La excepción del desarrollo: plataformas de movilidad interna y el perímetro de la gobernanza de la IA en el empleo

El límite que ninguna ley traza

La gobernanza institucional de la IA en el empleo ha convergido, con notable consistencia, en un límite que no aparece en ninguna parte de la legislación vigente. Ese límite separa la contratación del desarrollo. Los sistemas que evalúan a candidatos externos se tratan como tecnología de decisión y reciben el aparato correspondiente: auditoría de sesgos, notificación al candidato, documentación del proveedor y revisión legal. Los sistemas que evalúan a empleados existentes para oportunidades internas se tratan como tecnología de desarrollo y se adquieren bajo estándares de revisión propios de una plataforma de gestión del aprendizaje.

La distinción resulta administrativamente intuitiva. Los candidatos externos son ajenos a la organización, y la organización les debe un proceso. Los candidatos internos ya están empleados, ya son conocidos y ya forman parte de la relación. Ofrecerles una oportunidad se presenta como un beneficio concedido y no como una decisión adoptada. La distinción también se refuerza organizativamente, porque las plataformas de movilidad interna suelen ser impulsadas por las funciones de desarrollo del talento, presupuestadas en función de objetivos de compromiso y retención, y evaluadas según métricas de adopción más que de calidad decisional.

Ni la tecnología ni el texto legal respaldan esa distinción. Una plataforma de movilidad interna que infiere la capacidad de un empleado a partir de currículos, historiales de proyectos, registros de aprendizaje, datos de desempeño y señales conductuales, y que luego clasifica a los empleados frente a vacantes internas, está generando una evaluación que influye materialmente en el ascenso, la remuneración y la asignación de funciones. Eso es una decisión trascendente sobre una persona. El hecho de que la persona se haya inscrito voluntariamente en la plataforma, y de que la organización describa el resultado como una recomendación, no altera la naturaleza de la determinación que se está tomando.

Lo que el perímetro realmente cubre

La Ley Local 144 de la Ciudad de Nueva York es exigible desde julio de 2023 y alcanza a las herramientas automatizadas de decisión en el empleo utilizadas para asistir sustancialmente o reemplazar la toma de decisiones discrecional en decisiones de empleo. La ley es explícita en que cubre la contratación y el ascenso. Sus obligaciones son procedimentales más que sustantivas: una auditoría de sesgos independiente realizada dentro del año anterior, la publicación del resumen de la auditoría y la notificación previa a las personas afectadas. Las sanciones se acumulan por infracción, y el uso continuado se considera una infracción continuada.

Una organización que ha encargado auditorías de sesgos para su selección de candidatos externos, mientras trata su mercado de talento interno como fuera del alcance, ha trazado una línea que la ordenanza no reconoce. Cuando el sistema interno puntúa o clasifica a los empleados para vacantes que constituyen un ascenso, la obligación de auditoría se aplica. La evidencia pública aún no indica con qué constancia las autoridades de cumplimiento han alcanzado las implementaciones de movilidad interna, pero la ausencia de aplicación hasta la fecha es una base deficiente para una postura de cumplimiento, en particular cuando la exposición se acumula diariamente.

El patrón se extiende más allá de Nueva York. El proyecto de ley HB 3773 de Illinois, promulgado en agosto de 2024 y programado para entrar en vigor el 1 de enero de 2026, modifica la Ley de Derechos Humanos de Illinois para prohibir el uso de inteligencia artificial que produzca efectos discriminatorios sobre clases protegidas, para vetar el uso de códigos postales como sustitutos de características protegidas, y para exigir notificación siempre que se use inteligencia artificial en decisiones relativas a reclutamiento, contratación, ascenso, disciplina o despido. La obligación de notificación se activa por el uso, no por el resultado. La disposición sobre discriminación es exigible a través de la Ley de Derechos Humanos, que ofrece una vía privada de reparación.

La SB 24-205 de Colorado, promulgada en mayo de 2024 y programada para entrar en vigor el 1 de febrero de 2026, identifica las decisiones de empleo como decisiones trascendentes e impone a los implementadores un deber de cuidado razonable frente a la discriminación algorítmica, junto con programas de gestión de riesgos, evaluaciones de impacto y obligaciones de divulgación. La ley se firmó acompañada de una carta del gobernador instando a una revisión legislativa antes de su implementación, y ha atraído una presión sostenida para su enmienda. Su forma final es incierta. Esa incertidumbre es en sí misma una consideración de gobernanza y no un motivo para postergar, porque una organización que calibre sus controles internos según el régimen que resulte más débil los estará recalibrando en cada sesión legislativa.

