¿Sirven las pruebas de muestra de trabajo (work sample)?

Las pruebas de muestra de trabajo sí predicen el desempeño laboral con validez moderada y robusta (r corregida ≈ .33), pero el consenso que las descarta por "no tan fiables" confunde la corrección a la baja de una cifra históricamente inflada con la ausencia de utilidad — un error de diagnóstico con consecuencias prácticas reales.

Preguntas y respuestas

¿Cuál es la validez predictiva real de las pruebas de muestra de trabajo?

El meta-análisis de referencia de Roth, Bobko y McFarland ¹ establece una correlación observada con el desempeño laboral de r = .26, que sube a r = .33 tras corregir por atenuación del criterio (fiabilidad de las valoraciones de supervisores). Un valor similar aparece en un estudio independiente: una prueba de muestra de trabajo para liderazgo directivo en municipios suecos obtuvo una validez operacional corregida de ρ = .33 (IC 95%: [0.06, 0.56]) para las valoraciones de los subordinados en la dimensión de consideración, más de seis meses después de la selección ⁴.

¿De dónde viene entonces la fama de "alta validez"?

Del meta-análisis fundacional de Hunter y Hunter (1984), que reportó r = .54 para pruebas de muestra de trabajo ². Roth et al. (2005) revisaron ese valor a la baja ¹. La reputación del instrumento se construyó sobre el .54; la evidencia disponible desde 2005 sostiene el .33.

¿Aportan información independiente de los tests cognitivos?

En parte. La correlación observada entre pruebas de muestra de trabajo y tests de aptitud cognitiva general (GMA) es r = .32 ⁵, lo que indica un solapamiento moderado de constructo. Ambos instrumentos miden habilidades relacionadas, pero no idénticas. Schmidt y Hunter (1998) sitúan la combinación de GMA y prueba de muestra de trabajo entre las de mayor validez media (.63) ³.

¿Cuál es la limitación genuina que justifica cautela?

No la fiabilidad interna del instrumento, sino el impacto adverso entre grupos. En muestras de candidatos reales (EE.UU., multisectorial), las diferencias entre grupos raciales Black-White alcanzan d = .73 ⁶, un valor superior al que se asumía en la literatura anterior. Este dato, procedente de muestras de candidatos y no de empleados, es relevante para su aplicación en procesos de selección con diversidad de candidatura.

¿Cómo se usa en España?

En PYMEs españolas, las pruebas profesionales asimilables a work samples forman parte de un conjunto de herramientas en crecimiento, aunque el CV, las referencias y la entrevista no estructurada siguen siendo los instrumentos más utilizados, con propiedades psicométricas inferiores ⁷.

Tabla comparativa: cifra prometida frente a cifra entregada

El consenso promete que las pruebas de muestra de trabajo son poco fiables porque la cifra canónica (.54) resultó inflada; la evidencia entrega una validez de r ≈ .33 — modesta pero replicada. La distancia entre ambos enunciados no es la que el consenso asume.

Magnitudes en perspectiva

1. La validez corregida de r = .33 ¹ se obtiene con un instrumento que en las PYMEs españolas se usa menos que el CV, las referencias o la entrevista no estructurada, métodos con peores propiedades psicométricas ⁷.
2. La correlación con GMA de r = .32 ⁵ implica que ambos instrumentos comparten constructo, pero no lo explican por completo: existe validez incremental potencial al combinarlos.
3. El impacto adverso d = .73 (Black-White, candidatos reales) ⁶ es el argumento empírico más sólido para no usar las pruebas de muestra de trabajo como único criterio; no lo es la supuesta baja fiabilidad.
4. En las PYMEs españolas siguen dominando el CV, las referencias y la entrevista no estructurada ⁷; no hay datos locales de validez de las pruebas de muestra de trabajo.
5. La revisión de Roth et al. (2005) ¹ cubre literatura acumulada multisectorial; los datos de impacto adverso de Roth et al. (2008) ⁶ proceden de EE.UU. y no son directamente extrapolables al contexto español sin validación específica.

Por qué persiste el consenso erróneo

La cifra de Hunter y Hunter (1984) — r = .54 — circuló durante dos décadas en manuales, formaciones y materiales de vendedores de herramientas de selección antes de que Roth et al. (2005) publicaran su revisión metodológica ¹. El mecanismo es conocido: según Roth et al., el .54 pudo heredar los problemas metodológicos de una revisión narrativa anterior (Asher y Sciarrino, 1974) ¹; esa estimación se cita como validada durante años; la corrección posterior llega a un público más reducido que el que leyó el original.

El resultado es un doble error simétrico. Quienes adoptaron el .54 sin revisión sobreestimaron el instrumento. Quienes reaccionaron a la corrección concluyen que "no sirve", ignorando que r = .33 sigue siendo una validez robusta y replicable. Ninguna de las dos posiciones refleja lo que la evidencia dice.

En el contexto español se añade un factor adicional: la falta de datos locales de validez hace que el debate se alimente de datos internacionales, y que la práctica de selección descanse en instrumentos (CV, referencias, entrevista no estructurada) cuya validez está documentada como inferior ⁷, sin que esa elección reciba el mismo escrutinio crítico que se aplica a las pruebas de muestra de trabajo.