Filtrado de CV con IA: cómo funciona, qué evalúa y dónde falla
El filtrado de CV con IA es el proceso por el cual un software lee los currículums que entran a una vacante, extrae datos estructurados (experiencia, skills, formación, idiomas) y asigna un puntaje de afinidad contra la descripción del puesto. El reclutador recibe la lista ordenada y decide a quién pasar a la siguiente fase, en lugar de revisar a mano cientos de CV. Es estándar en los principales ATS del mercado mexicano y latinoamericano.
La pregunta que importa no es "¿esto funciona?" Funciona. La pregunta es: ¿funciona para el tipo de vacante que estás abriendo? Para algunas, sí. Para puestos técnicos en escala, encuentra límites bien documentados.
#En una frase
El filtrado por IA es bueno organizando volumen y débil prediciendo skill técnica. Convierte "300 CV" en "20 plausibles", pero dentro de esos 20, la correlación con desempeño real sigue siendo igual a la lectura humana: modesta.
#Cómo lee la IA un currículum
El pipeline típico tiene cuatro etapas:
1. Parsing: el archivo (PDF, DOCX, imagen) se convierte en texto y se segmenta en bloques (encabezado, resumen, experiencia, formación, skills, idiomas). Los parsers modernos lidian bien con la mayoría de layouts.
2. Extracción de entidades: empresas, puestos, fechas, tecnologías, certificaciones. La precisión es alta en CV de texto limpio y baja en CV creativos (iconos, gráficos, columnas múltiples).
3. Match contra la descripción del puesto: se compara el vector semántico del CV con el vector de la vacante. Los pesos se ajustan por skill obligatoria, años, ubicación, banda salarial.
4. Ranking: un puntaje final (típicamente 0–100) determina el orden visible para el reclutador.
Plataformas antiguas usaban match por palabras clave. Las modernas usan embeddings (representación vectorial del texto) que entienden que "Ingeniero de Software" y "Desarrollador Backend" son parientes cercanos sin ser idénticos.
#Qué evalúa bien el filtrado con IA
- Afinidad declarada: si el candidato escribió "React 5 años" y la vacante pide React 3+, el sistema lo captura casi perfecto.
- Prerrequisitos formales: escolaridad mínima, certificación específica, nivel de idioma declarado, ubicación, disponibilidad de viaje.
- Volumen: 1,000 CV se convierten en lista ordenada en segundos.
- Coherencia de carrera: vacíos largos sin explicar, cambios muy frecuentes, saltos de seniority sospechosos.
- Compliance básico: vacantes con requisitos rígidos (cédula profesional, certificación obligatoria) se filtran por afinidad exacta.
#Qué no evalúa el filtrado con IA
- Skill real, no la declarada. El CV registra autoreporte, no capacidad. "5 años de React" puede significar alguien que vio tutoriales por 4 años y entregó una pantalla en producción.
- Capacidad de resolver problemas no vistos. Es justamente lo que distingue a un ingeniero competente de uno excepcional.
- Comportamiento en equipo. Soft skills relevantes (comunicación, manejo de conflicto, ownership) no aparecen como texto extraíble.
- Cultura técnica. Quién prioriza velocidad vs calidad, quién documenta, quién hace code review cuidadoso, el CV está callado.
- Motivación actual. Búsqueda activa vs abierto a oportunidades vs solo actualizando el perfil.
El filtrado con IA es, en el fondo, una lectura más rápida del mismo CV: no una medición distinta.
#Dónde falla en vacantes técnicas
Tres fallas típicas:
#1. Sesgo excesivo por palabra clave
Candidato senior con Vue queda fuera de una vacante React porque el sistema no infiere que la migración entre frameworks frontend es trivial para alguien con experiencia. El reclutador marcó React como obligatorio; la IA obedece.
#2. Falsos positivos por CV optimizado
Existe una industria informal de "CV optimizados para ATS". Quien aprende a colocar 30 palabras clave distribuidas con sutileza pasa el filtro; quien escribe un CV conciso y directo a veces se hunde.
#3. Sesgos históricos heredados
Modelos entrenados con historiales de contratación reproducen patrones de la empresa, incluidos los que no querría replicar. Universidades específicas, empresas específicas, edad inferida por fechas, patrones de nombre. En México la LFPDPPP regula el tratamiento de datos personales y exige consentimiento; la decisión totalmente automatizada en empleo aún tiene poca jurisprudencia pero el INAI ha emitido criterios crecientes sobre transparencia algorítmica.
