Activaste el cribado de currículums con IA. Llegó el primer lote de puntuaciones. El candidato que tu responsable de contratación adora obtuvo un 64. El que nadie reconoce obtuvo un 91. Ahora el equipo no confía en la herramienta.
El problema casi nunca es el modelo de IA. Son los criterios y los pesos que le diste, o, lo más probable, los valores por defecto que nunca cambiaste.
Por qué fallan los pesos por defecto
Toda herramienta de puntuación con IA trae valores por defecto. Son suposiciones razonables: dar mucho peso a la experiencia, un crédito moderado a la coincidencia de habilidades y algo de valor a la formación y las certificaciones. Están diseñados para funcionar en miles de tipos de puesto.
Tu puesto no es «miles de tipos de puesto». Tu puesto tiene compensaciones concretas. Quizá te importa más la experiencia en el sector que el dominio de herramientas. Quizá las certificaciones no son relevantes para tu equipo, pero la IA les da un 15 % de peso.
Los pesos por defecto producen clasificaciones por defecto. Y las clasificaciones por defecto llevan a equipos que, o bien anulan cada puntuación a mano (lo que anula el propósito), o bien aceptan puntuaciones en las que no deberían confiar.
El problema de la calibración es humano, no técnico
El informe de datos de reclutamiento de Salesso de 2026 indica que el 83 % de las empresas ya usa IA para el cribado de currículums. Pero un estudio de Harvard Business School y Accenture concluyó que los empleadores estadounidenses eliminaron a más de 27 millones de candidatos mediante cribado automatizado, muchos de ellos plenamente capaces de desempeñar el trabajo.
El problema no es que la IA no pueda hacer el cribado. Es que los criterios que guían el cribado se establecieron una vez (o nunca se establecieron) y nunca se revisaron. La calibración es el paso que falta entre «tenemos puntuación con IA» y «nuestra puntuación con IA nos ayuda a contratar mejor».
Para una visión general de cómo funciona la puntuación de candidatos con IA y de sus errores habituales, consulta nuestra explicación sobre la puntuación de candidatos con IA.
Paso 1: empieza por los imprescindibles, no por los pesos
Antes de ajustar cualquier control deslizante, haz que el responsable de contratación separe los requisitos en dos grupos:
Imprescindibles (apto o no apto):
- Permiso de trabajo para tu ubicación
- Certificaciones o licencias requeridas
- Años mínimos en un ámbito concreto (sé honesto sobre si es un requisito real o una preferencia)
- Requisitos de idiomas
- Disponibilidad para trabajar presencialmente, en modo híbrido o para viajar
Criterios puntuables (con peso):
- Habilidades técnicas relevantes
- Experiencia en el sector o en el ámbito
- Evidencia de resultados (no solo de responsabilidades)
- Experiencia de liderazgo o gestión
- Señales culturales o de dinámica de equipo en los materiales de la candidatura
Los imprescindibles deben ser filtros binarios, no puntuados. Si un candidato no tiene el permiso de trabajo adecuado, una puntuación alta en habilidades no debería llevarle por encima del umbral. En Canvider, CriteriaMatch gestiona esta capa: establece criterios obligatorios que la IA comprueba de forma independiente de los pesos de puntuación.
Paso 2: acuerda qué significa «fuerte»
Aquí es donde la mayoría de los esfuerzos de calibración se saltan un paso. El equipo acuerda cinco criterios. Asigna pesos. Pero nadie define qué significa un 4 sobre 5 frente a un 3.
Dedica un ejercicio de 20 minutos con el responsable de contratación:
- Elige dos o tres currículums que el equipo ya haya revisado y sobre los que esté de acuerdo
- Puntúa cada uno según los criterios, de forma independiente
- Compara las puntuaciones y analiza las discrepancias
- Escribe una definición de una frase para cada nivel de puntuación en cada criterio
No es un ejercicio académico. Es la diferencia entre «la IA le dio un 78» y «la IA puntuó su experiencia con sistemas con un 4/5 porque enumeró tres despliegues a escala de producción».
