El proceso de selección de personal ha experimentado una transformación estructural en la última década debido a la incorporación de sistemas automatizados de gestión de candidaturas (Applicant Tracking Systems, ATS). Estos sistemas median la interacción inicial entre las personas candidatas y las organizaciones, filtrando y clasificando currículums antes de la intervención humana. Este artículo analiza cómo esta automatización redefine el currículum como objeto sociotécnico, introduce nuevas formas de mediación algorítmica y genera implicaciones en términos de sesgo, interpretabilidad y empleabilidad.
1. Introducción: la automatización del acceso al empleo
En los procesos de selección contemporáneos, especialmente en organizaciones medianas y grandes, la primera fase de evaluación de candidaturas suele estar mediada por sistemas automatizados conocidos como Applicant Tracking Systems (ATS). Estos sistemas actúan como infraestructuras digitales de filtrado que transforman documentos curriculares en estructuras de datos comparables.
Este fenómeno ha sido ampliamente documentado en la literatura sobre algoritmos en el trabajo, donde se señala que la toma de decisiones organizacionales ya no es exclusivamente humana, sino híbrida entre actores humanos y sistemas computacionales (Kellogg, Valentine & Christin, 2020).
En este contexto, el currículum deja de ser únicamente un relato profesional y pasa a ser un objeto diseñado para su interpretación algorítmica.
2. De la coincidencia léxica al procesamiento semántico
Los primeros sistemas ATS se basaban en mecanismos de coincidencia exacta de palabras clave. Este enfoque, aunque eficiente, generaba una alta tasa de falsos negativos, excluyendo candidaturas relevantes que no utilizaban la terminología exacta de la oferta laboral.
La evolución hacia técnicas de procesamiento de lenguaje natural (NLP) ha permitido introducir cierto grado de análisis semántico, aunque los sistemas actuales siguen dependiendo en gran medida de estructuras explícitas y patrones predefinidos (Upadhyay & Khandelwal, 2018).
Más recientemente, modelos basados en representaciones vectoriales del lenguaje han mejorado la capacidad de emparejar habilidades implícitas, aunque su adopción en entornos de producción sigue siendo desigual debido a problemas de aplicabilidad y sesgo (Raghavan et al., 2020).
3. El currículum como artefacto sociotécnico
El currículum vitae puede entenderse hoy como un artefacto sociotécnico que opera simultáneamente en dos niveles: humano y algorítmico. Esta dualidad implica que su efectividad depende tanto de su legibilidad para quienes reclutan como de su compatibilidad con sistemas automatizados.
Desde una perspectiva de estudios de ciencia y tecnología (STS), este fenómeno refleja una reconfiguración de la agencia en los procesos de selección: parte de la evaluación se delega a sistemas técnicos que incorporan decisiones de diseño, datos históricos y supuestos institucionales.
4. Puntos de fallo en sistemas ATS
La literatura identifica varias fuentes de error recurrentes en sistemas de selección automatizada:
4.1 Estructura del documento: Formatos complejos (tablas, columnas múltiples o diseños gráficos) dificultan la extracción de información, reduciendo la calidad del parsing del CV.
4.2 Desalineación semántica: Las diferencias terminológicas entre descripciones de empleo y currículums generan pérdidas de correspondencia, incluso cuando existe experiencia relevante.
4.3 Ambigüedad de la experiencia: La falta de cuantificación o contextualización de logros profesionales reduce la capacidad de comparación entre candidaturas.
Estos problemas no son únicamente técnicos, sino también lingüísticos y organizacionales.
5. Sesgos algorítmicos en la selección de talento
Aunque los ATS se presentan como herramientas objetivas, la investigación en equidad algorítmica ha demostrado que los sistemas de clasificación pueden reproducir sesgos presentes en los datos históricos de contratación.
Raghavan et al. (2020) muestran que incluso sistemas aparentemente neutrales pueden amplificar desigualdades existentes debido a correlaciones indirectas entre variables como institución educativa, historial laboral o patrones lingüísticos.
Esto introduce un problema estructural: la automatización no elimina el sesgo, sino que puede formalizarlo a escala.
6. El CV como problema de traducción
Una de las transformaciones conceptuales más relevantes es la interpretación del currículum como un problema de traducción entre lenguaje humano y representación computacional.
Los ATS transforman texto libre en estructuras normalizadas que permiten la comparación entre candidaturas. Sin embargo, este proceso implica pérdida de información contextual, especialmente en experiencias no estandarizadas o trayectorias profesionales no lineales.
Esta traducción no es neutra: está mediada por decisiones de diseño, ontologías laborales y supuestos sobre qué constituye «relevancia» en un perfil profesional.
7. Implicaciones para el mercado laboral
La introducción de ATS redefine las condiciones de acceso al empleo. El éxito de una candidatura no depende únicamente de la calidad del perfil, sino también de su compatibilidad con los criterios de interpretación algorítmica.
Este cambio genera una doble exigencia:
- optimización para sistemas automatizados (estructura, keywords, consistencia)
- legibilidad humana en fases posteriores del proceso
Según el World Economic Forum (2023), la digitalización de los procesos de contratación forma parte de una tendencia más amplia de automatización de funciones de recursos humanos, lo que reconfigura la intermediación laboral.
8. Discusión: automatización y gobernanza del talento
Desde una perspectiva de gobernanza algorítmica, los ATS no deben entenderse únicamente como herramientas técnicas, sino como mecanismos de organización del acceso a oportunidades laborales.
Su funcionamiento integra decisiones sobre qué habilidades son relevantes, cómo se comparan las candidaturas y qué señales se consideran indicadores de potencial profesional.
En este sentido, la selección de talento se convierte en un proceso parcialmente codificado, donde el diseño del sistema influye directamente en los resultados sociales.
9. Conclusión
Los Applicant Tracking Systems representan una transformación estructural en la mediación del empleo. El currículum ha dejado de ser un documento exclusivamente humano para convertirse en un objeto híbrido que debe operar dentro de infraestructuras algorítmicas.
La evidencia actual sugiere que esta tendencia no es coyuntural, sino parte de una reconfiguración más amplia del trabajo mediada por sistemas digitales (Kellogg et al., 2020; Raghavan et al., 2020).
Comprender esta transición es clave no solo para la optimización de candidaturas, sino para el análisis crítico de cómo se distribuye el acceso al empleo en economías digitalizadas.
Referencias bibliográficas
- Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals. angelechristin.com
- Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring. ACM FAccT. dl.acm.org
- Upadhyay, A. K., & Khandelwal, K. (2018). Applying artificial intelligence in recruitment. Journal of Enterprise Information Management. researchgate.net
- World Economic Forum (2023). The Future of Jobs Report 2023. weforum.org