Dos personas con perfiles parecidos pueden ver ofertas distintas porque la plataforma no solo “muestra trabajos”: ordena, filtra y decide qué merece tu atención. Ese ranking puede amplificar sesgos, castigar trayectorias no estándar y crear una sensación de mercado laboral “invisible”.
1. El empleo ya no se busca solo: se “te sirve”
Antes, buscar empleo era recorrer anuncios. Hoy, gran parte del proceso ocurre al revés: una plataforma decide qué te enseña primero, qué te oculta y qué interpreta de tu historial. Esto no es conspiración: es diseño. Cuando hay miles de ofertas y millones de usuarios, el sistema necesita priorizar.
La cuestión es que esa priorización cambia la realidad: lo que ves condiciona lo que solicitas, y lo que solicitas condiciona lo que el algoritmo aprende de ti.
2. Tres capas: matching, ranking y descarte
- Matching: intenta emparejar tu perfil con una oferta (habilidades, experiencia, ubicación, salario, disponibilidad).
- Ranking: decide el orden. Lo que aparece arriba recibe casi toda la atención.
- Descarte: elimina opciones por reglas (filtros duros) o por predicciones (probabilidad de que encajes o respondas).
flowchart TD
A[Perfil del candidato] --> B[Señales: CV, clics, búsquedas, candidaturas]
C[Oferta] --> D[Señales: requisitos, empresa, historial de candidatos]
B --> E[Matching]
D --> E
E --> F[Ranking]
F --> G{Reglas de descarte}
G -->|Pasa| H[Te lo muestra]
G -->|No pasa| I[No lo ves]
H --> J[Tu conducta alimenta el sistema]
3. Por qué dos personas “similares” ven oportunidades distintas
Porque “similar” para el algoritmo no es igual que “similar” para un humano. Puede pesar más:
- Qué ofertas sueles abrir (aunque sea por curiosidad).
- Qué salario has mirado, aunque no lo hayas aceptado.
- En qué momento del día buscas (señales de urgencia o estabilidad).
- Tu historial de candidaturas (persistencia, selectividad, tasa de respuesta).
- El comportamiento de gente “parecida” (modelos de usuarios).
Así se crean burbujas: no de opinión, sino de oportunidades. Y si empiezas viendo “X”, tu navegación refuerza “X”.
4. El riesgo estructural: filtros que castigan lo no estándar
Un ranking necesita criterios. Pero la vida laboral real tiene trayectorias raras: parones, cambios de sector, formación tardía, autónomos, cuidados familiares. Un sistema entrenado con patrones “típicos” puede tratar lo distinto como señal de riesgo, aunque sea perfectamente válido.
Esto no requiere mala intención: basta con optimizar por tasas de respuesta, permanencia o “probabilidad de contratación” basada en histórico.
5. Cuadro comparativo: lo que cree el candidato vs lo que hace la plataforma
| Situación | Interpretación del candidato | Interpretación probable del sistema |
|---|---|---|
| Abres muchas ofertas por curiosidad | “Estoy explorando” | “Interés amplio; priorizar categorías que retienen atención” |
| No terminas candidaturas | “Solo miraba” | “Baja conversión; bajar prioridad de ciertas ofertas” |
| Trayectoria con cambios | “He evolucionado” | “Menos parecido a historiales que acabaron en contratación” |
| Buscas salario alto | “Valoro mi trabajo” | “Riesgo de rechazo; mostrar menos ofertas con baja probabilidad” |
| Vives lejos | “Me desplazo” | “Menor probabilidad de aceptar; bajar ranking” |
6. Línea de tiempo: de tablón de anuncios a ranking personalizado
timeline 2000 : Portales de empleo como listados y filtros básicos 2010 : Alertas por correo y categorías; primeras recomendaciones 2015 : Uso de datos de comportamiento (clics, conversiones) 2020 : Matching por habilidades y modelos predictivos 2023 : Integración con perfiles, certificaciones y “señales” externas 2025 : Mayor presión regulatoria y debate sobre transparencia en empleo
7. Implicaciones prácticas (sin trucos mágicos)
- Controla tu intención: si exploras, hazlo con filtros claros para no entrenar tu burbuja solo con curiosidad dispersa.
- Separa perfiles: si cambias de sector, crea señales coherentes (habilidades, palabras clave, proyectos) para no parecer “ruido” estadístico.
- No confíes en “si no lo veo, no existe”: busca también por fuera del feed recomendado.
- Pide trazabilidad cuando haya descarte automático: el problema no es que haya ranking, sino que no haya explicación ni revisión.
Cómo encaja este tema en el contexto actual
El motor inmediato es que la selección ya no empieza con una persona leyendo: empieza con sistemas que puntúan y ordenan, como se ve en la lógica de los filtros automáticos que dejan fuera a gente sin entrevista por reglas rígidas u opacas. Cuando esa capa se combina con recomendaciones, el mercado laboral se te presenta “pre-filtrado”.
La consecuencia más delicada no es solo perder oportunidades, sino perderlas de forma desigual: la misma lógica que parece neutral puede amplificar estereotipos y patrones heredados, como explica por qué una IA puede parecer objetiva y aun así arrastrar sesgos que afectan a quién se ve como “adecuado”. En empleo, eso se traduce en rankings que favorecen trayectorias típicas.
Y el marco para entender por qué esto importa “de verdad” es regulatorio y social: la ley europea de IA y su enfoque en sistemas de alto riesgo ayuda a situar que el problema no es recomendar, sino qué garantías hay cuando un algoritmo influye en acceso al trabajo, transparencia y reclamación.
Comentarios
Publicar un comentario