Cómo funciona realmente el emparejamiento mediante IA de Spott: de la llamada inicial a la lista corta clasificada

TL;DR

La comparación de candidatos mediante IA es el proceso de clasificar a las personas que ya están en tu base de datos para un puesto, basándose en el significado y no en las palabras clave. Spott crea los criterios de búsqueda a partir de tus notas de la entrevista inicial, analiza cada registro de candidato y devuelve una lista corta clasificada, con una explicación escrita para cada resultado.

Spott lee más que el CV. Las notas de entrevistas, los resúmenes de llamadas, las transcripciones de reuniones, los correos electrónicos, los perfiles importados y las notas manuales alimentan el mismo índice.

Los candidatos aparecen clasificados por puntuación y evaluados criterio por criterio según una tarjeta de evaluación, desde muy sólidos hasta débiles.

Cada resultado se explica en un lenguaje claro, incluidos los aspectos negativos. Si alguien está sobrecualificado, se indica.

La búsqueda por palabras clave y mediante operadores booleanos sigue existiendo. La comparación es una alternativa, no un sustituto.

El reclutador sigue tomando la decisión. La comparación genera una lista amplia que merece la pena revisar, no una decisión de contratación.

Por qué "comparación mediante IA" necesita una definición

Actualmente, casi todas las plataformas de reclutamiento del mercado anuncian la comparación mediante IA. Muy pocas quieren decir lo mismo con ello, y un buen número simplemente quiere decir "hemos añadido una lista de sinónimos a nuestra búsqueda por palabras clave".

La distinción importante es qué busca el sistema. Las bases de datos de selección tradicionales son relacionales: filas, columnas, etiquetas y un cuadro de búsqueda que busca la cadena que has escrito. Si un registro dice "entrenador de fútbol" y buscas "futbolista", no obtienes nada. Si tu consultor etiquetó a alguien como "responsable de desarrollo de negocio" hace cuatro años y buscas "ejecutivo de cuentas", no obtienes nada, aunque obviamente sea la misma persona que buscas.

Ese modo de fallo tiene una consecuencia conocida. Los reclutadores dejan de confiar en la base de datos y vuelven a LinkedIn para reencontrar a personas que la empresa ya conoce. Un director de agencia con el que hablamos lo expresó claramente: el primer recurso de los investigadores cuando llega una búsqueda es LinkedIn, no el CRM por el que paga la empresa. Lo describió como algo absurdo, y tiene razón.

Spott lo aborda de otra manera. Los registros de candidatos se vectorizan, lo que significa que se indexan por significado y no por coincidencia exacta de cadenas. Describes lo que necesitas en frases habituales y el sistema razona sobre el registro completo. Ese es el mecanismo que sustenta todo lo que se explica a continuación.

Paso 1: Los criterios se crean a partir de la entrevista inicial, no desde un cuadro vacío

La comparación comienza antes de que nadie escriba una búsqueda.

Cuando realizas una llamada inicial con un responsable de contratación, el asistente de toma de notas de Spott se une a la reunión, la graba y transcribe, y genera un resumen estructurado de la entrevista inicial en la plantilla que utilice tu empresa. Ese resumen se vincula automáticamente al puesto y al contacto del cliente.

Cuando después abres la herramienta de comparación, Spott te propone los criterios de búsqueda, extraídos de la descripción del puesto y de esa conversación inicial. En pantalla ves un conjunto de criterios en lenguaje natural, no una barra de búsqueda vacía.

A partir de ahí, tú decides. Puedes reescribir cualquier criterio, añadir los que el sistema haya omitido, eliminar los que resulten no ser importantes y cambiar la ponderación para que, por ejemplo, la experiencia en el sector cuente más que la antigüedad. Esta es la parte que se omite en la mayoría de las demostraciones y es la que más importa a los reclutadores con experiencia: la búsqueda se crea a partir de criterios obtenidos que puedes ver y modificar, no de una instrucción oculta.

Paso 2: Describe el puesto como se lo describirías a un compañero

Los criterios son frases en inglés sencillo. Algo como:

"Ingeniero de software con al menos tres años de experiencia práctica en Java y Python, con residencia actual en Bélgica y trabajando en software B2B."

O cuatro o cinco frases que describan un perfil de liderazgo con los matices con los que realmente un consultor de búsqueda de directivos informaría a un investigador.

Puedes añadir filtros estrictos para los aspectos que realmente son binarios: ubicación, disponibilidad, permiso de trabajo y banda salarial. La búsqueda semántica se ocupa del criterio; los filtros estrictos, de los hechos.

Lo que ya no haces es construir cadenas booleanas. La búsqueda booleana sigue disponible en Spott para los casos en los que sea la herramienta adecuada, y muchos reclutadores siguen utilizándola para consultas rápidas. Pero para "encuéntrame a las personas de nuestra propia base de datos que podrían desempeñar

este puesto", describir el puesto es mejor que ensamblar una consulta.

Paso 3: El análisis lee todo lo asociado a la persona

Aquí es donde reside la profundidad, y es la parte más difícil de replicar si tu plataforma se creó sobre una base de datos relacional hace quince años.

