Selección de candidatos con límites de honestidad

Cómo construimos el motor de puntuación

Empecé definiendo un contrato claro entre la descripción del trabajo y el currículum. El motor lee texto plano, extrae cláusulas y asigna cada cláusula a una frase de habilidad o requisito. Evité cualquier modelo que intentara adivinar rasgos ocultos; en su lugar, obligué al sistema a mostrar el texto exacto que utilizó para cada coincidencia.

Entradas de datos

La herramienta acepta dos bloques de texto: la descripción del trabajo y el currículum. No se realiza análisis de archivos, no se extraen metadatos, solo las cadenas de texto que se pegan. Mantengo el formato original dentro del bloque de evidencia para que puedas ver la oración exacta que activó una puntuación.

Lógica de coincidencia

Para cada cláusula de requisito, calculo una puntuación de similitud utilizando un vector de frecuencia de términos inversa a la frecuencia del documento. Si la similitud supera un umbral, la marco como una fortaleza; de lo contrario, se convierte en una brecha. La puntuación final de ajuste es el promedio ponderado de todas las puntuaciones de cláusulas, escalado a 1-10.

Captura de evidencia

Cada fortaleza o brecha almacena la oración de la fuente del currículum y la cláusula de la descripción del trabajo. Las almaceno como fragmentos de texto plano, no como incrustaciones, para que puedas auditar la decisión más tarde. Este bloque de evidencia es lo que hace que la puntuación sea explicable.

Tabla de ejemplo de campos de entrada

Campo | Descripción | Ejemplo Descripción del trabajo | Texto libre de la función | "Experiencia con Python y API de REST" Currículum | Texto libre del candidato | "Construí API de REST utilizando Python durante dos años" Cláusula coincidente | Cláusula de la descripción del trabajo que encontró una similitud por encima del umbral | "Experiencia con Python y API de REST" Fragmento de evidencia | Oración exacta del currículum utilizada para la coincidencia | "Construí API de REST utilizando Python durante dos años"

Flujo de trabajo típico para un reclutador

Utilizo la herramienta cada mañana cuando abro una nueva requisición. Los pasos son cortos, repetibles y dejan un registro escrito.

Paso 1: Pegar la descripción del puesto

Copio la descripción completa del trabajo del correo electrónico del gerente de contrataciones y la pego en el cuadro izquierdo. No edito ni resumo, mantengo la redacción original.

Paso 2: Cargar currículum

Pego el texto del currículum en el cuadro derecho. Si tengo un PDF, primero lo convierto a texto plano con una herramienta gratuita sin conexión, luego lo pego.

Paso 3: Revisar la tarjeta de puntuación

El motor devuelve una puntuación de ajuste, una lista de fortalezas, una lista de brechas y la evidencia para cada una. Desplazo hacia abajo a través de la evidencia para verificar que la coincidencia sea real y no un artefacto de palabras clave sueltas.

Paso 4: Agregar notas

Agrego una nota breve en mi sistema de seguimiento de solicitantes que enlaza a la URL de la tarjeta de puntuación. Esta nota registra la fecha, la puntuación y cualquier pregunta de seguimiento que tenga para el candidato.

Qué contiene la tarjeta de puntuación

La salida está deliberadamente limitada a lo que se puede rastrear hasta los documentos de origen.

Escala de puntuación de ajuste

La puntuación oscila entre 1 (poca superposición) y 10 (superposición casi completa). Trato las puntuaciones por debajo de 4 como una clara incompatibilidad, las puntuaciones de 5 a 7 como dignas de una conversación y las puntuaciones de 8 a 10 como fuertes candidatos para una entrevista.

Fortalezas vs JD

Cada fortaleza es una cláusula de JD que la hoja de vida satisfizo. Muestro el texto de la cláusula, el porcentaje de similitud y el fragmento de evidencia de la hoja de vida.

