Respuesta rápida: El parsing de currículums es un software que lee un archivo de CV y lo convierte en campos estructurados: nombre, datos de contacto, historial laboral, formación y habilidades. Es el paso que permite a un sistema de seguimiento de candidatos (ATS) buscar y puntuar candidatos en lugar de guardar un montón de PDF. Funciona bien con PDF de texto normales. Falla con imágenes escaneadas, columnas complejas y datos de contacto ocultos en encabezados.
¿Cómo funciona el parsing de currículums?
Un parser lee el texto de un CV y asigna cada fragmento a un campo.
El proceso tiene tres pasos:
- Extracción de texto. El software saca el texto bruto del archivo. En un PDF normal exportado desde Word o Google Docs, el texto ya está ahí. En una imagen escaneada no hay texto, así que el parser necesita reconocimiento óptico de caracteres (OCR) para leer los píxeles.
- Segmentación. El texto se divide en secciones: bloque de contacto, experiencia, formación, habilidades. Los parsers antiguos lo hacían con reglas de palabras clave, como los encabezados «Experiencia» o «Historial laboral». Los más nuevos usan modelos de lenguaje que entienden el contexto.
- Asignación de campos. Cada fragmento va a un campo. «Desarrollador senior, Acme, 2021 a 2024» se convierte en un puesto, una empresa y un intervalo de fechas.
El resultado es un perfil de candidato estructurado. Todo lo que el ATS hace después, desde los filtros hasta la búsqueda y la puntuación con IA, se alimenta de ese perfil.
¿Dónde falla el parsing de currículums?
El parsing falla siempre que el significado de un CV está en el diseño visual y no en el texto.
| Problema | Qué sale mal |
|---|---|
| CV escaneado o fotografiado | No hay capa de texto, así que no se puede leer sin OCR |
| Dos o tres columnas | El texto de las columnas izquierda y derecha se mezcla línea a línea |
| Datos de contacto en un encabezado o cuadro de texto | Algunos extractores omiten los encabezados, así que faltan nombre y correo |
| Tablas para el historial laboral | Las celdas se leen desordenadas y las fechas se separan de las empresas |
| Iconos en lugar de etiquetas | Un icono de teléfono junto a un número no significa nada para un parser |
| Formatos de fecha poco habituales | «T3 ‘22 a la actualidad» puede no interpretarse como intervalo de fechas |
| Archivos Word, imágenes o archivos de Pages | Algunos sistemas solo aceptan PDF |
Nada de esto significa que el candidato sea débil. Un CV muy bien diseñado puede analizarse muy mal. Por eso nunca deberías descartar a alguien porque su perfil analizado parezca pobre. Abre el archivo original. Para puestos con mucho peso de portfolio, lee por qué los currículums creativos no deberían romper tu ATS.
¿Es lo mismo el parsing que el cribado con IA?
No. El parsing extrae. El cribado juzga.
Un parser te dice que un candidato tiene cinco años de Python. Un paso de cribado te dice si esos cinco años encajan con lo que exige este puesto concreto. El cribado solo es tan bueno como el parsing que tiene debajo. Si las fechas se separaron de las empresas durante el parsing, cualquier cálculo de experiencia construido encima será incorrecto.
Algunas herramientas nuevas difuminan la línea: un único modelo de IA lee el CV y lo evalúa frente al puesto en la misma pasada. Eso reduce algunos errores de diseño porque el modelo lee el documento más como lo haría una persona. No elimina el problema de las imágenes escaneadas.
Para el lado del cribado, consulta cómo AI Score clasifica a los candidatos.
¿Cómo gestiona Canvider el parsing de currículums?
Canvider usa IA para leer los CV en lugar de reglas de palabras clave.
En la práctica, esto es lo que ves:
- Carga masiva de CV acepta un lote de PDF para un puesto. La IA extrae nombre, datos de contacto y experiencia de cada archivo y crea una candidatura por CV. Está pensada para CV que llegaron fuera de tu ATS, como la bandeja de entrada de un responsable de contratación o una carpeta de una feria de empleo.
