocida como “currículum ciego” o “blind recruitment”, ha sido adoptada en diversas instituciones públicas y privadas con resultados prometedores (Behaghel, Crépon & Le Barbanchon, 2015). No obstante, algunos estudios señalan que los beneficios de esta estrategia pueden ser limitados si no se acompaña de cambios más profundos en la cultura organizacional y los procesos posteriores de selección.

La formación en sesgos inconscientes constituye otra vía ampliamente promovida para abordar este fenómeno. Los talleres de sensibilización buscan hacer visible la existencia de estos sesgos y proporcionar herramientas para reconocerlos y manejarlos conscientemente. Sin embargo, la evidencia sobre su efectividad a largo plazo es mixta. Lai et al., (2014) encontraron que, si bien estas intervenciones pueden reducir temporalmente los sesgos implícitos medidos mediante tests como el IAT (Implicit Association Test), sus efectos tienden a ser transitorios si no van acompañados de cambios estructurales y refuerzos continuos. Por tanto, la capacitación, aunque necesaria, debe ser parte de una estrategia más amplia e integrada.

Asimismo, la diversificación de los paneles de selección ha sido señalada como una medida útil. Equipos de selección diversos, en términos de género, origen étnico y experiencias, tienden a contrarrestar los sesgos individuales y promover decisiones más equilibradas (Ely & Thomas, 2001). Esta diversidad no solo tiene un efecto correctivo, sino también preventivo, al aumentar la conciencia sobre la equidad y reducir la probabilidad de decisiones homogéneas influenciadas por afinidad o semejanza.

Finalmente, la incorporación de tecnologías basadas en inteligencia artificial (IA) ha sido propuesta como una herramienta potencialmente neutral. No obstante, la investigación reciente ha demostrado que estos sistemas pueden replicar e incluso amplificar los sesgos humanos si son entrenados con datos históricos sesgados (Raghavan et al., 2020). Por ello, el uso de IA en procesos de selección debe ir acompañado de auditorías constantes, transparencia algorítmica y supervisión humana para garantizar decisiones justas y responsables.

En conclusión, los sesgos inconscientes constituyen un desafío importante para la equidad y la eficacia de los procesos de selección de personal. Si bien no pueden eliminarse por completo, es posible mitigarlos mediante un enfoque multifacético que combine intervenciones estructurales, formación continua, diversidad en la toma de decisiones y supervisión tecnológica. Las organizaciones que aspiran a la excelencia y la inclusión deben reconocer la presencia de estos sesgos y comprometerse activamente con su reducción sistemática.

Bibliografía:

Behaghel, L., Crépon, B., & Le Barbanchon, T. (2015). Unintended effects of anonymous résumés. American Economic Journal: Applied Economics, 7(3), 1–27. https://doi.org/10.1257/app.20140185  

Bertrand, M., & Mullainathan, S. (2004). Are Emily and Greg more employable than Lakisha and Jamal? A field experiment on labor market discrimination. American Economic Review, 94(4), 991–1013. https://doi.org/10.1257/0002828042002561 

Campion, M. A., Palmer, D. K., & Campion, J. E. (1997). A review of structure in the selection interview. Personnel Psychology, 50(3), 655–702. https://doi.org/10.1111/j.1744-6570.1997.tb00709.x 

Derous, E., & Ryan, A. M. (2019). When your resume is (not) turning you down: Modelling ethnic bias in resume screening. Human Resource Management Journal, 29(2), 113–130. https://doi.org/10.1111/1748-8583.12217 

Ely, R. J., & Thomas, D. A. (2001). Cultural diversity at work: The effects of diversity perspectives on work group processes and outcomes. Administrative Science Quarterly, 46(2), 229–273. https://doi.org/10.2307/2667087 

Greenwald, A. G., & Banaji, M. R. (1995). Implicit social cognition: Attitudes, self-esteem, and stereotypes. Psychological Review, 102(1), 4–27. https://doi.org/10.1037/0033-295X.102.1.4 

Lai, C. K., Marini, M., Lehr, S. A., Cerruti, C., Shin, J. E., Joy-Gaba, J. A., Ho, A. K., Teachman, B. A., Wojcik, S. P., Koleva, S. P., Frazier, R. S., Heiphetz, L., Chen, E. E., Turner, R. N., Haidt, J., Kesebir, S., Hawkins, C. B., Schaefer, H. S., Rubichi, S., Sartori, G., Dial, C. M., Sriram, N., Banaji, M. R., & Nosek, B. A. (2014). Reducing implicit racial preferences: I. A comparative investigation of 17 interventions. Journal of Experimental Psychology: General, 143(4), 1765–1785. https://doi.org/10.1037/a0036260 

Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 469–481). ACM. https://doi.org/10.1145/3351095.3372828 

Rivera, L. A. (2012). Hiring as cultural matching: The case of elite professional service firms. American Sociological Review, 77(6), 999–1022. https://doi.org/10.1177/0003122412463213