La IA ha roto las entrevistas de trabajo
Diario de Innovación #376
Durante años, contratar a alguien consistía en interpretar señales.
Un buen CV.
Una carta bien escrita.
Una entrevista solvente.
Una historia profesional coherente.
Dos o tres ejemplos convincentes sobre liderazgo, resiliencia y trabajo en equipo. Y listo.
Nada de eso era perfecto.
Pero funcionaba.
O eso pensábamos.
La IA generativa ha cambiado el juego porque ha convertido esas señales en algo fácil de fabricar.
Hoy cualquiera puede adaptar su CV a una oferta concreta, preparar respuestas impecables, sonar más estratégico, más senior o más orientado a resultados.
No necesariamente para engañar.
A veces solo para presentarse mejor.
Pero el efecto es el mismo: la señal se contamina.
El CV perfecto ya no dice tanto del candidato. A veces dice más del prompt que ha utilizado.
El artículo de Harvard Business Review que inspira esta edición lo explica bien: durante décadas, las empresas han premiado a quienes sabían presentar un CV impecable y responder bien en entrevistas estructuradas; ahora, la IA permite fabricar esa apariencia aunque no siempre exista la competencia real detrás.
Y ahí está el problema.
La IA no ha roto la contratación porque permita hacer trampas.
La ha roto porque ha separado dos cosas que antes estaban muy relacionadas, parecer competente y serlo.
La fluidez se ha abaratado.
La claridad escrita se ha abaratado.
La estructura se ha abaratado.
La preparación para entrevistas se ha abaratado.
La capacidad de sonar convincente se ha abaratado.
Y cuando algo se abarata, deja de ser una buena señal diferencial.
Esto no afecta solo a Recursos Humanos.
Afecta a una pregunta mucho más grande: ¿cómo medimos el mérito cuando el resultado visible puede estar mediado por una máquina?
La universidad tiene el mismo problema con los trabajos de los alumnos. Diego y yo hablamos sobre ello en el último episodio de Código Abierto.
Las empresas lo tienen con los CVs.
Los managers lo tendrán con presentaciones, informes y análisis que parecen brillantes, pero quizá esconden poco criterio propio.
La solución no puede ser prohibir la IA.
Eso sería ingenuo.
La solución es rediseñar la evaluación.
Menos preguntas genéricas.
Más casos reales.
Menos respuestas preparadas.
Más razonamiento en directo.
Menos narrativa perfecta.
Más observación del proceso.
No preguntar solo, por el qué harías, sino pedir que lo haga durante la entrevista.
Conocer el proceso que ha llevado a una decisión: “Explícame por qué has elegido ese camino.”, “Qué alternativa has descartado.”, “Dónde ves el riesgo.” o “Qué necesitarías saber antes de decidir.”
Ahí aparece el talento.
Porque el nuevo diferencial no será no usar IA. Será saber usarla sin desaparecer detrás de ella. Usarla para pensar mejor, no para dejar de pensar.
La IA no ha destruido el talento. Ha destruido algunas formas cómodas de detectarlo.
Durante años confundimos señales con sustancia.
Un buen CV no era talento.
Una buena entrevista no era talento.
Una respuesta brillante no era talento.
Eran pistas.
Algunas útiles.
Otras bastante débiles.
Ahora muchas de esas pistas se han vuelto baratas, abundantes y fáciles de falsificar.
Así que la pregunta cambia.
Ya no se trata solo de saber quién parece el mejor candidato.
Se trata de descubrir quién mantiene el criterio cuando quitamos el decorado.
Porque contratar en la era de la IA no irá de encontrar a quien mejor cuenta su historia.
Irá de encontrar a quien puede sostenerla cuando empieza el trabajo real.
🌍 El eco del mercado
🧾 OpenAI crece, pero la factura crece más rápido. Los documentos financieros filtrados apuntan a una compañía con ingresos al alza, pero también con pérdidas multimillonarias. La señal incómoda es que la IA generativa todavía no ha demostrado que su escala económica sea tan potente como su escala de uso.
📉 Y como a perro blanco todo son pulgas, además, ChatGPT baja del 50%: la IA de consumo entra en fase competitiva. ChatGPT sigue siendo el asistente líder, pero por primera vez cae por debajo de la mitad del mercado. Gemini, Claude y otros empiezan a erosionar la ventaja inicial de OpenAI.
