IA en el sourcing: qué funciona, qué resbala y dónde debe decidir una persona

Lo que la IA hace bien en el sourcing, y por qué eso es una trampa

Una herramienta de sourcing con IA encuentra en dos minutos perfiles que a usted le habrían llevado veinte en identificar. Es real. La tecnología ha alcanzado un punto en el que el matching semántico y la coincidencia por palabras clave producen resultados aprovechables sobre volúmenes que nadie trataría a mano.

Concretamente, esto es lo que las herramientas hacen bien:

• Escanear miles de perfiles en segundos en LinkedIn, bancos de CV o sus bases internas
• Cruzar competencias declaradas con los requisitos de una ficha de puesto
• Identificar perfiles atípicos que un ojo humano habría pasado por costumbre de filtrado
• Generar resúmenes de trayectoria a partir de datos brutos

El problema no es la calidad del escaneo. El problema es lo que esa velocidad hace a su proceso de decisión. Cuando la lista llega en dos minutos, la tentación es tratarla como ya validada. No lo está.

La herramienta ha hecho pattern matching sobre experiencias pasadas. No ha leído la misión con los ojos de un comercial que conoce a ese director de sistemas desde hace tres años, que sabe que «Java senior» en ese cliente significa «capaz de retomar un legado de 200k líneas sin documentación», no solo «8 años de experiencia en Java».

El sesgo de la velocidad

Este fenómeno tiene nombre en psicología cognitiva: el sesgo de automatización. Cuanto más rápido y con más confianza un sistema produce resultados, menos se cuestiona la calidad de esos resultados.

En una ESN, se traduce así:

La segunda columna no es mejor que la primera. Es más rápida. No es lo mismo.

---

Los tres deslizamientos que las herramientas producen de forma sistemática

Los errores de la IA en sourcing no son aleatorios. Siguen patrones previsibles que se repiten en todas las herramientas del mercado, LinkedIn Recruiter, HireEZ, Entelo, o cualquier herramienta interna basada en NLP.

1. Confusión entre exposición y dominio

La IA no distingue entre un consultor que ha pilotado un proyecto Kubernetes en producción y un consultor que ha convivido con Kubernetes en un equipo de diez. Ambos perfiles mencionan Kubernetes. Ambos tienen la palabra clave. Pero uno ha pasado seis meses configurando clusters y gestionando incidencias en prod; el otro ha asistido a los daily standups.

Ejemplos concretos que aparecen con frecuencia:

• «Experiencia Terraform» = ha escrito 3 módulos frente a ha usado terraform apply sobre scripts existentes
• «Gestión de equipo» = ha liderado a 8 desarrolladores frente a ha sido el más senior de un binomio
• «Arquitectura microservicios» = ha diseñado la arquitectura from scratch frente a ha desarrollado un servicio en una arquitectura existente

La IA puntúa estos perfiles de forma casi idéntica. El cliente, en entrevista, hará la diferencia en cinco minutos.

2. Fusión de misiones cortas en experiencia continua

Un consultor ha hecho 3 meses de React en un editor SaaS, luego 4 meses de Vue.js en una startup, luego 2 meses de React Native en freelance. La IA lo recompone en «9 meses de experiencia frontend JavaScript», una línea coherente que no existe.

En realidad, ese consultor ha tenido tres contextos distintos, tres stacks distintos, y ninguna misión larga que demuestre su capacidad para mantenerse en un proyecto complejo. El resumen de la IA oculta esa fragmentación.

Este deslizamiento es especialmente peligroso en perfiles junior-intermedios (2-5 años), donde las misiones cortas son frecuentes.

3. Descontextualización de los títulos de puesto

«Tech Lead» en una startup de 6 personas suele ser el desarrollador más senior que codea el 80% del tiempo y hace un poco de revisión. «Tech Lead» en una ESN de 3.000 consultores es un rol de coordinación con encuadre técnico, staffing y relación con el cliente.

Mismo título. Realidades incompatibles.

Otros ejemplos frecuentes:

La IA no contextualiza. Lee el título, hace match. El resto es su problema.

---

El coste real de un perfil «casi válido»

Un no claro por un mal fit, el cliente aún le respeta, sabe que ha hecho el filtro. Ese perfil no era el adecuado, usted lo sabe, él lo sabe, pasamos al siguiente.

Un perfil «casi válido» que pasa el primer filtro pero se hunde en la calificación técnica dos semanas después es otra historia.

Lo que ocurre en la práctica

1. Envía el perfil el lunes. El cliente lo valida sobre la base del resumen.
2. La entrevista técnica se programa para la semana siguiente. El candidato está informado.
3. En la entrevista, el cliente profundiza en un punto que el resumen de la IA había alisado. El candidato no aguanta.
4. El cliente le llama. El tono ha cambiado.

Lo que le cuesta

• Crédito con el cliente consumido: cada envío fallido reduce la confianza del cliente en sus recomendaciones. Tras 2-3 perfiles «casi válidos», deja de leer sus dossiers con prioridad.
• Tiempo del candidato desperdiciado: el consultor ha preparado una entrevista, reservado media jornada, y acaba rechazado en un punto que usted podría haber identificado antes.
• Hueco perdido: mientras su perfil «casi válido» ocupaba el slot, podría haberse posicionado un perfil sólido. El cliente quizá ya haya avanzado con otro proveedor.
• Desgaste de la relación: este coste no aparece en ningún cuadro de mando, pero se acumula. A escala de trimestre, el cliente sabe quién envía perfiles cualificados y quién envía volumen.

