La inteligencia artificial (IA) está reconfigurando el panorama laboral con una velocidad sin precedentes, y los departamentos de Recursos Humanos (RRHH) no son la excepción. Desde la automatización de tareas administrativas hasta la toma de decisiones estratégicas basada en datos, la IA promete eficiencia y precisión. Sin embargo, su impacto en el bienestar, la motivación y el rendimiento de los empleados no es unívoco. ¿Favorece realmente la satisfacción y el desarrollo profesional, o introduce nuevas formas de estrés y precarización?
En este análisis, basado en mi Trabajo de Fin de Grado en Psicología, abordo las evidencias empíricas y teóricas sobre cómo la IA está transformando la psicología organizacional y qué condiciones determinan su efecto positivo o negativo en los trabajadores.
Contextualización y Justificación
1. Contextualización y Justificación (Ampliado)
El auge de la inteligencia artificial (IA) se ha convertido en una fuerza disruptiva en numerosos sectores, y el ámbito de los Recursos Humanos (RRHH) no es la excepción. Durante décadas, la gestión del personal ha experimentado una evolución paulatina: desde los primeros sistemas de información básicos —diseñados para registrar datos y reducir la carga administrativa—, hasta la digitalización de procesos a través de plataformas e-HRM que permitieron centralizar y gestionar grandes volúmenes de datos. Esta evolución histórica sienta las bases para la integración actual de algoritmos avanzados y sistemas de machine learning, los cuales son capaces de analizar información compleja y generar insights a partir de patrones antes inaccesibles.
En este contexto, la IA se presenta como una herramienta transformadora con el potencial de optimizar procesos y mejorar la eficiencia operativa en los RRHH. Su implementación permite automatizar tareas repetitivas, agilizar la selección y reclutamiento de personal, personalizar la formación y, en general, liberar a los profesionales de tareas burocráticas para que se concentren en actividades estratégicas. No obstante, más allá de la mejora en la eficiencia, la adopción de tecnologías avanzadas en RRHH implica tocar aspectos intrínsecamente humanos que son esenciales para el bienestar y la motivación de los empleados.
Uno de los aspectos en esta transformación es la forma en que la tecnología afecta la percepción de la justicia organizacional. Cuando se introducen sistemas automatizados para la toma de decisiones, es fundamental que los criterios y procesos sean transparentes y justos para evitar sentimientos de inequidad y desconfianza entre el personal. Además, el sentimiento de autonomía, tan valorado en la teoría de la autodeterminación, puede verse comprometido si la tecnología se impone de manera que limite el control y la toma de decisiones del empleado.
La transformación digital, por tanto, no es solo una cuestión de modernización tecnológica, sino que también exige un replanteamiento de las dinámicas interpersonales y organizativas. La capacidad de adaptación ante cambios continuos, la resiliencia frente a nuevos desafíos y la necesidad de equilibrar el factor humano con la automatización son elementos esenciales que deben ser considerados. Esta dualidad es precisamente lo que hace que el análisis de la IA en los RRHH sea tan complejo y fascinante: por un lado, ofrece oportunidades para potenciar el desarrollo y el bienestar de los empleados; por el otro, plantea riesgos que, de no ser gestionados adecuadamente, pueden derivar en tecnoestrés, pérdida de motivación y, en última instancia, un deterioro del clima laboral.
La justificación de este estudio radica, por tanto, en la imperiosa necesidad de comprender en profundidad tanto las oportunidades como los desafíos que implica la integración de la IA en los RRHH. Al analizar estas dinámicas desde una perspectiva multidimensional —que abarca dimensiones individuales, organizacionales, culturales y normativas— se busca ofrecer un marco de referencia que permita a las organizaciones diseñar estrategias de implementación que maximicen los beneficios y minimicen los riesgos. En definitiva, este análisis invita a repensar la transformación digital no como un fin en sí mismo, sino como un proceso que debe estar en sintonía con los valores y necesidades humanas para garantizar un entorno laboral justo, equitativo y orientado al bienestar integral de los empleados.
Beneficios y oportunidades
La integración de la inteligencia artificial (IA) en los departamentos de Recursos Humanos ofrece un abanico de beneficios que van mucho más allá de la mera automatización de tareas. A continuación, se detalla de forma ampliada cómo la IA puede transformar positivamente el entorno laboral y abrir nuevas oportunidades para el desarrollo organizacional y personal.
Automatización de tareas y optimización operativa
Uno de los beneficios más inmediatos de la IA en RRHH es la automatización de procesos rutinarios. Tradicionalmente, tareas como la revisión de currículos, la programación de entrevistas o la gestión administrativa consumen una parte considerable del tiempo de los profesionales de RRHH. Con el uso de algoritmos de machine learning y procesamiento de lenguaje natural (NLP), estas labores se pueden ejecutar de manera rápida y precisa. Esto no solo reduce la carga administrativa, sino que también minimiza los errores humanos, permitiendo una asignación de recursos humanos más eficiente y centrada en áreas estratégicas.
Por ejemplo, los sistemas de seguimiento de candidatos (Applicant Tracking Systems, ATS) utilizan algoritmos para filtrar currículos basándose en palabras clave y criterios predefinidos, acelerando el proceso de selección. Del mismo modo, la automatización permite que los profesionales se dediquen a actividades que requieren juicio humano y empatía, como la gestión del talento y la intervención en situaciones de conflicto, fortaleciendo la calidad de las decisiones estratégicas en RRHH.
