La crisis del capacitismo algorítmico: Deconstrucción de la denuncia de la ACLU contra Aon y el imperativo de una gobernanza profunda de la IA

El punto de inflexión en la gestión del capital humano

En mayo de 2024, el panorama de la inteligencia artificial en los recursos humanos cambió de manera fundamental cuando la American Civil Liberties Union (ACLU) presentó una denuncia formal ante la Federal Trade Commission (FTC) contra Aon Consulting, Inc.¹ Esta acción administrativa, respaldada por la Autistic Self-Advocacy Network y otras organizaciones de derechos civiles, marca el fin definitivo de la era del optimismo algorítmico sin control.² Durante más de una década, los proveedores de tecnología de contratación han comercializado sus plataformas como «libres de sesgos», prometiendo que modelos sofisticados de aprendizaje automático podrían eliminar los prejuicios subjetivos inherentes a la selección de personal humana.² Sin embargo, las acusaciones contra las herramientas propietarias de Aon — ADEPT-15, vidAssess-AI y gridChallenge — ponen al descubierto una desconexión crítica entre la promesa de neutralidad algorítmica y la realidad de la discriminación técnica.¹

La denuncia sostiene que Aon incurrió en publicidad engañosa al afirmar que sus productos «mejoran la diversidad» y «no tienen impacto adverso», mientras que en la práctica estas herramientas probablemente descartan a candidatos cualificados en función de su raza y discapacidad.² Específicamente, la ACLU sostiene que las evaluaciones miden rasgos como la «positividad», la «conciencia emocional» y la «vitalidad», los cuales no solo no son esenciales para muchos puestos de trabajo, sino que funcionan como sustitutos directos (proxies) de criterios de diagnóstico clínico asociados con el autismo y diversas afecciones de salud mental.² Para una consultora de IA empresarial como Veriprajna, este incidente pone de manifiesto un fallo sistémico en la industria: la dependencia de tecnologías superficiales de tipo «wrapper» que no tienen en cuenta las profundas relaciones causales entre los datos de comportamiento y las características protegidas.¹

Las implicaciones de esta denuncia van mucho más allá de Aon. Sirve de advertencia a todo el ecosistema empresarial de que la defensa de la «caja negra» — alegar que una herramienta es justa porque fue entrenada con «big data» — ya no es jurídica ni éticamente sostenible.⁶ Los reguladores, encabezados por la FTC y respaldados por la Equal Employment Opportunity Commission (EEOC), están desplazando su enfoque de las directrices voluntarias hacia la exigencia estricta de pruebas empíricas de fundamentación.⁶ Cualquier afirmación de imparcialidad debe estar ahora respaldada por pruebas rigurosas, transparentes y empíricas.⁶

Deconstrucción arquitectónica de la suite de evaluación de Aon

Para comprender el fracaso de las narrativas actuales sobre la «ausencia de sesgo», es necesario analizar la arquitectura técnica de las herramientas identificadas en la denuncia. Estas herramientas representan el estado del arte actual en IA psicométrica, lo que hace que su vulnerabilidad al sesgo por discapacidad resulte especialmente instructiva para la industria.¹⁰

ADEPT-15: El proxy de personalidad algorítmico

El Adaptive Employee Personality Test (ADEPT-15) es una evaluación algorítmica identificada en su versión actual como Versión 7.1.¹⁰ Se comercializa como un test de personalidad avanzado basado en 50 años de investigación psicométrica, que utiliza una base de datos masiva de 350.000 ítems únicos para evaluar 15 constructos de personalidad.¹² Técnicamente, ADEPT-15 es un test adaptativo computarizado (CAT). A diferencia de las encuestas estáticas tradicionales, un CAT ajusta la dificultad y el contenido de las preguntas en tiempo real en función de las respuestas previas del candidato.¹⁰ El objetivo de esto es aumentar la precisión de la medición y reducir la «fatiga del test», pero introduce una capa de complejidad algorítmica que puede encubrir vías discriminatorias.¹⁰

