Cada sistema de seguimiento de solicitudes utiliza alguna forma de IA para clasificar currículos. Las arquitecturas se dividen en dos categorías: coincidencia basada en palabras clave, utilizada por casi todas las plataformas heredadas, y clasificación basada en resultados, utilizada por CurriculoATS. La diferencia no es marketing. Es una diferencia estructural en cómo el modelo lee un currículum, y produce listas cortas fundamentalmente diferentes para el mismo conjunto de candidatos.
Esta es una comparación técnica escrita para un fundador de startup que quiere entender qué está sucediendo realmente bajo el capó cuando compran software ATS, y por qué las dos arquitecturas no pueden suavizarse con una mejor UX o un modelo más ingenioso sobre la misma entrada.
Cómo funciona la coincidencia basada en palabras clave
La coincidencia basada en palabras clave extrae tokens de la descripción del trabajo (Python, AWS, Kubernetes, Django, Postgres) y escanea el currículum en busca de los mismos tokens. Cada token encontrado cuenta para una puntuación de coincidencia. La implementación básica se ve más o menos así: job_tokens = extract_keywords(job_description); resume_tokens = extract_keywords(resume_text); overlap = intersection(job_tokens, resume_tokens); score = len(overlap) / len(job_tokens). Versiones más sofisticadas utilizan ponderación TF-IDF (términos raros cuentan más que los comunes) o incrustaciones de oraciones (currículos cuyo vector está cerca del vector JD tienen una clasificación más alta, capturando sinónimos como "dirigió" en lugar de "manejé"). Las tres variantes comparten la misma propiedad subyacente: son funciones de coincidencia de texto deterministas, y el currículum es la entrada. Los candidatos conscientes de las tácticas de relleno de palabras clave pueden producir resultados que el modelo favorece de manera confiable.
Las tres vulnerabilidades estructurales de la coincidencia basada en palabras clave
1. Envenenamiento de currículums adversariales
Cualquier algoritmo de coincidencia de texto determinista puede ser manipulado por candidatos que conocen las reglas. Si el modelo recompensa la presencia de palabras clave específicas, los candidatos inyectan esas palabras clave en texto blanco oculto al final del currículum, en puntos con viñetas repetidos, o en secciones de habilidades falsas. Los sistemas basados en palabras clave son estructuralmente vulnerables a esto; el modelo no tiene concepto de si la palabra clave está ahí porque el candidato hizo el trabajo o porque descifró el filtro. Incluso los modelos de similitud semántica son vulnerables, solo que a un ataque ligeramente diferente: copiar y pegar el JD en el resumen del currículum y la distancia coseno se colapsa a cerca de cero.
2. Falsos positivos en candidatos débiles
Un candidato cuyo currículum menciona "Python" cuatro veces supera a un candidato cuyo currículum describe el envío de un sistema real de detección de fraudes en tiempo real. El modelo recompensa la densidad de tokens, no la profundidad. El reclutador ve el falso positivo en la parte superior de la clasificación y lo avanza; el candidato fuerte se queda en la posición 47 y nunca es leído. La exploración de currículums de siete segundos documentada por la investigación significa que los reclutadores no tienen tiempo para corregir manualmente la clasificación.
3. Falsos negativos en candidatos fuertes
La investigación sobre trabajadores ocultos estimó que 27 millones de estadounidenses calificados son rechazados por la selección automatizada por razones no relacionadas con la capacidad. Un ingeniero senior que escribió "construyó un servicio de transmisión" en lugar de "arquitecturó un canal de datos en tiempo real" desaparece. Un candidato con vocabulario no tradicional, un vacío en el currículum, o un marco industrial diferente es filtrado antes de que cualquier humano los revise.
Cómo funciona la clasificación basada en resultados
La clasificación basada en resultados invierte el mecanismo. En lugar de comparar el texto del currículum con el texto del JD, el modelo extrae logros medibles del currículum en cuatro categorías y los puntúa contra los requisitos de resultados del rol. Las cuatro categorías: ingresos (negocios cerrados, ARR generado, ahorros producidos), equipos (personas gestionadas, organizaciones escaladas), sistemas (construido, enviado, escalado en producción), y problemas (resueltos, complejos, novedosos). El modelo devuelve una puntuación compuesta de 0-100 con un párrafo de razonamiento escrito que nombra los resultados específicos que encontró. El párrafo es la parte que convierte el sistema de una caja negra en una herramienta que un humano puede auditar.
