Si alguna vez te has preguntado por qué un candidato claramente calificado desapareció en tu ATS sin una entrevista telefónica, la respuesta casi siempre está en la capa de análisis, 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 análisis limpio del 80% de él y silenciosamente descartó las partes que no pudo leer. El candidato se veía débil en pantalla porque la pantalla estaba viendo la mitad de un currículum. Esto ocurre más de lo que los fundadores se dan cuenta, y es la única razón más grande por la que la puntuación de ATS se culpa por problemas que en realidad son problemas de análisis.
Lo que hace un ATS, en un párrafo
Un sistema de seguimiento de candidatos es un software que recopila, analiza, organiza, clasifica y almacena solicitudes de empleo. La mayoría de las plataformas ATS modernas ejecutan un pipeline de tres etapas: analizar el documento en datos estructurados, evaluar los datos analizados en comparación con los requisitos del trabajo y clasificar a los candidatos para que un humano pueda revisar primero a los más fuertes. La implementación ha evolucionado de manera significativa desde 2020. Las plataformas ATS anteriores dependían casi en su totalidad de una coincidencia estricta de palabras clave, donde una descripción de trabajo que enumeraba "Python" solo coincidiría con currículums que contuvieran el token literal. Los sistemas actuales, incluido CurriculoATS, combinan coincidencia semántica, puntuación de múltiples señales y razonamiento de modelos de lenguaje grande para evaluar el contexto, no solo los tokens.
Por qué la arquitectura importa más que la marca
Dos plataformas ATS con la misma lista de características pueden producir resultados muy diferentes dependiendo de cómo estén diseñadas sus capas de análisis y puntuación. La marca en la caja no predice la calidad de la evaluación; la arquitectura bajo el capó sí. Un fundador que evalúa opciones de ATS debería preocuparse menos por los logotipos y más por tres preguntas específicas: ¿cómo maneja el analizador los diseños no estándar?, ¿qué señales evalúa la capa de puntuación? y ¿el sistema expone su razonamiento de una manera que puedes auditar?
Etapa 1: análisis, donde ocurren la mayoría de las fallas
El motor de análisis extrae datos estructurados del documento del 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 rechazos de ATS se originan en la etapa de análisis, antes de que se ejecute la puntuación. Las fallas de análisis más comunes son predecibles. Los diseños de varias columnas se linealizan incorrectamente, por lo que el tercer punto de viñeta de un candidato bajo su trabajo actual termina apareciendo como si perteneciera al rol anterior. Los cuadros de texto son omitidos por completo por los analizadores más antiguos porque están fuera del flujo de contenido principal del documento. Los encabezados y pies de página, donde muchos diseñadores colocan información de contacto, a veces se ignoran. Las pancartas de nombre basadas en imágenes son invisibles. Los encabezados de sección creativos ("Aventuras" en lugar de "Experiencia") confunden al clasificador. Cada uno de estos resultados hace que un candidato se vea más débil de lo que realmente es. CurriculoATS utiliza un pipeline de análisis moderno que maneja diseños estándar de manera robusta, pero, como todos los analizadores, tiene problemas con formatos creativos extremos. El consejo que ha permanecido constante durante una década sigue vigente: un currículum limpio de una sola columna en secciones estándar se analiza de manera limpia en todas las principales ATS.
Lo que ve el analizador frente a lo que ve el humano
Un ejercicio útil: copia y pega tu currículum en un editor de texto simple. Lo que ves es aproximadamente lo que ve el analizador. Si falta tu información de contacto, tus fechas están desordenadas o tus viñetas están intercaladas con roles anteriores, eso es lo que evaluará la capa de puntuación. La mayoría de las fallas de análisis son visibles inmediatamente en este paso.
Etapa 2: puntuación, donde las plataformas ATS divergen
Una vez que se analiza el currículum, el sistema evalúa los datos estructurados en comparación con los requisitos del trabajo. Aquí es donde más difieren las plataformas ATS. Tres enfoques dominan el mercado en 2026. Primero, coincidencia estricta de palabras clave, el enfoque legado: las palabras clave de la descripción del trabajo se buscan literalmente en el texto del currículum y se produce un puntaje de frecuencia. Esto es rápido y explicable, pero frágil. Un candidato que describió su experiencia en AWS como "ejecutando servicios de producción en la nube de Amazon" obtiene un puntaje bajo contra un trabajo que requiere "AWS" porque falta el token literal. Segundo, coincidencia semántica con PLN: el sistema entiende que "AWS" y "Amazon Web Services" y "ejecutando servicios en la nube de Amazon" son equivalentes. Esto capta más candidatos de manera correcta, pero aún puntúa a nivel de palabras clave, solo que con un diccionario más amplio. Tercero, puntuación de múltiples señales con razonamiento: el sistema evalúa el currículum en múltiples dimensiones (logros cuantificados, relevancia de la experiencia, trayectoria profesional, alineación de habilidades) y produce un puntaje compuesto más un párrafo de razonamiento escrito. CurriculoATS utiliza este tercer enfoque, que llamamos Puntuación de Impacto, porque la evaluación a nivel de palabras clave, incluso con enriquecimiento semántico, pierde la señal más fuerte en un currículum: los resultados adjuntos a roles específicos.
