Cada fundador con el que hablamos dibuja la misma imagen en una pizarra. Solicitud, selección, entrevista, oferta. Cuatro cajas, una flecha entre cada una. La pizarra nunca miente sobre lo que la gente piensa que es el trabajo. Tampoco muestra dónde se rompe realmente el trabajo. En nueve de cada diez embudos de contratación de startups, el cuello de botella es la selección, y ni siquiera está cerca.
Este ensayo trata sobre por qué la selección es la única etapa que controla los resultados, por qué el sistema de seguimiento de solicitantes estándar optimiza todo excepto la selección, y qué cambiar para que un equipo de cinco personas pueda operar un embudo de contratación que supere a una empresa de la Serie C con un jefe de talento.
El embudo de contratación no son cuatro cajas iguales
El embudo de contratación se ve simétrico en la pizarra. No es simétrico en la práctica. Una etapa decide casi cada métrica posterior: la selección. Quien permitas pasar la selección es el grupo que entrevistas. Quien entrevistas es el grupo al que le haces una oferta. Quien ofreces es quien se une. Si la selección es mala, estás realizando costosos bucles de entrevistas con candidatos que nunca iban a ser contratados. Según el Informe de Comparación de Contratación de SHRM 2025, el tiempo promedio para cubrir un puesto en EE. UU. es de alrededor de 44 días, y la mayor parte de eso es el tiempo de selección y preselección, no el tiempo de oferta o integración. Lo único de mayor impacto que una startup puede hacer para acelerar la contratación es arreglar la capa de selección, no comprar un programador más rápido o una página de carrera más brillante.
La razón por la que la mayoría de los equipos no se dan cuenta de esto es que la selección parece aburrida. Las herramientas de calendario y la automatización de ofertas parecen un producto. La selección parece leer. Así que las herramientas se centran en las partes que son fáciles de demostrar, y la parte que decide los resultados se deja como trabajo manual para quien tenga el estatus más bajo en la sala esa semana.
Por qué la mayoría de los ATS optimizan la capa incorrecta
La mayoría de los sistemas de seguimiento de solicitantes se construyeron entre 2008 y 2016 para equipos de RRHH empresariales cuyo problema no era la calidad de la selección. Era visibilidad del flujo de trabajo. Una empresa de 5,000 personas con veinte reclutadores necesita un rastro de auditoría, etapas estructuradas, informes de EEO y una única fuente de verdad para cada solicitante. Así que el ATS heredado se optimizó para esas cosas, y la selección se manejó con un filtro de palabras clave booleanas añadidas. Ese filtro es la capa donde casi todos los embudos de contratación de startups realmente gotean.
Greenhouse, Lever, Workable y Ashby son buenos productos para lo que fueron diseñados. Son administradores de pipeline. El precio lo refleja. Workable comienza en $149/mes para equipos de menos de 20 empleados y escala con la cantidad de personal, no con la cantidad de contrataciones. Greenhouse, según datos reportados por los compradores en PriceLevel, cuesta aproximadamente entre $50 y $150 por asiento al mes más tarifas de implementación de cuatro cifras. Estás pagando por un producto de flujo de trabajo cuyo diferenciador no es la calidad de la selección. Luego, además de ese precio, aún necesitas leer cada curriculo tú mismo.
El proyecto de la Escuela de Negocios de Harvard sobre la Gestión del Futuro del Trabajo tiene un nombre para lo que esto produce: trabajadores ocultos. El estudio de Joseph Fuller de 2021 estimó que 27 millones de estadounidenses calificados son filtrados por la selección automática basada en palabras clave por razones no relacionadas con si podrían hacer el trabajo. Ese es el costo de optimizar la capa incorrecta.
Lo que aprendimos en Amazon sobre sistemas de clasificación
Antes de Curriculo ATS, nuestro fundador Dev pasó años en Amazon trabajando en búsqueda y recomendaciones. La lección de esos sistemas se aplica casi directamente a la contratación. Cuando la entrada es desordenada y el usuario está ocupado, lo único que importa es la función de clasificación. Si los diez primeros resultados son buenos, el usuario está feliz y la conversión es alta. Si los diez primeros son incorrectos, ninguna cantidad de pulido en la interfaz de usuario salva la experiencia. Puedes tener los filtros facetados más limpios en el comercio electrónico minorista y aún perder porque el clasificador es malo.
