El estadística ampliamente citada “75% de los Curriculos nunca alcanzan a un humano” proviene de una presentación de ventas de 2012 por una empresa que ya no existe. El número no tiene una metodología publicada. Sin embargo, el problema subyacente que el número intentaba describir es real: la mayoría de los Curriculos son filtrados antes de que un humano los lea, y el filtrado es lo suficientemente mecánico como para que buenos candidatos sean rechazados por las razones equivocadas. Los fundadores que crean un proceso de contratación necesitan entender el mecanismo, no solo discutir sobre el porcentaje.
¿Qué sucede realmente con un Curriculo cuando llega a un ATS?
Un Curriculo enviado a través de un sistema de seguimiento de candidatos pasa por tres etapas antes de que cualquier humano lo vea: análisis, coincidencia y clasificación. Cada etapa puede fallar de maneras que no tienen nada que ver con la compatibilidad real del candidato. El análisis de la contratación algorítmica de Harvard Business Review sitúa la proporción de Curriculos filtrados antes de la revisión humana en aproximadamente 72% para sistemas impulsados por palabras clave. Investigaciones independientes más recientes desafían la popular afirmación de “75% rechazados”: un estudio de 2025 de 25 reclutadores de diversas industrias encontró que solo el 8% permite el rechazo automático de contenido; el resto se basa en la revisión humana guiada por eliminaciones y puntuaciones opcionales. La lectura honesta: la mayoría de los Curriculos no son auto-rechazados por algoritmos silenciosos, pero la mayoría son filtrados por una combinación de fallos de análisis, coincidencias débiles de palabras clave y sistemas de clasificación que entierran a candidatos calificados debajo de otros más ruidosos. El resultado para el candidato parece el mismo: silencio. El mecanismo importa porque la solución varía en cada etapa.
Etapa 1: Análisis — donde el formato mata a buenos candidatos
El análisis es el acto de convertir un documento de Curriculo en datos estructurados que el sistema puede buscar y clasificar. El analizador extrae información de contacto, experiencia laboral, educación, habilidades y estructura de la sección. Falla de maneras predecibles:
- Diseños de varias columnas. El analizador lee de arriba hacia abajo, de izquierda a derecha. Un Curriculo de dos columnas con encabezados en la barra lateral se convierte en algo sin sentido.
- Texto dentro de imágenes. Los analizadores no utilizan OCR por defecto. Un nombre o sección de habilidades guardada como un gráfico es invisible.
- Cajas de texto y tablas incrustadas. Las plantillas estándar de Word/Páginas utilizan estas para un diseño visual. Rompen la extracción.
- Encabezados, pies de página y barras laterales. La información de contacto ubicada en un encabezado a menudo es ignorada por el analizador, lo que significa que el correo electrónico del candidato nunca entra en el sistema.
- Caracteres especiales y fuentes inusuales. Los símbolos personalizados y las fuentes decorativas se destruyen.
Un análisis independiente de 1,000 Curriculos rechazados por EDLIGO encontró que el 43% de los rechazos eran fallos de formato, análisis o filtros arbitrarios en lugar de brechas de calificación. Esa es la tasa de error no forzada. Un candidato que corrige el formato antes de postular mejora sus probabilidades sin cambiar sus calificaciones.
Etapa 2: Coincidencia — donde las diferencias de vocabulario se convierten en exclusiones
Una vez que el analizador tiene datos estructurados, el sistema los compara con la descripción del trabajo. La mayoría de los sistemas heredados utilizan alguna combinación de:
Coincidencia de palabras clave estrictas — tokens exactos. Una JD que requiere “Kubernetes” rechaza un Curriculo que dice “K8s.” Los sistemas más antiguos hacen esto. Los más nuevos añaden diccionarios de sinónimos, pero la cobertura es desigual.
Coincidencia semántica — incrustaciones que mapean conceptos similares en un espacio vectorial cercano. Mejor que la coincidencia estricta, pero aún vulnerable a desvinculaciones de vocabulario en dominios donde los títulos de trabajo y los nombres de herramientas cambian rápidamente.
Puntuación ponderada — las habilidades requeridas se ponderan más que las que son deseables. Aquí es donde ocurre la mayor parte de la clasificación: un candidato que falta una palabra clave “requerida” a menudo se clasifica más bajo que un candidato que tiene la palabra clave pero carece de la habilidad subyacente.
El problema de la brecha de palabras clave afecta con más fuerza la frontera entre disciplinas adyacentes. “Construyó servicios backend con arquitectura impulsada por eventos” puede no coincidir con “desarrollo de API REST” en un sistema que no entiende la equivalencia. “Lideré un equipo de producto de 5 personas” puede no coincidir con “gerente de producto” si el título del candidato fue “PM fundador” en su lugar. La desvinculación de vocabulario correlaciona con trayectorias profesionales no tradicionales, lo que significa que la coincidencia de palabras clave filtra desproporcionadamente a candidatos cuyas carreras no fueron lineales, exactamente los candidatos que a menudo desea una pequeña startup.
Etapa 3: Clasificación — donde la calidad vive o muere
Después de la coincidencia, los candidatos son clasificados. Los reclutadores generalmente leen solo el 10–20% superior de la lista clasificada. El mecanismo que decide quién está en ese 10–20% es la decisión más crucial de todo el proceso, y es la parte del ATS que los fundadores rara vez auditan.
