Qué pasó
- Un trabajo publicado el 24 de septiembre en arXiv modela qué ocurre en un mercado laboral cuando las herramientas de IA facilitan generar y ajustar materiales de postulación.
- El argumento formal: mientras más fácil es producir una carta o un currículum ajustado al aviso, menos informa ese documento sobre si la persona calza con el cargo.
- La respuesta de la empresa, según el modelo, es racional y predecible: si el material pierde señal, se apoya más en lo único que sigue siendo observable y barato de verificar, que es la experiencia previa.
- Entre los cuatro tipos de postulante que definen los autores, el más expuesto es el que no tiene experiencia pero sí calza: pierde justo la información individual que lo distinguía del resto de los inexpertos.
- Cuando revisar postulaciones cuesta, el modelo predice fallas de selección: la empresa revisa solo a los experimentados, o directamente no revisa a nadie.
Por qué importa
- Es la contraparte teórica de algo que los equipos de selección en Chile ya reportan: llegan más postulaciones, todas parecidas, todas correctas. El trabajo nombra el mecanismo y explica por qué el filtro se endurece solo.
- El efecto recae sobre quien cambia de rubro, sobre quien vuelve al mercado después de una pausa y sobre quien sale de un programa de reconversión. Son exactamente los perfiles que las políticas públicas de empleo intentan reinsertar.
- Hay una consecuencia que el paper no explicita: si la empresa reemplaza la lectura por una prueba intermedia barata —que es lo que el modelo predice—, el costo de postular se traslada al postulante en forma de tiempo no pagado. La fricción no desaparece, cambia de bolsillo.
El dato
Cuatro tipos de postulante define el modelo, cruzando experiencia previa y calce real. Solo uno pierde en todos los escenarios evaluados.
Contexto
Los datos de LinkedIn sobre el mercado laboral en IA ya mostraban una brecha entre avisos publicados y perfiles que los reclutadores alcanzan a revisar. Este trabajo describe el mecanismo que la ensancha.
Qué viene
- Sin plazos anunciados para validación empírica del modelo con datos de mercados reales.
- El trabajo está en versión 1 y no declara revisión por pares.
Cierre
La misma plataforma que detectó una brecha de género en los empleos de IA distribuye hoy las herramientas que redactan las postulaciones. El modelo no dice quién gana con eso; dice quién deja de ser visto.
Fuentes
Editado por Rodrigo Cornejo. Cómo seleccionamos y verificamos: quiénes escriben estas notas.