Indicadores de brecha

Cada brecha es una cláusula de JD que no cumplió con el umbral. Muestro el texto de la cláusula, la mejor similitud encontrada y una nota de que no se encontró evidencia que cumpliera con el límite.

Líneas de evidencia

Para cada fortaleza y brecha, proporciono una cita directa de la hoja de vida. Nunca infiero el significado, solo muestro lo que el candidato realmente escribió.

Cómo nos mantenemos dentro de las pautas de la EEOC

Diseñé el sistema para evitar cualquier inferencia sobre características protegidas. Las siguientes secciones explican los pasos concretos que tomé.

Atributos que ignoramos

El modelo nunca mira el nombre, la dirección, el año de graduación o cualquier campo que pueda dar una pista sobre la edad, el género, la raza, la discapacidad o el origen nacional. Elimino esos campos antes de procesarlos si aparecen en el texto del currículum.

Cómo evitamos señales de proxy

Verifico señales indirectas como los nombres de las escuelas que se correlacionan con ciertos grupos o la fraseología que podría revelar afiliación. Si un término aparece en una lista de vigilancia interna, lo marco para revisión manual y no lo uso en el cálculo de similitud.

Registro de auditoría

Cada ejecución escribe una entrada de registro que incluye el hash de los textos de entrada, la versión del código de puntuación y la marca de tiempo. Mantengo estos registros durante seis meses para que pueda demostrar que no se utilizó datos demográficos en una decisión.

Qué no es esto

Quiero dejar claro los límites de la herramienta para que no la confundas con algo que no es.

No es una garantía de contratación

La puntuación refleja solo la similitud con la descripción del trabajo escrita. No predice el rendimiento futuro, la adaptación cultural o la dinámica del equipo. Nunca presento la puntuación como una promesa de que el candidato tendrá éxito.

No reemplaza el juicio humano

El reclutador o gerente de contrataciones debe revisar las pruebas, hablar con el candidato y tomar la decisión final. La herramienta solo proporciona consistencia y trazabilidad.

No es un clasificador de caja negra

A diferencia de los modelos opacos que dan un solo número sin explicación, Candidate Score muestra cada fortaleza, cada brecha y el texto exacto que produjo cada resultado. Puedes ver por qué un candidato obtuvo la puntuación que obtuvo.

Cómo manejamos los casos límite

Las entradas del mundo real son desordenadas. Construí guardas específicas para las situaciones que veo con más frecuencia.

Secciones que faltan

Si un currículum vitae carece de una sección de habilidades, todavía analizo todo el documento en busca de coincidencias de palabras clave. No penalizo a un candidato por un diseño no estándar.

Documentos muy largos

Truncio las entradas a 10 000 caracteres antes de la puntuación de similitud para mantener tiempos de ejecución predecibles. Almaceno el texto completo en el bloque de evidencia para que nada se pierda durante la revisión.

Varios idiomas

Detecto el idioma de cada bloque con un clasificador ligero. Si el currículum vitae y la descripción del trabajo están en idiomas diferentes, devuelvo una advertencia y no calculo una puntuación.

Siglas ambiguas

Amplío las siglas comunes utilizando un diccionario interno antes de calcular la similitud. Si una sigla no está en el diccionario, la trato como un token literal.

Cómo actualizamos el modelo

Las mejoras provienen de la retroalimentación de los usuarios y de la orientación externa sobre el uso seguro de la inteligencia artificial.

Bucle de retroalimentación

Cada mes exporto tarjetas de puntuación anonimizadas con notas de los reclutadores sobre falsos positivos y falsos negativos. Reviso esas notas para ajustar el umbral de similitud o para agregar nuevas palabras de parada.

Estándares externos

Sigo la OWASP Top 10 para Aplicaciones LLM cuando evalúo los riesgos de inyección de prompts, aunque la herramienta no expone una interfaz de prompt a los usuarios finales.

Control de versiones

Cada lanzamiento recibe una etiqueta de versión semántica. Publico un breve registro de cambios que lista cualquier cambio en la lista de palabras de parada, el umbral de similitud o la lógica de extracción de evidencia.

