Casi todas las consultoras dicen ahora que usan inteligencia artificial. Muy pocas explican para qué. Este artículo hace lo segundo, con una tesis concreta: la IA ha mejorado mucho la parte del proceso que consiste en encontrar, y apenas ha mejorado la parte que consiste en juzgar. Y en cualquier posición realmente especializada, el trabajo difícil está en la segunda.

Dónde sí funciona :

Búsqueda semántica. Es la mejora más real. La búsqueda booleana clásica obliga a adivinar cómo escribió la persona candidata su experiencia: si buscas "RTOS" no encuentras a quien puso "FreeRTOS", y si buscas "seguridad industrial" pierdes a quien escribió "IEC 62443". La búsqueda semántica recupera perfiles conceptualmente próximos aunque el vocabulario no coincida. En nichos donde cada persona candidata cuenta, eso amplía el universo de forma significativa.

Trabajo administrativo. Programación de entrevistas, seguimiento de estados, preparación de informes, gestión documental. Es tiempo que antes se comía las agendas y que ahora se libera para conversaciones con las personas candidatas. No es glamuroso y es donde está buena parte del retorno real.

Primer barrido de volumen. Cuando una posición recibe cuatrocientas candidaturas, una clasificación automática por criterios objetivos y verificables —tiene o no tiene tal certificación, cumple o no el requisito de idioma— es más consistente que una persona cansada revisando el número trescientos.

Inteligencia de mercado. Agregar datos de ofertas publicadas, bandas salariales y concentración geográfica para decirle a un cliente cuántos perfiles con determinadas características existen realmente en un radio dado. Es información que antes se estimaba a ojo.

Dónde falla :

Distinguir profundidad de exposición. Un modelo lee "Kubernetes" en dos currículos y los puntúa parecido. Una persona desplegó aplicaciones en un clúster que ya existía. La otra diseñó la arquitectura del clúster, definió el aislamiento entre entornos y respondió de él en producción. Lo mismo ocurre con "AUTOSAR": configurar parámetros en una herramienta gráfica y diseñar la arquitectura de capas de una ECU se escriben igual en un currículo. La diferencia está en lo que hizo, y hay que preguntárselo.

Entender el contexto sectorial. La misma tecnología significa cosas distintas según dónde se haya usado. Un desarrollo bajo PCI DSS en banca, bajo el Esquema Nacional de Seguridad en sector público y bajo ISO 26262 en automoción comparte conceptos pero no procesos ni cultura de trabajo. Un modelo entrenado con texto genérico difumina esas diferencias, que suelen ser lo que decide el encaje.

Detectar el CV inflado. La generación asistida de currículos ha subido el suelo de calidad de los textos y ha bajado su valor informativo. Cuando la herramienta que escribe el CV y la que lo evalúa son la misma familia de modelos, el filtro automático premia lo que está bien redactado, no lo que es cierto.

Convencer a quien no busca. La mejor persona candidata para una posición crítica suele estar cómoda donde está. Lo que le mueve es una conversación concreta sobre un problema técnico interesante, mantenida por alguien que entiende de qué habla. Ningún sistema automático de contacto masivo produce eso; de hecho lo dificulta, porque satura el canal y entrena a los buenos perfiles a ignorarlo.

El riesgo del filtro automático

Hay un problema añadido que merece atención. Los sistemas de puntuación automática de candidaturas aprenden de decisiones pasadas y pueden reproducir sesgos que estaban en ellas: penalizar interrupciones de carrera, favorecer determinadas trayectorias formativas o descartar perfiles atípicos que en tecnología son muy frecuentes: quien ejerce la ingeniería de telecomunicaciones y acabó en firmware, quien viene de las matemáticas y ejerce hoy la ingeniería de datos, quien ejerce la administración de sistemas y se pasó a la seguridad cloud.

En mercados con pocas personas candidatas, un filtro automático demasiado agresivo no ahorra trabajo: elimina la mitad de las opciones reales.

Cómo lo usamos nosotros

Preferimos ser explícitos, porque "usamos IA" no significa nada por sí solo.

Usamos búsqueda semántica para ampliar el universo de perfiles, no para reducirlo. Usamos automatización en toda la parte administrativa del proceso. Usamos herramientas de análisis de mercado para dar a los clientes estimaciones de disponibilidad y bandas.

No usamos puntuación automática para descartar personas candidatas. Cada perfil que llega a una posición nuestra lo ha leído una persona. Y la validación técnica es siempre una conversación, porque la única forma de distinguir a quien ha hecho algo de quien ha estado cerca de que se hiciera es preguntarle cómo lo resolvió. Es el mismo criterio que explicamos en [nuestro artículo sobre por qué se atascan las vacantes técnicas].

Lo que la IA sí está cambiando de verdad

Hay algo que va a pesar más que cualquier herramienta: la IA está cambiando la demanda de perfiles, no solo el proceso para encontrarlos.

Desplegar y mantener modelos en producción; construir y gobernar las canalizaciones de datos que los alimentan; responder de la trazabilidad y la explicabilidad ante quien supervisa; llevar inferencia a dispositivos con restricciones de memoria y latencia. Son necesidades que hace cinco años apenas existían en España —ni en banca, ni en sanidad, ni en la industria— y que hoy aparecen en descripciones de puesto.

Esa es la transformación que más trabajo va a dar a los equipos de contratación técnica. No la herramienta que filtra currículos: el hecho de que los currículos que hay que encontrar son distintos.

Sobre Okatim Ibérica

En Okatim Ibérica combinamos herramientas de búsqueda avanzada con validación técnica hecha por personas que entienden los proyectos de nuestros clientes, en cualquier sector.

‍