Cómo lee Lever tu currículum y dónde se contradicen sus páginas

El informe técnico de Lever sobre Talent Fit, su función de IA que compara currículums con puestos, dice que la función devuelve “una decisión binaria” sobre si un candidato es adecuado para el puesto. Una publicación del blog de Lever de junio de 2025 presentaba la misma función como algo que produce una “lista jerarquizada de los mejores candidatos” con “puntuación transparente”. Leímos las dos, y no describen lo mismo.

Lo otro que nos llamó la atención está en el centro de ayuda de Lever. En su propio software, el rechazo automático que Lever documenta es una regla que arma el empleador, y ninguna de las condiciones documentadas de esa regla lee el texto de un currículum. Entre esas condiciones, sin embargo, están las etiquetas (tags), y el mismo centro de ayuda aloja un artículo de un socio sobre la herramienta de otra empresa, que puntúa cada currículum del 1 al 10 y etiqueta la postulación con el resultado.

Lever es un software de contratación propiedad de Employ, cuyo sitio web incluye a Lever, Inc. entre sus subsidiarias en Estados Unidos. Lo opera el empleador, que también elige la configuración, y el artículo de Lever para candidatos dice que Lever “no participa en las decisiones de contratación”. Todo lo que hay aquí viene de las páginas públicas de la propia Lever (centro de ayuda, documentación para desarrolladores, sitio web, página de seguridad y blog) y de las de Employ, tal como las leímos el 9 de octubre de 2026. Lever y Employ publican todo eso en inglés, así que cada cita de esta página pasó por nuestra traducción; los nombres de funciones y de ajustes los dejamos tal cual. Casi todo está escrito para empleadores, así que describe lo que un empleador puede configurar, que no es lo mismo que lo que pasó con tu postulación. Offermic no está afiliada a Lever ni a Employ.

Talent Fit, descrito de dos maneras

Talent Fit es la función propia de Lever para evaluar un currículum con IA, y un informe técnico del centro de ayuda expone cómo funciona. Primero se anonimiza el currículum. Después, un modelo de lenguaje grande (LLM), al que se le indica que actúe como reclutador, lo compara con la descripción del puesto, y el informe dice que esos dos documentos son todo lo que Talent Fit usa para decidir si un candidato encaja. El resultado es una decisión binaria, con una explicación de las fortalezas del candidato, los puntos a considerar y los aspectos por aclarar. El informe añade que “cada candidato se evalúa de forma individual, sin tener en cuenta a los demás candidatos que están en el proceso”.

La publicación del blog de junio de 2025 lo cuenta de otra manera. Allí, Talent Fit “jerarquiza al instante a los candidatos frente a los requisitos de tu puesto” y le da al reclutador una lista corta “acompañada de puntuación y explicaciones transparentes”. La puntuación aparece también en el centro de ayuda, donde un artículo sobre un puesto en el que la función está en pausa se refiere a “la puntuación de Talent Fit para ese puesto”.

Para tu currículum, la versión del informe tiene una consecuencia práctica. La herramienta, dice, “solo evalúa la educación, las habilidades y la experiencia que la descripción del puesto señala como necesarias”, sin ninguna fórmula ni lista de casillas que un candidato tenga que marcar para que se le considere adecuado. Sus ejemplos de aspectos por aclarar son un gerente de proyectos de construcción que no indicó el tamaño de sus proyectos y un conductor de autobús escolar que no indicó su tipo de licencia de conducir. Un requisito que cumples pero que no escribiste es, según esa descripción, invisible para Talent Fit, así que responde en el propio currículum a los requisitos que la vacante enuncia.

Que algo de esto alcance a tu postulación depende del empleador. El informe dice que los clientes tienen que activar Talent Fit, y el artículo de ayuda añade que, a partir del 4 de agosto de 2026, viene desactivado por defecto en todos los puestos recién creados. Las notas de la versión de primavera de 2026 de Lever también enumeran ajustes de administrador que lo habilitan para todos los puestos o para los recién creados, de modo que un empleador puede convertirlo en la norma.