La evaluación utiliza un formato de «elección forzada» (forced-choice), presentando pares de afirmaciones (por ejemplo, «Trabajo bien con otras personas» o «La gente dice que tengo la cabeza fría») y exigiendo al candidato que seleccione el grado de su acuerdo.¹⁰ Si bien este diseño busca mitigar el «sesgo de deseabilidad social» — la tendencia de los candidatos a adivinar la respuesta «correcta» —, incrementa de forma inadvertida la carga cognitiva y las exigencias de procesamiento sensorial para la persona evaluada.⁵

Constructo psicométrico (ADEPT-15)	Polaridades definidas por Aon	Estilo de interacción central
Empuje	Relajado vs. Enfocado	Enfoque de tareas
Estructura	Visión global vs. Enfoque en el detalle	Procesamiento cognitivo
Cooperación	Independiente vs. Orientado al equipo	Alineación social
Sensibilidad	Estoico vs. Compasivo	Reactividad emocional
Humildad	Orgulloso vs. Humilde	Autopercepción
Conceptual	Práctico vs. Abstracto	Resolución de problemas
Flexibilidad	Consistente vs. Flexible	Gestión del cambio
Maestría	Hacer vs. Mejorar	Adquisición de habilidades
Serenidad	Apasionado vs. Tranquilo	Regulación del estrés
Positividad	Preocupado vs. Esperanzado	Perspectiva
Conciencia	Aislado vs. Autoconsciente	Perspicacia interpersonal
Ambición	Satisfecho vs. Competitivo	Impulso de logro
Poder	Colaborador vs. Controlador	Estilo de liderazgo
Asertividad	Prudente vs. Socialmente audaz	Iniciativa social
Vitalidad	Reservado vs. Extrovertido	Energía social

El punto de fallo técnico identificado por la ACLU radica en que estos 15 constructos no constituyen rasgos de personalidad neutrales en el contexto de la neurodiversidad.⁴«Vitalidad», «Conciencia» y «Positividad» son rasgos que se alinean estrechamente con el rendimiento social neurotípico.²Cuando un algoritmo penaliza una respuesta «reservada» o «aislada», está realizando funcionalmente una selección por neurotipicidad en lugar de por competencia laboral.²

vidAssess-AI: La escenificación de la neurotipicidad

La plataforma vidAssess-AI integra el modelo de personalidad ADEPT-15 en un formato de entrevista en vídeo asíncrona.¹⁰ La herramienta graba las respuestas de los candidatos a preguntas predefinidas y luego utiliza procesamiento del lenguaje natural (NLP) y algoritmos de voz a texto para la puntuación.¹⁷ Aon afirma que esto genera un informe «jurídicamente defendible» al calificar a los candidatos según «criterios relevantes para el puesto» vinculados a su modelo de personalidad.¹⁷

Sin embargo, el uso de IA en el análisis de vídeo introduce lo que los investigadores denominan «capacitismo emergente».⁵Los modelos de NLP se entrenan con conjuntos de datos masivos que reflejan predominantemente patrones de habla, prosodia y estructuras lingüísticas neurotípicas.¹⁶ Para un candidato con autismo, cuyo habla puede incluir una entonación plana o pausas atípicas, o para un candidato con TDAH que puede exhibir estructuras narrativas no lineales, el motor de NLP de la IA puede interpretar esto como «falta de confianza» o «desorganización».²⁰

Además, la denuncia de la ACLU señala que vidAssess-AI de Aon califica las respuestas asociando el contenido de las palabras habladas — frases y vocabularios específicos — con los constructos de personalidad de ADEPT-15.¹⁰ Esto crea una «doble vulnerabilidad» para las personas neurodivergentes: no solo se las juzga por el contenido de su respuesta, sino por una versión de su personalidad interpretada por una máquina a través de un filtro lingüístico sesgado.²²

gridChallenge: La gamificación de las barreras cognitivas

La tercera herramienta de la suite, gridChallenge (Versión 3.0), es una evaluación cognitiva «gamificada» centrada en la memoria de trabajo.¹⁰ Requiere que los candidatos realicen tareas complejas de memoria — como identificar la ubicación de círculos resaltados — mientras realizan simultáneamente «tareas distractoras» como evaluaciones de simetría.¹⁰ Aon comercializa estos elementos de juego afirmando que aumentan el «compromiso del candidato», pero para personas con trastornos del procesamiento sensorial o TDAH, estos distractores pueden provocar una sobrecarga sensorial que degrada el rendimiento de una manera totalmente ajena a su capacidad cognitiva real para el puesto.¹⁶

