Sesgos Algorítmicos y Equidad en el Reclutamiento por I.A.: Propuesta de un Marco Ético de Auditoría para la Experiencia del Candidato (EX)

José  Flores; Marisol  Miranda; Yamileth  Wilson; Paul  Pérez; Jorge  Tejada; Frainith  Rincón

doi:10.70625/rmis/391

Autores/as

José Flores Universidad de Panamá Autor/a https://orcid.org/0009-0000-5758-958X (no autenticado)
Marisol Miranda Universidad de Panamá Autor/a https://orcid.org/0009-0004-6571-4116 (no autenticado)
Yamileth Wilson Universidad de Panamá Autor/a https://orcid.org/0009-0001-1616-1306 (no autenticado)
Paul Pérez Universidad de Panamá Autor/a https://orcid.org/0009-0002-0931-7496 (no autenticado)
Jorge Tejada Universidad de Panamá Autor/a https://orcid.org/0009-0005-4809-360X (no autenticado)
Frainith Rincón Universidad de Panamá Autor/a https://orcid.org/0009-0000-3012-6155 (no autenticado)

DOI:

https://doi.org/10.70625/rmis/391

Palabras clave:

Sesgo Algorítmico, I.A. en RR.HH, Ética de la I.A, Reclutamiento, Experiencia del Candidato

Resumen

La adopción de la Inteligencia Artificial (I.A.) en el reclutamiento promete eficiencia y reducción de costos, pero introduce un riesgo crítico: la perpetuación y escalamiento de sesgos algorítmicos heredados de datos históricos discriminatorios. Este artículo aborda la necesidad de garantizar la equidad y la transparencia en la selección de personal a través de sistemas de I.A., con un impacto directo en la Experiencia del Candidato (EX). Se propone el diseño de un Marco Ético de Auditoría (MEA) basado en una revisión sistemática de principios de I.A. confiable. El objetivo principal es ofrecer a los profesionales de Recursos Humanos y de Compliance una herramienta conceptual de cuatro pilares para evaluar la imparcialidad del software de I.A. en el ciclo de reclutamiento. Los pilares propuestos son: Integridad de Datos (Bias Mitigation), Explicabilidad del Modelo (XAI), Métrica de Equidad (Statistical Parity) y Supervisión Humana (Human-in-the-Loop). Se demuestra que la aplicación rigurosa del MEA no solo mitiga el riesgo legal de discriminación, sino que también fortalece la marca empleadora al garantizar la justicia percibida por los candidatos. Se concluye que la ética y la equidad deben ser integradas en el diseño y la auditoría de los sistemas de I.A. de RR.HH. como un imperativo estratégico.

Referencias

Bortolini, M., & Faccio, M. (2020). Digital twin for supply chain risk management: A conceptual framework. International Journal of Production Research, 58(15), 4532–4550. https://doi.org/10.1080/00207543.2020.1783815

Cappelli, P. (2017). The new talent management challenge. Harvard Business Review, 95(2), 52–61. https://doi.org/10.1002/9781119799295

Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785

Christopher, M. (2016). Logistics & Supply Chain Management. Pearson. https://doi.org/10.1002/9781119799295

Davenport, T. H., Harris, J. G., & Cantrell, S. (2010). Compete on analytics: The new science of winning. Harvard Business Press. https://doi.org/10.1007/978-3-642-03916-0_1

Dubey, R., Gunasekaran, A., Childe, S. J., Wamba, S. F., & Papadopoulos, T. (2017). Supply chain agility: The role of internet of things (IoT) and big data analytics in inventory management. International Journal of Production Economics, 192, 110–121. https://doi.org/10.1016/j.ijpe.2017.02.006

European Commission. (2019). Ethics guidelines for trustworthy AI. Publications Office of the European Union.

Fahimnia, B., & Jabbarzadeh, A. (2016). Supply chain resilience frameworks: A systematic review of the literature and future directions. Journal of Production Economics, 180, 112–129. https://doi.org/10.1016/j.ijpe.2016.07.009

Haleem, A., Javaid, M., Qadri, M. A., & Suman, R. (2020). Supply chain risk management under disruption: A conceptual model. Operations Management Research, 13, 239–253. https://doi.org/10.1007/s13170-020-00201-4

Hardt, M., Price, E., & Srebro, N. (2016). Equality of Opportunity in Supervised Learning. Advances in Neural Information Processing Systems, 3315-3323.

Holtom, B. C., & O’Neill, B. S. (2021). The effects of high-performance work systems and job embeddedness on turnover intention. Journal of Applied Psychology, 106(1), 1–15. https://doi.org/10.1037/apl0000889

Kamalahmadi, M., & Parast, M. M. (2016). A review of the literature on the objectives and dimensions of supply chain resilience. Industrial Management & Data Systems, 116(5), 904–927. https://doi.org/10.1108/IMDS-05-2015-0220

Kilgore, M., & Prahlad, V. (2022). Operational flexibility and risk mitigation in global supply chains. Journal of Business Logistics, 43(2), 150–168. https://doi.org/10.1111/jbl.12290

Lima, L. S., & Neto, A. A. (2023). Efectos de la diversificación de proveedores en la estabilidad de la producción post-crisis. Revista de Administración de Operaciones, 8(1), 20–35. https://doi.org/10.1590/raop.2023.8.1.20

Longoni, A., & Pagell, M. (2020). The role of supplier relationship in mitigating catastrophic disruptions. Journal of Operations Management, 66(5), 513–537. https://doi.org/10.1002/joom.1083

MacCarthy, B. L., & Jayarathne, P. G. S. A. (2019). Supply chain responsiveness and resilience: A systematic review. International Journal of Production Research, 57(13), 4347–4368. https://doi.org/10.1080/00207543.2018.1557348

O'Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown. https://doi.org/10.4324/9781315180419

Papadopoulos, T., Gunasekaran, A., & Dubey, R. (2017). Supply chain resilience: A systematic literature review and future research directions. Omega, 69, 119–136. https://doi.org/10.1016/j.omega.2016.08.004

Pires, S. R., & Seles, B. (2024). Simulación avanzada para el diseño de redes logísticas resilientes. International Journal of Logistics Management, 35(1), 120–145. https://doi.org/10.1108/IJLMA-08-2023-0105

Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain: Concepts, Strategies, and Case Studies. McGraw-Hill.

Simchi-Levi, D., & Haren, P. (2021). The impact of the COVID-19 pandemic on supply chain performance. Supply Chain Management Review, 25(2), 12–18. https://doi.org/10.1080/09585192.2021.1904778

Tambe, P., Hitt, L., & Rock, D. (2022). Analytics and the Future of Work. MIT Sloan Management Review, 64(1), 1–5. https://doi.org/10.1177/0007650320959196

Van den Bosch, R., & Ragsdale, C. (2020). Using machine learning to predict employee turnover. Journal of Business Analytics, 3(1), 1-15. https://doi.org/10.1080/2573234X.2020.1770014

Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3–28. https://doi.org/10.1257/jep.28.2.3

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. https://doi.org/10.1016/C2016-0-03612-9