La inteligencia artificial puede ser una herramienta genuinamente útil para construir un currículum profesional —pero “útil” no significa “uniforme”. Probamos cuatro enfoques distintos: tres asistentes en la nube (Claude, ChatGPT y Gemini) evaluados con criterio de reclutamiento real, y un modelo Llama ejecutado localmente en LM Studio, analizado bajo criterios técnicos de compatibilidad y privacidad.

La conclusión adelantada: cada modelo tiene un perfil de fortalezas y riesgos distinto, y el resultado final depende tanto de la herramienta elegida como de qué tan claramente el usuario define su necesidad. No existe una IA “mejor” en abstracto para este trabajo —existe la más adecuada según el candidato, el puesto y cuánto control quiere tener sobre el proceso.

¿Por qué el currículum es el peor caso de uso “a ciegas” para la IA?

Pedirle a un modelo de lenguaje que “escriba mi currículum” sin más contexto es la forma más rápida de obtener un documento genérico, con logros vagos y, en el peor de los casos, con datos inventados. Los modelos de lenguaje tienden a “rellenar” huecos de información con cifras o hechos plausibles pero falsos —un fenómeno conocido como alucinación— especialmente cuando se les pide cuantificar logros que el usuario no proporcionó explícitamente.

Por eso este experimento forzó a cada modelo a hacer preguntas antes de escribir, replicando el proceso de un redactor profesional de CV: entender el puesto, la trayectoria real del candidato y sus preferencias de formato antes de producir una sola línea. Esta metodología es la variable de control; lo que varía después, y de forma notable, es cómo cada modelo interpreta esas respuestas y qué prioriza al momento de escribir.

¿Qué es un ATS y por qué condiciona todo el ejercicio?

Un Applicant Tracking System (ATS) filtra postulaciones antes de que un humano las vea, analizando estructura, encabezados, palabras clave y formato de archivo. Un diseño demasiado creativo —columnas complejas, tablas, iconografía— puede hacer que el sistema descarte información aunque esté presente en el documento. De ahí que “mejor diseño visual” no siempre signifique “mejor currículum”: el objetivo es superar dos filtros distintos, uno automatizado y otro humano, con requisitos que a veces se contradicen. Este doble filtro es, precisamente, el terreno donde más se nota la diferencia entre modelos: algunos priorizan naturalmente la lectura humana, otros la estructura técnica.

Prompts utilizados por herramienta

Prompt base común

“Actúa como un redactor experto en currículums técnicos. Antes de escribir una sola línea, hazme preguntas para entender mi experiencia real, mis logros cuantificables y cómo quiero posicionarme frente a esta vacante. No inventes cifras, herramientas, empleadores ni responsabilidades que yo no te haya confirmado. El resultado debe ser compatible con sistemas ATS y visualmente claro para un reclutador humano.”

Claude

“Con la vacante adjunta, ayúdame a construir mi currículum. Agrupa tus preguntas en cinco bloques: estrategia de posicionamiento, trayectoria y credenciales verificables, educación, marca personal y datos de contacto. Confirma conmigo cualquier cifra antes de incluirla en el documento final.”

ChatGPT

“Usando la vacante que te comparto, hazme todas las preguntas necesarias para reunir información precisa antes de escribir mi currículum. Prioriza precisión y densidad de información relevante sobre estética minimalista.”

Gemini

“Con esta vacante como referencia, guíame para construir mi currículum. Agrupa tus preguntas en categorías: experiencia y liderazgo, ajustes técnicos, formación académica, marca personal y preferencias visuales. Pregúntame explícitamente cómo quiero que se vea el documento.”

LM Studio (modelo Llama local)

“Genera un currículum profesional a partir de esta vacante y este resumen de mi experiencia. Prioriza un formato simple, compatible con lectura automática de texto, evitando tablas o columnas complejas, y destaca solo los logros que te proporciono de forma explícita.”

Resultados observados, modelo por modelo

Claude: coherencia narrativa, ideal para perfiles senior

Claude tiende a producir textos con buen hilo narrativo y transiciones naturales entre secciones, lo que lo hace especialmente útil para perfiles con trayectorias complejas —varios cambios de industria, roles híbridos, transiciones de carrera— donde contar una historia coherente importa tanto como listar responsabilidades. Su punto débil es la tendencia a “completar” datos ausentes con cifras plausibles que no fueron confirmadas por el usuario, lo que exige una revisión manual estricta de cualquier número antes de publicar el documento. Para un perfil junior con poca experiencia que contar, esta fortaleza narrativa aporta menos valor relativo.

ChatGPT: densidad de información, ideal para roles técnicos y ATS-sensibles

ChatGPT favorece currículums con mayor volumen de información verificable por línea, lo que en procesos de reclutamiento reales suele valorarse más que un diseño minimalista vacío de contenido —sobre todo en roles técnicos donde el reclutador busca palabras clave específicas (lenguajes, herramientas, certificaciones). El riesgo es producir documentos visualmente “cargados” si no se pide explícitamente simplificar el formato. Es, en general, la opción con mejor equilibrio entre compatibilidad ATS y lectura humana, pero exige que el usuario sea muy específico en las respuestas iniciales para no acabar con un documento sobrecargado de generalidades.