Dentro de Lever, un candidato con coincidencia lleva el rótulo Talent Fit junto a su nombre, y los miembros del equipo de contratación con acceso al candidato pueden ver la síntesis fijada en la parte superior de la página del candidato. No encontramos ninguna página de Lever que diga que al candidato se le muestra el resultado, y las páginas de Talent Fit no describen ninguna forma de que un candidato se niegue a la evaluación. Sobre el propósito del resultado, las preguntas frecuentes del artículo de ayuda dicen: “Talent Fit no está pensado para descartar candidatos, sino para aportar contexto adicional sobre su trayectoria y destacar los aspectos que requieren aclaración”. La página de funciones de IA de Lever dice: “Los reclutadores siempre tienen la última palabra en la toma de decisiones”.

Lo que un candidato puede llegar a ver es un aviso. Lever dice que todo cliente que usa cualquiera de sus funciones de IA tiene automáticamente un aviso sobre IA (AI disclaimer) en la vacante y en el portal de empleo, con un mensaje predeterminado que el empleador puede reescribir. El informe dice que a los clientes les corresponde la responsabilidad de informar a los candidatos de que se está usando IA para evaluar sus postulaciones.

Talent Fit vuelve a procesar automáticamente a los candidatos si cambia la descripción del puesto o cambian sus currículums. Lever también dice que la función se desactiva automáticamente para un puesto entero cuando se topa con “currículums en blanco, currículums con gran parte del contenido ocultado o currículums con contenido insuficiente para el análisis”, hasta que el empleador acepta que se muestren resultados parciales.

Sobre qué tan bien funciona, las notas de la versión de primavera de 2026 de Lever son directas. Desde el lanzamiento en el primer trimestre de 2025, dicen, los clientes reportaron “demasiadas coincidencias, coincidencias insuficientes, o simplemente no pertinentes para la descripción del puesto”, y Lever, en respuesta, mejoró el modelo y actualizó el prompt (las instrucciones que recibe el modelo). Otro artículo describe una prueba diaria de sesgo en la que los currículums se evalúan dos veces, con y sin las palabras que identifican género, raza o condición militar. Para el único día que muestra, “Talent Fit hizo la misma recomendación (coincidencia o no coincidencia) el 91% de las veces”.

El prompt, el modelo que se usa y lo que separa una coincidencia de una no coincidencia no son públicos, y tampoco lo es el contenido de la opción “Matching Logic” (lógica de coincidencia) que, según el artículo de ayuda, tienen algunas vacantes. El informe sí dice que los modelos son externos y de código cerrado, que Employ no los entrena con resultados de contratación y que “los datos se anonimizan antes de salir del entorno de Employ”.

Antes de que existiera Talent Fit, una publicación del blog de Lever de diciembre de 2021 decía que “la inteligencia artificial no es una función de un ATS que pueda o deba tomar decisiones importantes sobre con quién deberían o no deberían seguir adelante los equipos de talento”, y nombraba “archivar automáticamente a las personas no calificadas” entre las formas en que la IA puede ayudar. Pusimos estas declaraciones junto a las de otros proveedores en nuestra página del creador de currículum.

Reglas eliminatorias y las etiquetas que escriben otras herramientas

La palabra de Lever para rechazar es archivar, y su centro de ayuda lo dice sin rodeos: “Archive o Archiving también significa rechazar o ser rechazado”. La versión automática es un flujo de automatización (automation workflow), que un Super Admin del empleador, o un usuario con el permiso de automatización, arma con un disparador, condiciones y acciones. Uno de los disparadores es “Application form submitted” (formulario de solicitud enviado), y una de las acciones es Auto-archive (archivar automáticamente). El artículo de Lever sobre el archivo dice: “Esta función se usa comúnmente para archivar automáticamente a candidatos a partir de preguntas eliminatorias del formulario de solicitud”. Su receta publicada de pregunta eliminatoria usa como ejemplo una pregunta sobre el derecho a trabajar, archiva con un motivo como la situación de visa y envía un correo de rechazo al siguiente día de semana (de lunes a viernes).

