La entrevista que nunca tendrás: cuando una IA decide que tu CV no merece un humano

TRABAJO · RECURSOS HUMANOS · INTELIGENCIA ARTIFICIAL

Si ya has leído sobre las decisiones diarias que la IA toma por ti o sobre jefes controlados por algoritmos, esto es la extensión lógica al mundo del empleo: no solo la IA decide qué ves, también decide quién te ve cuando buscas trabajo.

No es un artículo para que entres en pánico ni para venderte fórmulas mágicas de “CV perfecto para robots”, sino para que entiendas el sistema en el que estás jugando y puedas tomar decisiones más informadas.

1. Del ATS al modelo de scoring: cómo se decide si tu CV pasa o muere

Durante años, el “filtro automático” eran los ATS: sistemas que escanean CVs por palabras clave, años de experiencia, titulaciones y poco más. No son IA en sentido estricto, son buscadores vitaminados. Pero cuando combinas esos datos con modelos de machine learning, la cosa se pone más interesante —y más opaca—. Dejas de buscar “5 años de Java” para predecir la probabilidad de que alguien encaje y se quede tomando cientos de variables a la vez.

El flujo típico se parece mucho a lo que explicas en tu guía de diseño de sistemas de machine learning. Primero, se cogen datos históricos: currículums de gente que se contrató y de gente que no, desempeño posterior, evaluaciones internas, si se marcharon pronto o duraron años. Luego se entrena un modelo para distinguir patrones entre “los que fueron buen fichaje” y “los que no”. El resultado es un score: un numerito que dice, a ojos de la máquina, cuánto te pareces a los “buenos”.

El problema obvio: si históricamente contrataste sobre todo a hombres, de ciertas universidades, de ciertos barrios, el modelo va a aprender que ese es el perfil “bueno”. La máquina no sabe de equidad, solo de correlaciones. Por eso algunas empresas han tenido que tirar a la basura sus sistemas caseros de reclutamiento automático cuando empezaron a ver patrones muy incómodos en quién era sistemáticamente penalizado.

2. La entrevista que nunca tendrás: filtros antes de hablar con nadie

Cuando aplicas a una oferta por LinkedIn, InfoJobs o el portal interno de una empresa grande, tu CV entra en una mezcla de ATS y modelos. A veces hay un reclutador mirando una pila de candidatos ya ordenados por un score; a veces, directamente, solo se enseñan al humano los que superan cierto umbral. Si quedas por debajo, ni siquiera apareces en la pantalla de nadie. No es que te hayan rechazado conscientemente, es que ni exististe en el radar humano.

Por eso hay tanta gente con perfiles sólidos que siente que dispara candidaturas al vacío. No es solo saturación, es arquitectura: el sistema está diseñado para minimizar la carga humana. Como cuentas en tu artículo sobre IA que diseña tu vida, cuando conviertes decisiones en problemas de predicción, dejas de pensar en “personas concretas” y empiezas a pensar en “probabilidades”. Tu CV pasa a ser una fila más en una tabla gigante que se ordena sola según un criterio que no controlas.

El lado positivo: también hay candidatos que, sin el típico enchufe o universidad de moda, salen a la superficie porque el sistema detecta patrones de éxito que a un humano se le escaparían. El lado oscuro: no sabes en qué lado estás ni cómo se ha tomado la decisión cuando te toca perder la entrevista que nunca tendrás.

3. Entrevistas con robots: cuando una IA puntúa tu cara, tu voz y tus palabras

El otro gran frente son las entrevistas en vídeo automatizadas. Te llega un enlace, te pones delante de la webcam, respondes a preguntas en un tiempo límite y alguien —o algo— puntúa tus respuestas. A veces hay revisores humanos después, a veces no. Durante años, algunos proveedores prometieron maravillas: detectar “rasgos de liderazgo” en tus microexpresiones, medir tu “empatía” por tu sonrisa, correlacionar tono de voz con capacidad de trabajo en equipo. Después llegó la evidencia: mucha pseudociencia, mucho riesgo de discriminar por acento, origen o discapacidad, y una precisión más que discutible.

Incluso cuando se retira el análisis facial, los modelos siguen analizando tu lenguaje, tu ritmo, tus vacilaciones, los silencios incómodos. El ideal es que todo eso se cruce con respuestas de miles de personas para encontrar qué patrones predicen mejor el rendimiento. La realidad es que nadie te explica qué está midiendo exactamente el sistema. No sabes si te penaliza por hablar muy rápido, por usar muletillas, por ser demasiado directo o por un acento que desafía el dataset con el que fue entrenado el modelo.

