Inc. advierte a los fundadores que nunca dejen que la IA fije los salarios mientras las leyes de transparencia elevan la presión
Inc. lanzó una advertencia directa a los fundadores el 30 de agosto de 2026: usen IA para investigar la compensación, pero nunca permitan que tome la decisión salarial final. La columna, distribuida a través de Google News, llegó después de que California endureciera su definición de un rango salarial válido. La estimación aproximada de un fundador ya no es solo una suposición interna. Puede convertirse en un compromiso público que afecte a candidatos, empleados actuales, presupuestos y exposición legal.
Esta distinción importa porque la IA puede producir una recomendación salarial en segundos. Puede comparar cargos, ubicaciones, competencias e informes de mercado. Sin embargo, una respuesta bien elaborada puede ocultar datos deficientes, puestos mal equiparados, referencias desactualizadas o supuestos que nadie revisó.
Por tanto, el conflicto central no es IA frente a intuición humana. Ambas pueden fallar. La verdadera disyuntiva es entre una gobernanza responsable de la compensación y una cifra automatizada que nadie puede defender plenamente.
Los lectores de Google News que se encuentren con la advertencia sobre decisiones salariales deberían considerarla más que un consejo para fundadores. Refleja un cambio más amplio en la tecnología del empleo. La IA está pasando de la asistencia administrativa a decisiones que distribuyen dinero, oportunidades y estatus.
Cuando eso ocurre, la rapidez deja de ser la única medida de valor. Los empleadores también deben preguntarse quién aprobó la recomendación, qué pruebas la respaldaron y si se aplicaron las mismas reglas a trabajadores comparables.
California convirtió una estimación salarial en un compromiso público
El cambio de California en 2026 hace más difícil descartar un rango salarial sin sustento como un lenguaje de contratación inofensivo.
El gobernador Gavin Newsom firmó la SB 642 el 8 de octubre de 2025, y la medida entró en vigor el 1 de enero de 2026. Modificó la definición de California de una escala salarial para referirse a una estimación de buena fe de lo que un empleador espera pagar al contratar.
Esta redacción reduce el margen para que los empleadores publiquen un rango extremadamente amplio sin una justificación creíble de contratación. El resumen oficial de leyes de 2026 de California también señala que la SB 642 amplió partes del marco de igualdad salarial del estado.
Este cambio es anterior a la columna de Inc. por ocho meses, pero explica la urgencia del artículo. Una recomendación salarial puede pasar rápidamente de un documento interno de planificación a una oferta de empleo pública. Los candidatos pueden compararla con otras vacantes, mientras que los empleados pueden contrastarla con su propia compensación.
Esa visibilidad cambia el coste de una estimación deficiente. Imaginemos una startup que se prepara para contratar a un gerente sénior de producto. Un fundador pide a un asistente de IA un rango de mercado y solo proporciona el cargo, la ciudad y el tamaño de la empresa.
El sistema devuelve una respuesta segura. Sin embargo, el cargo abarca varios trabajos distintos. Un puesto asume la estrategia de producto y los resultados de ingresos. Otro se dedica principalmente a coordinar la entrega. Un tercero gestiona una plataforma de IA y exige experiencia técnica especializada.
Si el fundador copia la recomendación en una publicación, el contexto que falta en el modelo se convierte en la posición pública de la empresa. El resultado también puede afectar a los actuales gerentes de producto cuyas responsabilidades se solapan con el nuevo puesto.
El empleador ahora debe responder varias preguntas. ¿Por qué el rango se ajusta al trabajo real? ¿Qué mercado utilizó la empresa? ¿Cómo tuvo en cuenta la experiencia, la ubicación, las competencias escasas o la equidad interna? ¿Quién revisó el resultado?
La IA no puede responder esas preguntas simplemente generando una cifra. Puede producir una explicación, pero esa explicación podría reconstruirse a posteriori. Una narrativa plausible no equivale a un proceso de decisión documentado.
