La desigualdad suele esconderse dentro del promedio. En trabajo digno en la era automática, la eficiencia se consiguió trasladando fricción a personas con menor capacidad de reclamar.

Un promedio puede describir una mejora real y, al mismo tiempo, ocultar a quienes la pagan. Si el tiempo medio para completar una tarea baja de doce a ocho minutos, el tablero mostrará un avance. No mostrará necesariamente que una parte de la plantilla termina en seis minutos mientras otra necesita veinticinco porque recibe los casos difíciles, utiliza equipos antiguos o debe corregir datos que el sistema no reconoce. Tampoco mostrará las pausas perdidas, las consultas fuera de turno ni las personas que abandonan antes de quedar registradas.

En el trabajo automatizado, esa invisibilidad resulta especialmente peligrosa. Los sistemas de asignación, previsión, selección y evaluación producen cifras con apariencia precisa. La precisión aritmética no garantiza una representación justa. Una métrica puede calcularse sin error y responder a la pregunta equivocada; puede resumir la productividad del centro e ignorar cómo se reparte la carga; puede elevar la satisfacción del cliente y ocultar el desgaste de quien absorbe cada excepción.

La desigualdad no siempre aparece como una diferencia entre dos grupos claramente definidos. A veces se concentra en trayectorias: contratos breves, turnos nocturnos, tareas de cuidado, discapacidad, poca antigüedad o necesidad de usar un canal alternativo. Esas circunstancias pueden cruzarse y formar grupos pequeños que desaparecen en una media general. Por eso no basta con segmentar una vez. Se necesita escuchar dónde surge la fricción, comprobar si los datos permiten verla y revisar qué decisión se toma cuando aparece.

Medir por grupos tampoco autoriza a etiquetar a cada persona de manera permanente. La finalidad es comprobar resultados y corregir procesos, no construir perfiles innecesarios. Deben emplearse categorías pertinentes, datos proporcionales y umbrales que protejan la privacidad. Cuando una muestra es pequeña, puede ser preferible combinar periodos, usar evidencia cualitativa o recurrir a una revisión confidencial antes que publicar una tabla capaz de identificar a alguien.

Los tres casos siguientes son composiciones educativas. Reúnen situaciones plausibles de selección, logística y atención al público, pero no describen empresas identificables ni sustituyen asesoramiento laboral, preventivo o jurídico. Permiten observar un mismo patrón: una cifra agregada celebra eficiencia mientras el coste se desplaza hacia quien dispone de menos tiempo, estabilidad, salud o capacidad para impugnar.

Leer más allá de la media sin convertir a nadie en una categoría#

Una evaluación distributiva comienza antes de instalar una herramienta. Debe definirse qué problema se intenta resolver, qué personas reciben beneficios y qué personas pueden soportar daños. La línea de base necesita algo más que un promedio: distribución de tiempos, percentiles, variación entre turnos, errores, abandonos, reclamaciones, correcciones y resultados posteriores. Si solo se conserva la cifra favorable, cualquier desigualdad futura parecerá una anécdota.

Una evaluación distributiva comienza antes de instalar una herramienta. Debe definirse qué problema se intenta resolver, qué personas reciben beneficios y qué personas pueden soportar daños.

Conviene distinguir entre resultado y esfuerzo. Dos personas pueden completar la misma cantidad de tareas, pero una puede necesitar más desplazamientos, interrupciones o trabajo emocional. Un algoritmo que solo cuenta cierres convierte ese esfuerzo invisible en una supuesta falta de rendimiento. También debe distinguirse entre elección y restricción. Rechazar un turno puede significar desinterés o puede responder a un horario comunicado tarde, a una conexión deficiente o a una responsabilidad de cuidado que nunca fue recogida.

La comparación debe formularse con grupos definidos por una razón legítima, no por curiosidad estadística. En prevención, puede importar el turno, el puesto o la exposición. En selección, pueden importar las tasas de avance y error según variables protegidas cuando exista una base adecuada. En atención, pueden observarse idioma, canal o necesidad de apoyo. Cada desglose requiere finalidad, acceso limitado, plazo de conservación y una explicación sobre qué acción se adoptará si aparece una diferencia.