Arquitectónicamente, el modelo está leyendo la viñeta en lugar de la palabra clave. "Enviado un canal de detección de fraudes en tiempo real que procesó 2M eventos/seg" se registra como una señal fuerte de sistemas enviados sin importar si la viñeta utiliza las palabras "transmisión," "canal," "tiempo real," o cualquier marco específico. "Python, Python, Python" se registra como nada, porque no hay resultado detrás de ello. Los dos candidatos producen clasificaciones invertidas en comparación con un modelo basado en palabras clave, y la inversión es el punto entero.
Por qué la clasificación basada en resultados es más difícil de manipular
La robustez adversarial es la forma más clara de comparar las dos arquitecturas. Un modelo basado en palabras clave puede ser engañado por cualquier candidato que pegue tokens en un currículum; el modelo no tiene defensa, porque la entrada que lee es la entrada que el candidato controla. Un modelo basado en resultados solo puede ser engañado por un candidato que fabrica logros, lo cual es un ataque categóricamente más difícil. Inventar números de ingresos ficticios o sistemas enviados falsos es fraude. Rellenar palabras clave no lo es. El salto en el costo de ataque es lo que hace que el modelo basado en resultados sea resistente.
Este es el mismo principio que los sistemas de recomendación de Amazon utilizaron hace una década para protegerse contra la manipulación de listados por parte de los vendedores. Los vendedores pueden escribir lo que quieran en el título del producto; no pueden fabricar datos de compra, tasas de devolución, o patrones de revisión verificados. El clasificador lee la señal más difícil de fabricar. Antes de CurriculoATS, nuestro fundador Dev pasó años en Amazon trabajando en búsqueda y recomendaciones, y el principio se trasladó casi intacto: clasificar en señales que la entrada no puede fabricar de manera barata.
Cómo las dos arquitecturas manejan la conformidad de manera diferente
La IA de contratación moderna se encuentra dentro de dos regímenes regulatorios que son relevantes para cualquier startup que contrate en NYC o la UE. La Ley Local 144 de NYC requiere auditorías de sesgo y notificación a los candidatos para herramientas de decisión de empleo automatizadas utilizadas en NYC, con auditorías de terceros anuales y reportes de resumen público. La Ley de IA de la UE clasifica la IA de contratación como de alto riesgo bajo el Anexo III, con obligaciones exigibles a partir de agosto de 2026, incluyendo evaluaciones de riesgo obligatorias, documentación técnica, pruebas de sesgo y requisitos de supervisión humana.
Ambos regímenes favorecen modelos con razonamiento documentado y explicable. Un ATS basado en resultados que produce un párrafo escrito por candidato satisface los requisitos de documentación y auditoría de manera mucho más limpia que un modelo basado en palabras clave en caja negra que devuelve un número sin explicación. La diferencia de costo de cumplimiento entre las dos arquitecturas es real: un proveedor basado en resultados puede producir los artefactos de auditoría directamente de la salida del modelo, mientras que un proveedor basado en palabras clave tiene que adaptar explicaciones o aceptar un riesgo continuo. Esta no es la razón de marketing por la que CurriculoATS utiliza la arquitectura basada en resultados, pero es una de las razones por las que la elección de arquitectura envejece bien.
Lo que esto significa para un fundador que elige un ATS
La diferencia arquitectónica se muestra en la lista corta. Ejecuta los mismos cien currículums a través de un ATS basado en palabras clave y un ATS basado en resultados y compara los diez candidatos mejor clasificados de cada uno. Las dos listas se superpondrán en tal vez un 30-50%; el resto serán personas diferentes. La lista de palabras clave incluirá candidatos que optimizaron sus currículums para el filtro. La lista de resultados incluirá candidatos que realmente enviaron trabajo relevante. El reclutador o fundador lee una de esas dos listas.
Los precios reflejan la posicionamiento en lugar de la brecha de capacidad. Workable comienza en $149/mes y se escala según el rango de empleados. Greenhouse cuesta aproximadamente de $50 a $150 por asiento al mes según los informes de compradores, con contratos medianos alrededor de $12,250/año. CurriculoATS Pro cuesta $100/mes (actualmente $50/mes por tiempo limitado) con miembros del equipo ilimitados. La diferencia de precio es aproximadamente un orden de magnitud en la categoría de startup relevante, y la arquitectura de selección es estructuralmente diferente.
Qué hacer a continuación
Si estás evaluando opciones de ATS en este momento, la elección arquitectónica es la variable más importante, y es la que más demostraciones cubren. Lee la página de puntuación de impacto para entender el mecanismo técnico, luego consulta la página de comparación para ver cómo CurriculoATS se compara con Greenhouse, Lever, Workable, Ashby y Manatal en la capa de selección específicamente. El nivel Starter es gratuito y es suficiente para verificar la diferencia arquitectónica en un rol real.