Traduce una descripción de puesto a una búsqueda de candidato con IA

Una descripción de puesto terminada no es una búsqueda de candidato. Es un muro de párrafos (responsabilidades, requisitos, soft skills, “nice-to-haves”) que nadie puede pegar directamente en LinkedIn Recruiter. El paso de traducción es donde la mayoría de los reclutadores gasta tiempo extra: miras la JD, luego empiezas a copiar manualmente skills en filtros, esperando no haberte saltado la única keyword que habría sacado al candidato correcto.

La IA acorta ese trabajo sustancialmente. Pega la JD en Gemini, ChatGPT o Microsoft Copilot. Pide un set estructurado de skills y un Boolean search string. Tira el output en los filtros de keyword y skills de LinkedIn Recruiter Lite. Listo.

Cornelia, del canal HR Recruiting Uncovered, recorre este flujo en un rol ficticio de system engineer y termina con 130 perfiles cualificados. Esta guía desglosa su proceso, muestra los prompts que funcionan, y explica dónde el flujo todavía necesita juicio humano.

Por qué la traducción manual de JD a búsqueda se alarga

En resumen: Una JD técnica típica empaca muchas señales relevantes para el candidato a través de skills, herramientas, años de experiencia, idiomas, certificaciones y preferencias de ubicación. Mapear manualmente cada una al filtro correcto de LinkedIn es lento. La IA extrae y estructura esa información desde un prompt.

Abre una JD técnica típica e intenta contar las señales sobre las que un sourcer necesita actuar:

• Skills requeridas, a menudo mezcladas en el documento
• Tech stack, a veces oculto en responsabilidades en lugar de en la sección de requisitos
• Años de experiencia
• Educación (campos de título, equivalentes)
• Idiomas (inglés, alemán, español, fáciles de pasar por alto)
• Ubicación y política remota/híbrida
• Soft skills (la mayoría de las cuales deberías ignorar en la búsqueda)
• Preferencias de experiencia de industria (a menudo implícitas)
• Herramientas y plataformas específicas del rol
• Certificaciones

Una JD de senior engineer puede listar fácilmente docenas de estas señales. El trabajo del reclutador es extraer las que mejoran la precisión de la búsqueda y saltarse las que la dañan. “Mentalidad fuerte de resolución de problemas” hace una JD legible pero rompe un Boolean string.

Hecho manualmente, esto es trabajo de albañilería. Hecho con IA, es un solo prompt.

El flujo: de JD a filtros de LinkedIn en cinco pasos

En resumen: Crea un proyecto, pega la JD en tu herramienta de IA elegida, pide tanto una lista estructurada de skills como un Boolean string, tira ambos en los filtros de keyword y skill de LinkedIn Recruiter Lite, luego pon encima los filtros de años de experiencia y ubicación. La IA maneja la estructura; tú manejas las llamadas de juicio.

El flujo de Cornelia en LinkedIn Recruiter Lite:

Paso 1: crea un proyecto nombrado y con fecha

Antes de buscar, crea un proyecto. Cornelia recomienda incluir el título del rol y la fecha de búsqueda en el nombre del proyecto, por ejemplo System Engineer — Feb 1. Dos razones:

• LinkedIn Recruiter Lite no tiene recordatorios automáticos de seguimiento. La fecha en el nombre del proyecto te recuerda cuándo enviar el seguimiento de 1 o 2 semanas a candidatos que no respondieron.
• Si corres múltiples búsquedas a través de días para el mismo rol, los proyectos con fecha mantienen los pools de candidatos separados.

Salta la descripción del proyecto y otros campos opcionales. Como Cornelia lo pone, esos campos no son relevantes para la búsqueda y solo toman tiempo.

Paso 2: pega la JD en tu herramienta de IA

Cualquier herramienta de IA de propósito general funciona: Gemini, ChatGPT, Microsoft Copilot, Claude. El prompt es corto:

Abajo hay una descripción de puesto. Extrae:
1. Una lista limpia de todas las skills técnicas mencionadas (una por línea)
2. Un Boolean search string adecuado para LinkedIn Recruiter
   que combine las skills más importantes usando AND/OR

Descripción del puesto:
[PEGA LA JD COMPLETA AQUÍ]

La IA devuelve dos artefactos:

• Una lista de skills, formateada como bullets, lista para tirar en el filtro de skills de LinkedIn
• Uno o más Boolean strings, típicamente una versión “estrecha” (alta precisión, menos candidatos) y una versión “amplia” (precisión más baja, más candidatos)

La preferencia de Cornelia es empezar con el Boolean más estrecho y ampliarlo después si el pool de candidatos es muy pequeño.