Personalización de la formación
La IA posibilita la personalización de los programas de capacitación, adaptándolos a las necesidades individuales de cada empleado. Utilizando datos históricos y análisis predictivos, las plataformas de formación basadas en IA pueden identificar áreas de mejora, recomendar cursos específicos y ajustar los contenidos según el ritmo y el estilo de aprendizaje de cada persona.
Además, la personalización fomenta un desarrollo profesional más alineado con los objetivos personales y organizacionales. Al tener acceso a formación continua y a un feedback inmediato, los empleados pueden mejorar sus habilidades técnicas y blandas de manera progresiva, lo que a su vez se traduce en un ambiente laboral más dinámico y adaptado a las demandas del mercado.
Toma de decisiones objetiva
Otro aspecto es la capacidad de la IA para facilitar una toma de decisiones más objetiva y basada en datos. La aplicación de algoritmos predictivos y análisis de big data en procesos como el reclutamiento y la evaluación del rendimiento permite reducir la subjetividad y los sesgos inherentes a la toma de decisiones humanas. Al utilizar indicadores cuantificables, los sistemas de IA pueden contribuir a un proceso de selección más justo y transparente, en el que la idoneidad del candidato se determine a partir de métricas objetivas.
Cuando las decisiones se basan en datos verificables y se explican de manera clara, se incrementa la confianza en los procesos internos y se fomenta un ambiente de trabajo más equitativo.
Impacto en el clima laboral y bienestar emocional
La automatización y personalización que aporta la IA tienen un efecto directo en el clima laboral. Al eliminar tareas monótonas y repetitivas, los empleados pueden dedicar más tiempo a actividades que generan mayor valor y satisfacción. Esto se traduce en una mayor motivación y compromiso, aspectos esenciales para el bienestar emocional en el trabajo.
Además, la capacidad de la IA para monitorear y analizar indicadores de bienestar —como la detección temprana de signos de estrés o fatiga— permite a las organizaciones implementar medidas preventivas. Herramientas de análisis del sentimiento, por ejemplo, pueden identificar patrones en la comunicación interna que sugieran la presencia de tecnoestrés, lo que posibilita intervenciones rápidas antes de que estos niveles se traduzcan en un deterioro del clima laboral.
2.5 Impulso a la Innovación y Adaptabilidad
Finalmente, la incorporación de la IA en RRHH abre un horizonte de oportunidades para la innovación y la transformación organizacional. La tecnología optimiza procesos existentes e invita a repensar la manera en que se estructura el trabajo y se gestionan los recursos humanos. La capacidad de adaptarse a un entorno digital en constante evolución es un diferenciador clave para las empresas que buscan mantenerse competitivas en un mercado globalizado.
En este sentido, la IA fomenta una cultura de aprendizaje continuo y adaptabilidad. Las organizaciones que invierten en la capacitación de sus empleados y en la implementación ética y transparente de estas tecnologías, no solo mejoran su eficiencia operativa, sino que también se posicionan para aprovechar nuevas oportunidades de crecimiento y desarrollo, transformándose en referentes en innovación dentro de su sector.
3. Metodología
El presente estudio se basa en una revisión sistemática de la literatura científica, orientada a comprender las múltiples dimensiones en las que la inteligencia artificial (IA) afecta el bienestar, la motivación y el rendimiento de los empleados en los departamentos de Recursos Humanos. Para alcanzar un análisis exhaustivo y riguroso, se diseñó una metodología estructurada que abarca desde la definición de fuentes de información hasta la identificación de limitaciones propias del proceso. A continuación, se detalla cada uno de estos aspectos.
Fuentes de información
En este estudio, se optó por utilizar la aplicación Consensus como herramienta principal. Esta plataforma combina técnicas avanzadas de procesamiento del lenguaje natural y aprendizaje automático, lo que permite identificar y localizar literatura científica relevante en múltiples idiomas (principalmente inglés y español).
El objetivo fue cubrir una amplia gama de estudios, desde investigaciones empíricas y revisiones sistemáticas hasta meta-análisis y trabajos teóricos, que aborden directamente la implementación de la IA en RRHH y sus implicaciones en el bienestar laboral. Esta elección garantiza que se cuente con un conjunto robusto y variado de evidencias, proporcionando una base sólida para el análisis.
Estrategia de búsqueda
Una estrategia de búsqueda bien definida es esencial para garantizar la exhaustividad y pertinencia de los documentos seleccionados. En este estudio, se establecieron los siguientes pasos:
Definición de términos y descriptores:
Se combinaron términos generales y específicos, tales como “inteligencia artificial en RRHH”, “bienestar laboral”, “motivación de empleados”, “tecnoestrés” y “capital psicológico”. La inclusión de sinónimos y variaciones terminológicas permitió ampliar el espectro de búsqueda y captar estudios relevantes que pudieran emplear diferentes nomenclaturas.Búsqueda en múltiples idiomas:
Se realizaron búsquedas tanto en español como en inglés para abarcar estudios internacionales y garantizar la diversidad de perspectivas y contextos culturales.Uso de operadores booleanos:
La combinación de términos mediante operadores lógicos (AND, OR, NOT) ayudó a refinar los resultados, filtrando documentos irrelevantes y potenciando la precisión de la búsqueda.Referencias cruzadas:
Una vez identificados algunos estudios clave, se utilizaron sus listas de referencias para localizar trabajos adicionales que, en un principio, no habían sido detectados por la búsqueda automática.
