Estás pensando en añadir un detector de IA a tu proceso de contratación: una herramienta que marque los currículums escritos con ChatGPT antes de que tu equipo los lea. Suena eficiente. Suena a lo responsable.
El riesgo real no es que se cuelen currículums generados por IA, sino que se rechace a candidatos cualificados porque un detector se equivocó.
La brecha de precisión entre lo que se afirma y la realidad
Los proveedores de detección de IA publican cifras impresionantes. GPTZero afirma una precisión del 99 % con una tasa de falsos positivos del 0.24 %. Originality.ai anuncia una precisión del 96 %.
Las pruebas independientes cuentan otra historia. La evaluación de GPTZero realizada por PCWorld solo encontró una precisión del 62 % en condiciones reales. Originality.ai mostró tasas de falsos positivos de entre el 8 % y el 12 % en comparativas de terceros, lo que significa que marcó como generado por IA texto escrito por personas aproximadamente una de cada diez veces.
Se ha documentado que ambas herramientas marcan como texto generado por IA la Constitución de los Estados Unidos y fragmentos de El código Da Vinci (Fritz.ai, 2026). Si un detector no puede identificar de forma fiable la Constitución como escrita por una persona, ¿qué pasa cuando analiza el currículum de alguien cuya lengua materna no es el inglés?
Qué significan los falsos positivos en la contratación
Un falso positivo en la detección de plagio académico es una molestia. El estudiante reclama, un profesor revisa el caso y el problema se resuelve.
Un falso positivo en la contratación es invisible. El candidato nunca se entera. Tu equipo nunca ve el currículum. Una persona cualificada desaparece del proceso y cubres el puesto con quien quede.
Si revisas 200 currículums para un puesto y tu detector tiene una tasa de falsos positivos del 10 %, son 20 personas marcadas injustamente. Algunas de ellas podrían haber sido tus mejores candidatos.
El problema del sesgo lingüístico
Los detectores de IA analizan patrones de escritura: longitud de las frases, diversidad de vocabulario, previsibilidad. Este enfoque tiene una debilidad documentada: penaliza más unos estilos de escritura que otros.
Quienes no tienen el inglés como lengua materna suelen escribir con estructuras de frase más sencillas y un vocabulario más común. Son justo los patrones que los detectores asocian con texto generado por IA. Un currículum escrito con un inglés cuidadoso y claro por alguien cuya lengua materna es el mandarín o el árabe parece «sospechoso» para un modelo entrenado para detectar texto de máquina.
No es una preocupación teórica. Si tu proceso rechaza candidatos a partir de un análisis del estilo de escritura, introduces un sesgo que se correlaciona con el origen lingüístico. Para los empleadores de EE. UU., eso crea tanto problemas éticos como posibles riesgos legales.
Por qué la detección no mejora los resultados de la contratación
Incluso un detector perfecto, sin ningún falso positivo, no te diría nada útil sobre la calidad del candidato. Saber que un currículum se escribió con ayuda de IA no te dice nada sobre si la persona puede hacer el trabajo.
Una encuesta de KraftCV de 2026 reveló que el 70 % de los buscadores de empleo usa la IA para redactar su currículum. Si los rechazas a todos, descartas a la mayor parte de tu grupo de candidatos. Si rechazas solo a los que detecta el detector, penalizas a quienes usaron herramientas menos sofisticadas y premias a quienes reformularon el texto lo suficiente para que pase el filtro.
La señal no sirve para actuar. No separa a los buenos candidatos de los malos. Separa a los usuarios de IA detectables de los no detectables.
Qué funciona en su lugar
La alternativa no es «no hacer nada». Es hacer el cribado según lo que de verdad predice el rendimiento en el puesto.
-
Documenta tus criterios antes de empezar el cribado: usa como primer filtro requisitos obligatorios, como la autorización para trabajar, las certificaciones o habilidades técnicas concretas. CriteriaMatch comprueba cada currículum frente a tus criterios definidos en segundos. El estilo de redacción del currículum es irrelevante si el candidato no cumple tus requisitos innegociables.
-
Haz visibles las decisiones: cuando tu equipo revisa candidatos, el razonamiento debe quedar documentado. La evaluación colaborativa de candidatos mantiene comentarios compartidos, asignación de tareas e historial de decisiones en cada perfil. Si alguien es rechazado, el motivo queda registrado, y nunca es «lo dijo el detector».
-
Pon a prueba lo que afirma el currículum en una conversación: la mejor forma de verificar un currículum es preguntar por él. Una entrevista bien estructurada detecta las exageraciones más rápido que cualquier herramienta de análisis de texto. Si el currículum dice «lideró un equipo de 12 ingenieros», pide detalles concretos. La respuesta te dirá todo lo que el detector no puede decirte.
El aspecto normativo
La Ley de IA de la UE clasifica como «alto riesgo» los sistemas de IA que se usan en decisiones de empleo. Si tu detector de IA contribuye a una decisión de contratación, es posible que tengas que demostrar que no produce resultados discriminatorios. Dados los problemas de sesgo lingüístico documentados, eso es difícil de demostrar.
Varios estados y ciudades de EE. UU., entre ellos Nueva York e Illinois, ya exigen informar y auditar las herramientas automatizadas que se usan en la contratación. Añadir una capa de detección de IA sin auditar a tu proceso aumenta el riesgo de cumplimiento sin aportar valor al cribado.
Para una visión más amplia de cómo usar la IA en la contratación de forma responsable, consulta nuestra guía sobre IA responsable en el reclutamiento.
La compensación honesta
Las herramientas de detección de IA resultan tentadoras porque ofrecen un binario sencillo: IA o no IA. La contratación no es binaria. Es una serie de juicios sobre encaje, habilidades y potencial.
Prescinde del detector. Diseña un proceso de cribado en el que las pruebas provengan de criterios verificados y conversaciones reales, no del análisis del estilo de escritura.