Contratación · July 23, 2026 · 9 min de lectura

Prueba para casa vs. codificación en vivo: qué funciona de verdad

Prueba para casa vs. codificación en vivo: qué mide cada formato, los costes para el candidato, los riesgos de trampa con IA y el híbrido que supera a ambos.

← Parte de The five pillars of hiring: what assessments measure

El debate entre prueba para casa y codificación en vivo suele librarse desde la anécdota: alguien fue engañado por un candidato que brilló en una pizarra pero no pudo producir código en producción, o por una prueba impecable que resultó ser trabajo de otra persona. Este artículo es para líderes de ingeniería, responsables de contratación y recruiters que gestionan un proceso técnico y necesitan elegir un formato — o defender el que ya tienen — con algo más sólido que la intuición. Encontrarás un análisis honesto de qué mide realmente cada formato, qué coste tiene para los candidatos, cuánto es vulnerable a la trampa asistida por IA y una regla de decisión para saber cuándo usar cada uno.

El momento es relevante porque 2026 ha roto los supuestos anteriores en ambos bandos. Los modelos de frontera pueden completar la mayoría de las pruebas para casa no supervisadas de principio a fin, lo que significa que una tarea sin monitorización ya no verifica que el candidato puede hacer el trabajo — solo que alguien, o algo, puede. Al mismo tiempo, el mercado de talento ha evolucionado hacia ingenieros con fluidez en IA cuyo flujo de trabajo real incluye herramientas de IA, por lo que una sesión en vivo que las prohíbe mide una habilidad cada vez más artificial. Y los reguladores en Nueva York, la UE, Colorado e Illinois ya escrutinizan las herramientas automatizadas de contratación, por lo que el formato que elijas tiene que superar una auditoría.

Esto aplica a cualquier proceso que incluya un ejercicio práctico: ingeniería de software, datos, ML, DevOps, y cada vez más roles analíticos y de operaciones. Las consecuencias son concretas: el formato que elijas determina qué candidatos abandonan el proceso, a cuáles subestimas y si la señal que obtienes sobrevive al contacto con la IA. La respuesta, argumentada a continuación, es que el planteamiento en sí está obsoleto — el híbrido de una muestra de trabajo breve en entorno controlado más un análisis estructurado supera a ambos formatos puros en casi todos los ejes.

¿Qué mide realmente una prueba para casa?

Una prueba para casa bien diseñada es el formato más cercano a una verdadera muestra de trabajo: el candidato trabaja en su propio entorno, con sus propias herramientas, en su propio horario, sobre una tarea que se parece al trabajo real. Ese es su argumento a favor, y es válido. Décadas de investigación en selección de personal sitúan las muestras de trabajo entre los métodos de evaluación más predictivos, precisamente porque el mejor predictor de hacer el trabajo es una muestra del trabajo.

Bien ejecutada, una prueba para casa mide cosas que una conversación no puede: cómo alguien estructura un problema con tiempo para pensar, la calidad de su código o análisis cuando nadie lo observa, cómo gestiona la ambigüedad de un enunciado, y con qué claridad documenta decisiones y compromisos. Para roles donde el trabajo profundo y asíncrono es la esencia del puesto — la mayoría de los roles de ingeniería — esas son las señales correctas.

Pero el formato tiene fallos que sus defensores suelen ignorar:

• Mide tiempo libre disponible tanto como habilidad. Una prueba de '4 horas' que los candidatos más competitivos pulen durante un fin de semana filtra a padres, cuidadores y personas que ya están empleadas.
• La autoría es inverificable. Estás evaluando un artefacto, no a una persona — y en 2026 ese artefacto puede estar generado principalmente por una máquina, lo permitas o no.
• El aumento de alcance es estructural. Los evaluadores premian el esfuerzo extra, los candidatos lo aprenden, y la carrera de armamentos lleva la inversión real de tiempo muy por encima del límite declarado.
• El sesgo por completitud se cuela. Terminado y pulido supera a reflexivo y acotado, aunque este último refleje un mejor criterio de ingeniería.

¿Qué mide realmente la codificación en vivo?

La codificación en vivo se justifica por medir lo que una prueba para casa no puede: el razonamiento en tiempo real. Puedes ver cómo un candidato descompone un problema sobre la marcha, cómo responde a pistas y objeciones, si hace preguntas aclaratorias o arranca sin más, y cómo se comunica mientras piensa. En culturas de ingeniería colaborativas, esa señal interactiva es genuinamente relevante para el puesto — el trabajo en pareja, depurar juntos y las discusiones de diseño ocurren en tiempo real.