Las condiciones que Lever documenta para un flujo son estas:

• la oportunidad (opportunity, el nombre que Lever da a una postulación a un puesto): si está archivada o no, el motivo de archivo, las etiquetas, la etapa, el origen y las fuentes
• el formulario de solicitud: preguntas específicas y las respuestas a ellas
• la vacante: departamento o equipo, gerente de contratación (hiring manager), propietario, la vacante misma, ubicación y tipo de trabajo

Nada en esa lista lee el texto del currículum, y nada en ella se refiere a un resultado de Talent Fit. Así que lee cada pregunta de la solicitud como un posible filtro. El archivado automático que Lever documenta en su propio software opera sobre esas respuestas.

Las etiquetas están en la lista, y ahí es donde el panorama se vuelve menos nítido. El artículo de Talent Fit no dice si el rótulo que pone junto al nombre de un candidato con coincidencia es una etiqueta que un flujo pueda usar. El centro de ayuda de Lever tiene además artículos de integraciones de socios, que son guías de configuración de herramientas de otras empresas que un empleador puede conectar, y algunas de esas herramientas puntúan currículums. El de ZYTHR dice que la herramienta “analiza cada currículum frente a la descripción del puesto y tus criterios personalizados” para asignar una puntuación de coincidencia del 1 al 10, y que agrega una etiqueta de coincidencia a la oportunidad en Lever. El de Senseloaf describe un agente que mueve a los candidatos que no pasan su cuestionario de preselección a una etapa llamada Knockout. Las condiciones de un flujo incluyen etiquetas y etapas. Lever no documenta ningún flujo construido sobre la puntuación de un currículum.

En los ajustes de IA de la propia Lever hay dos complementos de pago que preseleccionan candidatos, ambos señalados como de costo adicional. Con AI Screening by VONQ, el formulario de solicitud muestra una casilla de consentimiento encima del botón de envío. Si la marcas, después de enviar pasas a una etapa de chat y a una etapa de voz. El texto del consentimiento dice: “La herramienta puede generar una puntuación, un ranking, una síntesis, una recomendación o un resultado similar para que lo revise el reclutador, y está pensada para apoyar la revisión humana, no para reemplazarla”. También dice que tu postulación se enviará igualmente si no completas AI Screening. El otro complemento, Candidate Insights powered by ProboTalent, envía evaluaciones (assessments) por correo automáticamente a cada nuevo candidato cuando está habilitado en un puesto, y las puntuaciones se publican en el perfil del candidato.

Después está Fraud Signals, que Lever describe como una función que marca “postulaciones sospechosas en la parte alta del embudo” con comprobaciones de la dirección de correo, el número de teléfono, la presencia en la web de las empresas de tu historial laboral y el volumen de postulaciones. Lever documenta un botón para que el reclutador etiquete a un candidato como sospechoso. No documenta ningún rechazo automático por parte de Fraud Signals.

Un rechazo no tiene por qué venir con un mensaje. El correo al archivar es una casilla que marca el reclutador y un paso opcional en un flujo. Un empleador que habilita Candidate Transparency puede hacer que la IA redacte comentarios personalizados para un correo de rechazo, candidato por candidato.

Siete tipos de archivo y la prueba de resaltar el texto

El artículo de Lever sobre el análisis de currículums (resume parsing) enumera los tipos de archivo que puede analizar:

• Microsoft Word (incluido .docx)
• Adobe PDF
• Rich Text (RTF)
• Corel WordPerfect
• HTML
• MS Office HTML
• Open Office (ODF)

El artículo dice que Lever no puede analizar información de archivos de imagen como JPG o PNG. Su prueba es intentar resaltar con el cursor el texto del documento. “Si no puedes resaltar texto, es probable que el documento no sea analizable”. Lo seguro es un archivo de Word o un PDF basado en texto que pase la prueba de la propia Lever.

