IA en Contratación · 9 min lectura

IA Candidate Scoring explicado: ¿cómo funciona?

Una visión clara de cómo funciona el IA candidate scoring, desde la entrada de datos hasta el resultado final. Con ejemplos concretos y explicación técnica.

Door Ingmar van Maurik · Founder & CEO, Making Moves


Qué es el IA candidate scoring

El IA candidate scoring es un sistema que evalúa y clasifica automáticamente a los candidatos basándose en múltiples puntos de datos. En lugar de que un reclutador revise manualmente cada CV y cree una lista corta basada en la intuición, la IA analiza toda la información disponible y produce una puntuación objetiva.

Pero, ¿cómo funciona exactamente? ¿Qué ocurre entre bastidores cuando un candidato se postula y recibe una puntuación de IA? En este artículo explicamos el proceso completo, desde la entrada de datos hasta el resultado final, para que comprenda qué implica el IA scoring y cómo puede utilizarlo de manera responsable.

Los tres pilares del IA scoring

Un buen sistema de IA scoring se sustenta en tres pilares: entrada de datos, modelado y salida. Repasemos cada uno de estos pasos.

Pilar 1: entrada de datos

El IA scoring comienza recopilando datos sobre el candidato. Cuantos más puntos de datos relevantes estén disponibles, más precisa será la puntuación. Las fuentes típicas incluyen:

CV y carta de presentación

El sistema extrae datos estructurados del CV: experiencia laboral, habilidades, formación, certificaciones y patrones de carrera. La IA moderna va más allá de la coincidencia de palabras clave y comprende el contexto. Un candidato que escribe que dirigió un equipo de 12 desarrolladores se valora de forma diferente a alguien que trabajó en un equipo de 12, aunque ambas frases contengan palabras similares.

Resultados de evaluaciones

Si los candidatos completan una evaluación como parte del proceso, esos resultados se convierten en una entrada crucial. Esto puede abarcar desde tests cognitivos y cuestionarios de personalidad hasta evaluaciones técnicas y tests de juicio situacional. Los datos de evaluación son especialmente valiosos porque están estandarizados y son comparables.

Datos de interacción

Con qué rapidez respondió el candidato, qué tan completa está la solicitud, qué decisiones tomó el candidato durante el proceso. Estas señales dicen algo sobre la motivación y la atención al detalle.

Datos históricos

El sistema compara al candidato con contrataciones exitosas anteriores en roles similares. ¿Qué perfiles funcionaron bien, cuáles no y por qué? Aquí es donde el poder de un sistema propio se hace realmente visible: cuantos más datos tenga, mejores serán las predicciones.

Pilar 2: modelado

La fase de modelado es donde ocurre la magia. La IA utiliza los datos recopilados para calcular una puntuación a través de múltiples pasos:

Extracción de características

Los datos brutos se convierten en características estructuradas que el modelo puede procesar. Por ejemplo: los años de experiencia se convierten en un número, las habilidades en categorías y las respuestas de evaluación en puntuaciones sobre dimensiones específicas.

Asignación de pesos

No todas las características son igualmente importantes. El modelo asigna pesos a cada característica basándose en patrones históricos. Para un puesto de desarrollador senior, las puntuaciones de evaluación técnica pueden tener más peso que para un rol de product manager, donde las habilidades de comunicación cuentan más.

CaracterísticaPeso (desarrollador)Peso (product manager)

|----------------|---------------------|------------------------|

Evaluación técnica35%15% Experiencia laboral relevante25%25% Test cognitivo15%20% Puntuación de comunicación10%25% Indicadores de ajuste cultural15%15%

Algoritmo de puntuación

El algoritmo combina todas las características ponderadas en una puntuación final. Esto no es una simple suma, sino un modelo complejo que puede reconocer relaciones no lineales. Por ejemplo, un candidato con puntuaciones técnicas medias pero una capacidad de aprendizaje excepcional puede obtener una puntuación más alta que alguien con puntuaciones técnicas altas pero baja adaptabilidad, dependiendo del rol y el equipo.

Calibración

La puntuación se calibra para que sea significativa. Una puntuación de 82 debe significar consistentemente que el candidato tiene una alta probabilidad de éxito, independientemente de cuándo o para qué vacante se calculó la puntuación. Esto requiere validación continua y recalibración del modelo.

Pilar 3: salida

La salida del IA scoring es más que solo un número. Un buen sistema proporciona:

Una puntuación total que refleja la idoneidad general en una escala de, por ejemplo, 0 a 100. Esto es lo primero que ve un reclutador y determina la clasificación.

Subpuntuaciones por dimensión que muestran cómo puntúa el candidato en aspectos específicos: habilidades técnicas, habilidades blandas, experiencia, potencial y ajuste cultural.

