Respuesta directa
¿Cómo configurar la criba curricular con ATS sin perder talento?
Separa los requisitos realmente excluyentes de las preferencias que solo deben mejorar el orden. Los primeros tienen que ser objetivos, comprobables y necesarios para el puesto; los segundos pueden alimentar un ranking revisable. Incluye sinónimos, cargos equivalentes e idiomas relevantes, y prueba la configuración con candidaturas cuyo resultado ya conozcas. Revisa tanto los primeros perfiles como una muestra de los descartados. El ATS debe mostrar información para decidir y permitir correcciones; una puntuación aislada no demuestra que una persona encaje.
Criterio de decisión
Yena puede ayudar con parsing, búsqueda y matching semántico dentro del proceso de una agencia. El recruiter sigue siendo responsable de revisar los datos, corregir errores y tomar la decisión.
Qué comprobar
- Justificar por qué cada filtro excluyente es necesario.
- Probar sinónimos, cargos equivalentes e idiomas distintos.
- Inspeccionar evidencias de resultados altos y descartados.
- Confirmar que el recruiter puede corregir datos y ranking.
Referencias oficiales
Una vacante puede recibir más candidaturas de las que el equipo puede revisar con profundidad. La prioridad es ordenarlas sin convertir reglas arbitrarias en descartes automáticos. Un ATS ayuda, pero una configuración deficiente también puede ocultar perfiles válidos.
La criba curricular automatizada no es neutral. Cada decisión de configuración — qué palabras clave buscar, qué campos obligar, qué puntuación mínima exigir — tiene consecuencias directas sobre quién llega a la entrevista y quién no. Este artículo explica cómo funciona el cribado en los sistemas ATS modernos, qué errores cometen la mayoría de los equipos de selección y cómo sacar partido de la IA semántica sin perder candidatos válidos por el camino.
Cómo procesa un ATS los currículums recibidos
Cuando un candidato envía su CV — ya sea por email, portal de empleo o formulario web —, el ATS puede parsear el documento, extraer campos estructurados y aplicar reglas definidas por el equipo. La velocidad y la calidad dependen del formato, la configuración y el proveedor.
El parsing es el proceso de convertir un PDF o Word en datos estructurados: nombre, email, teléfono, experiencia laboral (empresa, cargo, fechas), formación, idiomas, habilidades. La calidad del parser determina la calidad de toda la criba posterior. Un parser deficiente confunde fechas, fusiona empresas o directamente pierde secciones enteras de currículums con formatos poco convencionales.
Tras el parsing, el ATS aplica los filtros. Aquí es donde la mayoría de los sistemas divergen significativamente.
Filtrado por palabras clave vs. IA semántica: diferencias reales
| Criterio | Filtrado por palabras clave | IA semántica |
|---|---|---|
| Cómo funciona | Busca coincidencias exactas de texto | Calcula similitudes según el modelo y los datos; requiere validación |
| Ejemplo de acierto | Encuentra "Python" si el CV dice "Python" | Puede relacionar términos próximos, pero debe probarse con ejemplos reales |
| Falsos negativos típicos | Debe medirse con una muestra conocida | Debe medirse con la misma muestra conocida |
| Transparencia | Depende de cómo se documenten reglas y excepciones | Depende de la evidencia visible y de la posibilidad de corregir |
| Riesgo de sesgo | Sesgo por nomenclatura (ej. títulos universitarios) | Sesgo heredado de los datos de entrenamiento |
| Configuración necesaria | Términos, equivalencias, excepciones y prueba de resultados | Descripción del puesto y criterios de éxito |
| Idóneo para | Requisitos duros y verificables (certificaciones, idiomas) | Perfiles complejos con experiencia diversa |
La respuesta correcta no es elegir uno u otro — es combinarlos. Los filtros de palabras clave sirven para los requisitos excluyentes objetivos: "debe tener certificación PMP", "debe poder trabajar en España sin restricciones". La IA semántica sirve para el ranking de candidatos que superan esos filtros.
Los filtros exactos pueden perder equivalencias de cargo, idioma o tecnología. Mida ese riesgo con candidaturas conocidas y revise una muestra de perfiles descartados.
Los errores de configuración que descartan talento valioso
Exigir el título exacto del puesto
Si el filtro busca "Director de Marketing" y el candidato ha sido "Head of Marketing" durante cinco años en una empresa internacional, el sistema lo descarta. Las denominaciones de puestos varían enormemente entre sectores, tamaños de empresa y épocas. Un buen ATS con IA semántica entiende estas equivalencias; uno mal configurado, no.