El mosaico legal también se extiende más allá de California. Nueva York exige que los empleadores cubiertos divulguen rangos de compensación en anuncios que cumplan los requisitos. Sus normas de transparencia salarial también pueden aplicarse a determinados trabajos realizados fuera del estado cuando reportan a un centro de trabajo de Nueva York.
La contratación remota hace que esto sea especialmente importante para las startups. Una empresa puede no tener una oficina tradicional en una jurisdicción y aun así contratar a alguien que pueda trabajar allí. Los empleadores deben evaluar las normas aplicables en lugar de asumir que su sede determina todas las obligaciones.
La columna de Inc. describe más que una fecha límite de cumplimiento. Identifica un problema de gobernanza expuesto por la transparencia. Las empresas deben saber qué pretenden pagar antes de publicar la respuesta.
La IA facilita el primer borrador. No vuelve opcional el criterio subyacente.
La transparencia salarial presiona a los fundadores
La presión inmediata recae en los fundadores que construyeron sistemas de compensación mediante negociaciones individuales en lugar de reglas coherentes.
Un enfoque improvisado puede funcionar mientras la información salarial permanezca privada. Un empleado negocia con firmeza. Otro se incorpora durante un mercado laboral más débil. Un tercero acepta menos efectivo a cambio de flexibilidad o participación accionaria.
Esas diferencias pueden tener orígenes comprensibles. Aun así, se vuelven difíciles de gestionar cuando nadie registra las razones y los empleados pueden ver los nuevos rangos salariales.
La primera fuente de presión es la contratación externa. Una empresa debe publicar un rango que atraiga a candidatos adecuados sin comprometerse con una compensación que no pueda sostener. Un rango por debajo del mercado relevante puede reducir la calidad de los candidatos o prolongar la búsqueda.
La segunda fuente es la plantilla existente. Los empleados comparan los salarios anunciados con su remuneración actual, funciones, antigüedad y desempeño. Un nuevo rango puede revelar que una contratación reciente ganará casi tanto como un colega con experiencia.
Esta situación suele denominarse compresión salarial. Ocurre cuando las diferencias de compensación entre empleados nuevos y trabajadores con más antigüedad se vuelven inusualmente estrechas. La compresión también puede aparecer entre colaboradores individuales y gerentes, o entre trabajadores de nivel inicial y profesionales con experiencia.
El problema no consiste simplemente en que a los empleados no les gusten las comparaciones. Una discrepancia visible puede poner en duda la explicación de la empresa sobre cómo valora la experiencia y el desempeño.
Inc. cita a especialistas de la fuerza laboral que vinculan la compresión con una menor moral y riesgo de rotación. El mecanismo importante es fácil de entender. Una empresa eleva un rango anunciado para competir por talento escaso y luego descubre que los empleados actuales se sitúan en el mismo rango pese a tener mayor experiencia.
Corregir la estructura puede requerir varios ajustes, no una sola decisión de nueva contratación. La empresa quizá deba revisar pares, gerentes, puestos adyacentes, reglas de promoción y futuros presupuestos salariales.
El pago excesivo crea una trampa distinta. Una empresa normalmente puede elevar un salario por debajo del mercado, siempre que tenga suficiente efectivo. Reducir un salario ya establecido es mucho más difícil, tanto en la práctica como culturalmente.
Esa asimetría vuelve arriesgada una recomendación automatizada elevada. Un modelo puede favorecer un conjunto amplio de referencias, incluidas empresas más grandes o puestos con mayor alcance. Si un fundador acepta el extremo superior sin examinarlo, la decisión se convierte en un coste recurrente.
La recomendación también puede afectar a los precios y a la plantilla. Una startup que paga por encima de su posición sostenible en el mercado podría contratar a menos personas, retrasar otro puesto o reducir la inversión en otros ámbitos. Por tanto, la decisión inicial alcanza más allá de un solo empleado.
