Hay algo que no me cuadra en cómo estamos hablando de reclutamiento hoy.
De repente todo es IA. IA para escribir job descriptions, IA para filtrar CVs, IA para entrevistar, IA para hacer scoring. Y sí, todo eso suena sofisticado. El problema es que en el fondo seguimos haciendo exactamente lo mismo… solo que más rápido.
Y eso es peligroso.
Porque el problema nunca fue la velocidad. El problema es que decidimos mal.
La mayoría de las organizaciones siguen contratando con una mezcla de experiencia, intuición y algo que llamamos “fit” como si fuera un concepto claro. No lo es. Es ambiguo, subjetivo y profundamente inconsistente -la misma trampa que analizamos en Crear equipos mágicos con la varita de people analytics: construir equipos guiándose por datos, no por intuición.
Y luego nos sorprende la rotación, el bajo desempeño o el costo de reemplazo. Pero no es un problema de reclutamiento. Es un problema de negocio.
La IA, como se está usando hoy, no está corrigiendo eso. Está optimizando procesos que ya estaban mal diseñados. Estamos automatizando decisiones débiles.
Y aquí es donde empieza a ponerse incómodo.
Porque si realmente quisiéramos usar IA bien, tendríamos que aceptar algo que al mercado no le gusta: no sabemos definir talento.
No sabemos, con precisión, qué hace que alguien funcione en un contexto específico. Y mientras eso no esté claro, ningún algoritmo va a salvarnos.
Entonces, ¿qué sí tiene sentido?
Dejar de evaluar candidatos contra descripciones ideales… y empezar a evaluarlos contra evidencia real.
A mí me gusta explicarlo con una analogía muy simple. Imagina que quieres saber si alguien va a ser un gran vendedor en tu organización. El enfoque tradicional es como tener una lista de “características ideales” y revisar si el candidato las cumple: años de experiencia, habilidades de comunicación, cierto background. Es como buscar a alguien que se parezca a una descripción que alguien inventó en un documento.
Ahora imagina otro enfoque. Tomas a tus mejores vendedores —los que de verdad generan resultados— y no uno, sino muchos. Los analizas en múltiples dimensiones: cómo toman decisiones, cómo responden bajo presión, cómo se relacionan con clientes, qué patrones tienen en su desempeño histórico. Y cuando llega un candidato, no preguntas si cumple con una lista. Preguntas: ¿a quién se parece más?
Eso, en esencia, es un K-nearest neighbors aplicado a talento.
No buscas al “mejor candidato” en abstracto. Buscas al candidato más cercano, en comportamiento y evidencia, a quienes ya generan valor en tu organización.
Y esto cambia todo.
Cambia la conversación de “me gusta / no me gusta” a “qué probabilidad tiene de funcionar aquí”. Cambia la decisión binaria de contratar o no contratar a algo mucho más estratégico: contratar con un plan, priorizar por impacto esperado, o incluso decidir no contratar porque puedes desarrollar mejor a alguien interno.
Esto ya no es reclutamiento. Es toma de decisiones con base en datos.
Pero hay una trampa aquí que casi nadie está viendo.
El mayor riesgo no es usar IA. El mayor riesgo es meter IA encima de un modelo de talento mal definido. Porque entonces solo haces más eficiente el error.
Y eso ya está pasando.
Empresas invirtiendo en herramientas sofisticadas sin haber resuelto la pregunta más básica: ¿qué significa que alguien tenga éxito aquí?
La respuesta no está en el mercado. Está en tus propios datos. Desempeño histórico, rotación, clima, evaluaciones. Todo eso ya existe. El problema es que no lo estamos usando para decidir.
Entonces no, la ventaja competitiva no va a venir de atraer más talento.
Va a venir de identificar correctamente quién genera valor.
Y eso, aunque suene incómodo, no es un problema de IA.
Es un problema de claridad.
Y ese es el trabajo que casi nadie quiere hacer.
Por Yoel Kluk, socio de Olivia México.