Filtrado de Currículums con IA vs. Humano: La Evidencia

Qué Son Realmente Estos Dos Enfoques

Antes de compararlos, conviene definirlos con precisión.

El filtrado humano de currículums es el proceso mediante el cual un reclutador o gerente de contratación lee un currículum y emite un juicio sobre si el candidato merece una evaluación adicional. Ese juicio se apoya en el reconocimiento de patrones, el conocimiento contextual del puesto y —inevitablemente— en atajos cognitivos.

El filtrado de currículums con IA es el análisis y la calificación automatizada del contenido de un currículum en función de criterios predefinidos. Según el sistema, esto puede ir desde la simple coincidencia de palabras clave hasta modelos de aprendizaje automático entrenados con decisiones de contratación históricas. El resultado suele ser una lista ordenada o un filtro de aprobado/rechazado.

La pregunta que la mayoría de los equipos de contratación realmente quiere responder no es "¿cuál es mejor?" en abstracto. Es: ¿en qué condiciones produce cada enfoque decisiones precisas, justas y defendibles — y dónde falla cada uno?

Qué Muestra la Investigación Sobre los Evaluadores Humanos

Velocidad y Capacidad de Procesamiento

Los evaluadores humanos son lentos. Una cifra frecuentemente citada de TheLadders (2012) sugería que los reclutadores dedican un promedio de seis a siete segundos a una primera revisión del currículum — un número que se ha referenciado ampliamente, aunque proviene de una muestra pequeña de seguimiento ocular y debe tratarse como ilustrativo en cuanto a dirección, no como dato definitivo. El hallazgo operativo más importante es que la capacidad humana se agota rápidamente: un reclutador que revisa cientos de currículums en un día trabaja bajo una carga cognitiva significativa hacia la mitad de la tarde.

Consistencia y Sesgo

El problema más profundo no es la velocidad, sino la consistencia. Cuando el mismo currículum es evaluado por la misma persona en momentos distintos, o por personas diferentes, los índices de acuerdo son más bajos de lo que la mayoría de las organizaciones esperaría.

La literatura sobre sesgos es extensa. Bertrand & Mullainathan (2004, American Economic Review) encontraron que currículums idénticos con nombres de apariencia blanca recibieron un 50% más de llamadas de seguimiento que aquellos con nombres de apariencia afroamericana — hallazgo replicado en múltiples estudios posteriores en distintos países e industrias. El nombre, la dirección, el año de graduación (como indicador de edad) e incluso las decisiones de formato influyen en los evaluadores humanos de maneras no relacionadas con la capacidad relevante para el puesto.

La carga cognitiva amplifica el sesgo. El marco de procesamiento dual de Kahneman (Thinking, Fast and Slow, 2011) describe cómo, bajo presión de tiempo, los evaluadores dependen más del Sistema 1 — rápido, asociativo y basado en heurísticas — en lugar del razonamiento deliberado que produce juicios más defendibles. El filtrado de currículums bajo presión de volumen es, casi por definición, una tarea del Sistema 1 para la mayoría de las personas.

En Qué Son Buenos los Humanos

Los evaluadores humanos no son simplemente inferiores. Pueden leer entre líneas: una trayectoria profesional que no encaja en una plantilla, un título que no refleja el alcance real del puesto, un nombre de empresa que señala contexto relevante. Aportan conocimiento tácito sobre la industria, señales de afinidad cultural y los matices específicos del rol que ninguna lista de palabras clave captura del todo. Estas son ventajas genuinas — particularmente para roles senior o altamente especializados donde la diferencia entre un candidato fuerte y uno débil es exactamente lo que una plantilla de currículum no puede comunicar.

Qué Muestra la Investigación Sobre los Sistemas de IA

Velocidad y Escala

El filtrado con IA maneja el volumen sin fatiga. Esta es su ventaja operativa más clara. Para roles de alto volumen con criterios bien definidos — agentes de servicio al cliente, asociados de retail, roles técnicos de nivel inicial — la IA puede procesar miles de solicitudes de manera consistente en el tiempo que un equipo humano tardaría en revisar decenas.

El Problema de la Validez

Aquí la evidencia se vuelve más cautelosa. La pregunta central para cualquier método de filtrado es la validez predictiva: ¿un puntaje alto predice el desempeño laboral? Para los sistemas de filtrado con IA, la respuesta depende casi por completo de con qué se entrenó el modelo y qué está midiendo realmente.

La evidencia metaanalítica general sobre criterios estructurados ofrece contexto. Schmidt & Hunter (1998, Psychological Bulletin) — uno de los artículos más citados en selección de personal — encontraron que el filtrado no estructurado de currículums tiene una validez predictiva relativamente baja en comparación con muestras de trabajo, pruebas de capacidad cognitiva y entrevistas estructuradas. Los sistemas de IA entrenados en características de currículums heredan esta limitación a menos que se validen explícitamente con datos de resultados.

El riesgo adicional: los modelos de IA entrenados con decisiones de contratación históricas aprenden los sesgos históricos. El ampliamente reportado experimento interno de Amazon (Reuters, 2018) encontró que una herramienta de reclutamiento con aprendizaje automático penalizaba los currículums que contenían la palabra «women's» y rebajaba la calificación de egresadas de universidades exclusivamente femeninas — porque había sido entrenada con una década de patrones de contratación con sesgo masculino. La herramienta fue descartada. Esto no es un caso excepcional; es un riesgo estructural que enfrenta cualquier sistema de filtrado basado en ML cuando las etiquetas de entrenamiento reflejan decisiones pasadas sesgadas.

