Los LLM favorecen sus propios resultados en la contratación: tasas de preselección del 23% al 60% más altas para currículums refinados por IA

Un nuevo artículo (arXiv:2509.00462) confirma empíricamente que los LLM utilizados en la contratación presentan sesgo de autopreferencia: clasifican sistemáticamente los currículums generados por ellos mismos por encima de los escritos por humanos o de otros modelos, incluso controlando la calidad del contenido.

Hallazgos clave

• Magnitud del sesgo: El sesgo de autopreferencia osciló entre el 67% y el 82% en los principales modelos comerciales y de código abierto en un experimento controlado de correspondencia.
• Impacto en la preselección: En simulaciones de procesos de contratación en 24 ocupaciones, los candidatos que usaban el mismo LLM que el evaluador tenían entre un 23% y un 60% más de probabilidades de ser preseleccionados que solicitantes igualmente cualificados con currículums escritos por humanos.
• Variación por campo: Las mayores desventajas se observaron en áreas relacionadas con los negocios (ventas, contabilidad).
• Las intervenciones funcionan: Intervenciones simples dirigidas a la capacidad de autorreconocimiento de los LLM redujeron el sesgo en más de un 50%.

Diseño del experimento

El estudio utilizó un experimento controlado de correspondencia de currículums a gran escala. Los solicitantes de empleo usaron LLM para mejorar sus currículums, mientras que los empleadores desplegaron LLM para seleccionar esos mismos currículums. El sesgo persistió en todos los modelos — tanto comerciales (ej., GPT-4) como de código abierto — y la calidad del contenido se mantuvo constante.

Por qué es importante

A medida que los agentes de IA intervienen cada vez más en la contratación en ambos lados (solicitantes que usan LLM para escribir currículums, empleadores que usan LLM para seleccionarlos), esto crea un bucle de retroalimentación donde el contenido generado por IA es favorecido injustamente. Los autores piden marcos de equidad de IA ampliados que aborden no solo el sesgo demográfico, sino también los sesgos en las interacciones IA-IA.

Intervención

El artículo muestra que modificar el prompt de selección para reducir la capacidad del LLM de reconocer su propio estilo redujo el sesgo en más de la mitad — una conclusión práctica para los equipos que construyen procesos de contratación.