La IA rompió el currículum, ¿qué sigue?
Perspectiva del flujo de trabajo: Los métodos tradicionales de contratación favorecen la revisión de un pequeño porcentaje de aspirantes, dejando a la mayoría sin considerar.
Desafío de la IA: Las herramientas de IA mejoran la eficiencia pero no logran evaluar eficazmente el rendimiento real de los candidatos durante la contratación.
Costo de postulación: La facilidad para postular a empleos ha incrementado el volumen, complicando el proceso de filtrado.
Erosión de señales: Los indicadores comunes de contratación están perdiendo fiabilidad, dificultando la identificación de candidatos calificados.
Enfoque en habilidades: Adoptar un enfoque basado en habilidades podría mejorar la contratación, pero la implementación sigue siendo un gran reto.
Durante años, el flujo de trabajo dentro de la mayoría de los equipos de reclutamiento ha seguido los mismos pasos. Se publica la vacante, se revisan las mejores solicitudes, se filtran los candidatos más fuertes, y se envían al gerente de contratación las principales opciones.
El sistema funcionó durante muchos años como un método para encontrar el mejor talento para la empresa.
El problema, como explicó Tim Sackett, CEO de HRUTech.com y autor de The Talent Fix: A Leader's Guide to Recruiting Great Talent, en Transform a principios de este mes, es que esto es en gran parte una ficción.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Cuando una oferta de trabajo atrae entre 250 y 300 solicitudes (muchas reciben significativamente más), el reclutador típico revisa 25, quizás 30. Eso significa que solo el 2-3% del grupo de postulantes recibe alguna consideración. El resto desaparece.
"Les decimos a nuestros gerentes de contratación que estamos aquí buscando el mejor talento del mercado", dijo. "Cuando en realidad, solo una pequeña fracción de los postulantes realmente entra en el proceso".
Esa brecha entre lo que prometen los equipos de reclutamiento y lo que realmente pueden hacer existe desde hace décadas. La IA no la creó. Pero la IA ha hecho que a veces sea mucho más difícil de cerrar, y las herramientas que las organizaciones están apresurándose a implementar pueden estar midiendo exactamente lo incorrecto.
El problema de medición es anterior a la tecnología
Leanne Markus, Directora General de Centranum Group y psicóloga organizacional que trabaja con organizaciones sobre marcos de capacidades y evaluación basada en competencias, establece una distinción que la mayoría de los procesos de contratación tienden a mezclar. Esa es la diferencia entre cualificaciones, conocimientos y competencia.
Las cualificaciones —educación, certificaciones, formación— indican preparación y potencial. Las pruebas de conocimientos pueden indicar comprensión. Ninguna demuestra de forma fiable la capacidad de desempeñarse en un entorno laboral real.
"Décadas de investigación en psicología demuestran que el conocimiento específico del puesto", dice Markus. "La capacidad de aplicarlo adecuadamente en contexto, es el mayor predictor del desempeño laboral."
El currículum, por diseño, evalúa la primera categoría y de alguna forma alude a la segunda. Nunca ha evaluado la tercera.
Las organizaciones han aceptado históricamente este compromiso porque, al menos, el currículum era un filtro práctico: una forma de pasar de cientos de postulaciones a una conversación manejable, asumiendo que una mejor señal emergería en la entrevista.
Esa suposición ahora se está desmoronando en ambos extremos.
Qué está filtrando la IA
Cuando la IA entra en el embudo de contratación, normalmente sus defensores la presentan como solución al problema de volumen. Más candidatos evaluados, más rápido, con menos sesgo humano en las primeras etapas. Lo que no cambia es lo que se está midiendo con los procesos de reclutamiento basados en datos.
"La IA hace que el filtrado sea más eficiente, pero no cambia lo que se está midiendo", dice Markus. "La mayoría de los enfoques de selección, incluidas las entrevistas con IA, se basan en respuestas. Toda la información es auto-reportada. La IA puede acelerar el procesamiento, pero esencialmente está evaluando qué tan bien puede describir el candidato el trabajo, no si realmente puede realizarlo con éxito."
