La promesa suena eficiente: detectar a tiempo el bajo desempeño, anticipar fugas y decidir con datos. La realidad jurídica es menos amable. En España, cualquier extinción exige hechos objetivos, motivación suficiente y respeto a derechos fundamentales. Cuando un scoring algorítmico se convierte en la antesala del despido, la analítica se transforma en conflicto: opacidad, sesgos, prueba contaminada e indefensión. Y con una trampa frecuente: el trabajador rara vez sabe cómo se decidió sobre él.
El Estatuto de los Trabajadores coloca el listón desde hace décadas: el artículo 55 exige que el despido disciplinario esté motivado y comunicado con precisión; el 53, lo propio para el objetivo; el 4 consagra la dignidad; el 17 prohíbe la discriminación; y el 18 protege la intimidad. El poder de dirección del artículo 20 no es un cheque en blanco digital. Si un modelo propone medidas adversas, las garantías clásicas siguen mandando: hechos, contexto y posibilidad real de defensa.
La práctica ya ha avisado. Cartas estereotipadas —algunas, redactadas con asistentes de IA— que no individualizan hechos, fechas y pruebas se están cayendo por improcedencia, y si provocan indefensión, abren la puerta a la nulidad. Al mismo tiempo, la autoridad de protección de datos ha elevado el listón del control tecnológico: fichajes biométricos sin evaluación de impacto, monitorización desproporcionada o información deficiente contaminan la prueba laboral. Dirección por datos, sí; pero dentro de la legalidad y con proporcionalidad.
El AI Act ha cambiado el tablero. Considera de alto riesgo los sistemas de IA usados en gestión laboral y exige cuatro pilares: gestión de riesgos, documentación técnica, trazabilidad de datos y modelos, y supervisión humana efectiva antes de cualquier efecto adverso. Además, veta la detección de emociones en el trabajo: ni webcams “leyendo actitud”, ni audios “midiendo estrés”. Traducción para RR. HH.: el algoritmo puede asistir, pero no decidir sin explicaciones.
Desde el punto de vista probatorio, el despido predictivo tiene tres grietas.
- Motivación. Una carta que invoca un scoring, sin exponer hechos verificables, cronología y nexo causal es autopista a la improcedencia; si impide defenderse, aflora la nulidad.
- Licitud del origen. Si el modelo bebe de controles ilícitos, la evidencia nace viciada y puede ser inadmisible o perder fuerza.
- Explicabilidad. Si la empresa no puede reconstruir variables, reglas, ponderaciones y registros de decisión, la presunción de razonabilidad se resquebraja.
A ello se suma el vector de igualdad. La discriminación indirecta no requiere intención: basta un criterio aparentemente neutro que perjudica más a un colectivo protegido. Un scoring que penaliza pausas fuera de horario puede impactar a quienes concilian; otro que sobrerrepresenta presencia física puede sesgar contra personas con adaptación o teletrabajo. Cuando el algoritmo empuja, la obligación de evaluar impacto y corregir sesgos no desaparece: se intensifica.
¿Cómo convertir la predicción en una herramienta útil y defendible?
Primero, separar señal y decisión. El modelo alerta; la decisión la toma una persona cualificada tras contrastar hechos, escuchar a la parte afectada y ponderar alternativas. Esa revisión deja rastro: quién la hace, qué consulta, qué preguntas formula, qué excepciones aplica y por qué. El human-in-the-loop no es cortesía: es la muralla jurídica.
Segundo, explicabilidad operativa. No es abrir el código, es poder enseñar criterios comprensibles: variables usadas (productividad, calidad, ausencias justificadas o no justificadas), pesos, umbrales que activan alertas y salvaguardas para casos atípicos. Sin esto, la evaluación parece objetiva… hasta que se impugna.
Tercero, calidad de datos y test de sesgo. Antes de apoyar una medida adversa en un scoring, hay que validar que el modelo no replica desigualdades, que se mantiene estable y que admite revisión humana de outliers. Documentarlo no es burocracia: es defensa futura.
Cuarto, privacidad por diseño. Perfilados con efectos jurídicos exigen información clara, base legal adecuada y, cuando procede, evaluación de impacto en protección de datos. En tecnologías intrusivas como biometría o monitorización intensiva, la necesidad, idoneidad y proporcionalidad —y la existencia de alternativas— deciden el pleito antes de empezar.
Quinto, negociación colectiva. Es el momento de pactar cláusulas algorítmicas: inventario de sistemas en RR. HH., finalidades, datos tratados, criterios de decisión, derechos de información y revisión, y auditorías internas o externas. Lo no acordado hoy es conflicto mañana.
Sexto, hoja de ruta de litigio. Para la defensa del trabajador: atacar motivación, origen de datos y explicabilidad. Para la empresa: acreditar revisión humana real, proporcionalidad y trazabilidad.
La predicción no es culpabilidad, y el riesgo estadístico no es causa legal. La conclusión es sencilla: decidir con datos no exime de razonar. Si la empresa convierte un scoring en un despido sin comprobar hechos, si la carta copia etiquetas sin motivar, si la prueba nace de un control ilícito o si nadie puede explicar cómo se decidió, el caso se viene abajo. Si, en cambio, la analítica se usa para prevenir, acompañar y, sólo si procede, sancionar con garantías, la tecnología suma.
El futuro del trabajo no pasa por despedir más rápido, sino por decidir mejor. La IA puede ayudar a detectar a tiempo, reducir arbitrariedad y elevar la meritocracia; pero sólo cuando se somete a reglas comprensibles. Primero, las personas y el Derecho; después, el algoritmo. Así, el despido deja de ser predictivo para ser, al menos, defendible.
