Vigilancia laboral: el límite que la tecnología no debería cruzar

Una cámara protege la entrada. Un registro de acceso ayuda a investigar un incidente. Un sistema puede detectar una intrusión o confirmar que una máquina se detuvo. Hasta ahí, vigilar parece una extensión razonable de la seguridad. El problema comienza cuando esa misma lógica se expande sin freno: capturas de pantalla periódicas, conteo de teclas, ubicación constante, análisis de mensajes, puntuaciones de productividad y programas que pretenden inferir emociones a partir del rostro o la voz.

La pregunta importante no es si una organización puede recoger esos datos. Es si debe hacerlo, con qué finalidad, durante cuánto tiempo y con qué consecuencias para quien trabaja. Cuando la vigilancia se diseña como una red que intenta verlo todo, deja de ser una medida puntual y se convierte en una forma de gobierno: define qué conducta cuenta, qué se considera sospechoso y quién debe explicar una desviación.

Este asunto exige algo más que una política de privacidad escrita por abogados. Requiere criterio organizacional. Un control técnicamente posible puede ser desproporcionado, poco fiable o dañino. Y un sistema vendido como “analítica de personas” puede producir inferencias que nadie sabría defender ante la persona afectada.

La vigilancia no es una sola práctica

Kirstie Ball define la vigilancia laboral como la capacidad de la dirección para monitorear, registrar y seguir el desempeño, las conductas y las características de los empleados. Su revisión muestra que sus efectos no se limitan a la productividad: alcanzan el bienestar, la cultura, la creatividad, la motivación y la relación entre supervisores y trabajadores.

Conviene separar usos que suelen mezclarse. Registrar quién accede a un servidor crítico no equivale a leer todas las conversaciones. Activar una cámara en una zona de riesgo no equivale a mantener encendida la webcam de una persona en su casa. Medir el tiempo total de respuesta de un servicio no equivale a convertir cada minuto individual en una puntuación.

Esta distinción evita una trampa frecuente: justificar una herramienta completa porque una de sus funciones parece útil. Que un programa pueda ayudar a detectar malware no autoriza automáticamente sus módulos de capturas, ubicación, puntuación conductual o análisis emocional. Cada dato necesita su propia justificación.

Cuando medir transforma el trabajo

La vigilancia no observa pasivamente una realidad intacta. Las personas ajustan su conducta a aquello que saben que será registrado. Si el sistema premia actividad visible, aumentarán los clics, los estados en verde y la respuesta inmediata, aunque no mejore el resultado. Si penaliza los periodos sin teclado, una conversación difícil, una lectura profunda o un momento para pensar pueden parecer improductivos.

La revisión de Katherine Kellogg, Melissa Valentine y Angèle Christin sobre algoritmos en el trabajo describe seis mecanismos de control algorítmico: restringir y recomendar acciones, registrar actividad, calificar desempeño, reemplazar decisiones y recompensar o sancionar. También muestra que los trabajadores no son receptores pasivos: pueden acomodarse, resistir o intentar evadir estos sistemas. Ese conflicto importa porque una métrica diseñada sin comprender el trabajo tiende a producir adaptación a la medición, no necesariamente aprendizaje.

Por eso, antes de instalar una herramienta conviene revisar la distancia entre la métrica y el trabajo real. Una cifra puede ser exacta respecto de lo que registra y, a la vez, irrelevante para la calidad que la organización necesita.

El límite más claro: no convertir señales en estados interiores

Los sistemas de reconocimiento de emociones prometen detectar atención, entusiasmo, estrés, engaño o compromiso a partir del rostro, la voz u otras señales biométricas. El salto lógico es enorme: de una expresión observable a una interpretación sobre el estado interior de alguien. El contexto cultural, la discapacidad, la neurodiversidad, el cansancio, el idioma y la propia situación laboral pueden alterar esas señales.

La Unión Europea trazó una frontera explícita. El artículo 5 del Reglamento de Inteligencia Artificial prohíbe el uso de sistemas para inferir emociones de una persona en el trabajo y en instituciones educativas, salvo cuando el uso tenga razones médicas o de seguridad. La prohibición no significa que toda observación humana desaparezca; reconoce que automatizar esa inferencia en una relación marcada por desigualdad de poder entraña un riesgo especial.

Aunque una organización opere fuera de la Unión Europea, el criterio sigue siendo útil: si el proveedor no puede demostrar que la señal medida representa de manera válida aquello que afirma inferir, el sistema no debería influir en contratación, evaluación, promoción o disciplina. Una apariencia de precisión no reemplaza validez.

Transparencia no es una casilla de consentimiento

En una relación laboral, aceptar una cláusula no siempre expresa una elección libre. Rechazar el monitoreo puede no ser una opción real. Por eso, el estándar responsable no puede reducirse a “la persona hizo clic en aceptar”.

La guía de la autoridad británica de protección de datos, el Information Commissioner’s Office, pide que el monitoreo sea lícito, transparente y justo. También orienta a definir un propósito, usar el medio menos intrusivo, evaluar impactos y comunicar qué se recoge, por qué y cómo se utilizará. La transparencia útil debe permitir anticipar consecuencias, no solo informar que existe una herramienta.

Una explicación comprensible responde, como mínimo, estas preguntas: qué datos se capturan; si la recolección es continua o por eventos; quién puede verlos; cuánto tiempo se conservan; qué inferencias se generan; si alimentan decisiones; cómo se corrige un dato; y ante quién se puede objetar. Si la organización no puede contestarlas, aún no está lista para desplegar el sistema.

