Por qué los modelos discriminativos superan a los LLM generativos en la clasificación de candidatos

Los sistemas tradicionales de seguimiento de candidatos dependen de filtros de palabras clave sencillos, mientras que las soluciones recientes basadas en inteligencia artificial generativa suelen resumir los currículos en párrafos de texto o generar puntuaciones numéricas descalibradas. Desarrollar herramientas de selección sobre modelos de lenguaje generativos revela claras limitaciones: la decodificación autorregresiva paso a paso genera una latencia innecesaria, el muestreo provoca resultados inconsistentes ante entradas idénticas y las cifras producidas carecen de una verdadera calibración estadística.

Latencia generativa y puntuaciones descalibradas

Los modelos de lenguaje generativos calculan su respuesta token por token en un proceso secuencial. Este diseño introduce retrasos inherentes y un coste por token de salida más elevado en comparación con el procesamiento de las entradas. Aunque la decodificación restringida obliga a estos modelos a cumplir con esquemas JSON estructurados, solo limita el formato del texto en lugar de transformar la salida subyacente en una probabilidad estadística correctamente calibrada.

En el cribado de candidatos, una calificación del 70 % emitida por un LLM refleja la predicción de un estilo de texto antes que una medida probabilística real. Dado que los modelos generativos evalúan cada entrada de forma independiente sin una base de referencia interna unificada y muestrean respuestas mediante configuraciones de temperatura superiores a cero, unas credenciales idénticas pueden dar lugar a puntuaciones distintas. Además, estos sistemas no indican cuándo su confianza es baja, lo que obliga a los revisores a verificar cada resultado independientemente de su precisión.

Toma de decisiones discriminativa con TypeSafe Jev

Para abordar el cribado como un problema de reconocimiento de patrones, TypeSafe AI presentó en septiembre de 2026 un modelo llamado Jev. Diseñado como un modelo discriminativo de Sistema 1 no generativo, Jev evita por completo la creación de texto. En su lugar, evalúa los datos de entrada a partir de un conjunto fijo de preguntas tipadas y devuelve puntuaciones numéricas junto con probabilidades calibradas. Cofundada por el exinvestigador de RLHF Diogo Almeida, la empresa capacitó a Jev mediante aprendizaje por refuerzo para decisiones calibradas (RLCD) para garantizar que los niveles de confianza reflejen directamente las tasas de precisión reales.

Al operar sobre espacios de respuesta predefinidos, un modelo discriminativo imposibilita las alucinaciones estructurales. Al integrarse en herramientas de reclutamiento como portales de agencias desarrollados con Next.js y Supabase, Jev analiza múltiples criterios laborales de manera simultánea en el texto del postulante. En lugar de automatizar rechazos, sus probabilidades calibradas marcan las puntuaciones de baja confianza para revisión humana, mientras ordenan con claridad a los candidatos con métricas altas.

Ilustración editorial generada con IA; no es una fotografía documental.

Fuente: How to Build an AI Résumé Screening Tool with Next.js, Supabase, and TypeSafe Jev