JDs con IA: prompts de ChatGPT que producen descripciones realmente usables

Un documento en blanco. Un intake difuso del hiring manager. Un deadline antes de que el rol salga a producción. Cada reclutador conoce el impuesto de escribir JDs: mirando una plantilla, copiando lenguaje de publicaciones viejas, dudando si recordaste la banda salarial.

ChatGPT puede acortar el trabajo de forma sustancial, pero solo si tu prompt está bien. Un prompt vago como “escríbeme una descripción de puesto para un ingeniero de software” produce output vago: responsabilidades genéricas, requisitos irrealistas, el mismo párrafo “Sobre nosotros” de molde que tienen las demás publicaciones.

Rich, del canal SkillDeck, recorre una técnica que arregla esto en su serie de Talent Acquisition. El truco es que tú no escribes el prompt. Usas un generador de prompts para escribir el prompt, y luego corres ese prompt por ChatGPT. Dos herramientas, una JD usable.

Este artículo cubre los prompts que funcionan, la estructura que producen y dónde escribir prompts manualmente empieza a fallar comparado con usar una herramienta consciente de la JD.

Por qué los prompts directos a ChatGPT producen JDs débiles

En resumen: ChatGPT te va a producir una JD genérica desde un prompt de una línea, pero al output le falta estructura, responsabilidades específicas del rol y los elementos que los hiring managers realmente valoran. La solución es o bien un prompt más fuerte o un generador de prompts que construya la estructura por ti.

Esto es lo que la mayoría de los reclutadores hace la primera vez que prueba ChatGPT para JDs:

escribe una descripción de puesto para un becario de SEO, remoto, India

ChatGPT te va a dar algo. Va a tener un título, algunas responsabilidades, algunos requisitos. Pero compáralo con lo que un hiring manager realmente quiere publicar:

¿Hay un resumen de la empresa que venda el rol?
¿Las responsabilidades son lo bastante específicas para que el candidato pueda autoseleccionarse?
¿Los requisitos separan los must-haves de los nice-to-haves?
¿Hay una sección de beneficios que coincida con lo que tu empresa realmente ofrece?
¿Hay un proceso de aplicación o llamada a la acción?

Un prompt de una línea produce un output al que le falta la mayoría de esto. Pasas un trozo de tiempo editando para devolverlo a forma, lo cual es apenas más rápido que escribir desde cero.

El punto de Rich en el canal SkillDeck es que pedirle directamente una JD a ChatGPT técnicamente funciona, pero no vas a obtener una descripción de puesto adecuada por esa vía. La JD precisa viene de pasar un prompt por un escritor de prompts primero, y luego pegar el resultado en ChatGPT.

El prompt es el producto. El modelo es el motor.

El flujo del generador de prompts

En resumen: Usa un generador de prompts como PromptHackers para traducir tus requisitos en lenguaje llano a un prompt estructurado para ChatGPT. Copia el prompt generado a ChatGPT. El output es una JD con resumen de empresa, responsabilidades, requisitos, beneficios y proceso de aplicación en el orden correcto.

El flujo recomendado por Rich usa dos herramientas:

PromptHackers (prompthackers.com): convierte tus requisitos en lenguaje cotidiano en un prompt estructurado
ChatGPT: ejecuta ese prompt

No tratas de ser un prompt engineer. Dejas que una herramienta de prompt-engineering haga el engineering.

Paso 1: describe el rol en lenguaje llano

Abre PromptHackers. En la caja de input, escribe lo que quieres como lo dirías en voz alta:

Haz el rol de escritor de JDs.

Escribe una descripción de puesto. Quiero contratar becarios que puedan
manejar SEO, marketing digital, hacer investigación, deben ser inteligentes,
escribir blogs. El trabajo es remoto, desde casa. El candidato puede postularse
desde cualquier lugar de India.

Sin magia. Sin “actúa como un reclutador senior con 20 años de experiencia”. Solo los requisitos en español normal. El generador de prompts maneja el formato.

Paso 2: genera el prompt

PromptHackers toma tu input y produce un prompt estructurado con contexto del rol, requisitos de formato y restricciones ya rellenadas. El prompt generado incluye cosas que no se te habría ocurrido especificar:

“Incluye un resumen de la empresa”
“Separa los requisitos obligatorios de los preferidos”
“Output en markdown con headers H2 por sección”
“El tono debe ser profesional pero atractivo”

Tú no escribes nada de eso. El generador lo añade.