Gemini: diseño sobresaliente, ideal para roles creativos o de cara al cliente

Gemini produce jerarquías tipográficas y estructuras de dos columnas atractivas, lo cual puede ser una ventaja real para roles de diseño, marketing o posiciones donde la primera impresión visual importa. Ese mismo impulso estético puede resultar contraproducente para perfiles de nivel medio en industrias más conservadoras (finanzas, ingeniería, sector público), donde un formato demasiado elaborado distrae del contenido real y puede incluso generar desconfianza.

LM Studio con Llama local: control total, ideal cuando la privacidad es la prioridad

Ejecutar un modelo Llama localmente vía LM Studio ofrece ventajas que ninguna herramienta en la nube puede igualar: los datos del currículum nunca salen del equipo del usuario, no hay dependencia de conexión a internet, y el modelo puede ajustarse con parámetros y prompts totalmente personalizados. Esto lo hace especialmente relevante para quienes trabajan en sectores con información sensible (salud, gobierno, defensa, investigación con acuerdos de confidencialidad) o simplemente prefieren no compartir su historial laboral completo con un servicio en la nube. La contrapartida es que el resultado “de fábrica” suele requerir más edición manual para alcanzar el nivel de pulido de las herramientas comerciales, ya que estos modelos no están afinados específicamente para redacción de currículums ni cuentan con el mismo volumen de ejemplos de entrenamiento en ese dominio.

¿Qué modelo conviene según tu situación?

Esta es, en definitiva, la pregunta que más importa —más que cuál “ganó” en una prueba puntual:

• Si tienes una trayectoria no lineal o cambios de industria: Claude suele articular mejor la narrativa de transición, pero verifica cada cifra con lupa.
• Si aplicas a roles técnicos con ATS estrictos: ChatGPT tiende a dar el mejor equilibrio entre densidad de palabras clave y legibilidad humana.
• Si el rol depende de una primera impresión visual (diseño, marketing, ventas consultivas): Gemini aporta valor real, siempre que se controle la sobrecarga estética.
• Si tu prioridad es la privacidad de los datos o no dependes de conexión estable: LM Studio con un modelo local es la única opción de las cuatro que garantiza que la información nunca sale de tu equipo, a cambio de más trabajo de edición manual.
• Si estás en etapa temprana de carrera con poca experiencia que narrar: cualquier modelo funcionará mejor si el usuario aporta detalles concretos (proyectos, prácticas, cursos) en las respuestas iniciales; ningún modelo compensa la falta de información real con calidad.

Lo que no cambia sin importar el modelo

Independientemente de la herramienta elegida, tres cosas se mantienen constantes: (1) ningún modelo debe tener la última palabra sobre cifras, fechas o logros sin confirmación humana; (2) las respuestas del usuario a las preguntas iniciales determinan la calidad final más que el modelo mismo —un buen modelo con inputs vagos produce un mal currículum, y un modelo modesto con inputs precisos puede superar expectativas; y (3) el formato final siempre debe validarse contra los requisitos específicos del ATS de la empresa a la que se aplica, porque no todos los sistemas de rastreo procesan el contenido de la misma manera.

Tabla comparativa

Conclusión: la IA es una buena herramienta, pero el resultado depende del modelo y de la necesidad

El experimento confirma algo más útil que una simple clasificación de “ganador” y “perdedor”: la calidad de un currículum generado por IA no depende de la marca del modelo, sino de la combinación entre el modelo correcto y el objetivo correcto. Claude no es mejor ni peor que ChatGPT en abstracto —es mejor para narrativas complejas y peor cuando se necesita precisión numérica estricta. Gemini no “pierde” frente a los demás —pierde solo cuando se aplica a un contexto donde la sobriedad importa más que el impacto visual. Y un modelo local en LM Studio no es inferior por definición —es la única opción viable cuando la privacidad de los datos es la prioridad número uno.

La pregunta correcta no es “¿qué IA es la mejor para hacer currículums?”, sino “¿qué necesito yo de este documento, y qué modelo está diseñado para darme eso?”. Elegido con ese criterio, cualquiera de las cuatro herramientas puede aportar valor real; elegido al azar, cualquiera puede producir un documento genérico que un reclutador experimentado detecta en segundos.

Recomendaciones prácticas

• Responde con precisión, no con volumen: entre más específicas sean tus respuestas a las preguntas de la IA, menor será el riesgo de que “rellene” huecos con datos inventados, sin importar el modelo elegido.
• Elige el modelo según tu objetivo, no según su popularidad: usa la guía de esta nota para mapear tu situación (trayectoria, industria, sensibilidad de datos) al modelo más adecuado.
• Verifica cada cifra antes de publicar: fechas, métricas de impacto y nombres de empresas o herramientas deben confirmarse manualmente, sin excepción, en los cuatro casos.
• Optimiza para ATS de forma explícita: pide a la IA formatos de una sola columna, sin tablas ni gráficos, y con encabezados estándar (Experiencia, Educación, Habilidades), especialmente si usas Gemini o Claude.
• Compara al menos dos herramientas antes de decidir: cada modelo tiene sesgos distintos de estilo; contrastar resultados ayuda a detectar inconsistencias antes de que lleguen a un reclutador.
• Considera un modelo local si la privacidad es prioritaria: LM Studio es una alternativa válida cuando no quieres que datos profesionales sensibles pasen por servidores de terceros, a cambio de asumir más trabajo de edición manual.