Puntuación ATS diferente en cada web: qué mide ese número
Tu puntuación ATS sale diferente en cada web porque el número no mide tu currículum: mide el baremo privado de cada herramienta. Lo que sí es comprobable.
Tu puntuación ATS sale diferente en cada web porque ese número no mide tu currículum. Cada herramienta compara tu archivo con una oferta de empleo según su propio baremo, privado y sin publicar, en sus propios servidores, y escribe un porcentaje al final. Ninguna de ellas está conectada al sistema de seguimiento de candidatos (ATS) de la empresa, así que el número no sale de ahí ni llega ahí. No hay escala común y no hay dos cifras comparables entre sí.
Eso ya era verdad hace años. Lo nuevo es que la inestabilidad de esos juicios está medida, y lo medido es peor que una falta de precisión.
Una inversión no es un número distinto, es la decisión contraria
Chen y Xiao publicaron el 15 de septiembre de 2026 una auditoría que hace lo que casi nadie hace en esta categoría (arXiv:2609.16517): dejar la evidencia fija y mover solo la presentación.
El montaje es este. Construyen perfiles de candidato anclados a una ocupación, con niveles de competencia controlados, y representan cada perfil en varias presentaciones de currículum. En medio ponen la pieza que hace que el experimento valga algo, y así la describe el resumen del artículo:
«A deterministic validation gate excludes variants that alter the underlying evidence before scoring.»
Una comprobación automática descarta, antes de puntuar, cualquier variante que haya alterado la evidencia de fondo. Sin esa puerta, la prueba mediría lo de siempre: currículums distintos. Con ella, los hechos son demostrablemente los mismos y lo único que cambia es la forma de presentarlos.
Por la prueba pasaron seis configuraciones de modelos abiertos ajustados a instrucciones. Dos resultados del resumen:
| Modelo | Validez | Decisiones emparejadas que se invierten |
|---|---|---|
| Llama-3.1-8B, con su plantilla de chat nativa | 0,781 | 29,6% |
| Mistral-7B-v0.3 | 0,644 | 41,4% |
Llama-3.1-8B es el que mejor sale en validez, 0,781, la más alta de las seis, y aun así invierte el 29,6% de las decisiones emparejadas cuando cambia la presentación sin cambiar la competencia. Mistral-7B-v0.3 se queda en 0,644 con un 41,4% de inversiones. Los autores añaden una frase que cierra la salida fácil: el formato de chat nativo mejora la validez en varios modelos ajustados a conversación, pero no elimina esa inestabilidad.
Ahora fíjate en qué es una inversión, porque ahí está todo. No es un 71% que baja a un 64%. Es la decisión contraria sobre la misma evidencia: el mismo candidato, con los mismos hechos, gana la comparación presentado de una manera y la pierde presentado de otra.
Con la evidencia demostrablemente fija, alrededor de un tercio de esas comparaciones se da la vuelta. Un número que se comporta así no es una medida imprecisa del candidato. No está midiendo al candidato.
Antes de la inestabilidad ya había un problema de validez
Siete meses antes salió el otro trabajo que conviene leer entero. Castleman, Shen, Metevier, Springer y Korolova (arXiv:2602.18550, enviado el 20 de febrero de 2026) construyeron un conjunto de currículums adaptados a puestos concretos, directamente comparables entre sí y con una superioridad conocida de antemano. Luego midieron si los modelos acertaban.
Dos hallazgos del resumen, en sus palabras: «many models are unable to consistently select the resumes describing more qualified candidates» y «models do not reliably abstain when ranking equally-qualified candidates». Muchos modelos no eligen de forma consistente el currículum del candidato más cualificado, y cuando dos candidaturas están igual de cualificadas tampoco se abstienen de forma fiable.
Las dos cosas juntas describen un proceso que falla en los dos sentidos: se equivoca cuando hay una respuesta correcta y decide cuando no la hay.
¿Esto dice algo de la empresa a la que te presentas?
Aquí toca frenar, porque el error que estoy describiendo se repite muy fácil en la frase siguiente.
Los dos trabajos prueban modelos de lenguaje usados para cribar candidaturas, entre ellos modelos abiertos de 7.000 y 8.000 millones de parámetros. No probaron Workday, ni Greenhouse, ni iCIMS. Y ninguno de esos sistemas muestra al candidato una puntuación que alguien de fuera pueda auditar. Que la criba de una empresa concreta se dé la vuelta en el 5% de los pares o en el 40% no se puede saber desde fuera de esa empresa. Quien te dé una cifra para eso está adivinando, y su cifra tiene el mismo fundamento que el porcentaje que estás intentando interpretar.
El puente entre una cosa y la otra es una frase del propio resumen de Castleman: «many entities rely on general purpose LLMs without further adapting them to the task». Muchas organizaciones usan modelos de propósito general sin adaptarlos a la tarea. Cuando la capa que lee currículums es un modelo genérico con un prompt escrito por alguien de dentro, auditar modelos genéricos es lo más cerca que se puede llegar desde fuera. No es lo mismo que auditar el proceso de esa empresa, y conviene no confundir las dos cosas.
En España hay una vía para saberlo de verdad, y no pasa por ti. El Real Decreto-ley 9/2021, de 11 de mayo añadió al artículo 64.4 del Estatuto de los Trabajadores el derecho a:
«Ser informado por la empresa de los parámetros, reglas e instrucciones en los que se basan los algoritmos o sistemas de inteligencia artificial que afectan a la toma de decisiones que pueden incidir en las condiciones de trabajo, el acceso y mantenimiento del empleo, incluida la elaboración de perfiles.»
