Relaciones Laborales - Huellas Misioneras

Tu empresa ya toma decisiones algorítmicas

Huellas Misioneras — Fri, 04 Sep 2026 20:09:26 +0000

Línea RRLL + IA · Píldora 06 · Cierre de la serie

Tu empresa ya tomó una decisión algorítmica y no lo sabe.

Cinco escenas, un mismo patrón. Esta última nota le pone nombre jurídico completo y te da el test para aplicarlo en cualquier empresa — no solo en las que reparten pedidos.

Lectura · Panel 1 de 4

El mismo actor, con otro disfraz

Cinco escenas, hasta acá. Un sistema que liquida mal un sueldo y nadie lo audita. Un currículum que un algoritmo descarta antes de que lo lea una persona. Un repartidor que negocia con una aplicación que no puede explicarse a sí misma. Un ranking que decide, en silencio, a quién capacitar primero. Un sensor que mide rendimiento donde antes miraba un supervisor. Si seguiste esta serie, ya viste el patrón. Esta última nota le pone nombre jurídico completo y te da el test para aplicarlo en cualquier empresa — no solo en las que reparten pedidos.

Subordinación algorítmica. Todo este tiempo hablamos de gestión algorítmica sin definir del todo el concepto que la sostiene por debajo. La doctrina más reciente la describe con precisión: no se trata de una orden directa, sino de una estructura de incentivos y mecanismos de evaluación continua. El trabajador ajusta su conducta no porque reciba una instrucción puntual, sino porque entiende, a partir de la interacción con el sistema, qué comportamiento se espera de él. El sistema actúa como un verdadero centro de poder, aunque nadie en la empresa haya firmado una orden con ese contenido.

Un juez que analizó uno de los casos que ya conocés de esta serie lo resumió así: el control algorítmico reproduce los poderes clásicos de un empleador —dirección, control y sanción— pero de forma automatizada, sin que el poder de dirección esté centralizado en una persona. Si tu empresa usa un sistema que asigna tareas, mide desempeño, prioriza recursos o genera sanciones de forma automática, ya está ejerciendo poder de dirección algorítmico — lo sepa o no, lo haya pensado en esos términos o no.

El test que cualquier empresa se puede aplicar. Antes de que existiera la palabra "algoritmo" aplicada al trabajo, la Organización Internacional del Trabajo ya había construido, en su Recomendación 198 del año 2006, una lista de indicios para reconocer cuándo existe una relación de trabajo subordinado — el "haz de indicios". Hoy es el mejor punto de partida para revisar si un sistema de tu empresa está ejerciendo, de hecho, poder de dirección:

El trabajo se realiza bajo instrucciones y control de otra persona → versión algorítmica: un sistema asigna tareas, fija estándares o evalúa desempeño de forma automática, sin que una persona dé la instrucción caso por caso. Ya lo viste en la píldora 5: el sensor que mide rendimiento en lugar de un supervisor.
El trabajador está integrado en la organización de la empresa → el sistema forma parte de la infraestructura central de gestión de personas, no es una herramienta externa opcional. Ya lo viste en la píldora 1: la liquidación de sueldos corre sobre el sistema oficial de nómina.
El trabajo se ejecuta según un horario, lugar o modo determinado por quien lo solicita → un sistema define de forma automática prioridades, rankings o secuencias que condicionan cómo y cuándo se hace el trabajo. Ya lo viste en la píldora 4: el ranking que decide a quién capacitar primero.
Existe un mecanismo de evaluación continua del desempeño → el sistema mide, compara y puntúa de forma constante, no en instancias puntuales decididas por una persona. Ya lo viste en la píldora 2 (scoring de currículums) y en la píldora 5 (monitoreo continuo).
Hay consecuencias derivadas de esa evaluación (sanción, exclusión, pérdida de oportunidad) → el sistema genera advertencias, bajas de categoría, exclusiones o desconexiones de forma automática. Ya lo viste en la píldora 3: la desconexión de plataforma sin explicación humana.

Ninguna empresa necesita cumplir los cinco indicios a la vez para que esto importe. La doctrina no exige una plataforma de reparto ni un caso extremo: alcanza con que un sistema esté ejerciendo, de hecho, alguna de estas funciones clásicas del poder de dirección, para que las mismas obligaciones legales que vimos en esta serie —arts. 70 a 72 de la LCT, la presunción del art. 23, el deber de no discriminar— entren a jugar.

El problema de la opacidad y la crisis de las responsabilidades. Cuando el poder de dirección se reparte entre varios sistemas —uno que liquida, otro que selecciona, otro que prioriza capacitación, otro que mide rendimiento—, aparece lo que la doctrina llama la "ilusión de neutralidad": cada sistema, tomado por separado, parece una herramienta técnica neutral. Nadie firmó una decisión discriminatoria ni una sanción injusta. Pero la suma de esos sistemas, todos operando al mismo tiempo sobre la misma persona, puede terminar ejerciendo un control mucho más intenso que el de cualquier supervisor humano — con el agravante de que, cuando algo sale mal, resulta mucho más difícil identificar de quién es la responsabilidad. Esa dificultad para asignar responsabilidad cuando la decisión está distribuida entre varios sistemas automatizados es, literalmente, lo que la doctrina describe como una crisis de las responsabilidades dentro de la relación laboral.

Caso integrador: la empresa que nunca se pensó como "una plataforma". Una empresa de distribución mayorista de Posadas, con 60 empleados en relación de dependencia, sin ninguna vinculación con la economía de plataformas. En los últimos dos años fue incorporando, de forma independiente y sin un plan conjunto, distintos sistemas: liquidación con detección automática de anomalías, un ATS con scoring para búsquedas administrativas, priorización de capacitación por desempeño y riesgo de rotación, y chalecos con sensores en el depósito. Cada sistema se implementó por su cuenta, con su propio responsable de área, sin que nadie los mirara juntos. Pero mirados en conjunto, la empresa ya cumple varios de los indicios: sistemas que asignan y evalúan trabajo de forma automática, integrados a su infraestructura central, que generan consecuencias reales sin intervención humana en cada caso puntual. Nadie decidió, en ningún momento, "vamos a gestionar personas con inteligencia artificial" — y sin embargo, en los hechos, ya lo están haciendo. Ninguno de estos sistemas, por separado, constituye un problema legal automático. El riesgo aparece cuando nadie tiene una mirada integral sobre el conjunto: una sanción por baja productividad que en realidad refleja fatiga, una capacitación negada por una licencia mal interpretada, una promoción perdida por un scoring sin contexto — cada hecho aislado puede parecer menor, pero sumados pueden configurar un patrón que un abogado laboralista reconocería de inmediato. Quien gestiona bien esto no propone desactivar los sistemas: aplica el test de los cinco indicios al conjunto, no a cada uno por separado, e instala un único punto de revisión humana con visibilidad sobre las decisiones que generan los distintos sistemas.

Lo que esta serie quiso dejarte, en una sola idea. Cada una de las cinco píldoras anteriores mostró una habilidad puntual: auditar una liquidación, detectar un sesgo de selección, negociar con un sistema, cuestionar un ranking de capacitación, revisar un sensor. Esta última nota muestra por qué esas cinco habilidades son, en el fondo, una sola: la capacidad de reconocer cuándo un sistema técnico empezó a ejercer, de hecho, un poder que el Derecho del Trabajo ya regula desde hace décadas, aunque haya sido pensado mucho antes de que existiera la inteligencia artificial. Esa habilidad no depende de saber programar. Depende de conocer la normativa lo suficientemente bien como para reconocerla operando, disfrazada de tecnología, en cualquier empresa — incluida la que menos se lo esperaría.

Antes de seguir, aplicá el checklist de autodiagnóstico a cualquier empresa que conozcas de cerca — la tuya, la de un familiar, un caso que viste de cerca.