La convergencia entre psicometría y diagnósticos clínicos

La afirmación más trascendental desde el punto de vista legal y ético de la denuncia de la ACLU es que las preguntas de Aon «siguen de cerca los diagnósticos clínicos de autismo y salud mental». Esto sugiere que las evaluaciones de «personalidad» en el entorno laboral han evolucionado hacia una forma de «examen médico» encubierto, lo que constituiría una violación directa de la Americans with Disabilities Act (ADA).⁴

Al contrastar los constructos de ADEPT-15 con herramientas clínicas estandarizadas como el Cociente de Espectro Autista (AQ) y los criterios del DSM-5, la superposición resulta innegable.²⁵ El AQ, un cuestionario de autoevaluación de 50 ítems, evalúa rasgos en cinco áreas: habilidades sociales, cambio de atención, atención al detalle, comunicación e imaginación.²⁵

Dominio clínico (AQ/DSM-5)	Aspecto ADEPT-15 correspondiente	Riesgo discriminatorio
Habilidades sociales / Reciprocidad	Vitalidad / Asertividad	Penalizar la comunicación «reservada» típica del TEA.
Cambio de atención	Flexibilidad / Consistencia	Descartar a personas que prefieren la rutina o una concentración profunda.
Atención al detalle	Estructura	Sobrevalorar o infravalorar el hiperenfoque en el detalle.
Comunicación / Pragmática	Conciencia	Interpretar erróneamente la dificultad para «leer entre líneas».
Regulación emocional	Serenidad / Positividad	Patologizar el afecto plano o las respuestas vinculadas a la ansiedad.

Cuando una herramienta impulsada por IA como ADEPT-15 formula preguntas que reflejan criterios clínicos (por ejemplo, «Me concentro intensamente en los detalles» o «Prefiero trabajar solo»), crea una «vía oculta» entre la condición de discapacidad del candidato y el resultado de la contratación.⁵Si el algoritmo está entrenado para favorecer a candidatos «socialmente audaces» y «flexibles», excluirá de forma sistemática y matemática a las personas autistas sin necesidad de preguntar jamás por su diagnóstico.⁵

El cambio de paradigma regulatorio: De la ética a la aplicación coercitiva

La intervención de la FTC contra Aon no es un hecho aislado; es la piedra angular de una ofensiva regulatoria más amplia conocida como «Operación AI Comply».⁶Esta iniciativa indica que las agencias federales ya no se conforman con la «IA responsable» como mero eslogan de responsabilidad social corporativa (RSC). En su lugar, están aplicando todo el rigor del derecho de protección al consumidor y de los derechos civiles a los productos algorítmicos.⁶

FTC: La Sección 5 y el mandato contra el engaño

El arma principal de la FTC es la Sección 5 de la Ley de la FTC (FTC Act), que prohíbe los «actos o prácticas desleales o engañosos».⁴En el contexto de la IA, la FTC ha aclarado que «exagerar las capacidades de IA u otras funciones de un producto sin pruebas adecuadas resulta engañoso».⁹ La agencia ya ha tomado medidas contra empresas como DoNotPay, multada con 193.000 $ por afirmaciones no fundamentadas sobre sus servicios jurídicos de IA, y Rytr, sancionada por su papel en la generación de reseñas falsas.⁶

