El currículum que te filtra un algoritmo antes de que vos lo veas

Cada vez más candidatos usan IA para armar su currículum, y cada vez más empresas usan IA para leerlo. Un estudio académico reciente encontró algo todavía más inquietante en ese cruce: los modelos de IA que evalúan currículums tienden a preferir los redactados por IA por sobre los escritos por una persona. No es una anécdota de laboratorio — es, literalmente, una máquina prefiriéndose a sí misma antes que evaluar a quien tiene enfrente. Si en la píldora anterior vimos que un algoritmo puede liquidarte mal el sueldo sin que nadie lo note, acá el problema es anterior: puede decidir que ni siquiera llegues a la entrevista.

De currículum en papel a puntaje automático. Durante la mayor parte de la historia de la selección de personal, el filtro inicial lo hacía una persona. Hoy, en el 46% de los procesos de selección en Argentina, ese primer filtro ya lo aplica un sistema.

Selección de Personal es el proceso mediante el cual una organización identifica, evalúa y elige entre distintos candidatos a quien mejor se ajusta a un puesto, combinando criterios técnicos con criterios de ajuste cultural y proyección a futuro. No es un trámite administrativo: es una decisión sobre el futuro de una persona y sobre el futuro de una organización, al mismo tiempo.

De organizar a puntuar. Los sistemas ATS (Applicant Tracking System) nacieron para centralizar postulaciones y ordenar currículums. La incorporación de IA les agregó una capa mucho más decisiva: hoy no solo ordenan, puntúan. Le asignan a cada currículum un score de compatibilidad antes de que ningún ojo humano lo haya leído completo. Un sistema de puntuación no es neutral: refleja las decisiones de quien lo diseñó, la calidad de los datos con los que fue entrenado y los criterios con los que se lo configuró. Si una organización contrató históricamente un tipo de perfil, el modelo puede aprender a preferir ese mismo perfil, y replicar así, de forma automática y a gran escala, un patrón que nadie decidió mantener a propósito.

El terreno normativo argentino: una zona más gris que la de nómina. A diferencia de la liquidación de sueldos, acá el marco legal todavía está construyéndose:

Alerta: "el sistema lo decidió" no es una respuesta jurídicamente válida si un postulante reclama por discriminación. La ley argentina no exime de responsabilidad a quien delega una decisión discriminatoria en un algoritmo. Este concepto tiene nombre propio en la doctrina reciente: discriminación algorítmica sin intención — un sistema puede repartir oportunidades de forma desigual sin que exista una orden humana dirigida a excluir a nadie. No es una excusa para la empresa ni una acusación automática: es una categoría jurídica que exige prueba y análisis caso por caso.

Qué hace hoy la IA en un proceso de selección argentino. El uso de IA en selección alcanza al 46% de los especialistas de RRHH en Argentina, y trepa al 66% en las grandes empresas. Las aplicaciones más frecuentes son la redacción de ofertas de empleo, el filtrado y scoring de currículums, los chatbots de primera interacción y, en procesos más sofisticados, el análisis de video-entrevistas. El problema no está en que estas herramientas existan — está en el problema de la "caja negra": modelos que entregan un resultado sin ofrecer una explicación clara sobre cómo llegaron a esa conclusión. Cuando nadie en la organización puede explicar por qué el sistema descartó a un candidato, tampoco puede detectar si ese descarte respondió a un criterio legítimo o a un sesgo heredado de los datos de entrenamiento.

A diferencia de la liquidación de sueldos, donde el error se puede reconstruir con una norma y una fórmula, en selección con IA muchas veces ni siquiera existe ese camino de vuelta: el modelo no explica sus razones de forma comprensible para un humano. Por eso acá la habilidad que importa no es solo "saber dónde buscar el error" — es exigir, desde el diseño del proceso, que el sistema sea auditable antes de ponerlo a decidir sobre personas.

Caso: la candidata que el sistema descartó por una palabra. Un ATS con scoring automático recibe 180 postulaciones para un puesto de analista contable semipleno y entrega un ranking: los primeros veinte pasan a revisión humana, el resto queda fuera sin que nadie lo lea. Entre los descartados hay una candidata con siete años de experiencia contable, que describió sus tareas como "gestión integral de la cuenta corriente y conciliaciones bancarias" en lugar del término exacto que buscaba el algoritmo. El sistema, entrenado para buscar coincidencias de palabras clave, le asignó un score bajo aunque sus tareas incluían, de hecho, ese trabajo bajo otro nombre. Cuando un sistema pondera fuertemente la coincidencia literal de palabras, castiga sistemáticamente a quienes describen su experiencia con un vocabulario distinto al esperado — y tiende a favorecer a quienes ya conocen el código del sistema. Revisar manualmente el grupo de currículums con score medio-bajo permitió recuperar a esta candidata, que finalmente fue contratada.

Caso: el aviso que el algoritmo hizo más angosto. Una empresa de tecnología redacta un aviso para un puesto de soporte técnico: "buscamos un ninja del soporte, con mentalidad rockstar y energía joven y dinámica". La plataforma usa IA para optimizar el alcance del aviso, mostrándoselo a los perfiles "más afines" según el historial de clics. El lenguaje ya trae un sesgo antes de que cualquier algoritmo entre en juego: términos como "energía joven" y "rockstar" suelen desalentar a postulantes de mayor edad o con estilos más formales, aunque tengan la experiencia necesaria. El sistema no corrige ese sesgo: lo aprende y lo amplifica, mostrando el aviso a quienes son estadísticamente parecidos a quienes ya reaccionaron a avisos con ese tono. Nadie tomó la decisión explícita de excluir a un grupo — fue el lenguaje, combinado con un sistema que optimiza por similitud, el que produjo ese efecto. La corrección más eficaz, en este caso, no ocurre al final del proceso: ocurre en la primera línea que se escribe.

Por qué esta habilidad blinda tu empleabilidad. Nadie te va a contratar por saber operar un ATS — eso lo espera cualquier empleador como piso mínimo. Lo que te distingue es poder mirar el proceso de selección con ojo crítico —¿este sistema está midiendo lo que dice medir, o está reproduciendo un patrón que nadie cuestionó?— y tener el marco normativo para sostener esa mirada, no solo la intuición. Un dato de PwC Argentina lo confirma desde otro ángulo: en los roles junior más expuestos a la IA, hoy se piden siete veces más las competencias que antes se asociaban a perfiles senior —liderazgo, toma de decisiones estratégicas, criterio propio—. El mercado ya está pidiendo, incluso en la entrada, la habilidad de auditar y no solo de ejecutar.