Si alguna vez se ha preguntado por qué un candidato claramente cualificado desapareció en su ATS sin una entrevista telefónica, la respuesta es casi siempre en la capa de parsing, no en la capa de puntuación. El candidato tenía un currículum de dos columnas. Su nombre estaba en un encabezado. Sus fechas estaban en cuadros de texto. El sistema recibió el documento, devolvió un parseo limpio del 80% de él y silenciosamente eliminó las partes que no podía leer. El candidato parecía débil en la pantalla porque la pantalla estaba mirando la mitad de un currículum. Esto sucede más de lo que los fundadores se dan cuenta, y es la razón más grande por la que la puntuación ATS se culpa de problemas que en realidad son problemas de parsing.
Qué hace un ATS en realidad, en un párrafo
Un sistema de seguimiento de solicitudes es un software que recopila, parsea, organiza, clasifica y almacena solicitudes de empleo. La mayoría de las plataformas ATS modernas ejecutan una tubería de tres etapas: parsear el documento en datos estructurados, evaluar los datos parseados contra los requisitos del trabajo y clasificar a los candidatos para que un ser humano pueda revisar a los más fuertes primero. La implementación ha evolucionado significativamente desde 2020. Las plataformas ATS anteriores dependían casi por completo de la coincidencia de palabras clave duras, donde una descripción de trabajo que lista "Python" solo coincidiría con currículums que contienen el token literal. Los sistemas actuales, incluidos Curriculo ATS, combinan la coincidencia semántica, la puntuación de multi-señal y el razonamiento de grandes modelos de lenguaje para evaluar el contexto, no solo los tokens.
Por qué la arquitectura es más importante que la marca
Dos ATS plataformas con la misma lista de características pueden producir resultados muy diferentes dependiendo de cómo están diseñadas sus capas de análisis y puntuación. La marca en la caja no predice la calidad de la selección; la arquitectura bajo el capó es lo que importa. Un fundador que evalúe ATS opciones debería preocuparse menos por los logotipos y más por tres preguntas específicas: cómo maneja el analizador los diseños no estándar, qué señalesales evalúa la capa de puntuación y si el sistema expone su razonamiento de una manera que se pueda auditar.
Etapa 1: análisis, donde ocurren la mayoría de los fallos
El motor de análisis extrae datos estructurados del documento de currículum: nombre, información de contacto, entradas de experiencia laboral con fechas y títulos, educación y habilidades. El análisis del sector sugiere que aproximadamente el 30% de todos los ATS rechazos se originan en la etapa de análisis, antes de que se ejecute la puntuación. Los fallos de análisis más comunes son predecibles. Los diseños de varias columnas se linearizan de manera incorrecta, por lo que el tercer punto de una candidata bajo su trabajo actual puede parecer que pertenece al rol anterior. Las cajas de texto se saltan por completo por los analizados más antiguos porque viven fuera de la secuencia de contenido principal del documento. Los encabezados y pies de página, donde muchos diseñadores colocan la información de contacto, a veces se ignoran. Los banners de nombre basados en imágenes son invisibles. Los títulos de sección creativos ("Aventuras" en lugar de "Experiencia") confunden al clasificador. Cada uno de estos resultados en que un candidato parece más débil de lo que realmente es. Curriculo ATS utiliza una tubería de análisis moderna que maneja los diseños estándar de manera robusta, pero, como todos los analizados, lucha con la formación creativa extrema. El consejo que ha permanecido constante durante una década sigue siendo válido: un currículum limpio de una sola columna en secciones estándar se analiza de manera limpia en todos los ATS principales.
Lo que ve el analizador versus lo que ve el ser humano
Un ejercicio útil: copie y pegue su currículum en un editor de texto plano. Lo que ve es aproximadamente lo que ve el parser. Si su información de contacto está ausente, sus fechas están desordenadas o sus descripciones están intercaladas con roles anteriores, eso es lo que la capa de puntuación evaluará. La mayoría de las fallas del parser son visibles inmediatamente en esta etapa.
Fase 2: puntuación, donde ATS plataformas divergen
Una vez que el currículum se ha analizado, el sistema evalúa los datos estructurados en función de los requisitos del puesto. Este es el punto donde ATS plataformas difieren más. Tres enfoques dominan el mercado en 2026. Primero, la coincidencia de palabras clave duras, el enfoque heredado: las palabras clave de la descripción del puesto se buscan literalmente en el texto del currículum y se produce una puntuación de frecuencia. Esto es rápido y explicable, pero frágil. Un candidato que describió su AWS experiencia como "ejecutar servicios de producción en la nube de Amazon" obtiene una puntuación baja contra un puesto que requiere "AWS" porque el token literal está ausente. Segundo, la coincidencia semántica con NLP: el sistema entiende que "AWS" y "Amazon Web Services" y "ejecutar servicios en la nube de Amazon" son equivalentes. Esto captura a más candidatos correctamente, pero todavía puntuación a nivel de palabra clave, solo con un diccionario más grueso. Tercero, puntuación multiseñal con razonamiento: el sistema evalúa el currículum en múltiples dimensiones (logros cuantificados, relevancia de la experiencia, trayectoria profesional, alineación de habilidades) y produce una puntuación compuesta más un párrafo de razonamiento escrito. Curriculo ATS utiliza este tercer enfoque, que llamamos Puntuación de Impacto, porque la evaluación a nivel de palabra clave, incluso con enriquecimiento semántico, pierde la señal más fuerte en un currículum: resultados adjuntos a roles específicos.
