El cribado de currículums con IA es el proceso en el que un software lee los CV que llegan a una vacante, extrae datos estructurados (experiencia, skills, formación, idiomas) y asigna una puntuación de ajuste a la descripción del puesto. El seleccionador recibe la lista ordenada y decide quién pasa a la siguiente fase, en lugar de leer decenas o cientos de currículums a mano.
La pregunta que de verdad importa para empresa y candidato no es "¿esto funciona?". Funciona, y está en producción en casi cualquier ATS de tamaño medio o grande que se use en España. La pregunta es otra: ¿funciona para el tipo de vacante que estás abriendo? Para algunas, sí. Para vacantes técnicas a escala, es donde el modelo se topa con límites previsibles.
En una frase
El cribado con IA es bueno ordenando volumen y malo prediciendo skill técnica. Convierte "300 currículums" en "20 currículums probables", pero dentro de esos 20 la correlación con el rendimiento real sigue siendo la misma que la de un humano leyendo: baja.
¿Cómo lee la IA un currículum?
El pipeline típico tiene cuatro etapas:
1. Parseo: el currículum (PDF, DOCX, escaneo) se convierte en texto y se segmenta en bloques (cabecera, resumen, experiencia, formación, skills, idiomas). Los modelos actuales manejan bien los formatos variados.
2. Extracción de entidades: empresas en las que trabajó, puestos, años, tecnologías, certificaciones. Esta parte es precisa en currículums bien maquetados y peor en los creativos (gráficos, iconos, columnas).
3. Match con la descripción del puesto: el sistema compara el vector semántico del CV con el de la oferta. Los pesos se ajustan por skill obligatoria, años de experiencia, ubicación o banda salarial.
4. Ranking: una nota final (de 0 a 100, normalmente) define el orden en el que el seleccionador ve a los candidatos.
Las plataformas más antiguas usan solo coincidencia de palabras clave. Las modernas usan embeddings (la representación vectorial del texto), que entienden que "ingeniero de software" y "desarrollador backend" son parientes, no idénticos, pero próximos en el espacio semántico.
¿Qué evalúa bien el cribado con IA?
- Ajuste declarado: si el candidato escribió "React 5 años" y la vacante pide React 3 años, el sistema lo capta casi a la perfección.
- Requisitos formales: titulación universitaria, certificación concreta, idioma con nivel declarado, ubicación.
- Volumen: 1.000 currículums se vuelven lista ordenada en segundos.
- Coherencia de la trayectoria: un gap largo, cambios muy frecuentes, la evolución de la seniority.
- Cumplimiento básico: las vacantes con requisitos rígidos (colegiación, registro profesional) se filtran por ajuste exacto.
¿Qué no evalúa el cribado con IA?
- Skill real, no declarada. Quien escribe "React 5 años" puede haber hecho tutoriales durante 4 años y una sola pantalla en producción. El currículum registra autodeclaración, no capacidad.
- Capacidad de resolver un problema no visto. Que es justo lo que distingue a un ingeniero mediocre de uno excelente.
- Comportamiento en equipo. Las soft skills que importan (comunicación, gestión del conflicto, ownership) no aparecen como texto extraíble.
- Cultura técnica. ¿Quién prioriza calidad frente a velocidad? ¿Quién documenta? ¿Quién revisa el código con cuidado? El currículum guarda silencio.
- Motivación actual. Quién busca de forma activa, quién está abierto y quién solo está actualizando el perfil.
El cribado con IA es, en el fondo, una lectura más rápida del mismo currículum, no una medición distinta.
¿Dónde falla el cribado en vacantes técnicas?
Tres fallos típicos:
1. Exceso de sesgo por palabra clave
Un candidato con fuerte experiencia en "Vue" queda descartado de una vacante "React" porque el sistema no infiere que migrar entre frameworks de frontend es trivial para un sénior. El seleccionador definió React como obligatorio y la IA cumple la orden.
2. Falsos positivos por currículum optimizado
Existe una industria informal de currículums optimizados para el ATS. Quien aprende a colocar 30 palabras clave repartidas con disimulo supera el cribado; quien redacta un CV conciso y al grano a veces queda por debajo.
3. Sesgos históricos en el modelo
Los modelos entrenados con históricos de contratación reproducen los patrones de la empresa, incluidos los que tiene motivos de sobra para no querer repetir. Universidades concretas, empresas concretas, franja de edad, patrón en el nombre. Por eso la normativa española y europea obliga a auditar y a documentar estos sistemas, como verás más abajo.
Cribado con IA frente a evaluación con pruebas
La diferencia práctica está en dónde se hace el trabajo de filtro:
| Aspecto | Cribado con IA | Evaluación con pruebas |
|---|---|---|
| Qué mide | Ajuste declarado al requisito | Ejecución real de la skill |
| Fiabilidad predictiva | Media (mucho ruido en vacantes técnicas) | Alta para skills medibles (código, idioma, razonamiento) |
| Esfuerzo para la empresa | Bajo | Medio (crear pruebas o usar una plataforma ya hecha) |
| Esfuerzo para el candidato | Casi nulo | Medio (unas horas al principio) |
| Dónde funciona mejor | Vacantes con requisitos exactos y medibles en el CV (colegiación, idioma certificado, años exactos) | Vacantes donde el rendimiento es medible fuera del CV (dev, datos, idioma de trabajo) |
| Riesgo de sesgo histórico | Alto | Bajo si la prueba es objetiva |
| Onboarding de la base de talento | Siempre empieza de cero | Reutiliza una evaluación portátil |
Los dos modelos conviven: el cribado con IA filtra el embudo amplio y la evaluación con pruebas filtra la profundidad de la skill. En vacantes técnicas, las plataformas modernas están moviendo la prueba al inicio, antes del contacto, para que el seleccionador reciba solo candidatos con prueba de ejecución.
