IA generativa para equipos de recursos humanos: usos prácticos del día a día

Por Kevin Kim · Actualizado el 11 de octubre de 2026

La IA generativa para equipos de recursos humanos consiste en usar modelos de lenguaje para redactar y resumir el texto que recursos humanos produce todo el día, como políticas, comunicaciones a los empleados, descripciones del puesto, guías de entrevista y notas de reuniones, con una persona que lo revisa todo antes de que salga del equipo. Es una herramienta de redacción y resumen, no un decisor. El valor está en el tiempo que se ahorra en los primeros borradores. El riesgo está en lo que se pega y en lo que se publica sin leer.

Esta guía está dirigida a CHRO, directores de recursos humanos y gerentes de recursos humanos que quieren que sus equipos usen bien las herramientas, en lugar de prohibirlas o dejar que cada uno improvise. Para el panorama más amplio de dónde encaja la IA en las operaciones de personas, empiece por la IA en recursos humanos. Esta página se centra en el trabajo diario de redactar y resumir.

Datos clave

• En la encuesta de enero de 2024 de SHRM a 2366 encuestados de recursos humanos de EE. UU., el 65% de las organizaciones que usan IA para el reclutamiento dijo que la usa para generar descripciones del puesto, y el 42% para personalizar las ofertas de empleo (SHRM, abril de 2024).
• Poco menos de la mitad de las organizaciones tienen políticas formales de IA, y muchas de ellas están poco desarrolladas, según una investigación de SHRM resumida en abril de 2026 (SHRM, "AI in HR 2026").
• El 78% de los usuarios de IA en el trabajo lleva sus propias herramientas de IA, según la encuesta de Microsoft a unos 31 000 trabajadores del conocimiento en 31 mercados (Microsoft Work Trend Index, 2024).
• En un estudio de la University of Washington con tres modelos de lenguaje que compararon más de 550 currículums, los modelos favorecieron los nombres asociados con personas blancas el 85% de las veces y nunca favorecieron los nombres de hombres negros sobre los de hombres blancos (UW News, octubre de 2024).
• Un estudio de Stanford encontró que los chatbots de uso general tuvieron alucinaciones entre el 58% y el 82% de las veces en consultas jurídicas, e incluso las herramientas creadas específicamente para la investigación jurídica se equivocaron en más del 17% de las respuestas (Stanford HAI, 2024).

Lo que la IA generativa hace bien en recursos humanos

La IA generativa produce texto nuevo a partir de patrones que aprendió durante el entrenamiento. Pídale un primer borrador de un correo de incorporación (onboarding) y le dará algo verosímil en segundos. Ese es todo el truco, y es más útil de lo que parece, porque gran parte del trabajo de recursos humanos es escribir.

En términos del ACE Framework, casi todo lo que sigue es la capacidad Generate, a veces combinada con Ingest (leer un documento que usted le da) y Analyze (resumir o comparar). Dos patrones cubren casi todos los casos:

• Investigación generativa: usted le pide al modelo que explique, esboce o compare algo para partir de un borrador en lugar de una página en blanco. Ejemplo: «Esboce las secciones principales que suele cubrir una política de trabajo remoto».
• Copiloto de flujo de trabajo: el modelo se integra en una tarea que usted ya hace y acelera un paso. Ejemplo: resumir un hilo largo de correos antes de responder.

Ambos patrones comparten una regla. El modelo produce un borrador, y una persona responsable lo convierte en la versión final. Si quiere un estándar para el equipo, esa es la frase que debe encabezarlo. El tratamiento más extenso de esta idea está en human-in-the-loop.

Lo que hace mal importa igual. No conoce las políticas reales de su empresa, las normas vigentes de su jurisdicción ni a sus empleados. Puede sonar completamente seguro y estar equivocado. Y no se le puede pedir cuentas de nada, lo que significa que se las piden a usted.

Tareas cotidianas, reglas de revisión y qué nunca pegar

Esta tabla es la parte que conviene imprimir y colgar. Cada fila empareja una tarea habitual de recursos humanos con la forma en que la IA generativa ayuda, la verificación que una persona debe hacer antes de usar el resultado y la información que nunca va en un prompt (instrucción).