La evidencia cuantitativa necesita relatos breves. Una cola larga de tiempos indica que algo ocurre, pero no explica si faltan permisos, si el lector de pantalla falla o si los casos complejos se concentran siempre en el mismo equipo. Entrevistas, observación del trabajo y revisión de reclamaciones convierten una anomalía estadística en un mecanismo corregible. La voz de la plantilla no es un adorno participativo: aporta información operativa que la base de datos no contiene.

También se necesita autoridad. Si una revisión descubre que un grupo pierde ingresos o descanso, alguien debe poder pausar la regla, restaurar el resultado y exigir cambios al proveedor. Un comité que solo recibe una presentación trimestral no supervisa; presencia una decisión ya tomada. La responsabilidad real combina acceso a registros, conocimiento del proceso, independencia suficiente y capacidad de reparación.

La pregunta decisiva no es si todos reciben exactamente lo mismo. Algunas diferencias responden a necesidades o acuerdos válidos. La pregunta es si la diferencia guarda relación con el propósito, si resulta proporcionada, si puede explicarse y si quienes la soportan pudieron aportar contexto. Una igualdad superficial puede ser injusta cuando exige idéntico ritmo a tareas distintas; una adaptación puede ser justa cuando compensa una barrera verificable sin cerrar oportunidades.

Caso uno: el filtro de candidaturas que mejoró el tiempo medio#

En el primer caso compuesto, una empresa introdujo un filtro automático para ordenar candidaturas de puestos iniciales. El objetivo consistía en reducir semanas de espera y dar respuesta a más personas. Tras el piloto, el tiempo medio hasta la primera revisión cayó y el porcentaje de vacantes cubiertas dentro del plazo aumentó. La dirección interpretó ambos datos como una mejora inequívoca.

La distribución ofrecía otra imagen. Las candidaturas con trayectorias lineales y títulos reconocidos avanzaban con rapidez. Quienes describían experiencia adquirida en cuidados, empleo informal, formación extranjera o cambios de sector quedaban en una cola de baja prioridad. El sistema no rechazaba explícitamente esos perfiles; les asignaba una puntuación menor porque sus palabras y secuencias se alejaban del historial usado como referencia. El promedio de respuesta mejoraba mientras un grupo esperaba hasta que la vacante ya estaba cerrada.

La fricción recaía además sobre quienes tenían menos capacidad para insistir. Las personas con contactos internos obtenían una revisión manual; quienes conocían el vocabulario del sector reformulaban el currículo; el resto recibía un mensaje genérico. La vía de reclamación pedía un número de candidatura que no aparecía en la versión móvil. Formalmente existía una alternativa humana, pero su diseño la reservaba para quien ya sabía moverse dentro de la organización.

La revisión no se limitó a comparar contrataciones. Se midieron tasas de avance, tiempos y motivos de corrección por tipo de trayectoria; se auditó una muestra de puntuaciones; y profesionales de selección revisaron falsos negativos sin conocer la puntuación inicial. También se invitó a organizaciones de empleo a describir cómo se expresa una competencia fuera de un currículo convencional. La evaluación mostró que varias señales asociadas a calidad eran, en realidad, señales de familiaridad con un formato.

La solución conservó la automatización administrativa, pero dejó de usar la puntuación como puerta única. Se introdujo una muestra aleatoria de perfiles de baja puntuación, se reconocieron equivalencias de experiencia, se simplificó el recurso y se fijó un plazo máximo de respuesta para todas las candidaturas. Cuando aparecía una diferencia persistente, la regla quedaba suspendida hasta explicar su causa. La mejora dejó de medirse solo por velocidad y pasó a incluir oportunidades que el filtro había estado perdiendo.

Caso dos: la ruta más eficiente para el almacén y la más costosa para algunos cuerpos#

En el segundo caso compuesto, un centro logístico implantó un sistema que asignaba recorridos y secuencias de preparación. La distancia media por pedido disminuyó y el número de envíos por hora aumentó. El proveedor presentó un gráfico estable, sin diferencias llamativas entre jornadas. Sin embargo, crecieron las solicitudes de cambio de puesto y las molestias musculares en dos turnos.

