En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un agente de IA envió ocho candidaturas en una semana, pero no consiguió entrevistas

Un agente de IA se encargó de buscar vacantes y preparar cartas de presentación: en la segunda semana del experimento se enviaron ocho candidaturas, se recibieron dos rechazos y ninguna invitación a una entrevista. Además, el agente sobrescribió el registro dos veces y pasó por alto una respuesta de una empresa que estaba en el chat. El caso deja una lección para quienes desarrollan agentes: hay que verificar todo el proceso hasta el resultado, incluidos los mensajes y la integridad de los datos.

Procesado por IA desde Habr AI; editado por Hamidun News
Un agente de IA envió ocho candidaturas en una semana, pero no consiguió entrevistas
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1La puntuación de una vacante refleja su descripción, pero deja fuera las condiciones internas de la empresa.
Dato clave #2Las respuestas en los chats deben revisarse por separado de los estados de las candidaturas enviadas.
Dato clave #3La regla de «solo añadir» debería reforzarse con una protección que impida sobrescribir el archivo.

La IA puede presentar cada mañana vacantes adecuadas y preparar una carta personalizada para cada empresa. Pero si solo consulta el estado de la candidatura, la respuesta de un reclutador puede pasar inadvertida. Eso fue precisamente lo que le ocurrió al autor de un experimento publicado en Habr: el mensaje llevaba dos días en el chat cuando lo encontró por su cuenta. Para quienes desarrollan agentes, la tarea es concreta: revisar los mensajes por separado de los estados e incorporar las respuestas detectadas al seguimiento general de las candidaturas.

En la segunda semana, el autor envió ocho candidaturas con ayuda del agente, recibió dos rechazos y ninguna invitación a una entrevista. En dos semanas contabilizó 12 candidaturas. Se trata de un pequeño experimento personal, por lo que aún es pronto para juzgar la eficacia de la IA en la contratación. Sin embargo, los errores ya muestran dónde la automatización requiere salvaguardas técnicas.

La selección está lista, pero los resultados aún no llegan

Cada día laborable, el agente elabora un resumen de vacantes, evalúa su encaje con la experiencia del autor y explica qué aspectos no encajan. Para cada candidatura prepara una carta de presentación específica. El autor prefiere señalar desde el principio las carencias de experiencia, como no haber trabajado con ML o con sistemas de alta carga.

La selección utiliza una escala de diez puntos con un umbral de 6,5. Se tienen en cuenta las responsabilidades directivas, la ubicación, la modalidad de trabajo, el tipo de empresa y la experiencia en gestión. Las agencias y las empresas de desarrollo de software a medida quedan excluidas por preferencia del candidato. Si falta una competencia obligatoria, la puntuación baja o la vacante se descarta.

Sin embargo, esa puntuación solo ayuda a clasificar descripciones. El autor descartó una vacante que había superado el umbral tras hablar con un conocido que había trabajado en la empresa y que describió malas condiciones internas. El agente no tenía acceso a esa información. El valor práctico de la puntuación está limitado por los datos de entrada, y un 6,5 no convierte la descripción de una vacante en una verificación de la empresa.

Los errores surgen entre una acción y otra

El fallo más revelador tuvo que ver con el seguimiento de las respuestas. Una empresa envió un mensaje estándar indicando que estaba revisando el currículum, mientras que en la lista de candidaturas seguía figurando el estado «Visto». El agente no incorporó el mensaje al seguimiento. La automatización consultó una fuente de información sobre el estado y pasó por alto otra.

Imaginemos un flujo de trabajo habitual: por la mañana, el agente informa de que no hay respuestas y propone enviar las siguientes candidaturas. En realidad, ya hay un mensaje en una sección contigua. Para que el informe sea útil, hay que contrastar la lista de candidaturas con las conversaciones y vincular los mensajes a vacantes concretas. Es una tarea de integración independiente que resulta fácil pasar por alto al construir el primer prototipo.

Otro error afectó al registro: el agente sustituyó dos veces el contenido del archivo en lugar de añadir una entrada. Después se introdujo la regla de «solo añadir». La conclusión técnica es restringir las operaciones de escritura disponibles: ofrecer al agente una operación para añadir un evento, conservar el historial y comprobar que las entradas anteriores siguen intactas. Una instrucción en el contexto, por sí sola, ya había resultado insuficiente para evitar que el error se repitiera.

Se produjo un fallo similar al publicar en LinkedIn: según el relato del autor, adjuntar una imagen reinició el editor y la publicación salió sin texto. En este caso hace falta comprobar el estado final de la publicación después de completar todas las acciones con los archivos adjuntos.

Qué conviene incorporar a tu producto

El agente ha aportado un resultado útil: el autor ya no busca vacantes manualmente y tiene reunidos en un solo lugar los materiales para preparar las entrevistas. Pero, según sus propias palabras, nunca abrió ese recurso. Crear un archivo no significa que se haya dado el siguiente paso del proceso.

Para un responsable de producto, esto justifica separar las métricas: vacantes encontradas, candidaturas enviadas, respuestas detectadas, invitaciones y acciones del propio usuario. El informe también contiene una incoherencia: el autor menciona tres candidaturas en la primera semana y ocho en la segunda, pero da un total de 12. Antes de extraer conclusiones, conviene cuadrar esas cifras.

Por ahora, el caso confirma la utilidad del agente para organizar la búsqueda de empleo y, al mismo tiempo, muestra el coste de la supervisión. El siguiente paso para quien lo desarrolla es verificar la integridad del registro, la lectura completa de las conversaciones y el resultado de las acciones externas. Esas comprobaciones determinan si se puede confiar al agente la rutina diaria.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre La selección está lista, pero los resultados aún no llegan?

Cada día laborable, el agente elabora un resumen de vacantes, evalúa su encaje con la experiencia del autor y explica qué aspectos no encajan. Para cada candidatura prepara una carta de presentación específica. El autor prefiere señalar desde el principio las carencias de experiencia, como no haber trabajado con ML o con sistemas de alta carga. La selección utiliza una escala de diez puntos con un umbral de 6,5.

¿Qué se sabe sobre Los errores surgen entre una acción y otra?

El fallo más revelador tuvo que ver con el seguimiento de las respuestas. Una empresa envió un mensaje estándar indicando que estaba revisando el currículum, mientras que en la lista de candidaturas seguía figurando el estado «Visto». El agente no incorporó el mensaje al seguimiento. La automatización consultó una fuente de información sobre el estado y pasó por alto otra.

¿Qué se sabe sobre Qué conviene incorporar a tu producto?

El agente ha aportado un resultado útil: el autor ya no busca vacantes manualmente y tiene reunidos en un solo lugar los materiales para preparar las entrevistas. Pero, según sus propias palabras, nunca abrió ese recurso. Crear un archivo no significa que se haya dado el siguiente paso del proceso. Para un responsable de producto, esto justifica separar las métricas: vacantes encontradas, candidaturas enviadas, respuestas detectadas, invitaciones y acciones del propio usuario.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…