IA en la planificación de compensación: benchmarking salarial y análisis de equidad salarial

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La IA en la planificación de compensación consiste en usar aprendizaje automático y modelos de lenguaje para cruzar los puestos con datos de pago del mercado, detectar brechas salariales sin explicación dentro de su propia plantilla y modelar escenarios de mérito y presupuesto, de modo que las personas tomen decisiones salariales con mejores pruebas y menos trabajo manual en hojas de cálculo. No decide cuánto cobra nadie. Acelera el análisis en el que se apoyan las decisiones salariales y hace que las brechas sean más difíciles de ignorar.

Esta guía está dirigida a líderes de recursos humanos, gerentes de compensación y total rewards, y socios de finanzas a quienes se les pide hacer más análisis salarial con el mismo equipo. Explica dónde ayuda realmente la IA en el ciclo salarial, qué piden hoy a los empleadores la Directiva de Transparencia Salarial de la UE y las leyes estatales de Estados Unidos, una forma paso a paso de empezar y los errores que causan problemas. Para una visión más amplia de cómo usan la IA los equipos de recursos humanos, empiece por IA en recursos humanos. Si su pregunta es el debate más amplio sobre cómo la IA cambia el valor del trabajo, lea en su lugar la compensación y la equidad en la era de la IA. Este artículo trata sobre el proceso de recursos humanos.

Datos clave

• La Directiva de Transparencia Salarial de la UE (2023/970) exigía a los Estados miembros poner en vigor sus leyes nacionales antes del 7 de junio de 2026, así que el plazo ya venció (EUR-Lex). El avance es desigual entre países, por lo que conviene revisar cada país donde emplee personas.
• Según la Directiva, los postulantes tienen derecho a recibir el salario inicial o su rango, y los empleadores no pueden preguntarles por su historial salarial (EUR-Lex, Artículo 5).
• Los empleadores con 250 o más trabajadores informan su brecha salarial cada año, y el primer informe vence el 7 de junio de 2027. Los empleadores con 150 a 249 trabajadores informan cada tres años a partir de la misma fecha, y los de 100 a 149 trabajadores, desde el 7 de junio de 2031 (EUR-Lex, Artículo 9).
• Se exige una evaluación salarial conjunta cuando el informe muestra una diferencia salarial media de al menos 5% entre mujeres y hombres en alguna categoría de trabajadores que el empleador no puede justificar con criterios objetivos y neutros en cuanto al género y que no ha corregido en seis meses (EUR-Lex, Artículo 10).
• En Estados Unidos, la mediana de ingresos semanales habituales de las mujeres que trabajan a tiempo completo fue 82,0 por ciento de la de los hombres en el segundo trimestre de 2026 (BLS). Esa cifra bruta no es una medida de equidad salarial entre puestos comparables, pero muestra por qué el tema sigue en la agenda.
• La Comisión Europea clasifica como de alto riesgo las herramientas de IA para el empleo y la gestión de trabajadores, con reglas aplicables a esas áreas desde el 2 de diciembre de 2027 (European Commission).

Dónde encaja la IA en el ciclo salarial

En los términos del ACE Framework, la IA de compensación ingiere datos estructurados de nómina, HRIS y encuestas, además de descripciones de puestos no estructuradas, analiza el pago según puesto, nivel, ubicación y desempeño, predice el efecto de distintos escenarios de presupuesto y, cada vez más, genera el primer borrador de las explicaciones que los gerentes deben dar a sus empleados. Es sobre todo un trabajo de puntuación y clasificación aplicado al salario.

El ciclo salarial tiene cuatro puntos donde la IA se gana su lugar.

