Score de matching candidato-puesto: cómo lo evalúa la IA (y dónde se equivoca)

El score de matching candidato-puesto es la feature más usada y peor comprendida de las plataformas de sourcing con IA. ¿Cómo evalúa la IA el encaje entre un perfil y un puesto? ¿En qué se basa su juicio? ¿Dónde se equivoca de manera sistemática? Este artículo abre el capó y explica qué mide realmente un score de matching, con TrueFit 360 de TrueCalling como referencia.

¿Qué es un score de matching candidato-puesto?

Un score de matching candidato-puesto es una nota (con frecuencia sobre 100) que expresa la probabilidad de que un candidato encaje en un puesto dado. El score combina varias dimensiones: skills, experiencia, contexto de empresa, geografía, disponibilidad. El score no es verdad absoluta — es un ranking útil para priorizar el outreach.

Las 5 dimensiones que evalúa una buena IA

1. Skills técnicas. Stack, lenguajes, frameworks. Las mejores IA no se quedan en el CV: miran los commits recientes en GitHub.
2. Trayectoria de experiencia. Seniority, progresión, tamaño de empresa. Un candidato que ha pasado por 3 startups seguidas no es lo mismo que alguien que sale de 8 años en una gran cuenta.
3. Contexto de empresa. Sector, modelo de negocio, fase (early, scale-up, cotizada). Crítico para la relevancia cultural.
4. Disponibilidad estimada. Antigüedad en el puesto actual, señales débiles (updates LinkedIn, actividad en conferencias, side projects).
5. Geografía y movilidad. Ubicación actual, apertura al remoto, compatibilidad de zona horaria.

Cómo funciona TrueFit 360

El score TrueFit 360 de TrueCalling produce una nota sobre 100 desglosada por dimensión, para que un reclutador o un hiring manager entiendan de dónde sale la recomendación. Para un Senior Data Engineer en Madrid, podrías ver algo así:

• Skills técnicas: 92/100 (Spark, dbt, Airflow detectados en GitHub).
• Trayectoria: 88/100 (6 años, scale-up SaaS).
• Contexto: 75/100 (viene de gran cuenta, transición factible).
• Disponibilidad: 80/100 (3 años en el puesto actual, señales de apertura).
• Geografía: 100/100 (Madrid, OK con remoto).
• Total TrueFit 360: 89/100.

Esa explicabilidad lo cambia todo. Los hiring managers confían en un score que pueden leer; un score de caja negra acaba ignorado.

Dónde el score de matching se equivoca siempre

1. El fit cultural

Ninguna IA lee bien la cultura de empresa. Un gran perfil técnico puede ser una pesadilla relacional. El score de matching candidato-puesto es un indicador de relevancia, no un indicador de fit cultural.

2. Las motivaciones reales

¿Por qué cambiaría de trabajo el candidato? La IA puede detectar señales, pero no lee mentes. Para eso está la entrevista.

3. Los perfiles atípicos

Alguien que estudió teatro y luego hizo backend en Google saldrá bajo en el score. Y sin embargo puede ser tu mejor contratación. Revisa siempre los outliers manualmente.

4. La frescura de los datos

Un score basado en un perfil LinkedIn no actualizado desde hace 2 años es incorrecto. Las buenas plataformas enriquecen sus datos en continuo y muestran señales de frescura.

Score de matching y sesgos: vigilancia continua

Cualquier score de matching candidato-puesto puede reproducir los sesgos presentes en los datos de entrenamiento. Género, edad, escuela, nombre — todas variables que pueden ponderar indebidamente el score si la IA no está auditada. Pregunta a tu proveedor:

• ¿El score es auditable variable por variable?
• ¿Los atributos protegidos están excluidos o controlados?
• ¿Existe un modo "CV anonimizado" para la fase de scoring?

Cómo usar un score de matching con cabeza

1. Ordena, no excluyas. Trabaja primero el top 50 de los scores, pero no pierdas de vista los 50 siguientes.
2. Cruza el score con señales humanas. Una carta, un side project, una historia contada en entrevista valen más que un score bruto.
3. Replantea el brief si pocos candidatos pasan de 80. El problema suele ser el brief, no el mercado.
4. Comparte el score con el hiring manager. Desglosado por dimensión, se convierte en una herramienta de discusión.

Score de matching y productividad del reclutador

Bien usado, el score de matching candidato-puesto cambia la productividad del reclutador. En vez de hojear 200 perfiles, el reclutador trabaja 30 en profundidad. Para profundizar en la productividad reclutador, ver nuestro artículo sobre el copiloto IA para reclutadores en el día a día.

Cómo evaluar un score de matching antes de comprar

Antes de firmar con un proveedor, haz este test: coge 20 candidatos que hayas contratado recientemente. Que el motor los puntúe. Si la mayoría sale por encima de 80, el score aprende bien. Haz el test inverso con 20 candidatos rechazados: la mayoría debe quedarse por debajo de 60. Sin ese doble test, estás comprando un score a ciegas.

Conclusión: un score de matching es una herramienta, no un oráculo

Un score de matching candidato-puesto bien diseñado — como TrueFit 360 — acelera el triaje y mejora la calidad de la shortlist. Pero ningún score reemplaza el juicio del reclutador. La regla de oro: exige explicabilidad, cruza con señales humanas, audita los sesgos y vigila siempre los outliers.

Para ver TrueFit 360 en acción sobre uno de tus briefs, Ver TrueFit 360 en acción.