Cribado de CVs Automatizado con Make y ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Workflow en Make que recibe CVs y llama a ChatGPT
✓ Ficha ejecutiva de evaluación por candidato en formato JSON/CSV
✓ Lista priorizada de candidatos con preguntas de entrevista

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta activa en Make con permisos para crear escenarios y usar módulos HTTP/webhook.

Obligatorio Clave API para el modelo GPT-5 o acceso equivalente a un modelo de gran capacidad mediante el conector que utilice Make.

Recomendado Repositorio de CVs accesible (Google Drive, S3, correo dedicado) y plantillas de puesto en formato texto o JSON.

Recomendado Conocimiento básico de expresiones regulares y mapeo de datos en Make para extraer campos de archivos PDF o Word.

Transferencia internacional de datos: Make procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

NovaTech Manufacturing SL, sector fabricación automotriz — el problema real

NovaTech recibe más de 400 candidaturas por vacante técnica y el equipo de RRHH tarda semanas en filtrar adecuadamente. Las evaluaciones son inconsistentes entre reclutadores y se pierden candidatos relevantes.

Con Make y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

Make
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Make orquesta la integración entre fuentes de CVs y servicios de IA sin desarrollo pesado, mientras que ChatGPT aporta criterio estructurado y sintético. Juntos permiten escalabilidad y trazabilidad en procesos de RRHH.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
tienes gran volumen de candidaturas y pocos recursos de selección necesitas consistencia y trazabilidad en criterios de evaluación quieres acelerar shortlist para la dirección y reducir tiempo a entrevista	solo recibes 10-20 candidaturas y priorizas evaluación humana en profundidad requieres evaluación cultural extremadamente cualitativa sin criterios medibles tu proceso depende exclusivamente de pruebas técnicas en plataforma independiente

Paso 01

Definir la plantilla de evaluación

Configura qué criterios serán usados por la IA para puntuar candidatos. Esto garantiza que el análisis se alinee con los requisitos del puesto y con las prioridades de la dirección.

1
Recopilar la descripción del puesto Fusiona la versión final del JD con objetivos del área, competencias críticas y pesos relativos (por ejemplo, experiencia 40 %, competencias 30 %, formación 15 %, red flags 15 %).
2
Determinar campos de salida estándar Define la ficha ejecutiva mínima: nombre, puntuación global (0-100), ajuste técnico, ajuste cultural, experiencias clave, red flags y preguntas sugeridas para entrevista.
3
Establecer umbrales de priorización Decide qué puntuación requiere shortlist automática (ej. ≥75) y qué puntuación requiere revisión manual (ej. 50–74). Documenta estos umbrales para trazabilidad.

Checkpoint: Plantilla del puesto y esquema de puntuación definido y documentado; lista de campos de salida aprobada por RRHH.

Paso 02

Construir el escenario en Make

Crea el flujo que recibe CVs, extrae texto y llama al modelo de IA. Este escenario centraliza entrada (correo/drive), extracción y llamada a la API de ChatGPT.

1
Crear webhook o monitor de carpeta Configura un módulo que reciba archivos adjuntos (correo) o nuevos archivos en Google Drive/S3. Esto inicia el escenario automáticamente cuando llega un CV.
2
Extraer texto del CV Añade un módulo de extracción (Document Parser o PDF to Text). Si el CV está en PDF, aplica OCR si es necesario y normaliza el texto para entrada de la IA.
3
Llamar al modelo con HTTP/AI module Usa el módulo HTTP para invocar la API del modelo (GPT-5) con el prompt principal. Mapea la salida a JSON y guarda en base intermedia (Google Sheets o base de datos).

Checkpoint: Escenario en Make que recibe un CV de prueba, extrae texto y obtiene una respuesta JSON del modelo con la ficha de evaluación.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[JD_TEXT]Texto completo de la descripción del puesto: responsabilidades, requisitos y objetivos clave.

[CV_TEXT]Texto extraído del CV del candidato (texto sin formato, resultado del OCR o parser).

[CORE_SKILLS]Lista separada por comas de las competencias críticas que deben evaluarse (ej: 'control de calidad, Lean Manufacturing, SQL').

