GUSTAVO ENRIQUE VELESQUEN SAENZ1
Resumen
La selección algorítmica de personal ha desplazado una zona decisiva del acceso al trabajo hacia operaciones de extracción, clasificación y predicción que suelen producirse antes de que exista contacto alguno con quien se postula. El problema jurídico, por eso, excede la detección de sesgos estadísticos: alcanza la pertinencia de las inferencias y, sobre todo, las condiciones bajo las cuales un perfil digital adquiere autoridad suficiente para cerrar una oportunidad laboral. Desde esa premisa, el trabajo enlaza la crítica de la cuantificación, los atajos predictivos y la invisibilización de trayectorias con la Constitución argentina, los Convenios 111 y 190 de la OIT, la Recomendación 206, la CEDAW y las leyes 23.592, 25.326 y 26.485. El régimen europeo funciona como referencia comparada, distinguiendo su contenido normativo de su calendario de aplicación. El litigio estadounidense Mobley v. Workday, Inc. permite, a su vez, examinar cómo se distribuyen funciones y responsabilidades cuando una parte relevante del filtrado queda en manos de herramientas provistas por un tercero. Sobre ese recorrido se propone un estándar de no clausura algorítmica asentado en cuatro exigencias: pertinencia laboral, trazabilidad, información comprensible y reconsideración humana efectiva. No se afirma un derecho a ser contratado ni se postula una entrevista obligatoria para toda candidatura. La pretensión es otra, más acotada y jurídicamente más exigente: impedir que una representación parcial, opaca e inimpugnable termine sustituyendo a la persona en la distribución de oportunidades laborales.
Palabras clave: acceso al trabajo; selección algorítmica; perfilado; discriminación; dignidad; revisión humana.
Del postulante al perfil. El problema jurídico comienza antes del contrato
Una persona envía su currículum. Poco después recibe una respuesta: su candidatura no continuará. No sabe si alguien leyó el documento, si el descarte obedeció a un requisito objetivo o si una puntuación condensó inferencias sobre su experiencia, su personalidad, su disponibilidad o su probable permanencia en el puesto. Tampoco sabe, muchas veces, a quién dirigirse para corregir un dato o explicar una trayectoria que el sistema pudo haber interpretado de otro modo.
La velocidad del rechazo, aisladamente considerada, no permite inferir discriminación ni demuestra que haya intervenido inteligencia artificial. Puede obedecer a un requisito objetivo incumplido, al cierre de la búsqueda, a una regla automática elemental o a una decisión humana adoptada con rapidez. Pero esa misma incertidumbre impide conformarse con la apariencia externa del procedimiento. El análisis jurídico comienza cuando se reconstruye qué información ingresó al circuito, qué tratamiento recibió y cuánto pesó ese resultado en la exclusión de la candidatura.
Bajo la etiqueta amplia de “selección automatizada” conviven operaciones técnicamente muy diferentes. Una plataforma puede limitarse a recibir y almacenar currículums; una regla predefinida puede verificar un requisito; un modelo predictivo puede asignar probabilidades a partir de patrones históricos; un modelo de lenguaje puede resumir antecedentes o comparar textos. La calificación jurídica no debería quedar cautiva de la denominación comercial del producto. Lo decisivo es la función que la herramienta desempeña dentro del proceso y el poder concreto que se le concede sobre el acceso a la etapa siguiente.
No es equivalente transcribir un currículum, ordenar postulaciones por fecha o inferir una supuesta propensión al conflicto. Tampoco lo es producir una recomendación meramente auxiliar y elaborar un ranking que, en los hechos, determine quién será visible para el reclutador. El peso jurídico de la herramienta aparece en esa zona de funcionamiento real, allí donde deben observarse los umbrales, las instrucciones, las excepciones y, especialmente, la posibilidad efectiva de apartarse de la salida automatizada.
El currículum ya es, por definición, una narración recortada, nadie lleva a una postulación la totalidad de su experiencia. La mediación tecnológica introduce un segundo recorte: decide qué campos reconoce, qué expresiones considera equivalentes, qué ausencia convierte en señal negativa y qué datos utiliza para producir inferencias. Una experiencia de cuidado puede aparecer como un vacío; un cambio de actividad, como inestabilidad; una trayectoria comunitaria, como falta de antecedentes. Convertir esas lecturas en variables numéricas no las vuelve necesariamente correctas.
La opacidad aumenta cuando una única puntuación amalgama elementos que poseen estatutos epistémicos muy distintos: títulos verificables, declaraciones del postulante, resultados de pruebas e inferencias probabilísticas. La escala numérica tiende a borrar esas diferencias y concede a todos ellos una apariencia homogénea de precisión. El número impresiona por su exactitud formal, pero sólo adquiere valor cuando puede explicarse qué mide, con qué margen de error y para qué decisión concreta fue validado.
Todavía más delicada es la definición de aquello que el sistema pretende predecir. Si el “éxito” se identifica con la permanencia prolongada en la empresa, el modelo tenderá a premiar las condiciones asociadas con quienes históricamente permanecieron y a castigar trayectorias divergentes. Si la etiqueta proviene de evaluaciones anteriores de superiores, las valoraciones y prejuicios contenidos en esas evaluaciones ingresarán también, bajo otra forma, al aprendizaje. El algoritmo no descubre una esencia oculta del talento: reproduce, con mayor o menor eficacia, la definición de éxito que alguien decidió convertir en objetivo.
El conflicto jurídico aparece, entonces, antes del contrato. La persona aún no integra la organización y, sin embargo, ya puede quedar sometida a una arquitectura de clasificación capaz de condicionar materialmente su acceso al trabajo. Ese momento precontractual, y en particular los dispositivos de filtrado, ordenamiento y recomendación que deciden quién merece seguir siendo considerado, constituye el centro de este estudio.
La hipótesis que recorre el trabajo es que una representación digital de la persona puede adquirir una autoridad excluyente mayor que la calidad de la información que la compone. El desplazamiento aparece cuando el perfil deja de asistir una decisión y comienza a funcionar como respuesta suficiente. Ya no se pregunta qué sabe hacer la persona o de qué manera su experiencia se relaciona con las tareas del puesto: alcanza con la puntuación.
La cuantificación no es ilícita por naturaleza, como tampoco la intervención humana ofrece una garantía intrínseca de justicia. Automatizar comprobaciones repetitivas, ordenar información o detectar inconsistencias puede mejorar un proceso de selección. El límite aparece cuando la eficiencia organizacional se transforma en argumento suficiente para legitimar inferencias cuya relación con el puesto nunca fue demostrada, o para blindar frente a toda revisión el resultado que la herramienta produce.
La persona, el perfil y el juicio
La crítica de Alain Supiot a la gobernanza por los números resulta especialmente útil para examinar el reemplazo progresivo del juicio por indicadores de desempeño. Su planteo no supone prescindir de la estadística. Obliga, más bien, a preguntar qué ocurre cuando la medida deja de servir a una finalidad y pasa a convertirse ella misma en finalidad de la organización (Supiot, 2015). Trasladado al reclutamiento, el interrogante es directo: quién define qué significa ser idóneo y qué dimensiones de esa idoneidad quedan fuera de aquello que el sistema puede medir.
Rouvroy y Berns (2013) permiten avanzar un paso más. Su análisis de una forma de gobierno algorítmico basada en perfiles y predicciones muestra cómo una decisión puede operar sobre el futuro sin necesidad de dialogar con el sujeto al que afecta. En el reclutamiento, la paradoja es especialmente intensa: una conducta futura, apenas estimada en términos probabilísticos, produce un efecto presente y concreto. La persona no llega a la entrevista porque una arquitectura técnica ya ha decidido qué es razonable esperar de ella.
Con Han (2014) aparece una dimensión distinta, menos visible pero igualmente inquietante: la exigencia de hacerse legible para sistemas cuyos criterios permanecen ocultos. Quien se postula comienza a narrar su experiencia no según aquello que considera relevante de su trayectoria, sino según lo que imagina que el filtro podrá reconocer. La tecnología, en ese punto, deja de limitarse a seleccionar información y comienza a modelar la forma misma en que el sujeto se presenta ante el mercado de trabajo.