También tiene una propiedad de verificación que las pruebas para casa no tienen: la persona en la sala es inequívocamente quien está haciendo el trabajo. Eso importaba antes de la IA generativa; ahora importa mucho más.

Los costes son igualmente reales. Programar mientras te observan y juzgan es una tarea cognitiva diferente a programar en el trabajo, y una proporción significativa de ingenieros excelentes rinde por debajo de su nivel bajo ese foco, mientras que candidatos seguros y entrenados para entrevistas rinden por encima — el formato mide en parte la práctica de entrevistas, que desaparece en cuanto son contratados. Las sesiones en vivo no estructuradas también varían según el entrevistador: problemas diferentes, pistas diferentes, estados de ánimo distintos, baremos distintos. Sin la disciplina de una entrevista estructurada — misma tarea, mismas preguntas, rúbrica escrita, puntuación independiente — una ronda de codificación en vivo se parece más a una lectura de personalidad que a una evaluación.

Prueba para casa vs. codificación en vivo: el coste para la experiencia del candidato

Cada formato cobra a los candidatos en una moneda diferente, y ese coste moldea tu embudo antes de moldear tu señal. Las pruebas para casa cobran tiempo: trabajo no remunerado de varias horas, a menudo solicitado por varias empresas simultáneamente. Los candidatos senior con opciones simplemente declinan — así que el formato selecciona silenciosamente a quienes tienen menos alternativas, que es lo contrario de lo que buscabas. La codificación en vivo cobra estrés: la ansiedad ante el rendimiento afecta de forma desigual a las personas, y una mala experiencia en una sesión de alta presión es la historia que los candidatos cuentan públicamente.

Ninguno de los dos costes es totalmente evitable, pero ambos son reducibles. La investigación sobre experiencia del candidato es consistente en lo que ayuda: comunica exactamente qué esperar, mantén el tiempo total proporcional al rol y cierra el bucle con feedback real. Un ejercicio de dos horas con límite declarado, rúbrica explícita y promesa de retroalimentación convierte mucho mejor que una tarea abierta de 'muéstranos tu mejor trabajo' — y genera una señal más comparable.

¿Qué formato es más vulnerable a la trampa con IA?

Sin rodeos: la prueba para casa no supervisada está completamente expuesta. Un modelo de frontera puede completar una aplicación CRUD típica, un pipeline de datos o una tarea de depuración de principio a fin, y lo hará en el tono del candidato si se le pide. Las tareas estáticas reutilizadas entre candidatos lo empeoran — las soluciones se acumulan en GitHub y foros, así que la prueba se filtra un poco más cada mes que permanece en uso. Las herramientas de detección de IA no rescatan el formato; generan falsos positivos que se convierten en acusaciones falsas, que es un resultado peor que la trampa en sí.

La codificación en vivo está menos expuesta, pero no es inmune. Los asistentes en segunda pantalla, las herramientas de sugerencias y los candidatos entrenados existen, y las sesiones remotas son más difíciles de supervisar que las presenciales. El problema más profundo es que la vigilancia es el enfoque equivocado. En 2026, un ingeniero que usa bien las herramientas de IA es más productivo que uno que no las usa, así que un formato que trata todo uso de IA como fraude mide lo que no debe. El objetivo no es impedir que la IA toque la evaluación — es hacer que su uso sea visible y evaluable, que es un problema de diseño, no de vigilancia. Hemos escrito en detalle sobre por qué la generación por candidato y la visibilidad del proceso superan a la detección.

¿Cuándo usar prueba para casa y cuándo codificación en vivo?

Si eliges entre los formatos puros, decide en función de lo que el puesto realmente recompensa y lo que tu embudo puede soportar:

• Prefiere una prueba para casa (breve y con límite) cuando el rol es marcadamente asíncrono, la comunicación escrita es central y puedes verificar la autoría en una conversación posterior.
• Prefiere sesiones en vivo cuando la colaboración es el trabajo — equipos con mucho trabajo en pareja, roles de diseño de nivel staff — y tienes entrevistadores entrenados y una rúbrica escrita.
• Prefiere sesiones en vivo cuando la verificación de autoría es prioritaria: contrataciones senior, roles sensibles en seguridad, pipelines totalmente remotos con candidatos que nunca has conocido en persona.
• Evita las pruebas para casa en la parte superior del embudo de alto volumen; el abandono se multiplica y el tiempo de revisión no escala.
• Evita la codificación en vivo no estructurada en todos los casos. Si no puedes enunciar la rúbrica, estás midiendo al entrevistador.

Pero trátalo como un menú de respaldo. La mejor respuesta para la mayoría de los equipos es dejar de elegir.

