Puntuar un CV frente a una oferta de empleo: lo que ve el modelo

Cuando un reclutador sube un CV a EvalCV, unos segundos después vuelve un número. Este artículo recorre lo que ocurre en medio, y lo que el modelo ve y no ve.

Paso 1: convertir un PDF en texto

Los CV llegan como PDF, archivos de Word y, de vez en cuando, imágenes. Extraemos el texto teniendo en cuenta el diseño, porque los diseños a dos columnas se leen en el orden equivocado si se toma el flujo de texto tal cual. Si la extracción produce muy poco texto, el CV se marca para revisión humana en lugar de puntuarse sobre nada.

Paso 2: eliminar señales que no deberían importar

Antes de que nada llegue al modelo, un paso de redacción elimina los campos irrelevantes para el puesto y que se correlacionan con características protegidas.

• Nombre y foto
• Fecha de nacimiento y años de graduación
• Domicilio
• Estado civil y nacionalidad cuando constan

La lista de campos eliminados se guarda con el resultado para poder auditarla después.

Paso 3: leer la oferta de empleo

La oferta se descompone en requisitos discretos, cada uno marcado como obligatorio o deseable. Los reclutadores pueden editar esta lista antes de puntuar nada, y eso importa: la puntuación solo es tan buena como los requisitos con los que se mide.

Por qué requisitos y no resultados

No entrenamos con quién fue contratado antes. Un modelo que aprende de decisiones pasadas hereda sus patrones. Puntuar frente a requisitos escritos es menos ingenioso y mucho más fácil de explicar.

Paso 4: emparejar con evidencias

Para cada requisito, el modelo debe citar una línea del CV que lo respalde o marcarlo como ausente. Una coincidencia sin cita se descarta.

{
  "requirement": "PostgreSQL",
  "status": "matched",
  "quote": "Tuned slow queries on a 2 TB PostgreSQL cluster"
}

Este es el paso que hace comprobable una puntuación. Un reclutador puede leer la cita y decidir si de verdad cumple el requisito.

Paso 5: combinar en una puntuación

Los requisitos obligatorios cumplidos pesan más que los deseables, y los obligatorios ausentes se muestran de forma destacada en lugar de diluirse en un promedio. El número final es un resumen. Las listas de cumplidos y ausentes son el resultado real.

Dónde falla

• Experiencia implícita. Un CV que dice «dirigí un equipo de cinco» no dice «gestioné personas», y el modelo puede no ver la relación.
• Formatos inusuales. Los CV muy diseñados pierden estructura en la extracción.
• Ofertas vagas. Los requisitos vagos producen coincidencias vagas.

La persona sigue al mando

EvalCV genera una preselección y sus motivos. No rechaza a nadie por sí solo. Cada resultado puede modificarse, y las modificaciones se registran, lo que además nos indica dónde falla el pipeline.