¿Por qué España se está llenando de centros de datos y cables submarinos?

Antes la criba era humana: alguien leía currículums y decidía a quién llamar. Hoy, en muchos procesos, la primera puerta es un filtro automático. Este post explica cómo funciona, por qué deja gente fuera sin entrevista y qué efectos tiene sobre desigualdad, transparencia y oportunidades.

1. Introducción

Entras en una oferta, envías tu candidatura y… silencio. No es necesariamente que “no encajes”. A veces significa que no pasaste la primera máquina: un sistema que ordena, descarta o prioriza perfiles antes de que una persona mire nada.

El filtro previo no siempre es una “IA avanzada”. A veces es un conjunto de reglas. Pero el efecto es similar: la decisión ocurre antes del contacto humano, y eso cambia la experiencia del empleo.

2. Qué hace realmente un filtro automático

1. Extraer información: títulos, fechas, habilidades, palabras clave.
2. Normalizar: convertir currículums distintos en campos comparables.
3. Puntuar: asignar una puntuación según criterios (requisitos, experiencia, coincidencias).
4. Ordenar o cortar: se revisan solo los primeros N perfiles, o se descarta por umbral.

3. Por qué mucha gente queda fuera antes de la entrevista

Causa 1: el sistema confunde “señales” con “potencial”

Un filtro suele premiar señales fáciles de medir (palabras, títulos, años) y penalizar lo difícil (trayectorias raras, cambios de sector, aprendizaje informal).

Causa 2: requisitos convertidos en muros

En humano, un requisito puede ser flexible (“si falta, pero compensa con otra cosa”). En automático, un requisito puede convertirse en puerta cerrada.

Causa 3: sesgos heredados

Si el histórico de contrataciones favoreció ciertos perfiles, un sistema que aprende de ese histórico puede amplificar esa preferencia. Incluso sin “intención”, el patrón se replica.

Causa 4: opacidad práctica

Muchas veces no sabes si te rechazó una persona, una regla o una puntuación. Sin esa información, mejorar el CV se vuelve un juego de adivinanzas.

4. Cuadro comparativo

Etapa	Criba humana clásica	Criba automática previa	Riesgo principal
Primera lectura	Interpretación contextual	Extracción y puntuación	Perder matices
Flexibilidad	Excepciones posibles	Umbrales y reglas rígidas	Descartar potencial
Transparencia	Motivos más “conversables”	Motivos difusos	Imposible aprender del rechazo
Escala	Límite de tiempo humano	Procesa miles	Error masivo

5. Esquemas visuales

flowchart TD
A[Candidatura] --> B[Parser de CV]
B --> C[Campos: skills, experiencia, estudios]
C --> D[Puntuación / reglas]
D --> E{Umbral}
E -- Pasa --> F[Revisión humana]
E -- No pasa --> G[Descartado sin entrevista]

flowchart LR
H[Histórico de contrataciones] --> M[Modelo / criterio]
M --> R[Ranking de candidatos]
R --> S[Perfiles priorizados]
S -->|Retroalimenta| H

6. Línea de tiempo: de “selección” a “preselección automatizada”

• Etapa 1: RRHH filtra manualmente un volumen moderado.
• Etapa 2: aparecen sistemas de seguimiento de candidatos (ATS) con palabras clave.
• Etapa 3: ranking automático, tests, filtros de riesgo y priorización.
• Etapa 4: la entrevista llega tarde: primero pasas por máquina, luego por humano.

7. Implicaciones prácticas: cómo pensar tu CV en este entorno sin convertirlo en “spam”

1. Claridad estructural: fechas, puestos y habilidades visibles, sin esconder lo básico.
2. Coherencia semántica: usar términos habituales del sector, sin inflar ni inventar.
3. Evitar muros innecesarios: si tienes un cambio de sector, explica el puente (proyectos, cursos, logros).
4. Portafolio verificable: cuando aplica, muestra evidencia (proyectos, publicaciones, resultados).
5. Aprender del silencio con prudencia: no es “culpa tuya” siempre; a veces es un filtro mal diseñado.

Cómo encaja este tema en el contexto actual

El filtro automático en empleo encaja con el debate de la Ley europea de IA, porque la selección y evaluación laboral puede entrar en categorías donde se exige más control, explicaciones y supervisión. No se trata de “prohibir”, sino de que una puerta tan decisiva sea auditable y tenga salidas cuando se equivoca.

También conecta con profesiones que desaparecen sin titulares: cuando el mercado cambia rápido, los currículums se vuelven más “raros” (saltos, reciclaje, transiciones). Un filtro rígido puede castigar justo a quien está intentando adaptarse.

Y, por último, enlaza con sesgos de la IA: un sistema puede parecer neutral, pero si aprende o se calibra con datos sesgados, termina amplificando desigualdades. La injusticia no siempre se ve; se nota cuando ciertas personas dejan de llegar a entrevista.

1) Un filtro automático en empleo siempre es una IA avanzada que “entiende” a la persona.

Verdadero
Falso

2) ¿Cuál es el efecto más típico de un ranking automático?

Que se revisen todos los currículums con el mismo cuidado.
Que solo se miren a fondo los primeros perfiles y el resto quede fuera.
Que desaparezcan los requisitos.

3) ¿Por qué un requisito “flexible” puede volverse un muro en un sistema automático?

Porque el sistema tiende a aplicar umbrales y reglas sin contexto.
Porque el sistema siempre entrevista primero.
Porque los humanos no revisan nunca después.

4) Un riesgo de entrenar criterios con históricos de contratación es que:

Se premien patrones pasados y se amplifiquen desigualdades.
Siempre se elija al candidato más diverso.
Se eliminen los sesgos automáticamente.

5) Una mejora razonable del CV en este contexto es:

Hacerlo confuso para que el sistema “no lo lea”.
Hacerlo claro y verificable, usando términos habituales del sector sin inventar.
Repetir palabras clave sin relación con tu experiencia.

6) ¿Qué problema crea la opacidad del filtro automático?

Que aprendes exactamente qué mejorar.
Que no sabes si te rechazó una regla, un dato o una persona, y cuesta aprender del rechazo.
Que siempre recibes feedback detallado.