El problema no es la IA: es que no sabemos medir el talento a la hora de contratar

Desde el pasado 5 de octubre, cualquier trabajador en España tiene derecho a saber si un sistema automatizado interviene en decisiones que afectan a su empleo. El Real Decreto 723/2026, que transpone con cinco años de retraso la Directiva europea sobre condiciones laborales transparentes, obliga a las empresas a informar por escrito sobre los algoritmos que influyen en turnos, promociones, evaluaciones de rendimiento o procesos de selección. No se trata de una prohibición: nadie impide usar inteligencia artificial en recursos humanos. Lo que se exige es que esos sistemas sean explicables.

La norma llega en un momento oportuno. La Agencia Española de Protección de Datos acaba de emitir su primera advertencia preventiva —la AI-00009-2026— sobre una herramienta de IA diseñada para procesos de selección y movilidad interna. Y el Reglamento Europeo de Inteligencia Artificial, ya en vigor, clasifica como sistemas de alto riesgo precisamente aquellos que se utilizan para cribar currículos, evaluar candidatos o decidir ascensos. Europa está diciendo, con una claridad inédita, que evaluar personas con tecnología no es un asunto menor.

Pero hay algo que el debate normativo no aborda y que, a mi juicio, resulta más urgente: ¿sobre qué base evaluamos?

Llevo más de quince años trabajando en evaluación de competencias, tanto en Europa como en Latinoamérica, y puedo afirmar que el problema principal no es tecnológico. La mayoría de las organizaciones que hoy se preguntan cómo hacer transparentes sus algoritmos no habían resuelto antes una cuestión previa: qué competencias miden, con qué criterios y bajo qué estándar. En muchos departamentos de recursos humanos, las evaluaciones de desempeño siguen dependiendo de formularios genéricos, escalas subjetivas o entrevistas sin estructura. El algoritmo, cuando llega, no hace más que automatizar esa indefinición.

El dato del VII Estudio de Empleabilidad y Talento Digital es elocuente: el desajuste entre las competencias que demandan las empresas y las que ofrece el sistema formativo se sitúa en 39 puntos sobre 100. Casi 9.600 puestos técnicos podrían quedar sin cubrir, con un coste estimado de 2.776 millones de euros anuales. No es solo un problema de oferta educativa. Es un problema de lenguaje: instituciones educativas y empresas no comparten un marco común para definir, observar y certificar competencias. Y sin ese marco, cualquier herramienta de evaluación —algorítmica o no— parte de un suelo inestable.

No necesitamos más algoritmos que evalúen mejor. Necesitamos saber, primero, qué estamos evaluando y por qué

La transparencia algorítmica que exige el RD 723/2026 es un paso necesario, pero insuficiente si se entiende solo como una obligación de cumplimiento. Informar de que un algoritmo considera determinados parámetros no responde a la pregunta de fondo: ¿son esos parámetros los correctos? ¿Están respaldados por evidencia? ¿Los entiende quien toma la decisión final?

Aquí es donde la evaluación de competencias necesita dar un salto cualitativo. No se trata de elegir entre la intuición del evaluador y la precisión de la máquina, sino de construir marcos de referencia rigurosos que sirvan de base a ambos (que ya existen con ESCO y otros). Marcos que definan competencias con indicadores observables, que permitan medir con consistencia y que conecten lo que se evalúa en la universidad, en el proceso de selección y en la gestión del desempeño. Marcos, en definitiva, que hagan auditable toda la cadena, no solo el último eslabón tecnológico.

Europa va en esa dirección. El AI Act, el nuevo decreto español y la creciente exigencia de transparencia no son modas regulatorias: son la consecuencia lógica de un mercado laboral que ha incorporado la automatización sin haber consolidado antes sus criterios de evaluación. La inteligencia artificial en el empleo no es el problema. El problema es que hemos tardado demasiado en preguntarnos qué medimos cuando decimos que evaluamos talento.

No necesitamos más algoritmos que evalúen mejor. Necesitamos saber, primero, qué estamos evaluando y por qué. Y esa es una conversación que no puede delegarse en ninguna máquina.