El Consejo de Derechos Civiles de California ha estado desarrollando regulaciones sobre sistemas de decisión automatizados en el empleo, y la orientación de ese proceso normativo es coherente con el patrón anterior. En la Unión Europea, el Reglamento (UE) 2024/1689 entró en vigor en agosto de 2024 y designa a los sistemas de inteligencia artificial destinados a su uso en el empleo, la gestión de trabajadores y el acceso al trabajo por cuenta propia como de alto riesgo conforme al Anexo III, incluyendo expresamente los sistemas utilizados para tomar decisiones que afectan al ascenso, la asignación de tareas y la evaluación del desempeño laboral. Las obligaciones para esos sistemas están previstas para aplicarse a partir de agosto de 2026. El texto del Anexo III se dirige a la función desempeñada más que a la categoría de producto comercializada, y los motores de movilidad interna desempeñan las funciones enumeradas.

El problema de la evidencia

El argumento comercial a favor de la movilidad interna habilitada por IA circula en una forma que no resistirá el escrutinio de adquisición. Las cifras que afirman que estas plataformas reducen la rotación en un tercio, o que las herramientas de compromiso aumentarán la retención en un cuarto dentro de un año determinado, se propagan a través de compilaciones de contenido de proveedores en las que cada afirmación lleva una atribución de fuente que remite a otra compilación. El estudio subyacente, cuando se busca, en general no existe.

Una segunda distorsión, y más consecuente, implica la atribución errónea de investigaciones genuinas. El Workplace Learning Report de LinkedIn y su Índice de Desarrollo de Carrera asociado encuentran que las organizaciones que puntúan en el quintil superior en madurez de desarrollo de carrera, medida a través de compromisos declarados, el lenguaje de las ofertas de empleo, la prevalencia de habilidades de liderazgo y los niveles de movilidad interna, muestran tasas materialmente más altas de ascenso a puestos de liderazgo, mayor permanencia de los empleados y mayor compromiso de los aprendices que las organizaciones del quintil inferior. Ese es un hallazgo sobre la inversión organizativa en el desarrollo de carrera. Se reformula habitualmente en materiales de proveedores como un hallazgo sobre el efecto de las herramientas de inteligencia artificial, que no es lo que se midió ni lo que distinguen los grupos de comparación.

Lo que el registro creíble respalda es más limitado. Varias grandes empresas, entre ellas Unilever, HSBC y Schneider Electric, han atribuido públicamente reducciones significativas de la rotación voluntaria a las implementaciones de mercados de talento interno. Las previsiones de analistas han proyectado una adopción sustancial entre las grandes empresas. La evidencia de casos indica tiempos de cobertura interna más rápidos y una reducción del gasto en contratistas. Se trata de resultados operativos autoinformados y estimaciones de previsión, no de una evaluación controlada, y deberían caracterizarse como tales en cualquier argumento comercial que vaya a ser leído por un auditor, un regulador o la parte contraria. La distinción entre un resultado que una organización observó tras la implementación y un efecto atribuible al sistema es precisamente la distinción que la gobernanza existe para preservar.

La afirmación sobre el sesgo requiere evidencia, no garantías

La justificación más habitual que se ofrece para la movilidad interna algorítmica es que reduce el sesgo. El argumento tiene una premisa defendible. El ascenso discrecional controlado por directivos presenta disparidades bien documentadas, el acaparamiento de talento suprime la visibilidad de los empleados, y la opacidad sobre las vacantes internas distribuye las oportunidades de manera desigual. La transparencia sobre qué puestos existen y quién puede postularse tiene un valor independiente.

La consistencia no es equidad.

La conclusión no se deriva de la premisa. Un sistema de movilidad interna entrenado con el historial de ascensos propio de una organización reproducirá los patrones de ese historial con mayor consistencia, aplicación más amplia y menor trazabilidad que los directivos cuyo juicio complementa. La consistencia no es equidad. El abandono de la herramienta experimental de reclutamiento de Amazon, tras descubrirse que perjudicaba a las mujeres, sigue siendo la demostración vigente de que los datos de entrenamiento históricos codifican resultados históricos, y ese caso implicaba la contratación externa, donde la señal de entrenamiento es comparativamente escasa. Los sistemas de movilidad interna operan sobre el registro acumulado de la propia relación laboral, incluidas las calificaciones de desempeño, las asignaciones de proyectos y las evaluaciones de los directivos, cada una con su propio historial distributivo.