El texto sin formato es un cabo suelto. Un segundo artículo, sobre cómo agregar currículums al perfil de un candidato, dice que el cargador de currículums “admite la mayoría de los tipos de archivo comunes para currículums, como .doc, .docx, .pdf y .txt”. Ahí se acepta el texto sin formato, que falta en la lista de tipos analizables, y Lever no dice si un currículum en .txt se analiza.

Según el artículo sobre el análisis, el analizador (parser) agrega al perfil del candidato el nombre, la organización y los datos de contacto. La documentación para desarrolladores enumera más: titular, correos, teléfonos, ubicación, empresa y enlaces, “aunque no se garantiza que se extraiga ninguna información”, además de los puestos y las escuelas con sus fechas de inicio y de fin. Ni el centro de ayuda ni la documentación para desarrolladores nombran la tecnología de análisis ni dan una cifra de precisión, y ninguno de los dos dice cómo afectan al análisis las columnas, las tablas, los cuadros de texto, los encabezados o los gráficos. La prueba de resaltar es la única orientación.

La ubicación es un punto débil documentado. Si tu currículum da una región en vez de una ciudad (el ejemplo de Lever es “New York Metropolitan Area”), el analizador la asocia con la ubicación más cercana de su lista, y el artículo sobre el análisis advierte: “Esto puede hacer que las ubicaciones se atribuyan incorrectamente”. Es una razón para escribir tu ubicación como una ciudad.

En un formulario de solicitud alojado por Lever, parte del resultado lo tienes delante antes de enviar. El artículo de Lever sobre las opciones de portal de empleo incluye “Auto-parse resumes to pre-populate applications” (analizar automáticamente los currículums para llenar de antemano las solicitudes) para el formulario alojado y dice que un formulario hecho a medida “no admite” esa función. Los campos integrados del formulario alojado son Resume, Full Name, Email, Phone, Current Location y Current company (currículum, nombre completo, correo, teléfono, ubicación actual y empresa actual), así que revísalos. Current Location se llena a partir de tu currículum, y puedes seleccionar una ubicación manualmente si no se proporciona el currículum o si la ubicación no se puede analizar. El centro de ayuda de Lever no describe ninguna pantalla en la que el candidato revise el historial laboral analizado. Una vez que te postulas, dice el artículo sobre el análisis, el reclutador puede escribir información en los campos del perfil.

El reclutador tiene el archivo original además de los campos analizados. Los currículums adjuntos a las postulaciones se guardan automáticamente en la sección de currículum del perfil del candidato, y Lever dice que “los currículums son visibles para todos los seguidores del candidato y para los entrevistadores asociados al plan de entrevistas”. Su vista de preselección, Fast Resume Review, muestra el currículum y los datos del candidato de cada nuevo postulante, con las respuestas a las preguntas de la solicitud a un clic.

Como a los entrevistadores del plan de entrevistas se les muestra el archivo, prepárate para explicar cualquiera de sus líneas. Nuestra guía de preguntas de entrevista sobre tu currículum cubre lo que los entrevistadores preguntan a partir de un currículum, y la herramienta de preguntas según tu currículum enumera las preguntas que tu propio currículum tiene más probabilidades de provocar.

El texto analizado alimenta la búsqueda. La búsqueda de Lever abarca “cualquier contenido analizable adjunto a los perfiles de candidatos, incluidos currículums, notas y formularios de comentarios”. Los reclutadores también pueden filtrar por empresa, cargo, escuela y años de experiencia, y el artículo sobre la búsqueda avanzada afirma: “Los años de experiencia se calculan a partir de las fechas analizadas del currículum del candidato”. Según esa descripción, un currículum sin texto analizable no aporta nada a esas búsquedas ni a esos filtros. También es una razón para poner fechas de inicio y de fin claras en cada puesto y en cada escuela. El mismo artículo incluye un filtro Skills (habilidades) sin decir de dónde salen las habilidades.