El híbrido que funciona: muestra de trabajo breve en entorno controlado + análisis estructurado

El formato más sólido que hemos visto combina las dos mitades que cada formato puro hace bien: los candidatos realizan trabajo real con tiempo para pensar (la fortaleza de la prueba para casa) y luego explican y amplían ese trabajo en una conversación en vivo (la fortaleza de la codificación en vivo). El proceso es el siguiente:

Diseñar la muestra de trabajo

Mantenla breve — entre 60 y 120 minutos — y ejecútala en un entorno controlado: un entorno con las herramientas, los datos y el scaffolding precargados para que ningún candidato pierda tiempo en configuración, y el proceso de trabajo sea observable en lugar de solo el artefacto final. Esa observabilidad es lo que cambia la ecuación con la IA: en lugar de adivinar si un modelo escribió la entrega, puedes ver cómo trabajó el candidato, incluido cómo usó la IA — lo cual, en roles con fluidez en IA, es en sí misma una habilidad que vale la pena evaluar. Genera la tarea por descripción de puesto en lugar de reutilizar una tarea estática, de modo que no haya solución pública que encontrar. La guía de evaluación en entorno controlado cubre los detalles de diseño.

Conducir el análisis posterior

El análisis posterior es una conversación estructurada de 30 a 45 minutos sobre la propia entrega del candidato — no un nuevo problema. Verifica la autoría (las personas no pueden defender con fluidez un trabajo que no hicieron), convierte el artefacto en razonamiento observable y ofrece a los candidatos más nerviosos un escenario más justo: hablar de un trabajo que ya has hecho es mucho menos amenazante que producirlo en vivo. Haz a todos los candidatos las mismas categorías de preguntas y evalúa con una rúbrica escrita:

1. Walkthrough: "Talk me through your solution. What did you do first, and why?"
2. Tradeoffs: "What did you deliberately leave out given the time cap? What would you do with another day?"
3. Extension: "Requirements just changed: [one concrete change]. What breaks, and how would you handle it?"
4. AI use: "Where did you use AI assistance? Show me a place you accepted its output and a place you rejected it."
5. Failure probe: "What's the weakest part of this submission? Defend or fix it."

Score each on a 1-4 anchored rubric, independently, before discussion.

¿Cómo mantener cualquiera de los formatos justo y conforme a la normativa?

Independientemente del formato que uses, dos disciplinas protegen tanto la equidad como la defensibilidad. Primera, la relevancia para el puesto: cada tarea y cada línea de rúbrica debe trazarse hasta algo que el rol realmente exige — esta es la misma lógica que hace que las muestras de trabajo sean predictivas, y también es tu mejor defensa si alguna vez se cuestiona un procedimiento de selección. Segunda, la consistencia: misma dificultad de tarea, mismo límite de tiempo, misma rúbrica, misma estructura de análisis posterior para cada candidato del grupo. La inconsistencia es donde viven tanto el sesgo como la exposición legal.

Si alguna parte de tu proceso está asistida por IA — tareas generadas, puntuación automatizada — el listón regulatorio es más alto: NYC Local Law 144 exige auditorías de sesgo y notificación al candidato para herramientas automatizadas de decisión de empleo, la EU AI Act clasifica la IA de contratación como de alto riesgo, y Colorado e Illinois tienen sus propias leyes entrando en vigor. Monitoriza las tasas de aprobación por grupo demográfico donde puedas hacerlo legalmente, y conserva registros de qué se preguntó y cómo se evaluó.

El lugar de H-Evaluate en este enfoque

H-Evaluate está construido en torno al híbrido que defiende este artículo. Genera tareas de muestra de trabajo por descripción de puesto con generación supervisada por calidad — sin biblioteca de pruebas estática y compartida, por lo que no existe una clave de respuestas pública acumulada — y las ejecuta en un entorno controlado donde el proceso del candidato, incluido el uso de IA, es observable y evaluable. La fluidez en IA se evalúa como una habilidad en lugar de penalizarse como fraude, lo cual refleja cómo se realiza realmente el trabajo en 2026.

El diseño es compliance-first — construido con NYC Local Law 144 y la EU AI Act en mente desde el principio, no añadido a posteriori — y el resultado es evidencia estructurada que un equipo de contratación puede defender: qué se preguntó, por qué era relevante para el puesto y cómo se evaluó. Si estás repensando tu proceso técnico de principio a fin, empieza por la visión general de la contratación nativa con IA.

La pregunta nunca fue prueba para casa o codificación en vivo. Siempre fue: ¿puedes observar cómo ocurre el trabajo real, y puede la persona frente a ti defenderlo? Cualquier formato que responda a ambas preguntas es válido. Cualquier formato que no responda a ninguna es teatro.