Filtrado de currículums con IA: cómo funciona, precisión y riesgos de sesgo

Por Kevin Kim · Actualizado el 11 de octubre de 2026

El filtrado de currículums con IA es un software que lee cada currículum, lo convierte en datos estructurados (cargos, habilidades, fechas, estudios) y luego puntúa u ordena a los postulantes según los requisitos del puesto, para que los reclutadores vean primero las mejores coincidencias. Ahorra tiempo en puestos de alto volumen, pero solo refleja los criterios y el historial que se le dieron. Si alguno de los dos está sesgado, el ranking también lo está, y a gran escala.

Esta página está dirigida a directores de recursos humanos, responsables de adquisición de talento y gerentes contratantes que están decidiendo si activar el filtrado, o que ya lo hicieron y necesitan saber qué verificar. Cubre la mecánica, las fallas documentadas, una configuración paso a paso y las salvaguardas. Forma parte de la sección de reclutamiento de la colección AI for HR; para ver el panorama completo de la contratación, empiece por la IA en el reclutamiento. Esto es información general, no asesoramiento jurídico.

Datos clave

• El motor experimental de reclutamiento de Amazon calificaba a los candidatos de una a cinco estrellas, aprendió de currículums presentados durante un periodo de 10 años (la mayoría de hombres) y penalizaba los currículums que contenían la palabra «women's» (de mujeres); el equipo fue disuelto (Reuters, octubre de 2018).
• En una prueba de la University of Washington con tres modelos de lenguaje, que comparó más de 550 currículums con más de 500 ofertas de empleo, los nombres asociados con personas blancas fueron preferidos el 85% de las veces frente al 9% de los nombres asociados con personas negras, y los nombres de hombres negros nunca fueron preferidos sobre los de hombres blancos (University of Washington, octubre de 2024).
• Más del 90% de los empleadores de una encuesta de Harvard Business School y Accenture dijo que usa sus sistemas de reclutamiento para filtrar u ordenar a candidatos de habilidades medias y altas, y el 88% coincidió en que se descarta a candidatos calificados de habilidades altas por no cumplir con los criterios exactos de la descripción del puesto (The Register, resumen del informe de 2021).
• Según la pauta federal estadounidense de las «cuatro quintas partes», una tasa de selección inferior al 80% de la tasa del grupo más alto se considera por lo general evidencia de impacto adverso (29 CFR 1607.4).
• La Comisión Europea clasifica el software de clasificación de CV como IA de alto riesgo, con normas aplicables desde el 2 de diciembre de 2027 (Comisión Europea).

Cómo funciona el filtrado de currículums con IA

La mayoría de los sistemas opera en tres etapas, y una falla en cualquiera de ellas llega al ranking final.

Etapa 1: análisis (parsing). El software extrae texto de archivos PDF, Word o formularios web y lo ordena en campos: nombre, empleadores, cargos, fechas, estudios, habilidades. Este es el paso «Ingest» del ACE Framework, y es más frágil de lo que parece. Los diseños de dos columnas, el texto dentro de imágenes, los formatos creativos y los caracteres no ingleses pueden desordenar los campos, de modo que un candidato sólido llega como un registro medio vacío.

Etapa 2: emparejamiento. El sistema compara el registro analizado con el puesto. Las herramientas más antiguas buscan palabras clave: ¿el currículum contiene «SQL» y «forecasting»? Las más nuevas usan modelos de lenguaje que leen el significado, de modo que «gestionó el presupuesto regional» puede contar como «planificación financiera» aunque no aparezca la frase. Este es el paso «Analyze».

Etapa 3: puntuación y ranking. El sistema convierte la coincidencia en una puntuación, una calificación, una lista corta o un aprobado/reprobado. Algunos usan reglas que usted escribe («al menos dos años en un puesto de ventas»). Otros aprenden patrones de contrataciones y rechazos pasados. Ese segundo tipo es el que puede absorber un historial que usted no quería enseñarle. En términos de ACE, es un patrón de revisión de documentos que alimenta un patrón de puntuación y enrutamiento.

Una distinción atraviesa todo lo que sigue: un filtro que aplica criterios que usted puede leer y defender se comporta de forma muy distinta a uno que infiere sus propios criterios a partir de decisiones pasadas. El primero es auditable. El segundo requiere pruebas, porque nadie dejó por escrito lo que aprendió.