Esta estrategia se diseñó para maximizar la cobertura temática y minimizar el riesgo de exclusión de documentos relevantes, asegurando un marco teórico actualizado y completo.
Criterios de inclusión y exclusión
Una vez definidas las fuentes y la estrategia de búsqueda, se establecieron criterios específicos para determinar qué documentos serían incluidos o excluidos del análisis. Estos criterios permitieron focalizar el estudio en investigaciones de alta relevancia y calidad metodológica.
Criterios de inclusión:
- Periodo de publicación: Se consideraron artículos publicados entre 2010 y 2023, sin dejar de lado algunas obras seminales previas que resultaron fundamentales para el desarrollo teórico del tema.
- Idioma: Se incluyeron publicaciones en inglés y español, lo que permitió captar una perspectiva global.
- Tipo de documento: Se seleccionaron artículos de investigación, revisiones sistemáticas, meta-análisis y estudios teóricos que abordaran directamente la implementación de la IA en RRHH y sus efectos en el bienestar, motivación y rendimiento.
- Relevancia temática: Solo se incluyeron aquellos estudios que analizaban explícitamente la relación entre la IA y las variables psicológicas y operativas de los empleados.
- Accesibilidad: Se consideraron únicamente documentos disponibles en texto completo, garantizando el acceso a la información necesaria para un análisis profundo.
Criterios de exclusión:
- Artículos no relacionados directamente con la temática central (por ejemplo, estudios sobre IA en contextos ajenos a RRHH).
- Publicaciones duplicadas o aquellas con un contenido redundante respecto a otros trabajos ya seleccionados.
- Estudios con limitaciones metodológicas significativas que pudieran comprometer la validez de los hallazgos.
La aplicación estricta de estos criterios permitió conformar un corpus de literatura de alta calidad y relevancia, sirviendo de base sólida para el análisis posterior.
Proceso de selección
El proceso de selección se llevó a cabo en varias etapas, asegurando la rigurosidad y transparencia del estudio:
Identificación inicial:
Se realizó una búsqueda exhaustiva utilizando la herramienta Consensus, obteniendo un amplio conjunto de documentos preliminares.Eliminación de duplicados:
Se llevó a cabo un proceso de depuración para eliminar documentos duplicados, garantizando que cada estudio se evaluara de manera única.Revisión de títulos y resúmenes:
Cada documento fue examinado a partir de su título y resumen para evaluar su pertinencia en relación con el impacto de la IA en RRHH. Esta etapa permitió descartar rápidamente aquellos estudios que no cumplían con los criterios temáticos establecidos.Aplicación de criterios de inclusión y exclusión:
Se aplicaron los criterios previamente definidos para seleccionar únicamente aquellos documentos que aportaban información valiosa y rigurosa sobre la temática de estudio.Lectura completa y crítica:
Finalmente, los documentos seleccionados fueron leídos en su totalidad y analizados de manera crítica para extraer la información necesaria, identificar los principales hallazgos y evaluar la calidad metodológica de cada estudio.
Este proceso, caracterizado por múltiples niveles de revisión, aseguró que el análisis final se basara en una muestra representativa y de alta calidad de la literatura científica disponible.
Análisis de los artículos seleccionados
El análisis de la literatura seleccionada se centró en extraer y sintetizar información clave de cada estudio. Se llevaron a cabo las siguientes actividades:
Extracción de datos:
Para cada artículo, se identificaron los siguientes elementos: autores, año de publicación, objetivos del estudio, metodología empleada, principales hallazgos, conclusiones y limitaciones. Esta información se organizó en una matriz de datos que facilitó la comparación y la identificación de patrones y tendencias.Categorización temática:
Los estudios fueron agrupados en categorías temáticas que correspondían a las variables de interés del TFG: impacto en el bienestar psicológico, relación entre bienestar y rendimiento, estrategias de integración de la IA en RRHH, conceptualización del tecnoestrés, papel del capital psicológico y aspectos éticos y normativos. Esta categorización permitió abordar el análisis de forma ordenada y sistemática.Síntesis crítica:
Se realizó una síntesis crítica de los hallazgos, contrastando las diferentes perspectivas y evaluando la solidez de las evidencias presentadas. Este paso fue crucial para identificar tanto las convergencias como las discrepancias en la literatura, lo que enriqueció la discusión y permitió proponer estrategias de mitigación de riesgos.Identificación de vacíos y áreas de mejora:
El análisis también permitió detectar áreas en las que la evidencia era limitada o en las que se requerían estudios adicionales. Estos vacíos metodológicos y conceptuales ofrecen oportunidades para futuras investigaciones que profundicen en la relación entre la IA y los factores humanos en los RRHH.
Limitaciones de la metodología
Ningún estudio es perfecto, y es importante reconocer las limitaciones inherentes al proceso metodológico utilizado:
Restricción temporal:
Al limitar la búsqueda a estudios publicados entre 2010 y 2023, es posible que se hayan excluido investigaciones relevantes previas a este periodo, aunque se intentó incluir algunas obras seminales cuando resultaron fundamentales para el marco teórico.Dependencia de la herramienta de búsqueda:
Aunque Consensus es una herramienta avanzada, es posible que algunos documentos relevantes no hayan sido identificados debido a limitaciones en la indexación o a variaciones en la terminología utilizada por distintos autores.Calidad variable de los estudios incluidos:
La revisión abarcó una amplia variedad de documentos con diferentes diseños metodológicos y niveles de rigor. Aunque se aplicaron criterios de exclusión para descartar estudios con limitaciones significativas, la heterogeneidad en la calidad de los trabajos puede influir en la solidez de las conclusiones extraídas.Contexto específico de los estudios:
Muchos de los artículos analizados provienen de contextos geográficos o sectoriales específicos, lo que puede limitar la generalización de los resultados a otras realidades organizacionales. La diversidad cultural y normativa es un factor que debe tenerse en cuenta al interpretar los hallazgos.Evolución continua de la tecnología:
La rápida evolución de la IA y las constantes innovaciones tecnológicas hacen que los estudios realizados en determinados periodos puedan quedar obsoletos en un corto plazo. Esto implica que las estrategias y conclusiones deben ser revisadas y actualizadas de manera continua.
