Cómo funciona realmente el matching de candidatos con AI: un enfoque de dos capas

Has escuchado el pitch cientos de veces: “matching de candidatos con AI”. ¿Pero qué significa realmente? La mayoría de las herramientas te dan un porcentaje, “78% de coincidencia”, y esperan que confíes. Sin evidencias. Sin explicaciones. Sin forma de saber si la AI acertó o está alucinando.

Eso no es matching. Es un número mágico.

El matching real de candidatos necesita dos cosas: velocidad y explicabilidad. Hay que evaluar más de 20 candidatos al día sin gastar 10 minutos en cada uno, y también entender por qué un candidato obtuvo esa puntuación para tomar decisiones informadas y tener conversaciones de screening útiles.

Así es como un enfoque de dos capas resuelve ambos problemas.

El problema del matching de una sola capa

En resumen: La mayoría de los sistemas de matching usan palabras clave (rápido pero ciego a sinónimos, contexto y habilidades transferibles) o solo AI (matizado pero costoso, lento e inconsistente). Las palabras clave pierden todo lo interesante; el AI puro es excesivo para verificaciones obvias.

La mayoría de los sistemas de matching usan uno de dos enfoques, y ambos tienen defectos fatales.

Solo palabras clave

El enfoque más simple: extraer palabras clave de la descripción del puesto, verificar si aparecen en el perfil del candidato. ¿“React” en el JD? Buscar “React” en el CV. ¿Lo encontraste? Punto anotado.

Esto se rompe rápido:

• Los sinónimos son invisibles. Un candidato que lista “React.js” no coincide con una búsqueda de “ReactJS”.
• El contexto se pierde. “5 años de Python” en un perfil podría significar 5 años de scripting para automatización, no 5 años construyendo sistemas backend en producción.
• La seniority es una suposición. Las palabras clave no dicen si la trayectoria del candidato va en la dirección correcta.
• Las habilidades transferibles no existen. Un ingeniero de datos en Scala con 6 años en sistemas distribuidos no coincidirá con la búsqueda “Python data engineer”, aunque probablemente podría hacer el trabajo.

Las palabras clave capturan lo obvio. Todo lo interesante se les escapa.

Solo AI

El enfoque opuesto: enviar el perfil completo del candidato y la descripción del puesto a un LLM, preguntar “¿qué tan bien encaja esta persona?” y analizar la respuesta.

Esto maneja mejor los matices (la AI entiende que “Series A company” implica “startup”), pero introduce nuevos problemas:

• El costo se acumula. Si envías perfiles completos a un modelo grande por cada candidato, gastas $0.05-0.15 por evaluación.
• La latencia es notable. Un análisis completo de AI toma 5-15 segundos.
• Excesivo para desajustes obvios. Si un JD requiere 8+ años y el candidato tiene 2, no necesitas AI para saberlo.
• Inconsistencia. Hazle la misma pregunta al mismo LLM dos veces y podrías obtener puntuaciones diferentes.

El matching con AI es potente, pero costoso y a veces poco fiable para verificaciones básicas.

La solución de dos capas

En resumen: La Capa 1 (determinística) maneja coincidencia de palabras clave, años de experiencia, ubicación, salario y requisitos obligatorios al instante y sin costo. La Capa 2 (AI) añade análisis de trayectoria profesional, relevancia de dominio, reconocimiento de habilidades transferibles y genera preguntas de screening dirigidas, todo en menos de 5 segundos combinados.

La respuesta no es elegir entre palabras clave y AI. Es usar ambas, en el orden correcto.

Capa 1: Matching determinístico (gratuito, instantáneo)

La primera capa maneja todo lo que puede evaluarse con reglas y comparaciones. Sin AI. Costo cero. Resultados instantáneos.

Qué verifica la Capa 1:

Coincidencia de palabras clave. Extrae habilidades y tecnologías de los requisitos del JD. Verifica cada una contra los datos parseados del CV del candidato. Calcula un porcentaje de coincidencia.

Años de experiencia. El JD dice “5+ años de desarrollo backend.” El CV del candidato muestra que su primer rol backend comenzó en 2021. Matemática simple: 5 años. Verificado.