El problema no reside en toda evaluación técnica ni en toda representación necesariamente parcial de una persona. Ninguna organización podría seleccionar sin recortar información. La tensión aparece cuando ese recorte, inevitable por definición, pretende funcionar como descripción suficiente del sujeto. Precisamente porque la persona excede cualquier perfil, la respuesta no es ampliar sin límite la captura de datos, sino disciplinar qué puede recolectarse, qué puede inferirse y qué autoridad se concede a esa inferencia.
Tampoco hace falta apelar a una noción metafísica de “esencia humana”. Una entrevista puede ser tan arbitraria y opaca como un modelo automatizado; la intuición del reclutador no merece privilegio epistemológico alguno. El punto es más sobrio y, por eso mismo, más difícil de eludir: ninguna descripción instrumental agota a un sujeto de derechos. Incluso quien objetivamente no reúne las condiciones para una vacante conserva el derecho a no ser excluido mediante inferencias ajenas al puesto, datos erróneos o procedimientos incapaces de explicar su propia decisión.
La presencia de una persona al final del circuito tampoco sanea lo que ocurrió antes. Un revisor que sólo recibe los diez perfiles mejor puntuados jamás verá a quienes el sistema volvió invisibles; si accede únicamente a una calificación sin antecedentes ni razones, carecerá de herramientas para controvertirla; y si su rendimiento se mide por velocidad, quizás tampoco tenga incentivos reales para hacerlo. La revisión humana merece ese nombre únicamente cuando hay información, tiempo, competencia y autoridad efectiva para modificar el curso de la decisión.
En ese contexto, no puede afirmarse que el cálculo matemático es neutral por definición, pero a la vez tampoco puede afirmarse que el juicio humano, por el mero hecho de ser humano, merece una presunción de superioridad, numerosas páginas de nuestra historia lo demuestran amargamente. La pregunta jurídicamente fértil no necesita enfrentar “máquina” contra “persona”, sino indagar qué función cumple cada una, con qué criterios y bajo qué controles. Una herramienta puede mejorar la consistencia de una evaluación y, al mismo tiempo, apoyarse en un criterio (introducido por una persona humana) que resulte inadmisible. La correlación estadística no exonera a la organización de justificar por qué decidió convertirla en criterio de acceso.
Predictivo no significa pertinente
Hans der Kluge, conocido mundialmente como Clever Hans, parecía capaz de resolver operaciones matemáticas. Las investigaciones de Oskar Pfungst mostraron, sin embargo, que el caballo no realizaba los cálculos que se le atribuían: respondía a pequeños cambios involuntarios en los gestos y movimientos de quienes lo interrogaban. El caso ofrece una advertencia metodológica particularmente útil para analizar sistemas predictivos2.
La lección de Clever Hans conserva una fuerza incómoda: acertar no demuestra que se haya aprendido aquello que creemos estar evaluando. Un sistema puede alcanzar resultados aparentemente satisfactorios apoyándose en señales laterales, accidentales o espurias. La precisión del resultado, por sí misma, no valida el mecanismo que lo produjo; y cuando ese mecanismo distribuye oportunidades laborales, la pregunta por el camino importa tanto como la pregunta por el acierto.
En aprendizaje automático, Geirhos y colaboradores (2020) denominan atajos a reglas que funcionan bien dentro de ciertos conjuntos de evaluación y fallan cuando cambian las condiciones. Un rendimiento elevado puede apoyarse en regularidades accidentales o en características del entorno que nada tienen que ver con el fenómeno que se pretende identificar. Por eso importa saber qué sostiene la predicción y cómo responde el sistema cuando esas condiciones cambian.
El trabajo de Zech y colaboradores (2018) sobre detección de neumonía en radiografías documentó problemas de generalización entre instituciones y mostró que los modelos podían identificar el hospital de procedencia de las imágenes. El dato es relevante porque permite ver hasta qué punto características del origen pueden influir en un desempeño que, a primera vista, parece medir otra cosa.
El ejemplo clínico no puede trasladarse sin más a la contratación, pero sí destruye una equivalencia demasiado cómoda: buen rendimiento interno no es sinónimo de validez para cualquier contexto. Cuando cambian la población, el entorno o la finalidad, aquello que parecía una señal robusta puede revelar que estaba midiendo otra cosa.
En el acceso al trabajo conviven, y no deben confundirse, dos juicios distintos. Uno es empírico: ¿la inferencia conserva suficiente robustez en la población y en el contexto donde será utilizada? El otro es jurídico: aun suponiendo que prediga bien, ¿es legítimo emplearla para repartir oportunidades? Una correlación estadísticamente estable puede descansar sobre una condición que el ordenamiento prohíbe convertir en desventaja. Asociar un rasgo con menor rotación, por ejemplo, no autoriza a penalizarlo cuando en realidad funciona como sustituto de responsabilidades familiares, discapacidad o ejercicio de derechos.
Supóngase que una empresa valora como indicador positivo la respuesta inmediata a mensajes enviados fuera del horario anunciado. La señal puede correlacionarse con disponibilidad, pero también con la ausencia de tareas de cuidado, la calidad de la conexión o la posibilidad económica de permanecer conectado. Antes de elevar ese comportamiento a criterio de acceso hay que demostrar su vínculo con una exigencia real del puesto y preguntarse si existe una alternativa menos excluyente. Que algo pueda ser mensurado, aún suponiendo la exactitud del dato, no implica que sea representativo si se separa de su contexto y se convierte en forma autónoma en un requisito laboral.
Algo semejante ocurre con las interrupciones de la trayectoria. Una pausa laboral puede responder a tareas de cuidado, enfermedad, formación, migración o al cierre de una empresa; traducirla automáticamente como falta de compromiso añade una inferencia que el dato no contiene. Forzar al postulante a revelar información íntima para desactivar esa lectura sería, además, invertir injustificadamente la carga del problema. A veces proteger mejor significa recolectar menos y, sobre todo, abstenerse de concluir más de lo que la evidencia permite.
De este punto surge el criterio de pertinencia laboral que sostiene buena parte del trabajo: toda variable con peso decisivo debe mantener una relación defendible con una finalidad legítima y con las tareas efectivas del puesto. Esa relación requiere justificación, no fe tecnológica. Necesidad, proporcionalidad y alternativas disponibles forman parte del examen. Mejorar un indicador agregado no alcanza cuando nadie puede explicar qué aptitud se pretende medir ni por qué la señal seleccionada constituye una aproximación razonable a ella.
Los modelos generativos añaden una dificultad especialmente engañosa: pueden producir explicaciones impecables en su forma y completamente desconectadas de la causalidad real del resultado. Pedir al mismo sistema que redacte las “razones” de una puntuación no crea trazabilidad. La explicación jurídicamente útil debe corresponder con los datos efectivamente procesados y con la operación que incidió en la decisión. La elegancia verbal puede facilitar la comprensión; jamás sustituir la fidelidad.
Discriminación, invisibilización y legibilidad algorítmica
La discriminación algorítmica rara vez necesita presentarse con el nombre de la categoría protegida. Puede reaparecer mediante variables sustitutas capaces de reconstruirla con notable eficacia. Suprimir el sexo de un formulario, por ejemplo, nada garantiza si el resto de las señales permite recomponer una clasificación fuertemente asociada al género. Tampoco basta equilibrar datos de entrenamiento cuando el objetivo, la etiqueta, el umbral o el contexto de uso continúan produciendo exclusiones. El objeto de control no es una variable aislada, sino el procedimiento y sus efectos.
El episodio de Amazon es una muestra temprana de esta realidad, por cuanto este sistema experimental de reclutamiento aprendió de currículums históricos predominantemente masculinos y penalizó ciertas referencias asociadas con mujeres; no hubo sentencia judicial ni se acreditó que todas las contrataciones de la empresa estuvieran automatizadas. Su interés no está en convertirlo en mito fundacional de la discriminación algorítmica, sino en mostrar cómo una desigualdad histórica puede ingresar casi silenciosamente en una herramienta de clasificación y adquirir después la apariencia de un criterio técnico.