¿Cómo Curriculo ATS puntuación a los candidatos de manera diferente?
La puntuación compuesta se calcula a partir de cuatro señales ponderadas hacia los resultados: logros cuantificados (números asociados a los resultados), relevancia de la experiencia (si el candidato ha resuelto problemas similares al puesto vacante), trayectoria profesional (si la responsabilidad aumenta de un puesto a otro) y alineación de habilidades (si las habilidades declaradas coinciden con las pruebas del currículum). La salida es una puntuación de 0 a 100 y un párrafo escrito que explica por qué la puntuación es lo que es, para que un fundador pueda auditar la decisión de puntuación en segundos. Esta es la diferencia entre la "densidad de palabras clave 0.78" y "fuerte ajuste porque el candidato ha tenido tres últimos puestos que han generado un impacto medible en los ingresos en el mismo dominio que el puesto vacante de su empresa."
Etapa 3: clasificación y entrega humana
La tercera etapa es la presentación: ordenar a los candidatos para que un revisor humano lea a los más fuertes primero. Esto es más importante de lo que los fundadores creen. Un proceso de selección que entrega 200 candidatos ordenados por fecha de solicitud obliga al fundador a leer los 200 para encontrar a los 8 mejores. Un proceso de selección que entrega a los mismos 200 candidatos clasificados por puntuación compuesta permite al fundador leer a los 8 mejores y tomar una decisión de triaje confiada en 30 minutos. La clasificación también es donde los sesgos del sistema se vuelven operativamente visibles. La Ley Local 144 requiere auditorías de sesgos para herramientas de decisión automatizada de empleo utilizadas en NYC la contratación, y el Anexo III de la Ley EU AI clasifica el reclutamiento AI como de alto riesgo, lo que requiere documentación, supervisión humana y monitoreo continuo. Las plataformas modernas ATS diseñadas para la puntuación asistida deberían publicar su razonamiento para que las auditorías de sesgos puedan llevarse a cabo de manera significativa y para que los equipos de contratación puedan verificar la salida de clasificación antes de tomar decisiones de entrevista.
¿Cómo se ve el lado de la experiencia del candidato?
El candidato ve un formulario de solicitud, un correo electrónico de confirmación y either una invitación a una entrevista telefónica o un rechazo educado. Detrás de esa superficie sencilla, un analizador, un evaluador y un clasificador han funcionado; el currículum del candidato ha sido comparado con varios cientos de otros; y se ha tomado una decisión estructurada sobre si avanzan. Las plataformas ATS modernas también proporcionan transparencia orientada al candidato: informar a los solicitantes si se utilizaron herramientas automatizadas en su evaluación es ahora legalmente obligatorio en NYC, cada vez más obligatorio en todo EU bajo la Ley AI, y una práctica recomendada en general en otros lugares.
Lo que aprendimos en Amazon sobre sistemas de clasificación
Antes de Curriculo ATS, nuestro fundador Dev trabajó en los sistemas de búsqueda y recomendación de Amazon. La lección que se tradujo más directamente: un sistema de clasificación solo es tan bueno como su bucle de retroalimentación. Las clasificaciones de productos de Amazon mejoran porque cada clic, compra y devolución alimenta la señal de retroalimentación al modelo. La mayoría de las plataformas ATS están diseñadas sin este bucle; se evalúa a un candidato, el candidato es contratado o rechazado, y nada sobre el resultado fluye hacia atrás para recalibrar la puntuación. El resultado es un sistema que se vuelve obsoleto. Curriculo ATS está construido con el bucle cerrado: cuando se registra el rendimiento de 90 días de un candidato contratado, el sistema aprende qué patrones de señales de éxito predijeron en su empresa específica. El modelo de puntuación general es un punto de partida; la calibración específica del equipo es lo que hace que la puntuación sea confiable con el tiempo.
Por qué la puntuación explicable supera a la puntuación de caja negra
Si un sistema te da una puntuación de 0 a 100 sin explicación, no puedes determinar si la puntuación es correcta. Si te da la misma puntuación con un párrafo de razonamiento escrito, puedes auditarlo en segundos. La auditoría detecta los casos en los que el modelo malinterpretó una trayectoria profesional no tradicional o ponderó una palabra clave de manera incorrecta. La explicabilidad es una parte de lo que NYC la Ley Local 144 y la EU AI Act exigen; una auditoría de sesgo independiente es la otra, porque verifica el patrón en todos los candidatos, lo que no puede mostrar un solo párrafo de razonamiento.