Tecnología · July 23, 2026 · 10 min de lectura

Cómo detectar currículums generados por IA — y por qué ese no es el objetivo correcto

Los currículums generados por IA son ya la norma. Por qué fallan los detectores, qué señales importan realmente y cómo evaluar habilidades demostradas.

Los currículums generados por IA son omnipresentes en 2026, y la verdad incómoda es que, en gran medida, eso está bien. Lo que no está bien es que muchos equipos de contratación siguen clasificando candidatos basándose en un documento que ya no los diferencia. Cuando prácticamente todas las solicitudes han sido redactadas, adaptadas o pulidas por un modelo de lenguaje, el currículum deja de decirte quién puede hacer el trabajo. Solo te dice quién tiene acceso a una herramienta de IA gratuita, es decir, todo el mundo.

Esta guía está dirigida a reclutadores, responsables de contratación y líderes de talento que evalúan candidatos a cualquier volumen: equipos internos desbordados de solicitudes, agencias que procesan cientos de perfiles a la semana, fundadores haciendo sus primeras contrataciones. Obtendrás tres cosas: un análisis honesto de por qué fallan las herramientas de detección de currículums de IA y el daño que causan sus falsos positivos, el pequeño conjunto de señales que realmente vale la pena identificar, y la solución estructural: trasladar el peso de la evaluación de afirmaciones no verificables a habilidades demostradas.

El momento no es casual. La escritura de IA de calidad avanzada es gratuita, los volúmenes de solicitudes han aumentado porque presentarse a cien empleos ahora lleva una tarde, y las regulaciones de contratación, desde NYC Local Law 144 hasta el EU AI Act, están elevando el coste de las decisiones de cribado que no se pueden defender. Esto aplica en cualquier contexto donde se evalúe a escala, y especialmente en la contratación remota, donde el currículum ya cargaba más peso del que podía sostener. El objetivo de este artículo no es ayudarte a detectar usuarios de IA. Es ayudarte a dejar de premiar el pulido que no puedes verificar.

¿Por qué la mayoría de los currículums son ahora generados por IA?

Tres fuerzas convergieron. Primero, las herramientas se volvieron gratuitas y eficaces: cualquier candidato puede pegar una descripción de puesto en un chatbot y obtener un currículum adaptado y optimizado por palabras clave en menos de un minuto, y LinkedIn, los creadores de currículums y las herramientas integradas en ATS ofrecen ahora la reescritura con IA como función predeterminada. Segundo, los candidatos aprendieron —con razón— que los filtros de palabras clave de los ATS recompensan la redacción exacta, por lo que adaptar cada currículum a cada oferta pasó de ser una buena práctica a ser un requisito básico. Tercero, el volumen genera volumen: al abaratar la IA las solicitudes masivas, el número de solicitudes por puesto aumentó, lo que empujó a los empleadores hacia filtros automáticos más agresivos, que a su vez impulsaron una optimización más agresiva por parte de los candidatos. Ambas partes ejecutan ahora software la una contra la otra.

Observa lo que esto significa para el verbo «detectar». No estás buscando una falsificación rara en una pila de documentos auténticos. En la mayoría de los embudos, el currículum tocado por IA es el caso mayoritario. Cualquier estrategia que presuponga identificarlos y eliminarlos es una estrategia que presupone eliminar la mayor parte de tu embudo, incluyendo a muchos de tus candidatos más sólidos, ya que el uso fluido de herramientas se correlaciona exactamente con la fluidez en IA que muchos puestos exigen ahora.

¿Funcionan realmente los detectores de currículums de IA?

No, no con la fiabilidad que requiere una decisión de contratación. Los detectores de texto de IA estiman qué tan estadísticamente predecible es un texto. Este enfoque ya es problemático en general, pero falla de forma más pronunciada con los currículums, porque estos eran rígidamente formulaicos mucho antes de que existieran los modelos de lenguaje: puntos declarativos cortos, verbos de acción, resultados cuantificados, encabezados de sección estandarizados. El género en sí parece escrito por una máquina. Un detector no puede separar con claridad «generado por IA» de «escrito de la manera en que todos los servicios de orientación profesional han enseñado a escribir durante treinta años».

El fallo se produce en ambas direcciones. El texto de IA ligeramente editado pasa sin problemas, por lo que los detectores no capturan precisamente aquello que prometen detectar. Mientras tanto, los falsos positivos se concentran en textos gramaticalmente correctos y estructuralmente convencionales, lo que describe desproporcionadamente la escritura cuidadosa de hablantes no nativos de inglés. El mismo patrón llevó a muchas universidades a abandonar la detección de IA en trabajos de estudiantes: las herramientas marcaban a escritores concienzudos mientras dejaban pasar a quienes hacían trampa de forma descuidada. Importar ese fallo a la contratación es peor, porque el daño recae sobre los medios de vida reales de una persona y porque las herramientas de cribado en contratación enfrentan un escrutinio legal que las herramientas de aula no afrontan.