Ajuste de ubicación. El puesto es “Berlín, híbrido”. El candidato está en “Múnich, abierto a reubicación”. La Capa 1 marca esto como coincidencia parcial: mismo país, diferente ciudad, reubicación mencionada.

Alineación salarial. El presupuesto es €70-85k. La expectativa del candidato es €80k. Bandera verde, dentro del rango.

Requisitos obligatorios. El JD tiene 3 requisitos obligatorios: React, TypeScript y 3+ años. La Capa 1 verifica cada uno por separado y da un resultado binario: pasa/no pasa.

El resultado es una evaluación base que detecta desajustes obvios al instante. Si un candidato falla 3 de 5 requisitos obligatorios en la Capa 1, probablemente no necesites la Capa 2 para saber que es una coincidencia débil. Pero la Capa 1 también conoce sus límites: marca todo lo que no puede evaluar como “necesita revisión de AI”.

Capa 2: Análisis de matices con AI (rápido, contextual)

La Capa 2 toma el control donde terminan las reglas y comienza el juicio.

Análisis de trayectoria profesional. ¿El candidato está creciendo en la dirección correcta? Alguien que pasó de Junior Frontend a Mid, a Senior y a Lead está en un track IC claro. Si el JD es para Staff Engineer, la AI reconoce qué trayectoria es mejor.

Relevancia de dominio. El JD es para una empresa fintech. El candidato pasó 4 años en una startup de pagos. La Capa 1 no capturaría “payments” como relevante para “fintech”; la Capa 2 entiende que pagos es un subdominio fintech.

Habilidades transferibles. Un candidato con 6 años en Scala y Apache Spark se postula para un puesto de “Python + PySpark”. La Capa 1 ve cero coincidencia de palabras clave para el requisito de lenguaje. La Capa 2 reconoce que la transición Scala a Python es común y relativamente fácil para ingenieros de datos.

Identificación de brechas con preguntas de screening. Aquí es donde la Capa 2 brilla. En lugar de marcar “falta: experiencia en Kubernetes”, genera una pregunta clarificadora: “El CV del candidato no menciona Kubernetes, pero tiene 3 años de experiencia en Docker y AWS ECS. Pregunte: ¿Ha trabajado con Kubernetes en alguna capacidad?”

La AI no solo puntúa. Te dice qué preguntar después.

Cómo se ve la scorecard

En resumen: La scorecard de dos capas entrega una puntuación global con veredicto, desglose por requisito mostrando qué capa evaluó cada punto con evidencia, banderas codificadas por color (verde/amarillo/rojo) y preguntas de screening listas para usar, todo generado en menos de 5 segundos.

Cuando ambas capas terminan, normalmente en menos de 5 segundos, obtienes una scorecard estructurada:

Evaluación general

Campo	Valor
Puntuación	82 / 100
Veredicto	Coincidencia fuerte
Recomendación	Hacer screening a este candidato

Desglose por requisitos

Requisito	Estado	Fuente	Evidencia
React, 3+ años	✅ Verde	Capa 1	”React” encontrado en 3 roles, el más antiguo 2022 (4 años)
TypeScript	✅ Verde	Capa 1	Listado en habilidades, usado en 2 roles recientes
Node.js backend	🟡 Amarillo	Capa 2	Node.js no listado, pero tiene Express.js en un rol
Dominio fintech	✅ Verde	Capa 2	4 años en PayTech (startup de pagos), fuerte relevancia fintech
Liderazgo de equipo	🟡 Amarillo	Capa 2	Lideró equipo de 2 personas en un proyecto, sin rol formal de líder
Kubernetes	🔴 Rojo	Capa 1	No encontrado en CV. Experiencia en Docker + ECS presente

Banderas

Banderas verdes:

• Trayectoria frontend fuerte (Junior, Mid, Senior en 5 años)
• Experiencia en dominio fintech alineada con el puesto
• Expectativa salarial (€78k) dentro del presupuesto (€70-85k)

Banderas amarillas:

• Experiencia en Node.js backend poco clara, necesita screening
• Experiencia de liderazgo informal, hay que clarificar expectativas

Banderas rojas:

• Kubernetes no mencionado. Si es requisito duro, puede ser bloqueante.