La consecuencia en materia de gobernanza es que una afirmación de reducción de sesgo constituye una aserción fáctica que requiere evidencia, no una intención de diseño que pueda simplemente enunciarse. Bajo un estándar de impacto dispar como el que ha adoptado Illinois, la creencia de buena fe de un empleador de que una herramienta mejora la equidad no responde a la pregunta de si los resultados difieren entre clases protegidas. Solo la prueba de resultados responde a esa pregunta.

Implicaciones para la gobernanza

La recomendación operativa es que los sistemas de movilidad interna se incorporen al perímetro de gobernanza de IA en el empleo desde la adquisición y no a raíz de un incidente.

La documentación de adquisición debería exigir al proveedor que declare, en lenguaje contractual, si los resultados del sistema se utilizan para tomar, orientar o influir materialmente en decisiones relativas al ascenso, la remuneración, la asignación de funciones o la continuidad del empleo. Esa formulación, más que la categoría de producto bajo la cual se comercializa el sistema, determina la cobertura regulatoria en todos los regímenes examinados anteriormente. Un proveedor que no esté dispuesto a caracterizar sus propios resultados en esos términos ha comunicado algo útil.

La documentación de auditoría de sesgos debería exigirse como condición para la adjudicación, en lugar de solicitarse después de la implementación, y debería identificar la metodología de la auditoría, las categorías de clases protegidas examinadas, si se realizó un análisis interseccional, la población sobre la que se llevó a cabo la auditoría y la fecha. Una auditoría realizada sobre la población agregada de clientes de un proveedor no es una auditoría de los resultados de la organización implementadora, y esa distinción debería quedar registrada en lugar de darse por supuesta.

La documentación del modelo debería identificar la procedencia de los datos de entrenamiento y las características sobre las que se basan las inferencias, con confirmación explícita de que ninguna variable derivada de la geografía, la educación o la antigüedad funciona como sustituto de una característica protegida. Los flujos de notificación y de acción adversa deberían especificarse contractualmente en lugar de dejarse a la implementación, porque las obligaciones de notificación bajo las leyes examinadas recaen sobre el empleador que implementa el sistema, independientemente de lo que haya construido el proveedor. El lenguaje de indemnización merece especial atención, ya que el patrón emergente en la legislación estatal restringe la transferencia de la responsabilidad por discriminación a los proveedores.

Nada de esto constituye un argumento en contra de la movilidad interna habilitada por IA. La razón de fondo relativa al talento es sustantiva, y la alternativa de un control discrecional y opaco no es evidentemente superior. El argumento es que una categoría de sistema comercializada como una iniciativa de experiencia del empleado es, funcionalmente, infraestructura de decisión trascendente, que el perímetro legal ya la alcanza, y que las organizaciones que descubran esto después de la implementación estarán aplicando la gobernanza de manera retroactiva a herramientas que llevan varios ciclos moldeando el ascenso profesional. El punto menos costoso para gobernar un sistema así es antes de adquirirlo.

Referencias

• Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial, Anexo III(4).
• Código Administrativo de la Ciudad de Nueva York § 20-870 y siguientes (Ley Local 144 de 2021); normas finales del Departamento de Protección al Consumidor y al Trabajador, en vigor desde el 5 de julio de 2023.
• Proyecto de Ley de la Cámara de Illinois 3773, 103.ª Asamblea General (2024), que modifica la Ley de Derechos Humanos de Illinois, en vigor desde el 1 de enero de 2026.
• Proyecto de Ley del Senado de Colorado 24-205, relativo a las Protecciones al Consumidor en las Interacciones con Sistemas de Inteligencia Artificial (2024), en vigor desde el 1 de febrero de 2026.
• LinkedIn Learning, Workplace Learning Report 2025, y la metodología asociada del Índice de Desarrollo de Carrera.
• Dastin, J. “Amazon elimina en secreto una herramienta de contratación con IA que mostraba sesgo contra las mujeres.” Reuters, 10 de octubre de 2018.
• McKinsey & Company, “Frene la rotación de personal con un mercado interno de talento,” McKinsey Talks Talent.