La discusión ya no se limita a experiencias empresariales conocidas por la prensa. Estas cuestiones tienen hoy una notable proyección judicial. En Mobley v. Workday, Inc.3, un tribunal federal de California permitió continuar determinados reclamos por impacto adverso dirigidos contra el proveedor de herramientas utilizadas en la selección. El caso no demuestra todavía que esas herramientas hayan discriminado. Su interés para este trabajo está en otro punto: lleva al proceso judicial la posibilidad de que un sistema opere de acuerdo con su diseño y, aun así, reproduzca patrones históricos de exclusión. En septiembre de 2026, los demandantes solicitaron la certificación de cuatro subclases y el debate volvió a concentrarse en una cuestión decisiva: cuánto del resultado puede atribuirse a componentes comunes de Workday y cuánto depende de las configuraciones y decisiones de cada empleador. Retomaré esa cuestión al examinar la prueba y la atribución de responsabilidades.
Existe, sin embargo, una forma de daño que el lenguaje clásico de la discriminación no captura por completo: la invisibilización. Una trayectoria puede no encontrar el campo donde ser leída; una experiencia infrecuente puede resultar penalizada por la escasez de ejemplos; quienes fueron descartados pueden desaparecer incluso del universo con el que la empresa evalúa el éxito del sistema. Se produce entonces una paradoja probatoria: conocemos el desempeño de quienes fueron seleccionados, pero ignoramos qué habría ocurrido con quienes nunca recibieron la oportunidad de demostrarlo.
Esa asimetría erosiona cualquier validación seria. Observar que los contratados rindieron bien no informa demasiado sobre la calidad de los descartes, porque los falsos negativos permanecen fuera del campo visual de la organización. Nadie propone contratar experimentalmente a todos los aspirantes. Sí resulta razonable asumir el límite epistemológico y compensarlo con revisiones de muestras, pruebas independientes, auditorías periódicas u otros mecanismos capaces de volver visibles exclusiones potencialmente injustificadas.
La perspectiva de género obliga a mirar con especial cuidado la manera en que se interpretan la disponibilidad, la movilidad y la continuidad laboral. Las desigualdades en la distribución de las tareas de cuidado pueden transformarse en desventajas acumulativas cuando esos atributos se convierten en requisitos universales. La mirada interseccional agrega otra advertencia: los promedios generales pueden ocultar resultados adversos para grupos específicos, por ejemplo mujeres mayores, personas con discapacidad o postulantes de determinados territorios.
Analizar impactos diferenciados exige datos, pero no habilita a convertir la finalidad antidiscriminatoria en una autorización general para recolectar información sensible. La auditoría también está sometida a base jurídica, finalidad delimitada, seguridad y restricciones de acceso. La tensión no se resuelve absolutizando ninguno de los polos: la privacidad no puede ser invocada como coartada para ignorar efectos discriminatorios, del mismo modo que la prevención de la discriminación no legitima una vigilancia indiscriminada.
La opacidad también redistribuye cargas hacia quien busca empleo. Adaptar un currículum a una vacante es una práctica ordinaria; tener que traducir la propia biografía al idioma presumido de una infraestructura automatizada es otra cosa. Los ATS surgieron para recibir, ordenar y administrar postulaciones, pero hoy pueden incorporar extracción automática, búsqueda semántica, puntuaciones, recomendaciones y otras formas de clasificación. Plataformas más amplias de adquisición de talento, a veces denominadas TAS, integran además búsqueda, contacto, evaluación y seguimiento. No todos estos productos utilizan inteligencia artificial ni ejercen el mismo poder sobre la selección, razón por la cual la pregunta jurídica sigue siendo funcional: qué hace la herramienta y cuánto pesa en la decisión.
Ese filtro técnico modifica, a su vez, el comportamiento de los postulantes. Frente a criterios desconocidos, se aprende a introducir ciertas palabras, simplificar formatos, reorganizar experiencias y fabricar versiones sucesivas del currículum con la esperanza de volverse legible para la máquina. Zhan (2026) denomina calibration labour a ese trabajo permanente de ajuste biográfico frente a infraestructuras opacas. Ya no se trata simplemente de “redactar bien” un currículum: una vida profesional empieza a desarmarse y recomponerse según lo que se presume que un sistema será capaz de reconocer.
La inteligencia artificial generativa lleva esa dinámica un paso más lejos. El postulante puede entregar a un modelo de lenguaje su experiencia, la descripción de la vacante y una instrucción para optimizar el currículum; después, otro sistema automatizado extraerá, clasificará o puntuará ese texto. La selección deja así de enfrentar únicamente a una empresa con el relato que una persona hizo de sí misma. En determinados circuitos, una representación generada por una IA será interpretada por otra IA antes de que un ser humano tenga noticia de la candidatura.
La hipótesis ya cuenta con evidencia experimental. Xu, Li y Jiang (2026) observaron que distintos modelos de lenguaje utilizados para evaluar candidaturas tendían a favorecer currículums producidos por ellos mismos frente a textos humanos o generados por otros modelos, aun manteniendo constantes las calificaciones sustantivas. En sus simulaciones, emplear el mismo modelo que luego evaluaba la candidatura podía aumentar sensiblemente la probabilidad de integrar la preselección. La consecuencia jurídica es difícil de ignorar: una oportunidad laboral podría verse afectada no por la idoneidad del aspirante, sino por la afinidad entre la herramienta que redactó su presentación y la herramienta que luego la juzga.
La respuesta estratégica de los postulantes es previsible: si el filtro automatizado premia determinadas señales, aparecerán herramientas destinadas a producirlas. Pero cuando esa conducta se generaliza, la señal pierde información sobre aquello que se suponía debía medir. Cowgill, Hernández-Lagos y Wright (2026) muestran esa ambivalencia de la IA generativa: mejora la presentación, corrige barreras lingüísticas y puede hacer más visible una experiencia valiosa, pero también homogeneiza documentos y reduce la capacidad del evaluador para distinguir niveles diferentes de conocimiento o trayectoria. El procedimiento termina midiendo, al menos en parte, la calidad del intermediario tecnológico.
Se configura así una dinámica circular. Las empresas automatizan el filtrado para gestionar volúmenes crecientes; los candidatos aprenden a adaptarse al filtro y utilizan nuevas herramientas para hacerlo; el aumento y la estandarización de las postulaciones refuerzan, a su vez, el incentivo empresarial para automatizar todavía más. La experiencia humana no desaparece, pero llega al decisor después de atravesar varias capas de traducción que pueden alejarla de aquello que pretendían representar.
Una imagen proveniente de otro debate ayuda a volver visible esa escena: la llamada “teoría de la Internet Muerta”. Allí se describen espacios digitales donde contenidos generados automáticamente reciben respuestas también automatizadas, hasta volver difusa la frontera de la interacción humana. El paralelismo radica en que en una selección laboral contemporánea, una IA puede redactar la oferta, otra reformular la trayectoria del candidato, una tercera puntuarla y una cuarta resumir el resultado para quien adopta la decisión. En algún punto del recorrido, una máquina comienza a hablar con otra acerca de una persona que quizá todavía nadie vio.
La amenaza, entonces, no es una fantasía de desaparición humana. Es más prosaica y por eso más plausible: que las personas permanezcan en los extremos del procedimiento mientras el espacio intermedio se puebla de representaciones diseñadas para ser entendidas por máquinas. La pregunta “¿quién es este candidato?” corre el riesgo de degradarse en otra mucho más pobre: “¿qué representación de este candidato resulta legible para la infraestructura?”. Allí se consuma el desplazamiento que da título a este trabajo: el perfil deja de auxiliar la decisión y comienza a ocupar el lugar de la persona.
5. Fundamentos de la tutela precontractual en Argentina
5.1. Constitución, igualdad y admisión en el empleo
Los artículos 14, 14 bis y 16 de la Constitución, integrados con los tratados de derechos humanos y con el mandato de igualdad real del artículo 75, inciso 23, ofrecen una base normativa suficiente para examinar barreras de acceso al trabajo. Sería un error derivar de allí un derecho irrestricto a obtener una vacante; sería igualmente erróneo imaginar que la libertad de contratación se ejerce en una zona inmune a la dignidad y a la igualdad. El derecho a trabajar no empieza a existir el día en que se firma el contrato.