Las cifras promedio de presupuesto salarial no pueden resolver la cuestión. Los datos de presupuestos salariales de WorldatWork reflejan respuestas de 1.773 organizaciones y 4.250 envíos por país. Sus cifras generales muestran por qué las empresas suelen comenzar con un porcentaje anual general.
Sin embargo, un presupuesto promedio no es un aumento fiable para todas las ocupaciones. Los mercados laborales se mueven de forma desigual. Algunos puestos permanecen estables, mientras que las capacidades escasas pueden exigir cambios más rápidos.
Por tanto, un ajuste generalizado puede perpetuar un error existente. Si un puesto comenzó por debajo del mercado, aplicar el promedio de toda la empresa lo mantiene por debajo del mercado. Si otro puesto empezó demasiado alto, el mismo aumento amplía el pago excesivo.
Los fundadores se ven obligados a sustituir negociaciones aisladas por un método repetible. Eso no exige una estructura salarial corporativa compleja. Una empresa pequeña puede documentar cada puesto, identificar comparadores legítimos, definir un rango y revisar las excepciones.
La respuesta forzada es tanto inmediata como de largo plazo. De inmediato, los empleadores necesitan publicaciones y ofertas defendibles. Con el tiempo, necesitan un sistema de compensación que siga siendo coherente cuando empleados, candidatos y reguladores lo examinen.
La IA puede comparar salarios, pero los humanos deben asumir la decisión
La IA resulta más útil como asistente de investigación que amplía las pruebas, no como una autoridad que determina cuánto gana una persona.
La comparación de compensación consiste en contrastar un puesto interno con datos relevantes del mercado laboral externo. La comparación puede considerar el alcance del puesto, la antigüedad, las competencias, el sector, la geografía y el tamaño de la organización.
Aquí es exactamente donde la IA puede ayudar. Puede normalizar cargos inconsistentes, resumir varios conjuntos de datos, identificar información faltante y señalar salarios que quedan muy fuera de un rango propuesto.
Para una empresa pequeña, estas tareas antes requerían un trabajo prolongado con hojas de cálculo o apoyo externo. La IA puede reducir el tiempo necesario para una revisión inicial. Esto pone un proceso estructurado al alcance de más empleadores.
El límite aparece cuando un sistema convierte las pruebas en una decisión final. Los datos de mercado describen lo que otras organizaciones declaran pagar. No deciden qué debe valorar una empresa concreta, qué responsabilidades importan más ni cómo encaja una oferta en la equidad interna.
Consideremos a dos ingenieros con títulos similares. Uno mantiene un servicio interno estable. El otro lidera un sistema inestable orientado al cliente y participa en la respuesta a emergencias. Un modelo basado en cargos puede tratarlos como equivalentes incluso cuando su alcance difiere.
También ocurre el problema inverso. Títulos distintos pueden describir trabajos sustancialmente similares. Un modelo entrenado con anuncios de empleo ruidosos puede reproducir esas inconsistencias en lugar de resolverlas.
La ubicación añade otra complicación. El trabajo remoto no elimina los mercados laborales. Un empleador puede utilizar una compensación nacional, basada en la sede, en la ubicación del empleado o en zonas. Cada método conlleva diferentes implicaciones de contratación y equidad.
La IA puede calcular los cuatro enfoques. No puede elegir la filosofía de compensación de la empresa sin orientación humana.
La calidad de los datos presenta la mayor limitación técnica. Los conjuntos de datos salariales pueden mezclar publicaciones de empleadores, informes de empleados, respuestas a encuestas y estimaciones modeladas. Pueden representar fechas, sectores, etapas de empresa y definiciones de compensación total diferentes.
Un modelo rara vez expone todas las debilidades a menos que alguien formule preguntas precisas. Incluso entonces, quizá no conozca la metodología detrás de un conjunto de datos propietario.