La contratación tiene la misma forma. El reclutador o fundador mirará los diez o quince currículos principales para un puesto. Los otros 200 podrían no existir. Así que la única pregunta que importa es si los candidatos correctos están en esos diez primeros. Cada otra característica, las plantillas de correo electrónico, las integraciones de Slack, los PDFs de cartas de oferta, se sientan debajo de esa única decisión. Si el clasificador se basa en palabras clave, los diez primeros serán quienes escribieron el curriculo de manera más estratégica. Si el clasificador lee por resultados (ingresos, equipos, sistemas enviados, problemas resueltos), los diez primeros serán quienes hicieron el trabajo más relevante.
Por eso construimos Curriculo ATS en torno a una evaluación multi-senal que produce una puntuación compuesta de 0 a 100 con un párrafo escrito que explica el razonamiento para cada candidato. El párrafo es la parte que les importa a los fundadores. Te permite confiar en el clasificador sin confiar en él ciegamente. Lee más sobre cómo funciona la puntuación en nuestra página de Puntuación de Impacto.
Las métricas que cada fundador debería rastrear en el embudo
La mayoría de los fundadores de startups rastrean el tiempo para cubrir un puesto y se detienen ahí. El tiempo para cubrir un puesto es un indicador rezagado que te dice que el embudo fue malo hace tres semanas. Los indicadores adelantados que realmente predicen la salud del embudo son más fáciles de instrumentar y rara vez se miden. Rastrea cuatro: la proporción de solicitantes a primera ronda (menos del 5% significa que la selección está desechando señales, más del 12% significa que la selección es demasiado laxa), conversión de primera ronda a segunda ronda (menos del 30% significa que la lista corta tiene a las personas equivocadas), tiempo de revisión del párrafo de razonamiento por candidato (más de 90 segundos significa que el modelo no está agregando apalancamiento), y solapamiento de lista corta entre IA y humano (menos del 60% significa que la IA o el humano están equivocados, y el fundador necesita depurar cuál). La investigación de McKinsey resumida en La forma del talento en 2023 y 2024 muestra que la adopción de contratación basada en habilidades sube del 40% en 2020 al 60% en 2024, y la señal operativa que separa a los equipos que lo hacen bien de los que lo hacen nominalmente es la segunda métrica: conversión de primera ronda a segunda ronda. Los equipos que ejecutan selección basada en resultados tienden a aterrizar entre 40-55%; los equipos que ejecutan selección basada en palabras clave tienden a aterrizar entre 18-28%. La brecha es el modelo, no los reclutadores. Revisar estos cuatro números semanalmente captura fugas del embudo lo suficientemente rápido como para arreglarlas en el mismo ciclo de contratación, en lugar de esperar a que el tiempo para cubrir un puesto suene una alarma un mes después de que se haya hecho el daño.
Cómo un fundador de startup soluciona la selección esta semana
Si eres un fundador que está contratando sin un reclutador y tu embudo tiene fugas, los cambios que marcan la diferencia son más pequeños de lo que piensas.
- Deja de clasificar por densidad de palabras clave. Si tu ATS actual está ordenando por coincidencia de tokens, cada candidato que ha solicitado más de cinco trabajos lo ha manipulado. Cambia a un sistema que clasifique por resultados (ingresos generados, equipos liderados, sistemas entregados) o lee cada currículum manualmente. No hay un punto intermedio que funcione.
- Escribe la descripción del trabajo como resultados, no como deberes. Reemplaza “responsable de X” por “en los primeros seis meses, esta persona enviará Y.” Ese documento es contra el que tu selección debe compararse. La coincidencia de resultados a resultados es aproximadamente un orden de magnitud más útil que la coincidencia de deberes a palabras clave.
- Limita la lista corta a doce. Doce es lo suficientemente pequeño como para que puedas leer cada párrafo de razonamiento en una sola sesión. Pasado el número doce, la atención disminuye y las decisiones se vuelven aleatorias.
- Mantén visible una barra de rechazo. Anota las dos cosas específicas que descalifican a un candidato. “Sin experiencia en ML de producción” o “sin historia de fundador/0-1”. Si no puedes escribir dos cosas, aún no conoces el rol.
- Revisa el embudo semanalmente, no trimestralmente. El tiempo para llenar un puesto a un ritmo de startup son días, no semanas. Una revisión mensual es demasiado lenta para detectar una fuga.
Nada de esto es novedoso. Lo novedoso es que casi ningún equipo está haciendo realmente las cinco cosas a la vez.