La clasificación basada en la superposición de palabras clave es rápida y explicable en código, pero mala para separar señales reales de términos de moda. Un candidato que pegó cada palabra de la JD en su Curriculo puede superar a un candidato que realmente entregó el trabajo. La clasificación basada en resultados — lo que construimos en CurriculoATS Impact Scoring — invierte eso. Cada candidato es evaluado en logros cuantificados, relevancia de la experiencia, trayectoria profesional y alineación de habilidades, luego recibe una puntuación compuesta de 0–100 emparejada con un párrafo de razonamiento escrito. El razonamiento escrito es la clave. Un gerente de contratación que lee 30 párrafos de razonamiento en 30 minutos capta rápidamente los errores del modelo y confía en el resto. Un gerente de contratación que lee 200 Curriculos no clasificados prácticamente no capta nada y no confía en ninguno de ellos.
La lección se traduce de los sistemas de clasificación que Dev construyó en Amazon: una puntuación de caja negra no puede ganar confianza, y un sistema que no puede ganar confianza no puede ser utilizado a gran escala. Por eso los fundadores terminan leyendo cada Curriculo nuevamente a pesar de pagar por un ATS. El ATS produjo resultados, pero no resultados que cualquiera pudiera verificar.
Lo que aprendimos en Amazon sobre fallos de clasificación
Antes de fundar CurriculoATS, nuestro fundador Dev pasó años en el equipo de búsqueda y recomendaciones de Amazon. La lección más generalizable de ese trabajo para el diseño de ATS: cuando un clasificador falla silenciosamente, el usuario culpa al inventario. Los vendedores culpan a Amazon cuando buenos productos no se clasifican; en la contratación, los reclutadores culpan al grupo de candidatos cuando buenos Curriculos no aparecen. En ambos casos, la falla real está en la parte superior, en el clasificador. La solución que funcionó en Amazon no fue añadir más reglas sobre el clasificador roto, sino reconstruirlo en torno a señales que la entrada no podía fabricar directamente. Datos de compra reales. Tasas de retorno reales. Patrones de revisión verificados. El mismo principio impulsa la contratación basada en resultados: clasificar en señales (ingresos generados, equipos escalados, sistemas entregados, problemas resueltos) que un candidato no puede fabricar sin cometer fraude, en lugar de en tokens que cualquier candidato puede incluir. La segunda lección, que se aplica casi palabra por palabra: un clasificador sin explicabilidad es ingeniería inversa por adversarios. En Amazon, los vendedores aprendieron a jugar con los títulos de palabras clave en cuestión de semanas. En la contratación, los candidatos aprendieron a jugar con los filtros de palabras clave en cuestión de años, pero el juego ahora es generalizado. La única defensa estructural es un clasificador que lee por contenido y muestra su razonamiento. Los fundadores que tratan el filtrado de ATS como un problema de clasificación en lugar de un problema de entrada de datos terminan con listas de candidatos más limpias que los fundadores que lo tratan como un software de flujo de trabajo con IA incorporada.
Cómo arreglar cada modo de falla como fundador
Si estás dirigiendo la contratación en una startup de 10 a 200 personas, aquí está el manual práctico para cerrar cada brecha:
- Audita tu análisis. Envía cinco Curriculos de candidatos bien formateados a través de tu propio formulario de solicitud. Ábrelos en tu ATS después y verifica los campos analizados. Si el 30% tiene datos faltantes o desordenados, tu analizador está fallando silenciosamente — y lo mismo ocurre con algunos de tus postulantes.
- Audita tu coincidencia de palabras clave. Toma un Curriculo sólido que utilice vocabulario diferente a tu JD y un Curriculo débil que copie la JD palabra por palabra. Envía ambos. Si el débil clasifica más alto, estás puntuando por ruido. La mayoría de los sistemas heredados fallan esta prueba.
- Exige razonamiento, no solo puntuaciones. Si tu ATS produce un número sin explicación, el equipo volverá a leer a todos, lo que significa que estás pagando por un filtrado que en realidad no usas. El costo promedio por contratación de SHRM de $5,475 incluye una parte de ese tiempo desperdiciado.
- Realiza un seguimiento de tu caída en la etapa. Mide el porcentaje de solicitudes que pasan de recibidas a primer contacto con el reclutador. Si está por debajo del 60%, la parte superior de tu embudo está goteando, y la fuga suele ser el análisis más una clasificación de baja confianza.
- Realiza una prueba de señal de una semana. Mueve un rol abierto a un filtrador basado en resultados y compara la lista corta con lo que produjo tu sistema actual. La prueba no cuesta nada en el plan Starter gratuito y te dice en siete días si el cuello de botella es la herramienta o el proceso.
Qué hacer a continuación
El problema de la caja negra es solucionable, pero solo por herramientas diseñadas en torno a la explicabilidad desde el primer día. Si deseas ver cómo se ve la puntuación basada en resultados con razonamiento escrito en tu propio flujo de entrada, el plan gratuito CurriculoATS Starter maneja un trabajo activo con miembros del equipo ilimitados — consulta características o precios. Para una visión más amplia sobre algoritmos de contratación y sesgo, el análisis de HBR sobre la contratación algorítmica es la lectura inicial adecuada.
Antiguo ingeniero de aprendizaje automático en Amazon (búsqueda y recomendaciones) y Synopsys. Construyó CurriculoATS para reemplazar la coincidencia de palabras clave en la contratación con evaluación de IA basada en resultados. Alumnus de Penn State. Escribe sobre la IA en la contratación, la economía de ATS y lo que realmente predice el desempeño en el trabajo.