1. Cruce de puestos y benchmarking. Las encuestas salariales del mercado solo sirven si sus puestos se cruzan correctamente con los de la encuesta. Ese cruce es un trabajo lento y subjetivo: un «Analista Sénior» de su empresa puede estar un nivel por debajo del «Analista Sénior» de la encuesta. Los modelos de lenguaje pueden leer sus descripciones del puesto y sugerir las coincidencias más cercanas, con un nivel de confianza, de modo que un analista de compensación revise sugerencias en lugar de partir de una hoja en blanco. Es la misma capacidad de comprender texto que ayuda a redactar descripciones del puesto con IA.

2. Análisis de equidad salarial. El método estándar es una regresión que explica el salario con factores legítimos como nivel del puesto, ubicación, antigüedad y desempeño, y luego comprueba si el género, la etnia u otra característica protegida sigue explicando una brecha. La IA ayuda con el trabajo pesado: limpiar registros desordenados, agrupar puestos similares, detectar valores atípicos y redactar la narrativa. La estadística sigue necesitando a un analista calificado, y la decisión sobre qué cuenta como factor legítimo requiere a recursos humanos y al área legal.

3. Modelado de mérito y presupuesto. Dado un presupuesto de mérito, una distribución del desempeño y la posición salarial frente al mercado, un modelo puede mostrar qué efecto tienen distintas reglas de asignación: un porcentaje uniforme, una matriz de desempeño, dinero adicional para quienes están muy por debajo del mercado. Los gerentes pueden ver las consecuencias antes de que abra el ciclo, no después.

4. Comunicación y apoyo a los gerentes. Redactar explicaciones de rangos salariales, textos de cartas de oferta y puntos de conversación para gerentes que deben explicar una decisión es una buena tarea para un asistente de IA generativa, siempre que una persona revise cada cifra y un profesional de compensación apruebe la política que se describe.

Ejemplos reales por función

Analista de compensación. Antes de enviar la encuesta anual, un analista tiene 400 puestos internos que cruzar. Un modelo sugiere coincidencias y señala los 60 casos en que la descripción y la coincidencia propuesta no concuerdan. El analista dedica la semana a esos 60 y no a los 400.

Socio estratégico de recursos humanos (HRBP). Durante la planificación, un socio pide ver cómo se comparan las ofertas hechas este año con los empleados actuales del mismo puesto. El modelo señala tres puestos donde los nuevos empleados ganan más que quienes ya hacen el trabajo, un problema clásico de compresión salarial. El socio lo plantea antes del ciclo, cuando todavía hay presupuesto para corregirlo.

Adquisición de talento. Los reclutadores necesitan un rango salarial defendible para cada oferta de empleo, algo que ya se exige en muchos lugares. Una herramienta propone un rango a partir del cruce del puesto con el mercado y de sus bandas salariales internas, y el reclutador lo confirma con compensación.

Socio de finanzas. El CFO pregunta qué efecto tiene un presupuesto de mérito de 3% frente a uno de 4% sobre el costo de la nómina y sobre la proporción de empleados por debajo del punto medio del rango salarial. El modelo de escenarios responde en minutos, y el socio de finanzas puede probar opciones en vivo con recursos humanos.

Legal y cumplimiento normativo. El asesor jurídico usa un análisis de brechas para realizar una auditoría de equidad salarial privilegiada, corregir los problemas reales y preparar los datos que una autoridad o un empleado podrían solicitar más adelante.

Gerente de personas. Un gerente que se prepara para una conversación sobre salario recibe un resumen breve y en lenguaje sencillo de la posición del empleado dentro del rango y de los factores detrás de la recomendación. El gerente sigue siendo responsable de la conversación. Si el resumen no se puede explicar en términos simples, la lógica de fondo no está lista para usarse.

Qué cambia la ley de transparencia salarial

La IA no es la razón por la que el análisis salarial se está volviendo más riguroso. La razón es la ley. Y eso explica por qué muchos equipos están comprando o construyendo estas capacidades ahora.