Paso 3: pásalo por ChatGPT

Copia el prompt generado. Pégalo en ChatGPT. El output es una JD con la estructura que el primer video de SkillDeck sobre escritura de JDs enseña a los reclutadores a usar:

Título del puesto
Resumen de la empresa
Descripción del puesto (overview del rol)
Responsabilidades
Requisitos
Beneficios
Proceso de aplicación

Eso no es aleatorio. Es la estructura canónica de una JD. Un prompt directo de una línea se salta la mitad de estas secciones. Un prompt construido por generador fuerza a ChatGPT a producirlas todas.

Qué hace fuerte a un prompt para JD frente a uno débil

En resumen: Los prompts débiles le dan a ChatGPT un tema. Los prompts fuertes le dan una asignación de rol, una estructura de output y restricciones. La diferencia es la consistencia. Los prompts fuertes producen el mismo output de calidad cada vez. Los prompts débiles producen una moneda al aire.

Si quieres saltarte los generadores de prompts y escribir los tuyos, la diferencia entre débil y fuerte se reduce a cuatro elementos:

Elemento	Prompt débil	Prompt fuerte
Asignación de rol	Falta	”Eres un reclutador técnico senior escribiendo JDs para startups SaaS”
Estructura de output	”Escribe una JD"	"Output: 1) Título 2) Resumen 3) Responsabilidades 4) Requisitos 5) Beneficios”
Restricciones	Ninguna	”Tono: profesional pero conversacional. Largo: 400-600 palabras. Sin clichés.”
Contexto	”para un ingeniero backend"	"para un Senior Backend Engineer en una fintech Series B de 50 personas, híbrido en Berlín, €80-100k”

Aquí tienes una plantilla de prompt fuerte que puedes adaptar:

Eres un reclutador senior escribiendo descripciones de puesto para una
empresa de [INDUSTRIA] en etapa [STAGE] con [TAMAÑO DEL EQUIPO] empleados.

Escribe una descripción de puesto para el siguiente rol:

- Título: [TÍTULO]
- Ubicación: [UBICACIÓN + POLÍTICA REMOTA]
- Rango salarial: [RANGO]
- Reporta a: [ROL DEL MANAGER]
- Equipo: [CONTEXTO DEL EQUIPO]

Requisitos must-have:
- [REQUISITO 1]
- [REQUISITO 2]

Nice-to-have:
- [REQUISITO 1]

Estructura de output:
1. Hook de empresa atractivo de 2 frases (específico, no genérico)
2. Overview del rol (3 frases máximo)
3. Responsabilidades (5-7 bullets, solo verbos de acción)
4. Requisitos divididos en "Required" y "Preferred"
5. Beneficios (4-6 bullets, reales no aspiracionales)
6. Proceso de aplicación (1 párrafo)

Restricciones:
- Tono: confiado, específico, sin clichés corporativos
- Largo: 400-600 palabras totales
- Nada de frases como "rockstar", "ninja", "ambiente fast-paced"
- Usa "tú" no "el candidato"
- Evita lenguaje con género

Guarda esto como un snippet. Reemplaza los placeholders entre corchetes para cada nuevo rol. El output se mantiene consistente entre roles porque la estructura está fijada.

SpotGPT: el prompt todo-en-uno para TA

En resumen: SpotGPT genera una JD más los artefactos que normalmente vienen después (KPIs, preguntas de cribado, preguntas de entrevista con método STAR, copy para post de LinkedIn, emails de outreach a candidatos) desde un solo prompt. Salta su output de Boolean string; no es fiable.

Si quieres todo lo que un proceso de TA necesita en un solo prompt, SpotGPT cubre más terreno que ChatGPT solo.

Te logueas con tu cuenta de Gmail y escribes el mismo tipo de prompt en lenguaje llano que usarías en PromptHackers:

Necesito una descripción de puesto para HR Manager en SkillDeck que conozca
Talent Acquisition, payroll, L&D, etc., con 7 a 9 años de experiencia
en Bangalore.