Unas notas sobre cómo leerla.

La columna «Nunca pegar» sigue una sola prueba. ¿Le resultaría cómodo ver este texto en los registros del proveedor, o en la pantalla de una persona ajena? Si un prompt contiene a un empleado identificable más algo privado sobre él, la respuesta es no. Reemplace los nombres por puestos («una persona del equipo de ventas») y elimine cualquier cosa del contexto que pueda identificar a alguien.

Trate por defecto como intocable la información de salud, licencias médicas y discapacidad. Los datos de salud son una categoría especial según la legislación de protección de datos en muchas jurisdicciones. El GDPR, por ejemplo, dice que las categorías especiales de datos personales no deben tratarse salvo que el reglamento lo permita en casos específicos (GDPR, considerando 51). Su propia jurisdicción puede tener sus propias normas, así que consulte con asuntos legales antes de cualquier excepción.

Los detalles de las investigaciones se quedan fuera por completo. La confidencialidad es una promesa a quienes plantearon las inquietudes y a las personas acusadas. Una herramienta de resumen integrada en su sistema aprobado de recursos humanos puede ser aceptable según su política. Un chatbot público no lo es.

Los datos salariales son una categoría aparte. La compensación individual, los rangos en negociación y las concesiones de acciones solo deben ir a herramientas que su empresa haya aprobado para ese fin.

Ejemplos de prompts que puede adaptar

Los buenos prompts dan al modelo un rol, el contexto, el formato y las restricciones. Estos son ejemplos para adaptar, no guiones para copiar. Encontrará más sobre el oficio en ingeniería de prompts.

Borrador de política (sin datos sensibles): «Redacte una política de trabajo remoto de una página para una empresa de software de 300 personas con empleados en dos países. Cubra la elegibilidad, el equipo, el horario laboral, las expectativas de seguridad y cómo se aprueban las excepciones. Use lenguaje claro, con un nivel de lectura de octavo grado. Marque con [REVISIÓN LEGAL] cualquier sección en la que la ley local pueda diferir».

Guía de entrevista: «Cree seis preguntas de entrevista conductual para un líder de equipo de atención al cliente. Para cada una, indique qué muestra una respuesta sólida y qué muestra una débil. Las preguntas deben relacionarse solo con las funciones del puesto. No pregunte por la edad, la familia, la salud ni el origen».

Reescritura de una descripción del puesto: «Reescriba esta descripción del puesto para que cada requisito sea verdaderamente necesario para el trabajo. Separe lo indispensable de lo deseable. Señale la redacción sesgada por género o excluyente y proponga alternativas neutrales».

Resumen de reunión a partir de sus propias notas: «Estas son mis notas de una reunión de planificación del equipo, con los nombres reemplazados por puestos. Resuma en cinco viñetas y luego enumere las acciones con responsable y fecha límite. Si falta una fecha o un responsable, escriba "no indicado" en lugar de adivinar».

Borrador de preguntas frecuentes a partir del texto de una política aprobada: «Usando únicamente el texto de la política que aparece abajo, redacte respuestas a estas cinco preguntas de empleados. Si la política no responde una pregunta, dígalo en lugar de inventar algo».

Observe el patrón en los dos últimos. Indicar al modelo que diga «no indicado» o que use «únicamente el texto de la política que aparece abajo» reduce, pero no elimina, el contenido inventado. Aun así, usted lee el resultado frente a la fuente.

Los cuatro errores que conviene evitar

Alucinación

Los modelos generan texto fluido sea cierto o no. La alucinación de la IA aparece en recursos humanos como una cita jurídica inventada en el borrador de una política, una regla de beneficios fabricada en unas preguntas frecuentes o un resumen de reunión que añade una decisión que nadie tomó.

Las cifras no son pequeñas. Investigadores de Stanford encontraron que los chatbots de uso general tuvieron alucinaciones entre el 58% y el 82% de las veces en consultas jurídicas, y que las herramientas creadas específicamente para la investigación jurídica aun así produjeron información incorrecta en más del 17% de las respuestas (Stanford HAI). Eso es investigación jurídica, no redacción de recursos humanos, así que no lo lea como una tasa de error de recursos humanos. Léalo como una advertencia sobre todo lo cercano a lo jurídico.