El Convenio 111 de la OIT despeja cualquier duda acerca del alcance precontractual de esa tutela: incluye expresamente la admisión en el empleo y distingue las exigencias fundadas en las calificaciones requeridas para una ocupación determinada. Traducido al problema algorítmico, el criterio es severo y simple. La evaluación debe guardar relación con las aptitudes que el trabajo exige; convertir un factor en variable o en puntuación no altera su significado jurídico ni lo purifica de una eventual discriminación.
La CEDAW refuerza ese desplazamiento desde la igualdad formal hacia la igualdad sustantiva. Su artículo 11.1.b comprende las oportunidades de empleo y los criterios de selección. Un procedimiento idéntico para todos puede, por tanto, seguir siendo jurídicamente problemático cuando introduce requisitos aparentemente neutros que reproducen obstáculos asociados al género.
La ley 23.592 completa este cuadro al ofrecer tutela frente a actos que arbitrariamente impidan, obstruyan, restrinjan o menoscaben el ejercicio igualitario de derechos. Su texto no condiciona esa protección a la existencia previa de una relación laboral, dato especialmente relevante cuando la lesión se produce precisamente en la puerta de entrada.
De este entramado emerge una tutela precontractual con perfiles propios. No corresponde trasladar en bloque al postulante todas las reglas del contrato de trabajo, pero tampoco degradar esa etapa a un espacio de pura discrecionalidad privada. Discriminación, intimidad, daños y buena fe pueden entrar en juego con intensidad distinta según la conducta cuestionada, la pretensión articulada, la prueba disponible y la vía elegida.
5.2. Convenio 190, Recomendación 206 y Ley 26.485
El Convenio 190, aprobado por la ley 27.580, incorpora expresamente a quienes buscan empleo y a quienes se postulan (art. 2.1), y extiende su alcance a comunicaciones vinculadas con el trabajo realizadas mediante tecnologías de la información (art. 3.d). La ausencia de contrato no expulsa a la persona de su ámbito de protección. Naturalmente, no toda intervención de software ni todo rechazo configuran violencia o acoso; deberán verificarse los presupuestos materiales previstos por el propio Convenio.
La Recomendación 206 introduce una clave preventiva particularmente valiosa: mirar las relaciones de poder y las situaciones de vulnerabilidad antes de que el daño se consolide. Su fuerza normativa no equivale a la de un convenio ratificado, pero su orientación es clara. La prevención no comienza con la reparación del caso consumado; comienza en el diseño del procedimiento y en las condiciones organizacionales capaces de favorecer prácticas lesivas.
La ley 26.485 agrega un fundamento interno específico. El artículo 6.c incluye, dentro de la violencia laboral, la discriminación contra las mujeres que obstaculiza el acceso al empleo, mientras que el artículo 11.6.a incorpora la convocatoria y la selección entre los ámbitos de actuación preventiva. Ese marco permite interrogar criterios algorítmicos que penalicen maternidad, edad u otras condiciones protegidas. La modalidad digital incorporada por la ley 27.736 exige, de todos modos, sus propios presupuestos: automatizar un descarte no lo convierte automáticamente en violencia digital.
Leídas desde el principio de igualdad y la dignidad, estas normas vuelven difícil sostener una frontera todavía frecuente en cierta dogmática: que el poder de excluir sólo adquiere relevancia jurídica después del nacimiento del vínculo. Seleccionar es una facultad empresarial; lo que nunca ha sido una facultad jurídicamente ilimitada es seleccionar mediante cualquier criterio y bajo cualquier procedimiento.
5.3. Datos personales y límites de las inferencias
La ley 25.326 aporta una gramática particularmente fértil para este problema: calidad y pertinencia de los datos, prohibición del exceso, información, acceso y rectificación, dentro de su ámbito de aplicación. Aplicada a la selección, obliga a separar disponibilidad de legitimidad. Que un dato exista, pueda comprarse o pueda inferirse no significa que sea necesario para la vacante. Tampoco el consentimiento opera como una fórmula mágica capaz de legitimar finalidades desproporcionadas o tratamientos ajenos al puesto.
Hay aquí una confusión que conviene erradicar. El artículo 20 de la ley 25.326 regula decisiones judiciales y actos administrativos sustentados únicamente en tratamientos informatizados que definan perfiles o personalidad; su texto no contiene una prohibición general de la selección automatizada privada semejante al artículo 22 del RGPD. La protección del postulante debe construirse con las normas argentinas realmente aplicables. Cuando se proponga ampliar su alcance por vía interpretativa, corresponde decirlo de frente, no presentarlo como derecho positivo ya existente.
El Código Civil y Comercial ofrece, según las circunstancias, otro conjunto de herramientas: buena fe, tutela de la dignidad y prevención del daño en los artículos 9, 51 y 1710; buena fe precontractual en el artículo 991 cuando existen tratativas. Ninguna de esas normas crea una obligación general de entrevistar ni transforma toda frustración de una expectativa laboral en daño resarcible. Sí impiden considerar jurídicamente neutra una etapa donde pueden desplegarse tratamientos abusivos, lesivos o discriminatorios.
La referencia europea: garantías y límites
El Reglamento (UE) 2024/1689 sitúa determinados usos de inteligencia artificial en selección y contratación dentro del régimen de alto riesgo previsto en el anexo III.4. La arquitectura regulatoria combina gestión del riesgo, documentación y supervisión, pero la clasificación depende de la finalidad concreta del sistema y de las reglas del artículo 6; no alcanza con que el producto se promocione como tecnología para recursos humanos. Para el derecho argentino, su interés es comparado. Convertirlo en una norma de aplicación automática a toda selección realizada en el país sería metodológicamente incorrecto.
El artículo 14 exige una supervisión humana capaz de comprender e intervenir realmente, mientras que el artículo 86 reconoce, bajo determinados presupuestos, un derecho a obtener explicaciones respecto de decisiones individuales. El régimen europeo, por tanto, no puede describirse honestamente como un sistema que informa sólo al adquirente de la tecnología y olvida al afectado. El problema relevante es otro: si esas garantías alcanzan en la práctica para controvertir una exclusión o terminan reducidas a una liturgia documental sin capacidad de alterar el resultado.
Contenido normativo y exigibilidad temporal tampoco deben confundirse. A la fecha de cierre de esta ponencia, las obligaciones correspondientes a los sistemas de alto riesgo del anexo III vinculados con empleo resultarán aplicables desde el 2 de diciembre de 2027, conforme la modificación introducida por el Reglamento (UE) 2026/1744. Repetir agosto de 2026 como fecha vigente ya no sería correcto. Esa modificación temporal, por supuesto, no suspende el resto del entramado europeo en materia de protección de datos o discriminación.
El RGPD interviene desde otra lógica. Su artículo 22 se ocupa de decisiones basadas únicamente en tratamiento automatizado que produzcan efectos jurídicos o consecuencias de significación similar, con excepciones y salvaguardas; los artículos 13 a 15 regulan deberes de información sobre lógica y consecuencias en los supuestos alcanzados. De allí no se sigue un derecho irrestricto a conocer código fuente o secretos empresariales. Tampoco debería aceptarse como “intervención humana” la firma final de una persona que carece de información o de poder real para alterar una decisión sustancialmente automatizada.
Documentar, informar y revisar vuelve controlable el procedimiento. No responde, sin embargo, la pregunta anterior y más incómoda: si el criterio utilizado era pertinente y jurídicamente admisible. La transparencia, aun cuando sea rigurosa, no garantiza la legitimidad de la decisión. Un sistema puede estar exhaustivamente documentado y, sin embargo, apoyarse en una finalidad jurídicamente inadmisible; del mismo modo, una explicación clara puede limitarse a hacer visible un criterio discriminatorio. La transparencia permite conocer y someter a examen la decisión, pero no transforma en legítimo aquello que, una vez expuesto, sigue siendo jurídicamente objetable.
7. Prueba, trazabilidad y responsabilidad organizacional
Sin evidencia, la tutela corre el riesgo de quedar confinada al plano declamativo. La captura de pantalla acredita, acaso, el mensaje recibido por el postulante; casi nunca permite reconstruir qué datos se procesaron, qué versión del sistema intervino, qué inferencias se generaron, quién fijó el umbral de descarte o cuánto pesó la recomendación automatizada. Hay que separar la prueba del resultado de la prueba del proceso. Esa distinción evita dos errores simétricos: atribuir a “la IA” una decisión que pudo ser humana y aceptar que la invocación genérica de automatización vuelva imposible identificar quién hizo qué.
