Pruebas psicométricas para selección de personal: cuáles sirven

Cuando una empresa sale a buscar “pruebas psicométricas para selección de personal” encuentra veinte proveedores en una tarde. Casi todos hablan de precisión, colores y perfiles. Muy pocos publican un coeficiente de validez.

Esa asimetría es el problema entero. La pregunta útil no es qué test es mejor, sino qué evidencia tiene cada familia de instrumentos sobre lo único que importa, que es predecir desempeño en el puesto.

Qué convierte a un cuestionario en un instrumento psicométrico

Tres propiedades, y las tres se pueden pedir por escrito.

Confiabilidad. Que la misma persona obtenga un resultado parecido si lo vuelve a rendir. Un instrumento que reasigna a la mitad de la gente a otra categoría en cinco semanas no está midiendo un rasgo estable.

Validez. Que el resultado se relacione con algo externo al propio test. Validez de criterio es la que importa en selección, y significa correlación con desempeño medido de forma independiente.

Normas. Contra qué población se compara el puntaje. Un percentil sin población de referencia declarada no es un percentil.

Si un proveedor no puede darte las tres, lo que tienes es un lenguaje común para hablar de personas. Puede ser útil para un taller de equipo. No es un criterio de contratación.

Lo que dice la evidencia actualizada

Durante veinte años, la referencia obligada fue la revisión de Schmidt y Hunter de 1998 sobre 85 años de investigación en selección. En 2022, Sackett, Zhang, Berry y Lievens la revisaron en el Journal of Applied Psychology y corrigieron un problema metodológico: las correcciones por restricción de rango que se venían aplicando inflaban los coeficientes.

El resultado bajó las estimaciones entre 0,10 y 0,20 puntos casi en todo el tablero. El ranking se movió menos de lo que se esperaba, pero cambió el primer puesto.

Los coeficientes de validez operativa media que reporta ese trabajo, en orden:

• Entrevista estructurada · 0,42. Quedó primera. También con mucha dispersión alrededor de esa media, así que la calidad de la implementación pesa.
• Test de conocimiento del puesto · 0,40.
• Biodata con clave empírica · 0,38.
• Muestras de trabajo · 0,33.
• Capacidad cognitiva general · 0,31. Dejó de ser el predictor número uno, que era el consenso desde 1998.
• Intereses · 0,24.

Sobre personalidad, el hallazgo relevante es de matiz. Los inventarios generales rinden menos que los contextualizados, o sea los que preguntan por el comportamiento en el trabajo en lugar de en la vida en general. Es la diferencia entre “soy ordenada” y “soy ordenada cuando trabajo en equipo bajo presión”.

Las cinco familias, y para qué sirve cada una

Personalidad de rasgos. Los Cinco Grandes son el modelo con más respaldo acumulado. No predice tanto como la entrevista estructurada, y predice cosas distintas: cómo va a trabajar la persona, no cuánto sabe. Es la capa que explica encaje con el rol y con el equipo. El desglose está en validez predictiva del Big Five.

Capacidad cognitiva. Buen predictor, sobre todo en roles complejos. También el que más riesgo de impacto adverso trae en varias jurisdicciones, lo que obliga a documentar la relación con el puesto.

Muestras de trabajo y conocimiento. Miden si la persona puede hacer la tarea. Son caras de construir y difíciles de escalar, y por eso se usan poco. Cuando existen, funcionan.

Juicio situacional. Presentan una situación laboral y piden elegir la respuesta. Miden criterio aplicado a un contexto, y dependen mucho de que el contexto se parezca al real.

Tipologías conductuales. DISC, MBTI y sus derivados. Están construidos para dar un lenguaje compartido, no para ordenar candidatos. El detalle de por qué está en DISC vs OCEAN y en MBTI para selección.

Las seis preguntas antes de comprar

1. ¿Qué constructo mide y con qué modelo? Si la respuesta es el nombre del producto, no hay respuesta.
2. ¿Cuál es la confiabilidad test-retest, y a qué intervalo? Un número sin intervalo no dice nada.
3. ¿Contra qué criterio se validó? Desempeño evaluado por el supervisor, permanencia, indicadores de producción. Y con qué tamaño de muestra.
4. ¿Cuál es la población normativa? Un baremo español aplicado a una muestra mexicana desplaza los percentiles. Los percentiles además están atados al instrumento con el que se construyeron, así que no se trasladan de un test a otro.
5. ¿Se puede explicar un resultado individual? Si un candidato pregunta por qué quedó abajo, alguien tiene que poder responder. Ese argumento está desarrollado en transparencia algorítmica en HR Tech.
6. ¿Se monitorea el impacto adverso? Ningún instrumento borra el sesgo. Lo que un proceso serio hace es medirlo, mostrarlo y corregir cuando aparece. Cómo se mide está en sesgos en la contratación.

El error de comprar un solo instrumento

La lectura más común de la tabla de validez es equivocada. La gente busca el número más alto y compra eso.

Los predictores no compiten, se suman. Una entrevista estructurada y un inventario de personalidad explican partes distintas del desempeño, y combinados predicen más que cualquiera de los dos solo. El diseño que rinde es de dos capas. El instrumento mide disposiciones estables antes de la entrevista, y la entrevista estructurada explora competencias específicas con casos vividos. La guía está en entrevista por competencias.

Lo que no funciona es sumar tres tipologías conductuales y llamarlo triangulación.

Dónde queda Talen.to

El motor mide sobre los Cinco Grandes y agrega dos capas que un test genérico no tiene. El encaje contra el perfil del rol, con rangos esperados por dimensión, y el encaje contra los valores declarados de la empresa que va a contratar. Ese cruce es el que un instrumento de catálogo no puede hacer, porque no sabe nada de tu empresa.

La lectura de arquetipos que acompaña al informe es cualitativa. Sirve para conversar sobre un perfil, y no se usa para ordenar candidatos.

Si quieres ver qué produce el instrumento antes de decidir, el Diagnóstico de Talento toma unos diez minutos y no pide registro. Y el desglose del modelo está en el modelo OCEAN explicado.