Prompt engineering para RRHH y selección de personal

Un anuncio de trabajo que suena a plantilla, una batería de preguntas de entrevista improvisada la noche antes o un acta de la reunión de selección que nadie vuelve a mirar: son tareas de escritura y de organización, y es ahí donde un chat de IA generativa rinde de verdad en un departamento de RR. HH. No hace falta integrar ningún sistema de onboarding ni montar un cuadro de mando: es la propia persona de RR. HH. escribiendo mejor y más rápido, con el mismo chat que ya usa el resto de la empresa.

Este artículo trae patrones de instrucciones reutilizables para las tareas de escritura más habituales de un departamento de personas. Y una advertencia que no es un matiz al final, sino el motivo por el que este artículo distingue tan claramente entre redactar y decidir: usar IA generativa para cribar currículums o para decidir automáticamente quién avanza en un proceso de selección es un riesgo real y ya documentado, no una posibilidad remota.

Dos avisos previos. El primero: lo que sigue es orientativo y no es asesoramiento legal; hay referencias a la norma europea porque son inevitables en este terreno, pero para saber qué obligaciones concretas alcanzan a vuestro proceso de selección la consulta va a un asesor jurídico con el caso delante. El segundo: aquí se cuenta qué puede hacer una persona de RR. HH. con un chat, no cómo se consigue que lo haga todo el departamento con el mismo criterio; esa segunda pregunta —a quién se forma, con qué reglas y cómo se comprueba después— está en cómo formar al equipo de RR. HH. en IA.

1. Redactar una oferta de empleo a partir de notas

El punto de partida casi nunca es un texto limpio: es un correo del responsable del área con cuatro ideas sueltas sobre el puesto. Convertir eso en una oferta publicable es justo el tipo de tarea donde un chat ahorra tiempo de verdad.

«Voy a darte notas desordenadas sobre un puesto de [perfil]. Redacta una oferta de empleo con esta estructura: qué se ofrece, responsabilidades principales, requisitos imprescindibles y requisitos valorables, en un tono profesional y sin lenguaje grandilocuente. No añadas ningún requisito, beneficio o cifra que no esté en mis notas.»

La última frase no es un adorno: sin ella, es habitual que la herramienta rellene huecos con requisitos que suenan razonables pero que nadie ha decidido, como una franja de años de experiencia o un nivel de idioma que el puesto no exige de verdad.

Revisa: que ningún requisito apunte a algo que no tiene relación con el desempeño del puesto —edad, situación personal, apariencia, lugar de residencia sin justificación operativa—, aunque el modelo lo haya «deducido» de tus notas con buena intención.

2. Generar preguntas de entrevista para un perfil concreto

Preparar un cuestionario de entrevista desde cero cada vez es donde más se nota la falta de tiempo, y donde un patrón de prompt reutilizable ahorra más.

«Voy a entrevistar a un candidato para el puesto de [perfil]. A partir de esta descripción del puesto, prepárame diez preguntas de entrevista que evalúen [competencias concretas], ordenadas de menos a más específicas. No incluyas preguntas sobre situación personal, familiar, de salud o edad.»

Pedirle explícitamente que evite esas preguntas ayuda, pero no basta como garantía. Conviene revisar cada pregunta, una por una, antes de la entrevista: un modelo de lenguaje puede generar preguntas que suenan neutras en la superficie y que en la práctica presionan igualmente hacia información protegida —planes de conciliación, situación familiar, una discapacidad no declarada— porque las ha aprendido de patrones de entrevistas reales que sí las incluían. La revisión humana del cuestionario completo no es un trámite: es la única garantía real de que nadie va a hacer, con buena fe, una pregunta que no debería hacerse.

La mejora más útil suele ser justamente esta: transformar una descripción de puesto y una rúbrica explícita en preguntas de entrevista comparables entre candidatos. Funciona mejor que pedir «dime cuál es el mejor CV», porque obliga a RR. HH. a decidir primero qué competencias busca. El modelo ayuda a estructurar y documentar, no a tomar una decisión automática sobre personas.