Actividad · Panel 2 de 4

El checklist de autodiagnóstico

Aplicá este checklist a cualquier empresa que conozcas de cerca —la tuya, la de un familiar, un caso que viste de cerca— y marcá con honestidad cada pregunta cuya respuesta sea "sí".

¿Hay algún sistema que asigne tareas, prioridades o rankings sin que una persona lo revise caso por caso?
¿Ese sistema evalúa o mide desempeño de forma continua, más allá de instancias puntuales decididas por un jefe?
¿Puede ese sistema generar, de forma automática, una consecuencia real para alguien —una sanción, una exclusión, una capacitación negada—?
¿Existe una sola persona o área con visibilidad sobre el conjunto de todos estos sistemas, o cada uno vive en su propio compartimento?
Si alguien reclamara por una de estas decisiones, ¿la empresa podría explicar con precisión qué información usó el sistema y por qué, en ese caso puntual?

Ver resultado

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

El hilo que atravesó toda la serie

Empezamos esta serie con una pregunta: si un algoritmo puede ser tu jefe, ¿del lado de quién vas a estar? Recorrimos seis rincones distintos de las Relaciones Laborales, y en cada uno la misma pregunta de fondo volvió a aparecer, con otro disfraz: cuando la IA entra a decidir sobre personas, ¿quién entiende cómo decide, y quién solo confía en el resultado? Esta última nota te deja algo más concreto que una pregunta: un test de cinco indicios que podés aplicar hoy mismo, en cualquier empresa. Si esto te interesa, en Huellas Misioneras podés formarte para ser quien entiende.

Formate en RRLL Instituto Superior Huellas Misioneras Ver curso

La entrada Tu empresa ya toma decisiones algorítmicas se publicó primero en Huellas Misioneras.

Sensores en el trabajo: ¿control o vigilancia?

Huellas Misioneras — Fri, 04 Sep 2026 19:43:00 +0000

Línea RRLL + IA · Píldora 05

Cuando el que te controla el rendimiento es un sensor, no un supervisor.

El control no desapareció: cambió de forma. Y esta es, probablemente, la píldora con menos competencia de contenido regional de toda la serie.

Lectura · Panel 1 de 4

Lo que ya regula la ley, sin haber pensado en un sensor

Durante mucho tiempo, si un supervisor te controlaba de más, había algo muy concreto que hacer: hablarlo con él, quejarte a su jefe, plantearlo en una reunión. ¿Pero qué hacés cuando el que te mide, todo el tiempo, sin pausa, es un sensor prendido a tu cuerpo o a la máquina que usás? El control no desapareció. Cambió de forma. Y esta es, probablemente, la píldora con menos competencia de contenido regional de toda la serie — porque casi nadie en Misiones está hablando todavía de dónde termina el control razonable y dónde empieza la vigilancia invasiva.

Condiciones y Medio Ambiente de Trabajo (CyMAT). Es el conjunto de variables que determinan la situación en la que una persona realiza su trabajo: las condiciones físicas, la organización de las tareas, los riesgos a los que está expuesta y los factores psicosociales que inciden en su salud y su rendimiento. No es solo "seguridad e higiene" en el sentido de cascos y matafuegos: incluye también cómo se organiza y cómo se controla el trabajo.

Lo interesante es que Argentina ya tiene, desde hace más de cuatro décadas, una ley pensada para el control del trabajador — sin haber imaginado nunca un sensor de fatiga o un wearable biométrico. Los artículos 70 a 72 de la Ley de Contrato de Trabajo regulan los sistemas de controles personales, y en 2016 la Ley 27.322 les agregó algo que hoy resulta llamativamente vigente para la era de la IA:

Art. 70 LCT: los sistemas de control deben salvaguardar la dignidad del trabajador, practicarse con discreción y aplicarse por medios de selección automática destinados a la totalidad del personal — no de forma selectiva o discriminada. Un sistema que se instala solo para ciertos puestos o ciertas personas, sin un criterio general parejo para todo el equipo, ya tiene un problema de origen.
Art. 71 LCT (reformado por Ley 27.322, 2016): el empleador debe poner en conocimiento del trabajador la existencia de cualquier sistema de control. Un wearable, una app de geolocalización o un sistema de IA que mide productividad en tiempo real son, ni más ni menos, sistemas de control — instalarlos sin avisar formalmente no es una zona gris tecnológica, es un incumplimiento directo de una norma que ya existe.
Art. 72 LCT: la autoridad de aplicación puede verificar de oficio que los sistemas de control no afecten de forma manifiesta y discriminada la dignidad del trabajador — un canal formal de fiscalización que no depende solo de que el trabajador se anime a reclamar.
Ley 19.587, Higiene y Seguridad en el Trabajo (art. 4°, inc. a): fija como objetivo proteger la vida y preservar la integridad psicofísica de los trabajadores — no solo la física. Nunca fue reglamentada de forma específica para riesgos psicosociales: todo lo reglamentado desde 1972 refiere a aspectos físicos.

El artículo 70 no habla de "cámaras" ni de "sensores": habla de "sistemas de controles personales", una categoría lo suficientemente amplia como para incluir cualquier tecnología de monitoreo, presente o futura. No hace falta esperar una ley nueva y específica sobre IA para exigir que un sistema de monitoreo cumpla con dignidad, discreción, aplicación uniforme y aviso previo — la norma ya está.

Qué hace hoy un sensor que antes hacía un supervisor. El monitoreo de rendimiento con sensores y wearables ya se usa en distintos sectores de la región: en una minera chilena, chalecos con sensores biométricos que detectan señales de fatiga en tiempo real lograron reducir en un 30% los accidentes por cansancio en un año, reemplazando los reportes de seguridad en papel por alertas inmediatas a supervisores. En un centro logístico español, el monitoreo en tiempo real con IA redujo en un 55% las colisiones con montacargas, con alarmas automáticas cuando un peatón entraba a una zona de riesgo. Son ejemplos que muestran el lado más defendible de esta tecnología: prevenir accidentes reales, no solo medir productividad.

Estos dos ejemplos combinan seguridad con vigilancia, y esa combinación es exactamente lo que hace compleja esta píldora. Un sensor que detecta fatiga para prevenir un accidente es, en principio, deseable — hasta para el propio trabajador. El mismo sensor, con los mismos datos, puede usarse también para medir y sancionar rendimiento. La tecnología no distingue entre esos dos usos: la distinción la tiene que trazar una persona, con criterio normativo, no el sensor.

Los sistemas típicos combinan tres capas: sensores instalados en el entorno (máquinas, aire, temperatura), wearables que la persona lleva puestos (pulseras, chalecos, cascos inteligentes) y una plataforma central que analiza los datos y genera alertas o reportes. Esa arquitectura es, en los hechos, un sistema de control personal en el sentido del artículo 70 de la LCT — aunque nadie en la empresa lo haya pensado con ese nombre.

Caso: el chaleco que nadie avisó. Una planta de procesamiento de yerba mate o té en la zona de Eldorado incorpora chalecos con sensores para el personal de playa de carga, que miden esfuerzo físico, temperatura corporal y tiempo de exposición al sol, con el objetivo declarado de prevenir golpes de calor. La decisión se toma en un comité de seguridad y se distribuye directamente a los trabajadores del sector, sin una comunicación formal previa sobre qué datos se recolectan ni con qué otro fin se van a usar. Más allá de la buena intención, el procedimiento nace con dos incumplimientos concretos: no hubo aviso formal, previo y claro (art. 71 LCT), y el sistema se instaló solo para un sector, sin un criterio explícito de por qué ese sector y no otros con exposición similar (aplicación no uniforme, en tensión con el art. 70). Quien gestiona bien este proceso no frena la medida —tiene un objetivo legítimo—, sino que la formaliza: redacta y comunica un aviso claro sobre qué mide el sistema, con qué finalidad, quién accede a los datos, y revisa si el criterio de selección del sector tiene una justificación objetiva que se pueda sostener frente a cualquier reclamo.