Paso 3: revisa los resultados tras el primer lote
El primer lote de candidatos puntuados es una prueba de calibración, no una clasificación definitiva.
Tras la puntuación de los primeros 10 a 15 solicitantes:
- Revisa los cinco primeros. ¿Son personas a las que el responsable de contratación querría entrevistar de verdad? Si no, ¿qué criterios tienen demasiado peso?
- Revisa los cinco últimos. ¿Hay alguien ahí abajo que debería estar más arriba? ¿Qué se le escapó a la puntuación?
- Busca patrones. ¿Se penaliza sistemáticamente a los candidatos con currículums cortos? ¿Reciben puntuaciones bajas quienes cambian de carrera a pesar de tener experiencia transferible relevante?
Ajusta los pesos según lo que encuentres. No es «jugar con la IA». Es lo mismo que harías si formaras a un reclutador junior para hacer cribados: revisar su trabajo, dar feedback y ajustar.
Paso 4: revisa los pesos para cada nuevo puesto
Los pesos que funcionan para un ingeniero backend senior no funcionarán para un responsable de éxito del cliente. Cada puesto exige un equilibrio distinto de criterios.
Cuando se abre un nuevo puesto:
- Usa los pesos del puesto anterior como plantilla, no como dogma
- Comprueba si cambiaron los imprescindibles (normalmente sí)
- Pregunta al responsable de contratación: «Si solo pudieras mirar dos criterios, ¿cuáles serían?»
- Ajusta los pesos para que esos dos criterios representen al menos el 40 % de la puntuación total
Esto lleva diez minutos. Ahorra horas de candidatos mal clasificados y de reuniones sobre por qué la IA «se equivocó».
La capa de calibración de sesgos
El sesgo en el cribado con IA no es hipotético. Un estudio de 2025 publicado en arXiv encontró que los modelos de lenguaje de propósito general usados para el cribado de currículums muestran ratios de impacto demográfico tan bajos como 0.809, muy por debajo del 0.957 de paridad aproximada que alcanzan los modelos de contratación específicos del dominio. Las desigualdades interseccionales fueron aún mayores.
La calibración no elimina el sesgo, pero sí reduce su alcance:
- Define los criterios a partir de evidencia relacionada con el puesto. «Trabajó en una empresa líder» es una señal indirecta. «Puso en producción un sistema que da servicio a más de 10K usuarios» es evidencia.
- Audita la distribución de las puntuaciones. Tras una ronda de puntuación, comprueba si algún grupo demográfico puntúa sistemáticamente más bajo. Si es así, examina qué criterios provocan la diferencia.
- Usa la IA como primera criba, no como decisión final. El responsable de contratación revisa la lista corta. La IA prioriza la bandeja de entrada. Las personas deciden.
La normativa nueva en la ciudad de Nueva York, Illinois, el estado de Washington y la UE exige ya alguna forma de auditoría de sesgos para las herramientas de contratación con IA (Articsledge, 2026). Aunque tu jurisdicción aún no lo exija, calibrar frente al sesgo es buena práctica y buena contratación.
Cómo apoya Canvider la calibración
Canvider AI Score te permite definir y ajustar los pesos de puntuación por puesto. CriteriaMatch gestiona la capa de apto o no apto por separado, para que los requisitos obligatorios no se mezclen con las puntuaciones ponderadas. Y Collaborative Candidate Assessment ofrece al equipo una vista compartida de cómo se comparan los candidatos puntuados, así que el feedback de calibración se da en contexto, no por correo electrónico.
El flujo de trabajo: define los criterios, puntúa el primer lote, revisad juntos, ajusta y vuelve a puntuar. Cada ronda afina más el resultado.
Empieza a calibrar esta semana
Elige tu próximo puesto abierto. Antes de que se presente ningún candidato:
- Separa los imprescindibles de los criterios puntuables
- Asigna pesos iniciales con el responsable de contratación
- Define en una frase qué significa «fuerte» para cada criterio
- Tras los primeros 10 candidatos, revisad juntos los cinco primeros y los cinco últimos
- Ajusta y vuelve a puntuar
La puntuación con IA es una palanca. La calibración es lo que la apunta en la dirección correcta.