Implementación de herramientas IA en el ámbito de la selección pública

👂 Versión PODCAST elaborada con IA a partir del texto de esta entrada. (Gemini Notebook) 👂

La selección de personal en el sector público sufre desde hace décadas procesos eternos, cargas burocráticas ingentes, pruebas memorísticas desconectadas del puesto de trabajo y órganos de selección desbordados.

Cuando se habla de introducir Inteligencia Artificial (IA) en este ámbito, es habitual que surjan dos posturas extremas: el escepticismo temeroso que atisba la deshumanización del acceso al empleo público o el tecnooptimismo ingenuo que pretende delegar la decisión de nombrar funcionarios en un algoritmo.

Como siempre, la virtud se encuentra en el centro. Las herramientas de IA son eso: herramientas. Pueden facilitar el trabajo y ser una excelente ayuda, pero plantear la IA como sustituta de un órgano de selección no es viable ni técnica ni jurídicamente. La selección de personal, por mucho que se quiera simplificar y reducir a una prueba de conocimientos, es un reto técnicamente muy complejo y altamente conflictivo.

La alternativa intermedia es adoptar la tecnología como lo que es: un asistente, un copiloto técnico que facilita la gestión de información y una herramienta de apoyo capaz de asumir la carga repetitiva y analítica, liberando tiempo y criterio humano para lo que verdaderamente importa: evaluar el talento con imparcialidad, rigor y garantías.

El principio infranqueable: La «reserva de humanidad»

Conviene dejar claro el marco conceptual y normativo desde el primer minuto. El Reglamento Europeo de Inteligencia Artificial (AI Act) clasifica expresamente los sistemas de IA destinados a la selección de personal y la evaluación de candidatos como sistemas de alto riesgo.

Esto exige que cualquier solución implantada en la Administración cumpla con estrictos estándares de transparencia, explicabilidad, trazabilidad y ausencia de sesgos. En el empleo público, el principio constitucional de acceso en condiciones de igualdad, mérito y capacidad exige mantener una reserva de humanidad (human-in-the-loop):

• La IA propone, analiza y genera borradores.

• El órgano de selección o la unidad administrativa decide, valida y firma.

La IA a lo largo del ciclo de vida del proceso selectivo.

El verdadero impacto de la IA se centra en su poder para optimizar muchas de las fases del proceso, desde el diseño hasta la incorporación al puesto. El resultado de su correcta utilización debe llevarnos a una mejora en los tiempos de ejecución y a una mayor calidad en el resultado.

A continuación, enumero posibles aplicaciones de la IA —en su versión 2026— en 11 fases diferentes del proceso de selección:

Algunas aplicaciones prácticas de la IA en el entorno de la selección de personal.

