¿Por qué tu ATS descarta buenos candidatos? El problema de los filtros por palabra clave

Tu ATS descarta buenos candidatos porque filtra por coincidencia exacta de palabras, no por lo que la persona sabe hacer. Si alguien describió la misma experiencia con otras palabras —o su CV tenía un formato que el sistema no supo leer— queda fuera antes de que un humano lo vea. El estudio de Harvard Business School y Accenture lo cuantifica sin rodeos: el 88% de los empleadores admite que su sistema rechaza candidatos calificados por no calzar exactamente los criterios. La salida no es un filtro más fino: es leer y entender cada CV por su significado.

El costo oculto: 27 millones de personas

El informe Hidden Workers: Untapped Talent encuestó a más de 8,000 trabajadores clasificados como "ocultos" por los sistemas automáticos y a más de 2,250 ejecutivos en EE.UU., Reino Unido y Alemania. Su hallazgo central es incómodo: hay millones de personas con las habilidades para cubrir vacantes abiertas que nunca llegan a un reclutador humano porque un filtro las eliminó antes. No es un problema de talento escaso; es un problema de criterios rígidos.

Por qué falla el filtro por palabra clave

El filtro clásico evalúa lo que es fácil de contar —años exactos en un cargo, un título específico, densidad de una palabra— en lugar de la capacidad real de hacer el trabajo. Tres fallas típicas:

• Sinónimos e idioma. "Atención al cliente" y "servicio al usuario" son lo mismo para una persona, pero no para un filtro literal. El buen candidato que eligió otra palabra desaparece.
• Errores de lectura del CV. Un formato con columnas, tablas o un PDF escaneado se parsea mal y el sistema lo puntúa como incompleto — descartando a alguien por su plantilla, no por su perfil.
• Trayectorias no lineales. Quien cambió de rubro o creció por un camino distinto es justo el perfil que el filtro por palabras castiga más.

Entender por significado, no por palabras

La alternativa es dejar de buscar palabras y empezar a buscar significado. Cada CV se convierte en una representación de lo que la persona es capaz de hacer —material, uso, sinónimos técnicos, sector— y se compara con lo que el puesto realmente necesita. Así aparecen candidatos que calzan aunque no compartan ni una palabra con la convocatoria. Y algo igual de importante: se pueden leer todos los CVs, no una muestra filtrada de antemano.

Ranking explicado, no caja negra

Entender no basta si el resultado es un número sin razón. Un buen sistema entrega un ranking argumentado: por qué cada candidato está donde está, con citas del propio CV. Eso cambia el trabajo del reclutador —de descartar por formato a decidir con evidencia— y mantiene una línea que no se debe cruzar: la IA acerca y explica; la decisión final es del comité. Bien hecho, además reduce el sesgo del filtro rígido en vez de amplificarlo, porque deja de premiar la redacción y empieza a valorar la capacidad.

Nosotros lo construimos

No es teoría. Construimos exactamente esto para procesos reales: cada CV leído y estructurado por IA, y un ranking explicado sobre el pool completo. Los detalles de ingeniería —embeddings, curación del texto antes de vectorizar, requisitos explícitos— están en el caso completo.