El uso de IA en los ATS genera un círculo vicioso que empeora la contratación

Jodi Beggs, data scientist que buscaba trabajo, descubrió que pequeñas variaciones en su CV – cambiar "percent" por el símbolo % o incluir su inicial del medio – alteraban significativamente la puntuación que le asignaba un sistema de IA para comparar su perfil con la oferta. El servicio que probó, similar a Jobscan, evalúa el grado de coincidencia entre la descripción del puesto y el material del candidato, y sugiere ajustes para subir la puntuación.

Los sistemas de seguimiento de candidatos (ATS) recogen las postulaciones, facilitan la revisión interna y, en algunos casos, añaden capas de IA para clasificar y rankear los perfiles. Según Daniel Chait, CEO de Greenhouse, la funcionalidad varía: "No hay dos ATS iguales; la tecnología cambia rápido y una herramienta de IA puede comportarse de forma distinta de un mes a otro". En organizaciones donde la IA decide el 80 % de los filtros, solo el 10‑20 % de los aspirantes llegan a la fase humana. En otras, la revisión sigue siendo manual de principio a fin.

El problema surge cuando los candidatos, convencidos de que sus documentos serán analizados por IA, invierten tiempo en “jugar” con los algoritmos. El costo de servicios como Jobscan (entre 30 y 50 dólares al mes) y la falta de transparencia generan una desconfianza mutua: los reclutadores reciben cientos de solicitudes casi idénticas y recurren a la IA para diferenciar, mientras que los postulantes sienten que su proceso es una caja negra.

Ejemplos de la paradoja aparecen en varias empresas. Toshiba, bajo la dirección de Kim Jones, revisa cada candidatura de forma humana y no ve utilidad en que la IA mejore la posición dentro del ATS. En Doist, una startup remota, se probaron rankings generados por IA sobre vacantes ya cubiertas; en ambos casos, los candidatos finalmente contratados no aparecían en la lista corta del algoritmo.

Algunos candidatos utilizan IA de forma distinta. James Jacobsen, diseñador, empleó Claude y ChatGPT para estructurar y rastrear su búsqueda: los modelos analizaron descripciones, asignaron puntuaciones según seniority y rango salarial, y le ayudaron a organizar el proceso. Sin embargo, el ajuste del CV no mejoró su tasa de respuestas, lo que sugiere que la optimización de contenidos tiene límites frente a la decisión final de contratación.

En conclusión, la dependencia creciente de IA en los ATS crea un bucle donde tanto empleadores como aspirantes intentan solucionar sus problemas con la misma herramienta, amplificando sus fallas. La falta de estandarización y la opacidad de los algoritmos hacen que la estrategia de "optimizar para la IA" sea cada vez menos efectiva, y ponen de relieve la necesidad de volver a equilibrar la revisión humana con la automatización.

Queda por ver si los proveedores de ATS adoptarán normas de transparencia o si las empresas volverán a priorizar la evaluación directa, pues la tendencia actual parece empeorar la confianza en ambos extremos del proceso de contratación.