- Solo PDF para la carga masiva. El validador de archivos rechaza los documentos Word y las imágenes.
- Los PDF escaneados sin texto pueden fallar. El panel de resultados de la carga indica qué archivos funcionaron y cuáles no, así que revísalo después de cada lote.
- Las candidaturas de PostJobFree se analizan a partir del correo, con PDF más OCR, y las cartas de presentación cuando existen.
- El análisis de CV con IA es un paso aparte tras el parsing. Lee el CV frente a la descripción del puesto y ofrece un veredicto de coincidencia y una puntuación. Cuesta 1 crédito de empleador por candidato.
- El panel de datos del candidato muestra un resumen estructurado de los datos extraídos una vez que se ha hecho el análisis.
La limitación, dicha con claridad: si un candidato te envía una foto con el móvil de un CV impreso, puede que tengas que pedirle un PDF. Ningún parser arregla de forma fiable una imagen borrosa.
¿Qué deberías revisar después del parsing?
Revisa por muestreo, no te fíes a ciegas. Con cinco minutos por lote basta.
- Lee la lista de fallos. Cualquier archivo que no se haya analizado necesita una persona.
- Abre tres perfiles al azar y compáralos con los PDF originales. Revisa nombres, correos y el empleo más reciente.
- Busca secciones de experiencia vacías. Normalmente significa que un diseño de columnas o de tabla rompió el parsing.
- Comprueba el campo de correo. Sin correo no puedes contactar al candidato desde el ATS, y no recibirá actualizaciones de su estado.
- Nunca rechaces automáticamente solo con datos analizados. Si tus reglas de cribado dependen de los años de experiencia, un error de parsing puede descartar en silencio a un buen candidato.
¿Deberían los candidatos escribir CV «compatibles con ATS»?
Es decisión suya, pero como empleador no deberías exigirlo.
Mucho consejo en internet anima a quien busca empleo a simplificar su CV para que los parsers lo lean. Algo de eso es razonable: una columna, texto real, encabezados estándar. Pero si tu proceso solo funciona con CV sencillos, estás filtrando por habilidad de formato, no por habilidad profesional. Es un mal intercambio, sobre todo en puestos de diseño y creativos, donde el propio CV es una muestra de trabajo.
La solución mejor está de tu lado. Usa un parser que lea el contexto, conserva siempre el archivo original adjunto y haz que una persona revise lo que el parser no supo tratar.
Qué leer después
Si los CV se acumulan más deprisa de lo que puedes leerlos, demasiadas candidaturas, pocos candidatos reales trata el lado del cribado. Si muchos de tus CV están escritos con IA, lee mejores formas de cribar currículums escritos con IA.
Prueba Canvider gratis. No hace falta tarjeta de crédito.
Preguntas frecuentes
¿Qué es el parsing de currículums?
Es un software que lee un archivo de CV y extrae datos estructurados: nombre, correo, teléfono, puestos, empresas, fechas, formación y habilidades. Esos datos rellenan la ficha del candidato en un sistema de seguimiento de candidatos, así que puedes buscar, filtrar y puntuar candidatos sin volver a escribir nada.
¿Por qué el parsing de currículums se equivoca?
Las causas más comunes son los PDF escaneados sin capa de texto, los diseños en varias columnas que se leen en el orden equivocado, los datos de contacto colocados en encabezados o cuadros de texto, y las fechas escritas en formatos poco habituales. Los parsers leen texto, no el diseño visual, así que cualquier cosa que solo tenga sentido visualmente corre riesgo.
¿Es lo mismo el parsing que el cribado de currículums con IA?
No. El parsing extrae datos del archivo. El cribado juzga esos datos frente a un puesto. Un parser te dice que el candidato trabajó en tres empresas. Un paso de cribado te dice si esa experiencia encaja con el puesto. El cribado depende de que el parsing esté bien hecho primero.