Las consecuencias recaen en el empleador. En 2024, un tribunal de Columbia Británica declaró a Air Canada responsable de la información errónea sobre reembolsos que el chatbot de su sitio web dio a un cliente, y rechazó el argumento de que el chatbot era una entidad separada (McCarthy Tétrault). No era un caso de recursos humanos, pero el principio se traslada. Si unas preguntas frecuentes redactadas con IA le dicen algo incorrecto a un empleado sobre la licencia parental, «lo escribió la IA» no será una gran defensa.

La solución es una regla de revisión con un nombre propio. Todo documento asistido por IA tiene un responsable que lo lee, comprueba los hechos y las cifras con la fuente y lo aprueba.

Sesgo en el texto generado

Los modelos de lenguaje aprenden de la escritura humana, y la escritura humana tiene sesgos. El efecto es más claro cuando se les pide juzgar a personas. En el estudio de la University of Washington, tres modelos de lenguaje compararon más de 550 currículums con más de 500 ofertas de empleo, variando los nombres para indicar raza y género. Los modelos favorecieron los nombres asociados con personas blancas el 85% de las veces, favorecieron los nombres asociados con hombres el 52% de las veces frente al 11% de los asociados con mujeres, y nunca prefirieron los nombres de hombres negros sobre los de hombres blancos (UW News).

Ese estudio puso a prueba el ranking de currículums, que es una tarea de decisión. La redacción cotidiana tiene menos riesgo, pero las mismas tendencias pueden filtrarse en anuncios de empleo, borradores de retroalimentación sobre el desempeño y preguntas de entrevista. Un modelo al que se le pide redactar un anuncio para un «rockstar» o un «nativo digital» puede reproducir una redacción excluyente sin que nadie lo note.

Dos reglas prácticas ayudan. Primero, no use herramientas generativas de uso general para ordenar, puntuar o filtrar a candidatos o empleados. Esos usos están cubiertos por la legislación laboral y, en algunos lugares, por normas específicas de auditoría y aviso, y pertenecen a un proceso gobernado (consulte el sesgo en la IA y la gobernanza de la IA). Segundo, para cualquier texto sobre personas, como anuncios de empleo, retroalimentación o preguntas de competencias, haga una revisión deliberada de la redacción cargada antes de publicar.

Confidencialidad

La confidencialidad es el ámbito en el que recursos humanos tiene menos margen de error que casi cualquier otra función. Usted guarda los datos más sensibles de la empresa: salud, salarios, circunstancias familiares, quejas. Todo lo que se escribe en una herramienta pública puede almacenarse, revisarse o usarse según las condiciones de ese proveedor, y no se puede recuperar.

Las protecciones más sencillas son sobre todo de política y no de tecnología:

• Nombre las herramientas aprobadas y para qué está aprobada cada una.
• Publique la lista de lo que nunca se pega de la tabla anterior, adaptada a su organización.
• Prefiera herramientas empresariales que mantengan sus datos fuera del entrenamiento de modelos y le den controles de administración, y lea lo que dice realmente su contrato.
• Anonimice por defecto. Puestos en lugar de nombres. Rangos en lugar de salarios. Fechas generalizadas.

Si su empresa opera en la UE o el Reino Unido, involucre pronto a su delegado de protección de datos. Querrá saber qué datos personales llegan a qué herramienta.

IA en la sombra (shadow AI)

La IA en la sombra (shadow AI) es el uso por parte de los empleados de herramientas de IA que la empresa no ha aprobado. En recursos humanos, a menudo empieza con buenas intenciones: alguien va retrasado con la reescritura de una política y abre un chatbot gratuito.

Es muy común. El Work Trend Index 2024 de Microsoft encontró que el 78% de los usuarios de IA lleva sus propias herramientas de IA al trabajo, en una encuesta a unos 31 000 trabajadores del conocimiento (Microsoft Work Trend Index). Suponga que su equipo de recursos humanos no es la excepción. Nuestra página sobre la IA en la sombra profundiza en el tema.