• 1. Definición del perfil profesional: 
• Diseño y mejora en la descripción del perfil del puesto. Confección de una ficha en la que aparezcan redactadas de forma ordenada requisitos de acceso, funciones, competencias, conocimientos.
• 2. Diseño de bases:
• Asistencia en la redacción de las bases generales: Revisión de bases, incorporar mejoras (IA o de otras bases de referencia), detectar errores, incongruencias, inexactitudes tanto técnicas como de redacción.
• Asistencia en la redacción de las bases específicas: Diseño de temarios.
• 3. Difusión y atención al candidato: 
• Asistentes virtuales (chatbots 24/7) capacitados con la convocatoria y temarios. 
• Accesibilidad: Generar bases en formato lectura fácil.
• 4. Revisión de solicitudes y generación de listas de admisión.
• Si no se dispone de sistemas automatizados para comprobar requisitos con, por ejemplo, la carpeta ciudadana podría recurrirse a la IA para que compruebe con la documentación incorporada al expediente por los aspirantes el cumplimiento de los requisitos. (ojo con la Protección de datos personales, usar IA en entornos protegidos).
• 5. Generación de actas de Tribunal:
• Transcripción de las reuniones de un Tribunal. (De voz a texto)
• Realizar propuesta de acta de una sesión a partir de las transcripciones y/o grabaciones de la sesión.
• 6. Diseño de pruebas:
• Generar exámenes (con plantilla de respuesta o con rúbricas de evaluación detalladas):
• Generación de bancos de preguntas tipo test (enunciados con alternativas de respuesta).
• Generación de preguntas de respuesta corta.
• Generación de supuestos prácticos.
• Entrevistas: Diseño de modelos de evaluación (Competencias a evaluar, graduación de la evaluación, anclajes conductuales asociados a los grados..).
• Defensa de proyectos: Diseño de modelos de evaluación (Elementos a valorar, graduación del nivel de calidad, anclajes o referencias para su valoración.).
• Mejora de la calidad de los textos y traducciones:
• Revisión de calidad de los exámenes antes de su impresión/traducción. (Homogenizar textos, detectar errores ortográficos, sintácticos, semánticos…).
• Traducción automatizada de exámenes (exámenes bilingües). Sistema de retrotraducción. A revisar por el Tribunal o persona experta en traducción.
• 7. Corrección de ejercicios:
• Lectura de hoja de respuestas tipo test, sustituyendo a los sistemas actuales de lectura óptica mediante máquinas específicas.
• Lectura de marcas ópticas o manuales y conversión a respuestas (DNI - Modelo - A, B, C, D). 
• Aplicación de la plantilla de respuestas (aciertos, errores, blancos, nulos).
• Cálculo de las puntuaciones directas obtenidas.
• Cálculo de la puntuación de la prueba según valor de la misma en las bases. (La nota)
• Transcripción de los exámenes escritos a mano a modo texto para ayudar a su corrección por el Tribunal.
• Prevaloraciones de pruebas escritas en base a las respuestas del examen y los criterios de corrección establecidos.
• En las entrevistas de selección, puede realizarse:
• Transcripciones directas.
• Resúmenes ordenados con la información que ha facilitado la persona (descripción de la situación, momento, definir el rol, enumerar las acciones ejecutadas, identificar los resultados…)

En cualquiera de las pruebas, realizar propuestas de corrección en base a lo respondido y a los criterios de corrección aprobados.

• 8. Motivación de los actos del Tribunal: Generación de informes personalizados
• Elaboración de preinformes que motivan las puntuaciones asignadas por el órgano de selección basadas en:
• las respuestas de los aspirantes, 
• los criterios de evaluación que han servicio de base para la evaluación
• las puntuaciones asignadas por el Tribunal en cada item evaluado.
• 9. Valoración de méritos (Concurso)
• Extracción inteligente de datos (OCR + Procesamiento de Lenguaje Natural) de certificados de experiencia y cursos para prebaremación.
• 10. Recursos de alzada y alegaciones:
• Agrupamiento semántico (clustering) de impugnaciones masivas.
• Redacción de borradores de motivación jurídica.
• 11. Plan de acogida (onboarding):
• Diseño de itinerarios de acogida y formación inicial personalizados según las carencias competenciales detectadas.
• Generar píldoras formativas en diferentes formatos y  accesibles desde el portal del empleado (presentaciones, vídeos, podcast, mapas mentales, …)

Pruebas competenciales con rúbricas objetivas

En entradas anteriores he defendido la necesidad de superar los exámenes memorísticos e implantar pruebas prácticas, así como la Defensa de Proyectos o la Entrevista Conductual Estructurada (ECE) para determinados puestos. El reto de estas pruebas siempre ha sido reducir al máximo los posibles sesgos que afectan a la evaluación, así como definir los elementos a evaluar y los anclajes que permitan justificar una calificación.

