Tu CHRO (director de RR. HH.) ha reenviado un artículo sobre currículums generados con IA. Ahora alguien del equipo está investigando APIs de detectores para conectarlas a tu ATS. Antes de firmar un contrato, esto es lo que conviene evaluar de verdad, porque la mayoría de equipos descubre que la señal no compensa el ruido.
La pregunta no es si la API puede detectar IA. Es si el resultado de la detección mejora tus decisiones de contratación.
La propuesta de integración
Los proveedores de APIs de detección venden una historia sencilla: envías el texto del currículum a su endpoint, recibes una puntuación de probabilidad (de 0 a 100 % de probabilidad de autoría por IA) y usas esa puntuación para marcar o rechazar candidatos.
La integración técnica suele ser sencilla. La mayoría de APIs aceptan texto plano mediante una petición POST y devuelven una respuesta JSON en pocos segundos. Los proveedores te dirán que encaja directamente en tu flujo de trabajo.
Lo que no te dirán es qué hacer con la puntuación.
Qué probar: la tasa de falsos positivos
Este es el dato que debería frenar la mayoría de integraciones antes de empezar.
Las pruebas independientes muestran que GPTZero acierta en torno al 62 % en condiciones reales, a pesar de afirmar un 99 % en benchmarks controlados (PCWorld, 2026). Originality.ai muestra tasas de falsos positivos de entre el 8 % y el 12 % en comparativas de terceros, lo que significa que hasta uno de cada diez currículums escritos por personas puede acabar marcado como IA.
Cuando evalúes una API, no te fíes del benchmark del proveedor. Haz tu propia prueba:
- Envía 50 currículums que sepas que escribieron personas, de tu base de datos actual
- Envía 50 currículums que generes con ChatGPT o Claude
- Mide cuántos currículums humanos se marcan (falsos positivos)
- Mide cuántos currículums de IA pasan sin detectarse (falsos negativos)
Si más del 2-3 % de los currículums humanos se marcan, la integración hará más daño que bien.
Qué probar: sesgos por idioma y demografía
Los detectores de IA analizan patrones lingüísticos: previsibilidad de las frases, amplitud del vocabulario, consistencia estructural. Estos patrones guardan relación con la lengua materna de quien escribe.
Quienes escriben en inglés como segunda lengua escriben de forma distinta. También lo hacen candidatos con formación, ámbitos profesionales y contextos culturales diferentes. Un detector entrenado sobre todo con texto académico en inglés se comportará de forma distinta con el currículum de un ingeniero mecánico que con la carta de presentación de un director de marketing.
Pregunta al proveedor:
- ¿Qué datos de entrenamiento se usaron?
- ¿Se ha probado la herramienta en distintos idiomas y perfiles demográficos?
- ¿Existe una auditoría de sesgos publicada?
Si no pueden responder a estas preguntas, la herramienta no ha sido validada para casos de contratación.
Qué probar: coste por análisis
Los precios varían mucho entre proveedores:
- TurnitinEye: $3.99 por comprobación, sin suscripción (orientado al uso individual)
- AI Detector Pro: $0.09 por unidad, donde una unidad cubre hasta 4,000 caracteres
- Fake Applicant Detector (Apify): $0.099 por auditoría de candidato, unos $99 por cada 1,000 análisis
Para un equipo que procesa 500 candidaturas al mes, los costes van de $45 a $2,000 al mes según el proveedor. Hay que sumar además el tiempo de ingeniería para construir y mantener la integración.
En el extremo bajo, el coste es marginal. En el extremo alto, pagas dinero real por una señal que quizá no te sirve para actuar.
Qué probar: ¿es la señal útil para actuar?
Aquí es donde la mayoría de evaluaciones deberían parar. Pregúntale a tu equipo: ¿qué vamos a hacer con una puntuación de «75 % de probabilidad de IA»?
- ¿Rechazo automático? Rechazarás a candidatos cualificados.
- ¿Marcar para revisión manual? Tus revisores no tienen forma de verificar de forma independiente la autoría por IA. Mirarán el currículum, pensarán que parece correcto y seguirán adelante, anulando el sentido de la integración.
- ¿Añadirlo al perfil del candidato como un dato más? Entonces habrás introducido un número que sesga cada evaluación posterior, sin ninguna relación demostrada con la calidad del candidato.
Si la respuesta a «¿qué hacemos con esta puntuación?» no está clara, la integración es prematura.
Un mejor uso de la automatización
En lugar de añadir una capa de detección que produce resultados ambiguos, invierte tu presupuesto de automatización en pasos del flujo de trabajo que mejoren directamente la calidad de la contratación.
Hiring Automation de Canvider te permite crear reglas basadas en disparadores que mueven a los candidatos entre fases, envían correos y avisan a los miembros del equipo. Estas automatizaciones actúan sobre criterios concretos, como «el candidato cumple todos los requisitos imprescindibles» o «el responsable de contratación no ha revisado en 48 horas», y no sobre suposiciones probabilísticas sobre la autoría.
Collaborative Candidate Assessment ofrece a tu equipo un espacio compartido para documentar las decisiones con sus motivos, de forma que cada candidato se evalúe con los mismos criterios. El registro de evaluaciones es auditable, lo que importa cuando surgen preguntas de cumplimiento normativo.
Para una visión más profunda de cómo funciona la puntuación con IA sin detección, lee nuestro análisis sobre puntuación de candidatos con IA.
El marco de evaluación honesto
Antes de integrar cualquier API de detección de IA, responde a estas cinco preguntas:
- ¿Cuál es la tasa de falsos positivos medida en currículums parecidos a los tuyos?
- ¿Se ha probado la herramienta en sesgos por idioma y demografía?
- ¿Qué acción tomará tu equipo según la puntuación?
- ¿El coste por análisis justifica la calidad de la señal?
- ¿Ese mismo presupuesto podría mejorar otra parte de tu proceso?
La mayoría de equipos que pasan honestamente por este marco concluye que la integración no está lista.
Concentra la automatización de tu ATS en los pasos que mejoran la calidad de los candidatos, no en los que adivinan la autoría.