El mensaje para los proveedores de soluciones de IA profunda como Veriprajna es claro: cualquier afirmación de rendimiento «libre de sesgos» debe estar respaldada por pruebas empíricas.⁶La FTC ha advertido explícitamente que los proveedores no pueden «esconder la cabeza bajo el ala» ante el impacto desigual de sus herramientas.²No realizar auditorías rigurosas de sesgo puede dar lugar a prohibiciones permanentes para vender oportunidades de negocio o desplegar software de alto riesgo.²⁹

EEOC: La ADA y la cláusula de «adaptación razonable»

La EEOC ha reiterado que los empleadores son legalmente responsables de cualquier discriminación originada por las herramientas de IA que adquieren de proveedores.¹Bajo la ADA, un empleador no puede utilizar un criterio de selección que descarte o tienda a descartar a una persona con discapacidad, a menos que dicho criterio esté «relacionado con el puesto y sea coherente con la necesidad empresarial».²³

Requisito regulatorio	Implicación empresarial	Responsabilidad potencial
Fundamentación de afirmaciones de IA	Debe probar afirmaciones «libres de sesgos» con datos.	Multas de la FTC, daño a la marca, inhabilitaciones.
Adaptación razonable	Debe permitir a los candidatos optar por no participar en filtros de IA.	Demandas de la EEOC, litigios colectivos.
Transparencia / Lógica de inferencia	Debe explicar por qué un algoritmo rechazó a un usuario.	Multas a nivel estatal (ej.: NYC LL 144).
Deber de auditoría (Duty to Audit)	Auditorías anuales e independientes de sesgos requeridas.	Sanciones por incumplimiento regulatorio.

Las recientes audiencias públicas de la EEOC sobre «Navigating Employment Discrimination in AI» hicieron hincapié en que los sistemas automatizados son una «nueva frontera de los derechos civiles».³¹ La comisión ha obtenido con éxito cientos de millones de dólares en compensaciones económicas para víctimas de discriminación en el año fiscal 2024, y el sesgo algorítmico es ahora una máxima prioridad de cumplimiento.⁸

Por qué fallan los «wrappers»: La distinción entre Deep AI y Surface AI

El incidente de Aon constituye una prueba decisiva para el posicionamiento de Veriprajna: el modelo de «wrapper de LLM» es fundamentalmente incapaz de cumplir con los estándares modernos de equidad y seguridad empresarial. Un wrapper se limita a pasar datos a través de un modelo fundacional existente (como GPT-4) y presentar el resultado.³² Sin embargo, los modelos fundacionales no son neutrales; heredan el «sesgo de datos históricos» de Internet.³⁴

El bucle recursivo de sesgo

Los modelos de aprendizaje automático se entrenan con datos históricos de contratación, que a menudo reflejan décadas de preferencias neurotípicas y raciales.¹⁶ Cuando se implementa un modelo de IA, sus decisiones se utilizan para alimentar futuros conjuntos de datos de entrenamiento, creando un «bucle continuo» donde los grupos marginados continúan infrarrepresentados.¹⁶ Un wrapper simple no puede romper este bucle porque carece de la «representación causal» requerida para distinguir entre cualificaciones laborales reales y «ruido» correlacionado con características protegidas.³⁶

Capacitismo emergente en grandes modelos de lenguaje

Investigaciones en la Universidad de Duke han demostrado que los LLM asocian sistemáticamente términos relacionados con la neurodivergencia con connotaciones negativas.⁵ Por ejemplo, la frase «Tengo autismo» a menudo es evaluada por estos modelos de forma más negativa que «Soy un ladrón de bancos».⁵Cuando estos mismos modelos de lenguaje impulsan herramientas de contratación a través de un wrapper de API, incrustan estas asociaciones discriminatorias en el proceso de selección sin que el desarrollador lo haya pretendido jamás.⁵

El marco de Veriprajna para la integridad de la Deep AI

Para superar los escollos de ADEPT-15 de Aon y el paradigma de los «wrappers», Veriprajna emplea una estrategia técnica multicapa que integra inferencia causal, desesgo adversarial (Adversarial Debiasing) y diseño de interacción neuroinclusivo.³⁶