Aquí la IA actúa diseñando estas rúbricas de graduación cualitativa: el sistema analiza la descripción del puesto y sugiere al Tribunal una escala de conductas observables (insuficiente, adecuado, excelente) con repreguntas estandarizadas. Durante o tras la prueba, el Tribunal introduce sus observaciones y la IA ayuda a sintetizar y comprobar la coherencia del dictamen final respecto a la rúbrica establecida.

Automatizar el "infierno" de la baremación de méritos

La fase de concurso en oposiciones masivas suele paralizar los procesos durante meses. Tribunales enteros pierden cientos de horas sumando días de servicios prestados o cotejando si un curso de 20 horas cumple las bases.

Mediante modelos de PLN (Procesamiento de Lenguaje Natural), la IA puede escanear la documentación aportada, cotejarla con el catálogo de títulos o la vida laboral y presentar al Tribunal una propuesta de prebaremo. El Tribunal no dedica su tiempo a sumar decimales, sino a auditar los casos dudosos o las discrepancias señaladas por el propio sistema.

Gestión de la litigiosidad.

Cuando un proceso selectivo masivo genera contestación, los tribunales o las unidades de recursos humanos colapsan al tener que responder a cientos de alegaciones o recursos de alzada prácticamente idénticos.

La IA permite procesar el conjunto de recursos recibidos, organizarlos por familias temáticas (ej. impugnación de la pregunta 23, desacuerdo en la valoración del título X) y redactar borradores de respuesta basados en los criterios fijados por el Tribunal. Esto no solo ahorra semanas de trabajo administrativo, sino que evita incoherencias jurídicas en las contestaciones dictadas para un mismo proceso.

Requisitos para una implantación con garantías.

Para que el uso de la IA en la selección pública no termine en los tribunales contencioso-administrativos, es necesario asumir que la IA no puede implantarse «a la carta» por cada ayuntamiento u organismo sin recursos. Requiere ser gestionada desde estructuras profesionalizadas —como las Agencias Públicas de Evaluación y Selección que propongo en este blog— que cuenten con equipos multidisciplinares (juristas, psicómetras, tecnólogos):

• Auditoría continua de algoritmos: Los modelos deben someterse a pruebas de sesgo (género, edad, procedencia) antes de su puesta en producción y auditarse periódicamente.

• Trazabilidad en el expediente administrativo: Todo informe, borrador o propuesta generado por un sistema de IA debe constar expresamente en el expediente, identificando el modelo utilizado y la posterior validación y firma de la autoridad humana responsable.

• Garantías de privacidad y entornos seguros corporativos: Uso de herramientas confiables donde se garantice la protección de datos personales e impida que la información sirva para el aprendizaje del modelo público. Esto requiere:

• Soberanía de los datos: Operar en entornos corporativos cerrados donde la información no se utiliza para entrenar modelos públicos externos.
• Control de accesos: Restringir qué usuarios y roles pueden interactuar con los datos sensibles de la organización.
• Políticas internas: Definir guías claras sobre qué información está permitido procesar mediante herramientas de IA y cuál está prohibida.

 

Ejemplo de Normativa de los sistemas IAG de acceso público (Ayuntamiento de Vitoria-Gasteiz).

La aplicación de la Inteligencia Artificial no puede tener como consecuencia deshumanizar el acceso al empleo público, sino devolver la humanidad y el sentido técnico a los órganos de selección. Al liberar a los equipos de RR. HH. y a los tribunales de la artesanía burocrática y de las tareas mecánicas de bajo valor, la IA permite que los evaluadores se concentren en lo verdaderamente decisivo: juzgar con ecuanimidad las competencias de quienes van a dirigir y prestar los servicios públicos del mañana. Esta liberación debería permitir mejorar el diseño de los procesos de selección, incorporar más y mejores herramientas de evaluación y, en definitiva, acercarnos más a los principios de igualdad, mérito y capacidad.

Gracias por su atención y por sus comentarios.

Resumen gráfico:

👂 Versión PODCAST elaborada con IA a partir del texto de esta entrada. (Gemini Notebook) 👂