---

Un Momento Concreto en la Correspondencia de Candidatos

En un reciente hilo de Slack, apareció un ticket de error urgente: nuestro sistema de correspondencia de candidatos con IA estaba devolviendo coincidencias que no tenían sentido. Un candidato con diez años de experiencia en ingeniería de software fue clasificado más bajo que un desarrollador junior. La frustración era palpable y las apuestas eran altas; nuestros reclutadores dependían de este sistema para tomar decisiones de contratación informadas. Necesitábamos profundizar en cómo funcionaba realmente nuestra correspondencia de candidatos con IA.

Por Qué Este Problema Importa

La fiabilidad de nuestro algoritmo de correspondencia es crucial tanto para nuestros reclutadores como para los candidatos. Un candidato mal clasificado puede llevar a una pérdida de tiempo, contrataciones inadecuadas y, en última instancia, a oportunidades de negocio perdidas. Los reclutadores sentían la presión mientras luchaban por presentar candidatos cualificados a sus clientes, mientras que los desarrolladores enfrentaban el riesgo de ser pasados por alto debido a mecanismos de puntuación defectuosos. En un mercado laboral competitivo, cada porcentaje de coincidencia podría significar la diferencia entre conseguir un empleo o permanecer en la lista de solicitantes.

Desglosando el Problema

Tras una investigación, identificamos varios modos de fallo en nuestro sistema de correspondencia. Un problema evidente eran los sinónimos de habilidades. Por ejemplo, términos como “ingeniero de software” y “desarrollador” se trataban como entidades completamente separadas, a pesar de que a menudo describen roles similares. Esto llevó a que los candidatos fueran subvalorados si sus currículos utilizaban una terminología diferente. Además, encontramos inflación de senioridad, donde los candidatos etiquetados como “senior” eran inflados en su clasificación únicamente por el título, en lugar de su nivel de habilidad real. Esto se agravó por el relleno de palabras clave, donde los candidatos optimizaban sus currículos para el algoritmo en lugar de reflejar con precisión su experiencia.

Nuestros Intentos Iniciales

Inicialmente, exploramos un enfoque de filtrado determinista simple, donde los candidatos eran emparejados en base a un conjunto estricto de criterios codificados. Este método fue un callejón sin salida; aunque mejoró la especificidad, carecía de la matización necesaria para una clasificación efectiva. Además, era inflexible y estaba mal adaptado al diverso lenguaje utilizado en los currículos. Nos dimos cuenta de que necesitábamos un enfoque más dinámico que pudiera entender el contexto y la semántica, lo que nos llevó a considerar modelos de lenguaje grande (LLMs) para la re-clasificación.

Nuestro Enfoque Técnico

Nos orientamos hacia un sistema de re-clasificación basado en LLM. Nuestro nuevo enfoque incorporó un algoritmo de correspondencia de trabajos para candidatos que primero recuperaba un amplio conjunto de candidatos basado en filtros deterministas y luego aplicaba un LLM para re-clasificarlos según la relevancia contextual. Aquí hay una versión simplificada de nuestra lógica de correspondencia:

# Pseudo-código para el proceso de correspondencia de candidatos
candidatos = retrieve_candidates(filtros)
ranked_candidates = llm_re_rank(candidatos, descripcion_trabajo)
return ranked_candidates

Este enfoque de doble capa nos permitió aprovechar tanto criterios estrictos como la comprensión más flexible del lenguaje que proporcionan los LLM. Descubrimos que esto mejoró significativamente nuestra precisión de coincidencia y la satisfacción de los candidatos.

Cambios Observables en el Producto

Después de implementar estos cambios, observamos mejoras notables en nuestra plataforma. Los reclutadores informaron un aumento marcado en la relevancia de las coincidencias de candidatos, lo que llevó a procesos de entrevista más rápidos y tasas de satisfacción más altas. Los candidatos también experimentaron un proceso más transparente donde sus habilidades estaban mejor representadas en la puntuación de coincidencia. Esto impactó directamente en nuestra página /jobs, ya que las ofertas de trabajo comenzaron a recibir grupos de solicitantes de mayor calidad, mejorando en última instancia la experiencia del usuario para todos los involucrados.

Lecciones Clave Aprendidas

A través de este proceso, aprendimos varias lecciones contraintuitivas:

• La flexibilidad es clave: Los criterios de coincidencia estrictos pueden pasar por alto a candidatos cualificados.
• El lenguaje importa: Los sinónimos y la jerga pueden sesgar los resultados; el contexto es crucial.
• Los títulos senior no equivalen a habilidades senior: Evaluar las habilidades de manera objetiva es necesario para asegurar coincidencias de calidad.
• Bucle de retroalimentación continuo: Revisar regularmente la lógica de coincidencia basada en la retroalimentación de los usuarios es esencial para mantener la precisión.
• Transparencia algorítmica: A los candidatos les gusta entender cómo se evalúan sus habilidades, lo que puede mejorar la confianza en el proceso.

Implicaciones para los Candidatos

Para los candidatos, el sistema de coincidencia mejorado significa una representación más precisa de sus habilidades y experiencias. En lugar de ser marginados debido a discrepancias terminológicas, su verdadero potencial es reconocido. Este nuevo sistema les permite conectar con oportunidades que realmente se ajustan a sus cualificaciones, haciendo que el proceso de búsqueda de empleo sea más eficiente y gratificante.

Implicaciones para los Reclutadores

Desde la perspectiva de un reclutador, el algoritmo de coincidencia refinado reduce el tiempo dedicado a filtrar candidatos no adecuados. Pueden presentar una lista corta de candidatos altamente relevantes, mejorando la satisfacción del cliente y aumentando su eficiencia general. Esto también significa menos entrevistas desperdiciadas y una mejor alineación entre los candidatos y las necesidades de la empresa, fortaleciendo en última instancia el proceso de contratación.

Próximos Pasos

Mirando hacia el futuro, estamos monitoreando varios aspectos del nuevo sistema de coincidencia. Queremos refinar aún más nuestra sintonización de LLM para mejorar la comprensión del contexto y explorar la integración de la retroalimentación de los usuarios de manera más fluida en el algoritmo. Un área que nos interesa particularmente es reducir el impacto del relleno de palabras clave mediante un mejor análisis semántico. Si tuviéramos que deshacer un aspecto, sería la sobredependencia de filtros deterministas, ya que hemos visto beneficios significativos de la flexibilidad de los LLM. ---