La mayoría de los sistemas de seguimiento de solicitudes leen los currículos de la misma manera que los filtros de spam leen los correos electrónicos. Escanea tokens, cuenta con qué frecuencia aparecen esos tokens y clasifica a los candidatos por densidad. Escribe "dirigir" en lugar de "gestionar" y el modelo lo deprioriza. Utiliza un sinónimo que el JD no especificó y caes en la lista. El reclutador nunca ve el currículum.
La contratación basada en resultados elimina ese modelo. En lugar de contar tokens, el AI lee lo que el candidato realmente hizo. Los ingresos que generó. Los equipos que escaló. Los sistemas que envió. Los problemas que resolvió. Luego, clasifica contra los requisitos reales del puesto. Este ensayo explica cómo funciona, por qué produce listas de candidatos fundamentalmente diferentes y por qué la mayoría de los sistemas de contratación ATS heredados aún no pueden hacerlo.
Qué significa realmente la contratación basada en resultados
La contratación basada en resultados es un modelo de selección que clasifica a los candidatos según logros medibles en lugar de superposición de palabras clave con una descripción de trabajo. El modelo extrae cuatro categorías de señales de cada currículum: ingresos (acuerdos cerrados, ARR generados, ahorros producidos), equipos (personas gestionadas, organizaciones construidas o escaladas), sistemas (construidos, enviados, escalados, propiedad en producción), y problemas (resueltos, complejos, novedosos).
Puntúa a cada candidato contra los requisitos de resultados del JD y produce una puntuación compuesta de 0 a 100 más un párrafo de razonamiento escrito que explica qué encontró el modelo y por qué clasificó al candidato donde lo hizo. El párrafo de razonamiento es la parte que convierte el sistema en algo que un fundador puede utilizar realmente, porque permite a un ser humano leer, estar de acuerdo o anular.
El trabajo resumido en La forma del talento en 2023 y 2024 muestra que la adopción de la contratación basada en habilidades aumenta desde el 40% en 2020 hasta aproximadamente el 60% en 2024, y la selección basada en resultados es el mecanismo técnico que hace que la contratación basada en habilidades sea real en lugar de aspiracional.
Los tres problemas estructurales con la coincidencia de palabras clave
Las plataformas basadas en palabras clave ATS han sido el estándar durante quince años. Perduran porque eran baratas de construir y fáciles de demostrar, no porque funcionaran bien. En la práctica, fallan de tres maneras específicas.
1. Recompensan la intoxicación del currículum.
Cualquier candidato que haya solicitado más de cinco trabajos ha aprendido los patrones: volcados de palabras clave ocultas en la parte inferior del currículum, puntos de bala repetidos, secciones de habilidades falsas con todas las variaciones de cada tecnología. Jobscan documenta lo prevalente que es esto. El patrón funciona en todos los filtros basados en palabras clave, incluidos los semánticos que utilizan incrustaciones de oraciones, porque el modelo subyacente sigue leyendo tokens.
2. Recompensan el ruido sobre la señal.
Un currículum que dice "Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres" supera a un currículum que dice "envió una tubería de detección de fraude en tiempo real que procesó 2M eventos por segundo." El modelo de palabras clave recompensa la densidad de tokens, no el trabajo detrás de él. El candidato que hizo menos y lo describió de manera más estratégica gana.
3. Rechazan a candidatos excelentes por la elección de palabras.
Un ingeniero senior que escribió "construyó un servicio de transmisión" en lugar de "diseñó una tubería de datos en tiempo real" desaparece del rango. El proyecto de la Escuela de Negocios de Harvard sobre trabajadores ocultos estimó que 27 millones de estadounidenses cualificados son filtrados por la selección automatizada por razones no relacionadas con la capacidad. La mayoría de esos rechazos son vocabulario-basados, no habilidades-basados.
¿Cuál es el resultado de la evaluación basada en resultados de AI que realmente evalúa
Curriculo ATS lee un currículum de la manera en que lo haría un ingeniero senior o un operador, no de la manera en que lo haría una expresión regular. El modelo extrae cuatro categorías de resultados medibles y los evalúa en función de la JD.
Ingresos.
Acuerdos cerrados, ARR generados, costos reducidos, transacciones procesadas, ahorros producidos. El modelo reconoce tanto números de línea superior ("cerró $2,4 millones en nuevos ARR") como números operativos ("redujo el gasto en infraestructura en un 38%"). Un candidato sin señal de ingresos no es penalizado por ello; el rol solo tiene que solicitarlo.
Equipos.
Personas gestionadas, organizaciones construidas, contrataciones realizadas, líderes desarrollados. El modelo distingue entre "lideró un equipo de tres" y "escaló una organización de 8 a 45 ingenieros en dos zonas horarias", porque el segundo describe un desafío operativo categoricamente diferente.
Sistemas.
Construidos, lanzados, propiedad, escalados en producción. El modelo lee los verbos y el alcance. "Lanzó un sistema de relevancia de búsqueda que procesa 4.000 millones de consultas/día" es una señal de salida diferente a "contribuyó al sistema de relevancia de búsqueda", y un modelo basado en resultados detecta la diferencia. Un modelo de palabras clave trata a ambos como la palabra "búsqueda".
Problemas.
Resueltos, complejos, novedosos, ambiguos. El currículum del candidato describe problemas difíciles que se resolvieron de principio a fin. "Diagnosticó y resolvió una fuga de memoria que no se había resuelto en seis meses" es una señal de problemas resueltos más fuerte que "trabajó en correcciones de errores", aunque ambos podrían mencionar las mismas tecnologías.
