La empleabilidad suele entenderse como una suma de destrezas: saber programar, analizar datos, gestionar proyectos, liderar equipos, entre muchas otras. Pero ese mapa quedó corto. En un mundo laboral mediado por plataformas, datos y algoritmos, la empleabilidad tenderá a convertirse, cada vez más, en empleabilidad moral. No bastará con saber hacer ya que habrá que responder por los efectos del hacer. Y esa exigencia no es una consigna humanista abstracta: se volvió práctica cotidiana y aumentará con el tiempo, porque una parte creciente del trabajo hoy en día y en el futuro consistirá en tomar decisiones con sistemas que clasifican, predicen y recomiendan.
Durante décadas la reputación profesional y técnica se jugó en la calidad técnica, los plazos y los resultados. Hoy, además, se juega en la capacidad de anticipar daños, detectar sesgos, justificar criterios y corregir efectos indeseados. La razón es simple: cuando una decisión laboral, crediticia, educativa o sanitaria pasa por modelos estadísticos, el cómo importa tanto como el qué. Un sistema puede funcionar y, al mismo tiempo, discriminar.
La investigación jurídica y técnica lleva años mostrando por qué. Barocas y Selbst explicaron cómo la minería de datos puede generar impactos discriminatorios incluso sin intención explícita por variables como proxy, errores de medición, sesgos en etiquetas o definiciones problemáticas del objetivo a predecir. En otras palabras: la discriminación puede emerger del diseño mismo del sistema, de los datos y de la forma de optimizarlo.
Este punto cambia la ética profesional: si los daños pueden surgir sin mala intención, entonces la responsabilidad ya no se limita a no discriminar, sino a diseñar y operar con debida diligencia. Lo moral se vuelve parte de lo técnico.
En el debate público la palabra sesgo y su sentido profundo suele sonar como un problema de opinión. En la práctica laboral, es un problema de calidad, riesgo y legitimidad. Los ejemplos abundan: auditorías a sistemas de análisis facial han evidenciado brechas de desempeño por género y tono de piel. El caso Gender Shades se convirtió en un hito que impulsó conversación regulatoria, cambios corporativos y un ecosistema amplio de auditorías externas[1].
La lección no es no usar IA, sino comprender que usar IA implica gobernarla. Y gobernarla exige competencias que van más allá de la programación: saber qué medir, qué documentar, a quién afecta, quién responde, cómo se corrige, cómo se explica. Esa es la base de la empleabilidad moral: una persona empleable, en este nuevo escenario, no es solo quien produce resultados, sino también quien puede rendir cuentas por el impacto de su trabajo.
La empleabilidad moral también se acelera por un hecho muy concreto: las reglas están cambiando. La Unión Europea aprobó el AI Act, un marco regulatorio basado en riesgos que exige obligaciones específicas para ciertos sistemas (especialmente los de alto riesgo), incluyendo requisitos vinculados a control humano y mitigación de impactos sobre derechos fundamentales. Aunque su implementación sea gradual, el mensaje ya opera como estándar cultural: si trabajas con sistemas que afectan a personas, debes poder mostrar evidencia de diligencia, supervisión y trazabilidad.
En paralelo, organismos internacionales han empujado el mismo lenguaje. Los Principios de IA de la OCDE (adoptados en 2019 y actualizados en 2024) incluyen transparencia, robustez y accountability como pilares de IA confiable. Y el NIST AI Risk Management Framework (2023) traduce valores en prácticas: mapear riesgos, medir, gestionar, documentar y monitorear a lo largo del ciclo de vida.
Dicho de manera simple: el mercado laboral empieza a premiar a quienes saben operacionalizar la ética. Ser ético deja de ser un rasgo de carácter y pasa a ser una capacidad profesional demostrable: hacer evaluaciones de impacto, diseñar pruebas de sesgo, establecer controles, registrar decisiones, habilitar mecanismos de reclamo, y corregir.
