FairHire empezó con una pregunta práctica: ¿podemos volver más legibles las señales de compensación en tecnología en México sin borrar a las personas detrás de los datos? La primera versión se enfoca en la brecha salarial de género usando microdatos de INEGI y ENOE, y suma análisis de ajuste laboral con la API de Claude para revisar en conjunto el contexto salarial y el contexto del puesto.
Lo que ya salió es deliberadamente acotado. Construimos la ruta de ingesta para microdatos laborales públicos, mapeamos las variables necesarias para vistas salariales comparables y diseñamos una interfaz que separa evidencia descriptiva de interpretación. El sistema no es un oráculo de equidad. Es un espacio de evidencia para hacer mejores preguntas sobre compensación, señales de contratación y expectativas de rol.
Lo que sigue
La siguiente capa es validación. Estamos afinando la trazabilidad de datos, documentando supuestos y probando cómo se comporta el análisis de ajuste laboral cuando CVs, vacantes y bandas salariales tienen distintos niveles de detalle. La meta no es producir un puntaje único que parezca preciso. La meta es mostrar dónde la evidencia es fuerte, dónde es débil y dónde una persona revisora debe detenerse.
Construir en abierto mantiene honesto al producto: cada supuesto tiene que resistir el contacto con datos, usuarios y escrutinio público.
Compartimos el proceso porque las herramientas de equidad fallan cuando esconden su método. Los datos laborales públicos tienen límites. Los modelos de lenguaje tienen límites. Los equipos de contratación tienen incentivos que deben hacerse visibles. La bitácora es el lugar donde esas restricciones permanecen sobre la mesa mientras el producto evoluciona.