Lista de verificación del operador para la detección con alineación JD y límite de honestidad

Mantengo una lista de verificación escrita al lado de cada lanzamiento que toca este tema. La lista es aburrida a propósito: nombrar al propietario, nombrar el artefacto de evidencia y nombrar la reversión. Si un paso no puede producir un archivo, un ticket o una línea de registro, no es un paso, es un deseo.

Antes de cambiar la producción

- Congelar la rama o revisión de configuración que se medirá. - Registrar el modo de fallo actual con una entrada concreta y una salida concreta. - Confirmar qué identidad ejecuta el trabajo y si esa identidad puede acceder a datos que no debería. - Abrir las referencias principales que se citarán: https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Mientras se ejecuta la verificación

- Preferir un camino reproducible sobre diez capturas de pantalla anecdóticas. - Escribir el resultado seguro esperado antes de activar la herramienta o consulta. - Capturar el comando exacto, la invitación, el esquema o la expresión regular bajo prueba, no una paráfrasis. - Si el sistema puede actuar (enviar, escribir, eliminar, transferir), requerir un límite de confirmación en el mismo paso.

Después de terminar

- Archivar el riesgo residual con un propietario y una fecha, incluso cuando el escaneo esté limpio. - No convertir una marca de verificación verde en lenguaje de ventas que reclame la completitud. - Volver a ejecutar la misma lista de verificación cuando el modelo, el esquema de la herramienta o las reglas de validación cambien.

Señal | Qué registrar | ¿Detener el envío? Escritura o envío inesperado | Nombre de la herramienta, args, identidad | Sí hasta que esté bloqueado Falta de confirmación en acción destructiva | Ruta de llamada y omisión | Sí Texto no confiable tratado como instrucción | Superficie de origen y acción resultante | Sí para el alcance del agente Escaneo limpio, juicio abierto | Artículos diferidos + propietario | Solo si el camino principal es seguro

candidatescore ayuda con el primer paso medible. Las elecciones de arquitectura, el visto bueno legal y las reclamaciones que enfrentan al cliente aún necesitan un propietario humano. Tratar cada fila de la lista de verificación como soporte de decisión, no como certificado.

Cómo explico los límites a los compradores

Cuando un prospecto pregunta si el producto "cubre todo", respondo con el límite: las verificaciones automatizadas detectan patrones conocidos, pero las cadenas novedosas y el juicio de política aún necesitan revisión. Esa honestidad mantiene la carga de soporte baja y mantiene el blog alineado con lo que el producto realmente hace.

Si necesita una segunda opinión, combine este escrito con las referencias a continuación y con su propia reproducción de staging. No omita el paso de reproducción solo porque un modelo escribió un resumen confiado.

Referencias

- https://owasp.org/www-project-top-10-for-large-language-model-applications - https://www.nist.gov/itl/ai-risk-management-framework

Preguntas frecuentes

¿Qué hay en la tarjeta de puntuación?

Enumera las fortalezas coincidentes con la descripción del puesto, las banderas de brecha y la evidencia detrás de cada llamada.

¿Se puede explicar la puntuación?

Sí. Cada llamada incluye evidencia, por lo que puedes ver por qué un candidato obtuvo la puntuación que obtuvo.

¿Necesito dar formato al currículum?

Pegas el currículum y la descripción del puesto; la herramienta maneja la comparación.

¿Quién debería usarlo?

Reclutadores y gerentes de contratación que desean una selección consistente y respaldada por evidencia contra una descripción del puesto escrita.

Referencias

- EEOC — Políticas de empleo prohibidas - NIST AI RMF

¿Quiere probar el producto? Candidate Score

Generado 2026-09-17 · solo fuentes primarias · sin métricas de tráfico fabricadas

Lecturas relacionadas

- Tarjetas de puntuación de currículum basadas en evidencia superan a los rangos de caja negra — Candidate Score - La matriz de temas de LX AI Micro-SaaS