---
Introducción al problema
Recientemente, discutimos en Slack cómo la automatización puede simplificar el proceso de clasificación de candidatos. Uno de los desarrolladores sugirió utilizar GPT para facilitar esta tarea, pero la conversación se volvió rápidamente tensa. Algunos de nosotros recordábamos experiencias negativas cuando la automatización conducía a errores, lo que nos llevó a cuestionar cuánto podemos confiar en un algoritmo en un proceso tan importante.
Contexto: por qué es importante
La clasificación de candidatos no es solo una tarea, es una etapa crítica en el proceso de selección. Los errores en esta fase pueden resultar en la pérdida de talento o, por el contrario, en la contratación de empleados inadecuados. En nuestro equipo hay muchas personas con experiencia en reclutamiento, y todos entendíamos que la automatización debe ser no solo rápida, sino también fiable. Sabíamos que los errores podían costarle a la empresa pérdidas tanto financieras como de reputación.
Problema en detalle
Uno de los ejemplos que analizamos fue una situación en la que GPT interpretó incorrectamente el currículum de un candidato. Un candidato con mucha experiencia en IT fue evaluado por debajo de un especialista menos experimentado, simplemente porque su currículum contenía términos más complejos que GPT no pudo procesar correctamente. Esto resultó en la pérdida de un potencial empleado valioso, lo que socavó la confianza en los sistemas automatizados.
Primeras intentos
Comenzamos con una integración simple de GPT en nuestro proceso, esperando que el algoritmo pudiera evaluar los currículums según criterios establecidos. Sin embargo, después de varias pruebas, nos dimos cuenta de que, a pesar de las altas calificaciones de precisión, el modelo seguía cometiendo errores. Decidimos volver al análisis manual, pero esto resultó ineficaz al aumentar el volumen de candidatos.
Enfoque técnico
Finalmente, elegimos un enfoque que combinaba lo mejor de ambos mundos: utilizar GPT como herramienta auxiliar para la evaluación, pero añadiendo capas de verificación y análisis manual. Desarrollamos un algoritmo que primero clasifica a los candidatos con la ayuda de GPT y luego proporciona los resultados al equipo de reclutadores para una verificación final. Un ejemplo de código que utilizamos para la integración:
# Ejemplo de código para la integración de GPT
results = gpt_model.rank_candidates(resumes)
validated_results = validate_results(results)Cambios en el producto
Tras la implementación del nuevo sistema, notamos que la precisión de la clasificación aumentó en un 30% en comparación con la versión anterior. Esto también nos permitió reducir el tiempo de procesamiento de currículums, lo que tuvo un impacto positivo en la experiencia tanto de los candidatos como de los reclutadores. Actualizamos las secciones en /jobs y /for-companies para reflejar estos cambios.
Lo que aprendimos
- La automatización puede ser útil, pero requiere control.
- Es importante combinar soluciones tecnológicas con la experiencia humana.
- La confianza total en la IA puede llevar a la pérdida de talento.
- Es necesario probar y mejorar continuamente los algoritmos.
- La verificación manual sigue siendo una etapa importante en el proceso.
Lo que significa para los candidatos
Los candidatos pueden esperar una evaluación más justa de sus currículums gracias al enfoque combinado. Nos esforzamos por tener en cuenta no solo las palabras clave, sino también el contexto general, lo que permite entender mejor su experiencia y habilidades.
Lo que significa para los reclutadores
Los reclutadores ahora pueden trabajar de manera más eficiente, utilizando GPT para el análisis preliminar, y no como única fuente de evaluación. Esto les permite centrarse en aspectos más importantes, como la interacción con los candidatos y sus cualidades personales.
Próximos pasos
Seguimos monitoreando el funcionamiento de nuestro sistema y planeamos actualizaciones periódicas de los algoritmos de GPT para mejorar la precisión. En el futuro, también estamos considerando la posibilidad de implementar métricas adicionales para analizar los resultados. Si pudiéramos cambiar algo en el proceso, añadiríamos más etapas de validación para aumentar la confianza en los resultados. ---