Caso: la fatiga que el sistema marcó como bajo rendimiento. Un operario de una línea de producción semi-automatizada trabaja con un sistema que mide su ritmo de tareas por hora, comparándolo con un estándar esperado. Durante dos semanas, su rendimiento cae por debajo del estándar de forma sostenida, y el sistema genera automáticamente una alerta de "bajo rendimiento" que llega al supervisor. Lo que el sistema no puede ver es que el operario atraviesa un cuadro de estrés laboral vinculado a una sobrecarga de tareas, combinado con un conflicto personal fuera del trabajo — exactamente el tipo de interacción entre organización del trabajo, condiciones personales y salud que describen los factores psicosociales. Tratar esa caída como un problema disciplinario, cuando en realidad es una señal de riesgo psicosocial, puede agravar la situación de salud de la persona y derivar en una enfermedad profesional reconocible bajo la Ley 24.557. Quien audita bien el proceso no toma la alerta como una sanción automática: la trata como un dato que requiere una conversación humana antes de cualquier consecuencia — la Superintendencia de Riesgos del Trabajo tiene, para esto, una guía específica de intervención psicosocial en espacios laborales.

Los dos casos muestran el mismo punto desde ángulos distintos: en el primero, el problema está en cómo se implementa el sistema de control; en el segundo, en cómo se interpreta lo que ese sistema mide. En los dos, la tecnología no es el problema — es el eslabón humano que falta antes o después del dato el que determina si el sistema termina protegiendo a la gente o exponiéndola.

Por qué esta habilidad blinda tu empleabilidad. Esta es, de las píldoras de la serie hasta acá, la que más rápido va a aparecer en la negociación de nuevos convenios colectivos, precisamente porque casi ningún convenio vigente en Argentina regula todavía de forma explícita el monitoreo algorítmico continuo. Quien entienda, al mismo tiempo, el marco legal ya existente y el vocabulario técnico de esta nueva generación de herramientas está en condiciones de anticiparse a una discusión que recién empieza en el país, en lugar de improvisar una respuesta cuando el conflicto ya estalló.

Glosario vivo — términos que ya empiezan a aparecer en los convenios colectivos:

Monitoreo algorítmico continuo: seguimiento permanente del desempeño o la actividad de una persona mediante sistemas automatizados, sin intervención humana en cada medición puntual.
Wearable laboral: dispositivo que la persona lleva puesto (pulsera, chaleco, casco) y que capta datos biométricos o de movimiento durante la jornada.
Geofencing: delimitación de una zona geográfica virtual que activa una alerta o acción automática cuando alguien entra o sale de ese perímetro.
Factor de riesgo psicosocial: condición del trabajo o de su organización que puede afectar negativamente la salud mental o física de quien lo realiza, más allá de los riesgos físicos tradicionales.
Transparencia algorítmica: principio según el cual una persona afectada por una decisión de un sistema tiene derecho a entender, al menos en términos generales, qué datos y qué criterios usó ese sistema para llegar a esa decisión.
Derecho a la desconexión: posibilidad de una persona de no estar disponible ni monitoreada fuera de su jornada laboral, incluso cuando la tecnología que la empresa usa técnicamente lo permitiría.

Antes de seguir, pensá un caso de pulseras con sensores en un centro de logística y encontrá el problema jurídico de origen — más allá de si la tecnología funciona bien.

Actividad · Panel 2 de 4

Encontrá el problema de origen

Te dejamos un fragmento de un caso real, simplificado. Pensalo antes de ver la respuesta.

Una empresa de logística instala pulseras con sensores de movimiento en el sector de armado de pedidos, con el argumento de optimizar los tiempos de picking. Las pulseras se entregan junto con el uniforme de trabajo, y la nota interna que las acompaña dice: "Estrenamos nueva tecnología para hacer más eficiente el trabajo del equipo". No se menciona qué datos capta el dispositivo ni qué se hace con ellos.

¿Cuál es el problema jurídico de origen, más allá de si la pulsera efectivamente mejora los tiempos de picking?

La pista: no es un problema de eficiencia ni de si la tecnología funciona bien.

Ver respuesta

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

El hilo que sigue

Esta píldora miró las condiciones y el medio ambiente de trabajo. Las anteriores de la serie RRLL + IA miraron la liquidación de sueldos, la selección de personal, la negociación frente a decisiones algorítmicas y la capacitación — ninguna retoma directamente a la otra, pero todas comparten el mismo hilo: cuando la IA entra a decidir sobre personas, ¿quién entiende cómo decide, y quién solo confía en el resultado? Si esto te interesa, en Huellas Misioneras podés formarte para ser quien entiende.

Formate en RRLL Instituto Superior Huellas Misioneras Ver curso

La entrada Sensores en el trabajo: ¿control o vigilancia? se publicó primero en Huellas Misioneras.

Negociar con un algoritmo del otro lado | Huellas Misioneras

Huellas Misioneras — Fri, 04 Sep 2026 18:42:34 +0000

Línea RRLL + IA · Píldora 03

Negociar con un algoritmo del otro lado de la mesa.

Cuando la otra parte del conflicto es un sistema, la habilidad que hace falta no es entender de programación — es saber qué preguntar y a quién pedírselo.

Lectura · Panel 1 de 4

De negociar personas a negociar sistemas

Negociar siempre implicó lo mismo: dos partes, un desacuerdo, un tercero que ayuda a destrabarlo si hace falta. ¿Pero qué pasa cuando una de las dos partes no es una persona? Cuando el reclamo no es "mi jefe me sancionó injustamente", sino "el sistema bajó mi puntaje y no sé por qué, y no hay nadie del otro lado que me lo pueda explicar". Si el algoritmo puede actuar como jefe, ¿cómo se negocia con él?

Negociación y Mediación en las RRLL. La negociación laboral es el proceso mediante el cual dos partes con intereses parcialmente distintos buscan un acuerdo sobre condiciones de trabajo, individual o colectivo. La mediación es la intervención de un tercero neutral que facilita ese acuerdo sin imponerlo. En ambos casos, el supuesto de base es que existe alguien del otro lado de la mesa con quien dialogar, y una razón identificable detrás de cada posición.

Ese supuesto es justamente el que la gestión algorítmica pone en tensión. Un organismo de Naciones Unidas especializado en trabajo describe cinco rasgos de este tipo de gestión — y son, literalmente, los cinco obstáculos que va a encontrar cualquiera que intente negociar frente a una decisión de sistema: el seguimiento continuo del comportamiento de quien trabaja, su evaluación constante mediante la valoración de terceros, la aparente toma de decisiones sin intervención humana, una interacción mediada por una aplicación que dificulta comunicarse de forma personal, y cierta falta de transparencia sobre cómo funciona el algoritmo por detrás. Los cuatro primeros hacen que la persona afectada ni siquiera sepa bien con quién hablar. El quinto hace que, aunque encuentre a alguien, esa persona tampoco pueda explicarle del todo por qué el sistema decidió lo que decidió.

El terreno normativo argentino para encauzar el reclamo. A diferencia de otros terrenos de RRLL, acá sí existe un camino procesal claro — lo que falta resolver es cómo se aplica cuando la otra parte, en los hechos, es un sistema:

Ley 24.635 (SECLO): crea la instancia obligatoria y previa de conciliación laboral, gratuita para el trabajador. El procedimiento asume un empleador identificable que puede explicar los motivos de una decisión — cuando la decisión salió de un sistema, la empresa muchas veces no puede reconstruir el criterio exacto que aplicó el algoritmo en ese caso puntual.
Ley 26.589 (Mediación): regula la mediación pública y privada con un mediador matriculado. Es un marco general, no pensado específicamente para decisiones automatizadas, pero sigue siendo el canal disponible.
Convenio 154 de la OIT (Ley 23.544): garantiza el derecho a la negociación colectiva — la puerta para que un convenio incorpore cláusulas sobre transparencia algorítmica, revisión humana o límites al monitoreo continuo, hoy todavía poco frecuentes en los convenios argentinos vigentes.

