Comparto los apuntes extraídos de Keegan, A., & Meijerink, J. (2025). Algorithmic management in organizations? From edge case to center stage. Annual Review of Organizational Psychology and Organizational Behavior, 12, 395–422. https://doi.org/10.1146/annurev-orgpsych-110622-070928

La gestión algorítmica opera como un sistema socio-técnico completo que automatiza parcial o totalmente tareas clásicas de dirección de personas (asignación de trabajo, selección, evaluación, disciplina, fijación de pagos, etc.) y que evoluciona con su setting institucional y tecnológico.

La gestión algorítmica puede definirse operativamente como un sistema socio-técnico de dirección de personas en el que algoritmos y modelos de datos asumen funciones clásicas de la gestión de recursos humanos y del mando intermedio, automatizando parcial o totalmente actividades como la asignación de tareas, la programación de horarios, el seguimiento del desempeño, la fijación de incentivos económicos, la disciplina laboral o incluso la desconexión de trabajadores de la organización.

Se basa en tres elementos básicos:

1. Infraestructura técnica: algoritmos, plataformas digitales y dispositivos de recogida de datos que generan, procesan y aplican información sobre comportamientos y resultados.
2. Dispositivos institucionales: marcos legales, reglas organizativas y políticas corporativas que legitiman y estructuran el despliegue de la gestión automatizada.
3. Efectos prescriptivos sobre los trabajadores: las decisiones tomadas por el algoritmo influyen directamente en oportunidades de empleo, acceso a tareas, ingresos, reputación, posibilidades de desarrollo profesional y permanencia en la organización.

Las distintas plataformas han construido, de facto, una zona gris entre empleo y freelancing que sostiene su modelo, una zona donde la gestión algorítmica sustituye a managers humanos, absorbe funciones de RR. HH. y genera ambigüedad jurídica, organizativa y psicológica con efectos directos sobre resultados individuales y organizativos; Anne Keegan y Jeroen Meijerink sitúan esta zona gris como objeto todavía desatendido por los departamentos de recursos humanos y la psicología organizativa, pese a su expansión transversal por sectores profesionales y de servicios.

 Ése mínimo denominador común se apoya en cuatro componentes interdependientes:

1. Delegación de funciones de control y coordinación: el algoritmo no se limita a describir patrones de comportamiento, asume atribuciones antes exclusivas de los mandos intermedios o de los departamentos de RR. HH. Ejemplos son la asignación de turnos, la priorización de tareas, la fijación de objetivos de desempeño o la activación de procesos disciplinarios. Esta sustitución parcial de la figura humana por un artefacto socio-técnico convierte al software en un “jefe digital” que marca ritmos, prioridades y consecuencias laborales.
2. Soporte institucional que legitima el despliegue: los algoritmos están insertos en dispositivos normativos (regulación laboral ambigua, contratos de prestación de servicios, políticas corporativas de flexibilidad) que otorgan carta de naturaleza a un modelo híbrido. Este entramado institucional sostiene la “zona gris” entre empleo y autoempleo, sin esta arquitectura de legitimación jurídica y organizativa la gestión algorítmica perdería gran parte de su capacidad de normalizarse en sectores enteros.
3. Alimentación constante de datos de trabajadores y clientes: el sistema se nutre de trazas digitales generadas en la interacción cotidiana. Cada acción de un conductor, de un repartidor o de un freelance cualificado, así como cada gesto de retroalimentación de un cliente, alimenta un circuito de aprendizaje que refuerza la capacidad prescriptiva del algoritmo. El flujo de datos, bidireccional y continuo, convierte al trabajador y al cliente en co-productores involuntarios de políticas de gestión.
4. Efectos prescriptivos en tareas, desempeño y pagos: el algoritmo informa, decide y sanciona. Determina qué trabajador accede a qué tarea, en qué condiciones económicas y con qué visibilidad futura. Establece vínculos automáticos entre métricas de desempeño y acceso a beneficios, bonificaciones o franjas de trabajo. La consecuencia es que las oportunidades profesionales y los ingresos dejan de ser negociados bilateralmente con un superior humano para depender de fórmulas y umbrales codificados, a menudo opacos y dinámicos.

Esta síntesis permite a los ejecutivos y responsables de talento auditar de manera crítica el alcance real de la gestión algorítmica en sus organizaciones. En la práctica, muchas empresas ya despliegan piezas de managemente algorítmico sin denominarlas así: algoritmos de matching interno para proyectos, sistemas automáticos de evaluación de desempeño, modelos dinámicos de incentivos, herramientas de seguimiento de productividad en remoto.

Se trata en gran medida de preguntarse ante todo en qué medida el software ya ejerce funciones de mando, con qué marcos institucionales se legitima y qué impactos produce sobre la autonomía, la justicia y la sostenibilidad de la relación laboral. Esa constatación transforma la gestión algorítmica de un tema “de plataformas” a un desafío transversal para toda organización que automatice funciones de recursos humanos y coordinación.

Cómo opera el sistema

1) asignación y programación algorítmica

La orquestación de la oferta y la demanda de servicios fluye a través de matching automatizado y reglas de visibilidad que premian conformidad conductual con lo que la plataforma considera estratégico; los trabajadores con mejores ratings y mayor flexibilidad reciben prioridad, el tiempo de aceptación se reduce a segundos, y el sistema incorpora filtros que limitan quién ve qué tareas, con diseño opaco y asimetrías de información que moldean el comportamiento futuro.  La programación algorítmica libera cargas administrativas a la vez que redefine la autonomía percibida, ya que los mejores turnos y franjas se abren a quienes mantienen disponibilidad y desempeño altos, y los cambios de fórmula o de reglas de acceso producen ciclos de aprendizaje perpetuo del “lenguaje de la máquina”.

