Cuando hacía entrevistas técnicas para empresas donde he trabajado, revisaba CVs y veía candidatos con mucha experiencia real que quedaban afuera. No porque no estuvieran calificados, sino porque su CV no gritaba "contrátame" en los primeros tres segundos. El hiring manager le echaba un vistazo al CV, veía algo que no encajaba en su idea mental y seguía de largo. Yo miraba el mismo CV y pensaba: "En realidad esta persona tiene mucho potencial."

El problema no es mala intención; es volumen. Cuando tienes que revisar más de 300 solicitudes, te ves forzado a buscar palabras clave y tomar decisiones al instinto. Las investigaciones muestran que los reclutadores dedican apenas siete segundos por CV (sí, ya escuchaste esa cifra antes porque sigue siendo verdad). En esa ventana tan corta, lo importante se pierde.

Entonces cuando empezamos a armar el sistema de evaluación con IA de Datta, eso fue lo que quise resolver: podíamos construir algo que realmente lea los CVs? No solo que busque palabras clave, sino que entienda de verdad lo que alguien sabe. Resulta que sí se puede. Pero requería resolver tres problemas que la mayoría de wrappers de IA ignoran: hacerlo realmente consistente (misma entrada, misma salida), enseñarle a detectar cuando alguien infla su experiencia, y lograrlo a gran escala sin quemar el presupuesto de APIs.

Por qué DEX es diferente

En el centro de nuestro sistema está DEX (Decision Exchange), que construimos específicamente para resolver el problema de convertir información de candidatos en señales comparables. No solo sirve para contratación externa, también funciona para movilidad interna. El mismo marco de evaluación sirve tanto si estás evaluando a un ingeniero nuevo como si valoras a alguien para un ascenso. El mismo lenguaje en Buenos Aires, Ciudad de México, Nueva York. Eso es lo que significa realmente "motor de decisión": un sistema, un estándar, evaluación consistente donde sea que lo necesites.

Un sistema. Un estándar. Se acabó el "así no evaluamos seniority en mi equipo." DEX hace que tus criterios de evaluación sean consistentes de verdad, no solo en teoría.

Solo tienes 7.4 segundos

Este es el número que persigue a cada candidato: 7.4 segundos. Ese es el tiempo que los reclutadores dedican a la revisión inicial del CV, según el Estudio de Seguimiento Ocular de Ladders de 2018. Siete segundos para ver tu nombre, trabajo actual, tal vez los primeros tres bullets. Y después ya pasaron al siguiente.

Datta toma entre 10 y 30 segundos por CV. Eso no es más lento. Eso es hacer el trabajo de verdad. Lee cada línea, cruza las habilidades técnicas, evalúa qué tan profunda es tu experiencia y genera información estructurada que los equipos de hiring realmente pueden usar.

Esto es lo que significa en la práctica: una búsqueda por palabras clave rechaza a un candidato porque le falta "Kubernetes." Nuestro sistema lee la descripción de su proyecto, "orquesté cargas de trabajo en contenedores en 50 nodos con auto-recuperación y despliegues progresivos," e identifica correctamente experiencia Senior en Infraestructura. Entendió el concepto, no solo la palabra.

Tienes profundidad técnica real pero tu CV no lo grita en las primeras dos líneas? El vistazo humano te pierde. Nuestra IA lee todo: cada proyecto, cada tecnología, cada responsabilidad, y así les da a los ingenieros una oportunidad real.

Cómo aseguramos confiabilidad

Todo el mundo sabe que puedes pegar un CV en un LLM y pedirle un resumen. Pero intenta hacer eso 300.000 veces de forma confiable. Nos dimos cuenta de que los prompts genéricos se desviaban. Un lunes un candidato era 85% compatible; para el miércoles, con exactamente la misma entrada, bajaba a 67%. Es imposible contratar bien sobre bases tan inestables.

Tuvimos que construir nuestro propio marco de evaluación anclado en números concretos:

92% de Precisión: Le dimos a Claude Opus 4.5 una rúbrica: "Contratarías a esta persona para este rol específico?" Comparamos su respuesta con la recomendación de nuestro sistema. Coincidieron el 92% de las veces. Esto significa que 9 de cada 10 recomendaciones son candidatos genuinamente calificados, no la IA inventando habilidades.

94% de Consistencia: Misma entrada, misma salida. Siempre. Compara eso con reclutadores humanos que tienen entre 14% y 56% de confiabilidad inter-evaluador (Harris, 2009; Martinková et al., 2018). Dos reclutadores miran el mismo CV y están en desacuerdo más veces de las que concuerdan. Nuestro sistema no tiene días malos.

