Etiquetas de IA para empleos en vez de desplazarse sin fin

De los filtros a las etiquetas semánticas

Lo interesante aquí no es la palabra IA, sino el planteamiento del problema: los filtros convencionales no permitían encontrar puestos muy específicos sin pasar mucho tiempo revisando listados. En la publicación original del autor dentro de una comunidad, el caso se explica de forma muy práctica: la herramienta nació durante una búsqueda de empleo y etiquetaba automáticamente las ofertas.

Cuando se publicó el mensaje, el proyecto ya funcionaba con vacantes. Después, el autor decidió ampliarlo a formatos de datos arbitrarios, publicar el código fuente y desarrollar un servicio independiente con funciones adicionales. Los datos originales no indican una fecha concreta, así que no se trata de un lanzamiento asociado a una versión fija, sino de un caso temprano de ingeniería.

Desde el punto de vista técnico, el valor no está en generar texto, sino en transformar un anuncio no estructurado en atributos que se puedan buscar. Yo separaría el sistema en recepción de datos, normalización de campos, asignación de etiquetas y capa de búsqueda; de lo contrario, admitir formatos nuevos se convierte rápidamente en una colección de excepciones. En las ofertas de empleo, resulta especialmente importante no mezclar puesto, competencias, nivel, modalidad de trabajo y otros criterios en una sola puntuación opaca.

La primera prueba no debería ser la estética de la interfaz, sino la calidad de las consultas poco frecuentes que originaron el proyecto. Después hacen falta análisis de errores de etiquetado, eliminación de duplicados y una explicación clara de por qué una oferta concreta aparece en los resultados. De otro modo, la IA solo sustituye el desplazamiento manual por una revisión manual de los resultados.

Qué cambia realmente

El efecto principal es real: la persona expresa una intención concreta y el sistema reduce ofertas heterogéneas a etiquetas comparables. Esto resulta más útil que otro filtro por palabras clave cuando el rasgo buscado se describe con formulaciones distintas.

Sin embargo, extenderlo a cualquier tipo de dato aumenta mucho la complejidad. Las vacantes tienen entidades relativamente claras; otro formato exigirá un nuevo esquema de etiquetas, reglas de normalización y una evaluación de calidad propia. La universalidad puede convertirse fácilmente en una promesa que falla ante el primer documento atípico.

El código abierto puede hacer visible la calidad: permite debatir el esquema de etiquetas, los casos límite y el comportamiento con datos poco frecuentes. Pero por sí solo no resuelve el acceso a las ofertas, los cambios de formato ni la evolución del lenguaje. Eso es lo que conviene vigilar, no el número de fuentes compatibles.

Este proyecto no parece magia alrededor de un modelo, sino un intento de eliminar una tarea rutinaria concreta. No ganará el modelo más inteligente, sino el sistema que convierta de forma consistente entradas desordenadas en etiquetas explicables.

También analizamos cómo medir la fiabilidad de los LLM en tareas de control de calidad mediante métricas IRT. Esto se relaciona directamente con comprobar la precisión de las etiquetas que la IA asigna a las ofertas de empleo.