Por eso una respuesta segura merece menos confianza cuando las pruebas son escasas. Los modelos de lenguaje están diseñados para producir respuestas coherentes. La coherencia no garantiza que la muestra subyacente represente el puesto cuyo precio se está fijando.
El flujo de trabajo adecuado mantiene a la IA dentro de un ámbito definido. Un gerente o fundador primero documenta el trabajo real. Luego, el sistema identifica posibles comparadores y destaca inconsistencias.
Un revisor humano verifica el mercado seleccionado, la fecha de los datos, la correspondencia del puesto y las limitaciones de la muestra. La empresa evalúa a sus pares internos y determina si la recomendación genera compresión salarial o diferencias sin explicación.
Por último, una persona con autoridad para decidir aprueba el rango y deja constancia de la justificación. La empresa, no el modelo, sigue siendo responsable del resultado.
Este acuerdo sigue un principio más amplio del marco de supervisión humana de NIST. Las organizaciones deben definir las responsabilidades de los roles humanos y de IA, mientras que la alta dirección conserva la responsabilidad de las decisiones de riesgo relacionadas con la IA.
Ese principio es especialmente relevante para la compensación. Un sistema puede recomendar una respuesta, pero el empleador debe decidir si es adecuada, legal y coherente con la política de la empresa.
La revisión humana no es automáticamente suficiente. Un revisor que acepta todas las sugerencias se convierte en un mero aval. Una supervisión significativa exige autoridad para rechazar el resultado e información suficiente para comprender sus límites.
También exige independencia frente al sesgo de automatización. Las personas suelen dar un peso excesivo a una recomendación generada por computadora porque parece precisa u objetiva. Una estimación salarial con un punto medio exacto puede parecer más fiable de lo que la evidencia justifica.
Una interfaz mejor mostraría la incertidumbre junto a la recomendación. Debería indicar la antigüedad de los datos, el número de comparables, la cobertura geográfica y la confianza en la correspondencia del puesto.
La empresa también debería probar supuestos alternativos. ¿Qué ocurre al comparar el puesto con una empresa más pequeña? ¿Cómo cambia el rango cuando se elimina una habilidad especializada? ¿Sigue siendo creíble la recomendación en varias fuentes?
La IA ayuda más cuando hace que estas preguntas sean menos costosas de investigar. Se vuelve peligrosa cuando hace que la respuesta final parezca innecesaria de investigar.
El mayor riesgo es la coherencia automatizada sin equidad
Un algoritmo repetible puede aplicar los mismos supuestos defectuosos a todos los empleados y escalar un error más rápido que el juicio aislado de un fundador.
Los defensores de las herramientas algorítmicas de compensación pueden presentar un argumento razonable. Las decisiones salariales humanas contienen sesgos, negociaciones inconsistentes, favoritismo y errores de memoria. Un sistema estandarizado puede reducir parte de esa variación.
El problema es que la coherencia y la equidad no son idénticas. Un modelo puede apoyarse sistemáticamente en datos históricos moldeados por un acceso desigual, prácticas de historial salarial, segregación ocupacional o clasificaciones de puestos inconsistentes.
Si el modelo trata esos patrones como una verdad neutral del mercado, puede preservarlos. La automatización uniforma el proceso sin hacer justa su premisa.
La legislación federal sobre empleo sigue siendo relevante incluso cuando el software participa en una decisión. La guía sobre discriminación salarial de la EEOC explica que una práctica salarial neutral puede seguir generando efectos adversos ilegales en determinadas circunstancias.
La agencia también afirma que las explicaciones legítimas de las diferencias salariales requieren información precisa sobre las variables relevantes. Esas variables pueden incluir experiencia, antigüedad, desempeño y otros factores relacionados con el puesto.
Un sistema de IA no libera al empleador de esa carga. Si los trabajadores de un grupo protegido reciben repetidamente recomendaciones más bajas, la empresa debe investigar el patrón y las variables que lo impulsan.
