RRHH & IArrhh
Machine learning en RRHH: casos reales y límites legales
Qué tareas de RRHH se resuelven con machine learning, qué herramientas y prompts usar y qué exigen el AI Act y el RGPD antes de automatizar decisiones.
- Autor: humAIns
- 11 min de lectura
índice · 8 apartados
Qué cambia en el perfil de RRHH (y qué no)
El machine learning en RRHH ya no es un experimento de laboratorio: está dentro del ATS que filtra candidaturas, en el informe trimestral de rotación y en la herramienta que prioriza tickets de consultas internas. Lo que cambia para quien trabaja en personas no es que tenga que entrenar modelos, sino que tiene que comprarlos, configurarlos, auditarlos y responder por ellos.
En la práctica, el perfil que se busca en las ofertas de RRHH con componente de datos pide cuatro cosas: saber formular la pregunta correcta, entender qué mide el modelo, detectar cuándo el resultado discrimina y dejar constancia de lo que se hizo. Ninguna de las cuatro es programar.
Y conviene decirlo pronto, porque es la confusión más cara que vemos: machine learning no es lo mismo que IA generativa. Casi todo lo que hoy se vende como "IA para RRHH" es generación de texto; casi todo lo que de verdad decide o prioriza es machine learning clásico. Se confunden, se mezclan en la misma diapositiva y luego se compran mal.
Machine learning, IA generativa y "IA para RRHH" no son lo mismo
| Qué hace | Ejemplo en RRHH | Riesgo principal | |
|---|---|---|---|
| Machine learning supervisado | Aprende de ejemplos históricos y puntúa o clasifica casos nuevos | Priorizar candidaturas, predecir quién se irá, clasificar el motivo de una baja | Reproduce y amplifica sesgos del histórico |
| Machine learning no supervisado | Agrupa casos parecidos sin etiqueta previa | Segmentar plantilla por patrones de absentismo o de movilidad | Grupos sin interpretación útil o con correlaciones espurias |
| IA generativa | Redacta, resume, traduce, conversa | Oferta de empleo, resumen de entrevista, borrador de política interna | Datos personales pegados en una cuenta que no controlas |
| Automatización de reglas | Ejecuta condiciones fijas | Descartar candidaturas sin titulación requerida | Se disfraza de IA y nadie lo audita |
La fila que más se ignora es la última: muchos "motores de IA" son reglas con nombre comercial. No es un problema si lo sabes, porque una regla es explicable y fácil de corregir. El problema es creer que hay un modelo donde hay un si encadenado, y por tanto no revisar nada.
Si dudas de la terminología, el glosario de IA separa estos conceptos sin jerga; y si tu caso es más de redacción que de datos, el punto de partida es otro: cómo usar ChatGPT en el trabajo.
Seis tareas donde el machine learning ya funciona en RRHH
Estas son las que aparecen una y otra vez en proyectos reales, ordenadas de más fácil a más difícil de justificar. Ninguna requiere que construyas el modelo desde cero.
1. Cribado y priorización de candidaturas
El ATS puntúa la adecuación al puesto y ordena la lista. Es la aplicación más común y la más regulada: cae en el anexo III del AI Act y, si la puntuación decide, en el artículo 22 del RGPD.
Herramienta: el módulo de cribado de tu ATS (Workday, SAP SuccessFactors, Teamtailor y similares) o un proveedor especializado. Qué revisar: qué variables entran en la puntuación, si hay variables proxy de discriminación, cuántas candidaturas descarta sin lectura humana y si quien revisa puede apartarse del resultado sin fricción.
2. Predicción de rotación
Un modelo estima la probabilidad de salida por equipo a 6-12 meses. Bien usado, prioriza conversaciones; mal usado, se convierte en una lista de vigilados.
Herramienta: tu herramienta de people analytics o Power BI y Looker Studio sobre exportaciones de RRHH. Qué revisar: que la salida sea probabilidad agregada por equipo, no una etiqueta individual; y que la acción asociada sea de retención, no de exclusión de promociones.
3. Matching interno y movilidad
Cruza perfiles, skills y proyectos para proponer candidatos internos antes de salir a mercado: es de los usos con mejor retorno y menor riesgo reputacional.