1. Aprendizaje de representaciones causales (CRL)

Veriprajna utiliza CRL para identificar y eliminar las vías ocultas por las que fluye el sesgo.³⁶ La IA tradicional se basa en la correlación, pero es en la correlación donde se oculta la discriminación. El CRL identifica las «características estructurales» del perfil de un candidato mientras controla la información sensible.³⁶

El marco utiliza un Modelo Causal Estructural (SCM) para formalizar dependencias. Si representa un atributo protegido (ej.: neurodivergencia), representa las características del candidato y representa el resultado de contratación, Veriprajna diseña modelos para garantizar la «invarianza intervencional».³⁶ Esto significa que la representación utilizada para la decisión final está matemáticamente aislada de , de modo que:

Al asegurar que la decisión no cambia incluso si el atributo se modifica hipotéticamente, podemos proporcionar una garantía matemática de equidad contrafáctica.³⁶

2. Desesgo adversarial (Adversarial Debiasing)

La mitigación de sesgos durante el procesamiento (in-processing) se logra mediante entrenamiento adversarial.³⁹ En esta arquitectura, un modelo primario (el «Predictor») se entrena para identificar al mejor candidato, mientras que un modelo secundario (el «Adversario») se entrena para intentar adivinar la característica protegida del candidato a partir de las representaciones internas de datos del Predictor.³⁷

Si el Adversario tiene éxito, significa que el Predictor sigue utilizando información protegida como sustituto del rendimiento. El sistema entonces «penaliza» al Predictor mediante una función de pérdida adversarial, forzándolo a «desaprender» los patrones sesgados.³⁶ Esta técnica resulta especialmente eficaz para eliminar sesgos en el análisis de vídeo y en evaluaciones de personalidad donde las señales conductuales podrían actuar como proxies de discapacidad.³⁹

3. Auditoría de equidad contrafáctica

VerityAI no se limita a auditar la equidad a nivel de grupo (por ejemplo, «¿el 10 % de todas las contrataciones tienen discapacidad?»); auditamos la «equidad individual» mediante simulación contrafáctica.³⁸ Esto implica generar variaciones sintéticas de los datos de un candidato real — modificando únicamente su atributo sensible mientras se mantienen constantes todas las demás variables — para garantizar que la recomendación de la IA siga siendo coherente.³⁸

Estrategia de mitigación	Objetivo técnico	Impacto en la equidad
CRL / Modelado estructural	Aísla las vías causales de influencia.	Previene la discriminación por variables proxy.
Entrenamiento adversarial	Minimiza las filtraciones predictivas.	«Depura» la información protegida de la lógica del modelo.
Análisis contrafáctico	Garantiza la coherencia a nivel individual.	Garantiza un «trato igualitario» para candidatos similares.
Regularización consciente de la equidad	Añade «penalizaciones» por resultados sesgados.	Obliga al modelo a priorizar la paridad junto con la precisión.

Diseño para la neuroinclusión: El «modelo social» de la IA

La denuncia de Aon pone de manifiesto que la mayor parte de la tecnología de contratación se basa en un «modelo de déficit médico» de la discapacidad, considerando los rasgos neurodivergentes como «problemas» que deben puntuarse a la baja.⁴⁴ Veriprajna aboga por un enfoque de «neurodiversidad de precisión», que considera las diferencias neurológicas como manifestaciones naturales de la diversidad del cerebro humano.⁴⁴

Elasticidad temporal y multimodal

Las evaluaciones estándar de IA a menudo penalizan a los candidatos por tiempos de respuesta lentos o señales no verbales atípicas.⁵Una solución de Deep AI debe implementar «elasticidad temporal», reconociendo que un mayor tiempo de respuesta en una entrevista en vídeo puede deberse a la velocidad de procesamiento cognitivo o a la ansiedad, y no a una falta de competencia.²⁰

La arquitectura de Veriprajna prioriza «canales de fusión multicanal» alineados con líneas base individuales.⁴⁵ Esto significa que la IA aprende cómo es lo «normal» para ese candidato específico durante las etapas iniciales de la entrevista, en lugar de compararlo con un «promedio neurotípico».⁴⁵