"Fue el sistema" no es, para un conciliador o mediador, el final de la conversación — es apenas el punto de partida. La doctrina reciente sobre gestión algorítmica en Argentina viene remarcando que el derecho colectivo también entra en juego acá: la libertad sindical en entornos algorítmicos empieza a discutirse como un problema propio.

Qué complica hoy negociar frente a una decisión algorítmica. Cada uno de los cinco rasgos tiene una traducción directa a la mesa de negociación: el historial que la empresa presenta suele ser masivo y automatizado, y quien negocia necesita pedirlo completo, no conformarse con el resumen que el sistema decidió mostrar. Cuando la sanción se basa en una calificación de clientes, esa calificación rara vez está sujeta a control de calidad, así que cuestionar la sanción implica cuestionar primero la validez de la calificación que la originó. Es tentador para la empresa responder "así lo determinó el sistema" como si eso cerrara la discusión — no la cierra: la responsabilidad legal sigue siendo de quien usa el sistema, no del sistema en sí. Muchas plataformas solo permiten reclamar a través de un botón dentro de la misma aplicación que tomó la decisión, sin una instancia humana real antes de llegar a SECLO o a una mediación. Y ni el trabajador ni, muchas veces, el propio representante de RRHH puede explicar la lógica interna exacta del sistema — lo que exige otro tipo de pregunta: no "por qué decidió esto el sistema", sino "qué información tenía el sistema y bajo qué criterio general opera".

Ninguno de estos cinco puntos exige ser programador ni entender machine learning. Exige entender el proceso de negociación lo suficientemente bien como para saber qué preguntar, a quién pedírselo y qué hacer cuando la respuesta es "no lo sabemos, lo decidió el sistema".

Un ejemplo cotidiano, no laboral, que seguro te suena conocido. Un comerciante avisa que cierra su local y pide dar de baja un servicio de software. Una persona real confirma la recepción y lo redirige a otro canal para "formalizar" el trámite, donde lo recibe un sistema automático con opciones prearmadas. Cuando el comerciante responde, en sus propias palabras, que ya cerró el negocio, el sistema no reconoce esa respuesta como válida para su menú de "Sí / No" y corta la conversación por inactividad sin confirmar la baja. Un mes después le llega el reclamo de una cuota que, para él, ya no debería existir. No es un caso laboral, pero es el mismo mecanismo: una decisión que aparenta no tener a nadie del otro lado, y una persona que termina teniendo que reconstruir toda la cronología para que su reclamo tenga chance de prosperar. Multiplicá esa lógica por una sanción laboral y vas a entender por qué el problema se vuelve más serio cuando la otra parte del sistema no es quien te cobra un abono, sino quien te paga el sueldo.

Caso: la desconexión que llegó sin explicación. Un repartidor que trabaja para una plataforma de delivery en Posadas recibe una notificación: su cuenta fue desactivada por "incumplimiento reiterado de estándares de calidad". No hay una persona con quien hablar dentro de la app, solo un formulario de apelación con mensaje automático. El repartidor entiende que la desconexión llegó tras una semana con calificaciones bajas, pero no sabe cuáles, ni si coincidieron con demoras que no dependían de él. El sistema evaluó un promedio — no evaluó el contexto. Siguiendo la lógica que ya confirmó la Suprema Corte de Justicia de la Provincia de Buenos Aires en los fallos contra Rappi y Repartos Ya, este tipo de control algorítmico puede considerarse equivalente al ejercicio del poder de dirección de un empleador: la "desconexión" automática puede analizarse con la misma lógica que un despido. Quien media este caso no se detiene en "la app dice que fue por calidad": reconstruye el historial completo, identifica si hubo un canal real de descargo, y encuadra el reclamo desde el principio en la instancia de conciliación laboral obligatoria del SECLO.

Caso: un día en la vida de quien media puertas adentro. Marina es analista de Relaciones Laborales en una empresa de logística de Puerto Iguazú. Un supervisor le trae un caso: el sistema de gestión de desempeño generó automáticamente un apercibimiento para un empleado con quince años de antigüedad, por "productividad por debajo del estándar" durante dos semanas. Marina no defiende al sistema ni le da la razón automática al empleado: pide el detalle exacto de cómo se midió esa productividad en esas dos semanas puntuales. Ahí aparece el dato que nadie había cruzado — esas dos semanas coinciden con un período en el que ese sector operó con una máquina rota, algo que el sistema de productividad no tenía forma de saber porque mide unidades procesadas, no causas de la demora. Marina no negocia con el algoritmo en sentido literal: negocia con la empresa la revisión de una decisión que el sistema generó sin ese contexto, y con el empleado, la forma de dejar sin efecto un apercibimiento sin que eso se transforme en un conflicto de confianza más grande. Ese doble movimiento —hacia la empresa y hacia el trabajador, al mismo tiempo— es, literalmente, la definición de mediar.

Por qué esta habilidad blinda tu empleabilidad. Un abogado laboralista o un especialista en RRHH que solo sabe litigar o mediar entre dos personas va a quedar corto frente a estos casos, cada vez más frecuentes. Lo que distingue a quien entiende este terreno es la capacidad de traducir una decisión de sistema a un lenguaje que un procedimiento de conciliación, una mesa de negociación colectiva o una conversación puertas adentro puedan procesar. Esa traducción —de "output de un algoritmo" a "hecho negociable"— es exactamente el tipo de trabajo que ningún sistema hace por sí mismo.

Antes de seguir, pensá un caso simplificado y encontrá el punto ciego de la negociación: la pregunta que hay que hacer antes de discutir cualquier otra cosa.

Actividad · Panel 2 de 4

Encontrá el punto ciego de la negociación

Te dejamos un fragmento de un caso real, simplificado. Pensalo antes de ver la respuesta.

Una empleada administrativa recibe una calificación de desempeño trimestral generada por un sistema de evaluación continua, que la ubica en el percentil más bajo de su equipo. La empresa le ofrece, directamente, un plan de mejora con seguimiento estricto y una advertencia de que la continuidad de su puesto depende de revertir ese resultado en 60 días. La empleada no entiende por qué su calificación bajó, porque en los últimos tres meses no cambió nada en cómo hace su trabajo.

¿Cuál es la primera pregunta que tendría que hacer quien media este caso, antes de aceptar o cuestionar el plan de mejora?

La pista: no es "¿el plan de mejora es razonable?". Es anterior a eso.

Ver respuesta

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

El hilo que sigue

Esta píldora miró la negociación y la mediación. Las dos anteriores de la serie RRLL + IA miraron la liquidación de sueldos y la selección de personal — cada una es un carril distinto de la misma autopista, y todas comparten la misma pregunta de fondo: cuando la IA entra en una función de RRLL, ¿quién la entiende y quién solo la mira funcionar? Si esto te interesa, en Huellas Misioneras podés formarte para ser quien la entiende.

Formate en RRLL + Negociación con IA Instituto Superior Huellas Misioneras Ver curso

La entrada Negociar con un algoritmo del otro lado | Huellas Misioneras se publicó primero en Huellas Misioneras.

La IA y la capacitación de RRHH | Huellas Misioneras

Huellas Misioneras — Fri, 04 Sep 2026 14:52:24 +0000

Píldora 4 · Línea RRLL + IA

La IA no te va a capacitar a vos, te va a decir a quién capacitar primero

Capacitación y Desarrollo de RRHH: quién decide hoy el acceso a la formación, qué dice la ley argentina al respecto, y qué mirada tenés que entrenar para no confiar a ciegas en el ranking de un sistema.