Herramienta: módulos de talent marketplace del propio HCM. Qué revisar: que el perfil declarado por la persona pese más que las inferencias del sistema.
4. Previsión de necesidad de plantilla
Modelos de serie temporal para estimar demanda por área, estacionalidad y picos, con datos de negocio y no de personas.
Herramienta: hojas de cálculo con funciones estadísticas, Power BI, o la capa de forecasting de tu ERP. Qué revisar: que las hipótesis de negocio estén escritas y fechadas. Un forecast sin hipótesis no se puede defender en un comité.
5. Absentismo y patrones de baja
Detección de patrones anómalos por turno, unidad o tipo de baja. La frontera legal es fina: analizar patrones está bien; vigilar a personas concretas, no.
Herramienta: analítica de RRHH y el módulo de tiempo del HCM. Qué revisar: que el análisis se haga sobre datos agregados y que no se cruce con datos de salud más allá de lo que exige la gestión de la baja.
6. Escucha del empleado a escala
Clasificar miles de respuestas abiertas de encuestas y tickets internos por tema y urgencia. Es la puerta de entrada más razonable para un equipo pequeño: el dato ya lo tienes y el coste de equivocarse es bajo.
Herramienta: un modelo de lenguaje para clasificar y resumir; Gemini Notebook (antes NotebookLM) para trabajar sobre un corpus acotado de políticas y actas. Qué revisar: que la clasificación se valide contra una muestra leída por personas antes de publicar conclusiones.
Un prompt de clasificación que funciona mejor de lo que parece:
Eres analista de RRHH. Te paso comentarios anónimos de la encuesta de clima.
Clasifica cada uno en una sola categoría: carga de trabajo, liderazgo,
retribución, desarrollo, herramientas, entorno físico, otro.
Devuelve una tabla con: id, categoría, cita textual breve, urgencia (alta/media/baja).
No inventes ids que no aparezcan. Si no puedes clasificar, pon "otro" y explica en una línea.
Y uno para preparar el informe que pide dirección:
Con la tabla anterior, escribe un resumen de 200 palabras para comité de dirección.
Reglas: no cites comentarios que permitan identificar a una persona; agrupa por categoría
con el número de menciones; separa hechos de hipótesis; termina con las tres preguntas
que no se pueden responder con estos datos.
Tabla de decisión: tarea, herramienta y qué revisar
| Tarea | Herramienta típica | Qué revisar antes de usarla |
|---|---|---|
| Priorizar candidaturas | Módulo de cribado del ATS | Clasificación de alto riesgo, información a candidatos, revisión humana efectiva |
| Predecir rotación | People analytics / BI | Agregación por equipo, acción de retención asociada, base jurídica |
| Matching interno | Talent marketplace del HCM | Peso del perfil declarado frente a la inferencia |
| Previsión de plantilla | BI / hoja de cálculo | Hipótesis documentadas y fuente de cada dato |
| Absentismo | Analítica de RRHH y módulo de tiempos | Datos agregados, no vigilancia individual |
| Encuestas abiertas | LLM con corpus acotado | Muestra validada por personas, anonimización previa |
Plan de 30 días para empezar sin comprar nada
Semana 1 — inventario. Haz la lista de las decisiones de RRHH que hoy tomas con una hoja de cálculo y un criterio no escrito: promociones, priorización de candidaturas, asignación de turnos. Elige una sola: si no puedes nombrar la decisión, no es un caso de machine learning.
Semana 2 — datos. Comprueba si los datos existen y con qué calidad: cuántos registros, cuántos huecos, quién los rellena. El cuello de botella de estos proyectos aparece aquí casi siempre.
Semana 3 — prueba con datos históricos. Pide al proveedor o al equipo de datos una validación sobre el pasado: si el modelo hubiera puntuado las candidaturas del año pasado, ¿a quién habría descartado? Revisa esa lista a mano. Es la auditoría más barata que existe.
Semana 4 — papel y decisiones. Escribe en una página: qué decide el sistema, qué decide la persona, qué se informa a la plantilla, dónde queda el registro y cómo se impugna un resultado. Si esa página no existe, el sistema no está listo.