Cuando se ejecuta el análisis, Spott examina cada elemento de contexto asociado al registro de un candidato:

• El CV o currículum, convertido en experiencia y formación estructuradas
• Los datos del perfil importados cuando se añadió al candidato por primera vez
• Las notas de entrevistas y las notas manuales escritas por cualquier consultor de la empresa
• Los resúmenes de llamadas y las transcripciones de reuniones capturadas por el asistente de notas
• La correspondencia por correo electrónico asociada al registro
• Los datos de enriquecimiento incorporados al perfil

Todo pasa por el mismo índice. Por eso, un dato que un colega capturó en una llamada de evaluación hace dos años, pero que nunca llegó a un campo estructurado porque nadie tenía tiempo, sigue siendo consultable hoy. Esa es la diferencia práctica entre una base de datos y una memoria institucional.

Paso 4: Una lista larga ordenada, evaluada criterio por criterio

El análisis devuelve tu base de datos ordenada según los criterios, con cada candidato acompañado de una puntuación general y una valoración independiente para cada criterio de la tabla de evaluación, desde muy fuerte hasta débil.

Esta segunda parte es lo que hace que la lista sea fácil de interpretar. Una única puntuación combinada no dice casi nada, porque dos candidatos con un 75 % pueden alcanzar ese 75 % por razones completamente distintas. Ver los criterios en columnas te indica de inmediato cuál es fuerte en todos los aspectos y cuál oculta una carencia importante tras una media aceptable.

Conviene entender algunos aspectos sobre cómo leer esa lista.

Una coincidencia débil sigue siendo una coincidencia. No es un resultado fallido, sino un candidato que cumple parte de los requisitos y no el resto. En puestos difíciles de cubrir, la mitad inferior de la lista suele ser el punto de partida de conversaciones interesantes.

La lista se puede volver a ordenar. Si miras la parte superior de la lista y te das cuenta de que has definido incorrectamente los requisitos, algo que ocurre constantemente en las búsquedas reales, ajustas un criterio o una ponderación y vuelves a ejecutar el análisis. El proceso es lo bastante rápido como para ser iterativo en lugar de una consulta única.

Busca en tu base de datos, no en un grupo de perfiles extraídos. Spott no te vende una recopilación de perfiles comprada a terceros. La premisa es que la propia red de la empresa, correctamente indexada, es el activo que actualmente se está desaprovechando.

Paso 5: Cada resultado se explica por sí mismo

Esta es la función que determina si una herramienta de coincidencias se utiliza o se abandona silenciosamente.

Haz clic en cualquier candidato y Spott te muestra, en un lenguaje sencillo, por qué el sistema lo ha situado en esa posición. Recorre la tabla de evaluación criterio por criterio: fuerte en este aspecto, moderado en aquel, y aquí está la evidencia concreta del registro que respalda cada valoración.

Y, fundamentalmente, también te comunica las malas noticias. Si un candidato tiene once años de experiencia para un puesto definido para cinco, la explicación indica que podría estar sobrecualificado. Si cumple el nivel técnico, pero el sector es adyacente en lugar de idéntico, también lo señala.

No hay una caja negra, y eso importa por dos razones que van más allá de la confianza del reclutador. En primer lugar, tendrás que justificar una lista corta ante un cliente, y «el algoritmo los eligió» no es una justificación. En segundo lugar, una explicación que muestra sus pruebas es una explicación en la que puedes detectar errores.

Paso 6: Acepta, rechaza y sigue adelante

Desde la vista de resultados, aceptas a los candidatos en el proceso de selección para ese puesto o los rechazas, con el panel de razonamiento a un lado y el perfil completo al otro. Los candidatos aceptados entran en las etapas del flujo de trabajo configuradas por tu empresa. A partir de ahí, pasas al contacto, la evaluación y la presentación.

La intención del diseño en todo el proceso es muy concreta: llevar rápidamente al reclutador a una lista corta defendible, para que el tiempo se dedique a la conversación con el candidato y no a buscarlo.

Lo que no hace la coincidencia mediante IA

Conviene ser claros sobre las limitaciones, porque las afirmaciones exageradas son precisamente la razón por la que esta categoría perdió credibilidad en primer lugar.

No decide. Ordena y explica. El reclutador lee, juzga y descuelga el teléfono. La explicación existe precisamente para que la persona pueda invalidar la recomendación.

Solo es tan bueno como el contexto que tiene. Una empresa que migra una base de datos con registros básicos de nombre y correo electrónico obtendrá un resultado más limitado que una empresa con años de notas de entrevistas adjuntas a los perfiles. Este es el inconveniente real de cualquier capa de IA sobre los datos de contratación, y por eso el tomador de notas importa tanto como el motor de coincidencias. Uno alimenta al otro.

No sustituye la búsqueda de candidatos. Si la persona adecuada para el puesto nunca ha hablado con tu empresa, no está en tu base de datos y ninguna cantidad de búsqueda semántica podrá hacerla aparecer. La coincidencia responde a «¿a quién conocemos ya?», que es una pregunta distinta de «¿quién existe?».

Compruébalo en tu propia base de datos

Las afirmaciones anteriores se pueden comprobar en una sola reunión. Reserva una demostración de 30 minutos de Spott, trae un puesto real y observa cómo la lista larga aparece clasificada y explicada a partir de tus propios registros.