4. Resultados
La revisión sistemática realizada reveló que la implementación de la inteligencia artificial (IA) en los departamentos de Recursos Humanos ejerce una influencia dual sobre el bienestar, la motivación y el rendimiento de los empleados. Estos efectos se manifiestan de manera diversa según el nivel de análisis. A continuación, se desglosan y explican los hallazgos principales en cada una de las perspectivas consideradas.
Perspectiva organizacional
Desde el punto de vista organizacional, la IA se configura como un motor de cambio que tiene el potencial de transformar los procesos internos y la estructura operativa de las empresas. Los hallazgos indican que:
Optimización y eficiencia en los procesos:
La automatización de tareas rutinarias y repetitivas es uno de los beneficios más evidentes. La adopción de sistemas basados en IA permite que tareas como la clasificación de currículos, la programación de entrevistas o la gestión administrativa se realicen de forma más rápida y precisa. Esta automatización libera a los profesionales de RRHH para que puedan centrarse en actividades de mayor valor añadido, tales como el desarrollo de estrategias de talento y la mejora del clima laboral. Además, la capacidad de la IA para ofrecer análisis predictivos mejora la toma de decisiones, haciendo el proceso más objetivo y basado en datos.Impacto en el bienestar laboral:
Las organizaciones que han integrado la IA de manera coherente y planificada han reportado mejoras en el bienestar de sus empleados. La reducción de cargas administrativas y la personalización de la formación contribuyen a que los trabajadores se sientan más valorados y apoyados. Sin embargo, se ha observado que, si la implementación no se realiza de forma estratégica, la introducción de la IA puede generar efectos adversos. En algunos casos, la sensación de ser constantemente evaluados o monitorizados por sistemas automatizados ha provocado inseguridad laboral y estrés, aspectos que deben gestionarse cuidadosamente para no deteriorar el ambiente de trabajo.Desafíos y riesgos organizacionales:
A pesar de las oportunidades, la IA también introduce desafíos importantes. La potencial deshumanización de ciertos procesos y la sensación de vigilancia constante pueden erosionar la confianza de los empleados en la organización. La clave, según los resultados, radica en equilibrar el uso de la tecnología con un enfoque centrado en el factor humano, donde la capacitación y la transparencia sean fundamentales para mitigar riesgos y potenciar los beneficios.
Perspectiva individual
En el ámbito individual, los resultados destacan la importancia de cómo cada empleado percibe y se adapta a la presencia de la IA en su entorno laboral:
Variabilidad en la Percepción y Adaptación:
Uno de los hallazgos más relevantes es la variabilidad en la forma en que los empleados experimentan la adopción de la IA. Algunos trabajadores interpretan la automatización y las nuevas herramientas como una oportunidad para liberar tiempo, aprender nuevas habilidades y enfocarse en tareas estratégicas. En contraste, otros perciben estos cambios como una amenaza que incrementa su carga cognitiva y emocional, generando altos niveles de tecnoestrés.El Rol del Capital Psicológico (PsyCap):
La investigación subraya que el capital psicológico –integrado por la esperanza, la autoeficacia, el optimismo y la resiliencia– actúa como un moderador clave en la relación entre la IA y el bienestar individual. Los empleados con un alto nivel de PsyCap tienden a reinterpretar las demandas tecnológicas como desafíos superables, lo que reduce la incidencia del tecnoestrés y les permite adaptarse de forma más positiva a la transformación digital. Por el contrario, aquellos con un bajo PsyCap experimentan mayores niveles de ansiedad y pueden verse abrumados por la complejidad y la rapidez del cambio.Consecuencias en la Motivación y el Rendimiento:
La forma en que cada individuo evalúa la introducción de la IA influye directamente en su motivación y, por ende, en su rendimiento. Una percepción positiva, apoyada por la capacitación y el apoyo organizacional, puede traducirse en un incremento en la motivación intrínseca y una mayor eficacia en el trabajo. Por otro lado, la sensación de inseguridad y la sobrecarga de información pueden tener un efecto negativo, reduciendo el compromiso y generando resistencia al cambio.