El output no es solo una JD. Es un paquete de TA:

Roles y responsabilidades (la JD en sí)
Objetivos de rendimiento, lo que se espera que el rol logre en los primeros 90/180/365 días
KPIs, los criterios medibles de éxito para el rol
Preguntas de cribado, qué preguntar en la llamada inicial del reclutador
Preguntas STAR basadas en escenarios para entrevistas situacionales
Copy de post de LinkedIn, formateado para publicar directo
Una plantilla de email de outreach para candidatos pasivos

La lectura de Rich en el canal SkillDeck es que SpotGPT empaqueta los artefactos que un experto en Talent Acquisition normalmente necesita (JD, preguntas de cribado, preguntas STAR, copy de publicación, email de outreach) en un solo output. Su única salvedad: salta el output de Boolean string. Boolean es lo único que la herramienta no hace bien. Usa un enfoque dedicado para eso — nuestra guía de Boolean search strings para 15 roles comunes lo cubre.

El trade-off frente a ChatGPT más PromptHackers: SpotGPT te da más artefactos a la vez pero menos control sobre cada uno. ChatGPT te deja iterar sobre un solo output. SpotGPT te entrega ocho outputs de los que puedes elegir.

Antes y después: la reescritura de una JD genérica con IA

En resumen: Una JD débil escrita por un reclutador se apoya en adjetivos genéricos y responsabilidades placeholder. El mismo rol, pasado por un flujo de generador de prompts, vuelve específico y escaneable. Abajo hay un esbozo de la diferencia usando placeholders entre corchetes. Adáptalo con tus números reales antes de publicar.

Esta es el tipo de JD inicial que un reclutador copia de una publicación vieja:

Backend Engineer

Somos una startup fast-paced buscando un dynamic backend engineer para unirse a nuestro equipo en crecimiento. El candidato ideal será un self-starter que prospere en un ambiente colaborativo.

Responsabilidades:

Desarrollar y mantener sistemas backend

Trabajar con el equipo para entregar features

Escribir código limpio

Requisitos:

3+ años de experiencia

Fuertes habilidades de comunicación

Bachelor’s degree preferido

Tres problemas con ese borrador: cada adjetivo es genérico, las responsabilidades son placeholders y los requisitos coincidirían con casi cualquier rol backend.

Ahora pasa el mismo rol por un prompt fuerte. Rellena los huecos entre corchetes con detalles de tu hiring manager y deja que ChatGPT produzca un output estructurado:

{Seniority} Backend Engineer, {Dominio o área de producto}

Vas a ser dueño del {área del sistema} en una empresa de {industria} de {tamaño}. Trabajarás con {composición del equipo} y reportarás a {rol del manager}.

Lo que harás:

{Entregable concreto 1: qué se envía, qué reemplaza}

{Entregable concreto 2: target de rendimiento o escala}

{Entregable concreto 3: colaboración cross-team}

{Responsabilidad operativa: on-call, alcance de ownership}

Required:

{N}+ años construyendo servicios backend en producción en {lenguajes}

Experiencia directa con {sistemas o patrones específicos del dominio}

Background fuerte en {base de datos / infra}

Preferred:

{Experiencia en tooling específico}

{Experiencia en tecnología adyacente}

Compensación: {rango salarial} {+ equity si aplica}, {ubicación y política remota}

La segunda versión es más corta en adjetivos pero más cargada de specifics. Los candidatos pueden autoseleccionarse. Los hiring managers pueden defenderla. ChatGPT, con el prompt correcto y los datos reales del rol rellenados en los corchetes, produce este tipo de estructura por defecto.

Dónde se rompe el flujo basado en prompts

En resumen: La escritura de JDs basada en prompts se cae al volumen estilo agencia, cuando los hiring managers mandan notas de intake fragmentadas, o cuando cada JD también necesita ser parseada de vuelta a criterios de búsqueda estructurados para sourcing. Pasado cierto volumen, necesitas el intake de JD construido en tu CRM, no una pestaña de ChatGPT.

El flujo PromptHackers + ChatGPT es genial para JDs sueltas. Se rompe a escala. Tres modos de fallo:

Volumen. Una agencia de staffing corriendo muchos roles activos termina corriendo el ciclo de prompt cada vez que se abre un nuevo rol. Cada ciclo significa copiar las notas del intake en un generador de prompts, copiar el prompt generado en ChatGPT, y luego copiar el resultado a algún lugar donde se pueda editar y compartir. El context switching se acumula.

