La IA cambia la selección: del título profesional a las competencias demostradas

Los sistemas de selección automática están dejando de limitarse a buscar coincidencias entre palabras. Las propuestas más avanzadas intentan interpretar qué sabe hacer una persona, en qué contexto lo ha hecho y hasta qué punto esas capacidades encajan con un puesto.

Esta es la principal lectura de “Overview of the TalentCLEF 2026: Skill and Job Title Intelligence for Human Capital Management”, publicado el 30 de junio de 2026 por investigadores de Avature Machine Learning, TechWolf y la UNED. El trabajo presenta los resultados de la segunda edición de TalentCLEF, un reto científico internacional dedicado al uso del procesamiento del lenguaje natural en la gestión de personas.

TalentCLEF 2026 reunió a 113 equipos registrados y recibió más de 400 propuestas. Los participantes debían resolver dos problemas:

• Ordenar los currículos más adecuados para una oferta de empleo en inglés y español.
• Identificar las competencias asociadas a una ocupación y distinguir cuáles son esenciales y cuáles dependen del contexto.

El informe confirma que la investigación en selección automatizada está avanzando hacia modelos que combinan competencias, tareas, experiencia, nivel profesional y contexto laboral. Pero conviene no exagerar la conclusión: TalentCLEF es un banco de pruebas científico, no una demostración de que las empresas ya seleccionen de esta forma de manera generalizada.

Qué evaluó TalentCLEF 2026

La competición se dividió en dos tareas.

1. Relacionar ofertas de empleo y currículos

La primera tarea pedía identificar y ordenar los perfiles más adecuados para una vacante.

Los sistemas tenían que analizar información como:

• experiencia profesional;
• competencias técnicas;
• funciones realizadas;
• formación;
• idiomas;
• nivel de responsabilidad;
• relación entre la trayectoria del candidato y el puesto.

La prueba incluía tres escenarios:

1. Oferta y currículo en inglés.
2. Oferta y currículo en español.
3. Oferta en inglés y currículos en español.

Este último caso resulta especialmente interesante para empresas internacionales, plataformas de empleo y servicios públicos que trabajan con candidatos y ofertas redactados en distintos idiomas.

El conjunto de datos incluía 40 ofertas y 476 currículos de prueba por idioma. Los perfiles eran sintéticos, aunque se generaron a partir de patrones estadísticos extraídos de ofertas y currículos reales. Después fueron revisados y anotados manualmente por especialistas.

Esta precisión metodológica importa. Los resultados muestran lo que los modelos pueden hacer en un entorno controlado, pero no permiten afirmar que obtendrían el mismo rendimiento con miles de currículos reales, incompletos, desactualizados o redactados de forma poco clara.

2. Relacionar ocupaciones y competencias

La segunda tarea partía del nombre de una ocupación. El sistema debía localizar las competencias relacionadas y clasificarlas en dos grupos:

• Competencias esenciales: necesarias para realizar el trabajo con independencia de la empresa o el sector.
• Competencias contextuales: relevantes en determinados entornos, actividades o tipos de organización.

Por ejemplo, para un puesto de ingeniería de aprendizaje automático, Python o el tratamiento de datos podrían considerarse competencias esenciales, mientras que una técnica concreta de procesamiento del lenguaje podría ser contextual.

La distinción tiene una aplicación directa en las ofertas de empleo. Muchas empresas mezclan requisitos imprescindibles, conocimientos deseables y herramientas utilizadas únicamente en un proyecto. El resultado son anuncios difíciles de interpretar y candidaturas descartadas por no cumplir una lista excesiva.

Los mejores sistemas no utilizaron un único modelo

Uno de los resultados más claros del informe es que los sistemas con mayor rendimiento recurrieron a arquitecturas de varias etapas.

El proceso habitual era parecido a este:

1. Extraer competencias, funciones, experiencia y otros datos del currículo.
2. Localizar un primer grupo de candidatos potencialmente adecuados.
3. Comparar la oferta con cada perfil desde distintas perspectivas.
4. Reordenar los resultados con modelos especializados o modelos de lenguaje.
5. Combinar las puntuaciones para obtener la clasificación final.

El sistema con mejor resultado en la primera tarea alcanzó una puntuación MAP media de 0,7140 en inglés y español. También encabezó la evaluación entre ofertas en inglés y currículos en español, con 0,7044.

En la tarea de asociación entre empleos y competencias, el mejor sistema obtuvo un NDCG graduado de 0,8068. Esta métrica tiene en cuenta tanto la relevancia de las competencias recuperadas como su posición dentro del listado.

Los resultados apuntan a una conclusión técnica: comparar literalmente una oferta con un currículo es insuficiente. Los sistemas más precisos enriquecieron ambos documentos con información sobre tareas, competencias, experiencia, ocupaciones relacionadas y nivel profesional.