Hay también un coste más silencioso: el teatro de la detección erosiona la confianza. Los candidatos hablan entre sí, y una empresa conocida por rechazar personas bajo acusaciones de pulido con IA se percibe como hostil y tecnológicamente ingenua, un mal intercambio por una señal que era poco fiable desde el principio.

¿Cuáles son las señales reales de un currículum generado por IA?

Hay patrones que vale la pena identificar, no como prueba del uso de IA y jamás como criterio de rechazo, sino como indicios de qué verificar más adelante. Dos son los más relevantes.

Inflación genérica de logros

Las herramientas de currículum de IA se entrenan con consejos que dicen que cada punto debe incluir una métrica, por lo que añaden una a todo: «mejoré la eficiencia en un 40 %», «impulsé un aumento de 3x en el engagement», «reduje los costes en un 25 %». La señal no es la presencia de números —los candidatos sólidos cuantifican resultados reales—, sino la impresionante uniformidad sin contexto. Cada puesto en cada empresa produjo una mejora de dos dígitos; ninguna métrica menciona una línea de base, un plazo, el tamaño del equipo o el mecanismo. Los logros reales son irregulares y específicos. La inflación con plantilla es uniforme e intercambiable.

Espejeo de palabras clave de la descripción del puesto

La adaptación mediante el pegado de la descripción del puesto deja huellas: el currículum reproduce la redacción exacta de tu oferta, en orden, incluida tu fraseología idiosincrásica. Si tu descripción del puesto solicita «alineación de partes interesadas interfuncionales en entornos ambiguos» y el currículum afirma tener precisamente esa experiencia en precisamente esas palabras, estás leyendo tu propia oferta reflejada de vuelta. Las secciones de habilidades que reproducen textualmente tu lista de requisitos son la misma señal.

Qué te dicen realmente estas señales

Casi nada sobre la capacidad del candidato, y ese es precisamente el problema. Un currículum con espejeo e inflación puede pertenecer a un candidato débil que está manipulando el filtro o a un candidato sólido que dedicó treinta segundos a un documento que acertadamente consideró una formalidad. Las señales no pueden distinguir esos casos. Solo la verificación puede hacerlo.

¿Usar IA para escribir un currículum es hacer trampa?

No, y los equipos de contratación deberían decirlo en voz alta. Los redactores profesionales de currículums existen desde hace décadas; los coaches de carrera, los servicios universitarios y las listas de «verbos poderosos» han moldeado los currículums mucho más tiempo que los modelos de lenguaje. Nadie llamó a eso hacer trampa. La asistencia de IA es el mismo servicio a coste cero, y podría considerarse una fuerza democratizadora, ya que el pulido ya no está restringido a quienes pueden permitirse un redactor o crecieron hablando inglés.

La línea que importa es la fabricación, no la asistencia. Un candidato que usa IA para presentar de forma clara una experiencia real está haciendo lo que el formato exige. Un candidato que inventa títulos, empleadores o logros está mintiendo, y mentía también en 1995; la herramienta de escritura es irrelevante. Tu proceso debe estar diseñado para detectar la mentira, no la herramienta. Y para una proporción creciente de puestos, el uso fluido de IA es un criterio que estás buscando en los candidatos, lo que hace que penalizarlo al inicio del embudo sea directamente contraproducente: cualquier marco serio de fluidez en IA lo trata como una habilidad de primer orden, no como un defecto de carácter.

El problema real: los currículums ya no diferencian

Aquí está el reencuadre que necesita todo este tema. El currículum nunca fue un buen predictor del desempeño laboral: décadas de investigación en selección de personal clasifican consistentemente las credenciales y la experiencia autodeclarada muy por debajo de las muestras de trabajo, las entrevistas estructuradas y las medidas de capacidad. Lo que el currículum sí ofrecía era diferenciación barata: el esfuerzo, la claridad y la adaptación variaban lo suficiente entre candidatos como para que una clasificación pareciera posible. La IA eliminó esa varianza. Cuando cualquier candidato puede producir un documento limpio, adaptado y optimizado por palabras clave en un minuto, el pulido no contiene información alguna. La señal no se degradó; colapsó.

Por eso la detección es el objetivo equivocado incluso si funcionara. La detección perfecta te diría qué documentos pulidos fueron pulidos por una máquina, y seguiría sin decirte nada sobre quién puede hacer el trabajo. La respuesta racional ante una señal colapsada no es inspeccionarla de forma forense. Es dejar de ponderarla y trasladar tu esfuerzo de cribado a señales que aún discriminan entre candidatos: la habilidad demostrada y observada.