Fragmentación del intake. Los hiring managers no envían requisitos limpios en bullets. Te llega un hilo de Slack, una transcripción de Zoom, una JD vieja con comentarios garabateados. Reformatear ese desastre al tipo de input limpio que PromptHackers quiere es el trabajo real, y el generador de prompts no puede hacerlo por ti.

Parseo downstream. Una JD terminada es solo el inicio. Después necesitas extraer los requisitos de ella para sourcing: skills must-have, años de experiencia, ubicación, banda salarial, keywords de búsqueda. Hacer esto dos veces (una para escribir la JD, una para parsearla) es trabajo desperdiciado.

Herramientas como Recrudoc manejan la segunda mitad del pipeline de forma nativa. Pega una JD (o incluso notas crudas del intake), y el JD Parser extrae requisitos estructurados, genera Boolean search strings y empuja todo a tu pipeline de matching de candidatos. La misma JD parseada luego alimenta scorecards de IA, scripts de cribado y mensajes de outreach, sin copy-paste entre pestañas.

Para más contexto sobre dónde la IA está cambiando los flujos del reclutador, ver nuestro overview de tendencias de reclutamiento con IA en 2026 y las mejores herramientas de IA para reclutadores este año. Una vez escrita tu JD, el siguiente problema es convertirla en una búsqueda de candidatos, lo cual cubre nuestra guía sobre traducir JDs a búsquedas de candidatos potenciadas por IA.

Referencia rápida: prompts para guardar

En resumen: Tres prompts cubren la mayoría de los escenarios de escritura de JDs del reclutador: un prompt estructurado de intake-a-JD, un prompt de JD-a-post-de-LinkedIn y un prompt de reescritura de JD que arregla lenguaje genérico sin reescribir desde cero.

Guárdalos en una app de notas o gestor de snippets. Adapta las secciones entre corchetes por rol.

Prompt 1: notas de intake a JD completa

Actúa como un reclutador senior. Tengo notas de intake para un nuevo rol.
Conviértelas en una descripción de puesto completa con:
1) Hook de empresa de 2 frases
2) Overview del rol
3) 5-7 bullets de responsabilidad (verbos de acción)
4) Cualificaciones Required y Preferred (separadas)
5) Beneficios (solo lo que la empresa realmente ofrece)
6) Proceso de aplicación

Tono: confiado, específico, sin clichés como "rockstar" o "fast-paced".
Largo: 400-600 palabras. Usa "tú" no "el candidato".

Notas de intake:
[PEGA LAS NOTAS CRUDAS AQUÍ]

Prompt 2: JD a post de LinkedIn

Convierte esta descripción de puesto en un post de LinkedIn que genere aplicaciones.

Formato:
- Línea de hook (1 frase, llamativa, sin emoji)
- Resumen del rol de 3 líneas
- 4-5 bullets de lo que el candidato obtiene (no lo que queremos)
- CTA de aplicación claro
- 5 hashtags relevantes

Largo: menos de 1300 caracteres totales.
Tono: humano, no corporativo.

JD:
[PEGA LA JD AQUÍ]

Prompt 3: reescritura de JD genérica

Esta descripción de puesto es demasiado genérica. Reescríbela con el mismo
rol y seniority pero hazla específica.

Reemplaza cada cliché ("equipo dynamic", "ambiente fast-paced",
"fuertes habilidades de comunicación") con detalles concretos.
Añade tamaño de equipo, stack tecnológico o contexto de negocio donde sea
relevante. Mantén la misma estructura pero corta el relleno.

JD original:
[PEGA LA JD AQUÍ]

Estos tres prompts cubren la mayoría de las situaciones de escritura de JDs. Combínalos con PromptHackers para los casos más difíciles, o salta el flujo manual entero con un CRM consciente de la JD.

¿Cansado de copy-pastear prompts entre PromptHackers, ChatGPT y tu ATS? Prueba Recrudoc CRM gratis. Pega cualquier JD o notas de intake y obtén requisitos estructurados, Boolean strings y matches de candidatos integrados.

Fuentes

Las ideas de este artículo se basan en la siguiente discusión con expertos del sector:

“AI in Recruitment | Crafting Job Descriptions in Seconds — ChatGPT, SpotGPT, PromptHackers” — Rich, SkillDeck, YouTube