Perspectiva cultural
La dimensión cultural emerge como un factor determinante en la adopción y el impacto de la IA en los RRHH, evidenciando diferencias significativas según el contexto en que se implementa:
Influencia del contexto cultural:
Los estudios analizados muestran que las percepciones sobre la IA varían considerablemente entre culturas. En contextos donde predomina una alta tolerancia a la incertidumbre y valores de colectivismo, la IA suele ser vista de manera más favorable. En estas culturas, la tecnología se interpreta como una herramienta para mejorar la eficiencia colectiva y promover la cohesión del grupo. En cambio, en culturas individualistas, donde se valora en gran medida la autonomía personal, la implementación de la IA puede generar inquietud, ya que los empleados temen perder parte de su control sobre sus procesos laborales.Diferencias generacionales:
La perspectiva cultural también se entrelaza con las diferencias generacionales. Las generaciones más jóvenes, que han crecido en un entorno digital, muestran una mayor predisposición a aceptar y adaptarse a las nuevas tecnologías. Por el contrario, las generaciones mayores pueden experimentar una mayor resistencia inicial y niveles más elevados de tecnoestrés, dado que se enfrentan a una curva de aprendizaje más pronunciada y a la incertidumbre sobre su futuro laboral.Implicaciones en la gestión del talento:
Estas diferencias culturales y generacionales tienen implicaciones directas en la gestión del talento. Las organizaciones deben considerar estas variables para diseñar estrategias de implementación de la IA que sean sensibles a las particularidades de cada grupo, fomentando la inclusión y la adaptación mediante programas de formación personalizados y un enfoque comunicativo que refuerce la confianza en los procesos automatizados.
Perspectiva ético-legal
La dimensión ético-legal es crítica en el análisis del impacto de la IA en los RRHH, ya que aborda los aspectos normativos y de justicia que deben garantizarse para que la tecnología se implemente de manera responsable:
Cumplimiento de normativas y protección de datos:
La adopción de la IA en RRHH requiere el manejo de grandes volúmenes de información sensible, lo que obliga a las organizaciones a cumplir estrictamente con normativas de protección de datos, como el Reglamento General de Protección de Datos (GDPR) en Europa. Este marco normativo asegura que los datos personales sean tratados de forma segura y que se respeten los derechos fundamentales de los empleados. Un manejo inadecuado de estos datos no solo puede acarrear sanciones legales, sino también deteriorar la confianza de los trabajadores.Transparencia y justicia organizacional:
Un aspecto recurrente en los resultados es la importancia de la transparencia en la toma de decisiones automatizadas. La opacidad en los algoritmos y en los criterios de evaluación puede generar percepciones de injusticia organizacional. Los empleados deben contar con explicaciones claras sobre cómo se toman las decisiones que afectan su carrera, lo cual refuerza la equidad y el sentido de justicia. La percepción de que las decisiones son arbitrarias o sesgadas puede aumentar el estrés y reducir la motivación, afectando negativamente el clima laboral.Responsabilidad y rendición de cuentas:
Otro tema ético relevante es la atribución de responsabilidad en los casos en que las decisiones asistidas por IA resulten en errores o discriminación. Es fundamental que las organizaciones establezcan políticas internas que definan claramente quién es responsable de las decisiones tomadas con el apoyo de la IA. Este marco de rendición de cuentas es esencial para mitigar el riesgo de conflictos legales y para asegurar que los sistemas automatizados se utilicen de manera justa y equitativa.Implicaciones en la privacidad y la autonomía:
La percepción de vigilancia constante y la intrusión en la privacidad son riesgos inherentes a la implementación de sistemas de IA en los RRHH. Es imprescindible que las empresas encuentren un equilibrio entre el uso de la tecnología para optimizar procesos y el respeto por la autonomía y la privacidad de los empleados. La implementación de medidas de desconexión y políticas de uso responsable de la tecnología son estrategias recomendadas para salvaguardar estos derechos fundamentales.
Conclusión de los resultados
Los resultados del estudio evidencian que la integración de la IA en los departamentos de Recursos Humanos tiene implicaciones complejas y multidimensionales. En el ámbito organizacional, la tecnología puede optimizar procesos y liberar tiempo para actividades estratégicas, pero su implementación descuidada puede generar tecnoestrés y desconfianza. A nivel individual, la capacidad de adaptación y la percepción de la tecnología dependen en gran medida del capital psicológico de cada empleado, destacando la importancia de fomentar la resiliencia y la autoeficacia.
Desde la perspectiva cultural, las diferencias en la tolerancia a la incertidumbre y en la predisposición hacia la tecnología muestran que no existe un enfoque único; las estrategias deben adaptarse a los contextos y a las características generacionales. Finalmente, la dimensión ético-legal subraya la necesidad de cumplir con normativas de protección de datos, garantizar la transparencia y definir responsabilidades claras en la toma de decisiones automatizadas, aspectos esenciales para mantener la justicia y la equidad en el entorno laboral.
En conjunto, estos hallazgos resaltan que la IA no es una solución mágica, sino una herramienta cuyo impacto depende de la forma en que se gestiona y se integra en la cultura y los procesos de la organización. La clave para aprovechar sus beneficios y mitigar sus riesgos reside en un enfoque estratégico que combine la innovación tecnológica con un fuerte compromiso con el bienestar y la ética.
