Es muy probable que a lo largo de los años hayas enviado cientos o incluso miles de currículos y cartas de presentación a posibles empleadores. Esta observación se ve respaldada por el hecho de que según la Oficina de Estadísticas Laborales, los trabajadores asalariados de Estados Unidos llevan un promedio de 4,2 años con su empleador actual. Sin embargo, los trabajadores más jóvenes —los de entre 25 y 34 años— llevan un promedio de apenas 2,8 años con su empleador actual, lo que sugiere que forman parte de una fuerza laboral cada vez más móvil y más habituada a solicitar empleo.
Este patrón también se observa en otros países, con algunas excepciones notables, como Japón. Como resultado, muchos millennials de todo el mundo se están acostumbrando cada vez más a este nuevo modelo profesional de enviar una avalancha casi constante de cartas de presentación y currículos.
Con el tiempo, estas solicitudes pueden llevarte a aceptar una oferta de trabajo que determine tu calidad de vida: tus ingresos, el tiempo que puedes pasar con tus amigos y familiares, y el barrio en el que vives.
Sin embargo, en algunos casos las posibilidades de conseguir el empleo al que te has postulado están sistemáticamente sesgadas. Por ejemplo, se ha demostrado que en el mercado laboral estadounidense, se discrimina sistemáticamente a las personas con nombres afroamericanos, mientras que los nombres de personas blancas reciben más invitaciones a entrevistas. Sin embargo, observamos sesgos no solo por errores humanos, sino también porque los algoritmos que utilizan cada vez más los reclutadores no son neutrales; al contrario, reproducen los mismos errores humanos que supuestamente deben eliminar. Por ejemplo, según se informó, el algoritmo que Amazon empleó entre 2014 y 2017 para filtrar las candidaturas de empleo penalizaba términos como «mujer» o los nombres de universidades femeninas en los currículos de los candidatos. Del mismo modo, investigadores de la Universidad Northeastern, la Universidad de California y Upturn, un grupo de defensa del interés público, han demostrado que la distribución de los anuncios de vivienda y empleo de Facebook sigue estereotipos de género y raza.
¿Qué puedes hacer al respecto?
Ante estos sesgos, ¿qué medidas puedes tomar para aumentar las posibilidades de que tu currículo y tu carta de presentación te consigan una entrevista?
Hoy en día, los reclutadores de grandes empresas como Target, Hilton, Cisco, PepsiCo y Amazon utilizan herramientas predictivas de contratación para reducir tanto el tiempo como el coste y, hipotéticamente, aumentar la calidad y la permanencia de cada nueva contratación. Comprender en qué puntos del proceso de contratación intervienen los algoritmos puede ayudar a identificar el origen de los sesgos.
Por lo general, la contratación no es una única decisión, sino un proceso que implica muchas decisiones pequeñas y culmina en una oferta de empleo. El objetivo del primer paso —conocido como búsqueda de candidatos— es generar un grupo sólido de postulantes (véase la figura 1). Esto puede hacerse mediante anuncios, búsqueda activa de candidatos o descripciones de empleo atractivas. Por lo general, se utiliza la inteligencia artificial (IA) para optimizar la presentación de los anuncios de empleo y su redacción, como hacen empresas que ofrecen «redacción aumentada», por ejemplo, Textio.
El segundo paso, el filtrado, es crucial, ya que es aquí donde los sesgos algorítmicos pueden influir mucho en que tu candidatura sea rechazada. El filtrado utiliza algoritmos que descifran sistemáticamente tu carta de presentación y tu currículo y guardan esta información en la base de datos de recursos humanos de la empresa. Esta información puede incluir tus años de experiencia, los idiomas que hablas, los títulos universitarios que obtuviste y los países en los que has trabajado. Luego se usan algoritmos para reducir automáticamente la selección de candidatos: no seleccionando afirmativamente, sino rechazando a quienes no encajan. La empresa CVViZ, por ejemplo, utiliza algoritmos de aprendizaje automático para filtrar currículos en busca de palabras clave según el contexto y elaborar clasificaciones comparativas de los distintos candidatos.
Si has superado el proceso de filtrado, es posible que te inviten a una entrevista, en la que también podrían utilizarse distintos algoritmos para ayudar al empleador a tomar la decisión final de selección. HireVue, una empresa con sede en Estados Unidos, evalúa a los candidatos en función de las palabras clave, las expresiones faciales y los tonos que emplean en las entrevistas por vídeo. Después de una entrevista por vídeo, puede que tengas una entrevista presencial, tras la cual recibirás una oferta.