Paso 3: decide qué va dónde

LinkedIn Recruiter Lite te da dos campos principales para información de skills:

| Campo | Mejor para | Límite | |---|---|---| | Skills & Assessments | Skills discretas y bien conocidas (Python, AWS, Kubernetes) | LinkedIn auto-sugiere; atado a skills que LinkedIn reconoce | | Keywords | Boolean strings, dominio de idioma, herramientas nicho, requisitos suaves | Texto libre, soporte completo de Boolean |

Cuando la IA devuelve una lista larga de skills, no las tires todas en el mismo campo. Sepáralas:

• Pon las skills más importantes y bien reconocidas en Skills & Assessments
• Pon el resto, junto con cualquier requisito de idioma, herramientas nicho o cualificadores de experiencia, en el Boolean string de Keywords

Esta división importa porque LinkedIn pondera los filtros de skills distinto de los matches de keyword. Apilar demasiadas skills en un lugar puede sobre-filtrar la búsqueda.

Paso 4: usa keywords para lo que los filtros no pueden expresar

A Recruiter Lite le faltan varios filtros que la versión corporativa de LinkedIn Recruiter tiene, lo más importante un filtro dedicado de idiomas. Si la JD requiere fluidez en inglés y alemán, no puedes filtrar por eso directamente. La solución es poner los requisitos de idioma en el Boolean keyword string:

("system engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR EMI) AND
("English" AND "German")

El principio de Cornelia, parafraseado: cuando LinkedIn no te da suficientes filtros nativos, empuja los requisitos al Boolean keyword string y la búsqueda igual va a sacar a los candidatos correctos.

Lo mismo aplica a certificaciones, plataformas nicho y cualquier requisito que LinkedIn no soporte nativamente.

Paso 5: pon encima los filtros estructurados

Una vez que las skills y el Boolean están en su lugar, añade los filtros estructurados que LinkedIn sí soporta:

• Años de experiencia: pon un rango (Cornelia usó 5-13 años para un requisito de “5+ años”)
• Ubicación: lista ciudades, no solo países
• Títulos de trabajo: haz click en las auto-sugerencias de LinkedIn y excluye variantes que no coincidan con la seniority. Una sugerencia de “Junior System Engineer” no es útil para un rol senior.

Salta estos filtros a menos que la JD explícitamente los requiera:

• Escuelas y majors: los ingenieros con varios años de experiencia rara vez tienen su título como la señal más fuerte; el historial de trabajo es más fiable
• Industrias: solo filtra si el hiring manager pidió explícitamente experiencia de industria
• Tamaño de empresa: misma salvedad
• Recientemente en LinkedIn: no útil para roles senior

En el ejemplo de Cornelia, la búsqueda aterriza en 130 candidatos en el proyecto, listos para outreach.

Un ejemplo trabajado: JD de system engineer

En resumen: De una JD con Python, PowerShell, Bash, VPN y requisitos bilingües inglés/alemán, un solo prompt de Gemini extrae la lista de skills y el Boolean string. El resultado es un proyecto de Recruiter Lite con 130 candidatos cualificados después de aplicar filtros de ubicación y experiencia.

Aquí está la JD abreviada con la que Cornelia trabajó:

System Engineer

Ubicación: Frankfurt o Essen (on-site) Tipo: Tiempo completo, permanente

Responsabilidades: Diseño de infraestructura, automatización y scripting (Python, PowerShell, Bash), seguridad y compliance (VPN, access manager, configuraciones EMI), configuración de redes.

Requisitos: 5+ años de experiencia como system engineer o similar, hands-on con Python, PowerShell y Bash, experiencia previa con setup de VPN y herramientas access manager, fluidez en inglés y alemán, mentalidad fuerte de resolución de problemas, título en Computer Science, IT o equivalente.

Después de pegar esto en Gemini y pedir skills + Boolean, la IA devolvió algo cercano a:

Skills extraídas:

• Administración de sistemas
• Diseño de infraestructura
• Python
• PowerShell
• Bash
• Configuración de VPN
• Access management
• Configuración EMI
• Configuración de red
• Seguridad y compliance

Boolean (estrecho):

("system engineer" OR "infrastructure engineer") AND
(Python AND PowerShell AND Bash) AND
(VPN OR "access manager") AND
("English" AND "German")

Boolean (amplio):

("system engineer" OR "systems engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR networking)

Tira el Boolean estrecho en el campo de keyword de LinkedIn. Tira las skills top en Skills & Assessments. Añade Frankfurt y Essen como ubicaciones. Pon años de experiencia a 5-13. La búsqueda aterriza en 130 candidatos, lo cual es manejable para el primer mes de outreach ya que LinkedIn Recruiter Lite te capa a 30 emails al mes.

Lo que la IA acierta, y lo que no

En resumen: La IA es fiable para extraer hard skills, herramientas y Boolean strings. No es fiable para soft skills, alias específicos de industria y juicios sobre qué requisitos pesar más fuerte. Usa la IA para la extracción estructurada. Mantén a los humanos en el loop para las llamadas estratégicas.