Lectura · Panel 1 de 4

La IA no te va a capacitar a vos, te va a decir a quién capacitar primero

Hay una frase que se repite en casi todos los informes sobre IA y trabajo en Argentina, y que suena a alivio: "vas a estar bien si te capacitás". Es cierto, pero incompleta. Un informe de PwC de este año encontró que el 62% de los trabajadores argentinos cree que la inteligencia artificial puede reemplazar su empleo en el corto plazo, mientras que quienes ya se forman en estas herramientas reportan más seguridad laboral, mejor rendimiento y más motivación. Lo que esa estadística no dice es quién decide quién entra a esa segunda mitad de la frase. Porque cada vez más, esa decisión no la toma un jefe de Capacitación mirando una planilla. La toma un sistema.

Capacitación y Desarrollo de RRHH es el conjunto de acciones que una organización diseña para actualizar, ampliar o corregir las competencias de su personal, alineando el desarrollo individual con las necesidades presentes y futuras de la empresa. No es un beneficio aislado: es una inversión con presupuesto limitado, lo que obliga, tarde o temprano, a decidir quién la recibe primero.

De la intuición del jefe al ranking del sistema. Durante años, esa decisión de "quién primero" dependió en gran parte de la intuición de un jefe directo, de quién pedía la capacitación con más insistencia, o simplemente de quién estaba disponible cuando surgía un cupo. Hoy, cada vez más empresas usan analítica predictiva para automatizar esa priorización: sistemas que cruzan datos de desempeño, antigüedad, rotación histórica y brechas de habilidades detectadas, y devuelven un ranking de a quién conviene capacitar primero según el retorno esperado para la organización. El cambio no es menor: una intuición sesgada de un jefe afecta a un puesto, a un equipo, quizás a un sector. Un sistema de priorización sesgado afecta, con la misma lógica, a toda la organización al mismo tiempo — y lo hace con una apariencia de objetividad que un jefe nunca tuvo. Nadie cuestiona tan fácil un número que salió de un algoritmo como cuestionaría la corazonada de un supervisor.

El terreno normativo argentino: un derecho que no depende de ningún ranking. Acá hay algo que separa a esta píldora de las anteriores: existe un derecho legal individual a la capacitación que no depende de lo que decida ningún sistema de priorización.

Ley 24.576 (incorporó el Capítulo VIII al Título II de la LCT): le da a cada trabajador el derecho a una cantidad de horas anuales, pagas, para realizar actividades de formación de su propio interés, fuera del lugar de trabajo — la cantidad exacta la fija el convenio colectivo aplicable. Es un derecho individual, no una asignación competitiva: un sistema que reparte el presupuesto según "retorno esperado para la empresa" no puede usarse para negarle a nadie este crédito horario.
Ley 22.317 (Régimen de Crédito Fiscal): permite a las empresas descontar del impuesto a las ganancias gastos de capacitación, con topes que llegan hasta el 30% de la masa salarial anual en PyMEs y cooperativas. Es el incentivo económico detrás de la lógica de "priorizar": cada acción mal dirigida es, además de una oportunidad perdida, un beneficio fiscal desaprovechado.
Convenio 142 de la OIT sobre desarrollo de los recursos humanos: reconoce la formación profesional como parte del derecho a la educación y al trabajo, con un enfoque de acceso amplio, no solo para quienes ya muestran alto desempeño. Un sistema que concentra la capacitación en quienes ya rinden mejor puede, en los hechos, ir en contra de ese espíritu — aunque ninguna cláusula lo prohíba de forma explícita.

Alerta. El crédito horario de la Ley 24.576 es para capacitación "que el trabajador juzgue de su propio interés" — no tiene que coincidir con lo que el sistema de la empresa priorizó. Confundir "no fuiste priorizado por el algoritmo para esta capacitación específica de la empresa" con "no tenés derecho a capacitarte" es un error que puede terminar en un reclamo bien fundado.

Qué hace hoy un sistema de priorización de capacitación. Estos sistemas suelen combinar tres tipos de datos: el desempeño reciente de cada persona, las brechas de habilidades detectadas frente al puesto actual o uno futuro, y un cálculo de riesgo de rotación — qué tan probable es que esa persona deje la empresa en el corto plazo. Con eso arman un ranking y sugieren, a veces de forma automática, en quién invertir el presupuesto de formación disponible.

Para pensar. Fijate en el tercer dato: riesgo de rotación. Tiene una lógica empresarial comprensible —¿para qué invertir en capacitar a alguien que probablemente se va a ir?— pero encierra una paradoja incómoda: a veces, la persona con mayor riesgo de irse es, justamente, la que más necesita sentir que la empresa invierte en ella para quedarse. Un sistema que solo mide el riesgo hacia atrás puede terminar generando, hacia adelante, exactamente el resultado que quería evitar. El problema estructural es parecido al que ya vimos en selección de personal: si el sistema aprende de datos históricos que reflejan patrones previos de favoritismo, antigüedad en el puesto o simple disponibilidad de horario, no corrige esos patrones — los reproduce a mayor velocidad y con apariencia de neutralidad.

Primer caso: la licencia que el sistema leyó como desinterés. Una empresa de servicios de Posadas arma su ranking anual cruzando desempeño, brechas de habilidades y riesgo de rotación. Una empleada con buen desempeño histórico queda en el tercio inferior este año, después de haber estado siempre entre las primeras. Lo que el sistema no puede ver: estuvo seis meses con licencia por maternidad durante el período que usó para calcular sus indicadores. Registró una caída en su participación en proyectos y en la plataforma de formación interna, y esa caída pesó en el ranking como si fuera menor compromiso — no como lo que realmente fue, una licencia protegida por ley. Si el patrón se repite con cada persona que toma una licencia prolongada —maternidad, enfermedad, cuidado de familiares—, el sistema termina construyendo una desventaja acumulativa para quienes ejercen derechos que la ley protege expresamente, sin que exista ninguna instrucción explícita de "penalizar licencias" en ningún lado. Quien audita el proceso no acepta el ranking como un hecho neutral: revisa, para cada persona que bajó de posición, si hubo una licencia o ausencia justificada que el sistema no está en condiciones de contextualizar.

Segundo caso: el crédito horario que nadie sabía cómo darle curso. Un trabajador de una pyme industrial de Eldorado, con un convenio que fija 40 horas anuales de crédito horario, pide usarlas para un curso de idioma sin relación directa con su puesto. El área de Capacitación trabaja con un sistema que prioriza automáticamente según brechas de habilidades del puesto, y no tiene un procedimiento claro para un pedido que no figura en esa lista de prioridades: el pedido queda en un limbo administrativo, tratado como si compitiera por el mismo presupuesto que el sistema sí eligió. Pero el crédito horario de la Ley 24.576 no es un beneficio discrecional de la empresa: es un derecho del trabajador, remunerado, para la capacitación que él mismo elige. Tratarlo como si tuviera que competir con las prioridades de un sistema de optimización de presupuesto es aplicar mal la norma, aunque nadie lo haya decidido a propósito. Lo que destraba estos casos, sin necesidad de que escalen a un reclamo formal, es separar con claridad dos circuitos desde el diseño: el presupuesto discrecional, donde el sistema puede ayudar a decidir, y el crédito horario legal, que se gestiona aparte, sin depender de ningún ranking.

Por qué esta habilidad blinda tu empleabilidad. El dato de PwC con el que abrimos esta píldora tiene una segunda lectura, más útil que la primera: no alcanza con "capacitarte" en abstracto para estar más seguro frente a la IA. Hay que entender, además, cómo se reparte hoy el acceso a esa capacitación, y estar en condiciones de detectar cuándo ese reparto está dejando afuera a alguien por una razón que no tiene que ver con su desempeño real. Esa doble mirada —conocer el contenido técnico y conocer el mecanismo que decide quién accede a él— es la que distingue a quien gestiona bien un área de Capacitación y Desarrollo de quien simplemente administra un presupuesto y un sistema que decide por él.

Ya viste cómo se arma hoy un ranking de capacitación y qué dice la ley por fuera de él. En la actividad te toca encontrarle la falla a un ranking real.