La puntuación compuesta de 0 a 100 combina estas señales con la relevancia de la experiencia, la trayectoria de la carrera y la alineación de habilidades. El párrafo de razonamiento escrito nombra los resultados específicos que encontró el modelo, lo que significa que los fundadores pueden leerlo y decidir si confiar en la clasificación.
Por qué lo construimos de esta manera
Antes Curriculo ATS, nuestro fundador Dev pasó años en Amazon trabajando en sistemas de búsqueda y recomendación. Hay un solo principio de ese trabajo que impulsó el diseño: clasificar según señales que la entrada no puede fabricar directamente. Los vendedores pueden escribir lo que quieran en los títulos de los productos, pero no pueden fabricar datos de compra. Los revisores pueden dejar reseñas falsas, pero los patrones de reseñas verificadas son más difíciles de falsificar a gran escala. El clasificador lee la señal que es más difícil de falsificar.
El proceso de contratación es similar. Los candidatos pueden escribir las palabras clave que quieran; eso es esencialmente gratuito. No pueden fabricar resultados medibles sin cometer fraude, lo que es un obstáculo mucho mayor que reescribir un punto de una lista. Por lo tanto, un clasificador basado en resultados es estructuralmente más difícil de manipular, estructuralmente más justo para los candidatos honestos y estructuralmente alineado con lo que el fundador realmente quiere saber: ¿hizo esta persona un trabajo que se asemeja a lo que necesitamos hacer?
La situación regulatoria apunta en la misma dirección. NYC La Ley Local 144 y la EU AI Acta ambos favorecen los sistemas con razonamiento documentado. Un modelo que produce una explicación escrita por candidato es mucho más fácil de auditar y divulgar que un filtro de palabras clave de caja negra.
Donde se rompe la contratación basada en resultados (y cómo solucionarlo)
La contratación basada en resultados es estructuralmente más fuerte que la coincidencia de palabras clave, pero no es mágica y vale la pena ser honesto sobre los casos en los que no funciona bien. Tres patrones se destacan en los datos. Primero, los candidatos junior y los graduados recientes a menudo tienen resultados legítimos que aún no se han cuantificado, porque sus primeros trabajos no les expusieron a métricas de ingresos o escala. El modelo maneja esto leyendo señales de tipo cualitativo ("dirigió el rediseño del flujo de incorporación que el equipo sigue utilizando") pero la gama de puntuaciones se comprime para este grupo, lo que puede aplanar el ranking. La solución es ponderar los resultados cuantificados con menor prioridad para los puestos de nivel inicial en la configuración JD. Segundo, los candidatos de ventas con números de cuota inflados pueden manipular la puntuación basada en resultados al igual que manipulan la puntuación de palabras clave, inventando o redondeando cifras de ingresos. El modelo trata los números redondos sin períodos de tiempo o comparaciones con pares como señales de baja confianza, pero un candidato lo suficientemente decidido aún puede producir resultados inflados. Las verificaciones de referencias siguen siendo la solución estructural, no la capa de selección. Tercero, los puestos técnicos profundos donde los resultados no son públicos (trabajo de infraestructura propiedad, proyectos clasificados) pueden quedar subestimados porque el candidato no puede describir con detalle lo que envió. La solución es que el fundador escriba el JD con el nivel adecuado de abstracción, solicitando señales de sistemas enviados a un nivel que el candidato pueda describir bajo NDA. Nombrar estas limitaciones es importante porque la clasificación basada en resultados es una herramienta, no un veredicto, y los fundadores que tratan la puntuación como la decisión en lugar de la triage producen contrataciones peores que los fundadores que tratan la puntuación como el comienzo de la revisión.
Cómo un fundador aplica esta
La contratación basada en resultados requiere que el JD se escriba en resultados, no en tareas. "Responsable de poseer el pipeline de datos" es una tarea. "En los primeros seis meses, esta persona entregará un pipeline de transmisión que maneje 100K eventos/segundo con latencia inferior a un segundo" es un resultado. El modelo puede coincidir con el segundo; no puede hacer nada útil con el primero.
- Reescribir el JD como resultados. Dos o tres oraciones que describen lo que la persona entregará en sus primeros seis meses. Este es el documento que utiliza el modelo de selección.
- Ejecutar el rol a través de la selección basada en resultados. Comparar los diez candidatos mejor clasificados con los diez que habrías seleccionado manualmente. Medir la superposición.
- Leer los párrafos de razonamiento. El párrafo te dice qué resultados encontró el modelo. Si encontró cosas que tú no, el modelo está agregando señales. Si no encontró nada significativo, el JD probablemente necesita más resultados.
- Utilizar la puntuación como una herramienta de triaje, no como una decisión. Entrevistar a los 8-12 mejores, debriefar, decidir. El modelo te lleva a la lista corta correcta. La decisión todavía pertenece al ser humano.
Qué hacer a continuación
Si deseas ver la selección basada en resultados producir una lista corta en un rol real, el nivel gratuito de inicio de Curriculo ATS maneja trabajos activos ilimitados con miembros del equipo ilimitados. Leer la página de características para saber qué se incluye, luego verificar AI ATS para fundadores para el caso de uso específico del fundador. El modelo tarda unos 15 minutos en configurarse en un rol.