La conversación sobre igualdad laboral suele centrarse en cultura corporativa, brecha salarial o sesgos humanos en procesos de selección. Pero antes de esto, cada vez más decisiones profesionales pasan primero por un filtro automatizado. Antes de que un reclutador lea un currículum, es probable que un sistema algorítmico ya lo haya evaluado, priorizado o descartado.
El estudio “El espejismo de la IA, un reflejo incómodo con alto impacto en los jóvenes”, elaborado por LLYC, analizó el comportamiento de cinco grandes modelos de lenguaje en 12 países a partir de más de 15 000 respuestas vinculadas a identidad, orientación profesional y toma de decisiones. Entre sus hallazgos más relevantes detectó que, ante perfiles idénticos, cuando los sistemas generan u optimizan currículums con nombres femeninos, asignan automáticamente 0.92 años menos de experiencia relevante y 1.6 años menos de edad respecto a nombres masculinos para el mismo puesto.
La penalización no es simbólica: es técnica. En términos prácticos, significa que una candidata puede ser percibida como menos experimentada sin que exista diferencia real en su trayectoria. Si estos sistemas se integran en filtros de recursos humanos, el encasillamiento en posiciones junior puede producirse incluso antes de la primera entrevista.
El sesgo no termina ahí. También aparece en la fase de orientación profesional. Cuando los jóvenes preguntan por su futuro laboral, los modelos tienden a incentivar a los hombres hacia ingenierías, liderazgo y pensamiento crítico con mayor frecuencia. En cambio, a las mujeres se las dirige hasta tres veces más hacia ciencias sociales y salud. El horizonte masculino se presenta como natural y directo; el femenino, como excepción que requiere advertencias adicionales y mensajes de resiliencia.
A esta asimetría se suma un fenómeno menos visible pero igual de relevante: la adopción diferencial de la propia tecnología. El mismo estudio detecta que, en funciones no técnicas, las mujeres junior tienen 21% menos probabilidad de utilizar herramientas de IA frente a sus pares masculinos. En entornos académicos, el uso reportado también es menor entre mujeres (48 %) que entre hombres (64%).
La causa no es falta de acceso, sino percepción. Muchas jóvenes consideran que usar IA puede comprometer el mérito académico o profesional, mientras que los hombres tienden a verlo como una palanca de productividad. Si la IA se consolida como estándar de eficiencia en el mercado laboral, esta autolimitación puede traducirse en desventaja acumulativa.
La automatización promete objetividad. Pero cuando los sistemas se entrenan con datos históricos donde ya existían brechas, pueden amplificar desigualdades en lugar de corregirlas. Penalización de experiencia femenina, orientación vocacional asimétrica y menor adopción tecnológica configuran una arquitectura nueva de la desigualdad: más invisible, más eficiente y más difícil de detectar.
No todos los modelos presentanel mismo nivel de sesgo, lo que demuestra que no se trata de una fatalidad técnica sino de una variable de diseño. La cuestión ya no es si la IA es neutral –que no lo es–, sino bajo qué criterios se entrena y audita.
Durante décadas, el techo de cristal fue una metáfora para describir barreras invisibles en la carrera profesional de las mujeres. Hoy esa barrera puede estar escrita en código. Y si no se revisa, podría consolidar desigualdades de una manera nunca antes vista.