Qué muestran las fallas documentadas

El modelo de reclutamiento descartado por Amazon

Reuters informó en 2018 que el equipo de aprendizaje automático de Amazon había estado desarrollando una herramienta de revisión de currículums desde 2014 y descubrió en 2015 que no calificaba de forma neutral en cuanto al género a los candidatos para puestos de desarrollo de software y otros puestos técnicos. Los modelos aprendieron de 10 años de currículums recibidos, la mayoría de hombres, y concluyeron por sí solos que los candidatos masculinos eran preferibles. Penalizaban los currículums que contenían la palabra «women's», como en «capitana del club de ajedrez femenino», y rebajaban la puntuación de egresadas de dos universidades solo para mujeres. Amazon modificó los programas para que fueran neutrales ante esos términos, pero personas familiarizadas con el esfuerzo dijeron que eso no daba ninguna garantía de que el sistema no encontrara otras formas discriminatorias de ordenar a los candidatos. La empresa disolvió el equipo (Reuters).

La lección no es que la IA sea especialmente sesgada. Es que un modelo entrenado para imitar la contratación pasada imitará la contratación pasada, con todos sus puntos ciegos. Parchar el único proxy que usted detectó no elimina los demás. Amazon dijo a Reuters que sus reclutadores nunca usaron la herramienta para evaluar candidatos, aunque no negó que los reclutadores miraran sus recomendaciones.

Sesgo por nombres en el ranking de modelos de lenguaje

Investigadores de la University of Washington probaron tres modelos de lenguaje ordenando más de 550 currículums reales frente a más de 500 ofertas de empleo en nueve ocupaciones, variando solo los nombres de pila (120 nombres asociados con hombres y mujeres blancos y negros). En más de tres millones de comparaciones, los nombres asociados con personas blancas fueron preferidos el 85% de las veces y los asociados con personas negras el 9%. Los nombres asociados con hombres fueron preferidos el 52% de las veces frente al 11% de los asociados con mujeres, y los nombres de hombres negros nunca fueron preferidos sobre los de hombres blancos (University of Washington).

Lea el alcance con atención. Fue una prueba de investigación controlada de modelos de uso general, no una auditoría de ningún producto comercial de filtrado. Lo que muestra es por qué usted debe probar su propia configuración en lugar de suponer que el modelo de un proveedor es neutral.

Rechazar en silencio a buenos candidatos

El sesgo no es el único problema de precisión. El informe «Hidden Workers» de Harvard Business School y Accenture encontró que más del 90% de los empleadores encuestados usa sus sistemas de reclutamiento para filtrar u ordenar candidatos, y que el 88% coincidió en que los candidatos calificados de habilidades altas se descartan por no cumplir los criterios exactos de la descripción del puesto. Esa cifra fue del 94% para los trabajadores de habilidades medias (The Register). El informe también señala proxies rígidos, como tratar un título como sustituto de una cualidad o rechazar automáticamente una interrupción laboral. Es un problema de diseño que usted controla, y se solapa con la contratación basada en habilidades.

Ejemplos reales por función

El patrón: el filtrado funciona mejor con requisitos verificables y relacionados con el puesto (licencia, certificación, ubicación, disponibilidad) y peor con juicios blandos o inferidos como «encaje cultural» o «potencial».

Cómo implementarlo paso a paso

1. Decida la función del filtro antes de comprar. Escriba si solo debe confirmar los requisitos mínimos o también ordenar. Confirmar es mucho más fácil de defender que ordenar.

2. Escriba los requisitos como criterios, no como preferencias. Separe lo indispensable (una licencia que el puesto exige legalmente) de lo deseable. Todo lo que se marque como indispensable se convierte en un filtro eliminatorio, así que mantenga esa lista corta. Redactar descripciones de puesto con IA explica cómo mantener limpios esos criterios.
3. Revise sus datos de entrada. La calidad del análisis, los cargos consistentes y los registros de postulantes limpios determinan el resultado. Fundamentos de datos de recursos humanos para la IA explica qué corregir primero.
4. Elija reglas que pueda leer siempre que sea posible. Pregunte a cualquier proveedor qué puntúa el sistema, con qué se entrenó y si usted puede ver por qué un candidato quedó donde quedó. Nuestra página del agente de IA para filtrar candidatos muestra lo que hace un agente de filtrado bien acotado y lo que entrega a las personas.
5. Pruebe con un archivo histórico. Ejecute el filtro sobre una vacante pasada ya resuelta y compare su resultado con quiénes avanzaron y fueron contratados en realidad.
6. Mida los resultados por grupo. Calcule la tasa de selección de cada grupo en cada etapa y compárela con la tasa del grupo más alto. La pauta de las cuatro quintas partes es una señal de detección, no un puerto seguro legal, pero un resultado inferior al 80% es su señal para investigar (29 CFR 1607.4). Donde corresponda, realice también una auditoría formal de sesgos (vea la siguiente sección).
7. Mantenga a una persona en la decisión. Haga que un reclutador revise cada rechazo basado en un filtro eliminatorio, más una muestra aleatoria del grupo de puntuación «baja» cada semana. El concepto de human-in-the-loop es el estándar al que conviene diseñar.
8. Dé a los candidatos una salida. Informe a los postulantes de que interviene una herramienta automatizada y ofrezca una vía alternativa o una solicitud de adaptación.
9. Monitoree y vuelva a probar. Los requisitos del puesto, los grupos de postulantes y los modelos cambian. Repita la comparación por grupo con una periodicidad fija, y cada vez que cambie los criterios.