El uso de algoritmos de aprendizaje automático en cada uno de estos pasos puede llevarnos a cuestionar la equidad de un sistema de contratación basado en IA. Como en el caso de Facebook mencionado antes, puede haber sesgos en la manera en que los anuncios de empleo se dirigen a posibles empleados. En otros casos, los rastreadores web intentan encontrar candidatos que se ajusten a las descripciones de empleo analizando información de fuentes en línea disponibles públicamente; aunque podría argumentarse que, en este caso, la injusticia es limitada porque no te impide postularte, este proceso de filtrado ya puede presentar sesgos marcados que son difíciles de superar.
A menudo, los algoritmos se entrenan para leer formatos específicos de currículos, lo que puede hacer que el tuyo no se evalúe correctamente. Por ejemplo, en Japón existe una plantilla de currículo común (Rirekisho) que utilizan todos los candidatos. En China, los postulantes enumeran su experiencia laboral en orden cronológico inverso. También existen diferencias culturales entre los currículos estadounidenses y europeos: los primeros suelen tener una página y no incluyen fotografía, mientras que los segundos pueden tener entre dos y tres páginas y llevar una fotografía en la parte superior.
Si tu currículo se ha procesado correctamente —es decir, se ha convertido en datos legibles por máquina—, otro algoritmo clasificará tu candidatura frente a otras basándose en los datos de tu currículo y tu carta de presentación. Cada factor, como tus años de experiencia, idiomas, conocimientos de software y el conjunto de palabras que utilizas, por nombrar solo algunos indicadores de éxito, se ponderará según lo que se estime que ha funcionado con éxito en el pasado. Las decisiones de contratación anteriores se utilizan para entrenar el algoritmo y evaluar quién tiene más probabilidades de ser el candidato «adecuado». A menudo, este enfoque reproduce de forma inherente los mismos sesgos que existían antes de la llegada de las herramientas de contratación basadas en IA. Si la distribución por género de los datos de entrenamiento estaba muy desequilibrada, un algoritmo podría reproducir ese desequilibrio incluso si el género no figura entre los datos de los documentos de candidatura. Por ejemplo, como en el caso de Amazon, los fuertes desequilibrios de género podrían estar correlacionados con el tipo de estudios cursados. Estos sesgos en los datos de entrenamiento también pueden deberse a una mala calidad de los datos o a conjuntos de datos muy pequeños y poco diversos, algo que puede ocurrir en empresas que no operan a escala mundial y buscan candidatos especializados.
Del mismo modo, la evaluación de las entrevistas por vídeo realizadas antes de cualquier interacción presencial puede reproducir sesgos basados en los datos de entrenamiento si estos no se han revisado exhaustivamente con respecto a categorías como el género, la edad o la religión.
Recomendaciones
Tanto quienes solicitan empleo como los empleadores pueden tomar varias medidas para aumentar las posibilidades de que una persona lea la candidatura adecuada y tome la decisión final de contratación.
Como candidato, debes:
1) Asegurarte de que tu currículo tenga el formato habitual en el lugar. Evalúa cuál es la extensión, el diseño, el uso de fotografía y el formato más apropiados. Evita los gráficos y las fuentes ornamentadas que el algoritmo quizá no pueda leer.
2) Describir detalladamente tu experiencia laboral y adaptar el lenguaje al de la descripción del puesto.
3) Asegurarte de incluir la información clave en tu currículo: lo que no aparece en él no se puede evaluar. Por ejemplo, indica el mes y el año de cada puesto que ocupaste, en lugar de señalar solo el año.
4) Optimizar tu marca en línea utilizando la jerga adecuada. Usa un lenguaje propio de la familia profesional que te interesa. Por ejemplo, los empleos de TI tienen títulos distintos, como «desarrollador full stack», que suelen asociarse con lenguajes de programación como C++ o PHP.
Para un empleador que utiliza algoritmos de aprendizaje automático en el proceso de contratación, garantizar la equidad es fundamental. Los siguientes conceptos, extraídos de investigaciones recientes realizadas en la Universidad Tecnológica de Delft, pueden servir de guía:
Justificación: ¿Tiene sentido que una organización de cierto tamaño y con necesidades de contratación específicas utilice herramientas de contratación basadas en IA, teniendo en cuenta los requisitos de datos y la necesidad de corregir los sesgos?
Explicabilidad: ¿La herramienta de IA explica sus decisiones y pone esas explicaciones a disposición del reclutador y del candidato? Si la información algorítmica es propietaria, ¿se tienen en cuenta las explicaciones contrafactuales?
Anticipación: ¿Existen mecanismos para denunciar decisiones sesgadas y qué mecanismos de recurso están disponibles?
Reflexividad: ¿Es consciente la organización de que sus valores cambian y de cómo se reflejan en los datos que utiliza? ¿Cómo se recopilan los datos y qué limitaciones se hacen evidentes?
Inclusión: ¿Tienes en cuenta la diversidad de tu equipo y de los resultados de la evaluación?
Auditabilidad: ¿Los datos de entrenamiento están disponibles públicamente o han sido verificados por un tercero?