La iniciativa de equidad algorítmica de la EEOC hace explícita la cuestión de la responsabilidad. La agencia advirtió que las herramientas de IA pueden ocultar o perpetuar sesgos, al tiempo que confirmó que las leyes antidiscriminatorias vigentes siguen aplicándose.
Esto no significa que toda referencia automatizada del mercado sea discriminatoria. Significa que los empleadores no pueden tratar el software de un proveedor como un escudo legal.
La pregunta escéptica es si los pequeños empleadores pueden realizar eficazmente la revisión humana prometida. Un fundador sin experiencia en compensación quizá no reconozca un comparable deficiente, un conjunto de datos sesgado o un resultado estadísticamente débil.
La opacidad de los proveedores dificulta aún más ese desafío. Algunos sistemas revelan sus fuentes y metodología. Otros ofrecen una recomendación sin información suficiente para reconstruirla.
Un fundador no debería afirmar en exceso que la aprobación humana hace seguro el proceso. La supervisión solo funciona cuando el revisor cuenta con evidencia relevante, un estándar documentado y la capacidad de cuestionar el modelo.
Las empresas deberían someter a pruebas de resistencia un proceso de compensación asistido por IA antes de depender de él. Una prueba compara las recomendaciones del modelo usando nombres asociados a distintos géneros u otras señales de identidad irrelevantes. Esos detalles no deberían alterar el resultado.
Otra prueba examina a empleados en situaciones similares. El revisor debería preguntar si las diferencias pueden explicarse mediante factores documentados que la organización aplica de forma coherente.
Una tercera prueba evalúa la sensibilidad. Pequeños cambios en la descripción de un puesto no deberían producir oscilaciones salariales extremas, salvo que esos cambios representen responsabilidades realmente valiosas o habilidades escasas.
Los empleadores también deberían examinar la retención de datos y la privacidad. El análisis de compensación puede involucrar salarios, registros de desempeño, información demográfica e historiales laborales. Enviar ese material a un modelo externo plantea preguntas sobre el acceso, la retención y el uso autorizado.
La anonimización puede reducir la exposición, pero solo si los detalles restantes no permiten identificar a las personas. Los equipos pequeños facilitan la reidentificación porque los títulos de los puestos y las relaciones jerárquicas pueden revelar a quién describe un registro.
La auditabilidad importa por la misma razón. Una empresa debería conservar los supuestos de entrada, los comparables seleccionados, la versión del modelo, el resultado, las revisiones humanas, la aprobación final y el motivo de cualquier excepción.
Ese registro no es burocracia administrativa. Ayuda al empleador a explicar por qué dos trabajadores similares recibieron resultados distintos. También permite a la empresa revisar una decisión cuando cambian el mercado o el puesto.
El proceso de compensación más sólido separa la asistencia basada en datos de los derechos de decisión. Analistas, gerentes, fundadores y asesores legales pueden contribuir, según el tamaño de la empresa. El sistema de IA sigue siendo una herramienta dentro de esa estructura.
Ningún fundador debería asumir que la alternativa humana carece naturalmente de sesgos. Las personas también pueden tomar decisiones arbitrarias o discriminatorias. El objetivo no es preservar la intuición frente a la tecnología.
El objetivo es crear un proceso en el que se pueda examinar la evidencia, cuestionar las excepciones y mantener a una persona identificada como responsable. La IA debería reducir el trabajo de investigación y, al mismo tiempo, aumentar la información disponible para quien toma la decisión.
Tres señales mostrarán si los empleadores aprendieron la lección
La próxima prueba es si las empresas construyen una supervisión real o simplemente colocan una firma humana bajo una recomendación automatizada.
La primera señal es la calidad de los rangos salariales publicados conforme a las nuevas normas de transparencia. Los empleadores que sigan publicando rangos inusualmente amplios darán lugar a preguntas sobre si esos rangos reflejan una intención real de contratación.