Las normas que se aplican

La regulación varía según el lugar y cambia con rapidez, así que confirme los requisitos vigentes con un asesor jurídico para cada lugar donde contrate.

• Ciudad de Nueva York. La Local Law 144 prohíbe a empleadores y agencias de empleo usar una herramienta automatizada de decisión de empleo a menos que haya pasado una auditoría de sesgos en el año previo a su uso, que se publique un resumen de la auditoría y que los candidatos reciban un aviso 10 días hábiles antes del uso. El Department of Consumer and Worker Protection comenzó a hacerla cumplir el 5 de julio de 2023 (NYC DCWP).
• Unión Europea. Los sistemas de IA usados para el empleo, como el software de clasificación de CV, se consideran de alto riesgo, con normas aplicables desde el 2 de diciembre de 2027 (Comisión Europea).
• Otros estados de EE. UU. Varios estados han aprobado o aplazado sus propias leyes sobre IA en el empleo, y algunas se han revisado tras su aprobación. Trate cualquier fecha que lea como algo que debe verificar la semana en que se base en ella.
• Legislación antidiscriminación vigente. Usar software no traslada la responsabilidad. Los principios de impacto dispar se aplican a las herramientas de selección en general, razón por la cual la comparación de las cuatro quintas partes de arriba es la primera verificación estándar.

Para una estructura de gobernanza que funcione entre jurisdicciones, el AI Risk Management Framework de NIST (publicado el 26 de enero de 2023, voluntario) organiza el trabajo en Govern, Map, Measure y Manage (NIST). Es un esqueleto útil para una política interna de filtrado.

Salvaguardas que realmente funcionan

Piense en las salvaguardas como capas, porque ninguna por sí sola basta.

• Acote el alcance. Filtre con criterios verificables y relacionados con el puesto. Elimine los campos que actúan como proxy de rasgos protegidos, como nombres, fotos, años de graduación y direcciones, antes de que el modelo los vea.
• Prefiera resultados explicables. Si un reclutador no puede ver las razones de un ranking, no puede detectar un error. Consulte IA explicable.
• Audite antes del lanzamiento y con una periodicidad fija. Tasas de selección por grupo, en cada etapa, no solo en la contratación final.
• Revise una muestra de los rechazos. El sesgo se esconde en el grupo que nadie lee.
• Proteja la salida. Una vía de apelación y una vía alternativa de postulación.
• Asuma la decisión. Una persona identificada aprueba cada resultado adverso. El sesgo en la IA explica las fuentes del sesgo si necesita informar a su equipo directivo.

Errores comunes

• Tratar «pasó la auditoría del proveedor» como «es seguro para nosotros». Una auditoría cubre una herramienta con ciertos datos. Sus familias de puestos y su grupo de postulantes son distintos.
• Confiar demasiado en el ranking. Los reclutadores leen los diez primeros e ignoran el resto, así que el orden del algoritmo se convierte en la decisión.
• Dejar que la corrección de un solo proxy sustituya una revisión de sesgos. Quitar un único término sesgado, como hizo Amazon, no impide que otras señales correlacionadas hagan el mismo trabajo.
• Entrenar con su propio historial. Si la contratación pasada favoreció un perfil, un modelo que aprende de ella también lo hará.
• Preguntas eliminatorias sin revisión. El rechazo automático por una interrupción laboral o por un título es donde desaparecen las personas calificadas.
• Omitir el aviso a los candidatos. En algunas jurisdicciones eso es una infracción por sí solo.
• No volver a probar nunca. Un filtro que estaba bien en el lanzamiento puede desviarse a medida que cambian los requisitos.