Las empresas que utilizan inteligencia artificial o sistemas automatizados para organizar el trabajo tendrán una nueva obligación de transparencia desde el 5 de octubre de 2026. El Real Decreto 723/2026 exige informar a las personas trabajadoras cuando existan sistemas algorítmicos que influyan en determinadas decisiones laborales, como jornada, tareas, retribución, lugar de trabajo o extinción.
La norma no obliga a entregar el código fuente ni a revelar secretos empresariales sin límites. Sí obliga a que el trabajador conozca la existencia del sistema y reciba información comprensible sobre las reglas relevantes cuando el algoritmo afecta a sus condiciones.
Para empresas que usan software de turnos, scoring de productividad, asignación automática de tareas, herramientas de IA para evaluación o plataformas que priorizan empleados, esto deja de ser una cuestión puramente tecnológica y pasa a ser también laboral.
De dónde nace la obligación
El Real Decreto 723/2026 transpone parcialmente la Directiva europea sobre condiciones de trabajo transparentes y previsibles.
Entre sus novedades incorpora información específica sobre sistemas automatizados utilizados por la empresa en la relación laboral.
Qué debe saber el trabajador
La persona trabajadora debe conocer que existe un sistema algorítmico cuando este interviene en decisiones relevantes sobre su trabajo.
La explicación debe permitir entender qué tipo de reglas o criterios influyen, sin convertir la obligación en una entrega indiscriminada de propiedad intelectual.
Jornada y turnos
Un software que asigna turnos automáticamente puede estar dentro del ámbito de interés si sus reglas determinan cuándo trabaja cada persona.
La empresa debería documentar qué datos utiliza, qué límites existen y si hay supervisión humana.
Asignación de tareas
Plataformas logísticas, call centers o sistemas de gestión pueden repartir automáticamente tareas según disponibilidad, rendimiento o prioridad.
Si esa decisión tiene impacto laboral relevante, la empresa debe revisar cómo informa sobre el mecanismo.
Salario variable
Si un algoritmo calcula bonus, incentivos o productividad, la transparencia es especialmente importante.
El trabajador debe poder comprender qué variables afectan a su remuneración y cómo se transforma la información en resultado económico.
Promociones y evaluación
Herramientas de evaluación asistida por IA pueden ayudar a resumir desempeño o priorizar candidatos internos.
La empresa debe evitar que una puntuación automática se convierta en una decisión opaca que nadie pueda explicar.
Extinción de contratos
Las decisiones con mayor impacto exigen especial cautela. Un sistema que recomienda bajas, no renovaciones o despidos no debería operar sin controles y explicación.
La responsabilidad final sigue siendo empresarial y no puede desplazarse a “lo decidió el algoritmo”.
IA generativa en RRHH
Utilizar un chatbot para redactar una oferta no equivale necesariamente a un sistema decisorio. En cambio, usar IA para puntuar personas, seleccionar o distribuir trabajo puede tener implicaciones mayores.
El caso de uso concreto importa más que la marca de la herramienta.
Software de productividad
Algunas empresas utilizan métricas de actividad, tiempos, tickets resueltos o resultados para organizar recursos.
Cuando esas métricas alimentan decisiones automáticas sobre condiciones, conviene documentar la lógica y revisar proporcionalidad.
Qué no exige la norma
No implica publicar todo el código ni entregar detalles técnicos que no sean necesarios para comprender el impacto laboral.
La obligación busca transparencia funcional, no una auditoría de software abierta al público.
Qué debería documentar la empresa
Nombre del sistema, finalidad, decisiones en las que interviene, datos principales utilizados, reglas relevantes, intervención humana y responsable interno.
Este inventario sirve también para cumplir mejor obligaciones de protección de datos y gobierno de IA.
Relación con el AI Act
El Reglamento europeo de IA clasifica determinados usos laborales como de alto riesgo bajo ciertas condiciones.
La obligación laboral española y el AI Act son marcos distintos pero pueden solaparse en una misma herramienta.
Protección de datos
Si el sistema utiliza datos personales de empleados, la empresa debe respetar RGPD y normativa española.
Minimización, finalidad y acceso son especialmente relevantes cuando se construyen perfiles de productividad o rendimiento.
Sesgos
Un algoritmo puede reproducir sesgos presentes en datos históricos.
Si la empresa utiliza decisiones automatizadas para promoción o asignación de oportunidades, debería probar resultados por grupos y revisar anomalías.
Supervisión humana
La existencia de una persona que revise decisiones reduce algunos riesgos, pero debe ser una supervisión real.
Un responsable que simplemente acepta todas las recomendaciones automáticas no aporta un control efectivo.
Cómo preparar un inventario
Preguntar a RRHH, operaciones, IT y managers qué herramientas utilizan. Muchas empresas tienen automatizaciones que dirección no identifica como “algoritmos”.