Esto importa más de lo que parece, porque los datos de entrenamiento detrás de la mayoría de las herramientas de contratación con IA agravan el problema. Estos sistemas aprenden correlacionando los datos de solicitud y las decisiones de contratación con las calificaciones de desempeño. Pero las evaluaciones formales de desempeño tienen poca relación con el rendimiento real en el trabajo. La IA está aprendiendo a replicar una señal que ya era poco fiable.
El resultado es un sistema que premia a los candidatos que saben describir el trabajo de forma convincente, lo que en 2026 significa candidatos que saben utilizar IA para describir el trabajo de forma convincente.
"La IA puede reforzar patrones que son consistentes", dice Markus. "Pero esto no significa que sean válidos. En un entorno de caja negra, no está claro cómo se ponderan los distintos factores."
El problema de volumen, resulta, podría no ser el problema que deba resolverse.
«La IA ha amplificado este problema al permitir que las organizaciones procesen volúmenes aún mayores de solicitantes entrantes. Pero el volumen no es la limitación, el acceso lo es.»
El costo de postularse cayó a cero
La magnitud de lo que ha sucedido del lado del candidato aún no ha sido comprendida del todo por la mayoría de los equipos de reclutamiento. Aaron Wang, CEO de Alex AI, lo expuso claramente en Transform: el costo de mercado para postular a un empleo ha caído prácticamente a cero.
Un candidato con acceso a cualquier herramienta importante de IA puede postularse a cientos de empleos de la noche a la mañana, con cada solicitud personalizada según la descripción del puesto, el historial del responsable de selección y los valores declarados de la empresa.
Estas mismas herramientas pueden guiar a los candidatos ante cualquier formato de filtro que encuentren al otro lado, incluidas entrevistas automatizadas mediante IA. El embudo que antes filtraba por esfuerzo, ahora filtra casi exclusivamente por volumen.
Wang lo planteó como una escalada de la que ninguna de las partes puede retirarse. Describió un escenario futuro cercano en el que agentes de IA de los candidatos negocian y postulan de manera autónoma, encontrándose con sistemas de IA del empleador en el otro extremo.
"Ese futuro no solo es posible, sino que puede ser probable", dijo. Qué es lo que realmente mediría un sistema así es una cuestión abierta.
Por ahora, el efecto práctico es que la solicitud se ha vuelto aún menos confiable como señal. Los candidatos que son el mejor ajuste para un puesto pueden no ser los que mejor se ven en papel, especialmente cuando ese papel ha sido optimizado para vencer al ATS.
Señales interpretadas
La erosión de señales confiables no se limita a las postulaciones. Sabra Sciolaro, Chief People Officer en FirstUp, señala una ruptura paralela dentro de las organizaciones que tiene consecuencias directas para cómo deben interpretarse las señales durante la contratación.
En un estudio reciente de FirstUp con más de 3,000 trabajadores de EE. UU. y Canadá, entre el 75 y el 89 % de los empleados de todos los roles reportaron estar comprometidos. Entre el 40 y el 46 % de esos mismos empleados dijeron que estaban considerando activamente dejar su trabajo este año.
El compromiso, al igual que el entusiasmo en una entrevista, es una señal que se puede interpretar. No predice resultados.
«Muchas de las señales en las que las empresas han confiado son fáciles de simular, pero no predicen resultados como retención o desempeño. Las señales que sí se correlacionan más estrechamente con el rendimiento real implican cómo las personas navegan información compleja y la velocidad a la que se adaptan cuando las prioridades cambian; rasgos que se manifiestan con el tiempo y en contexto, no en una sola interacción asistida por IA.
Esa perspectiva aplica también aguas arriba. Las características que hacen a alguien un empleado fuerte son en gran medida las mismas que importan en un candidato, y ni el currículum ni una evaluación estructurada con IA están bien diseñados para identificarlas.
Qué están haciendo los profesionales en su lugar
Ben Lamarche, Director General de Lock Search Group, ha cambiado la etapa del proceso en la que intenta captar una señal real. En lugar de esperar a la entrevista agendada para iniciar una conversación genuina, adelanta esa interacción al primer día de contacto con el candidato.