Ese derecho alcanza el acceso al empleo y nombra la elaboración de perfiles, así que cubre justo lo que nos ocupa. Y pertenece al comité de empresa, es decir a la representación de quienes ya trabajan allí. Tú, rellenando el formulario desde fuera, no lo tienes.
Lo que sí puedes leer desde fuera es el estado de tu candidatura. Si InfoJobs te marca como descartado a los pocos minutos, puede haber saltado una pregunta previa o un filtro de la empresa, no una puntuación. Lo explico en qué significa «descartado» en InfoJobs.
Qué no se mueve
No todo el proceso es inestable. Hay tres cosas que se comportan igual cada vez, y son justo las que puedes comprobar por tu cuenta.
El rechazo automático lee el formulario, no el currículum
La documentación de Greenhouse describe el rechazo automático como una regla que una empresa configura para que, «based on an applicant's answer to a question, they will automatically be rejected as a potential candidate»: a partir de la respuesta a una pregunta, la candidatura queda rechazada automáticamente. La función está disponible en las suscripciones Plus y Pro, según esa misma página, actualizada el 30 de enero de 2026.
Lee otra vez qué mira la regla. Una respuesta a una pregunta del formulario. No una maquetación, no un porcentaje, no el texto de tus logros.
La lectura automática es extracción, no juicio
Un parser no opina. Saca del archivo el nombre, las empresas, los cargos, las fechas y la formación, y los coloca en campos. Con el mismo archivo, mañana da el mismo resultado.
Por eso la extracción sí se puede comprobar. Si tu segundo apellido acaba dentro del campo de la empresa, eso sale igual en cualquier herramienta que te enseñe la extracción, y sigue ahí hasta que cambies el archivo. No es una opinión sobre ti. Es una lista de campos.
La cobertura es una lista, no un número
La cobertura responde a otra pregunta: qué requisitos de la oferta responde tu currículum, cuáles responde de forma débil y cuáles no menciona nunca. Sale de dos textos que tú puedes leer enteros, así que dos herramientas honestas producen casi la misma lista.
Una lista se discute punto por punto. Un 68% solo se puede creer.
Qué hacer en lugar de mover el número
- Comprueba que el archivo se puede extraer. Ábrelo, selecciona todo, copia y pega en un editor de texto sin formato. Lo que sobreviva es, con buena aproximación, lo que se extrae. Si no pega nada, tu PDF es una imagen y no hay texto que sacar.
- Haz la lista de requisitos a mano. Copia la oferta, separa los requisitos en frases sueltas y marca cada una: la respondo, la respondo flojo, no la menciono. Diez minutos, y no dependes del baremo de nadie.
- Usa las palabras de la oferta cuando sean verdad sobre ti. Quien recluta busca dentro del ATS escribiendo un término concreto. Si busca Kubernetes y tú escribiste «orquestación de contenedores», tu ficha no aparece. Eso no es engañar a un filtro, es usar el vocabulario de quien busca.
- Donde no tengas la cifra, escribe la pregunta. Una línea con el hueco marcado dice exactamente qué te falta averiguar, y eso es más útil que un porcentaje puesto a ojo.
- Si dos webs te dan dos porcentajes, no hagas la media. Abre las dos listas de términos que faltan y quédate con la unión. Ahí sí hay información, y se solapan bastante más de lo que se parecen los números.
El cuarto punto es el que más cuesta, así que lo pongo escrito:
Migré [¿cuántas cuentas, y en cuánto tiempo?] del sistema de facturación antiguo, sin interrumpir la emisión de facturas.
Una cifra inventada se cae en la entrevista, y ahí cuesta mucho más que un hueco reconocido a tiempo. El corchete no se cae, y además te dice qué tienes que preguntar a tu antiguo equipo esta semana.
El número que Rzume no te va a dar
Rzume no calcula una puntuación ni un porcentaje de coincidencia, y no es una función que esté pendiente. No hay forma honesta de calcular ese número, así que no está.
Lo que hace es enseñarte primero la lectura de tu archivo, campo por campo, incluido lo que no consiguió colocar en ningún sitio. Después la lista de hallazgos, del más grave al más pequeño, cada uno citando la línea a la que se refiere. La lectura y la revisión completa son gratis y no piden cuenta.
En la reescritura pregunta en vez de inventar. Si te saltas la pregunta, la línea sale con el hueco entre corchetes y no con una cifra que nadie ha levantado. Esa es toda la diferencia, y se ve en el documento.
Sube tu currículum o mira lo que incluye cada plan.
Fuentes
- Chen, Q. y Xiao, Y., Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening, enviado el 15 de septiembre de 2026.
- Castleman, J., Shen, Z., Metevier, B., Springer, M. y Korolova, A., Measuring Validity in LLM-based Resume Screening, enviado el 20 de febrero de 2026.
- Greenhouse, Auto-reject, documentación del fabricante, actualizada el 30 de enero de 2026.
- Real Decreto-ley 9/2021, de 11 de mayo, BOE-A-2021-7840, que añade la letra d) al artículo 64.4 del Estatuto de los Trabajadores.
Todas las fuentes consultadas el 26 de septiembre de 2026.