Revisar pregunta por pregunta antes de la entrevista es exactamente el tipo de criterio que no se adquiere leyendo una lista de patrones, sino practicándolo sobre las ofertas y los cuestionarios reales del propio departamento, que es lo que se trabaja en el curso de prompt engineering. Si el punto que más te preocupa es hasta dónde puede llegar la IA generativa en vuestro propio proceso de selección, cuéntame el caso y lo repasamos con las preguntas que ya usáis.

3. Estructurar el resumen de una entrevista ya realizada

Después de una entrevista quedan notas tomadas a mano, con prisa, que hay que convertir en algo que el resto del comité de selección pueda leer sin haber estado en la sala.

«Te paso mis notas de la entrevista con un candidato para el puesto de [perfil]. Estructura un resumen con estos apartados: experiencia relevante para el puesto, respuestas a las preguntas clave, dudas o puntos a aclarar en una segunda entrevista, y mi valoración, tal y como la he escrito, sin suavizarla ni reforzarla. No añadas ninguna valoración que no esté en mis notas.»

Aquí el riesgo no es que invente datos del candidato —si se le da el material completo, no debería—, sino que reescriba la valoración en un tono distinto al que quien entrevistó quiso darle: más entusiasta de lo que era, o más crítico.

Revisa: que la valoración final sea la tuya, no una versión editorial del modelo. Es el apartado del resumen que más pesa en la decisión, y el que menos debería tocar la herramienta.

4. Redactar comunicaciones internas: bienvenida y cambios de política

Dos casos que se repiten en cualquier departamento de personas, con la misma lógica de fondo: dar el contexto y prohibir explícitamente que se invente nada.

Correo de bienvenida a una incorporación:

«Redacta un correo de bienvenida para [nombre], que se incorpora el [fecha] al puesto de [puesto] en el equipo de [equipo]. Tono cercano y profesional, máximo doce líneas, e incluye estos datos: [horario, persona de contacto, primer día]. No inventes ningún dato que no te haya dado.»

Comunicación de un cambio de política interna:

«Redacta una comunicación interna anunciando este cambio: [describe el cambio]. Explica el motivo, a quién afecta y desde cuándo se aplica, en un tono directo y sin adornos. No prometas nada sobre el resto de condiciones que no haya mencionado.»

Revisa: que el tono no suavice una noticia que en la práctica es una reducción —menos días de teletrabajo, un horario menos cómodo—. La plantilla nota enseguida cuándo un mensaje maquilla algo, y es justo el matiz que a un modelo entrenado para sonar amable le cuesta respetar si no se le pide expresamente.

El riesgo real: sesgo algorítmico en selección de personal

Todo lo anterior son tareas de redacción: el resultado lo revisa una persona antes de enviarlo, y si algo falla, se corrige a mano. La frontera cambia por completo en el momento en que la IA deja de ayudar a escribir y empieza a decidir, o a influir de forma determinante, sobre quién avanza en un proceso de selección.

Cribar currículums de forma automática, puntuar candidaturas o filtrar quién pasa a la siguiente fase con un sistema de IA generativa puede introducir o amplificar sesgos que no siempre son visibles a primera vista. El mecanismo más habitual es el más intuitivo: si se le pide a un sistema que aprenda de las contrataciones pasadas de la empresa, o que las use como referencia de qué perfil «funciona», puede reproducir exactamente los sesgos históricos que hubiera en esas contrataciones, aunque nadie los haya puesto ahí a propósito.

El caso más citado en este debate, y ya bastante conocido, es el de Amazon. La compañía desarrolló entre 2014 y 2017 una herramienta experimental para puntuar currículums de perfiles técnicos, entrenada con diez años de currículums recibidos por la empresa. Como el sector tecnológico llevaba una década contratando mayoritariamente hombres, el sistema aprendió a penalizar currículums que incluían términos asociados a mujeres —por ejemplo, la palabra «women’s» en el nombre de una asociación o un club universitario— y a preferir un lenguaje más «masculino». Amazon lo detectó, intentó corregirlo y finalmente retiró la herramienta al no poder garantizar que no encontrara otras formas indirectas de discriminar. La cobertura de MIT Technology Review lo resume así: el sistema «había desarrollado una preferencia por los candidatos varones en puestos técnicos» precisamente porque aprendió de un histórico dominado por hombres.