Software de turnos, CRM, ATS, plataformas de reparto, control horario y analítica pueden contener reglas automáticas.
Proveedores externos
Aunque el software sea de un tercero, la empresa sigue siendo responsable del uso que hace.
Conviene pedir documentación al proveedor sobre lógica, datos, controles y explicabilidad.
Contratos con proveedores
Las cláusulas deberían garantizar acceso a la información necesaria para cumplir obligaciones laborales y regulatorias.
Un proveedor que se niega a explicar mínimamente cómo funciona su sistema puede convertirse en un riesgo de cumplimiento.
Qué hacer si el sistema cambia
Una actualización de software puede modificar criterios o modelos.
La empresa debe tener un proceso para revisar cambios y actualizar la información entregada cuando alteren condiciones relevantes.
Startups y pymes
El tamaño de la empresa no elimina la obligación. Una pyme que usa una plataforma externa de turnos debe revisar su caso igual que una compañía grande.
La ventaja de la pyme es que suele tener menos sistemas y puede mapearlos con rapidez.
Cómo explicarlo al trabajador
La comunicación debe utilizar lenguaje comprensible y centrarse en el impacto práctico.
Una explicación llena de jerga técnica puede cumplir formalmente peor que una descripción sencilla y precisa.
Checklist antes del 5 de octubre
Inventariar sistemas, identificar decisiones, pedir documentación a proveedores, revisar datos, definir supervisión y preparar el texto informativo.
También conviene asignar un responsable de actualizar esa información.
Qué riesgo tiene ignorarlo
Además del posible régimen sancionador, la opacidad puede aumentar litigios sobre salario, jornada o decisiones discriminatorias.
Documentar bien reduce riesgo y obliga a la empresa a entender sus propias automatizaciones.
Más información útil para empresas
También puedes ampliar contexto en la guía sobre la jornada laboral de 37,5 horas, el análisis de vacantes y empleo STEM en Galicia, el coste laboral en Galicia, la inflación de agosto, la nueva factura electrónica B2B y el calendario fiscal de octubre.
Preguntas frecuentes
¿Tengo que informar si uso IA en RRHH?
Depende del uso. Si el sistema influye en decisiones laborales relevantes, la nueva obligación puede resultar aplicable.
¿Hay que entregar el código fuente?
No es la finalidad de la norma. La información debe ser suficiente para comprender la existencia y reglas relevantes del sistema.
¿Un software de turnos puede entrar?
Sí, si utiliza reglas automatizadas que determinan jornada o asignación con impacto laboral.
¿Afecta a pymes?
Sí, el tamaño no excluye la obligación.
¿Tiene relación con el AI Act?
Son marcos diferentes que pueden coincidir en determinados usos de IA laboral.
¿Cuándo entra en vigor?
El 5 de octubre de 2026.
Ejemplo: algoritmo que reparte turnos
Una cadena de tiendas puede utilizar un sistema que combina disponibilidad, ventas esperadas y horas contratadas para generar cuadrantes. Si el resultado afecta de forma sustancial a la jornada de cada persona, la empresa debería poder explicar los criterios generales utilizados y qué margen tiene el responsable para modificarlos.
El trabajador no necesita conocer el código, pero sí entender qué factores pueden condicionar su horario.
Ejemplo: puntuación de productividad
Un centro de atención puede utilizar métricas de llamadas, resolución o satisfacción para generar una puntuación. Si esa puntuación se utiliza para bonus, promoción o asignación de tareas, el sistema deja de ser una simple estadística interna.
La empresa debería documentar límites, calidad de datos y revisión humana.
Ejemplo: IA en selección interna
Un modelo puede resumir evaluaciones y recomendar candidatos para una promoción. Si la recomendación influye en la decisión, conviene identificar qué información utiliza y comprobar que no penaliza características irrelevantes.
La persona responsable debe poder apartarse del resultado y justificar su decisión.
Qué preguntar al proveedor
Qué datos utiliza, con qué finalidad, cómo se actualiza el modelo, qué controles de sesgo existen, qué registros conserva y qué explicación puede proporcionar a la empresa.
También es importante saber si el proveedor utiliza información de los empleados para entrenar otros modelos.
Documentar versiones
Si el algoritmo cambia, la lógica aplicada en enero puede no ser la misma en octubre. Registrar versiones permite explicar decisiones históricas y detectar cuándo se introdujo un cambio.
Esto es especialmente relevante en sistemas SaaS que se actualizan automáticamente.
Qué hacer con decisiones ya automatizadas
No es necesario abandonar de golpe toda automatización. La empresa debe identificarla, evaluar riesgo y añadir información y controles donde falten.
Los procesos más sensibles —salario, despido, promoción— deberían revisarse primero.
Participación de representación legal
Además de la información individual, determinadas obligaciones existentes pueden implicar información a representantes de los trabajadores sobre parámetros y reglas de algoritmos utilizados en decisiones laborales.