Prompt principal — Cribado de CVs con Make Eres un analista ejecutivo de selección. Recibirás dos entradas: la descripción del puesto y el texto extraído del CV. Tu tarea es producir una ficha ejecutiva estandarizada y una puntuación de ajuste objetiva. Entradas: 1) Descripción del puesto: [JD_TEXT]. 2) CV del candidato (texto): [CV_TEXT]. 3) Años mínimos requeridos: [MIN_YEARS]. 4) Competencias críticas enumeradas: [CORE_SKILLS] (separadas por comas). 5) Peso relativo para evaluación: experiencia [W_EXP]%, competencias [W_SKILLS]%, formación [W_EDU]%, red flags [W_FLAGS]%. Instrucciones: 1) Extrae y sintetiza en bullets las experiencias relevantes del candidato que coincidan con [CORE_SKILLS] y el JD. 2) Identifica hasta 5 evidencias directas (empresa, rol, duración, logro cuantificado) por las que el candidato recibe su puntuación de experiencia. 3) Evalúa cada competencia crítica con una nota 0–10 y justifica brevemente. 4) Detecta y enumera hasta 5 red flags (inconsistencias cronológicas, lagunas significativas, términos genéricos sin evidencia) con una breve explicación. 5) Calcula una puntuación global 0–100 aplicando los pesos [W_EXP], [W_SKILLS], [W_EDU], [W_FLAGS]; muestra la fórmula y el desglose. 6) Asigna una categoría de decisión: 'Contratar - Prioritario', 'Revisar - Entrevista', 'Descartar'. 7) Genera 5 preguntas de entrevista específicas y accionables, alineadas a las deficiencias detectadas. 8) Produce la salida final en JSON con las claves: name, score, breakdown (subscores y cálculo), top_experiences (lista), skills_evaluation (objeto skill:score:justificación), red_flags (lista), interview_questions (lista), decision_reason (breve). Reglas de estilo: lenguaje ejecutivo, máximo 200 palabras por sección explicativa, evita ambigüedades. Si falta información esencial (ej. fechas) indícalo claramente y sugiere cómo obtenerlo. Prioriza evidencia verificable y cuantificable. Salida: devuelve únicamente JSON válido y sin texto adicional fuera del JSON.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y refinar criterios

Revisa outputs de muestra y ajusta pesos, umbrales y prompt para reducir falsos positivos/negativos. Documenta iteraciones para auditoría interna.

1
Analizar muestras de 50 CVs Selecciona una muestra representativa y compara las decisiones del modelo con evaluaciones humanas. Identifica patrones de error (por ejemplo, sobrevaloración de títulos).
2
Ajustar prompt y pesos Modifica la plantilla de evaluación y repite ejecuciones. Guarda versiones del prompt en un control de cambios para trazabilidad.

Checkpoint: Mejora medible en concordancia modelo-humano y umbrales ajustados; registro de cambios y nueva versión del escenario desplegada.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reescribe la ficha ejecutiva anterior enfocándote exclusivamente en evidencias cuantificables y comprobables. Para cada experiencia relevante, añade: nombre de proyecto, métricas (Aumento %, reducción %, budget gestionado) y periodo exacto. No incluyas juicios sin evidencia."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones: 1) Resumen ejecutivo de máximo 6 líneas con decisión y razones clave. 2) Informe extendido con justificaciones detalladas por competencia de 3-5 bullets cada una."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Vuelve a redactar la ficha en tono formal-directivo: frases claras, verbo en presente, evita tecnicismos innecesarios. Mantén toda la información, pero prioriza frases accionables para Comité de Dirección."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Extrae un resumen ejecutivo de una sola página con: puntuación global, 3 razones a favor, 3 riesgos principales y recomendación concreta (Contratar/Revisar/Descartar). Máximo 150 palabras."

Resultado

Que vas a obtener

Este es el tipo de output que genera Make con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — NovaTech Manufacturing SL, sector fabricación automotriz

Estructura del output

El prompt genera un JSON con claves: name, score, breakdown (subpuntuaciones con fórmula), top_experiences, skills_evaluation, red_flags, interview_questions y decision_reason. Diseñado para ingestión automática en Google Sheets o base de datos.