Un cálculo sencillo

Tomemos una misión a 500€/día facturados. Si un perfil «casi válido» hace perder 3 semanas en el ciclo de colocación (tiempo de la entrevista fallida + retoma del sourcing + nuevo posicionamiento), son 7.500€ de facturación retrasada, sin contar el riesgo de que el cliente coloque a otra persona entretanto.

Compárelo con los 10 minutos de verificación que habrían permitido ver el problema antes del envío.

---

El punto de control que no debe saltarse

La decisión de envío debe tratarse como un acto comercial, no como una validación administrativa. Enviar un perfil a un cliente es comprometer su credibilidad. Merece algo mejor que un clic en «Aprobar» en una herramienta.

Las tres verificaciones antes del envío

Formalícelas. Aunque sean dos líneas en su herramienta de seguimiento. Este control lleva 10 minutos por perfil y le ahorra semanas de recuperación.

1. El alcance real de las misiones citadas

No se fíe del título. Abra el CV original y compruebe lo que el consultor ha hecho realmente en las misiones que la IA cita como prueba de fit.

Preguntas a plantearse:

• ¿Cuál era su rol exacto? (contribuidor, lead, arquitecto, soporte)
• ¿Cuál era el tamaño del equipo y su posición en él?
• ¿Qué tecnologías manipuló realmente?

2. La duración efectiva en el rol

La IA suele contar la duración total de la misión, no el tiempo en el rol pertinente. Un consultor enviado 18 meses a un cliente pero que solo hizo Java los 4 primeros meses antes de pasar a soporte funcional, la IA muestra «18 meses Java».

Verifique:

• La duración en el rol citado, no la duración global de la misión
• Si el consultor estaba a tiempo completo o como refuerzo parcial
• Si el alcance cambió en curso de misión

3. La coherencia resumen IA vs. CV original

Tome un punto concreto del resumen generado por la IA y compruébelo en el CV fuente. Uno basta, si ese punto es exacto, el resto tiene buenas probabilidades de serlo. Si es aproximado, profundice.

Puntos a cruzar:

• Una competencia técnica concreta mencionada en el resumen
• Una cifra (tamaño de equipo, número de usuarios, volumen de datos)
• Un resultado o entregable concreto

Cuadrícula de control rápido

Tres verificaciones. Diez minutos. Ningún perfil «casi válido» pasa.

---

Estructurar sus dossiers para acelerar la verificación

El control humano no debe convertirse en un cuello de botella. Si verificar un perfil lleva 45 minutos, nadie lo hará. El objetivo es estructurar la información de antemano para que la verificación sea rápida y fiable.

Separar lo verificado de lo inferido

Sus dossiers de candidatos deberían distinguir claramente:

• Datos verificados: lo que el consultor ha declarado y usted ha confirmado (entrevista, referencias, documentos)
• Datos importados: lo que la IA ha extraído de LinkedIn o de un CV (no verificado)
• Datos inferidos: lo que la IA ha deducido por cruce (a cuestionar)

Esta distinción no existe en la mayoría de las herramientas de sourcing. Todo se presenta al mismo nivel de confianza, lo que hace la verificación imposible sin volver al CV fuente.

Betterfolio estructura sus dossiers para hacer visible la distinción entre lo que un consultor ha pilotado y lo que solo ha convivido. Esa granularidad hace la relectura humana más rápida sin suprimirla, el comercial ve de inmediato los puntos a verificar en lugar de releer todo.

Pedir a la IA sus zonas de incertidumbre

La mayoría de las herramientas de sourcing le devuelven una lista ordenada por score de matching. Es el formato equivocado.

Pida antes bien a la herramienta que explique sus zonas de incertidumbre:

• ¿En qué criterios el matching es fuerte? ¿En cuáles es débil?
• ¿Hay competencias requeridas que el perfil no menciona explícitamente?
• ¿La duración de experiencia es continua o recompuesta?

Ya no valida una recomendación, cuestiona una hipótesis. El cambio de postura es fundamental.

---

Integrar la IA en un proceso, no sustituir el proceso

La IA en sourcing funciona cuando se trata como herramienta de exploración, no como herramienta de decisión. La diferencia es técnica pero las consecuencias son concretas.

Lo que la IA debería hacer en su flujo de trabajo

La IA cubre las columnas de la izquierda. La decisión, la relación con el cliente y la credibilidad siguen en la columna de la derecha.

Las señales de alarma de un proceso que se desvía

Está sustituyendo la IA por el juicio humano si:

• Sus comerciales envían perfiles que no han leído enteros
• La tasa de rechazo del cliente tras entrevista técnica aumenta desde que usa la herramienta
• Sus dossiers de candidatos son idénticos de un envío a otro (misma formulación, misma estructura, sin personalización)
• Nadie en el equipo sabe explicar por qué se envió un perfil más allá de «el score era bueno»

Si marca dos de estos puntos, el problema no es la herramienta. Es el lugar que le ha dado en la cadena de decisión.

---

Lo que hay que retener

La IA acelera la exploración. No sustituye el juicio.

Las herramientas de sourcing están mejor que nunca para encontrar perfiles. Siguen siendo malas para cualificar perfiles. Esa cualificación (verificar el alcance real, contextualizar los títulos, distinguir exposición de dominio) es el trabajo del comercial y del manager. Es también lo que justifica su margen frente al cliente.

Tres reflejos a anclar:

• 10 minutos de verificación por perfil antes del envío (alcance, duración, coherencia)
• Exigir las zonas de incertidumbre de la IA, no solo un score
• Tratar el envío como un acto comercial, no como una validación administrativa

El día en que su cliente ya no distinga sus perfiles de los de un competidor que envía volumen bruto, habrá perdido su ventaja. La IA no le hará perder esa ventaja. La ausencia de control humano, sí.