Siete límites que una organización puede convertir en política

1. No recolectar por si acaso

Un dato sin propósito definido se vuelve tentador para usos posteriores. La minimización exige empezar por la decisión que se quiere mejorar y recoger solo lo necesario. “Puede servir algún día” no es una finalidad verificable.

2. No vigilar espacios personales de forma continua

El teletrabajo no transforma el hogar en una oficina abierta a observación permanente. La webcam constante, el audio ambiental o la ubicación fuera de jornada atraviesan una frontera especialmente sensible. La coordinación debe basarse en entregables, acuerdos y disponibilidad razonable.

3. No usar una señal como sustituto del desempeño

Pulsaciones, tiempo activo o rapidez de respuesta pueden describir actividad, pero rara vez representan por sí solos calidad, colaboración o criterio. Ninguna sanción debería depender automáticamente de una señal estrecha.

4. No inferir emociones, personalidad o intención

Estos atributos son difíciles de observar incluso para una persona que conoce el contexto. Un modelo no adquiere legitimidad porque entregue una etiqueta con decimales. Cuando la inferencia es científicamente discutible y la consecuencia es importante, abstenerse es una decisión de calidad.

5. No ocultar la arquitectura de decisión

Si un puntaje influye en turnos, bonos, promociones o despidos, la persona debe saberlo. También debe existir una revisión capaz de cambiar el resultado. La cuestión de quién responde por una decisión algorítmica no puede quedar diluida entre proveedor, recursos humanos y jefatura.

6. No conservar indefinidamente

Más historial no siempre produce mejor juicio. Aumenta exposición, facilita usos secundarios y permite reconstruir rutinas personales. Cada categoría necesita un plazo y una eliminación verificable.

7. No desplegar sin participación

Quienes realizan el trabajo conocen excepciones, riesgos y efectos que un comprador puede no ver. Incluir empleados, representantes, seguridad, privacidad y responsables operativos mejora el diseño y permite descubrir antes los incentivos perversos.

Un ejemplo: del impulso de controlar a una solución más estrecha

Imaginemos un equipo de atención con retrasos. La respuesta inmediata podría ser instalar un programa que registre pantallas, tiempo activo y navegación. Pero el problema declarado —retrasos— no demuestra que falte esfuerzo. Puede haber sistemas lentos, demandas mal distribuidas, casos más complejos o demasiadas transferencias.

Una alternativa proporcionada empieza con datos agregados del flujo: volumen por franja, antigüedad de casos, puntos de espera, reaperturas y dependencias. Después combina muestras de calidad con conversaciones del equipo. Solo si aparece un riesgo específico se considera un control adicional, limitado en tiempo y alcance. Así, el monitoreo sirve para diagnosticar el sistema antes de atribuir el problema a individuos.

Esta secuencia protege la dignidad, pero también mejora la gestión. Una organización que observa más no necesariamente comprende mejor. Puede acumular señales mientras ignora causas.

Qué deberían preguntar dirección y recursos humanos

Antes de aprobar una tecnología, la dirección puede pedir una ficha breve: finalidad; población afectada; datos exactos; base legal aplicable; precisión y límites; alternativas evaluadas; personas con acceso; plazo de conservación; decisiones que recibirán esos datos; revisión humana; canal de objeción; y criterio de retirada.

Recursos humanos debería negarse a recibir puntajes que no pueda explicar y defender. Compras debe exigir al proveedor documentación sobre variables, validación, sesgos, subcontratistas y eliminación. Seguridad debe evitar que una necesidad legítima de protección se convierta en autorización abierta para evaluar desempeño. Y la jefatura debe recordar que la confianza no se reemplaza con un panel.

Shoshana Zuboff, en The Age of Surveillance Capitalism, ofrece un marco amplio para comprender cómo la extracción de experiencia humana puede convertirse en materia prima para predicción y control. El entorno laboral tiene características propias, pero comparte una advertencia central: cuando recolectar datos se normaliza, el propósito tiende a expandirse. Los límites deben existir antes de que aparezca la tentación de reutilizar.

Vigilar menos puede permitir gestionar mejor

La alternativa a la vigilancia total no es la ausencia de responsabilidad. Es una responsabilidad mejor diseñada: objetivos claros, procesos observables, controles proporcionados, evidencia contextual y derecho a cuestionar. Las organizaciones necesitan seguridad y coordinación, pero no necesitan convertir cada gesto en dato ni cada dato en juicio.

El límite responsable aparece cuando la intrusión supera la necesidad, la inferencia supera la evidencia o el poder de decidir supera la posibilidad de apelar. En ese punto, detener una herramienta no es rechazar la tecnología. Es demostrar criterio.

Pregunta para la comunidad: ¿qué dato laboral consideras legítimo recoger para resolver un problema real y cuál debería permanecer fuera del alcance de la organización?

Elaborado por Ricardo Gaibor

Este artículo fue elaborado por Ricardo Gaibor con ayuda de sistemas de inteligencia artificial en tareas de investigación, organización y edición. La selección, interpretación y responsabilidad editorial del contenido corresponden al autor.

Fuentes y lecturas recomendadas

• Kirstie Ball (2010). “Workplace surveillance: an overview”. Labor History, 51(1), 87–106. https://doi.org/10.1080/00236561003654776
• Katherine C. Kellogg, Melissa A. Valentine y Angèle Christin (2020). “Algorithms at Work: The New Contested Terrain of Control”. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174
• Unión Europea (2024). Reglamento (UE) 2024/1689, artículo 5: prácticas de IA prohibidas. Texto oficial y guía de consulta.
• Information Commissioner’s Office (2023). Monitoring workers guidance. Guía oficial.
• Shoshana Zuboff (2019). The Age of Surveillance Capitalism. PublicAffairs. ISBN 978-1-61039-569-4. Ficha editorial.