Actividad · Panel 2 de 4

Encontrá el punto ciego del ranking

Te mostramos un fragmento simplificado de un ranking real de priorización de capacitación. Miralo con la misma lógica que usaste en la lectura, y elegí qué supuesto del sistema te parece más discutible.

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

Y ahora, tu experiencia

El caso del ranking tiene una respuesta correcta. Esto que te preguntamos ahora, no — y por eso es lo que más nos interesa: ¿alguna vez sentiste que quedaste afuera de una capacitación o una oportunidad de desarrollo por una razón que no tenía que ver con tu desempeño real —una licencia, una pausa, un momento particular de tu vida—? ¿O te tocó, del otro lado, decidir a quién capacitar primero con un presupuesto limitado? No hay respuesta esperada ni "correcta": contanos lo que te pasó o lo que pensás, por WhatsApp o en los comentarios.

Formate en RRLL Instituto Superior Huellas Misioneras Ver curso

La entrada La IA y la capacitación de RRHH | Huellas Misioneras se publicó primero en Huellas Misioneras.

Selección con IA: currículums y sesgo algorítmico | ISHM

Huellas Misioneras — Fri, 04 Sep 2026 13:49:20 +0000

Línea RRLL + IA · Píldora 2

El currículum que te filtra un algoritmo antes de que vos lo veas

Cada vez más empresas usan IA para leer currículums. El problema no es que existan esos sistemas — es que muchas veces nadie audita lo que deciden.

Lectura · Panel 1 de 4

De currículum en papel a puntaje automático

Cada vez más candidatos usan IA para armar su currículum, y cada vez más empresas usan IA para leerlo. Un estudio académico reciente encontró algo todavía más inquietante en ese cruce: los modelos de IA que evalúan currículums tienden a preferir los redactados por IA por sobre los escritos por una persona. No es una anécdota de laboratorio — es, literalmente, una máquina prefiriéndose a sí misma antes que evaluar a quien tiene enfrente. Si en la píldora anterior vimos que un algoritmo puede liquidarte mal el sueldo sin que nadie lo note, acá el problema es anterior: puede decidir que ni siquiera llegues a la entrevista.

De currículum en papel a puntaje automático. Durante la mayor parte de la historia de la selección de personal, el filtro inicial lo hacía una persona. Hoy, en el 46% de los procesos de selección en Argentina, ese primer filtro ya lo aplica un sistema.

Selección de Personal es el proceso mediante el cual una organización identifica, evalúa y elige entre distintos candidatos a quien mejor se ajusta a un puesto, combinando criterios técnicos con criterios de ajuste cultural y proyección a futuro. No es un trámite administrativo: es una decisión sobre el futuro de una persona y sobre el futuro de una organización, al mismo tiempo.

De organizar a puntuar. Los sistemas ATS (Applicant Tracking System) nacieron para centralizar postulaciones y ordenar currículums. La incorporación de IA les agregó una capa mucho más decisiva: hoy no solo ordenan, puntúan. Le asignan a cada currículum un score de compatibilidad antes de que ningún ojo humano lo haya leído completo. Un sistema de puntuación no es neutral: refleja las decisiones de quien lo diseñó, la calidad de los datos con los que fue entrenado y los criterios con los que se lo configuró. Si una organización contrató históricamente un tipo de perfil, el modelo puede aprender a preferir ese mismo perfil, y replicar así, de forma automática y a gran escala, un patrón que nadie decidió mantener a propósito.

El terreno normativo argentino: una zona más gris que la de nómina. A diferencia de la liquidación de sueldos, acá el marco legal todavía está construyéndose:

Norma	Qué dice, en criollo	Dónde está el límite hoy
Ley 23.592 (1988)	Obliga a cesar cualquier acto que restrinja arbitrariamente el ejercicio igualitario de un derecho, y a reparar el daño causado.	Habla de "trabajadores". Aplicarla a un postulante requiere apoyarse además en la garantía constitucional de igualdad, el Convenio 111 de la OIT y la doctrina de la Corte Suprema.
Ley 25.326 (2000)	Un currículum es un dato personal. La norma prohíbe que una decisión que afecta a una persona se base exclusivamente en tratamiento automatizado.	No define con precisión cómo deben auditarse esos sistemas. Hay proyectos de reforma en el Congreso, ninguno aprobado todavía.
Convenio 111 (OIT)	Compromiso internacional contra la discriminación en el empleo y la ocupación, ratificado por Argentina.	Es un piso de derechos, no una regulación técnica sobre cómo debe auditarse un algoritmo de selección.

Alerta: "el sistema lo decidió" no es una respuesta jurídicamente válida si un postulante reclama por discriminación. La ley argentina no exime de responsabilidad a quien delega una decisión discriminatoria en un algoritmo. Este concepto tiene nombre propio en la doctrina reciente: discriminación algorítmica sin intención — un sistema puede repartir oportunidades de forma desigual sin que exista una orden humana dirigida a excluir a nadie. No es una excusa para la empresa ni una acusación automática: es una categoría jurídica que exige prueba y análisis caso por caso.

Qué hace hoy la IA en un proceso de selección argentino. El uso de IA en selección alcanza al 46% de los especialistas de RRHH en Argentina, y trepa al 66% en las grandes empresas. Las aplicaciones más frecuentes son la redacción de ofertas de empleo, el filtrado y scoring de currículums, los chatbots de primera interacción y, en procesos más sofisticados, el análisis de video-entrevistas. El problema no está en que estas herramientas existan — está en el problema de la "caja negra": modelos que entregan un resultado sin ofrecer una explicación clara sobre cómo llegaron a esa conclusión. Cuando nadie en la organización puede explicar por qué el sistema descartó a un candidato, tampoco puede detectar si ese descarte respondió a un criterio legítimo o a un sesgo heredado de los datos de entrenamiento.

A diferencia de la liquidación de sueldos, donde el error se puede reconstruir con una norma y una fórmula, en selección con IA muchas veces ni siquiera existe ese camino de vuelta: el modelo no explica sus razones de forma comprensible para un humano. Por eso acá la habilidad que importa no es solo "saber dónde buscar el error" — es exigir, desde el diseño del proceso, que el sistema sea auditable antes de ponerlo a decidir sobre personas.

Caso: la candidata que el sistema descartó por una palabra. Un ATS con scoring automático recibe 180 postulaciones para un puesto de analista contable semipleno y entrega un ranking: los primeros veinte pasan a revisión humana, el resto queda fuera sin que nadie lo lea. Entre los descartados hay una candidata con siete años de experiencia contable, que describió sus tareas como "gestión integral de la cuenta corriente y conciliaciones bancarias" en lugar del término exacto que buscaba el algoritmo. El sistema, entrenado para buscar coincidencias de palabras clave, le asignó un score bajo aunque sus tareas incluían, de hecho, ese trabajo bajo otro nombre. Cuando un sistema pondera fuertemente la coincidencia literal de palabras, castiga sistemáticamente a quienes describen su experiencia con un vocabulario distinto al esperado — y tiende a favorecer a quienes ya conocen el código del sistema. Revisar manualmente el grupo de currículums con score medio-bajo permitió recuperar a esta candidata, que finalmente fue contratada.

Caso: el aviso que el algoritmo hizo más angosto. Una empresa de tecnología redacta un aviso para un puesto de soporte técnico: "buscamos un ninja del soporte, con mentalidad rockstar y energía joven y dinámica". La plataforma usa IA para optimizar el alcance del aviso, mostrándoselo a los perfiles "más afines" según el historial de clics. El lenguaje ya trae un sesgo antes de que cualquier algoritmo entre en juego: términos como "energía joven" y "rockstar" suelen desalentar a postulantes de mayor edad o con estilos más formales, aunque tengan la experiencia necesaria. El sistema no corrige ese sesgo: lo aprende y lo amplifica, mostrando el aviso a quienes son estadísticamente parecidos a quienes ya reaccionaron a avisos con ese tono. Nadie tomó la decisión explícita de excluir a un grupo — fue el lenguaje, combinado con un sistema que optimiza por similitud, el que produjo ese efecto. La corrección más eficaz, en este caso, no ocurre al final del proceso: ocurre en la primera línea que se escribe.