También combinaron varios tipos de modelos:

• búsqueda léxica para detectar términos exactos;
• representaciones semánticas para reconocer conceptos similares;
• grafos de conocimiento como ESCO;
• modelos especializados en lenguaje laboral;
• grandes modelos de lenguaje para extraer información o reordenar candidatos.

La IA generativa fue una pieza más del proceso, no una solución autónoma que sustituyera al resto del sistema.

Los títulos profesionales no desaparecen

El estudio respalda una selección más orientada a competencias, pero no demuestra que los títulos profesionales hayan dejado de ser útiles.

De hecho, una de las tareas de TalentCLEF parte precisamente del nombre de la ocupación para identificar las competencias relacionadas. Los títulos siguen aportando información sobre el tipo de trabajo, la responsabilidad o el área profesional.

El problema aparece cuando se utilizan como filtro rígido.

Una persona puede haber realizado tareas de análisis de datos sin haber tenido nunca el cargo de “analista de datos”. También puede contar con competencias de gestión de proyectos adquiridas en una pequeña empresa, una administración pública o una entidad social, aunque su puesto tuviera otra denominación.

Los sistemas basados en competencias pueden detectar estas trayectorias menos convencionales. Eso amplía las posibilidades de movilidad profesional, pero exige que el currículo describa hechos concretos y no se limite a enumerar cargos.

TalentCLEF coincide con la apuesta de la OCDE por un mercado laboral basado en competencias

Los resultados llegan pocos días después de que la OCDE publicara A Skills-First Labour Market.

La OCDE define este enfoque como la prioridad de las competencias demostradas frente al uso automático de títulos académicos o experiencia previa. También advierte de que el cambio debe ir más allá de eliminar requisitos universitarios de las ofertas: requiere métodos fiables para identificar, evaluar y reconocer capacidades.

Aquí encaja TalentCLEF. Sus pruebas intentan construir el componente técnico que permitiría:

• traducir ofertas y currículos a un lenguaje común de competencias;
• encontrar candidatos procedentes de ocupaciones diferentes;
• detectar carencias formativas;
• recomendar itinerarios de actualización profesional;
• facilitar la movilidad interna dentro de las empresas.

La OCDE también señala que las plataformas digitales y la IA pueden ayudar a localizar brechas de competencias y orientar la formación, aunque su uso requiere marcos comunes, datos fiables y criterios de evaluación.

El problema pendiente: demostrar una competencia

La selección basada en competencias parece más abierta que la basada en credenciales, pero plantea una cuestión difícil: ¿cómo puede demostrar una persona lo que sabe hacer?

Añadir veinte habilidades a un perfil profesional aporta poca información cuando no existe ninguna evidencia detrás. Una competencia puede acreditarse mediante:

• proyectos terminados;
• funciones realizadas;
• resultados medibles;
• pruebas prácticas;
• muestras de trabajo;
• microcredenciales;
• certificados;
• referencias profesionales.

La OCDE señala que cada vez más usuarios incorporan competencias a sus perfiles digitales, aunque su reconocimiento sigue siendo desigual entre países, sectores y plataformas.

Para el candidato, esto cambia la forma de redactar el currículo. En lugar de escribir “gestión de proyectos”, resulta más útil explicar qué proyecto gestionó, qué responsabilidad asumió, qué herramientas utilizó y qué resultado obtuvo.

Puedes ampliar esta parte en la guía de Infoposiciones sobre cómo utilizar IA para adaptar el currículo a cada oferta y en el artículo sobre por qué algunos candidatos preparan un currículo para los filtros ATS y otro para la entrevista.

Un cambio que también afecta a la formación

El Future of Jobs Report 2025 del Foro Económico Mundial estimó que el 39% de las competencias utilizadas en los empleos cambiarían antes de 2030. El 63% de las empresas consultadas consideraba la brecha de competencias como uno de los principales obstáculos para su transformación.

Esto refuerza la utilidad de sistemas capaces de distinguir entre:

• lo que una persona ya sabe hacer;
• lo que necesita aprender;
• lo imprescindible para un puesto;
• lo que puede adquirir después de incorporarse.

La formación podría pasar de recomendar cursos genéricos a construir itinerarios asociados a una ocupación concreta. Un servicio de empleo, por ejemplo, podría comparar el perfil de una persona con varias ofertas y detectar qué carencia aparece de forma recurrente.

El informe del Foro Económico Mundial sobre servicios públicos de empleo plantea precisamente el uso de herramientas de IA para analizar competencias y mejorar el emparejamiento entre personas y puestos.

En Infoposiciones ya hemos analizado cómo puede utilizarse la inteligencia artificial en los servicios públicos de empleo y qué competencias considera prioritarias la OCDE ante la expansión de la IA.

La precisión no resuelve por sí sola el riesgo de discriminación

TalentCLEF incluyó una evaluación específica sobre género. Los investigadores compararon las clasificaciones generadas para perfiles equivalentes en los que solo cambiaban el nombre y algunos elementos marcados por el género.