Explicación y transparencia sobre por qué el candidato recibió esta puntuación. ¿Qué factores contaron, dónde puntuó fuerte el candidato y dónde hay puntos de atención? Esto es esencial para el uso responsable de la IA.

Comparación con el grupo que muestra cómo se sitúa el candidato respecto a otros solicitantes para la misma vacante y respecto al grupo de referencia.

Indicadores de riesgo que señalan posibles puntos de atención, como una brecha notable en el CV o inconsistencias entre las puntuaciones de evaluación y la experiencia.

Cómo aprende y mejora el modelo

Un modelo de IA scoring no es un sistema estático. Aprende y mejora continuamente basándose en la retroalimentación:

Ciclo de retroalimentación 1: resultados de contratación

Cuando se contrata a un candidato, el sistema rastrea cómo rinde esa persona. Después de 3, 6 y 12 meses, se evalúa si la contratación fue exitosa. Estos datos se retroalimentan al modelo para que las puntuaciones futuras sean más precisas.

Ciclo de retroalimentación 2: decisiones del reclutador

Si un reclutador pasa consistentemente candidatos con puntuaciones bajas, o rechaza candidatos con puntuaciones altas, eso señala un problema potencial en el modelo. El sistema aprende de estas desviaciones y ajusta los pesos.

Ciclo de retroalimentación 3: monitoreo de sesgos

El sistema monitorea continuamente si las puntuaciones correlacionan inadvertidamente con características protegidas como edad, género u origen. Si es así, las características relevantes se reevalúan y se ajustan cuando es necesario. Lea más sobre cómo la IA puede reducir el sesgo en la contratación.

Preguntas frecuentes sobre el IA scoring

¿Sustituye la IA al reclutador?

No. El IA scoring es una herramienta que ayuda al reclutador a tomar mejores decisiones, más rápido. El reclutador sigue siendo quien realiza las entrevistas finales, evalúa la química humana y toma la decisión final de contratación.

¿Qué tan preciso es el IA scoring?

La investigación muestra que los modelos de IA bien calibrados tienen una validez predictiva de 0,45 a 0,65, comparado con 0,10 a 0,20 para entrevistas no estructuradas y 0,25 a 0,35 para el cribado de CVs por reclutadores. La IA no es perfecta, pero es significativamente mejor que los métodos tradicionales.

¿Qué pasa si la IA pasa por alto a un buen candidato?

Este riesgo existe, al igual que con el cribado humano. La diferencia es que la IA puntúa de manera consistente y no se ve influenciada por la fatiga, el hambre o el orden de los CVs. Además, siempre puede pasar manualmente a candidatos que la IA puntúa bajo, lo que a su vez proporciona datos para mejorar el modelo.

¿Es el IA scoring compatible con el RGPD?

Sí, si se implementa correctamente. El RGPD requiere transparencia sobre la toma de decisiones automatizada y el derecho a solicitar intervención humana. Un buen sistema ofrece ambas cosas: puntuaciones explicables y un decisor humano en el proceso.

Implementación: por dónde empezar

¿Desea implementar el IA candidate scoring? No comience con la tecnología, sino con la estrategia:

1. Defina el éxito para cada rol. ¿Qué hace que alguien sea una buena contratación? ¿Qué características predicen el rendimiento y la retención?

2. Recopile datos históricos sobre contrataciones anteriores: ¿quién rindió bien, quién no y por qué?

3. Construya o elija evaluaciones que midan las características que ha definido como predictoras de éxito

4. Comience con un piloto para un número limitado de vacantes y compare las puntuaciones de IA con los resultados finales de contratación

5. Itere y mejore basándose en los resultados

Considere también construir su propio grupo de referencia para que las puntuaciones sean específicas de su contexto y no se basen en referencias genéricas.

Conclusiones clave

  • El IA candidate scoring evalúa automáticamente a los candidatos basándose en múltiples puntos de datos
  • El sistema se sustenta en tres pilares: entrada de datos, modelado y salida
  • La salida contiene no solo una puntuación, sino también subpuntuaciones, explicaciones y comparaciones
  • El modelo aprende continuamente mediante ciclos de retroalimentación: resultados de contratación, decisiones del reclutador y monitoreo de sesgos
  • El IA scoring es más preciso que el cribado tradicional, pero no sustituye al reclutador
  • Comience con la estrategia y las definiciones de éxito, no con la tecnología
  • ¿Desea ver cómo funciona el IA scoring en la práctica? Programe una demo de nuestro sistema de contratación con IA y descubra cómo puede transformar su proceso de selección.


    Reservar una llamada · Ver nuestro sistema AI Hiring