Una prohibición rara vez funciona, porque las personas siguen usando las herramientas en silencio y dejan de contárselo. Lo mejor es ofrecer una opción autorizada que sea lo bastante buena, una política breve que puedan recordar y una forma segura de preguntar «¿esto está bien?». Sin eso, las herramientas pasan a la clandestinidad.

Cómo fijar reglas que su equipo cumpla

El resumen de la investigación de SHRM de abril de 2026 informa que poco menos de la mitad de las organizaciones tienen políticas formales de IA y muchas están poco desarrolladas, que TI suele impulsar las iniciativas de IA y que menos de la mitad de las funciones de recursos humanos participan de algún modo en la estrategia de IA (SHRM). Recursos humanos tiene un lugar que reclamar aquí, porque están en juego los datos y los empleados de recursos humanos.

Un estándar de equipo útil cabe en una página:

1. Herramientas aprobadas. Enumérelas e indique para qué puede usarse cada una.
2. Lista de lo que nunca se pega. Datos personales, datos de salud, detalles de investigaciones, datos salariales, materiales de candidatos, decisiones aún no anunciadas.
3. Regla de revisión. Todo resultado asistido por IA tiene un responsable humano identificado que verifica los hechos antes de usarlo.
4. Divulgación. Decida cuándo debe informarse a los empleados o a los candidatos de que la IA ayudó, y dígalo con claridad.
5. Ninguna decisión por prompt. Las herramientas generativas redactan y resumen. No ordenan candidatos, no califican el desempeño ni recomiendan sanciones.
6. Escalamiento. Indique a quién consultar cuando un caso no esté claro y quién gestiona un incidente si por error se pegó algo sensible.

Combine el estándar con una capacitación breve. SHRM informa que, entre las organizaciones que usan IA en recursos humanos, casi el 30% había capacitado o mejorado las habilidades de sus empleados para trabajar junto a la IA (SHRM, abril de 2024), lo que deja a la mayoría de los equipos sin ella. Una sesión de una hora con ejemplos reales de buenos y malos prompts sirve más que un documento de política extenso.

Cómo empezar sin crear un desorden

No lance diez casos de uso a la vez. Elija dos o tres tareas de bajo riesgo y alto volumen y ejecútelas durante un mes.

1. Elija tareas sin datos sensibles. Los borradores de descripciones del puesto, los esquemas genéricos de políticas y los correos de incorporación son buenos puntos de partida.
2. Fije primero la regla de revisión. Decida quién aprueba cada tipo de resultado antes de escribir el primer prompt.
3. Arme una pequeña biblioteca de prompts. Cuando alguien escriba un prompt que funcione, guárdelo, con sus restricciones, para que otros no partan de cero.
4. Haga seguimiento de medidas simples. Las horas ahorradas en primeros borradores, el número de ediciones que hacen los revisores y los errores detectados antes de publicar. Estas medidas le dicen si la herramienta ayuda y dónde falla.
5. Añada casos de uso poco a poco. Pase a trabajo de mayor riesgo, como las relaciones con los empleados, solo con herramientas y aprobaciones que se correspondan con el riesgo.

Los equipos suelen descubrir que la mayor ganancia no es la velocidad. Es la coherencia: un lenguaje de políticas que coincide entre documentos, anuncios de empleo que siguen un único formato, preguntas frecuentes que usan los mismos términos que el manual.

Dónde encaja en el panorama general

La redacción cotidiana es el punto de entrada más fácil a la IA en recursos humanos porque el riesgo es contenible y el beneficio se ve pronto. También es la base de los pasos posteriores. Un equipo que ha aprendido a revisar los resultados, proteger los datos y mantener responsables a las personas está mejor situado para asumir trabajo más riesgoso, como el filtrado o la analítica asistidos por IA. Un equipo que no ha aprendido esos hábitos arrastrará las carencias consigo.

Mantenga el principio simple. La IA generativa redacta. Las personas deciden. Y lo que no pondría en un correo a un desconocido no va en un prompt.