El enfoque de NORT
NORT invierte la lógica: en lugar de que la IA lea currículums a la entrada de la vacante, el candidato hace una evaluación portátil una sola vez: pruebas técnicas, Big Five, idiomas y validación de experiencia. El resultado se convierte en su puntuación de carrera, y la empresa filtra ese pool por criterios objetivos. Hablamos de reclutamiento inverso: no es un ATS ni lo sustituye, sino que lo complementa.
Para el seleccionador esto significa:
- No hay cribado inicial, la piscina ya viene preevaluada
- El filtro por skill es directo, no por proxy (la palabra clave del CV)
- El time-to-hire baja porque la fase de "leer 300 currículums" desaparece
Para el candidato significa hacer el esfuerzo una vez y tener un resultado portátil en varias oportunidades, en vez de rehacer pruebas en cada vacante a la que se presenta.
¿Qué dicen el RGPD, la LOPDGDD y el Reglamento de IA en España?
Cribar candidatos con un algoritmo implica tratar datos personales y, a menudo, automatizar parte de la decisión. En España el marco no es opcional.
RGPD y LOPDGDD. Los datos de los candidatos son datos personales. Necesitas una base de licitud, una finalidad clara, minimización de datos y plazos de conservación definidos. Además, el artículo 22 del RGPD reconoce el derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado cuando produce efectos significativos. En un proceso de selección, eso obliga a garantizar intervención humana real, no un humano que se limita a validar la lista que escupe el sistema. La Agencia Española de Protección de Datos lo desarrolla en su guía sobre el derecho a no ser objeto de decisiones individuales automatizadas.
Reglamento de IA (UE) 2024/1689 y AESIA. La IA usada para la selección o la evaluación de personas en el ámbito laboral se clasifica como sistema de alto riesgo. De ahí salen obligaciones de transparencia, documentación, supervisión humana y control de sesgos. En España, la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA), creada en 2023, es la autoridad de referencia para vigilar su cumplimiento. Debes poder explicar cómo se genera un ranking automatizado, asegurar la supervisión humana y revisar de forma activa los sesgos.
Lo importante: un procedimiento estructurado y medible es mucho más fácil de justificar ante el RGPD y el Reglamento de IA que un cribado opaco cuya lógica de puntuación nadie puede reproducir.
¿Cuándo el cribado con IA sigue siendo la mejor opción?
No es "lo uno o lo otro". Hay vacantes donde el cribado con IA es suficiente:
- Vacantes administrativas y operativas, donde el ajuste declarado correlaciona bastante con la realidad
- Vacantes con volumen enorme (50.000 candidaturas para un programa de becarios); sin cribado automatizado, el proceso no escala
- Vacantes con requisitos formales no negociables (colegiación, certificación obligatoria)
- Candidaturas inbound: empresas que reciben mucha autocandidatura espontánea a través de su web
Preguntas frecuentes
¿El cribado con IA es justo con los candidatos?
Técnicamente aplica el mismo criterio a todos. En la práctica, hereda los sesgos del dataset histórico y de cómo el seleccionador redactó la oferta. Es justo si se audita, y buena parte de las empresas en España todavía no lo hace.
¿Tengo que optimizar mi currículum para pasar el filtro de la IA?
Para vacantes filtradas con un ATS tradicional, hoy sí. Usa palabras clave de la oferta, mantén una maqueta limpia (sin iconos decorativos) y guarda en PDF sin escanear. Para plataformas como NORT esto es irrelevante: el filtro va por skill medida, no por texto.
¿La IA detecta un currículum "inflado"?
En parte. Los modelos actuales señalan incoherencias (tecnologías raras, un gap sin explicar, una evolución sospechosamente rápida), pero no leen la intención. Un currículum bien escrito, aunque exagere, suele pasar.
¿El RGPD restringe el cribado automatizado?
El artículo 22 del RGPD reconoce el derecho a una revisión humana de las decisiones totalmente automatizadas que afecten al titular. En la práctica, la mayoría de empresas tiene a una persona mirando la lista ordenada, así que cumple el requisito sobre el papel. Aun así, conviene que esa intervención sea real y dejarlo reflejado en la información al candidato y en la política de privacidad.
¿La IA generativa (LLM) también hace cribado?
Sí. ChatGPT, Claude, Gemini y modelos open source ya se usan en flujos a medida de pymes: se le pasa el CV más la oferta al modelo y se le pide el análisis. Gana en explicabilidad ("¿por qué este candidato?"), pero el coste y la latencia todavía lo limitan para volúmenes altos.
En resumen
- El cribado con IA es eficiente en volumen y requisitos declarados; flojea al predecir skill técnica real
- Para vacantes administrativas y operativas, es suficiente
- Para vacantes técnicas, tiene más sentido mover el filtro de "leer el CV" a "medir la skill"
- Los dos modelos conviven: cribado con IA más evaluación con pruebas en cadena funciona mejor que cualquiera por separado
- NORT eligió el camino de la evaluación portátil: una vez, válida para varias oportunidades
¿Quieres dejar de cribar currículums a ciegas y filtrar a partir de skill medida? Crea una cuenta gratuita en NORT y prueba la evaluación portátil en tu próxima vacante técnica.