Cada fundador con el que hablamos dibuja la misma imagen en una pizarra. Solicitud, selección, entrevista, oferta. Cuatro cuadros, una flecha entre cada uno. La pizarra nunca miente sobre lo que la gente piensa que es el trabajo. También nunca muestra dónde se rompe realmente el trabajo. En nueve de cada diez embudos de contratación de startups, el cuello de botella es la selección, y no está ni cerca.
Este ensayo trata sobre por qué la selección es la única etapa que controla los resultados, por qué el sistema de seguimiento de solicitantes estándar optimiza todo excepto la selección y qué cambiar para que un equipo de cinco personas pueda ejecutar un embudo de contratación que supere a una empresa de Serie C con un jefe de talento.
El embudo de contratación no son cuatro cuadros iguales
El embudo de contratación parece simétrico en la pizarra. No es simétrico en la práctica. Una etapa decide casi todas las métricas posteriores: la selección. Quien dejes pasar a través de la selección es el grupo que entrevistas. Quien entrevistas es el grupo al que ofreces. Quien ofreces es quien se une. Si la selección es mala, estás realizando costosos ciclos de entrevistas a candidatos que nunca iban a ser contratados. Según el Informe de Referencia de Reclutamiento de SHRM 2025, el tiempo promedio en EE. UU. para llenar un puesto es de alrededor de 44 días, y la mayor parte de eso es la ventana de selección y lista corta, no la ventana de oferta o incorporación. La única cosa de mayor impacto que una startup puede hacer para acelerar la contratación es arreglar la capa de selección, no comprar un programador más rápido o una página de carreras más atractiva.
La razón por la que la mayoría de los equipos no ven esto es que la selección parece aburrida. Las herramientas de calendario y la automatización de cartas de oferta parecen producto. La selección se siente como leer. Así que las herramientas se enfocan en las partes que son fáciles de demostrar, y la parte que decide los resultados se deja como trabajo manual para quien tiene el estatus más bajo en la sala esa semana.
Por qué la mayoría de los ATS optimizan la capa incorrecta
La mayoría de los sistemas de seguimiento de solicitantes fueron construidos entre 2008 y 2016 para equipos de recursos humanos empresariales cuyo problema no era la calidad de la selección. Era la visibilidad del flujo de trabajo. Una empresa de 5,000 personas con veinte reclutadores necesita un rastro de auditoría, etapas estructuradas, informes de EEO y una sola fuente de verdad para cada solicitante. Así que los ATS heredados optimizaron esas cosas, y la selección se manejó con un filtro de palabras clave booleanas añadido encima. Ese filtro es la capa donde casi todos los embudos de contratación de startups realmente tienen una fuga.
Greenhouse, Lever, Workable y Ashby son buenos productos en lo que fueron diseñados. Son gestores de pipeline. El precio lo refleja. Workable comienza en $149/mes para equipos de menos de 20 empleados y escala con el número de empleados, no con el número de contrataciones. Greenhouse, según datos reportados por compradores en PriceLevel, ronda aproximadamente de $50 a $150 por asiento al mes más tarifas de implementación de cuatro cifras. Estás pagando por un producto de flujo de trabajo cuyo diferenciador no es la calidad de la selección. Luego, encima de ese precio, aún necesitas leer cada currículum tú mismo.
El proyecto de la Harvard Business School sobre la Gestión del Futuro del Trabajo tiene un nombre para lo que esto produce: trabajadores ocultos. El estudio de Joseph Fuller de 2021 estimó que 27 millones de estadounidenses calificados son filtrados por la selección automatizada de palabras clave por razones no relacionadas con si podrían hacer el trabajo. Ese es el costo de optimizar la capa incorrecta.
Lo que aprendimos en Amazon sobre sistemas de ranking
Antes de CurriculoATS, nuestro fundador Dev pasó años en Amazon trabajando en búsqueda y recomendaciones. La lección de esos sistemas se aplica casi directamente a la contratación. Cuando la entrada es desordenada y el usuario está ocupado, lo único que importa es la función de ranking. Si los diez primeros resultados son buenos, el usuario está feliz y la conversión es alta. Si los diez primeros son incorrectos, ninguna cantidad de pulido en la interfaz guarda la experiencia. Puedes tener los filtros facetados más limpios en el comercio electrónico minorista y aun así perder porque el clasificador es malo.