#Filtrado con IA vs evaluación por pruebas
La diferencia práctica es dónde se aplica el filtro en el embudo:
| Aspecto | Filtrado con IA | Evaluación por pruebas |
|---|---|---|
| Qué mide | Afinidad declarada al JD | Ejecución real del skill |
| Confiabilidad predictiva | Media, ruidosa en vacantes técnicas | Alta para skills medibles (código, idioma, razonamiento) |
| Esfuerzo para la empresa | Bajo | Medio (crear pruebas o usar plataforma lista) |
| Esfuerzo para el candidato | Casi cero | Medio (algunas horas iniciales) |
| Mejor ajuste | Vacantes con prerrequisitos exactos medibles en CV (cédula, idioma certificado, años exactos) | Vacantes donde el desempeño es medible fuera del CV (dev, datos, idioma operativo) |
| Riesgo de sesgo histórico | Alto | Bajo si la prueba es objetiva |
| Reuso de banco de talento | Reinicia en cada vacante | Reusa la evaluación portátil |
Ambos modelos coexisten: el filtrado con IA limpia embudos amplios, la evaluación por prueba filtra profundidad de skill. En vacantes técnicas modernas, la prueba se está moviendo más cerca del inicio del embudo, para que el reclutador solo vea candidatos con prueba de ejecución.
#El enfoque de NORT
NORT invierte la lógica: en lugar de que la IA lea CV en el inicio de la vacante, el candidato realiza una evaluación portátil una sola vez: pruebas técnicas, Big Five, idiomas, validación de experiencia. El resultado se convierte en el Career Score, y la empresa filtra ese pool por criterios objetivos.
Para el reclutador, eso significa:
- No hay filtrado inicial, el pool ya está pre-evaluado
- El filtro por skill es directo, no por proxy (la palabra clave del CV)
- El tiempo promedio de contratación baja porque la etapa de "leer 300 CV" desaparece
Para el candidato significa hacer el esfuerzo una vez y tener el resultado portátil en múltiples oportunidades, en lugar de rehacer pruebas en cada postulación.
#Cuándo el filtrado con IA sigue siendo la mejor opción
No es "uno u otro". Hay vacantes donde el filtrado con IA es lo suficientemente bueno:
- Vacantes administrativas y operativas: donde la afinidad declarada correlaciona bien con la realidad
- Vacantes con volumen masivo (programas de trainee con 50,000 postulantes), sin automatización el proceso no escala
- Vacantes con compuertas formales no negociables (cédula, certificación obligatoria, autorización para trabajar)
- Pipeline de postulaciones inbound: empresas con tráfico fuerte en página de empleo
#Preguntas frecuentes
#¿El filtrado con IA es justo con los candidatos?
Técnicamente aplica el mismo criterio a todos. En la práctica hereda los sesgos del histórico de entrenamiento y de la redacción del JD. Es justo cuando se audita, y la mayoría de las empresas en México todavía no audita formalmente.
#¿Necesito optimizar mi CV para pasar la IA?
Para vacantes filtradas por ATS tradicional: sí, hoy. Usa las palabras clave del JD, mantén un layout limpio (sin iconos decorativos), exporta como PDF nativo (no escaneado), espeja títulos exactos cuando puedas. Para plataformas como NORT eso es irrelevante, el filtro es skill medido, no texto parseado.
#¿La IA detecta un CV "inflado"?
En parte. Modelos modernos marcan inconsistencias (tecnologías anacrónicas, vacíos sin explicar, saltos de seniority sospechosos), pero no leen intención. Un CV bien redactado, aunque exagerado, normalmente pasa.
#¿La LFPDPPP restringe el filtrado automatizado?
La ley federal mexicana exige consentimiento explícito y trata el dato personal con cuidado, pero la decisión totalmente automatizada en empleo todavía tiene poca jurisprudencia específica. El INAI ha publicado criterios crecientes sobre transparencia algorítmica que valen para vacantes. Conviene declarar el uso de IA en el aviso de privacidad y permitir revisión humana cuando el candidato lo pida.
#¿Los LLM (ChatGPT, Claude, Gemini) también filtran CV?
Sí. Flujos custom con LLM se usan ya en empresas mexicanas medianas, se le pasa CV + JD al modelo y se pide análisis estructurado. La ventaja es la explicabilidad ("¿por qué este candidato?"). La restricción sigue siendo costo y latencia para volúmenes altos.
#TL;DR
- El filtrado con IA es eficiente en volumen y prerrequisitos declarados; débil prediciendo skill técnica real
- Para vacantes administrativas y operativas es suficiente
- Para vacantes técnicas conviene mover el filtro de "leer CV" a "medir skill"
- Ambos modelos conviven: filtrado con IA + evaluación por prueba en secuencia funciona mejor que cualquiera por separado
- NORT apostó por la evaluación portátil, una sola vez, válida en muchas oportunidades
#Recursos relacionados
- Cómo evaluar a un candidato de TI sin entrevista
- Reclutamiento inverso: qué es, cómo funciona y cuándo conviene
- Glosario: Smart Match
- Glosario: Candidate Scoring
Contenido actualizado el 16 de mayo de 2026. Comentarios o correcciones: [email protected].