Preguntas para screening

1. “Tu CV muestra amplia experiencia en Docker y AWS ECS. ¿Has tenido alguna exposición a Kubernetes, ya sea en el trabajo, en proyectos personales o por certificaciones?”
2. “Veo que lideraste un equipo de 2 personas en el proyecto de migración de pagos. ¿Te interesa pasar a un rol de líder técnico más formal?”
3. “Tienes Express.js listado en tu rol en Acme Corp. ¿Cuánto trabajo backend de Node.js hacías día a día comparado con el trabajo frontend de React?”

Por qué ninguna capa funciona sola

En resumen: La Capa 1 sola rechaza buenos candidatos con habilidades transferibles y no detecta relevancia de dominio. La Capa 2 sola es más lenta, costosa y excesiva para verificaciones simples. Juntas cuestan $0,01 por evaluación, corren en 3-5 segundos y detectan tanto desajustes obvios como oportunidades sutiles.

Escenario	Solo Capa 1	Solo Capa 2	Ambas capas
Falta palabra clave obligatoria	✅ Lo detecta	✅ Lo detecta	✅ Lo detecta
Ingeniero Scala para rol Python	❌ Sin coincidencia, rechazado	✅ Reconoce habilidades transferibles	✅ C1 marca brecha, C2 añade matiz
Candidato tiene 2 años, JD pide 5	✅ Matemática simple	✅ Pero más lento y caro	✅ C1 detecta al instante
”Startup de pagos” para rol fintech	❌ Palabras clave no coinciden	✅ Entiende el dominio	✅ C2 añade relevancia de dominio
Costo por evaluación	$0.00	$0.01-0.02	$0.01 (C1 es gratuita)
Velocidad	Instantáneo	3-5 segundos	3-5 segundos total

La Capa 1 es rápida, gratuita y fiable para verificaciones estructuradas. La Capa 2 es matizada, contextual y explica su razonamiento. Juntas producen una scorecard en la que puedes confiar y que puedes usar.

La ventaja de la explicabilidad

En resumen: Cada puntuación está respaldada por evidencia específica del perfil del candidato, no por un “sentimiento” de AI. La scorecard muestra qué requisitos pasaron, qué brechas se encontraron y qué necesita screening, para que entres a cada llamada sabiendo qué preguntar y qué validar.

Lo que separa un buen sistema de matching de un generador de números mágicos: evidencia.

Cada puntuación en la scorecard de dos capas está respaldada por una pieza concreta de evidencia del perfil del candidato. “82/100” no significa que la AI “sintió” que era un 82. Significa:

• 5 de 6 requisitos pasaron las verificaciones de la Capa 1 ✅
• La Capa 2 encontró fuerte relevancia de dominio (+puntos)
• La Capa 2 identificó 2 brechas que necesitan screening (−puntos, pero recuperables)
• Salario y ubicación son banderas verdes (+puntos)

Cuando entras a una llamada de screening, no solo sabes la puntuación. Sabes qué preguntar, qué validar y qué le importa al hiring manager.

Qué significa esto para tu flujo de trabajo

En resumen: El matching de dos capas reduce la revisión de candidatos de 5-15 minutos a 30 segundos por persona. Clasificas por color (verde/amarillo/rojo), empiezas con coincidencias fuertes, verificas brechas recuperables en amarillos y saltas rojos con confianza, ahorrando más de 2 horas diarias.

Con matching de dos capas, tu revisión diaria de candidatos cambia mucho:

1. Abre tu pipeline. Ves 15 candidatos asignados a un puesto.
2. Revisa las puntuaciones. 3 verdes (85+), 7 amarillos (60-84), 5 rojos (menos de 60).
3. Empieza con los verdes. Abre la scorecard, revisa las banderas, anota las preguntas de screening.
4. Revisa los amarillos. La scorecard te dice qué falta y si es recuperable.
5. Salta los rojos con confianza. La Capa 1 detectó desajustes en requisitos duros.

Lo que solía tomar 5-15 minutos por candidato ahora toma 30 segundos de revisión de scorecard. Con 20 candidatos al día, eso son más de 2 horas ahorradas. No por hype de AI, sino por un flujo de trabajo estructurado y basado en evidencia.

---

¿Quieres ver el matching de dos capas en acción? Prueba Recrudoc CRM gratis. Asigna un candidato a un puesto y obtén tu primera scorecard en menos de 5 segundos.