Por qué esta habilidad blinda tu empleabilidad. Nadie te va a contratar por saber operar un ATS — eso lo espera cualquier empleador como piso mínimo. Lo que te distingue es poder mirar el proceso de selección con ojo crítico —¿este sistema está midiendo lo que dice medir, o está reproduciendo un patrón que nadie cuestionó?— y tener el marco normativo para sostener esa mirada, no solo la intuición. Un dato de PwC Argentina lo confirma desde otro ángulo: en los roles junior más expuestos a la IA, hoy se piden siete veces más las competencias que antes se asociaban a perfiles senior —liderazgo, toma de decisiones estratégicas, criterio propio—. El mercado ya está pidiendo, incluso en la entrada, la habilidad de auditar y no solo de ejecutar.

Ahora te toca a vos: te dejamos un aviso real y dos perfiles de candidatos. Mirálo con la lógica de quien audita el proceso, no de quien solo confía en el ranking.

Actividad · Panel 2 de 4

Encontrá el sesgo

Aviso: "Buscamos analista de RRHH junior, con perfil dinámico, disponibilidad full time y capacidad de adaptarse a un ritmo acelerado. Valoramos la energía y las ganas de crecer por sobre los años de experiencia."

Candidato A: 24 años, seis meses de experiencia en un puesto administrativo, currículum breve, sin experiencia específica en RRHH. Candidato B: 52 años, quince años de experiencia en distintas áreas de RRHH, currículum extenso, buscando reinsertarse tras una etapa de cuidado familiar. El sistema le asigna al Candidato A un score de compatibilidad más alto.

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

Y ahora, tu experiencia

¿Alguna vez sentiste que un proceso de selección te descartó por algo que no tenía que ver con tu capacidad real para el puesto —una palabra que no usaste, una edad, una forma de contar tu experiencia—? ¿O participaste de un proceso donde viste de cerca cómo un filtro automático dejaba afuera a alguien que claramente estaba capacitado? Ya nos contaste tu respuesta en la actividad — si querés sumar algo más, escribinos por WhatsApp.

Formación en RRLL + IA Instituto Superior Huellas Misioneras Ver curso

La entrada Selección con IA: currículums y sesgo algorítmico | ISHM se publicó primero en Huellas Misioneras.

La IA ya liquida sueldos. Auditarlos, no

Huellas Misioneras — Fri, 04 Sep 2026 12:38:34 +0000

Píldora de aprendizaje · Serie RRLL + IA

Liquidar sueldos ya no alcanza. Auditar la liquidación, sí.

La IA ya calcula los sueldos en segundos. Lo que todavía depende de vos es saber si ese cálculo está bien.

Lectura · Panel 1 de 4

Liquidar sueldos ya no alcanza. Auditar la liquidación, sí.

Si un algoritmo ya puede ser tu jefe —y en Argentina hay sentencia firme sobre eso—, también puede ser el que decide, en silencio, cuánto cobrás este mes. No con mala intención. Con un error que nadie audita porque se asume que el sistema no se equivoca.

Ese es el primer terreno concreto donde la IA ya entró en Recursos Humanos, y probablemente el que menos ruido hace: la liquidación de sueldos.

De calcular a auditar. Durante décadas, liquidar sueldos fue sinónimo de calcular a mano: básico, más adicionales, menos descuentos, igual neto. Ese cálculo hoy lo hace un sistema en segundos. Lo que cambió no es la fórmula. Cambió el rol de la persona que está delante de la pantalla.

Definición clave — Administración de las Remuneraciones

Es el proceso de diseñar, calcular y controlar la compensación económica del trabajador conforme a la normativa vigente, los convenios colectivos aplicables y la política salarial de la organización. No termina en el cálculo: incluye el control de que ese cálculo sea correcto y defendible ante una inspección o un reclamo.

Cuando el cálculo se automatiza, la tarea que queda —y la que un sistema todavía no puede hacer solo— es auditar: revisar si lo que el sistema calculó respeta la norma vigente, el convenio aplicable y la historia de ese trabajador en particular. Auditar exige entender por qué un número es correcto, no solo confiar en que lo es. Esa comprensión profunda de la normativa es, hoy, más valiosa que la velocidad de cálculo.

La Administración de las Remuneraciones no nació con la computadora. Como disciplina dentro de la gestión de Recursos Humanos, se estructura sobre dos principios que siguen vigentes hoy, automatización mediante: la equidad interna —que dos puestos de responsabilidad comparable reciban una compensación comparable dentro de la misma organización— y la equidad externa —que esa compensación no se aleje demasiado de lo que paga el mercado o fija el convenio colectivo aplicable—. Cualquier sistema de liquidación, por sofisticado que sea, ejecuta reglas: no decide si esas reglas son equitativas ni si siguen vigentes. Esa evaluación sigue siendo un juicio humano, apoyado en normativa y en información de mercado, no una función que un algoritmo resuelva por sí solo.

Además, la remuneración de un trabajador argentino nunca fue un número único. Se compone de conceptos remunerativos —los que integran la base de cálculo para aportes, contribuciones e indemnizaciones— y conceptos no remunerativos —los que, por definición legal o convencional, quedan fuera de esa base—. El artículo 103 de la Ley de Contrato de Trabajo (Ley 20.744) define la remuneración como la contraprestación que debe percibir el trabajador como consecuencia del contrato de trabajo, y es el resto del articulado, junto con el convenio colectivo de cada actividad, el que decide, concepto por concepto, dentro de qué categoría cae cada ítem del recibo.

Vista así, la digitalización de la liquidación no cambió el fondo del problema, lo desplazó. En los años noventa y dos mil, liquidar mal significaba errar una fórmula en una planilla de cálculo. Con los sistemas integrados de gestión de la década siguiente, el riesgo se trasladó a la parametrización: si el sistema estaba mal configurado, replicaba el mismo error en todos los recibos del mes, en lugar de en uno solo. Con la inteligencia artificial de esta década, el riesgo cambia de naturaleza otra vez: el sistema puede tener la parametrización correcta y, aun así, no advertir que esa parametrización dejó de ser la que corresponde según la norma vigente, porque desde el punto de vista estadístico no hay ninguna anomalía que marcar. Un detector de anomalías busca variaciones respecto de un patrón, no incumplimientos respecto de una norma.

El terreno normativo 2026 que hay que dominar. La liquidación de sueldos en Argentina cambió de forma significativa en los últimos dos años, y quien audita necesita conocer estos cuatro puntos de memoria:

Cambio normativo	Qué implica para quien liquida o audita
Ley de Modernización Laboral	Amplió las posibilidades de acuerdo entre empleador y empleado sobre remuneración, lo que multiplica la variedad de conceptos a gestionar cada mes.
Decreto 407/2026	Estableció un nuevo modelo obligatorio de recibo, vigente desde el 1 de junio de 2026: ya no parte de la remuneración bruta, sino del costo laboral total, mostrando primero las contribuciones patronales.
Libro de Sueldos Digital (ARCA)	Herramienta obligatoria de registración de datos laborales y salariales, vinculada a la declaración jurada de Seguridad Social F.931. Expone la calidad de todo el circuito de liquidación.
Tablas de Ganancias 4ª categoría / SIRADIG	Se actualizan con mayor frecuencia que antes. Liquidar con una tabla vieja significa retenciones incorrectas, aunque el resto del cálculo esté perfecto.

Alerta

El recibo ya no arranca donde arrancaba hace dos años. Si audités con el criterio viejo —"remuneración bruta menos descuentos"— sin incorporar el costo laboral total del Decreto 407/2026, podés dar por válido un recibo que en realidad está mal formateado.