Unión Europea. La Directiva de Transparencia Salarial fijó el 7 de junio de 2026 como plazo de transposición, y esa fecha ya pasó. El avance es desigual. Algunos países han aprobado leyes completas, otros leyes parciales y otros no han cumplido el plazo, así que todavía no puede suponer que las obligaciones de la Directiva se apliquen igual en todas partes. Lo que no cambia es la dirección: rangos salariales para los postulantes, ninguna pregunta sobre el historial salarial, derechos de los empleados a recibir información sobre los niveles salariales e informes de brecha salarial de género según el calendario anterior, con una evaluación conjunta si persiste una brecha sin explicación de 5% o más. Los empleadores necesitan estructuras de puestos y datos salariales que resistan el escrutinio, y los informes se basan en categorías de trabajadores que realizan un trabajo igual o de igual valor, lo que depende de una arquitectura de puestos limpia.

Estados Unidos. Muchos estados y ciudades exigen rangos salariales en las ofertas de empleo o a petición, y los detalles difieren. La ley de Nueva York, por ejemplo, se aplica a empleadores con cuatro o más empleados y exige un rango de compensación para las vacantes, promociones y traslados designados (New York State Department of Labor). Los umbrales, los empleadores cubiertos y las sanciones varían según el estado y siguen cambiando, así que confirme la norma vigente para cada ubicación con un asesor laboral antes de apoyarse en un resumen.

Qué significa para su proceso. Tres cosas se vuelven más difíciles de evitar: una arquitectura de puestos documentada con niveles y rangos, datos salariales que pueda analizar por puesto y por grupo, y una razón escrita de por qué dos personas similares reciben pagos distintos. La IA puede ayudar con las tres, pero solo si los datos de base son sólidos. Si sus registros son inconsistentes, empiece por los fundamentos de datos de recursos humanos para la IA.

Una comparación práctica: trabajo manual frente a ayuda de la IA

Cómo implementar la IA en la planificación de compensación, paso a paso

1. Empiece por las preguntas que importan. Escriba lo que necesita responder: ¿Cumplimos las normas de transparencia salarial donde contratamos? ¿Dónde están las mayores brechas sin explicación? ¿Qué puestos están más por debajo del mercado? Elija una o dos. Una herramienta sin pregunta produce dashboards en los que nadie actúa.
2. Arregle primero la arquitectura de puestos. La equidad salarial y el benchmarking dependen de comparar cosas equivalentes. Si los títulos del puesto son inconsistentes, defina niveles y familias antes de añadir IA. Los modelos no pueden reparar una estructura que no existe.
3. Audite sus datos salariales. Verifique que el salario base, el bono, los complementos, el grado, la ubicación, la fecha de ingreso, el gerente y la calificación de desempeño se registren de forma consistente para toda la plantilla, incluido el personal a tiempo parcial y por contrato cuando corresponda. Decida cómo convertir monedas y anualizar el salario.
4. Haga un análisis base a mano. Antes de usar IA, haga un análisis sencillo sobre una población, como un solo país, y registre el resultado. Necesitará algo con qué comparar el resultado de la IA.
5. Use la IA para las capas repetitivas. Deje que proponga cruces de puestos, limpie datos y redacte explicaciones. Mantenga el modelado estadístico, la elección de factores y las decisiones finales en manos de personas calificadas.
6. Involucre al área legal desde el principio. Las auditorías privilegiadas de equidad salarial suelen estructurarse a través de un asesor jurídico. Confirme qué puede analizar, cuánto tiempo conservará los datos y quién puede ver los resultados sin procesar.
7. Decida las reglas de corrección por adelantado. Acuerde cómo tratará las brechas que encuentre: qué es explicable, qué se ajusta, con qué presupuesto y en qué plazo. Encontrar una brecha sin plan para corregirla crea su propio riesgo.
8. Haga un piloto en un ciclo. Ejecute el nuevo enfoque en paralelo con el anterior durante un solo ciclo de mérito o de ofertas. Compare resultados, registre dónde se equivocó el modelo y ajuste.
9. Dé a los gerentes una explicación breve y honesta. Cuénteles cómo se generan las recomendaciones, qué pueden modificar y dónde se revisan esas modificaciones. Los gerentes que no confían en las cifras las esquivarán.
10. Revise con un calendario. Repita el análisis en cada ciclo y después de reorganizaciones, adquisiciones u oleadas grandes de contratación. Las brechas vuelven a abrirse a menos que alguien siga vigilando.

