El cincuenta y cuatro por ciento de los líderes de talento afirma ahora que los CV, las postulaciones y la preparación de entrevistas generados por IA han hecho más difícil evaluar la capacidad real de un candidato — y lo dice en la misma frase en que más del 90% reporta usar IA en todo el sourcing y la preselección, mientras que menos del 5% califica los resultados de transformadores (ManpowerGroup, 2026). Leídas juntas, esas tres cifras no cuentan «la IA nos está ayudando a contratar». Cuentan esto: pasaste dos años automatizando un lado del embudo, tus candidatos pasaron esos mismos dos años automatizando el otro, y el efecto neto sobre lo que de verdad importa — leer quién puede hacer el trabajo — fue hacia atrás.
Esa es la trampa en la que están hoy la mayoría de las operaciones de contratación del mid-market. El instinto, cuando la preselección parece rota, es comprar un mejor applicant tracking system o añadir otro filtro de IA. Los datos de ManpowerGroup y Everest Group dicen que ese instinto apunta a la capa equivocada. No es una brecha de herramientas. Es un problema de señal, y ninguna cantidad de automatización de la preselección repara una señal que se ha vuelto falsificable a escala.
Ambos lados del embudo automatizados a la vez
Empieza por la simetría, porque es la parte que casi nadie considera. Cuando desplegaste IA para hacer sourcing, ranking y preselección, asumiste que las entradas del otro lado permanecían constantes — que un CV portaba más o menos la misma información que en 2022. No es así. El candidato ahora tiene tu misma clase de herramienta. La IA generativa escribe el CV, adapta la carta de presentación a tu anuncio, redacta las respuestas a tus preguntas de preselección y ensaya la entrevista.
El estudio de ManpowerGroup/Everest Group — una encuesta a 80 líderes de la C-suite, CHRO y responsables sénior de adquisición de talento en EE. UU. y el Reino Unido — pone una cifra sobre la consecuencia: el 54% reporta que el comportamiento de los candidatos asistido por IA dificulta evaluar con precisión la capacidad real (ManpowerGroup, 2026). Es una mayoría de líderes sénior de contratación diciéndote que la entrada se ha degradado. Ambos lados se automatizaron juntos, y la carrera armamentística terminó donde suelen terminar las carreras armamentísticas — mucho más gasto en ambos lados, y ninguna ventaja duradera para nadie.
La señal no se volvió más ruidosa — se volvió falsificable
Hay aquí una distinción crucial que cambia qué hacer al respecto. El problema no es que haya más ruido en el embudo. Es que la capa del CV y la postulación es ahora inflable por IA — y una vez que una señal puede fabricarse a bajo costo, clasificar candidatos sobre ella deja de medir lo que te importa.
Piensa en qué optimiza realmente tu IA de preselección. Puntúa y clasifica candidatos según la fuerza de su postulación escrita: las palabras clave, la redacción, la aparente correspondencia con la descripción del puesto. Cuando esa capa escrita la producía el esfuerzo del candidato, era un indicador débil pero real de diligencia y ajuste. Cuando la produce un modelo en nueve segundos, el ranking premia cada vez más la fluidez en el prompting — cuán bien el candidato (o su herramienta) hizo ingeniería inversa de tu anuncio — en lugar del ajuste al puesto. Sigues obteniendo una lista clasificada, nítida y segura. Solo que está midiendo la variable equivocada. Es el modo de fallo más peligroso en selección: no un sistema que se rompe de forma visible, sino uno que sigue produciendo resultados seguros después de que aquello que mide se ha vuelto silenciosamente carente de sentido.
Es también por eso que «menos del 5% transformador» no es un problema de madurez que otro trimestre de adopción resuelva (ManpowerGroup, 2026). No puedes extraer un resultado transformador de una capa cuya señal ha sido vaciada. Más potencia de preselección aplicada a una entrada falsificable solo produce una clasificación del ruido más rápida y más segura.
El problema de volumen oculto debajo
El problema de señal cabalga sobre un problema de volumen, y ambos se acumulan. Como postular es ahora casi gratis, el número de postulaciones se ha desprendido del interés genuino. Un reclutador reportó un puesto de business analyst que históricamente habría atraído de 100 a 150 postulaciones y que esta vez captó más de 2.000 — un salto de 13 a 20 veces para una sola vacante (The Irish Times, 2026). No es una oleada de interés cualificado. Es el resultado mecánico de candidatos ejecutando la misma automatización que tú.
El costo recae sobre el tiempo de tu equipo. En el mismo reportaje, una encuesta de Greenhouse halló que el 38% de los reclutadores dedica ahora la mitad de su esfuerzo a filtrar postulaciones basura, spam y perfiles completamente no cualificados (The Irish Times, 2026). Suma eso al problema de señal y obtienes el cuadro completo: más postulaciones que nunca, cada una un indicador más débil que nunca, y un equipo de reclutamiento quemando la mitad de su capacidad en separar el volumen generado por máquinas de la intención humana. Comprar más IA de preselección para procesarlo más rápido no reduce el problema. Lo industrializa.