2) monitorización y gestión del desempeño

Las evaluaciones se agregan en métricas compuestas (puntuaciones tipo cinco estrellas o índices de éxito) que condicionan acceso futuro a trabajo, visibilidad ante clientes, sanciones temporales o off-boarding automatizado; la retroalimentación llega de forma asincrónica y con mínima explicabilidad, lo que exacerba ansiedad, conduce a sobre-ajuste conductual y genera activismo algorítmico defensivo entre colectivos. En organizaciones convencionales, la telemetría suele añadir información para la decisión humana, mientras que en plataformas la lógica es prescriptiva y de control con bajo espacio de voz del trabajador; esta divergencia invita a diseñar salvaguardas de justicia procesal, democracia en el trabajo y dignidad, con impactos robustos en satisfacción y legitimidad.

3) compensación y beneficios en tiempo casi real

El pago por pieza y la experimentación permanente sobre tarifas (bonos de atracción, surge pricing, pruebas A/B para calibrar elasticidad de oferta) producen ingresos volátiles y diferenciales por la misma tarea, con opacidad deliberada en las fórmulas; el vínculo entre mejores tarifas y mayor disponibilidad o aceptación refuerza la inmersión en el ecosistema y traslada todo el riesgo económico al trabajador. La evidencia recogida refleja que la ausencia de garantía de trabajo y de red de protección social, combinada con la interdependencia entre pago, evaluación y programación, dificulta estabilizar ingresos incluso en tareas cualificadas, y que los pocos beneficios existentes se condicionan a métricas de desempeño, lo que crea efectos de dependencia de plataforma.

4) nuevos actores y desaparición del “línea-RR. HH.” clásico

Clientes y trabajadores asumen funciones de RR. HH. (evaluar, formar, disciplinar) mediante reputación, coaching entre pares y foros, mientras ingenieros y data scientists se convierten en coproductores de políticas de personal codificadas en reglas y modelos; sindicatos y asociaciones rellenan vacíos de seguridad, formación y salud laboral que el diseño sin-empleo deja sin atender.

5) (des)alineación estratégica del sistema de RR. HH.

La arquitectura híbrida mezcla autonomía selectiva con control estrecho, compromiso retórico con reducción de costes y flexibilidad con dependencia de ratings, lo que rompe la coherencia que presuponen los modelos de alto compromiso o de adquisición arm’s length; esta hibridez explica parte de la rotación, la desafección y las fricciones de legitimidad, y sugiere rediseñar principios, no solo features.

Impacto en carreras, señales e identidad profesional

Keegan y Meijerink sitúan al algoritmo como jefe y a la plataforma como empleador en sombra, lo que reconfigura la gestión de carrera. Estrategias de skilling para “gustar al algoritmo”, construcción de capital relacional con clientes para escapar de la comoditización, y alfabetizaciones nuevas para navegar reglas cambiantes; afloran problemas de cold start reputacional, gestión emocional por exposición a ratings continuos y dilemas de seguimiento/evitación de instrucciones de la máquina. La señalización se vuelve multiactor: las métricas de la plataforma, los likes y opiniones de clientes, y la ayuda de comunidades de práctica generan contratos psicológicos cruzados con focos de obligación diversos; las identidades profesionales sufren cuando el  gestión algorítmica impone supuestos de abundancia y disponibilidad infinita (terapeutas, abogados o creativos lo relatan), aunque emergen también narrativas de dignidad y elección profesional positiva.

Playbook de 12 movimientos para una  gestión algorítmica responsable y competitivo

1. Definir el perímetro de “gestión de facto”: inventario de decisiones automatizadas en todo el ciclo de talento, con mapa de datos, finalidad y reversibilidad humana.
2. Fijar derechos de voz y recurso: canalizar apelaciones y explicaciones comprensibles en asignación, evaluación y off-boarding, con SLAs y métricas de justicia procedimental.
3. Modular la opacidad: mantener robustez frente a gaming sin anular comprensión; publicar factores de elegibilidad a franjas, niveles y tarifas, y ofrecer simuladores de impacto.
4. Separar objetivos de plataforma y del cliente: gobierno que detecta divergencias entre maximizar efectos de red y optimizar fit talento-tarea para el demandante; revisar el sesgo de visibilidad y anonimización forzada.
5. Localizar algoritmos: recalibrar modelos y reglas para contextos nacionales y sectoriales, con guardrails culturales e institucionales; medir misfit y re-entrenar.
6. Diseñar híbridos coherentes: decidir conscientemente la mezcla autonomía-control y documentar la filosofía resultante para reducir disonancia estratégica y churn.
7. Institucionalizar “alfabetización de plataforma”: micro-formaciones sobre cómo funcionan matching, ratings y tarifas, orientadas a construir agencia sin fomentar conductas de riesgo.
8. Codiseñar con pares y clientes: formalizar el coaching by the crowd, clarificar el rol evaluador del cliente y su responsabilidad en estándares y sesgos.  
9. Reequilibrar riesgos económicos: mecanismos de estabilización de ingresos en tareas críticas (mínimos garantizados por ventana temporal, floors en surge, límites a pruebas A/B sobre pago).
10. Introducir métricas de dignidad y carga emocional: monitorizar ansiedad por rating, fatiga por notificaciones, y afectación identitaria, con puntos de corte de intervención.
11. Explorar mercados internos de talento con reglas de participación claras para empleados y externals, evitando trasplantar acríticamente lógicas de plataforma pública.
12. Preparar terceros de confianza: comités mixtos con asociaciones, ombudspersons y auditores de datos para cubrir vacíos de seguridad, formación y salud.