La contratación basada en resultados descarta ese modelo. En lugar de contar tokens, la IA lee lo que realmente hizo el candidato. Los ingresos que generaron. Los equipos que escalaron. Los sistemas que enviaron. Los problemas que resolvieron. Luego, clasifica contra los requisitos reales del rol. Este ensayo explica cómo funciona, por qué produce listas de candidatos fundamentalmente diferentes y por qué la mayoría de los ATS heredados aún no pueden hacerlo.
Lo que realmente significa la contratación basada en resultados
La contratación basada en resultados es un modelo de selección que clasifica a los candidatos en función de logros medibles en lugar de coincidencias de palabras clave con una descripción de trabajo. El modelo extrae cuatro categorías de señales de cada currículum: ingresos (negocios cerrados, ARR generado, ahorros producidos), equipos (personas gestionadas, organizaciones construidas o escaladas), sistemas (construidos, enviados, escalados, en producción) y problemas (resueltos, complejos, novedosos).
Califica a cada candidato según los requisitos de resultados de la descripción de trabajo y produce una puntuación compuesta de 0-100 más un párrafo de razonamiento escrito que explica lo que el modelo encontró y por qué clasificó al candidato donde lo hizo. El párrafo de razonamiento es la parte que convierte el sistema en algo que un fundador puede usar realmente, porque permite que un humano lea, esté de acuerdo o anule.
El trabajo de McKinsey resumido en La forma del talento en 2023 y 2024 muestra que la adopción de la contratación basada en habilidades ha aumentado del 40% en 2020 al 60% en 2024, y la selección basada en resultados es el mecanismo técnico que hace que la contratación basada en habilidades sea real en lugar de aspiracional.
Los tres problemas estructurales con la coincidencia de palabras clave
Las plataformas ATS basadas en palabras clave han sido el estándar durante quince años. Se mantuvieron porque eran baratas de construir y fáciles de demostrar, no porque funcionaran bien. En la práctica, fallan de tres maneras específicas.
1. Recompensan el envenenamiento de currículos.
Cualquier candidato que haya postulado a más de cinco trabajos ha aprendido los patrones: vertidos de palabras clave en texto blanco ocultos en la parte inferior del currículum, puntos de viñeta repetidos, secciones de habilidades falsas con todas las variaciones de cada tecnología. Jobscan documenta cuán prevalente es esto. El patrón funciona en cada filtro basado en palabras clave, incluidos los semánticos que utilizan incrustaciones de oraciones, porque el modelo subyacente sigue leyendo tokens.
2. Recompensan el ruido sobre la señal.
Un currículum que dice "Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres" supera a un currículum que dice "envió un sistema de detección de fraude en tiempo real que procesaba 2M eventos por segundo." El modelo de palabras clave recompensa la densidad de tokens, no el trabajo detrás de ello. El candidato que hizo menos y lo describió más estratégicamente gana.
3. Rechazan grandes candidatos por elección de palabras.
Un ingeniero senior que escribió "construyó un servicio de streaming" en lugar de "diseñó una tubería de datos en tiempo real" desaparece del rango. El proyecto de la Escuela de Negocios de Harvard sobre trabajadores ocultos estimó que 27 millones de estadounidenses calificados son filtrados por la selección automatizada por razones no relacionadas con la capacidad. La mayoría de esos rechazos se basan en el vocabulario, no en las habilidades.
Lo que realmente evalúa la IA basada en resultados
CurriculoATS lee un currículum de la misma manera que lo haría un ingeniero senior u operador, no de la manera que lo haría una expresión regular. El modelo extrae cuatro categorías de resultado medible y las califica contra la descripción de trabajo.
Ingresos.
Negocios cerrados, ARR generado, costos reducidos, transacciones procesadas, ahorros producidos. El modelo reconoce tanto números de línea superior ("cerró $2.4M en nuevo ARR") como números operativos ("redujo el gasto en infraestructura en un 38%"). Un candidato sin señal de ingresos no es penalizado por ello; el rol solo tiene que pedirlo.
Equipos.
Personas gestionadas, organizaciones construidas, contrataciones realizadas, líderes desarrollados. El modelo distingue entre "lideró un equipo de tres" y "escaló una organización de 8 a 45 ingenieros en dos zonas horarias", porque el segundo describe un desafío operativo categóricamente diferente.
Sistemas.
Construidos, enviados, propiedad, escalados en producción. El modelo lee los verbos y el alcance. "Envió un sistema de relevancia de búsqueda procesando 4B consultas/día" es una señal diferente de "contribuyó al sistema de relevancia de búsqueda," y un modelo basado en resultados capta la diferencia. Un modelo de palabras clave trata ambos como la palabra "búsqueda."
Problemas.
Resueltos, complejos, novedosos, ambiguos. El currículum del candidato describe problemas difíciles que poseían de principio a fin. "Diagnosticó y resolvió una fuga de memoria que no se había resuelto durante seis meses" es una señal más fuerte de problemas resueltos que "trabajó en correcciones de errores," aunque ambos puedan mencionar las mismas tecnologías.