La empresa debe coordinar ambos niveles y evitar documentos contradictorios.
Cómo crear una política interna de IA laboral
Puede ser un documento breve con herramientas autorizadas, usos permitidos, decisiones que requieren revisión humana y responsable de cada sistema.
La política debería actualizarse cuando se incorpora una nueva plataforma.
Por qué esto también mejora la gestión
Obligarse a explicar un algoritmo ayuda a detectar reglas que nadie recuerda por qué existen. Muchas empresas descubrirán automatizaciones heredadas que ya no reflejan su política actual.
La transparencia puede convertirse en una oportunidad para simplificar y mejorar procesos.
Cómo preparar una auditoría interna sencilla
Crear una tabla con sistema, proveedor, finalidad, datos, decisión, impacto, revisión humana y responsable. Con una hora de trabajo por departamento se puede obtener una primera visión.
Después se priorizan los sistemas con mayor impacto y se profundiza solo donde sea necesario.
Qué no debería hacer la empresa
Responder que “el algoritmo es secreto”, asumir que el proveedor se ocupa de todo o utilizar resultados automáticos sin que nadie pueda cuestionarlos.
La responsabilidad empresarial no desaparece por externalizar la tecnología.
Relación con reputación interna
Los empleados aceptan mejor herramientas automáticas cuando entienden para qué sirven y cómo pueden corregirse errores. La opacidad genera desconfianza incluso cuando el sistema es técnicamente correcto.
Comunicar bien puede reducir resistencia a la digitalización.
ATS y filtros automáticos de candidatos
Los sistemas de selección pueden ordenar candidaturas mediante palabras clave, experiencia, ubicación u otros factores. Cuando esas herramientas intervienen en decisiones laborales, la empresa debería saber qué criterios utiliza el proveedor y qué papel conserva la persona que selecciona.
Un ranking automático no debería convertirse en una exclusión definitiva sin revisión cuando el resultado pueda afectar de forma significativa a una persona.
Herramientas de control horario con analítica
Algunas plataformas ya no se limitan a registrar entrada y salida: detectan patrones, retrasos, ausencias o productividad y generan alertas. Si esas señales terminan influyendo en sanciones, bonus o asignaciones, conviene documentar la lógica del proceso.
La empresa debe diferenciar un dato objetivo —por ejemplo, una hora de fichaje— de una inferencia generada por el sistema.
Dashboards de rendimiento
Un cuadro de mando puede combinar ventas, tickets, tiempos de respuesta o producción. El problema no es medir, sino convertir una métrica en una decisión automática sin analizar el contexto.
Antes de octubre, dirección debería identificar qué indicadores se utilizan para decisiones sobre salario, tareas o continuidad y explicar cómo se interpretan.
Derecho a corregir datos erróneos
Un algoritmo solo puede ser tan fiable como la información que recibe. Si un sistema atribuye a una persona ventas que pertenecen a otro equipo o registra mal ausencias, la decisión posterior puede estar contaminada.
La empresa necesita un canal para detectar y corregir errores antes de que se consoliden en evaluaciones o decisiones importantes.
Qué debe incluir una ficha de sistema algorítmico
Nombre, proveedor, versión, finalidad, personas afectadas, datos utilizados, decisiones en las que interviene, supervisión humana y fecha de última revisión. Con esta ficha se puede responder con mucha más rapidez a obligaciones de información.
También conviene indicar si la herramienta utiliza un modelo externo y si los datos se transfieren a terceros.
Formación a managers
De poco sirve que legal prepare una política si los responsables de equipo utilizan puntuaciones automáticas como verdades absolutas. Los managers deben saber interpretar resultados, detectar excepciones y documentar cuándo se apartan de una recomendación.
La alfabetización en IA debe incluir límites y responsabilidad, no solo aprender a utilizar la herramienta.
Cómo probar sesgos de forma práctica
La empresa puede analizar una muestra histórica de resultados y comprobar si determinados grupos reciben sistemáticamente puntuaciones o asignaciones diferentes sin una razón relacionada con el puesto.
Si aparece una desviación, habrá que revisar datos, variables o proceso antes de seguir confiando en el sistema.
Qué hacer si el proveedor no ofrece suficiente información
El contrato debería permitir obtener la documentación necesaria para cumplir la normativa. Si el proveedor responde que su algoritmo es completamente opaco, la empresa debe valorar si puede seguir utilizándolo en decisiones sensibles.
Externalizar software no externaliza la responsabilidad laboral frente a la plantilla.
Conclusión
La transparencia algorítmica deja de ser un debate futuro. Desde el 5 de octubre, las empresas deben saber qué sistemas automáticos influyen en decisiones laborales y ser capaces de explicarlos. Inventariar herramientas, documentar reglas y mantener supervisión humana será tan importante como elegir el software.
Fuentes
Fotografía: Pavel Danilyuk / Pexels.