Para ver cómo encaja esto con el resto de su trabajo analítico, consulte la analítica de personas y la IA.

Riesgos y límites éticos

El salario es una de las cosas más sensibles que una organización guarda sobre una persona. Conviene trazar algunas líneas antes de que cualquier herramienta vea los datos.

No deje que un modelo fije por sí solo el salario de una persona. Una recomendación está bien. Una decisión salarial automatizada no. En la UE, la IA usada para el empleo y la gestión de trabajadores se clasifica como de alto riesgo, con reglas aplicables a esas áreas desde el 2 de diciembre de 2027, y las normas de protección de datos sobre decisiones basadas únicamente en el tratamiento automatizado ya se aplican. Mantenga a una persona responsable de cada resultado.

Cuidado con los proxies. Un modelo entrenado con salarios pasados puede reproducir inequidades pasadas. Si el salario histórico de puestos similares fue menor para las mujeres o para quienes ingresaron durante una crisis, un modelo que aprende el «salario típico» lo tratará como normal. Variables como los años de experiencia, el empleador anterior, el código postal o las pausas profesionales pueden sustituir a rasgos protegidos. Pruebe los resultados del modelo por grupo antes de usarlos.

Evite el historial salarial como dato de entrada. La Directiva prohíbe preguntarlo a los postulantes, y anclarse en el último salario de un candidato traslada inequidades anteriores a su estructura salarial. Construya las ofertas a partir del puesto, el nivel y el rango.

Mantenga los resultados explicables. Si un gerente o un empleado pregunta por qué una persona gana lo que gana, «lo dijo el modelo» no es una respuesta. Prefiera métodos que pueda describir en lenguaje sencillo.

No confunda la brecha bruta con la brecha ajustada. La cifra de Estados Unidos de 82,0 por ciento compara la mediana de ingresos semanales de todos los trabajadores a tiempo completo. Mezcla diferencias de ocupación, horas y experiencia con cualquier trato desigual dentro de un mismo puesto. El trabajo de equidad salarial examina la brecha ajustada, entre personas comparables, y también por qué las ocupaciones y los niveles se distribuyen como lo hacen. Ambas importan y requieren soluciones distintas.

Errores comunes

• Hacer benchmarking con el corte equivocado de la encuesta. Una gran coincidencia con el sector, el tamaño o la ubicación equivocados sigue dando un rango salarial erróneo.
• Confiar en los cruces de puestos sin revisarlos. Las sugerencias que suenan seguras pueden ser incorrectas, sobre todo en puestos híbridos.
• Realizar una auditoría sin presupuesto de corrección. No se puede desconocer una brecha una vez conocida.
• Tratar el análisis como algo de una sola vez. Las nuevas contrataciones, las promociones y las excepciones reabren brechas en uno o dos ciclos.
• Dejar fuera a los gerentes. Una estructura justa se deshace con excepciones inconsistentes. Las herramientas de autoservicio pueden ayudar a responder preguntas salariales de rutina, pero las delicadas corresponden a personas.

Siguientes pasos

Las decisiones salariales se conectan con el desempeño y con la retención. Si vincula el salario con las calificaciones, lea IA en la gestión del desempeño. Si intenta entender por qué se van las personas y si el salario es un factor, lea predicción de la rotación de empleados con IA. Y para el lado de la nómina, donde el salario aprobado llega realmente a las personas con exactitud, consulte IA en la nómina.