La mayoría de las herramientas de contratación con IA no hacen lo que crees

La función central en la mayoría de los sistemas de seguimiento de candidatos sigue siendo el emparejamiento: escanear currículums en busca de palabras clave, títulos, credenciales y años de experiencia, y luego clasificar a los candidatos según qué tan estrechamente se parecen a la descripción del puesto.

Eso es útil para gestionar volumen, pero no es inteligencia. Es reconocimiento de patrones aplicado al texto, y la calidad del resultado está limitada por la calidad de los criterios ya incorporados en el sistema.

El mercado ha difuminado esa distinción porque la etiqueta de IA vende. Pero automatizar el análisis y la clasificación de currículums no significa que una herramienta entienda lo que realmente predice el éxito en un puesto.

Harvard Business School y Accenture encontraron que el 88% de los empleadores encuestados reconocieron que sus propios sistemas descartan a candidatos cualificados porque esas personas no encajan en los parámetros configurados exactamente. El sistema funciona como fue diseñado. El diseño es el problema.

La etiqueta se difundió porque funcionó comercialmente, no porque describiera de manera fiable un avance técnico en la calidad de la contratación.

Agregar componentes de machine learning a un sistema basado en palabras clave permite a los proveedores llamar al producto impulsado por IA incluso si la lógica de evaluación subyacente permanece fundamentalmente sin cambios.

Eso crea un mercado en el que casi todas las plataformas afirman mostrar a los mejores candidatos, mientras que muy pocas pueden explicar qué señales están realmente midiendo o por qué esas señales predicen el desempeño en su entorno.

Esto es especialmente riesgoso en entornos empresariales. Un modelo generalista entrenado con datos amplios no sabe automáticamente qué hace que alguien tenga éxito en sus cargos, en sus equipos o en su región geográfica.

La pregunta correcta al comprar ya no es '¿utiliza IA?'. Casi todos los proveedores pueden decir que sí de alguna forma. La mejor pregunta es qué evalúa realmente el sistema y cómo eso se conecta con los resultados de desempeño en puestos como el suyo.

Una herramienta que clasifica candidatos por densidad de palabras clave está midiendo algo. Una herramienta que evalúa señales de capacidad a partir del trabajo real, el contexto y el historial de desempeño comparable está midiendo algo significativamente diferente.

Esa distinción afecta quién llega a la etapa de entrevistas, quién recibe una oferta y quién, en última instancia, rinde una vez que se incorpora. Si la señal no predice el desempeño, no ha mejorado la contratación. Solo ha hecho que sus errores sean más rápidos y escalables.

El siguiente artículo de esta serie pasa de la crítica a lo específico: cómo se ve una evaluación genuina de capacidades cuando la demostración ha terminado y el sistema real debe justificarse.