¿Cómo puntúa CurriculoATS a los candidatos de manera diferente?
El puntaje compuesto se calcula a partir de cuatro señales ponderadas hacia los resultados: logros cuantificados (números adjuntos a resultados), relevancia de la experiencia (si el candidato ha resuelto problemas cerca del rol abierto), trayectoria profesional (si la responsabilidad está creciendo de rol en rol) y alineación de habilidades (si las habilidades reclamadas coinciden con la evidencia del currículum). La salida es un puntaje de 0-100 y un párrafo escrito que explica por qué el puntaje es lo que es, para que un fundador pueda auditar la decisión de puntuación en segundos. Esta es la diferencia entre "densidad de palabras clave 0.78" y "ajuste fuerte porque los últimos tres roles del candidato cada uno generó un impacto en los ingresos medible en el mismo dominio que tu rol abierto."
Etapa 3: clasificación y la transferencia humana
La tercera etapa es la presentación: ordenar a los candidatos para que un revisor humano lea primero a los más fuertes. Esto es más importante de lo que los fundadores se dan cuenta. Un pipeline que entrega 200 candidatos ordenados por fecha de solicitud obliga al fundador a leer los 200 para encontrar los 8 mejores. Un pipeline que entrega los mismos 200 candidatos clasificados por puntaje compuesto permite al fundador leer los 8 mejores y tomar una decisión de triaje confiable en 30 minutos. La clasificación también es donde los sesgos del sistema se vuelven operativamente visibles. La Ley Local 144 de NYC requiere auditorías de sesgo para herramientas automatizadas de decisión de empleo utilizadas en la contratación en NYC, y el Anexo III de la Ley de IA de la UE clasifica la IA de reclutamiento como de alto riesgo, requiriendo documentación, supervisión humana y monitoreo continuo. Las plataformas ATS modernas diseñadas para puntuación asistida por IA deberían publicar su razonamiento para que las auditorías de sesgo se puedan realizar 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 una invitación a una entrevista telefónica o un rechazo cortés. Detrás de esa superficie simple, un analizador, un evaluador y un clasificador han funcionado; el currículum del candidato se ha comparado con varios cientos de otros; y se ha tomado una decisión estructurada sobre si avanza. Las plataformas ATS modernas también proporcionan transparencia para el candidato: informar a los solicitantes si se utilizaron herramientas automatizadas en su evaluación ahora es un requisito legal en NYC, cada vez más requerido en toda la UE bajo la Ley de IA, y en general es la mejor práctica en otros lugares.
Lo que aprendimos en Amazon sobre sistemas de clasificación
Antes de CurriculoATS, nuestro fundador Dev trabajó en los sistemas de búsqueda y recomendación de Amazon. La lección que se tradujo más directamente: un sistema de clasificación es tan bueno como su bucle de retroalimentación. Las clasificaciones de productos de Amazon mejoran porque cada clic, compra y devolución envía señales de vuelta al modelo. La mayoría de las plataformas ATS están diseñadas sin este bucle; puntúan a un candidato, el candidato es contratado o rechazado, y nada sobre el resultado fluye de vuelta para recalibrar la puntuación. El resultado es un sistema que se vuelve obsoleto. CurriculoATS se construye con el bucle cerrado: cuando se registra el desempeño de 90 días de un candidato contratado, el sistema aprende qué patrones de señales predijeron el éxito en tu 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 a lo largo del tiempo.
Por qué la puntuación explicable supera a la puntuación de caja negra
Si un sistema te da un puntaje de 0-100 sin explicación, no puedes saber si el puntaje es correcto. Si te da el mismo puntaje con un párrafo de razonamiento escrito, puedes auditarlo en segundos. La auditoría captura los casos en los que el modelo malinterpretó un camino profesional no tradicional o ponderó una palabra clave de la manera incorrecta. La explicabilidad también es lo que hace que el cumplimiento normativo bajo la Ley Local 144 de NYC y la Ley de IA de la UE sea manejable; las auditorías de sesgo en modelos opacos son principalmente superficiales.