🪙 Anthropic frena el cobro por tokens: los agentes aún no tienen precio claro. Anthropic pausa el cambio de facturación de Claude Agent SDK tras las quejas por el impacto en usuarios intensivos. El verdadero problema no es solo técnico: nadie ha encontrado todavía el modelo económico perfecto para agentes que trabajan durante horas.
🛡️ Los modelos peligrosos llegarán igual: la pregunta es quién los controla. WIRED advierte que los modelos con capacidades avanzadas de hacking acabarán formando parte del mercado. Más que prohibir su existencia, el reto será definir acceso, auditoría, trazabilidad y responsabilidad.
🕸️ Stanford quita al jefe de los agentes para recortar costes. El nuevo marco DeLM propone que los agentes coordinen tareas entre sí sin depender de un orquestador central. Si funciona, puede reducir costes, latencia y complejidad en sistemas multiagente.
🧱 Databricks ataca el cuello de botella real de los agentes: el dato vivo. Databricks presenta productos para acercar bases operacionales y analíticas en tiempo real. La tesis es clara: un agente que actúa sobre datos antiguos no es inteligencia empresarial, es automatización con retraso.
✅ La próxima capa de la IA será demostrar que no se equivoca. Pramaana Labs levanta 27 millones para llevar verificación formal a sistemas de IA en sectores críticos como derecho, farma o impuestos. La confianza deja de ser una promesa comercial y empieza a convertirse en infraestructura verificable.
🇨🇳 China quiere una red nacional de compute sin NVIDIA ni AMD. Pekín prepara una red de centros de datos de IA de casi 300.000 millones de dólares, basada en chips nacionales y financiación pública. Es soberanía tecnológica llevada al terreno físico: energía, silicio, red y capacidad de cómputo.
🧩 China prueba si puede entrenar IA con chips propios. Varios modelos chinos ya presumen de haber usado silicio local, aunque el gran reto sigue siendo el preentrenamiento a gran escala. La batalla no va solo de sustituir GPUs extranjeras, sino de reconstruir toda la cadena de capacidad IA
🔁 Mientras tanto, NVIDIA intenta volver a China por la puerta de las CPUs. Tras perder prácticamente todo su mercado de GPUs en China, NVIDIA intenta colocar su nueva CPU Vera entre clientes locales. El movimiento muestra hasta qué punto las restricciones geopolíticas están redibujando el mapa comercial del hardware IA.
♻️ Google convierte viejos Pixel en pequeños servidores. Google y UC San Diego prueban clústeres hechos con placas base de teléfonos Pixel retirados. Más que una curiosidad circular, es una señal de presión sobre chips, RAM y huella de carbono en la infraestructura digital.
🌍 Alibaba Cloud aterriza en Francia en plena fiebre de soberanía digital europea. Alibaba Cloud lanza sus primeros centros de datos en Francia mientras Europa busca más control sobre sus datos e infraestructuras. La paradoja es evidente: reducir dependencia de EE. UU. puede abrir más espacio a proveedores chinos.
🛰️ La seguridad de eventos globales también es infraestructura crítica. Un fallo en sistemas internos de FIFA habría permitido modificar emisiones de televisión del Mundial. La lección es clara: cuando el software controla eventos masivos, una vulnerabilidad deja de ser un problema técnico y se convierte en riesgo reputacional global.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD: Si te interesa este tema —cómo medir el talento, el mérito y el criterio en un mundo donde la IA puede maquillar casi cualquier señal— hay varios libros que merece la pena tener cerca:
La Mentalidad del Explorador, de Julia Galef: probablemente uno de los mejores libros para pensar sobre criterio, humildad intelectual y capacidad de cambiar de opinión cuando aparecen mejores evidencias.
La Nueva Fórmula del Trabajo, de Laszlo Bock: una mirada desde dentro a cómo Google intentó rediseñar la contratación y la gestión del talento con más datos, más estructura y menos intuición disfrazada de experiencia.
Talent, de Tyler Cowen y Daniel Gross: especialmente interesante para esta edición, porque aborda una pregunta cada vez más difícil: cómo detectar talento real cuando las credenciales tradicionales cuentan cada vez menos.
PD2: Para preparar mejor una entrevista remota, yo miraría tres cosas: un teleprompter sencillo para practicar respuestas mirando a cámara, una webcam decente con buena luz y, si haces muchas videollamadas, una cámara con micrófono y reducción de ruido. No te van a dar criterio. Pero al menos evitarán que parezcas entrevistado desde un zulo con WiFi prestado.