Coincidencia de Palabras Clave vs. Juicio Contextual

Las herramientas de IA más simples — esencialmente filtros automatizados de palabras clave — no resuelven ni el problema de validez ni el de sesgo. Filtran a candidatos que describen las mismas habilidades de manera diferente, perjudican a hablantes no nativos que usan frases alternativas y recompensan el conocimiento del sistema por encima de la sustancia. Un candidato que conoce el vocabulario exacto de la descripción del puesto superará en la lista a uno más capaz que describe experiencia equivalente en lenguaje ordinario.

Los modelos más sofisticados que afirman evaluar el "ajuste" o predecir el desempeño están haciendo una promesa mayor que requiere evidencia de validación real antes de que merezca confianza.

Dónde Se Complica la Comparación

El Problema de los Datos de Entrenamiento

Como se analiza en el artículo de Verdict Training AI Models on Historical Organizational Hires, la calidad de un sistema de filtrado con IA está acotada por la calidad y la equidad de los datos con los que aprende. Una organización con un historial histórico sólido, consistente y con auditoría de sesgos de contratación estructurada se encuentra en una posición muy diferente a una cuyas contrataciones pasadas fueron idiosincrásicas o demográficamente sesgadas. La mayoría de las organizaciones se acercan más al segundo caso.

El Problema de la Claridad de Criterios

Tanto el filtrado humano como el de IA fallan cuando los criterios subyacentes no son claros. Si la descripción del puesto confunde requisitos con preferencias, o sobre-especifica credenciales como sustitutos de la capacidad, ningún método de filtrado — humano o automatizado — producirá buenos resultados. Por eso el trabajo previo descrito en How to Write a Better Job Description and Cut Over-Specs es un prerrequisito para que cualquier método de evaluación posterior sea significativo.

La Brecha de Auditabilidad

Las decisiones humanas de filtrado son difíciles de auditar en la práctica — rara vez se documentan con suficiente detalle como para reconstruirlas. Muchos sistemas de IA, en particular los propietarios, son igualmente opacos de una manera diferente: se producen resultados, pero las ponderaciones y características que los impulsan no son transparentes para el comprador. «Usamos IA» no es lo mismo que «podemos mostrarte qué señales impulsaron este ranking y por qué son relevantes para el puesto».

Una Comparación Directa

Cómo Se Ve una Buena Práctica

El enfoque más defendible según la evidencia no es una elección binaria. Utiliza criterios estructurados y explícitos — definidos antes de que comience el filtrado — y los aplica de manera consistente, ya sea que el primer pase sea humano o automatizado. Cuando se usan herramientas de IA, deben:

1. Aplicarse solo a criterios que sean genuinamente relevantes para el puesto y no ambiguos (años en un rol técnico específico, certificaciones requeridas, etc.)
2. Auditarse por impacto dispar antes y durante la implementación — no asumir que son neutrales por ser automatizadas
3. Seguirse de revisión humana en el punto donde el juicio contextual se vuelve necesario

Para evaluar la sustancia de lo que un currículum realmente demuestra — capacidad, trayectoria, dominio — el marco de Clinical Analysis: AI Candidate Screening Dimensions vale la pena revisar. El objetivo no es reemplazar el juicio, sino hacerlo estructurado y documentable.

La evidencia sobre la evaluación estructurada es clara: cuando los evaluadores aplican criterios explícitos y predefinidos a la misma evidencia, el acuerdo entre evaluadores aumenta y la validez predictiva mejora (Campion et al., 1997, Personnel Psychology). Ese principio aplica tanto si se está filtrando currículums como evaluando entrevistas.

Qué Significa Esto Para los Equipos de Contratación

El resumen honesto de la evidencia es el siguiente:

• El filtrado humano de currículums es rápido de implementar pero lento de ejecutar, inconsistente y vulnerable a sesgos bien documentados
• El filtrado con IA es rápido y consistente, pero su validez no está comprobada sin datos de resultados, y puede codificar y escalar el sesgo histórico en lugar de corregirlo
• Ningún método es confiable sin criterios claros y relevantes para el puesto definidos antes de que comience el filtrado
• La pregunta «¿IA o humano?» es menos importante que «¿estructurado o no estructurado?"

Para la mayoría de los equipos de contratación, la mejora práctica no es cambiar de uno a otro — es introducir estructura y criterios explícitos en cualquier proceso que ya estén ejecutando.

Evalúa a Tu Próximo Candidato con Verdict

Si quieres superar el debate entre IA y humano y ejecutar un proceso de filtrado que sea realmente estructurado y basado en evidencia, Verdict te da un instrumento práctico para lograrlo. Ejecuta una comparación estructurada y fundamentada en criterios contra tu propia descripción del puesto — no una puntuación de caja negra, sino una evaluación transparente en las dimensiones de Capacidad, Trayectoria, Proyección, Influencia, Ventaja de Dominio y Superficie de Riesgo. No es una respuesta mágica. Es un instrumento mejor para tomar una decisión defendible.