«La conversación real solía entrar en el proceso después de programar una entrevista. Ahora, a menudo sucede el primer día. El objetivo es salir de la fase de revisión de documentos y pasar a la interacción real cuanto antes, donde es mucho más difícil depender de un guion pulido.»
Cuando revisa solicitudes, su metodología ha cambiado y ahora presta atención a lo que revelan los currículums en los vacíos entre los logros declarados.
La IA puede ayudar a un candidato a escribir un buen punto destacado. Lo que no puede replicar fácilmente es la textura de una experiencia concreta bajo presión.
"Cuando empiezo a hacer preguntas específicas", dice Lamarche, "detecto bastante rápido si es real o ensayado".
También señala una distorsión que crea la selección con IA a gran escala: los candidatos que usan IA para optimizar su presentación pueden avanzar en las primeras etapas precisamente porque parecen pulidos, mientras que otros perfiles más tranquilos y capaces son filtrados antes de que alguien con criterio los vea.
El problema de la señal no es sólo ruido, es ruido que sistemáticamente beneficia ciertos estilos de presentación sobre el contenido real.
Markus ofrece una alternativa más estructurada, que describe como un cambio de predecir el rendimiento a exigir evidencia de él.
La secuencia que utiliza con clientes comienza con un filtrado básico por requisitos y cualificaciones reglamentarias, sigue con una prueba de conocimientos específicos del puesto, luego con evidencia estructurada de competencia aplicada a través de ejemplos validados de trabajos anteriores y un historial de tareas, después un cuestionario dirigido que valide esa evidencia, y finalmente la confirmación en el puesto durante la inducción y el periodo de prueba.
Esa última etapa importa más de lo que la mayoría de las organizaciones le da importancia. Si el objetivo es validar la competencia en el contexto real, el periodo de prueba es más que una formalidad, es la etapa de evaluación más fiable disponible, y la mayoría de empresas ya no lo utiliza así.
Dónde aterriza el enfoque de habilidades primero
El movimiento de contratación basado en habilidades ha captado una parte importante de la atención organizacional en los últimos años, en parte porque aborda un problema real: los títulos y credenciales son indicadores débiles de lo que una persona realmente puede hacer. Tanto Lamarche como Markus reconocen que el rumbo es correcto.
Obliga a las empresas a pensar con más claridad en lo que realmente requiere el puesto, en lugar de recurrir por defecto a credenciales o títulos," dice Lamarche. "Eso es un cambio positivo.
La implementación es donde se rompe el proceso.
«Muchas implementaciones aún dependen de taxonomías de habilidades muy genéricas y de la autodeclaración de competencias. La contratación basada en habilidades no ayuda a menos que exista un vínculo claro entre las responsabilidades específicas del puesto, las competencias necesarias para cumplirlas y un mecanismo para validarlas al nivel de las tareas reales. La mayoría de las organizaciones no ha construido ese vínculo. Han sustituido un conjunto de indicadores débiles por otros y lo llaman progreso.
El problema del volumen no tiene una solución sencilla. Miles de postulantes no pueden ser preseleccionados de manera realista mediante simulaciones o pruebas laborales. Algo debe filtrar el embudo en primer lugar, y ahora mismo ese algo son revisores humanos mirando un pequeño porcentaje de las solicitudes o herramientas de IA evaluando patrones de lenguaje. Ninguno mide lo que la selección realmente debería medir.
Llevar la evaluación de alto valor antes en el proceso, construir marcos de evaluación específicos por puesto, tratar la revisión de documentos como la fase inicial de bajo valor que es — nada de eso es técnicamente difícil.
Es simplemente más lento y deliberado que publicar una vacante y dejar que un ATS clasifique los resultados. En un entorno donde la velocidad se ha convertido en la métrica predeterminada para medir la eficiencia de la contratación, ser deliberado es una propuesta difícil de vender. También es, por el momento, la única manera de averiguar si la persona que contratas realmente puede hacer el trabajo.