Qué no se delega: legal, ética y datos
Aquí se rompen los proyectos, no en la tecnología. Cuatro fronteras que no se negocian:
1. La decisión con efectos jurídicos. Despido, promoción, acceso al empleo o extinción: la última palabra es de una persona que pueda apartarse del resultado. La AEPD lo recordó en su advertencia de septiembre de 2026: una intervención humana que solo ratifica la puntuación no es intervención humana, y el artículo 22 del RGPD sigue aplicando.
2. Las emociones. Inferir emociones en el lugar de trabajo está prohibido por el artículo 5 del AI Act desde el 2 de febrero de 2025, salvo motivos médicos o de seguridad. Eso incluye el análisis de vídeo en entrevistas para medir "actitud" o "autenticidad". No hay configuración que lo haga legal.
3. El alto riesgo. Los usos de empleo del anexo III (selección, promoción, extinción, asignación de tareas, evaluación del rendimiento) son de alto riesgo. Tras el Reglamento (UE) 2026/1744, sus obligaciones se aplican desde el 2 de diciembre de 2027. Pero lo que ya está en vigor no es opcional: alfabetización en IA (artículo 4), información a la plantilla y a su representación antes del despliegue (artículo 26) y derecho a una explicación sobre el papel del sistema en una decisión adversa (artículo 86). En España, además, el Estatuto de los Trabajadores reconoce el derecho de información y consulta de la representación legal en su artículo 64.
4. Los datos. Minimización, finalidad y base jurídica. Un CV contiene datos identificativos y a veces de salud o discapacidad, que son categoría especial: nada de eso va a una cuenta personal. Si el tratamiento puede entrañar alto riesgo, la evaluación de impacto (artículo 35 del RGPD) va antes, no después.
Qué buscar en un curso de IA para RRHH (criterios honestos)
Cualquier curso enseña a escribir prompts en dos horas. Lo que separa una formación útil de un vídeo motivacional son cinco cosas:
- Quién lo imparte. Alguien que haya trabajado con datos de personas y sepa qué es una evaluación de impacto. Un claustro solo técnico no hablará tu idioma; uno solo divulgativo no resolverá tu problema.
- Marco legal español, no genérico. RGPD, criterios de la AEPD y calendario del AI Act con las fechas vigentes.
- Datos reales, aunque sean tuyos y anonimizados. Un curso que solo trabaja con el dataset de Titanic no te prepara para un ATS.
- Entregables que puedas defender. Un pipeline de cribado documentado, un cuadro de mando con sus hipótesis, un flujo automatizado con su registro. Si no hay entregable, no hay aprendizaje verificable.
- Señales de actualización. Si un curso sigue usando la función
=COPILOT()de Excel como ejemplo, se escribió antes de septiembre de 2026: esa función se retiró el 14 de septiembre de 2026. Es un detalle pequeño y muy revelador.
Y la parte honesta sobre nosotros: el curso IA para RRHH de humAIns cubre IA generativa aplicada a recruitment, screening y onboarding, y people analytics con herramienta de visualización, en 8 semanas y con tres piezas firmadas. Lo que no hace es convertirte en data scientist: no entrenamos modelos desde cero ni enseñamos Python. Si tu objetivo es construir el modelo, este no es el programa; si tu objetivo es decidir, comprar y auditar sistemas de IA en RRHH sin depender de nadie, sí lo es.
Si vienes de cero y aún no tienes claro el mapa general, empieza por la guía para aprender IA desde cero. Y si lo que necesitas es formar a un equipo entero en vez de a ti, el planteamiento es otro: lo tienes en IA para RRHH: cómo formar a tu equipo.
Siguiente paso
Elige una tarea de la tabla de arriba —la más pequeña que tengas— y haz las cuatro semanas del plan con datos reales. Si al llegar a la semana 3 no sabes qué harías con el resultado, el problema no era el modelo.
Si prefieres hacerlo acompañado, el test gratuito de ¿cuánto te queda? te dice en cinco minutos en qué punto estás, y el curso de RRHH arranca con un diagnóstico de tus propios procesos.
Sigue leyendo en humAIns