Todas las guías sobre cómo detectar IA en las respuestas de una entrevista te dan la misma lista. Una pausa de tres a cinco segundos antes de cada respuesta. La mirada que se va hacia una segunda pantalla. Respuestas que suenan a documentación y no a una persona hablando. Fluidez repentina en una pregunta y no en la siguiente. Leí la mayoría de esas guías y yo mismo usé la lista durante un tiempo. Después miré a quién estaba marcando: gente nerviosa, candidatos entrevistando en su segundo idioma y los que piensan antes de hablar. Si sos el que contrata y estás tratando de averiguar quién está leyendo lo que le dicta un modelo, este es mi argumento para abandonar el marco de la detección, y lo que haría en su lugar.
Las señales para detectar IA en entrevistas de trabajo están confundidas
Tomemos la pausa. Un candidato se queda callado cuatro segundos antes de responder. Esa es la señal estrella en casi todas las guías de detección, y también es lo que hace una persona cuidadosa con una pregunta que no tenía ensayada. Es lo que hace alguien ansioso. Es lo que hace quien está traduciendo en su cabeza.
Las demás no aguantan mejor. La mirada fuera de cámara atrapa a cualquiera con un segundo monitor, una hoja de notas o la costumbre de mirar para otro lado mientras piensa. El lenguaje pulido atrapa a la gente que se preparó. Un salto de fluidez entre preguntas atrapa el hecho muy común de que uno conoce algunas partes de su propio trabajo mejor que otras.
No son observaciones inútiles. Simplemente no son evidencia por sí solas, porque para cada una la explicación inocente es más común en tu grupo de candidatos que la culpable. Lo que se siente como una señal se parece más a tirar una moneda con una historia encima.
Un candidato que entrevistamos cumplía cuatro puntos de la lista al mismo tiempo. Pausa larga antes de cada respuesta, mirada fuera de cámara mientras pensaba, lenguaje cuidado y algo formal, y mucha mejor fluidez en diseño de sistemas que en cualquier cosa sobre su último equipo. También estaba entrevistando tarde en la noche en su huso horario, en su tercer idioma, sobre trabajo que había terminado tres años antes. Las pausas eran alguien armando una oración, no leyéndola. En la lista parecía la persona más sospechosa del proceso.
El problema de las tasas base en cualquier señal de trampas con IA
Acá está la parte que las listas se saltean. Incluso una señal genuinamente buena produce sobre todo acusaciones falsas cuando lo que detecta es poco frecuente.
Inventemos algunos números y miremos la forma. Son supuestos elegidos para ilustrar la aritmética, no mediciones de nada. Entrevistás a 100 personas y 10 están leyendo lo que les dicta un modelo. Tu señal es buena: atrapa a 8 de esas 10 y falla solo con 1 de cada 10 candidatos honestos. Esa tasa de error suena tolerable hasta que contás. Nueve candidatos honestos quedan marcados, contra ocho reales. Más de la mitad de los que sospechás no hicieron nada.
Y esa es la versión favorable, construida sobre una señal mucho más filosa que "hizo una pausa". Llevá la tasa de error a 1 de cada 5 y estás acusando a 18 personas honestas para atrapar a 8. A la aritmética no le importa qué tan seguro te sentiste en el momento.
Así que la detección escala mal de una manera puntual. Cuanto menos frecuente es la conducta, peor es tu tasa de acierto, y más se convierte tu proceso en una máquina para ofender en silencio a buenos candidatos.
Lo que cuesta de verdad una acusación falsa
Una entrevista no es un juicio, así que nadie lee un veredicto en voz alta. La acusación aparece como una segunda mitad de la llamada más apagada, después un "elegimos a otra persona", y un candidato que nunca se entera por qué.
El costo cae en dos lugares. El obvio es la persona que perdés. El que no ves es lo que la sospecha le hace a la entrevista misma. Cuando estoy mirando a alguien para cazar señales, no estoy escuchando de verdad su razonamiento. Hice entrevistas en ese modo, y mis notas después hablaban de dónde miraba el candidato en lugar de cómo había encarado el problema. Ninguno de los dos estaba haciendo su trabajo.
