¿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.

Bloque Q&A

¿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). Ese valor se replica con notable precisión en contextos independientes: 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]) 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) demostraron que ese valor estaba inflado por problemas metodológicos y que la cifra real es aproximadamente un tercio menor ². 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 a las pruebas de muestra de trabajo entre los métodos con mayor validez predictiva, junto con los assessment centers y los tests de GMA 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 ⁸. En el sector público, la validación empírica frente a criterio de desempeño real es excepcional: los casos documentados se reducen a los Ayuntamientos de Vitoria-Gasteiz y Zaragoza y el Gobierno Vasco 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 y superior a muchos métodos de selección habituales en España. La distancia entre ambos enunciados no es la que el consenso asume.

Magnitudes en perspectiva

1. La validez corregida de r = .33 ¹ supera la de métodos ampliamente usados en PYMEs españolas como la entrevista no estructurada y las referencias ⁸.
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 España, la validación criterial frente a desempeño posterior es la excepción, no la norma, tanto en sector público ⁷ como en empresa privada ⁸, lo que impide cuantificar la magnitud local con precisión.
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 ². El mecanismo es conocido: un meta-análisis con datos agregados que no controlan adecuadamente por restricción de rango y atenuación genera una estimación inflada; 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 ausencia casi generalizada de estudios de validación criterial en organizaciones ⁷⁸ hace que el debate local se alimente de datos internacionales sin ajuste, y que la práctica de selección descanse en instrumentos (CV, referencias, entrevista no estructurada) cuya validez está documentada como inferior ⁸, sin que esa elección reciba el mismo escrutinio crítico que se aplica a las pruebas de muestra de trabajo.