El precedente “Sisnero, Mirtha Graciela y otros c/ Taldelva S.R.L. y otros s/ amparo” (CSJN, 20 de mayo de 2014, Fallos: 337:611) ofrece una clave probatoria que trasciende su contexto fáctico. Allí se discutía el acceso de mujeres a puestos de conducción de transporte público en Salta, no inteligencia artificial. La Corte, frente a hechos prima facie idóneos para inducir discriminación, remitió al estándar que desplaza hacia la parte demandada la demostración de una causa objetiva y razonable ajena al móvil discriminatorio. La analogía no autoriza a importar mecánicamente ese régimen a cualquier decisión algorítmica. Sí impide aceptar que la asimetría informativa convierta en indemostrable una lesión justamente porque la explicación permanece en poder de quien organizó el procedimiento.
En la selección automatizada esa asimetría se fragmenta. El postulante conoce su currículum, la oferta y el rechazo; la empresa, los criterios que decidió utilizar; el proveedor, la arquitectura de la herramienta, sus transformaciones y ciertos resultados agregados. Ningún actor tiene necesariamente, por sí solo, la explicación completa. La prueba debería abandonar la búsqueda casi mítica de “el algoritmo” y reconstruir, en cambio, el itinerario concreto de la candidatura: sistema y versión, datos utilizados, inferencias y puntuaciones, configuración aplicada a la vacante, intervención humana y ubicación de los registros.
Desarrollar, configurar, comercializar, implementar y utilizar una herramienta son actos diferentes, con relevancias jurídicas también diferentes. La mera participación en una cadena tecnológica no funda responsabilidad común; limitar el análisis a quien comunicó formalmente la decisión final tampoco alcanza. El poder de selección puede haberse ejercido antes, cuando alguien decidió qué información sería visible, cómo se transformaría, qué puntuación recibiría una candidatura o quién llegaría a ser considerado por una persona.
7.1 El caso Mobley v. Workday: de proveedor tecnológico a posible partícipe de la función de selección
Mobley v. Workday, Inc. permite observar esa distribución funcional en un litigio concreto. Derek Mobley afirma haberse postulado, desde 2017, a más de cien vacantes de empresas que utilizaban herramientas de Workday y haber sido rechazado en todas. Atribuye ese patrón a sistemas de evaluación y recomendación con impacto adverso por raza, edad y discapacidad. La precisión es indispensable: los rechazos forman parte de sus alegaciones y algunas teorías superaron objeciones procesales, pero todavía no existe una sentencia que declare que Workday haya discriminado.
La defensa de Workday exhibe con claridad el núcleo de la controversia. La empresa se describe como proveedora de software altamente configurable y sostiene que son sus clientes quienes deciden cómo ordenar, revisar y descartar postulaciones. Desde esa perspectiva, vender una plataforma de recursos humanos no convierte al proveedor en empleador ni en agencia de colocación. El argumento no puede descartarse con ligereza: compartir una marca tecnológica no demuestra que empleadores diferentes hayan utilizado los mismos módulos, parámetros, umbrales o criterios. La imputación requiere probar la función efectivamente cumplida en cada selección.
La resolución del 12 de julio de 2024 introdujo, sin embargo, una mirada funcional. La jueza Rita F. Lin consideró plausiblemente alegado que los empleadores podían haber delegado en las herramientas de Workday funciones tradicionalmente vinculadas con la contratación, entre ellas recomendar candidaturas o intervenir en su descarte. Sobre esa base permitió continuar determinados reclamos por impacto adverso bajo la teoría de que Workday podía actuar como agent 4 de sus clientes. La decisión no convierte a todo proveedor tecnológico en agente del empleador. El propio razonamiento marca el límite: una empresa que suministra una planilla de cálculo no se vuelve responsable porque su cliente ordene candidatos según un criterio discriminatorio, del mismo modo que un servicio de correo no participa en la decisión por el solo hecho de transmitir un rechazo.
El punto de quiebre está en la función material. Un programa que ejecuta una instrucción totalmente definida por el cliente ocupa una posición distinta de un sistema que introduce su propia puntuación, recomendación o clasificación y condiciona quién continuará en el proceso. No aparece aquí una supuesta “voluntad” de la tecnología, categoría jurídicamente inútil; aparece una distribución organizacional de tareas que antes se desarrollaban dentro de la empresa y que ahora pueden quedar parcialmente externalizadas.
Esa mirada funcional permite comprender por qué el tribunal rechazó tratar a Workday como employment agency y, al mismo tiempo, dejó abierta la responsabilidad como agent. Una employment agency procura trabajadores para empleadores o puestos para quienes buscan trabajo. La teoría de agency pregunta algo distinto: si el empleador delegó en un tercero una función propia. La eventual responsabilidad de Workday no nacería, por tanto, del simple suministro de software ni de una intermediación laboral clásica, sino de la función que sus herramientas hayan asumido efectivamente en la distribución de oportunidades.
La resolución de mayo de 2025 profundizó esta lógica al autorizar preliminarmente un colectivo bajo la ADEA5 respecto de postulantes mayores de cuarenta años. Para esa etapa, el tribunal consideró suficientemente alegada la existencia de una política común vinculada con el sistema de recomendaciones de Workday y entendió que la cuestión acerca de si ese sistema producía un impacto adverso podía recibir prueba común. La relevancia para este trabajo es particular: no se exige necesariamente que la herramienta emita por sí misma el rechazo definitivo. Una recomendación adversa puede situar a una persona en una posición desde la cual ya no compite en igualdad de condiciones. Una persona puede tomar formalmente la decisión final y, sin embargo, no haber visto nunca a quienes fueron excluidos en una etapa anterior.
7.2 De la commonality6 a la monocultura algorítmica
La petición de certificación de nuevas subclases presentada en 2026 sitúa el litigio en su problema más complejo: saber si postulaciones realizadas ante empleadores y puestos distintos comparten una cuestión suficientemente común. Detrás de la formulación procesal aparece la pregunta sustantiva que interesa aquí: ¿los resultados adversos alegados remiten a una característica común de la infraestructura de Workday o son el producto autónomo de decisiones particulares de cada cliente?
Los extremos no resuelven el problema. Utilizar Workday no prueba, por sí mismo, una causalidad común; que existan configuraciones distintas tampoco demuestra que cada resultado sea independiente. Entre ambas afirmaciones se abre un espacio técnico y jurídico que la noción de monocultura algorítmica ayuda a comprender.
Bommasani, Bana, Creel, Jurafsky y Liang (2026) llaman algorithmic monoculture a la dependencia de numerosos decisores respecto de los mismos algoritmos o de sistemas suficientemente semejantes como para generar resultados correlacionados. Su investigación analizó 4.197.168 postulaciones, 3.372.132 candidatos, 1.746 posiciones y 156 empleadores procesados mediante modelos desarrollados por pymetrics. No estudiaron Workday, y sería impropio trasladar sus resultados como prueba del litigio. Lo que sí demostraron empíricamente es que empleadores distintos que comparten infraestructura algorítmica pueden producir patrones de decisión correlacionados.
La homogeneidad, además, no se limitaba a empresas que utilizaban exactamente el mismo modelo. Persistía con modelos diferentes provistos por la misma compañía: entre quienes se postularon a diez posiciones, un 4 % recibió recomendaciones negativas en todas ellas, una frecuencia superior a la esperable bajo decisiones independientes.
La consecuencia conceptual es relevante: personalización no significa necesariamente independencia. Dos empleadores pueden adoptar configuraciones distintas y conservar, sin embargo, variables de entrada, representaciones, arquitecturas o criterios compartidos capaces de correlacionar resultados. La disyuntiva “un mismo algoritmo para todos” frente a “decisiones enteramente individuales” simplifica en exceso lo que ocurre en infraestructuras técnicas distribuidas.
Aplicada a Mobley, la observación cambia el objeto de la prueba. Ya no alcanza con acreditar que cada cliente configuró el producto a su manera; habrá que identificar qué componentes permanecieron comunes, qué función desempeñaban y si alguno poseía capacidad causal suficiente para contribuir a un patrón repetido de exclusiones. El objetivo no es presumir responsabilidad del proveedor, sino formular con mayor precisión aquello que debería demostrarse.