Una dirección de correo, un historial

Lever une tus postulaciones por la dirección de correo: dice que “evita automáticamente los perfiles de candidato duplicados cuando un candidato se postula a varias vacantes con la misma dirección de correo electrónico”. Cada postulación es su propia oportunidad, y la oportunidad guarda el currículum que entregaste con ella. El historial del perfil es “un registro de la actividad de todas las oportunidades vinculadas al perfil del candidato, incluidas las campañas de Nurture, las entrevistas, las ofertas, los comentarios y las notas”. Por eso, quien abra tu nueva postulación puede ver las anteriores y por qué se archivó cada una, según sus derechos de acceso. Así que usa la misma dirección de correo en todas las postulaciones a un mismo empleador.

Volver a postularte al mismo puesto depende de un ajuste del empleador, “Block repeat applications” (bloquear postulaciones repetidas), que según Lever viene desactivado por defecto y, una vez activado, se aplica a todas las vacantes. El empleador elige el periodo de espera, y la opción predeterminada es de 6 meses. Lever identifica la repetición por la dirección de correo y muestra una página que indica cuándo te postulaste por última vez y cuándo puedes volver a hacerlo. El bloqueo se aplica tanto si tu postulación anterior está activa como si está archivada. Está ligado al ID de la vacante, así que un puesto reabierto con una vacante nueva no queda cubierto. Las postulaciones enviadas a través de la API de Lever no se bloquean, y tampoco las postulaciones a otras vacantes.

Después de postularte, tratas con el empleador

El correo de confirmación de un portal de empleo alojado por Lever es un interruptor que el empleador activa. Para retirar una postulación, el artículo de Lever para candidatos te dice que contactes directamente a la empresa a la que te postulaste. La página de seguridad de Lever dice que Employ “no tiene relación directa con los empleados y los buscadores de empleo individuales cuyos datos personales procesa en nombre de nuestros clientes”, y que las solicitudes para corregir, modificar o eliminar datos inexactos de una postulación van al empleador, que “es responsable de cumplir con la solicitud de la persona”.

La misma página no fija ningún periodo de retención para los candidatos. Los clientes “pueden configurar políticas de retención de datos específicas para sus necesidades”, y si no, “los datos de los clientes en la plataforma Lever by Employ se almacenan durante la vigencia del contrato de servicio entre el cliente y Employ”. Cuando un empleador ha configurado GDPR (el reglamento europeo de protección de datos) o una política local de cumplimiento en materia de datos, Lever documenta enlaces de consentimiento y de cancelación de suscripción que abren una página de preferencias de datos, y allí un candidato puede pedir ver, actualizar o eliminar sus datos. Lever también señala: “Los candidatos no reciben una notificación cuando sus datos se anonimizan”.

Lo que no se ve desde afuera

Nada público muestra si un empleador determinado tiene activados Talent Fit, los flujos eliminatorios, el bloqueo de postulaciones repetidas o Fraud Signals. Saber que una empresa usa Lever te dice cuáles de estas cosas podrían estar en juego, y hasta ahí llegan las páginas públicas.

La documentación de Lever tampoco describe ninguna puntuación del currículum que un candidato pueda consultar. La puntuación de nuestro creador de currículum es una medida nuestra, con sus reglas publicadas en esa página. No es una puntuación de Lever ni de ningún otro sistema de seguimiento de candidatos (ATS), y ningún empleador la ve.

Leímos de la misma manera la documentación pública de otros cuatro sistemas, y allí las mismas preguntas tienen respuestas distintas: Workday, Greenhouse, iCIMS y Ashby. En cuanto a la afirmación de que el software rechaza el 75% de los currículums, escribimos aparte sobre las fuentes más antiguas que encontramos de esa cifra.