El sistema con mayor estabilidad alcanzó un RBO medio de 0,9904, muy cerca de la coincidencia total entre ambas clasificaciones.

El dato es positivo, pero el propio informe pide cautela. La prueba solo mide la estabilidad ante unas modificaciones concretas y realizadas sobre perfiles sintéticos. No demuestra que el sistema sea imparcial frente a otros factores como:

• edad;
• discapacidad;
• origen;
• interrupciones laborales;
• centro educativo;
• código postal;
• tipo de contrato anterior.

Tampoco prueba que un modelo mantenga ese comportamiento con candidaturas reales.

Este matiz es especialmente relevante en la Unión Europea. Los sistemas de IA utilizados para seleccionar candidatos, filtrar solicitudes o evaluar personas en procesos laborales pueden quedar clasificados como sistemas de alto riesgo conforme al Reglamento europeo de inteligencia artificial, según su finalidad y efectos.

Las empresas no deberían confundir una buena puntuación técnica con una autorización para automatizar decisiones. Un sistema puede ordenar currículos con precisión y, al mismo tiempo, utilizar variables poco transparentes o reproducir desigualdades presentes en sus datos.

La supervisión humana tampoco puede reducirse a validar automáticamente la clasificación generada por la máquina. Debe permitir entender los criterios, revisar errores y corregir decisiones.

Puedes consultar un análisis más amplio en IA en procesos de selección: aplicaciones, riesgos y regulación.

Qué cambia para quienes buscan empleo

La principal consecuencia práctica es que un currículo debe poder ser interpretado tanto por una persona como por un sistema automático.

Conviene revisar cuatro aspectos:

Describir tareas, no solo puestos

“Administrativo” puede significar trabajos muy distintos. Especifica si gestionabas facturas, atendías incidencias, preparabas informes, utilizabas un CRM o tramitabas expedientes.

Vincular las competencias con pruebas

No basta con añadir “Excel”, “liderazgo” o “inteligencia artificial”. Explica dónde utilizaste esa capacidad y con qué resultado.

Adaptar el lenguaje a la oferta sin copiarla

Usar la terminología habitual del sector ayuda a que el sistema reconozca la relación entre el currículo y la vacante. Copiar requisitos que no puedes acreditar aumenta el riesgo de ser descartado más adelante.

Mostrar competencias transferibles

Una trayectoria no tiene que coincidir exactamente con el título del puesto. Atención al público, análisis, planificación, redacción, coordinación o resolución de incidencias pueden trasladarse entre ocupaciones distintas.

La IA puede ayudarte a localizar estas correspondencias, pero debes revisar siempre el resultado. En 11 prompts de IA para buscar empleo sin parecer un robot encontrarás ejemplos para analizar ofertas, adaptar el currículo y preparar entrevistas.

Qué cambia para empresas y servicios de empleo

TalentCLEF permite anticipar varias aplicaciones:

• búsquedas de candidatos basadas en capacidades demostradas;
• detección de perfiles procedentes de otros sectores;
• recomendaciones de formación asociadas a brechas concretas;
• clasificación de requisitos esenciales y deseables;
• intermediación entre ofertas y demandantes en varios idiomas;
• análisis de movilidad profesional entre ocupaciones relacionadas.

También obliga a revisar prácticas habituales. Una oferta mal redactada produce un emparejamiento deficiente, aunque el modelo sea avanzado. Lo mismo ocurre con currículos incompletos, taxonomías desactualizadas o bases de datos que contienen sesgos históricos.

La tecnología puede mejorar la búsqueda, pero la calidad del resultado sigue dependiendo de cómo se define el puesto, qué información se recoge y quién controla la decisión final.

Lo que realmente demuestra TalentCLEF 2026

TalentCLEF 2026 no anuncia el final de los títulos académicos ni de los currículos tradicionales. Demuestra que los sistemas de IA ya pueden comparar candidaturas mediante representaciones más ricas que una lista de palabras clave.

Los mejores resultados proceden de modelos que combinan varias fuentes de información y varias fases de análisis. También muestran que el español puede incorporarse a sistemas multilingües con resultados cercanos a los obtenidos en inglés.

Quedan problemas abiertos: validar estos modelos con datos reales, explicar por qué ordenan a los candidatos de una determinada manera, controlar la discriminación y decidir qué tareas pueden automatizarse sin convertir la selección en una caja negra.

El movimiento hacia las competencias es real y aparece respaldado por investigaciones, organismos internacionales y nuevas herramientas. La parte difícil empieza ahora: conseguir que esas competencias se describan, demuestren y evalúen de una forma comprensible y justa.

Fuente principal: Luis Gasco et al., Overview of the TalentCLEF 2026: Skill and Job Title Intelligence for Human Capital Management, publicado en arXiv el 30 de junio de 2026 y presentado en el marco de CLEF 2026. La documentación oficial del reto puede consultarse en la web de TalentCLEF y en la página de CLEF 2026.