La entrevista técnica ya era un ritual cuestionado antes de que la IA entrara en escena. Ahora se ha convertido en algo más extraño: un proceso en el que los candidatos pueden ser asesorados por un sistema de IA mientras otro sistema de IA vigila precisamente esas señales. El resultado es un bucle de retroalimentación que plantea una pregunta que la mayoría de los análisis sobre contratación omiten por completo. Si ambas partes usan IA, ¿qué mide realmente la entrevista?
Cómo se Forma un Bucle Cuando Ambas Partes Automatizan
Esta dinámica no surgió de la nada. A medida que las empresas comenzaron a desplegar sistemas de cribado de currículums impulsados por IA para filtrar candidaturas a gran escala, los candidatos notaron el cambio y respondieron de la misma manera. Archie Payne, cofundador y presidente de la firma de reclutamiento técnico CalTek Staffing, describe esto como una contramedida racional: los candidatos empezaron a usar IA durante las entrevistas porque percibían que el proceso ya había sido automatizado en su contra.
Herramientas como Final Round AI, Interview Coder y ParakeetAI pueden escuchar una entrevista en directo, procesar el audio en tiempo real y generar respuestas o código funcional casi al instante. Algunas de estas herramientas afirman ser invisibles en pantalla, lo que significa que un candidato puede leer una respuesta generada mientras aparenta responder de forma natural. Mudit Saraf, ingeniero de software en Meta y cofundador del reclutador de voz con IA Ginger junto a Shraddha Sunil de Microsoft, describe el mecanismo sin rodeos: el candidato simplemente tiene que dar una actuación.
Los empleadores están desplegando ahora plataformas de detección de IA en respuesta, buscando señales como el movimiento ocular, los patrones de tiempo de respuesta, el cambio de pestañas y los patrones de habla que sugieren una respuesta generada por IA. El propio Ginger marca a los candidatos que parecen usar IA durante las llamadas de cribado inicial. Sin embargo, Payne señala que la precisión de estas herramientas de detección aún no es fiable: candidatos válidos han sido marcados como falsos positivos, lo que genera su propio problema cuando el talento cualificado ya escasea.
Ravi Kiran Pagidi, ingeniero sénior de datos de IA en Navy Federal Credit Union que ha participado en paneles de entrevistas técnicas, capta con claridad el riesgo central de este bucle. El proceso puede dejar de medir la capacidad real y empezar a medir quién optimiza mejor para el algoritmo.
Lo que el Sesgo y los Falsos Positivos Añaden a un Sistema ya Frágil
El problema de fiabilidad no se limita a la precisión de la detección. Las herramientas de contratación con IA conllevan riesgos documentados que van más allá de la sala de entrevistas. Un estudio del Stanford Institute for Human-Centered AI, citado en el material de origen, hizo un seguimiento de 3,4 millones de candidatos reales cuyas solicitudes fueron evaluadas por algoritmos de un único proveedor. El estudio encontró evidencias de impacto adverso para los candidatos asiáticos y negros, lo que sugiere que las herramientas de cribado con IA pueden incrementar el sesgo racial y producir patrones de rechazo sistémico.
La estratega de contratación con IA Tatiana Teppoeva señala preocupaciones adicionales: la privacidad y seguridad de los datos de los candidatos, si las grabaciones de entrevistas se utilizan para entrenar los modelos subyacentes, y cuestiones de equidad que los sistemas automatizados no están equipados para resolver por sí solos. Su recomendación es directa. Tiene que haber un ser humano en algún punto del proceso, con autoridad para garantizar que los resultados sean justos.
Pagidi añade que, sin auditorías, políticas claras y transparencia, las empresas pueden creer que están mejorando la eficiencia cuando en realidad están degradando la calidad de la señal de selección en sí misma. Esto es lo que la mayoría de los análisis sobre IA en la contratación pasan por alto: las ganancias en eficiencia son visibles y fáciles de medir, mientras que la degradación de la señal es lenta, silenciosa y solo se hace evidente cuando se contrata a las personas equivocadas o se rechaza a las correctas.
La Pregunta sobre el Criterio que la IA No Puede Responder por Ti
Aquí es donde la historia se vuelve genuinamente instructiva. Algunas empresas, entre ellas Meta y la plataforma de desarrollo de software nativa de IA Factory, han tomado la dirección opuesta: permiten, o incluso esperan, que los candidatos usen IA durante las entrevistas técnicas. El enfoque de Factory merece examinarse de cerca. Se pide a los candidatos que construyan un sistema listo para producción o que migren una base de código real en una hora, utilizando agentes de codificación con IA. No se les evalúa por si terminan o por cuántos tests superan. Se les evalúa por la planificación, por cómo dirigen la IA, por cómo depuran el código y por si son capaces de explicar por qué su solución funciona.
Varin Nair, el ingeniero de software que lidera el proceso de contratación técnica de Factory, ha observado un patrón claro. Los candidatos débiles aceptan todo lo que devuelve la IA y se bloquean en el momento en que esta falla. Los candidatos fuertes la usan para avanzar más rápido y liberarse para razonar sobre arquitectura, compromisos y producto. La IA se convierte en un multiplicador del criterio, no en un sustituto del mismo.
Esta distinción importa más allá de la contratación. Describe algo verdadero sobre cómo funcionan las herramientas de IA en contextos profesionales en general. La herramienta presenta opciones. El ser humano decide qué opciones merecen la pena, por qué, y qué hacer cuando la herramienta se equivoca.
En Resumen
La carrera armamentística de IA en la contratación técnica no es principalmente una historia sobre hacer trampa. Es una historia sobre lo que ocurre cuando ambas partes de un proceso automatizan sin ponerse de acuerdo sobre qué se supone que debe medir ese proceso. Las herramientas de detección introducen sesgo y falsos positivos. Las herramientas de preparación oscurecen la señal que las entrevistas están diseñadas para capturar. Las empresas que navegan esto con mayor eficacia son las que han dado un paso atrás y se han planteado una pregunta previa: ¿cómo es realmente un buen criterio de ingeniería y cómo diseñamos una entrevista que lo revele? La respuesta, de forma consistente, implica dar a los candidatos problemas reales, herramientas reales y el espacio para mostrar cómo piensan. Eso es más difícil de falsificar y más difícil de automatizar.
Basado en información de IEEE Spectrum AI.