5. Discusión
La integración de la inteligencia artificial (IA) en los departamentos de Recursos Humanos representa un cambio profundo que afecta múltiples dimensiones del entorno laboral. A partir de la revisión de la literatura, se pueden extraer las siguientes reflexiones:
Transformación digital y factor humano:
La IA tiene el potencial de automatizar tareas rutinarias, permitiendo a los profesionales centrarse en actividades estratégicas y de mayor valor añadido. Sin embargo, su éxito no depende únicamente de la tecnología, sino de cómo se gestione su implementación. Es esencial combinar la innovación con un enfoque humano que fomente la transparencia y la participación de los empleados.Perspectiva individual:
La adopción de la IA genera respuestas diversas entre los empleados. Aquellos con un alto capital psicológico (PsyCap) –integrado por esperanza, autoeficacia, optimismo y resiliencia– logran ver la tecnología como una oportunidad para crecer, reduciendo el tecnoestrés. Por el contrario, la falta de capacitación y el exceso de información pueden provocar ansiedad y resistencia al cambio, afectando negativamente el bienestar individual.Perspectiva organizacional y cultural:
Desde un punto de vista organizacional, la IA puede mejorar la eficiencia operativa y la toma de decisiones al aportar objetividad y análisis predictivo. No obstante, si se utiliza sin una adecuada comunicación, puede generar una sensación de vigilancia y deshumanización. Además, la percepción de la IA varía según el contexto cultural: en entornos colectivistas, se valora por su capacidad de potenciar el trabajo en equipo, mientras que en culturas individualistas puede percibirse como una amenaza a la autonomía.Aspectos ético-legales:
La transparencia en los algoritmos y el cumplimiento de normativas como el GDPR son fundamentales para garantizar que la implementación de la IA sea justa y respetuosa con la privacidad de los empleados. Definir responsabilidades claras y establecer mecanismos de auditoría contribuye a mantener la confianza y la equidad en la toma de decisiones automatizadas.
6. Bibliografía
- Biggio, G., & Cortese, C. G. (2013). Well-being in the workplace through interaction
between individual characteristics and organizational context. International Journal of
Qualitative Studies on Health and Well-Being, 8(1), 19823.
https://doi.org/10.3402/qhw.v8i0.19823 - Braganza, A., Chen, W., Canhoto, A., & Sap, S. (2021). Productive employment and
decent work: The impact of AI adoption on psychological contracts, job engagement and
employee trust. Journal of Business Research, 131, 485-494.
https://doi.org/10.1016/j.jbusres.2020.08.018 - Budhwar, P., Malik, A., De Silva, M. T. T., & Thevisuthan, P. (2022). Artificial intelligence
– challenges and opportunities for international HRM: a review and research agenda.
The International Journal of Human Resource Management, 33(6), 1065-1097.
https://doi.org/10.1080/09585192.2022.2035161 - Charlwood, A., & Guenole, N. (2022). Can HR adapt to the paradoxes of artificial
intelligence? Human Resource Management Journal, 32(4), 729-742.
https://doi.org/10.1111/1748-8583.12433 - Cramarenco, R. E., Burcă-Voicu, M. I., & Dabija, D. C. (2023). The impact of artificial
intelligence (AI) on employees’ skills and well-being in global labor markets: A
systematic review. Oeconomia Copernicana, 14(3), 731-767.
https://doi.org/10.24136/oc.2023.022 - Fan, X., Zhao, S., Zhang, X., & Meng, L. (2023). The impact of improving employee
psychological empowerment and job performance based on deep learning and artificial
intelligence. Journal of organizational and end user computing: an official publication of
the Information Resources Management Association, 35(3), 1-14.
https://doi.org/10.4018/joeuc.321639 - Jiaping, Y. (2022). Enterprise human resource management model by artificial
intelligence digital technology. Computational Intelligence and Neuroscience, 2022,
6186811. https://doi.org/10.1155/2022/6186811 - Lazarus, R. S., Richard, S., & Folkman, S. (1984). Stress, appraisal, and coping.
Springer Publishing Company. - Malinauskas, R., & Malinauskiene, V. (2020). The relationship between emotional
intelligence and psychological well-being among male university students: The mediating
role of perceived social support and perceived stress. International Journal of
43
Environmental Research and Public Health, 17(5), 1605.
https://doi.org/10.3390/ijerph17051605 - Pan, Y., Froese, F., Liu, N., Hu, Y., & Ye, M. (2022). The adoption of artificial intelligence
in employee recruitment: The influence of contextual factors. The International Journal of
Human Resource Management, 33(6), 1125-1147.
https://doi.org/10.1080/09585192.2021.1879206 - Paul, F. A., Banerjee, I., & Ali, A. (2023). Psychological capital and well-being beyond the
workplace: A conceptual review. Indian Journal of Psychiatric Nursing, 20(1), 76-84.
https://doi.org/10.4103/iopn.iopn_90_22 - Schulte, P., & Vainio, H. (2010). Well-being at work–overview and perspective.
Scandinavian Journal of Work, Environment & Health, 36(5), 422-429.
https://doi.org/10.5271/sjweh.3076 - Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human
resources management: Challenges and a path forward. California Management
Review, 61(4), 15-42. https://doi.org/10.1177/0008125619867910 - Tarafdar, M., Cooper, C. L., & Stich, J.-F. (2019). The technostress trifecta ‐ techno
eustress, techno distress and design: Theoretical directions and an agenda for research.
Information Systems Journal, 29(1), 6-42. https://doi.org/10.1111/isj.12169 - Xu, G., Xue, M., & Zhao, J. (2023). The relationship of artificial intelligence opportunity
perception and employee workplace well-being: A moderated mediation model.
International Journal of Environmental Research and Public Health, 20(3), 1974.
https://doi.org/10.3390/ijerph20031974 - Ganatra, N. J., & Pandya, J. D. (2023). The transformative impact of artificial intelligence
on HR practices and employee experience: A review. Journal of Management Research
and Analysis, 10(2), 106-111. https://doi.org/10.18231/j.jmra.2023.018 - Vrontis, D., Christofi, M., Pereira, V., Tarba, S., Makrides, A., & Trichina, E. (2022).