Años de experiencia como filtro duro
"Mínimo 5 años de experiencia" parece razonable en el papel. El problema: la mayoría de los parsers extraen los años sumando la duración de cada empleo — sin distinguir si la experiencia es relevante o no. Un candidato con 6 años en puestos no relacionados pasa el filtro; uno con 3 años de experiencia directa y muy relevante, no.
Filtros de educación inflexibles
Exigir "Licenciatura en Administración de Empresas" cuando en realidad se acepta otra formación o experiencia equivalente descarta innecesariamente. Antes de usar una titulación como filtro, confirme si es legal u operativamente necesaria para la función.
Ignorar candidatos que no aplican en castellano
Para puestos en empresas internacionales o en regiones bilingües, rechazar CVs en inglés, catalán o euskera automáticamente puede eliminar exactamente los perfiles más internacionales que se buscan.
Configuración de filtros que sí funcionan
Divide los criterios en dos categorías antes de configurar nada: excluyentes (sin esto no hay entrevista) y deseables (puntúan positivo pero no eliminan).
Los criterios excluyentes deben ser pocos, objetivos y verificables. Ejemplos válidos: permiso de trabajo en España, certificación técnica específica y obligatoria por normativa (como requisito legal del sector), disponibilidad geográfica cuando no hay teletrabajo.
Los criterios deseables alimentan el ranking. Aquí es donde la IA semántica aporta más valor: puntúa más alto a quien tiene experiencia en el sector, en empresas de tamaño similar, con competencias relacionadas — aunque no use exactamente las palabras del job description.
La criba debe priorizar evidencia relevante, no reducir candidaturas hasta un porcentaje predeterminado.
Marco legal: qué dice la normativa española sobre el cribado automatizado
El artículo 22 del RGPD se refiere a decisiones basadas únicamente en tratamiento automatizado que producen efectos jurídicos o similares significativos. Contiene excepciones y salvaguardas, por lo que la configuración concreta debe evaluarse.
Mantener revisión humana real, explicar el tratamiento aplicable y ofrecer un cauce para plantear errores es una práctica prudente. Consulte la guía de la AEPD sobre relaciones laborales y adapte la información al proceso real.
Antes de configurar filtros eliminatorios, documente la finalidad, la necesidad de cada criterio, las personas con acceso y el procedimiento de corrección. Si el uso produce una decisión automatizada significativa, solicite una revisión jurídica específica.
Cómo Yena gestiona el cribado curricular
Yena combina parsing y matching semántico para ordenar perfiles según los criterios de la vacante. El resultado debe probarse con candidaturas reales y revisarse antes de decidir.
Los filtros excluyentes deben ser pocos, necesarios y verificables. En una demostración, abra la evidencia de varios resultados, corrija un dato y compruebe cómo cambia el orden.
Para sacar el máximo partido, explora nuestra herramienta gratuita de análisis de CV con IA y los detalles de matching semántico de candidatos.
Si quieres ver cómo encaja la criba en el proceso completo, el artículo sobre fases del proceso de selección lo contextualiza bien. Para opciones de software en el mercado español, consulta nuestra comparativa de software ATS para agencias de selección en España.
FAQ — Criba curricular y ATS
¿Cuántos candidatos debería pasar la criba curricular?
No existe una tasa universal. Revise si los perfiles que deberían avanzar aparecen y si una muestra de descartados contiene falsos negativos. El criterio es la evidencia del puesto, no alcanzar un porcentaje predeterminado.
¿El ATS puede discriminar candidatos ilegalmente?
Puede introducir discriminación o tratamiento innecesario si usa señales no relacionadas con el puesto. Revise necesidad, proporcionalidad y efectos de cada filtro, especialmente cuando se aproxima a edad, origen, discapacidad u otras características protegidas.
¿Cómo sé si mi ATS está descartando buenos candidatos?
Pruebe una muestra de candidaturas cuyo resultado ya conozca y revise también perfiles que el sistema deja fuera. Repita la prueba cuando cambien el brief, los criterios o el modelo.
¿Vale la pena invertir en un ATS con IA semántica si tenemos pocas vacantes?
Depende del tiempo de revisión, la complejidad del perfil, la calidad de los datos y la frecuencia de falsos descartes. Un equipo pequeño con pocas candidaturas puede trabajar de forma manual; una búsqueda especializada puede beneficiarse del matching incluso con menos volumen.
¿Qué información hay que comunicar a los candidatos sobre el cribado automatizado?
La información debe adaptarse al tratamiento real: finalidad, datos, destinatarios, conservación y cualquier decisión automatizada relevante. Utilice orientación verificable de la AEPD y asesoramiento ajustado al caso.
Criba curricular inteligente con Yena — sin perder talento
Parsing y matching que el recruiter puede probar con candidaturas reales, revisar y corregir.