El promedio mezclaba tareas que no eran equivalentes. Algunas rutas incluían productos ligeros a una altura cómoda; otras acumulaban pesos, giros y recogidas en estantes bajos. El optimizador buscaba la distancia mínima, no la carga biomecánica. Además, al aprender de tiempos históricos, asignaba las rutas más exigentes a quienes ya las completaban rápido. La capacidad demostrada se convertía en una obligación repetida y borraba la necesidad de recuperación.

Las personas temporales soportaban una parte desproporcionada. Conocían menos los canales de prevención, temían perder futuras llamadas y aceptaban alertas que la plantilla estable discutía con un responsable. El tablero registraba cada demora, pero no registraba el dolor comunicado en una conversación ni los minutos dedicados a ayudar a un compañero. La exactitud del seguimiento convivía con una ceguera organizada.

La prueba correctora incorporó peso acumulado, altura de recogida, giros, pausas, rotación y avisos preventivos. Los resultados se analizaron por turno, antigüedad y tipo de contrato con garantías de confidencialidad. Se realizó además una simulación de jornada difícil, con una avería y falta de personal, para observar si el sistema concentraba de nuevo el esfuerzo en las mismas personas. La representación preventiva recibió capacidad para detener una configuración concreta.

La productividad global descendió ligeramente durante el ajuste, pero también cayeron las correcciones, la fatiga reportada y la rotación. El dato relevante dejó de ser el máximo de pedidos en una hora ideal y pasó a ser una operación sostenible durante semanas. La tecnología siguió proponiendo rutas, aunque ya no pudo traducir una media favorable en permiso para ignorar la distribución física del coste.

Caso tres: el asistente de atención que trasladó la excepción al último eslabón#

En el tercer caso compuesto, un servicio público desplegó un asistente para clasificar consultas y proponer respuestas. La mayoría de trámites sencillos se resolvía antes y el tiempo medio de atención bajó. El éxito se comunicó mediante el porcentaje de conversaciones cerradas sin intervención. Quedaron fuera del relato las personas que repetían la consulta, cambiaban de canal o acudían presencialmente después de no obtener una respuesta útil.

Los casos complejos llegaban a un equipo pequeño al final de la cadena. Allí se concentraban barreras lingüísticas, documentos incompletos, situaciones familiares no previstas y decisiones con consecuencias económicas. El asistente había ahorrado tiempo al principio trasladando ambigüedad y tensión a profesionales con menos margen. Como cada conversación automática se contaba como cierre, una persona que abría tres intentos aparecía como tres éxitos y una visita posterior como un asunto nuevo.

La desigualdad afectaba sobre todo a quienes no podían dedicar una mañana a reparar el trámite. Una persona con flexibilidad horaria podía llamar, insistir y acudir a una oficina. Quien encadenaba turnos, cuidados o desplazamientos renunciaba antes. El abandono no figuraba como denegación y por eso no activaba revisión. El promedio medía a quienes lograban permanecer dentro del proceso, no a toda la población que necesitaba el derecho.

La institución enlazó los canales mediante identificadores de caso protegidos, distinguió cierre técnico de resolución confirmada y revisó consultas repetidas. También creó una transferencia visible hacia una persona, con conservación del contexto y sin obligar a empezar de nuevo. Las oficinas registraron motivos de visita posteriores a un intento digital. Ese seguimiento permitió localizar formularios confusos y categorías que trataban excepciones habituales como errores individuales.

El asistente mantuvo su utilidad para preguntas sencillas. La evaluación, sin embargo, pasó a observar resolución en el primer contacto, repetición, abandono, tiempo total de la persona y diferencias entre canales y necesidades de apoyo. La alternativa humana dejó de ser una concesión secreta y se convirtió en parte del diseño. La eficiencia ya no consistía en cerrar más conversaciones, sino en resolver el trámite sin trasladar su coste a quien menos podía reclamar.

Cuatro fuentes institucionales para interpretar la desigualdad#

El documento de la Organización Internacional del Trabajo sobre gestión algorítmica define este fenómeno como el uso de procedimientos programados para coordinar el trabajo y analiza sus efectos sobre organización y calidad del empleo tanto en plataformas como en centros convencionales. Esa mirada ayuda a evitar una reducción técnica: una regla de asignación también organiza autonomía, intensidad, información y poder.