La versión larga de este argumento está en por qué detectar trampas con IA es la pregunta equivocada, y la misma falla aparece del lado de las herramientas en la evaluación de código a prueba de IA.
Preguntas que ChatGPT responde mal en entrevistas técnicas
Supongamos que no podés cambiar tu proceso este trimestre. Igual tenés gente para entrevistar la semana que viene. Hay una versión de esto que funciona, y pasa por preguntar cosas que un modelo no puede responder en nombre de otro.
Un modelo produce sin problema una respuesta competente sobre cómo estructurar un servicio. No puede contarte qué entregó el equipo de tu candidato en marzo, qué se rompió, quién se opuso, ni qué haría distinto hoy. Así que andá para ahí:
- Pedí un caso específico en lugar de una práctica. "Contame de una migración que hayas hecho" te lleva más lejos que "cómo encarás las migraciones". Los detalles reales tienen una textura que la competencia genérica no tiene.
- Interrumpí. Agarrá la respuesta y apretá donde está más floja. El que lee de una pantalla pierde el hilo. El que lo vivió se vuelve más preciso.
- Preguntá qué salió mal. Los proyectos reales tienen arrepentimientos pegados. Las respuestas prestadas casi nunca.
- Seguí la consecuencia. "¿Cómo se veía esa decisión seis meses después?" Los modelos escriben planes bien. Las personas se acuerdan de las secuelas.
Nada de eso es un detector de mentiras. Es entrevistar bien, y produce mejor señal haya trampa o no. Esa propiedad es todo el punto. Una lista de detección solo rinde en el caso poco frecuente de que alguien esté leyendo de un modelo. Las buenas preguntas rinden en todas las entrevistas que hacés.
Permití la herramienta y medí el aprovechamiento de IA
Una aclaración rápida. Estoy construyendo Skillvee, una simulación de 60 minutos de un "día de trabajo" que reemplaza el filtro telefónico del recruiter y la primera ronda técnica. Los candidatos resuelven un problema real, hablan con compañeros de IA y defienden sus decisiones ante un gerente de IA mientras se graba la pantalla. Así que tengo un interés obvio en que abandones la detección. Tomá el argumento por lo que vale, con el sesgo a la vista.
El arreglo estructural es sacar del medio aquello que estás tratando de detectar. Si el candidato puede usar un modelo y vos podés ver la sesión, no hay nada que cazar. La pregunta se convierte en "qué tan bien lo usó", que es la que predice el trabajo hoy.
Lo que mirás es concreto y acotado: qué pregunta, cómo verifica la respuesta, qué sugerencias descarta y si puede explicar la versión final con el modelo cerrado. Los candidatos que sufren toman la primera salida como si estuviera terminada. Los que son buenos en esto discuten con ella, y se los escucha haciéndolo. Esa diferencia es grande y no necesita ninguna inferencia sobre movimientos de ojos. Es la señal que nuestro producto puntúa a partir de una sesión grabada.
Dónde se pone difícil
La fricción es real, así que acá va. Permitir IA significa que buena parte de tu banco de preguntas deja de servir, porque hoy mucho está a un prompt de resolverse. Reescribir un proceso de entrevistas es trabajo en serio y compite con todo lo demás que tiene tu equipo este trimestre.
También exige una rúbrica escrita. "Medir el aprovechamiento de IA" se convierte en impresiones sueltas salvo que alguien defina qué es bueno antes de que empiecen las entrevistas. Y el entrevistador tiene que mirar el trabajo de verdad en lugar de leer un resumen por arriba, lo que cuesta más atención por candidato que un puntaje de aprobado o desaprobado.
Es un intercambio honesto para pensar, y por eso cobramos por volumen en lugar de por asiento vigilado. Lo que ganás a cambio es un proceso que no se degrada con el próximo modelo, y que no gasta su presupuesto de precisión en acusar a la gente que querías contratar.
Si ya tomaste esa decisión, la pregunta que sigue es qué escribes en la planilla de evaluación. Eso lo trabajé aparte en las seis conductas que conviene evaluar cuando permites IA en entrevistas técnicas.