Estos cuatro cambios se suman a una capa que nunca dejó de estar presente y que ningún sistema resuelve por sí solo: el convenio colectivo de trabajo aplicable a cada actividad. La Ley de Contrato de Trabajo fija el piso —qué es remuneración, qué garantías mínimas existen, cómo se calcula el salario mínimo vital y móvil—, pero buena parte de los adicionales, categorías, porcentajes de antigüedad y conceptos no remunerativos que aparecen en un recibo real surgen de la negociación colectiva de cada sector. Auditar una liquidación implica, entonces, cruzar tres capas a la vez: la ley general, el convenio específico de la actividad y la configuración particular del sistema que usa la empresa. Ninguna herramienta de inteligencia artificial disponible hoy en el mercado argentino integra por sí sola esas tres capas sin supervisión humana.

Qué hace hoy la inteligencia artificial en una liquidación argentina. La IA aplicada a nómina ya no se limita a acelerar la carga de datos. Los sistemas actuales cruzan horas extra con presentismo, concilian ausentismo con certificados médicos digitales y, en las plataformas más avanzadas, auditan el cien por ciento de las liquidaciones antes de que se pague un solo recibo, marcando variaciones inusuales para que un analista las revise.

Reflexión pedagógica

Fijate en el verbo: "marcando para que un analista revise". El sistema señala la anomalía. No decide si es un error. Esa interpretación sigue siendo una tarea humana, y lo va a seguir siendo mientras la liquidación involucre criterio sobre casos sensibles: desvinculaciones, licencias complejas, conceptos remunerativos dudosos o cambios de convenio.

Esa es la regla sana que conviene incorporar ya: la tecnología acelera la revisión, no reemplaza la validación humana. Un sistema puede decir "esto es distinto a lo esperado". Solo una persona que entiende el proceso puede decir "esto está bien" o "esto hay que corregirlo antes de que se convierta en un problema".

A estos mecanismos se suman otros dos que están creciendo rápido en el mercado argentino. Por un lado, la integración por API en tiempo real entre el sistema de nómina y las plataformas de control de presentismo, los bancos y organismos como ARCA, que elimina buena parte de la carga manual de datos pero traslada el riesgo de error al momento mismo de la integración. Por otro lado, empiezan a aparecer asistentes virtuales con inteligencia artificial generativa pensados para ayudar a armar fórmulas de liquidación de conceptos complejos, una tarea que hasta hace poco exigía conocimiento avanzado del sistema. Cuanto más fácil se vuelve crear una fórmula, más importante se vuelve que alguien pueda verificar si esa fórmula sigue siendo compatible con la norma vigente y con el convenio aplicable.

Caso resuelto: el 2% que nadie audita

Pensemos un escenario verosímil para una pyme misionera con treinta empleados, liquidación mensualizada y un sistema de nómina con módulo de detección de anomalías.

El dato de partida. El sistema no marca ninguna alerta este mes. Todas las liquidaciones cierran dentro del rango esperado. A simple vista, todo está en orden.

Lo que el sistema no puede ver. Un analista de RRHH, revisando legajos por otro motivo, nota que a un grupo de trabajadores se les liquida el adicional por antigüedad al 2% por año, cuando el convenio colectivo aplicable establece 1%. El sistema no lo marcó como anomalía porque no era una anomalía respecto del propio historial: ese 2% se viene pagando así, de forma sistemática, desde hace tres años. Para el sistema, la consistencia es señal de que todo está bien. Para quien entiende el marco normativo, la consistencia del error es exactamente el problema.

Por qué esto no es un detalle menor. Un concepto pagado de más, de forma sostenida y sin objeción del empleador, puede convertirse en un derecho adquirido. Revertirlo unilateralmente exige un análisis normativo y, probablemente, asesoramiento legal para no generar un reclamo mayor al que se buscaba evitar.

Lo que hace la persona que audita. No corrige el número y sigue de largo. Reconstruye desde cuándo se aplica el error, cuantifica el impacto acumulado, identifica si existe convenio o acuerdo que lo justifique, y recién ahí propone un camino de corrección que contemple tanto el costo para la empresa como los derechos ya consolidados del trabajador.

Segundo caso: la tabla que quedó vieja

El primer caso es un problema de clasificación. Este segundo escenario tiene una lógica distinta: no una etiqueta equivocada, sino una desactualización que nadie nota a tiempo.

El dato de partida. Una empresa de servicios profesionales del Alto Paraná liquida sueldos con un sistema en la nube, integrado por API con el organismo recaudador. El sistema no reporta ninguna anomalía: cada mes calcula y retiene el Impuesto a las Ganancias de cuarta categoría según la tabla y los parámetros de SIRADIG que tiene cargados.

Lo que el sistema no puede ver. Las tablas de Ganancias de cuarta categoría se actualizan hoy con mayor frecuencia, en general por resolución de la autoridad fiscal. El proveedor del software actualiza esos parámetros en un ciclo mensual fijo, y una actualización publicada a mitad de mes queda pendiente hasta la corrida siguiente. Durante ese período, el sistema sigue liquidando de forma perfectamente consistente con la tabla anterior — exactamente el tipo de comportamiento que un detector de anomalías está diseñado para no marcar.

Por qué esto no es un detalle menor. Una retención mal calculada, aunque sea por un desfasaje de pocos días, genera una diferencia entre lo retenido y lo que efectivamente correspondía — de más, perjudicando el ingreso disponible del trabajador ese mes, o de menos, obligando después a un ajuste incómodo de explicar.

Lo que hace la persona que audita. No se limita a confiar en la fecha de "última actualización" que muestra el sistema. Cruza esa fecha con el calendario real de publicaciones de la autoridad fiscal — algo que ningún módulo de nómina hace de forma autónoma, porque técnicamente no es un error del sistema: es un desfasaje entre el ritmo de la norma y el ritmo de actualización del software.

Los dos casos, leídos juntos, muestran el mismo punto desde dos ángulos: un sistema puede estar calculando perfectamente bien la fórmula que tiene cargada y, aun así, estar liquidando mal — porque la fórmula clasifica algo de forma incorrecta, o porque quedó un paso atrás de la norma vigente. En ninguno de los dos casos el error aparece como una anomalía estadística. En los dos casos, lo que lo destraba es la misma habilidad: entender la norma lo suficiente como para dudar de un número que, en apariencia, está perfecto.

Por qué esta habilidad blinda tu empleabilidad. Nadie te va a preguntar en una entrevista si sabés cargar novedades en un sistema. Eso lo espera cualquier empleador como piso mínimo. Lo que te distingue es poder mostrar que entendés por qué un número está bien o está mal, más allá de lo que diga la pantalla. Esa es la diferencia entre operar una herramienta y estar en condiciones de auditarla.

En el panel de Actividad te dejamos un fragmento de recibo simplificado para que encuentres vos el error, antes de leer la respuesta — y un espacio para contarnos si alguna vez te tocó de cerca algo parecido.

Actividad · Panel 2 de 4

Encontrá el error (y contanos tu experiencia)

Esta actividad tiene dos partes: un ejercicio con respuesta concreta, y un espacio abierto para tu propia experiencia — ahí no hay respuesta correcta, nos interesa lo que vos viviste.

Audio · Panel 3 de 4

Escuchá el audible de esta píldora

Cierre · Panel 4 de 4

Auditar es la habilidad que no se automatiza

Esta píldora miró la liquidación de sueldos. La próxima va a mirar otro rincón de RRLL —selección, negociación, capacitación, condiciones de trabajo— con la misma pregunta de fondo: cuando la IA entra en una función de RRLL, ¿quién la entiende y quién solo la mira funcionar?

Si esto te interesa, en Introducción a las RRLL: profundizamos exactamente en esto.

Introducción a las RRLL Instituto Superior Huellas Misioneras Ver curso

La entrada La IA ya liquida sueldos. Auditarlos, no se publicó primero en Huellas Misioneras.