La Agencia Europea para la Seguridad y la Salud en el Trabajo reúne evidencia sobre digitalización, automatización y gestión de trabajadores mediante sistemas algorítmicos. Su enfoque centrado en prevención recuerda que la productividad no agota el resultado. Carga, estrés, privacidad, autonomía y participación deben observarse como dimensiones del mismo cambio laboral.

El informe de la OCDE sobre uso de inteligencia artificial en el trabajo presenta oportunidades junto a preocupaciones por intensidad, recogida de datos y aumento de desigualdad. Los resultados agregados positivos de sus encuestas no eliminan esos riesgos; precisamente muestran por qué conviene preguntar quién obtiene la mejora, en qué ocupación y bajo qué condiciones.

La Directiva (UE) 2024/2831 sobre trabajo en plataformas contiene reglas específicas de transparencia, protección de datos y supervisión humana frente a sistemas automatizados en ese ámbito. No se aplica por analogía a cualquier empleo ni sustituye el análisis jurídico correspondiente. Sí ofrece una referencia institucional concreta sobre explicación, revisión y participación cuando una decisión algorítmica afecta al trabajo.

Las cuatro fuentes operan con alcances distintos. La OIT aporta un marco laboral internacional; EU-OSHA se centra en seguridad y salud; la OCDE sintetiza evidencia y opciones de política; la Directiva establece obligaciones para un ámbito definido. Ninguna proporciona una fórmula universal de equidad. Juntas permiten construir preguntas mejores y evitan presentar una única media como prueba suficiente de trabajo decente.

Las fuentes deben usarse con precisión. Una referencia no valida automáticamente una herramienta, y una obligación dirigida al trabajo en plataformas no debe presentarse como si cubriera todos los centros. La evaluación concreta depende de la jurisdicción, la relación laboral, la finalidad, los datos y la consecuencia. La honestidad sobre esos límites forma parte del rigor institucional.

Una prueba distributiva antes de ampliar la automatización#

Antes de escalar un sistema puede realizarse una prueba en seis movimientos. Primero se fija el propósito y se identifica la decisión que cambiará. Después se registra una línea de base con distribución, no solo media. En tercer lugar se acuerdan grupos y situaciones relevantes con la plantilla y las funciones de prevención. A continuación se ensayan casos ordinarios, excepciones y una interrupción realista. Luego se comparan beneficios y costes, incluidos los que aparecen fuera del tablero. Por último se decide continuar, corregir o detener con una persona responsable y una fecha de revisión.

La prueba necesita umbrales previos. Si un grupo pierde oportunidades, soporta más cambios tardíos o acumula más errores, debe saberse qué diferencia activa investigación y qué daño exige una pausa. No siempre existe un número mágico. Puede combinarse una señal cuantitativa con gravedad, persistencia y testimonios. Lo importante es impedir que el criterio cambie después de ver un resultado incómodo.

También debe comprobarse el recurso. Una persona ajena al proyecto puede intentar entender una decisión, aportar contexto y obtener corrección. Se mide el tiempo total, el número de pasos y si quien responde tiene autoridad. Si la vía exige vocabulario experto, presencia física o contactos internos, reproducirá la desigualdad que pretendía reparar. La alternativa debe alcanzar un resultado equivalente sin humillación ni represalias.

La documentación mínima puede caber en una ficha: propósito, responsables, datos, grupos observados, resultados distribuidos, incidentes, voces consultadas, cambios, plazo y regla de salida. Esa memoria permite comparar revisiones y detectar desplazamientos. También dificulta que una ventaja media se repita durante años mientras las excepciones se tratan como fallos personales.

Una organización madura no promete ausencia total de diferencias. Promete buscarlas, explicarlas, reducir las injustificadas y reparar consecuencias. Para ello se necesita curiosidad frente a la cifra, responsabilidad para intervenir y cuidado hacia quien carga con la excepción. Esos valores no frenan la innovación: le dan una definición más exigente de éxito.

La desigualdad suele esconderse dentro del promedio porque el promedio elimina nombres, trayectorias y extremos para producir una cifra manejable. La solución no consiste en abandonar toda síntesis, sino en recordar qué se pierde al sintetizar. Un trabajo que no renuncia a la dignidad mide la mejora y también su reparto; escucha a quien abandona, dota de autoridad a quien supervisa y conserva una salida antes de llamar eficiente a un sistema.