Los rangos más estrechos no son automáticamente mejores. Un rango estrecho basado en datos débiles también puede ser erróneo. La señal significativa es si los empleadores pueden vincular el rango con el alcance del puesto, la evidencia de mercado y los pares internos.
La aplicación de la normativa en California y las disputas relacionadas aclararán cómo interpretan los reguladores y los tribunales una estimación de buena fe. Si las decisiones se centran en la intención documentada y una metodología coherente, los procesos responsables cobrarán más valor que el cumplimiento meramente cosmético.
Eso reforzaría la advertencia central de Inc. Mostraría que los empleadores necesitan más que un rango generado. Necesitan evidencia de que la cifra publicada refleja una decisión real de compensación.
La segunda señal es si el software de compensación expone su evidencia. Los compradores deberían prestar atención a productos que identifiquen las fuentes de datos, las fechas de actualización, la calidad de los comparables, las limitaciones de la muestra y la incertidumbre.
Una recomendación sin esos detalles es difícil de cuestionar. Una recomendación con entradas rastreables puede respaldar un juicio humano real.
Es probable que el marketing de los proveedores haga hincapié en la precisión y la eficiencia. Los empleadores deberían mirar más allá de esas afirmaciones y preguntar cómo maneja el sistema los puestos con pocos datos, los títulos inconsistentes, las ubicaciones remotas y las responsabilidades laborales cambiantes.
También deberían preguntar si un cliente puede reproducir una recomendación anterior. Un modelo que cambia silenciosamente puede hacer imposible auditar una decisión salarial existente.
Una mayor transparencia de los proveedores reforzaría el argumento a favor de la evaluación comparativa asistida por IA. La opacidad persistente lo debilitaría, especialmente en decisiones de alto impacto relacionadas con la remuneración.
La tercera señal es lo que ocurre dentro de las empresas después de que un nuevo rango se hace público. Los empleados compararán la compensación anunciada con su situación actual, y los empleadores necesitarán una respuesta.
Una empresa que revisa a los trabajadores actuales, corrige brechas sin sustento y explica su filosofía salarial trata la transparencia como una cuestión de gobernanza. Una empresa que solo aborda al nuevo contratado trata cada publicación como una transacción aislada.
Preste atención a los cambios en los criterios de promoción, las bandas salariales, las aprobaciones de excepciones y los calendarios de revisión interna. Estos detalles operativos muestran si la empresa ha construido un sistema o simplemente ha adoptado software.
Google News dio mayor visibilidad al argumento de Inc., pero la cuestión subyacente no se resolverá con una sola columna. Se resolverá mediante ofertas de empleo, preguntas de los empleados, decisiones regulatorias y el diseño de las plataformas de compensación.
Para los fundadores, la división del trabajo más segura es sencilla. Dejen que la IA reúna comparaciones, pruebe supuestos e identifique anomalías. Exijan que las personas definan el puesto, evalúen la equidad, aprueben el resultado y asuman la responsabilidad.
Los trabajadores del conocimiento deberían plantear un conjunto paralelo de preguntas. Cuando un empleador presenta un rango salarial, ¿qué factores determinan la ubicación dentro de él? ¿Con qué frecuencia se revisa el rango? ¿La empresa compara las nuevas ofertas con los empleados actuales que realizan un trabajo similar?
Esas preguntas convierten la transparencia en información útil. Un rango publicado por sí solo no puede revelar si un sistema de compensación es equitativo, actual o aplicado de manera coherente.
La lección práctica del debate en Google News no es que los empleadores deban desconfiar de todos los algoritmos. Es que una decisión salarial combina evidencia de mercado con valores organizacionales y responsabilidad legal.
La IA puede organizar la evidencia. No puede asumir la responsabilidad.
Antes de enviar la próxima oferta o publicación de empleo, los fundadores deberían examinar el proceso detrás de la cifra. Si nadie puede identificar los datos, explicar la comparación y nombrar a la persona responsable de la decisión, la empresa no está preparada para publicar ese rango.