La puntuación compuesta de 0-100 combina estas señales con la relevancia de la experiencia, la trayectoria profesional y la alineación de habilidades. El párrafo de razonamiento escrito nombra los resultados específicos que encontró el modelo, lo que significa que los fundadores pueden leerlo y decidir si confiar en la clasificación.
Por qué lo construimos de esta manera
Antes de CurriculoATS, nuestro fundador Dev pasó años en Amazon trabajando en sistemas de búsqueda y recomendación. Hay un único principio de ese trabajo que impulsó el diseño: clasificar en señales que la entrada no puede fabricar directamente. Los vendedores pueden escribir lo que quieran en los títulos de los productos, pero no pueden fabricar datos de compra. Los revisores pueden dejar reseñas falsas, pero los patrones de reseñas verificadas son más difíciles de falsificar a gran escala. El clasificador lee la señal más difícil de falsificar.
La contratación tiene la misma forma. Los candidatos pueden escribir cualquier palabra clave que deseen; eso es esencialmente gratis. No pueden fabricar resultados medibles sin cometer fraude, que es un bar mucho más alto que reformular un punto de viñeta. Entonces, un clasificador basado en resultados es estructuralmente más difícil de manipular, más justo para los candidatos honestos y está alineado con lo que el fundador realmente quiere saber: ¿hizo esta persona un trabajo que se asemeja a lo que necesitamos hacer?
La imagen de cumplimiento también se alinea. La Ley Local 144 de Nueva York y la Ley de IA de la UE favorecen los sistemas con razonamiento documentado. Un modelo que produce una explicación escrita por candidato es mucho más fácil de auditar y divulgar que un filtro de palabras clave en caja negra.
Dónde se descompone la contratación basada en resultados (y cómo solucionarlo)
La contratación basada en resultados es estructuralmente más fuerte que la coincidencia de palabras clave, pero no es mágica y vale la pena ser honestos sobre los casos donde no funciona bien. Tres patrones emergen en los datos. Primero, los candidatos junior y los graduados recientes a menudo tienen resultados legítimos que aún no están cuantificados, porque sus primeros trabajos no los expusieron a ingresos o métricas de escalado. El modelo maneja esto leyendo señales cualitativas ("lideró el rediseño del flujo de incorporación que el equipo aún está utilizando") pero el rango de puntuación se comprime para esta cohorte, lo que puede aplanar la clasificación. La solución es ponderar los resultados cuantificados más bajos para roles de nivel de entrada en la configuración de la descripción de trabajo. Segundo, los candidatos de ventas con cifras de cuota infladas pueden manipular la puntuación basada en resultados de la misma manera que manipulan la puntuación basada en palabras clave, inventando o redondeando cifras de ingresos. El modelo trata los números redondos sin períodos de tiempo o comparaciones entre pares como señales de baja confianza, pero un candidato suficientemente decidido aún puede producir resultados inflados. Las verificaciones de referencias siguen siendo la solución estructural, no la capa de selección. Tercero, roles profundamente técnicos donde los resultados no son públicos (trabajo de infraestructura propietario, proyectos clasificados) pueden disminuir su clasificación porque el candidato no puede describir lo que enviaron en detalle. La solución es que el fundador escriba la descripción de trabajo con el nivel correcto de abstracción, pidiendo señales de sistemas enviados a un nivel que el candidato pueda describir bajo un NDA. Nombrar estas limitaciones es importante porque la clasificación basada en resultados es una herramienta, no un veredicto, y los fundadores que tratan la puntuación como la decisión en lugar de la triaje producen contrataciones peores que los fundadores que tratan la puntuación como el inicio de la revisión.
Cómo aplica esto un fundador
La contratación basada en resultados requiere que la descripción de trabajo esté escrita en resultados, no en deberes. "Responsable de poseer la tubería de datos" es un deber. "En los primeros seis meses, esta persona enviará una tubería de streaming que maneja 100K eventos/segundo con latencia de menos de un segundo" es un resultado. El modelo puede hacer coincidir con el segundo; no puede hacer nada útil con el primero.
- Reescribe la descripción de trabajo como resultados. Dos o tres oraciones describiendo qué entregará la persona en sus primeros seis meses. Este es el documento que usa el modelo de selección.
- Ejecuta el rol a través de la selección basada en resultados. Compara los diez candidatos mejor clasificados con los diez que habrías elegido manualmente. Mide la superposición.
- Lee los párrafos de razonamiento. El párrafo te dice qué resultados encontró el modelo. Si encontró cosas que no hiciste, el modelo está agregando señal. Si no encontró nada significativo, probablemente la descripción de trabajo necesita más resultados.
- Usa la puntuación como una herramienta de triaje, no como una decisión. Entrevista a los 8-12 mejores, discute, decide. El modelo te lleva a la lista correcta de candidatos. La decisión sigue perteneciendo al humano.
Qué hacer a continuación
Si deseas ver la selección basada en resultados producir una lista de candidatos en un rol real, el nivel Starter gratuito de CurriculoATS maneja un trabajo activo con miembros de equipo ilimitados. Lee la página de características para lo que se incluye, luego verifica AI ATS para fundadores para el caso de uso específico para fundadores. El modelo tarda unos 15 minutos en configurarse en un rol.