Por qué un mejor ATS no lo arreglará
La respuesta tentadora — un ATS más inteligente, un modelo de análisis de CV más afilado, una IA que «detecta IA» — pierde la carrera armamentística por diseño. Cada detector que despliegas es un objetivo contra el que las herramientas de generación se optimizan, y esas herramientas iteran más rápido y las usan millones de candidatos. Estarías comprometiendo tu presupuesto en defender exactamente la capa que ya ha sido comprometida.
La razón más profunda de su fracaso es que acepta una premisa rota: que el CV es donde vive la capacidad. Nunca lo fue del todo — y ahora demostrablemente no lo es. La solución no es leer la capa falsificable con más astucia. Es dejar de ponderar tanto la capa falsificable y trasladar el peso decisorio a entradas que un candidato no puede fabricar a bajo costo a escala. Es un cambio de diseño en cómo preseleccionas, no una compra.
También hay un costo más silencioso en permanecer en la carrera armamentística: los rechazos erróneos. Cuando tu ranking premia la fluidez en el prompting, el candidato genuinamente fuerte pero mediocre en autopromoción — o que se negó a pasar su postulación por un optimizador — se hunde bajo el que sí lo hizo. No solo dejas de atrapar postulaciones infladas; estás degradando activamente capacidad real que no se molestó en manipular la capa. En un mercado donde una sola vacante atrae ahora miles de postulaciones, esos falsos negativos son invisibles e irrecuperables. Nunca sabrás a qué persona cualificada enterró tu señal falsificable.
Repondera hacia entradas que los candidatos no puedan falsificar a escala
Aquí la investigación está inusualmente asentada, y precede en décadas al pánico por la IA. El punto de referencia es el metaanálisis de Schmidt y Hunter, que sintetiza unos 85 años de investigación sobre selección, y que halló que las pruebas de muestra de trabajo, las entrevistas estructuradas y las medidas de aptitud cognitiva están entre los predictores más fuertes del desempeño laboral — mientras que las señales cercanas al CV, formación y años de experiencia, son comparativamente débiles (Schmidt & Hunter, 1998). Una evaluación estructurada y representativa del puesto porta mucha más validez predictiva que el documento de postulación — y era el mejor instrumento incluso cuando ese documento se escribía honestamente.
La IA convierte esto de un argumento de buena práctica en uno urgente. Los métodos que resisten son precisamente los costosos de falsificar a escala. Un modelo puede generar un CV impecable en segundos; no puede sentar a tu candidato real ante una muestra de trabajo representativa y producir su razonamiento genuino en condiciones estructuradas. Una evaluación psicométrica validada mide rasgos y aptitudes que una postulación pulida sencillamente no revela. La señal que perdiste en la capa del CV es recuperable — pero solo trasladando la medición a un lugar que la automatización no puede alcanzar.
En concreto, «entradas que los candidatos no pueden falsificar a escala» significa dos cosas que un equipo de ops del mid-market puede realmente desplegar. Primero, una muestra de trabajo estructurada: una tarea breve, representativa del puesto, evaluada con una rúbrica coherente, de modo que observas a la persona hacer una porción del trabajo real en lugar de leer su afirmación sobre él. Segundo, una evaluación psicométrica validada: una lectura medida de las aptitudes y rasgos que predicen el desempeño en el puesto, administrada en condiciones que el candidato no puede externalizar. Ambas trasladan la señal decisiva del documento al comportamiento — y ambas, notablemente, son más defendibles legalmente que la preselección por CV porque muestrean el trabajo directamente.
El único movimiento para este trimestre
No necesitas arrancar tu ATS ni rediseñar la contratación para actuar sobre esto. Necesitas cambiar dónde recae el peso decisorio en un puesto.
Así que el movimiento concreto es acotado y verificable: toma tu vacante abierta de mayor volumen — la que se ahoga en postulaciones infladas por IA — e inserta una muestra de trabajo representativa más una evaluación validada al inicio del proceso, luego repondera tu ranking para que esos resultados superen la puntuación del CV. Usa la capa del CV solo para descartar a los obviamente no cualificados; deja que las entradas no falsificables decidan quién avanza. Después instruméntalo frente a un puesto comparable dejado en preselección por CV, y observa dos números a lo largo de un trimestre: las señales de calidad de contratación como la velocidad de ramp-up y el desempeño temprano, y la porción de tiempo de reclutador recuperada del filtrado de basura.
Si el puesto reponderado produce mejores contrataciones con menos esfuerzo de preselección desperdiciado, habrás probado, dentro de tu propio embudo, lo que apuntan los datos de ManpowerGroup: la respuesta a una señal vaciada nunca fue un mejor filtro para la capa falsificable. Fue dejar de confiar en la capa que tus candidatos aprendieron a automatizar — y medir lo único que aún no pueden. El 54% que dice que ya no puede leer la capacidad tiene razón sobre el problema. La busca en el único lugar donde la IA garantizó que ya no estaría.
