¿Existen los algoritmos que detectan descontento laboral para justificar despidos?

El avance de la innovación representa un factor clave para la evolución social a nivel global. Sin embargo, estos progresos también traen consigo herramientas que generan preocupación en los entornos laborales. En particular, los algoritmos capaces de detectar descontento laboral y justificar despidos antes de que el empleado cometa faltas se posicionan como un riesgo creciente.

¿Realmente existen estas herramientas? La respuesta es sí, y ya están presentes en entornos corporativos desde al menos 2019, como en el caso de IBM. En esta entrega de Alerta Digital se analiza cómo la vigilancia laboral está dejando de ser reactiva para volverse predictiva.

En esencia, los empleados ya no son evaluados solo por lo que hicieron, sino por lo que un modelo de inteligencia artificial estima que harán. Avanzamos hacia una lógica de «pre-crimen» laboral: sistemas de puntuación invisibles que analizan metadatos para anticipar si una persona reducirá su rendimiento, buscará otro empleo o cambiará su comportamiento dentro del equipo.

• El auge de los ciudadanos que no existen, ¿de qué se trata la identidad sintética?

La huella en el teclado para detectar descontento laboral

Lo que comenzó como herramientas para optimizar flujos de trabajo ha evolucionado hacia sistemas de supervisión altamente invasivos. Los algoritmos de análisis de sentimiento no solo examinan correos electrónicos y mensajes en Slack o Teams, sino también el tono de voz en videollamadas.

La IA identifica patrones como variaciones en la velocidad de respuesta, cambios en la dinámica de escritura o el uso de ciertas palabras que pueden indicar desapego emocional. Si detecta una «desviación de la norma», el perfil del empleado puede ser marcado como de riesgo dentro de los sistemas internos. Sin que exista una falta concreta, el sistema ya puede clasificarlo como un «activo de riesgo».

En grandes corporaciones se aplica el concepto de atrición predictiva. Las empresas utilizan IA para estimar el valor de cada empleado a lo largo del tiempo. Si el sistema proyecta, por ejemplo, un 85% de probabilidad de que una persona busque otro empleo en los próximos meses, puede tomar decisiones preventivas como prescindir de ese trabajador.

Esto genera un escenario complejo, en el que incluso empleados eficientes pueden ser reemplazados anticipadamente para evitar costos futuros de rotación. En este modelo, la relación laboral pierde reciprocidad y el trabajador pasa a ser tratado como un recurso optimizable.

Los sesgos del algoritmo: cuando la IA interpreta mal el estrés

Uno de los principales riesgos de este enfoque es la incapacidad de los sistemas para comprender el contexto humano. Situaciones como el duelo, problemas familiares, burnout temporal o semanas de bajo rendimiento pueden ser interpretadas como señales de desafección o caída estructural de productividad.

Al no existir intervención humana en las primeras etapas del análisis, el trabajador puede quedar atrapado en dinámicas automáticas de evaluación. El sistema podría asignar tareas menos relevantes o excluirlo de proyectos clave, basándose en predicciones que terminan reforzando el resultado esperado.

Sobrevivir al ojo del algoritmo

Para desenvolverse en entornos donde los sistemas automatizados influyen en las decisiones laborales, es clave comprender cómo operan estas métricas:

• Neutralidad en las comunicaciones: evita el uso de lenguaje excesivamente emocional o sarcástico en canales corporativos. Los sistemas de análisis suelen interpretar mal la ironía.
• Consistencia de ritmo: mantener una cadencia estable de trabajo y comunicación reduce la probabilidad de ser identificado como anomalía.
• Separación digital estricta: no utilices dispositivos o redes corporativas para actividades personales o profesionales externas. Estos datos pueden alimentar modelos predictivos.
• Exige explicaciones: en muchas jurisdicciones, las empresas deben justificar decisiones automatizadas. Si una evaluación afecta tu rol, puedes solicitar acceso a los criterios utilizados.