La estadística ampliamente citada de que “el 75% de los currículums nunca llegan a un ser humano” proviene de una presentación de ventas de 2012 de una empresa que ya no existe. El número no tiene una metodología publicada. Sin embargo, el problema subyacente que el número intentaba describir es real: la mayoría de los currículums se filtran antes de que un ser humano los lea, y el filtrado es lo suficientemente mecánico como para que los buenos candidatos sean descartados por las razones equivocadas. Los fundadores que están construyendo un proceso de contratación necesitan entender el mecanismo, no solo discutir sobre el porcentaje.
¿Qué sucede realmente con un currículum cuando llega a un ATS
Un currículum presentado a través de un sistema de seguimiento de solicitudes pasa por tres etapas antes de que lo vea un ser humano: análisis, coincidencia y clasificación. Cada etapa puede fallar de maneras que no tienen nada que ver con la aptitud real del candidato. El análisis de la contratación algorítmica de la Harvard Business Review estima que la proporción de currículums filtrados antes de la revisión humana es de aproximadamente el 72% para los sistemas impulsados por palabras clave. Investigaciones independientes más recientes cuestionan la afirmación popular de que el “75% es rechazado” — un estudio de 2025 de 25 reclutadores en diversas industrias encontró que solo el 8% habilita el rechazo automático de contenido; el resto confía en la revisión humana guiada por criterios de exclusión y puntuaciones opcionales. La lectura honesta: la mayoría de los currículums no son rechazados automáticamente por algoritmos silenciosos, pero la mayoría se filtran por una combinación de fallos de análisis, coincidencias débiles de palabras clave y sistemas de clasificación que entierran a los candidatos calificados por debajo de los más ruidosos. El resultado para el candidato es el mismo — silencio. El mecanismo es importante porque la solución difiere en cada etapa.
Etapa 1: Análisis — donde la presentación mata a los buenos candidatos
El análisis es el acto de convertir un documento de currículum en datos estructurados que el sistema puede buscar y clasificar. El analizador extrae la información de contacto, la experiencia laboral, la educación, las habilidades y la estructura de secciones. Falla de maneras predecibles:
- Diseños de varias columnas. El analizador lee de arriba a abajo, de izquierda a derecha. Un currículum de dos columnas con encabezados de barra lateral se serializa en sinsentido.
- Texto dentro de imágenes. Los analizados no OCR por defecto. Un nombre o sección de habilidades guardada como gráfica es invisible.
- Cajas de texto y tablas incrustadas. Los modelos estándar de Word/Pages utilizan estos para el diseño visual. Rompen la extracción.
- Encabezados, pies de página y barras laterales. La información de contacto estacionada en un encabezado a menudo es ignorada por el analizador, lo que significa que el correo electrónico del candidato nunca llega al sistema.
- Caracteres especiales y fuentes inusuales. Los símbolos personalizados y las fuentes decorativas se descomponen.
Un análisis independiente de 1.000 currículums rechazados por EDLIGO encontró que el 43% de los rechazos se debieron a errores de formato, análisis o fallos de filtro arbitrarios, en lugar de brechas de calificación. Esa es la tasa de error no forzada. Un candidato que corrige el formato antes de aplicar mejora sus posibilidades sin cambiar sus calificaciones.
Etapa 2: Coincidencia — donde las diferencias de vocabulario se convierten en exclusiones
Una vez que el analizador tiene datos estructurados, el sistema los compara con la descripción del trabajo. La mayoría de los sistemas heredados utilizan alguna combinación de:
Coindicencia de palabras clave exactas — tokens exactos. Un JD que requiere “Kubernetes” rechaza un currículum que dice “K8s.” Los sistemas más antiguos lo hacen. Los más nuevos agregan diccionarios de sinónimos, pero la cobertura es desigual.
Coindicencia semántica — incrustaciones que asignan conceptos similares a un espacio vectorial cercano. Mejor que la coincidencia exacta, pero aún vulnerable a la deriva de vocabulario en dominios donde los títulos de trabajo y los nombres de herramientas cambian rápidamente.
Puntuación ponderada — habilidades requeridas ponderadas más que las habilidades deseables. Aquí es donde sucede la mayoría de la clasificación: un candidato que falta una palabra clave “requerida” a menudo se clasifica por debajo de un candidato que tiene la palabra clave pero carece de la habilidad subyacente.
El problema de la brecha de palabras clave golpea con más fuerza en el límite entre disciplinas adyacentes. “Construir servicios de backend con arquitectura orientada a eventos” podría no coincidir con “REST API desarrollo” en un sistema que no entiende la equivalencia. “Liderar un equipo de productos de 5 personas” podría no coincidir con “gerente de productos” si el título del candidato era “fundador PM” en su lugar. La deriva de vocabulario se correlaciona con trayectorias profesionales no tradicionales, lo que significa que la coincidencia de palabras clave filtra desproporcionadamente a los candidatos cuyas carreras no fueron lineales — exactamente los candidatos que una pequeña startup a menudo quiere.
Etapa 3: Clasificación — donde la calidad vive o muere
Después de la coincidencia, los candidatos se clasifican. Los reclutadores suelen leer solo el 10-20% superior de la lista clasificada. El mecanismo que decide quién está en ese 10-20% es la decisión más importante en toda la tubería, y es la parte del ATS que los fundadores rara vez auditan.