7.3 Causalidad en capas
La arquitectura distribuida de estos sistemas resiste una explicación binaria de la causalidad. Preguntar si el rechazo fue causado “por Workday” o “por el empleador” presupone que una sola respuesta debe desplazar a la otra, cuando el procedimiento puede estar compuesto por contribuciones sucesivas. La metáfora de las capas resulta más fiel: en la superficie aparece el rechazo comunicado al postulante; por debajo, decisiones de diseño, entrenamiento, configuración y uso que no se sustituyen, sino que se superponen y pueden pesar de manera diferente sobre el resultado.
El aprendizaje automático añade otra complejidad. En el software de reglas, la conducta puede rastrearse con mayor facilidad hasta instrucciones predefinidas; en un modelo aprendido, nadie programa exhaustivamente la respuesta para cada combinación posible de datos. Se diseñan arquitectura, objetivo, entrenamiento y restricciones, y el sistema ajusta relaciones y parámetros a partir de datos. Eso no convierte a la herramienta en sujeto autónomo ni interrumpe la imputación. Obliga a reformularla: además de preguntar quién escribió una regla, hay que saber quién diseñó el proceso de aprendizaje, con qué datos, para optimizar qué objetivo, cómo se validó, quién configuró el uso y qué controles se mantuvieron sobre sus resultados.
Por eso, la inexistencia de una instrucción discriminatoria escrita en el código no prueba la inexistencia de una causa jurídicamente imputable. El sesgo puede residir en el objetivo, en los datos, en la representación, en la validación, en el umbral o en el modo de uso sin adoptar nunca la forma tranquilizadora de una regla explícita.
En una primera capa aparece la infraestructura del proveedor, donde se definen arquitectura general, operaciones de extracción y ciertas formas de representación o recomendación. Luego interviene la empresa cliente con módulos, requisitos, parámetros y umbrales propios. Finalmente importa el uso organizacional de la salida: una recomendación puede orientar al reclutador, seleccionar qué currículums serán visibles o convertirse de hecho en descarte. La comunicación final llega al postulante después de que buena parte del poder de selección ya pudo haberse ejercido.
No todas esas intervenciones tienen igual peso causal ni igual relevancia jurídica, y su concurrencia no crea automáticamente responsabilidad conjunta. La reconstrucción debe medir la capacidad concreta de cada actor para alterar el curso de la candidatura, el margen disponible para apartarse del resultado y la previsibilidad que podía tener sobre los efectos de la herramienta.
La intervención humana sólo cobra sentido si se ubica dentro de esa secuencia. Que aparezca una persona en algún punto del circuito dice poco cuando esa persona recibe únicamente a quienes superaron un ranking previo. Su decisión puede ser genuina respecto de los perfiles visibles y completamente inexistente respecto de quienes quedaron debajo del umbral. Una parte decisiva del poder de selección se ejerce, entonces, antes de que comience la deliberación humana.
7.4 Del daño individual a la exclusión sistémica y su prueba
La monocultura algorítmica obliga a cambiar también la escala de observación del daño. La imagen jurídica tradicional imagina decisiones separadas: una empresa A descarta a un postulante; B, C y D constituyen nuevas oportunidades y, al menos conceptualmente, nuevos centros de evaluación. Esa representación funciona mientras las decisiones sean verdaderamente independientes.
Bajo ese esquema clásico, una decisión injustificada de A afecta una oportunidad determinada, mientras que las postulaciones ante B, C o D abren evaluaciones nuevas. La posibilidad de escapar del criterio utilizado por un empleador forma parte implícita de esa arquitectura.
El supuesto cambia si varios empleadores dependen de una misma infraestructura y comparten componentes capaces de reproducir una pauta de valoración. Allí A, B y C conservan autonomía formal, pero ya no necesariamente constituyen centros decisorios completamente independientes. La tecnología puede introducir continuidad donde el postulante cree estar encontrando decisiones separadas.
La diferencia es sustantiva. Cuando la desventaja proviene de un criterio exclusivo de A, cambiar de empleador permite, al menos en principio, escapar de ese criterio. Cuando la misma señal es penalizada por una capa tecnológica que reaparece en B y C, cambiar de empresa puede no equivaler a cambiar de sistema de evaluación.
Un error o una inferencia improcedente puede así acompañar al postulante a través de organizaciones distintas. Analizar cada vínculo postulante-empleador como una isla vuelve demasiado estrecha la unidad de observación. Bommasani et al. llaman systemic rejection a la reiteración de resultados negativos en distintas posiciones y documentan correlaciones superiores a las esperables bajo decisiones independientes. La reiteración no prueba discriminación ni crea derecho alguno a ser contratado; sí vuelve razonable investigar la existencia de un mecanismo común.
La lesión potencial deja entonces de agotarse en una vacante perdida. Una misma capa puede reducir la probabilidad de acceso a un conjunto de oportunidades que, desde la perspectiva del postulante, aparecen como independientes. El interrogante que surge es difícil de acomodar en categorías pensadas para relaciones bilaterales: ¿qué sucede cuando la barrera no pertenece por completo a una empresa y está incorporada, al menos en parte, a una infraestructura utilizada transversalmente en el mercado?
El patrón alegado por Mobley coloca esa pregunta en primer plano. Más de cien rechazos frente a empleadores que utilizaban herramientas de Workday no demuestran discriminación ni causalidad común. Pero fragmentarlos desde el inicio en más de cien episodios inconexos sería igualmente apresurado. La investigación debe establecer si algún componente se repitió con capacidad explicativa relevante y, sólo después, determinar cuánto pesó frente a las restantes capas de cada decisión.
La escala modifica también la prueba. Una causa transversal puede permanecer invisible cuando cada empresa conserva únicamente sus propios registros. Los datos de A explican A; los de B explican B. Ninguno, aislado, permite necesariamente advertir que un mismo postulante recibió puntuaciones o recomendaciones semejantes en organizaciones distintas conectadas por componentes tecnológicos relacionados.
El proveedor ocupa una posición singular precisamente por esa transversalidad. Puede disponer de estadísticas agregadas, documentación de versiones, registros de funcionamiento o información sobre componentes compartidos que ningún empleador individual posee. La investigación de Bommasani et al. pudo observar la monocultura porque contó con datos capaces de seguir resultados a través de múltiples organizaciones; sin esa perspectiva, el patrón habría permanecido fragmentado.
Esa constatación ilumina las controversias de discovery7 producidas en Mobley. Durante 2026 se discutió si Workday poseía o controlaba información alojada en entornos segregados de sus clientes y cómo debían tratarse las estadísticas agregadas utilizadas por la compañía para sus propios fines. El tribunal no ordenó una apertura indiscriminada de toda la información ni consideró que todo dato asociado con el sistema estuviera automáticamente bajo control del proveedor. Distinguió categorías y custodios. La distinción es correcta desde el punto de vista procesal y, al mismo tiempo, revela una dificultad estructural. La información necesaria para reconstruir una decisión puede estar distribuida entre los mismos actores entre los que se distribuyó la función de decidir.
Por eso trazabilidad y disponibilidad procesal no son equivalentes. El registro puede existir y estar en poder de un actor distinto de aquel inicialmente demandado; el proveedor puede carecer de acceso a datos individuales de ciertos clientes y conservar, al mismo tiempo, información agregada capaz de revelar patrones que ningún cliente ve por separado. Una estrategia probatoria seria debe separar, al menos, cuatro planos: datos del postulante, configuración del empleador, salidas producidas durante la selección e información del proveedor necesaria para comprender los componentes comunes y, si correspondiera, sus efectos transversales.
El secreto comercial, la privacidad de terceros y la protección de datos justifican límites, confidencialidad, acceso pericial restringido y proporcionalidad. Lo que no pueden justificar es una arquitectura en la cual la misma distribución del poder entre organizaciones termine convirtiéndose en una técnica de invisibilidad jurídica. Si nadie puede reconstruir la decisión porque cada actor conserva sólo una parte, el problema deja de ser meramente probatorio y pasa a comprometer la efectividad misma de la tutela.