91% en Diferenciar Complejidad: Esta es la métrica que rastreamos cada semana. Puede la IA distinguir entre "Usé AWS" (subí un archivo a S3) y "Usé AWS" (diseñé una estrategia de peering de VPC multi-región)? Los CVs están llenos de lenguaje inflado. "Implementé arquitectura de microservicios" puede significar "construí un sistema distribuido" o "agregué un endpoint REST." Llegamos a 91% de precisión para distinguir seniority real de solo palabras clave.

Cómo sabemos que funciona de verdad

No nos calificamos nosotros mismos. Eso sería como corregir tu propia tarea.

En cambio, usamos a Claude Opus 4.5 como juez independiente. 50 casos de prueba en 10 industrias: Fintech, Salud, E-commerce, Gaming, Ciberseguridad. Múltiples niveles de seniority. Datta genera evaluaciones usando nuestro pipeline; Claude Opus las califica sin saber de dónde vienen, usando una rúbrica estructurada.

No le pedimos a Claude que fuera condescendiente. Le pedimos que encontrara nuestros errores: que marcara casos donde nuestra puntuación perdió contexto, le dio demasiado peso a palabras clave o no supo distinguir seniority. Los 50 pasaron. Esos números (92%, 94%, 91%) vienen de esa evaluación independiente, no de nosotros felicitándonos.

Cómo escalamos miles de candidatos sin quemar el presupuesto

El sistema de evaluación funciona genial para CVs individuales. Pero la base de datos de Datta tiene miles de candidatos. Cómo emparejas trabajos con las personas correctas a esa escala sin que los costos exploten?

Construimos un pipeline híbrido:

Paso 1: Extraer datos estructurados de las descripciones de trabajo Paso 2: Filtros SQL por idioma, seniority, habilidades obligatorias Paso 3: Búsqueda de similitud vectorial con pgvector para los mejores 20 candidatos Paso 4: Evaluación final con IA, que devuelve los mejores 10 con scores reales de compatibilidad

El verdadero avance no fue elegir el modelo de IA correcto. Fue construir el pipeline correcto. La mayoría de las empresas tiran dinero al último LLM y listo. Nosotros dedicamos nuestro tiempo a infraestructura aburrida: filtros SQL que eliminan el 90% de candidatos antes de tocar IA, y búsqueda vectorial que maneja similitud sin cargos de API por cada consulta.

Podríamos saltarnos el Paso 4 y bajar costos significativamente? Sí. Pero la similitud vectorial optimiza para lo incorrecto. Encuentra candidatos cuyo CV suena parecido a la descripción del trabajo. La evaluación con IA hace preguntas más difíciles: Los años de experiencia coinciden con lo complejo que dicen que hicieron? Las tecnologías que mencionan tienen sentido juntas? Esta persona realmente resolvió problemas o solo listó herramientas? Esa es la diferencia entre 20 candidatos que tal vez funcionen y 10 que probablemente sí.

Qué cambia esto en la realidad

Los números son abstractos. Esto es lo que cambia en concreto:

Para candidatos: Te leen de verdad. Tu experiencia técnica no se pierde porque el diseño de tu CV no está optimizado para lecturas de 7 segundos. Ese ingeniero backend que escribió "diseñé arquitectura orientada a eventos" en lugar de "usé Kafka"? Lo ven.

Para equipos de hiring: Consistencia real entre evaluaciones. Un hiring manager en Buenos Aires y uno en Ciudad de México ven el mismo análisis. Tus estándares son realmente estándares, no sensaciones que cambian según quién esté revisando ese día.

Para reclutadores: No te estás ahogando en filtrado manual. La IA maneja el análisis técnico profundo; tú te enfocas en fit cultural, comunicación, las cosas humanas que sí requieren criterio.

Esto no va de reemplazar personas. Se trata de asegurarse de que buenos candidatos no se pierdan en el ruido.

Qué todavía estamos arreglando

Siendo honestos con las limitaciones:

El tiempo de generación varía (10-30 segundos según qué tan complejo sea el CV) El parsing de CVs con múltiples columnas todavía le falta ajuste Los límites de caracteres a veces se pasan un poco

Son problemas que conocemos. Estamos iterando.

Por qué esto realmente importa

Que te rechacen está bien. No todos encajan. Pero que te rechacen sin haberte leído se siente diferente. Se siente como si tu experiencia no importara. Como si tus años de trabajo se hubieran reducido a buscar palabras clave. No te evaluaron. Te filtraron.

La IA le devuelve el respeto al proceso. Lee lo que escribiste. Considera lo que construiste. Evalúa tu experiencia real, no solo si usaste las palabras mágicas. Si te rechazan, al menos primero te vieron.

92% de precisión. 94% de consistencia. 91% para diferenciar complejidad. Una base de datos de miles de candidatos que se emparejan con roles según compatibilidad real, no suerte con palabras clave. Eso es lo que construimos, y recién empezamos!