Artificial intelligence, robotics, advanced technologies and human resource
management: A systematic review. The International Journal of Human Resource
Management, 33(6), 1237-1266. https://doi.org/10.1080/09585192.2020.1871398 - Rožman, M., Oreški, D., & Tominc, P. (2022). Integrating artificial intelligence into a talent
management model to increase the work engagement and performance of enterprises.
Frontiers in Psychology, 13, 1014434. https://doi.org/10.3389/fpsyg.2022.1014434 - Bandura, A. (1997). Self-efficacy: The exercise of control. W H Freeman/Times Books/
Henry Holt & Co.
44 - Snyder, C. R. (2002). Hope theory: Rainbows in the mind. Psychological Inquiry, 13(4),
249–275. https://doi.org/10.1207/S15327965PLI1304_01 - Scheier, M. F., & Carver, C. S. (1985). Optimism, coping, and health: Assessment and
implications of generalized outcome expectancies. Health Psychology: Official Journal of
the Division of Health Psychology, American Psychological Association, 4(3), 219-247.
https://doi.org/10.1037/0278-6133.4.3.219 - Wagnild, G. M., & Young, H. M. (1993). Development and psychometric evaluation of the
Resilience Scale. Journal of Nursing Measurement, 1(2), 165-178. - Harms, P. D., & Luthans, F. (2007). Psychological capital: Developing the human
competitive edge. En C. En & J. Luthans B (Eds.), Positive organizational behavior:
Developing and managing psychological strengths (pp. 28-49). Sage Publications. - Stone, D. L., & Dulebohn, J. H. (2013). Emerging issues in theory and research on
electronic human resource management (eHRM). Human Resource Management
Review, 23(1), 1–5. https://doi.org/10.1016/j.hrmr.2012.06.001 - Johnson, R. D., Gueutal, H. G., & Falbe, C. M. (2009). Technology, training, and human
resources management (E. A. Wilkinson, N. Bacon, T. Redman, & S. Snell, Eds.). Oxford
University Press. - Stone, D. L., Deadrick, D. L., Lukaszewski, K. M., & Johnson, R. (2015). The influence of
technology on the future of human resource management. Human Resource
Management Review, 25(2), 216-231. https://doi.org/10.1016/j.hrmr.2015.01.002 - Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. The
International Journal of Human Resource Management, 28(1), 3-26.
https://doi.org/10.1080/09585192.2016.1244699 - Kotter, J. P. Leading Change. Boston: Harvard Business School Press, 1996.
- Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of
(sustainable) enterprise performance. Strategic Management Journal, 28(13),
1319-1350. https://doi.org/10.1002/smj.640 - Van der Vegt, G. S., Essens, P., Wahlström, M., & George, G. (2015). Managing risk and
resilience. Academy of Management Journal, 58(4), 971-980.
https://doi.org/10.5465/amj.2015.4004 - Bakker, A. B., & Demerouti, E. (2007). The Job Demands‐Resources model: state of the
art. Journal of Managerial Psychology, 22(3), 309-328.
https://doi.org/10.1108/02683940710733115
45 - Salanova, M., Llorens, S., & Cifre, E. (2013). The dark side of technologies:
Technostress among ICT users. International Journal of Psychology, 48(3), 422-436. - Thomée, S., Härenstam, A., & Hagberg, M. (2012). Computer use and stress, sleep
disturbances, and symptoms of depression among young adults–a prospective cohort
study. BMC Psychiatry, 12, 176. https://doi.org/10.1186/1471-244X-12-176 - Weil, M.m. and Rosen, L.d. (1997) Technostress Coping with Technology @Work
@Home @Play. John Wiley & Sons Inc, Hoboken. – references – scientific research
publishing. (s. f.). Scirp.org. Recuperado 10 de diciembre de 2024, de
https://www.scirp.org/reference/referencespapers?referenceid=1899922 - Luthans, F., Avey, J. B., Avolio, B. J., & Peterson, S. J. (2010). The development and
resulting performance impact of positive psychological capital. Human Resource
Development Quarterly, 21(1), 41-67. https://doi.org/10.1002/hrdq.20034 - Luthans, F., & Youssef-Morgan, C. M. (2017). Psychological capital: An evidence-based
positive approach. Annual Review of Organizational Psychology and Organizational
Behavior, 4(1), 339-366. https://doi.org/10.1146/annurev-orgpsych-032516-113324 - Spreitzer, G. M. (1995). Psychological, empowerment in the workplace: Dimensions,
measurement and validation. Academy of Management Journal, 38(5), 1442-1465.
https://doi.org/10.2307/256865 - Wrzesniewski, A., & Dutton, J. E. (2001). Crafting a job: Revisioning employees as
active crafters of their work. Academy of management review, 26(2), 179.
https://doi.org/10.2307/259118 - Xanthopoulou, D., Bakker, A. B., Demerouti, E., & Schaufeli, W. B. (2009). Work
engagement and financial returns: A diary study on the role of job and personal
resources. Journal of Occupational and Organizational Psychology, 82(1), 183-200.
https://doi.org/10.1348/096317908×285633 - Dweck, C. S. (2006). Mindset: The new psychology of success. pp, 276.
https://psycnet.apa.org/fulltext/2006-08575-000.pdf - Lewin, A. Y., Massini, S., & Peeters, C. (2009). Erratum: Why are companies offshoring
innovation? The emerging global race for talent. Journal of International Business
Studies, 40(8), 1406-1406. https://doi.org/10.1057/jibs.2009.64 - McCrae, R. R., & Costa, P. T. (1997). Personality trait structure as a human universal.