7.5 Proyección sobre el derecho laboral argentino
La comparación estadounidense tiene valor si se la mantiene en su escala correcta. No corresponde importar la teoría de agency, las reglas de certificación colectiva ni la noción de monocultura como categorías automáticamente trasladables a cualquier proveedor que opere con numerosos clientes. Sí obliga a abandonar una lectura puramente formal de la decisión y a reconstruir qué función asumió cada actor antes de atribuir el resultado.
Frente a una controversia de selección automatizada, la imputación exige responder preguntas concretas: quién eligió el sistema, quién fijó los criterios, quién definió o entrenó las inferencias, quién estableció parámetros y umbrales, quién produjo la puntuación, qué margen tuvo la empresa para apartarse, quién llegó a ver la candidatura, quién conservó los registros y quién tenía capacidad real para revisar. Esa cartografía funcional es anterior a cualquier conclusión sobre responsabilidad.
Cuando el proveedor actúa transversalmente en múltiples organizaciones aparece todavía otra pregunta: ¿el postulante fue evaluado por un criterio genuinamente particular de ese empleador o por una infraestructura que condiciona también el acceso a otras empresas? La diferencia no es semántica. Puede modificar la escala causal y la estrategia probatoria del caso.
Si existe un componente común con capacidad de contribuir al resultado, la unidad de análisis no necesariamente termina en la frontera formal de cada empresa. La tecnología puede repartir el ejercicio del poder de selección entre sujetos organizacionalmente distintos; el derecho laboral, si pretende seguir protegiendo el acceso al trabajo, debe ser capaz de seguir también esa distribución.
La imagen de las cien puertas condensa el problema mejor que cualquier abstracción. El postulante cree tocar cien puertas diferentes; cada una tiene su nombre, su vacante y su cerradura. Pero si detrás de cerraduras distintas reaparece parcialmente la misma llave tecnológica, la independencia aparente de las decisiones merece ser investigada y no simplemente presumida.
Los remedios, desde luego, deberán guardar proporción estricta con la lesión que llegue a demostrarse. Corregir un dato, cesar una práctica, reconsiderar una candidatura, modificar una variable, revisar una herramienta o reparar un daño responden a problemas distintos. Antes de elegir cualquiera de ellos existe una condición lógica elemental: saber qué produjo la exclusión.
Cuando empleador y proveedor distribuyen entre sí la función de decidir, y cuando esa infraestructura se repite además en selecciones de empresas distintas, identificar la causa ya no consiste en averiguar quién pronunció el último “no”. Hay que reconstruir las capas que hicieron posible que una candidatura llegara, o no llegara, hasta el punto donde alguien creyó adoptar la decisión final.
8. Propuesta: un estándar de no clausura algorítmica
La no clausura algorítmica puede entenderse como un estándar de organización de los procesos de selección dirigido a impedir que una representación automatizada adquiera eficacia excluyente sin posibilidad real de contradicción. No constituye un derecho autónomo expresamente reconocido por la legislación argentina, sino una construcción interpretativa cuyos fundamentos pueden reconstruirse a partir de la dignidad, la igualdad, la protección de los datos personales y la tutela efectiva.
Los problemas examinados a lo largo del trabajo convergen en ese estándar sin volverse idénticos. La pertinencia disciplina aquello que puede inferirse; la trazabilidad permite reconstruir el proceso; la información hace inteligible la decisión; la reconsideración impide que la primera representación producida por el sistema se vuelva definitiva. Su fuerza está en la articulación: cuanto mayor es la capacidad técnica de clasificar, más importante se vuelve preservar la posibilidad jurídica de discutir la clasificación.
La primera exigencia es la pertinencia. Antes de otorgar peso decisivo a una variable, la organización debe saber qué aptitud o requisito pretende medir, por qué guarda relación con la vacante y si existen alternativas menos restrictivas. El examen comprende tanto los datos de entrada como las inferencias construidas después. Eliminar categorías sensibles no resuelve nada cuando otras variables reproducen sus efectos o cuando se valoran rasgos que el puesto sencillamente no necesita.
La trazabilidad ocupa el segundo lugar, aunque en la práctica atraviesa a todas las demás garantías. Controlar exige reconstruir qué hizo la herramienta y cómo una candidatura quedó fuera: documento original, información extraída, inferencias, puntuaciones y decisión posterior. La descripción comercial del producto es insuficiente; también lo es una explicación generada ex post que no pueda enlazarse con el funcionamiento real. En procesos repartidos entre empresa y proveedor hay una pregunta adicional, decisiva para la tutela: quién conserva cada registro y cómo podrá obtenerse cuando alguien cuestione la exclusión.
La información al postulante debe servir para actuar, no para cumplir un rito. Cuando la automatización incide de manera relevante en la selección, la persona debería conocer su utilización, las principales categorías de información consideradas y el canal disponible para ejercer derechos. Frente a una exclusión controvertida, la explicación tendría que permitir distinguir si el obstáculo fue un requisito incumplido, un dato incorrecto, el resultado de una prueba o una inferencia predictiva. Fórmulas vacías como “avanzaremos con otros perfiles” pueden cerrar formalmente una búsqueda y, al mismo tiempo, impedir que se corrija un error determinante. La reconsideración humana completa ese diseño: no exige entrevistar a todos ni revisar manualmente cada operación, pero sí ofrecer una vía accesible cuando existe una objeción atendible y colocar del otro lado a alguien con antecedentes suficientes, capacidad de apartarse del resultado y obligación de dejar rastro de lo decidido. Reenviar el reclamo al mismo filtro no es revisión; es repetir la exclusión.
El estándar debe mirar también los efectos acumulados. Una organización que utiliza sistemas de selección debería conocer cómo se distribuyen sus exclusiones y si una mejora global oculta perjuicios concentrados sobre ciertos grupos o trayectorias. Allí adquieren sentido la due diligence y el compliance algorítmico como prácticas organizacionales: evaluar riesgos antes de adoptar la herramienta, examinar la pertinencia de sus variables, exigir documentación y condiciones de validación, y conservar durante el uso mecanismos de supervisión, auditoría, revisión de muestras, análisis de impactos y reporte de incidentes. La certificación inicial no basta. Un sistema cambia al entrar en contacto con datos, configuraciones y prácticas concretas; el cumplimiento, por eso, consiste en sostener la capacidad institucional de detectar, explicar y corregir sus efectos.
Entendido de ese modo, el compliance no puede reducirse al expediente técnico entregado por el proveedor. Debe alcanzar la manera en que la empresa incorpora la herramienta a su propia arquitectura decisoria. La referencia a due diligence y compliance algorítmico cumple aquí una función descriptiva y organizacional, no la de afirmar una categoría jurídica autónoma ya consolidada en Argentina. Su sentido es exigir una mirada anticipatoria del riesgo y mantener, durante el uso, capacidades reales de documentación, supervisión y corrección.
La intensidad de las garantías dependerá del riesgo. Un dato mal leído puede requerir rectificación y reconsideración; una variable discriminatoria obliga a revisar el criterio y quizá las decisiones que produjo; una herramienta incapaz de ofrecer control suficiente para una función decisiva plantea un problema más severo y puede exigir limitar o abandonar su uso. Verificar una habilitación objetiva no merece el mismo régimen que inferir rasgos de personalidad a partir de señales indirectas.
La masividad no altera esa conclusión, porque si bien procesar miles de candidaturas exige automatización y administración de recursos, ello no autoriza a desplazar íntegramente sobre el aspirante el riesgo del error. Requisitos objetivos anunciados, comprobaciones automáticas, alertas frente a incertidumbre, revisión de excepciones y canales de rectificación pueden convivir con procesos de gran escala. El volumen de postulaciones debe ser asumido como una variable propia del diseño del sistema, pero no como una razón para debilitar las exigencias de supervisión, trazabilidad y control, precisamente porque la escala no reduce los riesgos que la automatización proyecta sobre la igualdad, la pertinencia de las inferencias y la posibilidad de revisar decisiones erróneas o injustificadas.
Tampoco la revisión debería convertirse en un examen de ingeniería que deba rendir quien busca trabajo. Exigir al postulante que explique un modelo al que no accede para obtener una primera respuesta invertiría de manera absurda la asimetría. Debería bastar con señalar una inconsistencia relevante o pedir la corrección de un dato determinante; a partir de allí, corresponde a la organización explicar el criterio aplicado con un grado de precisión suficiente para que la controversia sea real y no meramente ritual.