Un marcador de uso del mundo real:

| Lo que la IA hace bien | Lo que todavía te necesita | |---|---| | Extraer hard skills y herramientas | Decidir qué skills pesar más fuerte | | Generar sintaxis Boolean (AND/OR/NOT correctos) | Elegir Boolean estrecho vs amplio para tu tamaño de pool de candidatos | | Sacar años de experiencia | Negociar con hiring manager sobre flexibilidad de “5+ años” | | Identificar requisitos de idioma | Saber qué idioma del perfil de un candidato está infravendido | | Listar soft skills | Decidir qué soft skills saltarse en la búsqueda | | Generar múltiples variantes de Boolean | Elegir la variante que coincide con tu objetivo de seniority |

Cornelia es directa en el punto de soft skills: las deja fuera porque son redundantes e inservibles en la búsqueda. Su argumento es que cualquiera que ha sido ingeniero durante varios años obviamente ha desarrollado una mentalidad de resolución de problemas, así que filtrar por la frase no añade precisión.

La misma lógica aplica a “team player”, “self-starter” y la mayoría de otras soft skills. La IA va a incluirlas felizmente en un Boolean string. Tú deberías quitarlas.

Dónde este flujo deja de escalar

En resumen: El flujo de Gemini-más-LinkedIn funciona para un rol a la vez. Pasado cierto volumen, terminas corriendo el mismo ciclo de prompt JD-a-búsqueda repetidamente, cambiando entre tres pestañas, y perdiendo el rastro de qué candidatos fueron sourceados para qué rol. Los CRMs conscientes de la JD hacen esto una vez, luego reutilizan la JD parseada a lo largo del pipeline entero.

El flujo manual tiene efectos de techo claros:

Impuesto de repetición. El volumen estilo agencia significa correr el ciclo de prompt JD-a-Boolean cada vez que se abre un rol nuevo. Cada ciclo es rápido cuando la JD está limpia y lento cuando está messy. A través de una semana ocupada, el tiempo se acumula.

Pérdida de estado. El Boolean string vive en el historial de chat de tu herramienta de IA. Las skills viven en LinkedIn. Las notas del candidato viven en una hoja de cálculo. La JD vive en tu email. Semanas después, cuando un candidato responde, reconstruir el contexto te cuesta tiempo.

Sin reuso. La JD parseada que potenció la búsqueda en LinkedIn es la misma JD parseada que necesitas para scripts de cribado, scorecards y mensajes de outreach. Hacer el parseo cuatro veces separadas, una por artefacto, es trabajo desperdiciado.

Herramientas como Recrudoc parsean la JD una vez y reutilizan el output estructurado en todos lados. El JD Parser extrae requisitos, skills, años de experiencia, ubicación y banda salarial a un objeto estructurado. Ese mismo objeto luego conduce las scorecards de matching de candidatos, la generación de preguntas de cribado y las plantillas de mensajes de outreach, sin ciclos de copy-paste entre pestañas.

Si estás haciendo sourcing en LinkedIn pero quieres saltarte el paso manual de prompt, la Hybrid Search de Recrudoc acepta una JD o notas de intake crudas y devuelve candidatos coincidentes de tu base existente. La búsqueda semántica y por keyword trabajan juntas para encontrar candidatos cuyos perfiles usan sinónimos de tus términos de query.

Emparejando esto con otros flujos

En resumen: Este flujo es una pieza del pipeline JD-a-contratación. Empáralo con escritura adecuada de JD en el front-end y fluidez Boolean en el back-end para los pools de candidatos de mayor calidad.

Tres flujos compañeros hacen este enfoque más fuerte:

• Acertar con la JD antes de extraer de ella. Nuestra guía sobre escribir descripciones de puesto con prompts de IA cubre flujos de generador de prompts y estructuras que producen JDs específicas y amigables a la búsqueda.
• Aprende sintaxis Boolean para que puedas hacer chequeo sano de lo que produce la IA. Nuestra guía de LinkedIn Boolean search strings te da plantillas copy-paste para 15 roles comunes.
• Pon esto en una estrategia de sourcing completa. Nuestras estrategias de sourcing de candidatos para 2026 recorren dónde encaja el parseo de JD dirigido por IA dentro del playbook más amplio de LinkedIn-más-fuentes-pasivas.

Los perfiles de LinkedIn envejecen de forma desigual, especialmente en campos técnicos. Cornelia señala que los ingenieros actualizan stack tecnológico y certificaciones regularmente pero rara vez actualizan soft skills o idiomas. Un candidato cuyo perfil muestra solo inglés puede haber alcanzado C1 en alemán desde su última edición. Guarda esos perfiles en tu pipeline igual, y deja que la llamada de cribado confirme el dominio del idioma.

Esa es la brecha que la IA no cierra. Los perfiles cambian más rápido de lo que se indexan. El ojo del reclutador todavía está haciendo el filtrado final.

¿Quieres traducción JD-a-búsqueda integrada en tu CRM? Prueba Recrudoc CRM gratis. Pega cualquier JD y obtén requisitos parseados, Boolean strings y candidatos coincidentes de tu base en segundos.

Fuentes

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

• “Translating a Job Description into Candidate Search with AI” — Cornelia, HR Recruiting Uncovered, YouTube