Es la versión laboral de lo que analizas en tu texto sobre chatbots y salud mental: sistemas que parecen empáticos y neutrales, pero pueden devolver respuestas dañinas porque nadie les ha explicado bien los límites de lo humano que están tocando.

4. Lo que prometen las empresas: menos sesgos, más eficiencia, mejores matches

Si te pones en la piel de un departamento de RR. HH. con miles de candidaturas por puesto, el relato encaja: los modelos ahorran horas de lectura, permiten contestar más rápido, reducen el cansancio del reclutador y, en teoría, ayudan a que “los mejores” no se pierdan entre el ruido. Es la misma lógica que te venden cuando hablas de embudos de venta automatizados, pero aplicada a personas en lugar de leads.

Muchos proveedores además venden la IA como cura de los sesgos humanos: el algoritmo, dicen, no “siente” racismo, sexismo o edadismo. Si lo entrenas con datos limpios y lo monitorizas bien, podría incluso corregir inercias tóxicas de la organización: valorar más el potencial que el pedigree, quitar peso a universidades concretas, reducir la influencia de prejuicios sutiles que se cuelan en cualquier entrevista humana.

El problema es que los datos no vienen del aire, vienen de decisiones pasadas. Es lo que ya explicabas al hablar de máquinas predictivas: cuando entrenas un modelo con el pasado, lo más probable es que te ayude a repetirlo, no a superarlo. Y si tu pasado está lleno de techos de cristal, el algoritmo se vuelve perfecto para pulirlos, no para romperlos.

5. Sesgos, cajas negras y “no seleccionado” sin explicación

Aquí aparece el corazón ético del asunto. Para un candidato, el resultado visible es un “no seleccionado” (si hay suerte) o, directamente, el silencio. Lo que no ves es que detrás ha habido un modelo tomando decisiones opacas. No sabes qué variables se han usado, ni si un pequeño detalle de tu CV ha provocado una penalización enorme, ni si tu forma de hablar en la entrevista encaja mal con el patrón estadístico dominante de la plantilla actual.

En tu análisis de jueces algorítmicos ya señalabas algo similar: cuando una puntuación sustituye a un razonamiento, la persona afectada pierde capacidad de entender y de impugnar la decisión. Con el trabajo pasa lo mismo: no puedes mejorar frente a un criterio que no conoces, ni defenderte frente a un error estadístico que no deja rastro legible.

Además, los sesgos no se limitan a lo obvio (género, raza, edad). También se cuelan sesgos de clase, de estilo de escritura, de formato de CV, de tiempo de respuesta. Incluso la hora a la que envías la candidatura puede correlacionarse con factores que el modelo aprende sin entender: candidatos que aplican de madrugada, cierto tipo de perfiles precarios, etc. Son esos detalles invisibles los que convierten a la IA de recursos humanos en un filtro que puede resultar mucho más injusto de lo que sus defensores prometen.

6. Regulación: auditorías de sesgo y la etiqueta de “alto riesgo”

El lado bueno es que no todo esto está ocurriendo en vacío legal. Ciudades como Nueva York ya obligan a las empresas que usan “herramientas automatizadas de decisión de empleo” a someterlas a auditorías de sesgo independientes cada año, publicar resultados y avisar a las personas candidatas de que se está usando IA en su evaluación. Incluso se han visto demandas contra proveedores y empresas cuando los modelos mostraban patrones discriminatorios claros en quién pasaba o no de fase.

En Europa, el AI Act ha puesto el listón alto: todos los sistemas de IA usados para selección, evaluación y promoción de personas se consideran de “alto riesgo”. Eso implica requisitos de transparencia, documentación técnica, gestión de riesgos, supervisión humana real y posibilidad de recurso. No es perfecto, pero manda un mensaje potente: jugar con el futuro laboral de la gente no es un uso trivial de la IA, igual que no lo es usar algoritmos para decidir quién entra en una universidad o quién recibe un crédito, como ya contabas en tu pieza sobre IA y riesgo financiero.

Aun así, la realidad va por barrios: grandes multinacionales con mucho foco reputacional empiezan a tomarse en serio auditorías, fairness y explicabilidad. Empresas medianas y pequeñas usan lo que les vende el proveedor sin preguntar mucho. Igual que señalas en tu análisis de la guerra fría de la IA, el mapa se está llenando de islas regulatorias distintas. Como candidato, puedes pasar de ser evaluado con mucho cuidado en un país y con cero garantías en otro para el mismo tipo de puesto.