La lección no es que la tecnología de aquel caso concreto fuera mala, sino que el mecanismo es estructural: cualquier sistema que aprenda «qué perfil contratamos habitualmente» hereda los sesgos de ese habitualmente, y los aplica con una apariencia de objetividad que los hace más difíciles de cuestionar que el criterio, también imperfecto, de una persona.

Trabajando con datos, esto no sorprende: un modelo entrenado con un histórico sesgado reproduce ese sesgo con la misma seguridad con la que reproduce cualquier otro patrón, porque no distingue entre «esto es una correlación real» y «esto es una correlación que no deberíamos repetir». No hace falta mala intención en nadie del equipo técnico para que ocurra: basta con no revisar qué hay en los datos de partida.

La recomendación honesta, y la que sostiene todo lo que se ha propuesto en este artículo, es esta: usar la IA generativa para ayudar a redactar y a organizar —ofertas, preguntas, resúmenes, comunicaciones—, nunca para decidir automáticamente sobre personas. Ninguna candidatura debería avanzar o descartarse por la puntuación de un sistema sin que alguien, con nombre y con responsabilidad, haya revisado ese caso concreto. La supervisión humana directa y caso por caso no es un adorno de compliance: es lo único que impide que un sesgo histórico se repita a escala y con apariencia de neutralidad.

Qué dice el marco europeo

Conviene situarlo, aunque sea brevemente. El Reglamento europeo de inteligencia artificial —el Reglamento (UE) 2024/1689— clasifica como de alto riesgo los sistemas destinados al empleo y a la gestión de trabajadores. No es una lectura interpretativa: la página de la Comisión Europea sobre el marco regulador de la IA lista entre los usos de alto riesgo las «herramientas de IA para el empleo, la gestión de trabajadores y el acceso al trabajo por cuenta propia», y pone como ejemplo explícito el software de clasificación de currículums para procesos de contratación. Qué obligaciones concretas se derivan de esa clasificación, y a partir de cuándo, es terreno de asesoramiento jurídico y no lo resuelve este artículo. Eso no significa que estén prohibidos, sino que su uso exige un nivel de documentación, control y supervisión humana muy por encima de lo que hace falta para pedirle a un chat que redacte una oferta o unas preguntas de entrevista. No entro aquí en los detalles técnicos de esas obligaciones porque no es el terreno de este artículo; lo relevante para RR. HH. es que la frontera entre «ayudar a redactar» y «decidir sobre personas» no es solo buena práctica: la norma europea ya la trata como dos cosas distintas.

Cómo se junta todo esto

Los cuatro primeros patrones son tareas de escritura que cualquier persona de RR. HH. puede aplicar hoy mismo, revisando el resultado antes de usarlo. El quinto punto es el límite que las hace seguras: mientras la IA redacta y una persona decide, el riesgo se queda en quien firma; en cuanto un sistema decide por su cuenta sobre una candidatura, ese riesgo cambia de naturaleza.

Y una cosa es que estos patrones estén escritos y otra que los cuatro o cinco puestos del departamento los usen igual. Repartir quién se forma en qué, fijar la regla de anonimización antes del primer ejercicio y volver semanas después a ver qué ha cuajado es el trabajo que describe formar al equipo de RR. HH. en IA.

Estos patrones —contexto, rol, formato de salida y la instrucción de no inventar ni suponer— son transversales a cualquier tarea de oficina, no solo a RR. HH.; se trabajan con ejercicios sobre vuestros propios casos en el curso de prompt engineering. Y si lo que hace falta antes es decidir, a nivel de dirección, qué herramientas se autorizan en selección de personal y con qué reglas, esa conversación se trabaja en la mentoría en IA para directivos.

Este artículo forma parte del índice IA por profesión: si tu actividad es otra, ahí puedes ver cómo cambia el enfoque en otros sectores.

Si en tu empresa el criterio de qué se puede pegar en un chat y qué no todavía no está por escrito, ese documento es el paso previo a cualquiera de los patrones de este artículo: está desarrollado en política de uso de IA en la empresa. Y si quieres revisar con calma cómo encaja todo esto en vuestro proceso de selección, escríbeme y buscamos media hora y lo vemos con vuestro caso.