Un estudio sin precedentes, basado en datos de 3,4 millones de solicitantes reales que enviaron 4 millones de candidaturas a 156 empleadores en 11 sectores del mercado estadounidense, ha puesto en evidencia las consecuencias del "monocultivo algorítmico" en los procesos de contratación: disparidades raciales sistemáticas y tasas de rechazo homogéneas que afectan desproporcionadamente a los candidatos negros y asiáticos. La investigación, publicada por un equipo académico y difundida por el Stanford Institute for Human-Centered AI (HAI), es la primera en analizar a gran escala el impacto de los algoritmos de selección de personal en el mundo real.
El hallazgo central gira en torno a un fenómeno que los autores denominan "monocultivo algorítmico": más del 90% de los empleadores estadounidenses utilizan algoritmos para filtrar candidatos, y una proporción significativa de ellos —incluidos más del 60% de las empresas Fortune 100— recurre a los mismos proveedores, como HireVue. Cuando un único algoritmo media las decisiones de contratación de múltiples empresas, sus sesgos se replican simultáneamente en todo el mercado laboral, creando lo que los investigadores describen como "fallos correlacionados".
Las disparidades raciales son el dato más alarmante. El estudio aplica la "regla de los cuatro quintos" de la Comisión para la Igualdad de Oportunidades en el Empleo (EEOC), que señala una posición cuando un grupo es recomendado a menos del 80% de la tasa del grupo más favorecido. Según los resultados, el 30% de los solicitantes negros y el 26% (según HAI) o el 15% (según la versión académica) de los solicitantes asiáticos postularon al menos a una posición donde el algoritmo discriminaba a su grupo racial. Si los candidatos negros y asiáticos hubieran sido recomendados al mismo ritmo que el grupo más favorecido —típicamente candidatos blancos— 40.000 aplicaciones adicionales habrían avanzado a la siguiente fase de selección. En términos acumulados, los solicitantes asiáticos son los que experimentan el mayor déficit: 29.000 postulaciones más habrían sido recomendadas si hubieran sido tratados con paridad respecto al grupo más seleccionado en cada puesto.
Un aspecto clave del estudio es cómo se mide el impacto adverso. Cuando los datos de todas las posiciones se agregan en un único análisis promedio, las disparidades raciales prácticamente desaparecen, replicando estudios previos que concluían que los algoritmos de contratación presentaban un impacto limitado. Sin embargo, al examinar cada puesto por separado —tal como exige la propia legislación estadounidense bajo el Título VII de la Ley de Derechos Civiles—, la discriminación emerge con claridad. El estudio ilustra el fenómeno con un ejemplo: si un algoritmo recomienda frecuentemente a candidatos negros para puestos de almacén pero rara vez para finanzas, el promedio global cancelaría ambos patrones y parecería no haber discriminación, ocultando el sesgo real puesto por puesto.
El monocultivo algorítmico también genera lo que los investigadores denominan "rechazo sistémico": candidatos que son descartados en todas las empresas a las que postulan. Entre los solicitantes que envían cuatro aplicaciones, el 10% es rechazado en todas ellas, una tasa que supera con creces la esperada si las decisiones fueran independientes (con un chi-cuadrado de 18.481 y un valor p inferior a 0,001). Los investigadores validaron su modelo de referencia con datos del estudio de Kline et al. (2022), que envió 83.000 solicitudes a 108 empresas Fortune 500, confirmando que el exceso de homogeneidad es distintivo de la evaluación algorítmica centralizada. Bajo un escenario de postulación universal, al menos un modelo recomendaría a cada candidato, pero en condiciones realistas, un solicitante necesita enviar 25 aplicaciones para garantizar al menos una recomendación con un 99,9% de probabilidad, frente a las 10 que bastarían con decisiones independientes.
Ante estos hallazgos, los autores formulan cuatro recomendaciones regulatorias. En primer lugar, instan a reguladores y auditores a evaluar las tasas de impacto adverso a nivel de puesto individual, ya que los análisis agregados pueden ocultar la discriminación. En segundo lugar, proponen que las agencias federales cuantifiquen las tasas de resultados homogéneos, algo que los reportes actuales no capturan sin enlaces cruzados entre empleadores. En tercer lugar, piden a los responsables políticos que vigilen las dependencias compartidas en la cadena de suministro algorítmica, dado que la concentración de proveedores puede generar fallos correlacionados, rechazo sistémico y reducción de la competencia. Finalmente, solicitan a los legisladores que faciliten el acceso de investigadores independientes a los datos de las principales plataformas de contratación.
El estudio llega en un momento especialmente sensible: la promoción de la Clase 2026 se incorpora a un mercado laboral donde la contratación de nivel inicial se ha ralentizado, mientras el número de solicitudes por puesto se ha triplicado respecto a 2022. En este contexto, la opacidad de los algoritmos de selección —la proverbial "caja negra"— amplifica las desigualdades existentes en lugar de mitigarlas. La investigación no solo documenta un problema técnico, sino que cuestiona los marcos regulatorios vigentes, incluida la Ley Local 144 de Nueva York, que según los autores no aborda adecuadamente los efectos a nivel de puesto que el estudio documenta, y la Ley de Inteligencia Artificial de la Unión Europea, que clasifica los sistemas de contratación como de alto riesgo pero cuya implementación aún está en desarrollo. La conclusión es clara: sin transparencia, acceso a datos y vigilancia regulatoria específica, el monocultivo algorítmico seguirá concentrando el poder de decisión sobre el empleo en unas pocas manos, con consecuencias medibles para la equidad racial en el mercado laboral estadounidense.