7. Qué puedes hacer tú: jugar con las reglas sin regalarles tu identidad

Vale, todo esto está muy bien para entender el paisaje, pero tú lo que quieres es simple: conseguir entrevistas reales. La mala noticia es que no hay truco mágico. La buena es que hay varias palancas razonables que puedes mover sin convertir tu CV en un producto vacío “para robots”.

Una: alinear palabras clave y contenido real. No se trata de meter listas de tecnologías como si fuera spam, sino de leer bien la descripción del puesto y reflejar en tu CV, con ejemplos concretos, las competencias que piden. Si el rol menciona “automatización de procesos”, mejor contar un proyecto donde automatizaste algo con datos, no solo poner “me gusta automatizar procesos” en un apartado genérico. Eso ayuda al ATS, pero también al humano que venga después.

Dos: adaptar el formato a las máquinas sin sacrificar legibilidad humana. CVs con cajas de texto raras, gráficos incrustados o diseños extravagantes tienden a romper los parsers. Un documento limpio, con secciones claras y textos estructurados en frases completas, suele funcionar mejor. Es lo mismo que haces cuando preparas contenido para buscadores, como explicas en cómo usar IA para crear blogs que posicionan, pero aplicado a “buscar trabajo” en vez de “atraer tráfico”.

Tres: no apostar todo a portales masivos. Si sabes que buena parte del proceso está automatizada, cobra aún más sentido el networking clásico: hablar con personas, pedir intros, escribir a responsables de área en LinkedIn con mensajes decentes, participar en comunidades. Es otra forma de esquivar parcialmente el filtro de los modelos y de recordar que, de momento, muchos contratos siguen firmándose después de conversaciones humanas, no de scores de 0 a 100.

Y cuatro: usar la propia IA como espejo para mejorar, no como oráculo. Igual que propones en tus ideas sobre copilotos de negocio, puedes usar modelos generativos para revisar tu CV, simular entrevistas o descubrir lagunas… sabiendo siempre que su criterio es, como mínimo, tan discutible como el de los sistemas que usan las empresas.

8. Cuando tu jefe es un algoritmo… y tu reclutador también

Una cosa es que la IA entre en el reclutamiento y otra que lo impregne todo: desde quién ve tu CV hasta cómo se miden tus objetivos, quién decide tus bonus o incluso quién programa tus horarios. En tus artículos sobre jefes algorítmicos y empresas sin jefes humanos ya dibujabas ese escenario. Si el filtro de entrada está automatizado, y buena parte de tu día a día también, tu relación con el trabajo se convierte, literalmente, en una relación con sistemas de decisión automatizados en cadena.

No todo es negativo: bien diseñados, estos sistemas pueden eliminar muchos caprichos y arbitrariedades humanas. Pero mal diseñados pueden crear un túnel sin contacto humano real: entras filtrado por un modelo, eres gestionado por otro, te evalúan con un tercero y te despiden por una métrica automática sin que nadie se haya sentado de verdad contigo a entender qué está pasando. Es el lado oscuro de esa “vida optimizada por modelos” que tanto analizas en tu pieza sobre IA decidiendo trabajo y ciudad.

Entender ese contexto no es para deprimirte, sino para tomar decisiones más conscientes: qué tipo de empresas buscas, qué preguntas haces en las entrevistas, qué señales te indican que estás entrando en una organización que ve a las personas como algo más que vectores en un dataset de RR. HH.

9. La entrevista que nunca tendrás… ¿y ahora qué?

Es probable que ya haya habido ofertas en las que un algoritmo decidió que no merecías pasar de fase. Que haya empresas donde tu nombre nunca apareció en la pantalla de un reclutador porque un modelo te dejó por debajo del corte sin explicaciones. Esa es, en parte, la realidad del mercado actual. La pregunta no es si puedes evitarla del todo, sino cómo te relacionas con ella.

Igual que en tus lecturas de Vida 3.0 o Human Compatible, el debate de fondo no es tecnológico, es político y personal: qué poder queremos dar a los modelos sobre aspectos básicos de nuestras vidas, qué límites ponemos y qué tipo de explicaciones exigimos cuando nos afecta un “no” generado por código.

La IA no va a desaparecer de los procesos de selección. Lo que sí podemos decidir es si la dejamos operar como filtro silencioso e irresponsable o si exigimos que se convierta en una herramienta al servicio de decisiones más justas y transparentes. Mientras tanto, quizá la pregunta que más sentido tiene no es “¿cómo engaño a los robots para pasar su filtro?”, sino “¿cómo quiero que sea la relación entre algoritmos y oportunidades en la economía donde voy a trabajar las próximas décadas?”. La respuesta no está solo en tu CV, pero entender cómo se está evaluando es un buen primer paso.