La clasificación basada en la superposición de palabras clave es rápida y explicable en código, pero es mala para separar la señal real del salado de palabras clave. Un candidato que pegó todas las palabras de la JD en su currículum puede superar a un candidato que realmente realizó el trabajo. La clasificación basada en resultados — lo que construimos en Curriculo ATS Impact Scoring — invierte eso. Cada candidato se evalúa en logros cuantificados, relevancia de la experiencia, trayectoria de carrera y alineación de habilidades, y luego recibe una puntuación compuesta de 0-100 emparejada con un párrafo de razonamiento escrito. El razonamiento escrito es la clave. Un gerente de contratación que lee 30 párrafos de razonamiento en 30 minutos detecta errores del modelo rápidamente y confía en el resto. Un gerente de contratación que lee 200 currículums sin clasificar detecta casi nada y no confía en nada.
La lección se traduce de los sistemas de clasificación que Dev construyó en Amazon: una puntuación de caja negra no puede ganar confianza, y un sistema que no puede ganar confianza no se puede utilizar a gran escala. Es por eso que los fundadores terminan releyendo cada currículum a pesar de pagar por un ATS. El ATS produjo salida, pero no salida que alguien pueda verificar.
Qué aprendimos en Amazon sobre los fallos de clasificación
Antes de fundar Curriculo ATS, nuestro fundador Dev pasó años en el equipo de búsqueda y recomendaciones de Amazon. La lección más generalizable de ese trabajo para el diseño de ATS: cuando un clasificador falla silenciosamente, el usuario culpa al inventario. Los vendedores culpan a Amazon cuando los buenos productos no se clasifican; en la contratación, los reclutadores culpan a la piscina de candidatos cuando los buenos currículums no emergen. En ambos casos, el fallo real está aguas arriba, en el clasificador. La solución que funcionó en Amazon no fue agregar más reglas encima del clasificador roto, sino reconstruirlo alrededor de señales que la entrada no puede fabricar directamente. Datos de compra reales. Tasas de devolución reales. Patrones de revisión verificados. El mismo principio impulsa la contratación basada en resultados: clasificar según señales (ingresos generados, equipos escalados, sistemas enviados, problemas resueltos) que un candidato no puede fabricar sin cometer fraude, en lugar de tokens que cualquier candidato puede rellenar. La segunda lección, que se aplica casi palabra por palabra: un clasificador sin explicabilidad se ve revertido por adversarios. En Amazon, los vendedores aprendieron a manipular títulos de palabras clave en semanas. En la contratación, los candidatos aprendieron a manipular filtros de palabras clave en años, pero la manipulación ahora es generalizada. La única defensa estructural es un clasificador que lea la sustancia y muestre su razonamiento. Los fundadores que tratan la pantalla ATS como un problema de clasificación en lugar de un problema de entrada de datos terminan con listas de candidatos más limpias que los fundadores que tratan la pantalla como software de flujo de trabajo con AI incorporado.
Cómo solucionar cada modo de fallo como fundador
Si está ejecutando la contratación en una startup de 10 a 200 personas, aquí está el libro de jugadas práctico para cerrar cada brecha:
- Audite su análisis. Presente cinco currículums de candidatos bien formateados a través de su propio formulario de solicitud. Ábralos en su ATS después y verifique los campos analizados. Si el 30% tiene datos perdidos o desordenados, su analizador está fallando silenciosamente — y también lo están algunos de sus solicitantes.
- Audite su coincidencia de palabras clave. Tome un currículum fuerte que utilice un vocabulario diferente al de su JD y un currículum débil que copie el JD al pie de la letra. Presente ambos. Si el débil se clasifica más alto, está puntuando el ruido. La mayoría de los sistemas heredados fallan esta prueba.
- Exija razonamiento, no solo puntuaciones. Si su ATS produce un número sin explicación, el equipo volverá a leer a todos, lo que significa que está pagando por una pantalla que no utiliza realmente. El costo promedio por contratación de SHRM de $5,475 incluye un trozo de ese tiempo desperdiciado.
- Registre su abandono de etapa. Mida el porcentaje de solicitudes que se mueven de recibidas a primer contacto de reclutador. Si está por debajo del 60%, su parte superior de la tubería está filtrando, y el filtro suele ser análisis más clasificación de baja confianza.
- Ejecute una prueba de señales de una semana. Mueva una vacante abierta a un selector basado en resultados y compare la lista de candidatos con lo que produjo su sistema actual. La prueba no cuesta nada en el plan de inicio gratuito y le dice en siete días si el cuello de botella es la herramienta o el proceso.
Qué hacer a continuación
El problema de la caja negra es soluble, pero solo mediante herramientas diseñadas alrededor de la explicabilidad desde el primer día. Si desea ver a qué se parece la puntuación basada en resultados con razonamiento escrito en su propia entrada, el plan de inicio gratuito Curriculo ATS maneja trabajos activos ilimitados con miembros del equipo ilimitados — vea características o precios. Para la imagen más amplia sobre algoritmos de contratación y sesgo, el análisis de contratación algorítmica de HBR es la lectura de inicio adecuada.
Ex ingeniero de aprendizaje automático en Amazon (búsqueda y recomendaciones) y Synopsys. Construyó Curriculo ATS para reemplazar la coincidencia de palabras clave en la contratación con una evaluación basada en resultados AI. Exalumno de Penn State. Escribe sobre la contratación AI, la economía ATS y qué realmente predice el desempeño en el trabajo.