El mandato de la «vía alternativa»

Para cumplir con la ADA y las normas éticas, la IA empresarial debe incluir un mecanismo de «humano en el bucle» (HITL) y de «exclusión voluntaria» (Opt-Out).²¹ Toda invitación a una entrevista o evaluación automatizada debe incluir una opción clara para solicitar una alternativa humana o una «adaptación razonable» sin penalización alguna.²¹

Asimismo, Veriprajna recomienda el giro hacia «solo audio» en las herramientas de vídeo.²¹ Al deshabilitar las funciones de análisis facial y centrarse exclusivamente en el contenido transcrito de las respuestas, las empresas pueden eliminar el 90 % del sesgo contra candidatos neurodivergentes sin dejar de beneficiarse de la eficiencia de la transcripción y el resumen impulsados por IA.²¹

Gobernanza empresarial: La guía NIST AI RMF

La transición de una cultura de «wrapper» a una de «Deep AI» requiere gobernanza a nivel de consejo directivo. El Marco de Gestión de Riesgos de IA del NIST (NIST AI RMF) proporciona el estándar para esta transición.⁴⁷

La lista de verificación de supervisión ejecutiva

1.​ Establecer un comité de IA responsable: Debe ser un órgano multifuncional que incluya representantes de los departamentos jurídico, de RR. HH., de TI y defensores externos de la discapacidad.⁴⁹

2.​ Realizar auditorías anuales de sesgo: Deben ser independientes y realizadas por terceros. Confiar en las «Model Cards» proporcionadas por los proveedores supone una responsabilidad legal, como demuestra el caso Aon.¹

3.​ Implementar «simulacros de sesgo»: Al igual que las empresas realizan pruebas de penetración de ciberseguridad, deben simular los «peores escenarios» de contratación — por ejemplo, un modelo que niegue entrevistas a todos los solicitantes autistas — para ver si sus salvaguardas internas detectan la desviación.⁵¹

4.​ Exigir la lógica de inferencia: Los proveedores deben explicar el «porqué» detrás de cada decisión de la IA.²¹ Si un proveedor no puede explicar la lógica de su modelo de puntuación, se trata de un riesgo «inescrutable» que no debe implementarse en un entorno de contratación de alto impacto.²¹

Niveles de riesgo y métricas de implementación

El NIST define cuatro niveles de madurez de la IA, desde «Parcial» hasta «Adaptativo».⁴⁷ Para la contratación empresarial se requiere un nivel de madurez «Adaptativo». Esto significa que la organización cuenta con un proceso sistemático y documentado para rastrear la «deriva por discriminación», el fenómeno por el cual un modelo de IA se vuelve más sesgado con el tiempo a medida que interactúa con datos del mundo real.⁴⁷

Función NIST RMF	Acción para líderes de RR. HH.	Métrica de éxito
GOVERN	Establecer la rendición de cuentas a nivel directivo sobre los resultados de la IA.	Cero demandas o quejas reportadas.
MAP	Documentar el propósito y contexto de cada herramienta de IA.	«Lógica de inferencia» clara para cada candidato rechazado.
MEASURE	Ejecutar auditorías continuas de sesgo utilizando CRL y herramientas basadas en CRL.	Brecha de paridad demográfica < 5 %.
MANAGE	Implementar opciones de exclusión voluntaria para «adaptación razonable».	100 % de cumplimiento de solicitudes bajo la ADA.

Implicaciones estratégicas: Por qué esto es clave para la alta dirección (C-Suite)

La denuncia Aon-ACLU es el «canario en la mina de carbón» de la era de la IA. Demuestra que los costes de la IA «barata» son exponencialmente superiores a la inversión inicial en «Deep AI».⁵¹ Una solución de tipo «wrapper» puede ahorrar tiempo en el primer trimestre, pero genera enormes responsabilidades legales, financieras y reputacionales capaces de destruir el valor de la empresa.⁵¹

