El hecho Investigadores de la Universidad de Princeton y la Universidad de Chicago han descubierto que los modelos de lenguaje de gran escala (LLMs) son más propensos que los humanos a desarrollar sesgos en simulaciones de contratación. El estudio, reportado por MIT Technology Review el 20 de julio de 2026, revela que la IA no solo reproduce estereotipos presentes en sus datos de entrenamiento — sino que puede generar prejuicios nuevos por sí misma, y a un ritmo más acelerado que las personas reales.
Contexto El experimento utilizó un juego de contratación simulado en el que tanto participantes humanos como LLMs evaluaron currículos y tomaron decisiones de selección. Mientras que la creencia generalizada sostenía que los sistemas de IA serían más objetivos al carecer de emociones o historia personal, los resultados mostraron lo contrario: los modelos formaron estereotipos sobre los candidatos más rápidamente que los humanos, y luego aplicaron esos sesgos de forma consistente. El hallazgo llega en un momento en que las empresas tecnológicas compiten por desarrollar modelos agénticos capaces de recordar detalles minuciosos de los usuarios — lo que, advierten los autores, podría proporcionar aún más munición para la aparición de prejuicios algorítmicos.
Análisis Este resultado desafía directamente uno de los supuestos más extendidos sobre la IA en recursos humanos: que los algoritmos son intrínsecamente más justos que los evaluadores humanos. Si las máquinas no solo pueden reproducir sesgos existentes sino generar otros nuevos a partir de la experiencia, el argumento de la objetividad se debilita. Según la cobertura de MIT Technology Review, el fenómeno subraya la necesidad urgente de nuevos protocolos de auditoría conductual para sistemas de IA — no solo verificaciones de sesgo centradas en datos, sino un monitoreo continuo de cómo los modelos evolucionan sus criterios de decisión con el tiempo.
Qué observar Los reguladores en la Unión Europea y Estados Unidos ya discuten la inclusión de pruebas dinámicas de sesgo en futuras certificaciones de IA para contratación. Las empresas que utilizan herramientas de reclutamiento basadas en LLMs deben prestar atención: la ausencia de sesgo explícito en los datos de entrenamiento no garantiza imparcialidad en la práctica. El estudio sugiere que las auditorías puntuales son insuficientes — la monitorización continua del comportamiento del modelo probablemente se convertirá en el nuevo estándar de referencia. La pregunta abierta es: si la IA desarrolla sesgos más rápido que los humanos, estamos preparados para auditarla a la misma velocidad?
Fuente: MIT Technology Review
