Criba por IA

Cómo funciona por dentro

Dos enfoques habituales:

• Match por palabras clave y habilidades: el modelo extrae habilidades, años de experiencia y señales de seniority del CV y puntúa frente a los imprescindibles del puesto. Rápido y explicable.
• Match por embeddings: el modelo convierte CV y descripción en vectores y puntúa similitud semántica. Captura experiencia relevante que la búsqueda por palabra clave pierde (una «lead React developer» encaja con «senior frontend engineer»).

Los ATS modernos combinan los dos.

Lo que hace bien

• Comprime el tiempo de revisión de CV de 1-3 minutos por candidatura a 10-20 segundos para que el revisor confirme la lectura de la IA.
• Sube candidatos relevantes que un revisor humano podría saltarse — trayectoria poco habitual, CV mal vendido.
• Se mantiene coherente — aplica los mismos criterios al candidato 1 y al 100.

Donde falla

• Herencia de sesgos: si el modelo se entrenó con decisiones históricas sesgadas, reproduce el sesgo a escala.
• Sobrepondera lo convencional: la criba por IA infravalora CV poco estándar. Una persona reconvertida con habilidades fuertes pero trayectoria atípica puntúa bajo.
• Riesgo de gaming: los candidatos que conocen el sistema optimizan su CV contra él. La señal se degrada.

Cómo usarla con sentido

Tratar la criba por IA como ayuda al ranking, no como filtro. El revisor humano sigue viendo todas las candidaturas; la puntuación IA reordena la cola. El rechazo automático es riesgo de proceso.

Dónde encaja Join

La criba por IA de Join muestra candidatos ordenados con explicación por puntuación — el revisor ve el porqué, no solo el número. El rechazo automático es opt-in y queda explícitamente registrado. Más en la página de funciones.