Tecnología · July 21, 2026 · 8 min de lectura

Evaluaciones AI Sandbox: una guía práctica para comprobar cómo trabajan los candidatos con la AI

Tus contrataciones usarán AI desde el primer día, así que evalúalas con ella. Una guía práctica sobre las evaluaciones AI Sandbox: cómo es una buena tarea, qué medir realmente y cómo interpretar las señales fuertes frente a las débiles.

La contratación AI-native parte de una premisa honesta: tus candidatos tienen AI, y tus contrataciones también la tendrán desde el primer día. El AI Sandbox es la forma de convertir eso de amenaza en señal: una tarea práctica en vivo que observa cómo una persona trabaja realmente con las herramientas de AI. Si la idea es nueva para ti, empieza por la explicación breve; esta es la guía práctica y detallada para ejecutarla bien.

Cómo es una tarea de sandbox

Una tarea de sandbox es abierta, realista y se desarrolla en un entorno en vivo con las herramientas del puesto disponibles, incluido un asistente de AI. El candidato no responde preguntas sobre el trabajo; lo hace. Un ejemplo de soporte: aquí tienes un prompt que resume notas de reuniones pero sigue filtrando quién-dijo-qué a un canal público; corrígelo para que el resumen sea estructurado y sin atribuciones personales. Un ejemplo de ingeniería: esta función tiene un error sutil y dispones de un asistente de AI; resuélvelo y prepárate para explicar qué cambiaste.

Puedes ver una tarea real de principio a fin en la evaluación de muestra: un ítem de AI Sandbox con un artefacto inicial, las comprobaciones de aprobado/reprobado y la rúbrica con la que se califica.

Qué estás midiendo realmente

El artefacto terminado importa, pero no es toda la calificación: dos candidatos pueden entregar resultados similares y ser contrataciones muy distintas. Lo que realmente calificas es la colaboración, a través de unos pocos comportamientos observables:

• Comportamiento de verificación: ¿comprueban la salida de la AI o la entregan sin leer? Detectar una respuesta incorrecta, un error sutil o un dato afirmado con seguridad que no es cierto.
• Dominio del prompt: ¿dirigen la herramienta con claridad hacia un resultado real, con las restricciones y exclusiones adecuadas, o lanzan peticiones vagas y esperan?
• Criterio y corrección: cuando el primer resultado es defectuoso, ¿refinan el prompt, lo corrigen a mano o reconocen que la AI no es la herramienta adecuada para esa parte?
• Fundamento del dominio: ¿el trabajo terminado alcanza realmente el nivel del puesto, producido de la forma realista y asistida por herramientas en que el trabajo funciona de verdad?

Señales fuertes frente a débiles

En tareas de sandbox reales, la diferencia entre un candidato fuerte y uno débil suele verse en cómo trabaja, no solo en lo que entrega. Señales fuertes:

• Diagnostica por qué falló el primer intento antes de volver a probar, en lugar de reenviar prompts casi idénticos.
• Escribe instrucciones claras con reglas explícitas de inclusión y exclusión, y un formato de salida.
• Detecta los errores de la AI —un dato incorrecto, un caso límite pasado por alto— y los corrige.
• Entrega un trabajo que realmente resistiría frente a un cliente o a un revisor de código.

Las señales de alerta:

• Pega la salida de la AI sin cambios y sigue adelante, sin evidencia de haberla leído.
• Prompts vagos de una sola línea sin restricciones; ninguna reacción cuando el resultado es incorrecto.
• No puede explicar qué produjo la AI ni por qué lo aceptó.
• Salida segura y pulida que contiene en silencio un error que nunca notó.

Por qué permitir que los candidatos usen AI

Porque prohibirla pone a prueba un escenario que tus contrataciones nunca enfrentarán. El viejo instinto —bloquear el entorno, añadir supervisión— mide si alguien puede trabajar de una forma en la que nunca volverá a trabajar. Mientras tanto, el verdadero riesgo de la era de la AI no es que la gente use estas herramientas; es que entreguen los errores de las herramientas sin darse cuenta. La verificación es la nueva habilidad central, y la única manera de medirla es dejar entrar la AI a la sala. Es la misma lógica que hay detrás de por qué la supervisión no puede detener el fraude asistido por AI: no vences la AI del candidato prohibiéndola, la superas en diseño evaluándola.

Cómo diseñar una buena tarea de sandbox

• Hazla relevante para el puesto: una porción real del trabajo, no un acertijo elegido porque es fácil de calificar.
• Ofrece herramientas reales, incluida la AI, para que el flujo de trabajo coincida con el del puesto.
• Mantenla abierta pero con un nivel claro: debe haber un resultado 'bueno' reconocible.
• Limita el tiempo de forma humana: lo suficiente para mostrar el proceso, no un maratón que filtre por tiempo libre.
• Califica a cada candidato con la misma rúbrica para que las respuestas con mucho criterio sigan siendo comparables.

Equidad y cómo interpretar el resultado

Como un sandbox es abierto, la coherencia es lo que lo mantiene justo: la misma rúbrica para todos y una persona en el proceso que interprete, en lugar de una caja negra que decida sola. Resiste la tentación de sobrevalorar el pulido de la salida: un artefacto hermoso producido por una AI sin cuestionar vale menos que uno más tosco producido con criterio real. Usado así, el AI Sandbox se combina de forma natural con la AI fluency como pilar calificado, y puedes ver cómo se compone una evaluación ajustada al puesto para saber dónde encaja.

Deja de preguntar si un candidato puede trabajar sin AI. Dale las herramientas que realmente usará y observa qué tan bien trabaja con ellas.