Matching de candidatos por IA

Qué significa «matching» en la práctica

El modelo produce una puntuación de similitud entre candidato y puesto. La puntuación se enseña al revisor con explicación: «match en Python, 5 años de backend, derecho a trabajar en UE; flojo en señales de liderazgo de equipo».

Las buenas herramientas de matching enseñan qué movió la puntuación. Las cajas negras que solo dan un número son menos útiles — contra un número no se discute; contra una explicación, sí.

Las dos capas

• Match de habilidades: solape de palabras clave y habilidades en superficie. Rápido, explicable, propenso a falsos negativos (un CV que dice «TypeScript» en vez de «JS» parece peor de lo que es).
• Match semántico: comparación por embeddings entre CV y descripción como texto. Captura experiencia relevante que la capa de habilidades pierde, a costa de ser menos explicable.

El matching moderno combina ambos en una puntuación híbrida.

Dónde encaja en el embudo

El matching alimenta dos usos aguas arriba:

• Inbound (criba por IA): ordenar candidaturas frente al puesto.
• Outbound (sourcing por IA): sacar a candidatos pasivos cuyos perfiles encajan.

Mismo mecanismo, fase distinta del embudo.

Lo que no es el matching

No es la decisión de contratar. Una puntuación alta significa «vale una conversación real», no «hacer una oferta». Confundirlo es el fallo más común de la IA en selección.

Dónde encaja Join

Join expone las puntuaciones de match con explicación por dimensión, para que el revisor siempre vea sobre qué se está alineando la IA. El juicio humano sigue siendo primario. Más en la página de funciones.