La economía del talento a prueba de litigios

Para 2027, la economía global del talento estará valorada en 30.000 millones de dólares.³⁷ Las empresas que puedan demostrar que sus herramientas de contratación son «meritocráticas» y «agnósticas al sesgo» tendrán una gran ventaja competitiva para atraer al mejor talento.³⁷ Las personas neurodivergentes, en particular, poseen habilidades extraordinarias en el reconocimiento de patrones, la atención al detalle y la resolución creativa de problemas.⁵³ Una empresa que utiliza un filtro al estilo de Aon está descartando sistemáticamente al mismísimo talento que impulsa la innovación.²¹

El enfoque de Veriprajna no solo «evita» el sesgo; «desbloquea» el talento.³⁷ Al sustituir los proxies opacos de «ajuste de personalidad» por verdades neurales transparentes y lógica causal, permitimos a las empresas crear una plantilla que no solo es diversa, sino que está matemáticamente optimizada para el desempeño laboral.³⁷

El «contrato de confianza»

En última instancia, la política de IA de una empresa es un «contrato de confianza» con sus empleados y clientes.³² Para mantener esta confianza, los directivos deben dejar atrás la publicidad exagerada de la tecnología «libre de sesgos» y abrazar la sólida ingeniería de la Deep AI. Esto implica exigir justificaciones, realizar auditorías rigurosas y diseñar sistemas que valoren por igual el «cerebro estándar» y el «cerebro neurodivergente».³²

La denuncia contra Aon es una llamada a la acción. Es hora de que las empresas dejen de ser «usuarias de IA» y pasen a ser «arquitectas de IA».³³ Veriprajna está aquí para proporcionar los planos de ese futuro: un futuro donde la IA no sea una barrera para la inclusión, sino el mayor habilitador del potencial humano.⁵³

Referencias

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, consultado el 6 de febrero de 2026, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, consultado el 6 de febrero de 2026, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, consultado el 6 de febrero de 2026, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, consultado el 6 de febrero de 2026, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, consultado el 6 de febrero de 2026, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, consultado el 6 de febrero de 2026, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, consultado el 6 de febrero de 2026, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, consultado el 6 de febrero de 2026, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, consultado el 6 de febrero de 2026, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, consultado el 6 de febrero de 2026, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, consultado el 6 de febrero de 2026, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, consultado el 6 de febrero de 2026, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, consultado el 6 de febrero de 2026, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, consultado el 6 de febrero de 2026, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, consultado el 6 de febrero de 2026, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, consultado el 6 de febrero de 2026, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, consultado el 6 de febrero de 2026, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, consultado el 6 de febrero de 2026, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, consultado el 6 de febrero de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, consultado el 6 de febrero de 2026, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, consultado el 6 de febrero de 2026, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, consultado el 6 de febrero de 2026, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, consultado el 6 de febrero de 2026, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, consultado el 6 de febrero de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, consultado el 6 de febrero de 2026, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, consultado el 6 de febrero de 2026, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, consultado el 6 de febrero de 2026, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, consultado el 6 de febrero de 2026, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, consultado el 6 de febrero de 2026, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, consultado el 6 de febrero de 2026, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, consultado el 6 de febrero de 2026, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, consultado el 6 de febrero de 2026, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, consultado el 6 de febrero de 2026, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, consultado el 6 de febrero de 2026, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., consultado el 6 de febrero de 2026, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, consultado el 6 de febrero de 2026, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., consultado el 6 de febrero de 2026, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, consultado el 6 de febrero de 2026, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, consultado el 6 de febrero de 2026, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, consultado el 6 de febrero de 2026, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, consultado el 6 de febrero de 2026, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., consultado el 6 de febrero de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, consultado el 6 de febrero de 2026, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, consultado el 6 de febrero de 2026, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, consultado el 6 de febrero de 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, consultado el 6 de febrero de 2026, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, consultado el 6 de febrero de 2026, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, consultado el 6 de febrero de 2026, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, consultado el 6 de febrero de 2026, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, consultado el 6 de febrero de 2026, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, consultado el 6 de febrero de 2026, https://www.mdpi.com/2673-2688/6/7/143