¿Cómo evalúas a los candidatos cuando los currículums no aportan señal?

Invierte el embudo. En lugar de usar el currículum para decidir quién merece una evaluación, usa una evaluación breve y relevante para el puesto para decidir de qué perfiles vale la pena hacer una revisión más profunda. Este es el argumento central de la contratación basada en habilidades: evalúa lo que los candidatos pueden demostrar que hacen antes de evaluar lo que afirman haber hecho. En la práctica, un embudo con poco peso en el currículum tiene cuatro componentes:

• Un filtro de descarte ligero basado solo en datos verificables: autorización de trabajo, ubicación y zona horaria, credenciales no negociables para roles con licencia. Sin clasificación basada en la calidad de la redacción.
• Una evaluación de habilidades temprana para todos los que superen el filtro de descarte, suficientemente breve para respetar el tiempo de los candidatos, suficientemente relevante para el puesto como para que el rendimiento prediga el trabajo real. Las pruebas de muestra de trabajo son la herramienta más sólida aquí.
• Entrevistas estructuradas con puntuación anclada, usando las afirmaciones más audaces del currículum como material de exploración en lugar de como hechos aceptados.
• Un diseño de evaluación que sea honesto sobre la IA del lado del candidato: preguntas generadas por puesto que no puedan buscarse, y tareas en entornos de sandbox donde el uso de IA se observe como habilidad o sea estructuralmente irrelevante, el enfoque detallado en cómo prevenir trampas con evaluaciones generadas por IA.

El último punto merece énfasis, porque la objeción obvia a «evalúa habilidades en lugar del currículum» es que los candidatos también pueden apuntar la IA a las evaluaciones. Pueden hacerlo, si la evaluación es una prueba estática cuyas respuestas circulan en internet. La solución es la misma disciplina aplicada dos veces: así como no deberías confiar en un documento que cualquier herramienta puede generar, no deberías implementar una prueba que cualquier herramienta pueda resolver de memoria. Las evaluaciones generadas de nuevo por descripción de puesto, con generación de calidad verificada y entornos de trabajo en sandbox, trasladan el ejercicio de «recuerda la respuesta» a «haz el trabajo», y hacer el trabajo, con o sin IA, es exactamente para lo que estás contratando.

¿Para qué deberías seguir usando el currículum?

No elimines el currículum; degrada su función. Sigue siendo útil como documento logístico y de verificación: historial laboral para confirmar en verificaciones de antecedentes, datos de elegibilidad, una cronología a la que las preguntas de entrevista estructurada puedan anclarse, y contexto que ayuda a un entrevistador a prepararse. Lo que ya no debe ser es el instrumento de clasificación: la cosa que decide, en un vistazo de seis segundos, quién tiene la oportunidad de demostrar algo. Ese vistazo siempre fue el eslabón más débil del embudo; la IA simplemente hizo su debilidad imposible de ignorar. Los equipos que dan este giro suelen descubrir que también comprime el tiempo de contratación, porque una evaluación temprana clasifica un grupo grande de forma más rápida y defendible que cualquier cantidad de lectura de currículums.

El papel de H-Evaluate

H-Evaluate está diseñado exactamente para el embudo que describe este artículo: uno donde la señal decisiva es la habilidad demostrada, no las afirmaciones pulidas. Genera evaluaciones por descripción de puesto en lugar de extraerlas de una biblioteca de pruebas estática compartida, por lo que no existe una clave de respuestas circulante que los candidatos puedan alimentar a un chatbot; la generación con control de calidad mantiene las preguntas relevantes para el puesto y defendibles; y las muestras de trabajo en sandbox te permiten observar a los candidatos realizando trabajo realista, incluyendo con qué fluidez usan la IA cuando el puesto lo requiere.

La postura de cumplimiento normativo también importa. Porque el cribado basado en evaluación reemplaza el filtrado opaco de currículums por una evaluación estructurada y auditable, se alinea con la dirección que toma la regulación: el régimen de auditoría de sesgos de NYC Local Law 144 y los requisitos del EU AI Act para sistemas de contratación de alto riesgo, entre otros. Si estás repensando tu proceso de cribado desde los principios fundamentales, comienza con la contratación nativa de IA, la guía central para construir un embudo donde la IA del lado del candidato sea un supuesto de diseño, no una sorpresa.

El currículum te decía lo que un candidato afirmaba poder hacer. Siempre fue un indicador indirecto. La IA no rompió la contratación: rompió el indicador, y nos obligó a medir lo real.