Idealizar la selección prealgorítmica sería tan ingenuo como demonizar toda automatización. Los procedimientos humanos han sido, y continúan siendo, arbitrarios, opacos y discriminatorios. La promesa valiosa de la tecnología consiste justamente en hacer algunas decisiones más consistentes y verificables. Esa promesa se invierte cuando el poder de clasificar aumenta al mismo tiempo que disminuye la posibilidad de conocer, discutir y atribuir responsabilidad por las consecuencias de la clasificación.
9. Conclusión
La selección algorítmica vuelve visible, con una intensidad inédita, una vieja cuestión del Derecho del Trabajo: quién define qué cuenta como aptitud y hasta dónde esa definición puede cerrar el acceso al empleo. La novedad no reside en la existencia de criterios de selección, sino en la escala, la velocidad y la autoridad que puede alcanzar una representación técnica cuya construcción permanece lejos de quien soporta sus efectos.
Corregir sesgos es indispensable y, sin embargo, apenas resuelve una parte del problema. Un sistema puede mejorar sus métricas y continuar utilizando inferencias irrelevantes para las tareas; puede informar que existe automatización y negar toda vía efectiva de rectificación; puede colocar a una persona al final del procedimiento sin modificar ninguno de los descartes producidos antes. Precisión, pertinencia, igualdad y posibilidad de contradicción son dimensiones diferentes del control jurídico. Confundirlas sólo vuelve más sofisticada la opacidad.
El derecho argentino ya contiene herramientas capaces de intervenir en esta etapa: Constitución, igualdad y no discriminación, instrumentos internacionales, protección frente a la violencia, tutela de la dignidad y régimen de datos personales. Utilizarlas con rigor exige respetar el alcance de cada fuente y reconocer expresamente cuándo se está formulando un desarrollo interpretativo. La ausencia de una ley exhaustiva sobre selección algorítmica no transforma el acceso al trabajo en una zona franca de derechos; pero tampoco autoriza a inventar garantías que el derecho positivo todavía no contiene.
La no clausura algorítmica procura traducir ese conjunto de fundamentos en una disciplina concreta de la selección: criterios vinculados con el puesto, decisiones reconstruibles, información capaz de explicar qué ocurrió y una reconsideración dotada de poder real para modificar el resultado. No promete infalibilidad ni garantiza contratación alguna. Exige algo más modesto y, a la vez, más incómodo para cualquier arquitectura cerrada: que la eficiencia no se compre al precio de volver indiscutibles sus consecuencias.
La cuestión cambia de escala cuando la infraestructura participa en selecciones de empleadores distintos. Allí una postulación aislada puede dejar de ser la unidad suficiente de análisis. Habrá que averiguar si decisiones formalmente independientes comparten componentes capaces de reproducir una misma barrera y, en su caso, dónde se encuentra el punto causal que las conecta.
Una persona puede ser evaluada para un trabajo sin quedar reducida al instrumento utilizado para evaluarla. Preservar esa distancia es una exigencia jurídica, no una nostalgia humanista. El problema comienza cuando la puntuación deja de admitir discusión por el solo prestigio técnico de su forma, cuando el perfil ya no auxilia el juicio y termina sustituyendo a la persona. El desafío, por eso, no consiste en expulsar la tecnología de la selección, sino en impedir que tenga la última palabra únicamente porque habla el lenguaje de los datos. Y si el empleador distribuye funciones con un proveedor tecnológico, esa distribución debe permanecer jurídicamente visible: delegar puede cambiar quién interviene, nunca debería hacer desaparecer a quien pueda explicar, revisar y responder por la función asumida.
Bibliografía y fuentes esenciales
Bibliografía académica
Bommasani, R., Bana, S. H., Creel, K. A., Jurafsky, D., y Liang, P. (2026). Algorithmic monocultures in hiring. Proceedings of the 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’26), 6351-6382. doi:10.1145/3805689.3812400.
Cowgill, B., Hernández-Lagos, P., y Langburd Wright, N. (2026). Does AI cheapen talk? Theory and evidence from global entrepreneurship and hiring. Management Science, Articles in Advance, 1-21. doi:10.1287/mnsc.2024.07027.
Geirhos, R., Jacobsen, J.-H., Michaelis, C., Zemel, R., Brendel, W., Bethge, M., y Wichmann, F. A. (2020). Shortcut learning in deep neural networks. Nature Machine Intelligence, 2, 665-673. doi:10.1038/s42256-020-00257-z.
Han, B.-C. (2014). Psicopolítica. Neoliberalismo y nuevas técnicas de poder. Herder.
Pfungst, O. (1911). Clever Hans (The Horse of Mr. von Osten): A contribution to experimental animal and human psychology. Henry Holt and Company.
Rouvroy, A., y Berns, T. (2013). Gouvernementalité algorithmique et perspectives d’émancipation. Le disparate comme condition d’individuation par la relation? Réseaux, 177(1), 163-196. doi:10.3917/res.177.0163.
Supiot, A. (2015). La gouvernance par les nombres. Cours au Collège de France (2012-2014). Fayard.
Walter, Y. (2025). Artificial influencers and the dead internet theory. AI & Society, 40, 239-240. doi:10.1007/s00146-023-01857-0.
Xu, J., Li, G., y Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights (Version 4). arXiv:2509.00462. https://doi.org/10.48550/arXiv.2509.00462.
Zech, J. R., Badgeley, M. A., Liu, M., Costa, A. B., Titano, J. J., y Oermann, E. K. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLOS Medicine, 15(11), e1002683. doi:10.1371/journal.pmed.1002683.
Zhan, X. (2026). Calibration labour: Making careers machine-legible under algorithmic hiring. Information, Communication & Society, 1-18. Advance online publication. doi:10.1080/1369118X.2026.2715575.
Jurisprudencia
Corte Suprema de Justicia de la Nación. (2014, 20 de mayo). Sisnero, Mirtha Graciela y otros c/ Taldelva S.R.L. y otros s/ amparo. Fallos: 337:611.
U.S. District Court for the Northern District of California. Mobley v. Workday, Inc., Case No. 3:23-cv-00770-RFL. Especialmente: Order Granting in Part and Denying in Part Motion to Dismiss, 12 de julio de 2024, 740 F. Supp. 3d 796; Order Granting Preliminary Collective Certification, 16 de mayo de 2025, 2025 WL 1424347; Order Granting in Part and Denying in Part Motion to Dismiss, 22 de junio de 2026; y Order Denying Motion for Relief from Nondispositive Pretrial Order of Magistrate Judge, 28 de julio de 2026.
Normativa y documentos institucionales
Argentina. Constitución de la Nación Argentina, arts. 14, 14 bis, 16 y 75, incs. 22 y 23.
Argentina. Ley 23.592, actos discriminatorios, art. 1; Ley 25.326, protección de datos personales, especialmente arts. 4, 6, 14, 16 y 20; Ley 26.485, protección integral para prevenir, sancionar y erradicar la violencia contra las mujeres, especialmente arts. 6 y 11, con sus modificaciones; Ley 27.580, aprobación del Convenio 190 de la OIT.
Argentina. Código Civil y Comercial de la Nación, especialmente arts. 9, 51, 991 y 1710.
Convención sobre la Eliminación de Todas las Formas de Discriminación contra la Mujer (CEDAW), especialmente art. 11.
Organización Internacional del Trabajo. Convenio sobre la discriminación (empleo y ocupación), 1958 (núm. 111); Convenio sobre la violencia y el acoso, 2019 (núm. 190); y Recomendación sobre la violencia y el acoso, 2019 (núm. 206).
Unión Europea. Reglamento (UE) 2016/679, Reglamento General de Protección de Datos, especialmente arts. 13-15 y 22.
Unión Europea. Reglamento (UE) 2024/1689 por el que se establecen normas armonizadas en materia de inteligencia artificial, especialmente arts. 6, 14 y 86 y anexo III.4; Reglamento (UE) 2026/1744, que modifica, entre otros aspectos, el calendario de aplicación de las obligaciones correspondientes a los sistemas de alto riesgo.
Comisión Europea. (2026). Draft Commission guidelines on the classification of high-risk AI systems. Shaping Europe’s Digital Future.