Senales de un buen output

La puntuación global es coherente con el desglose numérico y los pesos aplicados
Cada competencia crítica tiene evidencia asociada en top_experiences
Red flags incluyen ejemplos textuales o ausencia de datos verificables
Las preguntas de entrevista abordan las principales brechas identificadas

Senal de que el output es bueno: La puntuación global coincide con los subscores y las evidencias listadas, permitiendo tomar una decisión clara de priorización.

Costes

Inversion y retorno

39$ Make Business Plan / mes

por ejecución: 10–40 segundos de procesamiento de IA Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Automatizar el cribado reduce tiempo de screening por vacante en un 60-80 %, disminuye el coste por candidato y acelera la toma de decisiones, lo que se traduce en menor tiempo medio de contratación y ahorro en horas de recruiters senior.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Respuestas incompletas o JSON inválido	Prompt demasiado largo o límites de tokens alcanzados	Reducir tamaño del JD o CV enviado, usar resúmenes intermedios y solicitar salida en JSON explícito; habilitar paginado si el modelo lo permite.
Texto extraído incorrecto (caracteres extraños, fragmentos faltantes)	OCR fallido o PDF con formato complejo	Mejorar la calidad del OCR, convertir a PDF de texto o usar servicio de parsing especializado antes de enviar a la IA.
Scores inconsistentes entre ejecuciones	Temperatura alta o parámetros de generación no deterministas	Fijar temperatura baja (0–0.2) y usar parámetros deterministas; guardar prompts y versión de modelo para reproducibilidad.
Escenario falla por límites de API	Límites de tasa o cuota agotada	Monitorizar el uso, implementar backoff y cola en Make, solicitar aumento de cuota o escalonar llamadas.
Falsos positivos en ajuste cultural	Descripción del puesto insuficiente en criterios culturales	Ampliar JD con valores culturales concretos y ejemplos de comportamiento esperado; añadir preguntas situacionales en el prompt.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

El modo agente en Make permite orquestar múltiples tareas automáticas: ingestión de archivos, extracción avanzada, llamadas condicionales a modelos y acciones posteriores (p. ej. crear tareas en ATS). Para este caso, el agente gestiona el flujo completo y toma decisiones basadas en las puntuaciones devueltas por la IA.

Modo avanzado

Flujo de trabajo avanzado

1
Detectar nuevo CV en carpeta o correo y extraer texto mediante OCR/parser
2
Enviar texto al modelo y recibir ficha evaluativa en JSON
3
Evaluar reglas condicionales (umbral de puntuación) y enrutar: crear ticket de entrevista, enviar notificación o marcar para revisión manual
4
Registrar resultado en ATS/Google Sheets y notificar a manager con resumen ejecutivo

Eres el agente de selección automatizado para NovaTech Manufacturing SL. Recibirás payload con: {cv_text, candidate_id, job_id, jd_text}. Realiza: 1) Llamada interna al modelo de evaluación siguiendo la plantilla de evaluación (misma lógica que el prompt principal). 2) Valida que la respuesta JSON incluya 'score' y 'decision'. 3) Si score >= [THRESH_PRIORITY], genera un correo preformateado para el hiring manager con asunto 'Prioritario: [candidate_id] - [job_id]' y cuerpo con resumen ejecutivo de 6 líneas y 5 preguntas sugeridas. 4) Si score entre [THRESH_REVIEW_MIN] y [THRESH_REVIEW_MAX], crea una tarea en el tablero de RRHH con enlace al CV y decisión 'Revisar'. 5) Si score < [THRESH_DISCARD], archiva el CV y guarda motivo en la base. 6) Registra en la base de datos los campos: candidate_id, job_id, score, decision, timestamp y raw_output. Devuelve solo un objeto JSON con status: 'ok' o 'error' y action_taken. Usa lenguaje ejecutivo y conciso en todos los outputs.

Cuando usar el modo avanzado en este tutorial: Valioso cuando gestionas volúmenes altos y necesitas que la automatización actúe sin intervención humana para priorizar y escalar candidatos de forma inmediata.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · Make

Explorar mas tutoriales de Make

Descubre otros casos de uso de Make para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Integra el flujo con tu ATS para cerrar el ciclo: añade etiquetas automáticas ('IA:Prioritario') y registra quién revisó la ficha; esto permite métricas de performance y mejora continua del prompt.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere