Así filtra tu currículum la IA antes de que lo vea una persona
30 de septiembre de 2026
El 97,4% de las empresas Fortune 500 —487 de las 500 más grandes de Estados Unidos— ya usa un sistema de seguimiento de candidatos (ATS) detectable en sus páginas de empleo, según el relevamiento de Jobscan, una empresa especializada en optimización de currículums que analizó más de un millón de escaneos de CV desde 2016. Entre las compañías que ya incorporaron inteligencia artificial a sus procesos de selección, el 82% la usa específicamente para revisar currículums, la aplicación más común de la tecnología en recursos humanos. La revisión automática de un CV, antes de que lo vea una persona, dejó de ser la excepción: es la norma.
Cómo funciona el filtro, en términos simples
El sistema más básico rastrea coincidencias de palabras clave entre el currículum y la descripción del puesto: si el aviso pide "gestión de proyectos" y el CV dice "coordinación de equipos", un sistema poco sofisticado puede no detectar la equivalencia. Las versiones más nuevas de estas plataformas —Workday y Greenhouse, entre las más usadas por grandes empresas, incorporaron funciones de análisis potenciadas por IA entre 2023 y 2025— buscan evaluar el contexto: si la experiencia descripta demuestra competencia real a través de verbos de acción y resultados concretos, no solo la presencia de ciertas palabras. En cualquiera de los dos casos, el resultado es el mismo: una decisión automatizada, tomada antes de que un reclutador humano abra el archivo.
El sesgo, medido con números concretos
Acá está la parte que más debería preocupar a cualquier candidato, más allá de cómo redacte su CV. Un estudio académico que auditó modelos de recuperación de texto (el tipo de tecnología usada para hacer coincidir currículums con descripciones de puesto) sobre nueve ocupaciones distintas, con más de 500 currículums y 500 descripciones de trabajo reales, encontró que estos sistemas favorecen nombres asociados a personas blancas en el 85,1% de los casos, frente a apenas un 11,1% de casos donde se favoreció a nombres asociados a mujeres. Al cruzar ambas variables, candidatos hombres negros resultaron desfavorecidos hasta en el 100% de los casos dentro de ciertas categorías de empleo analizadas. El estudio concluye que estos modelos detectan patrones estadísticos de sus datos de entrenamiento, no mérito real, y terminan replicando patrones de discriminación laboral ya existentes en el mundo real.Un segundo estudio, que auditó ocho plataformas comerciales de IA usadas para selección de personal, encontró algo todavía más inquietante: algunos modelos penalizaban currículums por el simple hecho de incluir un nombre, un sesgo no contra un grupo demográfico específico, sino contra la identidad en sí misma. Los mismos investigadores acuñaron el término "ilusión de neutralidad" para describir un hallazgo contraintuitivo: algunos de los modelos que parecían no tener sesgo demográfico no eran justos, sino que directamente no eran capaces de hacer una evaluación sustantiva del contenido, y se limitaban a comparar palabras clave de forma superficial. Es decir, la ausencia de sesgo detectable, en varios casos, no era una señal de un sistema mejor diseñado, sino de un sistema que ni siquiera estaba evaluando nada en serio.
Qué puede hacer alguien que busca trabajo hoy
Frente a un problema que es, en gran medida, estructural y no depende de cómo una persona arma su propio CV, hay igualmente algunas prácticas que mejoran las chances dentro del sistema tal como existe hoy:
Adaptar las palabras clave a cada aviso específico, en lugar de mandar el mismo currículum a todas las búsquedas: los candidatos que lo hacen reciben una tasa de respuesta 78% más alta, según datos de Jobscan.
Usar verbos de acción y resultados concretos, no solo listar tareas, dado que las versiones más nuevas de estos sistemas evalúan el contexto de la experiencia descripta, no solo coincidencias literales de palabras.
Combinar la optimización del CV con contacto humano directo (referencias, networking, mensajes directos a quien contrata): candidatos que combinaron ambas estrategias recibieron invitaciones a entrevista 3,2 veces más seguido que quienes solo optimizaron el currículum.
No asumir que un rechazo automático refleja una evaluación justa o completa del propio perfil: la evidencia académica muestra que estos sistemas todavía cometen errores sistemáticos, incluidos sesgos demográficos medibles y casos de evaluación superficial disfrazada de neutralidad.
En resumen
Con el 97,4% de las empresas más grandes de Estados Unidos usando algún sistema de rastreo de candidatos, y el 82% de las que ya adoptaron IA aplicándola específicamente a la revisión de currículums, la revisión automática de un CV antes de que lo vea una persona ya es la norma, no la excepción. La evidencia académica más reciente muestra que ese filtro está lejos de ser neutral: favorece nombres asociados a personas blancas en más del 85% de los casos analizados, penaliza con más fuerza a hombres negros en ciertas categorías de empleo, y en algunos sistemas, lo que parece ausencia de sesgo es en realidad incapacidad de evaluar el contenido en serio. Optimizar el propio CV sigue siendo útil dentro de este sistema, pero no resuelve el problema de fondo: la parte más importante de esta historia no depende de cómo alguien escribe su currículum, sino de qué tan bien —o mal— evalúan estos sistemas a cualquier currículum, sin importar quién lo haya escrito.