La contratación tiene la misma forma. El reclutador o fundador mirará los diez o quince mejores currículums para un rol. Los otros 200 podrían no existir. Así que la única pregunta que importa es si los candidatos correctos están en esos diez primeros. Cada otra característica, las plantillas de correo electrónico, las integraciones de Slack, los PDF de cartas de oferta, está abajo de esa única decisión. Si el clasificador se basa en palabras clave, los diez primeros serán quienes escribieron el currículum de manera más estratégica. Si el clasificador lee por resultados (ingresos, equipos, sistemas entregados, problemas resueltos), los diez primeros serán quienes hicieron el trabajo más relevante.
Por esto construimos CurriculoATS en torno a una evaluación de múltiples señales que produce una puntuación compuesta de 0 a 100 con un párrafo escrito que explica el razonamiento para cada candidato. El párrafo es la parte que les importa a los fundadores. Te permite confiar en el clasificador sin confiar ciegamente en él. Lee más sobre cómo funciona la puntuación en nuestra página de Puntuación de Impacto.
Las métricas que cada fundador debería seguir en el embudo
La mayoría de los fundadores de startups rastrean el tiempo de llenado y se detienen ahí. El tiempo de llenado es un indicador rezagado que te dice que el embudo fue malo hace tres semanas. Los indicadores adelantados que realmente predicen la salud del embudo son más fáciles de instrumentar y rara vez se miden. Rastrea cuatro: relación de solicitantes a la primera ronda (menos del 5% significa que la selección está desechando señales, más del 12% significa que la selección es demasiado laxa), conversión de la primera ronda a la segunda ronda (menos del 30% significa que la lista corta tiene a las personas equivocadas), tiempo de revisión del párrafo de razonamiento por candidato (más de 90 segundos significa que el modelo no está agregando apalancamiento) y superposición de la lista corta entre AI y humano (menos del 60% significa que o bien la AI o el humano están mal, y el fundador necesita depurar cuál). La investigación de McKinsey resumida en La forma del talento en 2023 y 2024 muestra que la adopción de contratación basada en habilidades está subiendo del 40% en 2020 a aproximadamente el 60% en 2024, y la señal operativa que separa a los equipos que lo hacen bien de los equipos que lo hacen nominalmente es la segunda métrica: conversión de la primera ronda a la segunda ronda. Los equipos que realizan selección basada en resultados tienden a aterrizar en un 40-55%; los equipos que realizan selección basada en palabras clave tienden a aterrizar en un 18-28%. La brecha es el modelo, no los reclutadores. Revisar estos cuatro números semanalmente detecta fugas en el embudo lo suficientemente rápido como para corregirlas en el mismo ciclo de contratación, en lugar de esperar a que el tiempo de llenado haga sonar una alarma un mes después de que se haya producido el daño.
Cómo un fundador de startup arregla la selección esta semana
Si eres un fundador que está contratando sin un reclutador y tu embudo está filtrando, los cambios que mueven la aguja son más pequeños de lo que piensas.
- Deja de clasificar por densidad de palabras clave. Si tu ATS actual está ordenando por coincidencia de tokens, cada candidato que ha solicitado más de cinco empleos lo ha manipulado. Cambia a un sistema que clasifique por resultados (ingresos generados, equipos dirigidos, sistemas entregados) o lee cada currículum manualmente. No hay un término medio que funcione.
- Escribe el JD como resultados, no deberes. Reemplaza "responsable de X" con "en los primeros seis meses, esta persona entregará Y." Ese documento es con lo que debe coincidir tu selección. La coincidencia de resultados con resultados es aproximadamente un orden de magnitud más útil que la coincidencia de deberes con palabras clave.
- Limita la lista corta a doce. Doce es lo suficientemente pequeño como para que puedas leer cada párrafo de razonamiento de una sola vez. Pasados los doce, la atención se dispersa y las decisiones se vuelven aleatorias.
- Mantén visible una barra de rechazo. Escribe las dos cosas específicas que descalifican a un candidato. "Sin experiencia en ML en producción" o "sin historia de fundador/0-1." Si no puedes escribir dos cosas, aún no conoces el rol.
- Revisa el embudo semanalmente, no trimestralmente. El tiempo de llenado a la velocidad de una startup son días, no semanas. Una revisión mensual es demasiado lenta para detectar una fuga.
Nada de esto es novedoso. Lo que es novedoso es que casi ningún equipo está haciendo realmente los cinco a la vez.