Detrás de las herramientas que todos usan y que nadie mira de verdad.
Un reclutador abre un perfil de LinkedIn: “Leadership.” “Strategic Planning.” “Change Management.” “Python.” “Financial Analysis.” Las palabras están limpias, bien alineadas, validadas por algunos contactos, a veces incluso acompañadas de pequeñas confirmaciones sociales que crean la impresión de que otros profesionales han visto esas habilidades en acción y ahora aceptan asociar su propio nombre a ellas.
El reclutador continúa su trabajo de espeleólogo de superficie.
Y muchas veces, algo importante ya falta en medio de la escena: nadie en el proceso es realmente capaz de verificar lo que esas palabras significarán una vez que el trabajo empiece de verdad.
El sistema aun así trata esas habilidades como datos utilizables. Para LinkedIn, para el ATS, para los filtros de búsqueda, para el reclutador que escanea perfiles rápidamente, la palabra se convierte en una señal suficiente para comenzar a clasificar candidatos, aunque entre dos personas que muestran exactamente la misma habilidad pueda existir una diferencia enorme, una persona puede haber liderado una transformación organizacional compleja durante tres años, absorbido conflictos políticos, reestructurado equipos y cargado con las consecuencias del cambio hasta el final, mientras otra simplemente asistió a dos reuniones internas mientras un consultor externo hacía el trabajo real.
Los dos perfiles muestran “Change Management”, el sistema ve una coincidencia, pero la parte más extraña probablemente está en otro lugar.
El reclutamiento moderno ya funciona en gran parte sobre terminologías que las personas alrededor de la mesa no dominan completamente. Reclutadores que contratan desarrolladores sin comprender realmente las diferencias entre SQL, C++, Python o HTML, ni las filosofías técnicas que vienen con ellos. Empresas que buscan “leadership” sin ser capaces de definir exactamente qué esperan una vez que la persona se siente en el puesto. Organizaciones que buscan un analista financiero senior capaz de construir modelos complejos, comprender riesgos operacionales y apoyar decisiones estratégicas, mientras filtran currículums usando palabras como “accounting”, “finance” o “CFO”, antes de preguntarse por qué reciben sobre todo perfiles que nunca hicieron realmente el trabajo que intentan cubrir.
LinkedIn no creó esta lógica. LinkedIn simplemente tomó un sistema que ya confundía palabras con comprensión y lo hizo más rápido, más fluido y más automatizado.
Entonces las mismas habilidades comienzan a aparecer en todas partes, los mismos bloques de palabras circulan de perfil en perfil y todo el mundo aprende progresivamente qué debe escribir para seguir existiendo dentro de los resultados de búsqueda.
Crees estar leyendo habilidades cuando muchas veces estás mirando palabras que aprendieron a hacerse pasar por pruebas.
Y algunos de los perfiles más sólidos se vuelven casi invisibles aquí, no porque hayan hecho menos, sino porque describen su trabajo con precisión mientras otros aprenden a construir perfiles optimizados para los sistemas que los leen.
Ya preferiste a alguien que sabía nombrar el trabajo antes que a alguien que realmente sabía hacerlo.
La tecnología podría haber pedido algo completamente distinto, dónde se utilizó esa habilidad, en qué proyecto, durante cuánto tiempo, con qué consecuencias observables, qué rastros reales existen detrás de la palabra, qué errores fueron atravesados durante el proceso, pero un sistema diseñado para acelerar el filtrado funciona mucho más rápido cuando compara etiquetas.
El sistema hace exactamente lo que se le pide y el problema es que nadie le pregunta si el trabajo realmente fue hecho, solamente si la palabra está presente.
Lo real siempre deja huellas.