Para que la idea no quede en el aire, conviene aterrizarla en cuatro preguntas que cualquier profesional en entornos de datos y algoritmos debería saber enfrentar:
- Justicia: ¿Quién gana y quién pierde con este sistema? ¿Las tasas de error, exclusión o denegación se distribuyen de forma inequitativa?
- Sesgos: ¿Qué datos entrenan el modelo? ¿Representan a la población real? ¿Hay variables proxy que reproduzcan discriminación?
- Transparencia y explicación: ¿Podemos explicar criterios de decisión a usuarios, clientes o afectados? ¿Existe documentación accesible (datasheets/model cards, logs, trazabilidad)?
- Responsabilidad: Cuando el sistema se equivoca, ¿quién responde? ¿Hay control humano significativo o se delega la decisión sin supervisión?
Estas preguntas se parecen mucho a los principios de códigos profesionales clásicos. El ACM Code of Ethics insiste en minimizar daños, respetar derechos, ser honestos sobre limitaciones y asumir responsabilidad por los sistemas que se construyen y despliegan. Lo nuevo es que ahora esos principios se cruzan con métricas, auditorías, cumplimiento y reputación corporativa.
El World Economic Forum viene señalando que, junto a habilidades tecnológicas (IA y datos, ciberseguridad, alfabetización digital), crecerán habilidades humanas como pensamiento crítico, creatividad y resiliencia. La empleabilidad moral propone una síntesis: la integración entre lo técnico y lo humano no es un adorno, sino una condición de sustentabilidad del trabajo.
Esto implica transformar la formación y la cultura laboral. No se trata solo de agregar un ramo de ética como apéndice, sino de insertar criterios éticos en cada decisión técnica: desde cómo se define un KPI hasta cómo se eligen datasets; desde cómo se automatiza una evaluación de desempeño hasta cómo se diseña una interfaz que permite impugnar una decisión.
Sobre todo, se trata de cultivar una virtud profesional clave: la disposición a responder, a explicar, a corregir. En contextos algorítmicos, la omisión también es una acción: no auditar, no documentar, no monitorear, no habilitar reclamos, es elegir opacidad.
La empleabilidad moral no es moralismo. Es un realismo nuevo: el trabajo produce efectos amplificados por infraestructuras digitales, y esos efectos son visibles, medibles y, crecientemente regulados. Las instituciones educativas y las empresas que entiendan esto construirán confianza; las que lo ignoren enfrentarán conflictos, litigios, pérdida reputacional y, lo más grave, daño social.
El futuro del trabajo no será únicamente una carrera por dominar herramientas, sino una carrera por dominar consecuencias. La pregunta decisiva de la empleabilidad ya no será solo ¿qué sabes hacer?, sino ¿qué haces posible y qué haces probable cuando haces lo que sabes hacer?”. Aquí, exactamente aquí, comienza la empleabilidad moral.
Nota: Respecto al nuevo concepto denominado “empleabilidad moral” se utilizaron las herramientas IA ChatGPT, Perplexity y Claude para la búsqueda de fuentes y autores de relevancia para comprender el fondo y la forma de cómo se expresa hoy el concepto aludido. La selección de ideas, conexión entre estas y la redacción final es nuestra.
Referencias:
Association for Computing Machinery. (2018). ACM Code of Ethics and Professional Conduct.
Barocas, S., & Selbst, A. D. (2016). Big Data’s Disparate Impact.
European Commission. (2024, August 1). AI Act enters into force.
NIST. (2023, January 26). AI Risk Management Framework (AI RMF 1.0).
OECD. (2019; updated 2024). OECD AI Principles.
Raji, I. D., & Buolamwini, J., et al. (2023). Actionable Auditing Revisited (Communications of the ACM / MIT).
World Economic Forum. (2025). The Future of Jobs Report 2025.
Vatican / Pontifical Academy for Life. (2020). Rome Call for AI Ethics.
[1] https://www.media.mit.edu/projects/gender-shades/overview/
0