The American Psychologist, 52(5), 509-516. https://doi.org/10.1037/0003-066x.52.5.509
46 - Ayyagari, Grover, & Purvis. (2011). Technostress: Technological Antecedents and
Implications. MIS quarterly: management information systems, 35(4), 831.
https://doi.org/10.2307/41409963 - Cennamo, L., & Gardner, D. (2008). Generational differences in work values, outcomes
and person‐organisation values fit. Journal of Managerial Psychology, 23(8), 891-906.
https://doi.org/10.1108/02683940810904385 - McDonald, P., & Thompson, P. (2016). Social media(tion) and the reshaping of
public/private boundaries in employment relations: Social media(tion) and the reshaping
of public/private boundaries. International Journal of Management Reviews, 18(1),
69-84. https://doi.org/10.1111/ijmr.12061 - Twenge, J. M. (2010). A review of the empirical evidence on generational differences in
work attitudes. Journal of Business and Psychology, 25(2), 201-210.
https://doi.org/10.1007/s10869-010-9165-6 - Binns, R. (2017). Fairness in machine learning: Lessons from political philosophy. En
arXiv [cs.CY]. http://arxiv.org/abs/1712.03586 - Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in
algorithmic hiring: Evaluating claims and practices. ACM Conference on Fairness,
Accountability, and Transparency (FAT2020). 469-481. - Voigt, P., & Bussche, A. (2017). The EU General Data Protection Regulation (GDPR): A
practical guide. Springer International Publishing. - Between risk management and proportionality: The risk-based approach in the EU’s
Artificial Intelligence Act Proposal. (s. f.). - Schuett, J. (2024). Risk management in the Artificial Intelligence Act. European Journal
of Risk Regulation, 15(2), 367-385. https://doi.org/10.1017/err.2023.1 - Ryan, R. Lewin M., & Deci, E. L. (2000). Self-determination theory and the facilitation of
intrinsic motivation, social development, and well-being. The American Psychologist,
55(1), 68-78. https://doi.org/10.1037/0003-066x.55.1.68 - Katz, D., & Kahn, R. L. (1978). The social psychology of organizations (2.a ed.). John
Wiley & Sons. - Lewin, K. (1951). Field theory in social science: Selected theoretical papers (D.
Cartwright, Ed.). Harper & Brothers. - Weick, K. E., & Quinn, R. E. (1999). Organizational change and development. Annual
Review of Psychology, 50(1), 361-386. https://doi.org/10.1146/annurev.psych.50.1.361
47 - Califf, C. B., Sarker, S., & Sarker, S. (2020). The bright and dark sides of technostress: A
mixed-methods study involving healthcare IT. MIS quarterly: management information
systems, 44(2), 809-856. https://doi.org/10.25300/misq/2020/14818 - Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource
management research: An integrative review and new directions for future research.
Journal of Business Research, 133, 34-50. https://doi.org/10.1016/j.jbusres.2021.04.019 - Deci, E. L., & Ryan, R. M. (2008). Facilitating optimal motivation and psychological
well-being across life’s domains. Psychologie Canadienne [Canadian Psychology],
49(1), 14-23. https://doi.org/10.1037/0708-5591.49.1.14 - Sonnentag, S. (2018). The recovery paradox: Portraying the complex interplay between
job stressors, lack of recovery, and poor well-being. Research in Organizational
Behavior, 38, 169-185. https://doi.org/10.1016/j.riob.2018.11.002 - Luthans, F., Vogelgesang, G. R., & Lester, P. B. (2006). Developing the psychological
capital of resiliency. Human Resource Development Review, 5(1), 25-44.
https://doi.org/10.1177/1534484305285335 - Judge, T. A., Bono, J. E., Ilies, R., & Gerhardt, M. W. (2002). Personality and leadership:
A qualitative and quantitative review. The Journal of Applied Psychology, 87(4), 765-780.
https://doi.org/10.1037/0021-9010.87.4.765 - Grant, A. M., & Parker, S. K. (2009). 7 redesigning work design theories: The rise of
relational and proactive perspectives. Academy of Management Annals, 3(1), 317-375.
https://doi.org/10.5465/19416520903047327 - Gagné, M., & Deci, E. L. (2005). Self‐determination theory and work motivation:
SELF-DETERMINATION THEORY AND WORK MOTIVATION. Journal of Organizational
Behavior, 26(4), 331-362. https://doi.org/10.1002/job.322 - Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. SSRN Electronic
Journal. https://doi.org/10.2139/ssrn.2477899 - Burrell, J. (2016). How the machine ‘thinks’: Understanding opacity in machine learning
algorithms. Big Data & Society, 3(1), 205395171562251.
https://doi.org/10.1177/2053951715622512 - Fang, T. (2010). Asian management research needs more self-confidence: Reflection on
Hofstede (2007) and beyond. Asia Pacific Journal of Management, 27(1), 155-170.
https://doi.org/10.1007/s10490-009-9134-7 - Greenberg, J. (1990). Organizational justice: Yesterday, today, and tomorrow. Journal of
Management, 16(2), 399-432. https://doi.org/10.1177/014920639001600208
48 - Calo, R. (2017). Artificial intelligence policy: A roadmap. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.3015350 - Schuett, J. (2024). Risk management in the Artificial Intelligence Act. European Journal
of Risk Regulation, 15(2), 367-385. https://doi.org/10.1017/err.2023.1