Tres personas.
Un equipo de recruiting de tres personas gestionando 200 vacantes abiertas.
Suena a pesadilla. Pero es la realidad de PostHog — y no están sufriendo. Están contratando más rápido que empresas con equipos 4 veces más grandes.
¿Su secreto? No contrataron más recruiters. Construyeron un sistema de recruiting con IA que hace el 80% del trabajo pesado.
Y no hablo de chatbots que nadie usa.
Hablo de agentes que filtran, evalúan y priorizan candidatos mientras tu equipo se enfoca en lo que realmente importa: las conversaciones humanas.
Hoy te comparto el framework que he construido combinando lo mejor de dos fuentes que me han volado la cabeza esta semana: el enfoque de PostHog para contratar perfiles AI-native y un framework open source de recruiting con Claude que automatiza desde el screening hasta la preparación de entrevistas.
Pero antes, algo para los que no tienen tiempo.
Después de su programa AI VP of People Fractional Program, Próximo ha lanzado un intensivo de 2h de Claude Cowork para todo aquellos que queréis utilizar la IA en HR pero no tenéis tiempo.
¿No tienes tiempo para aprender cómo crear agentes de IA?
Un Sábado. 2 horas. Una misión:
Aprender cómo usar Claude Cowork y crear agentes para tu día a día en Recursos Humanos.
Y ahora si, continuamos
El framework de 3 niveles
Cada nivel es independiente. No necesitas el 3 para que el 1 funcione. Pero cuando los combinas, tu equipo de recruiting opera a un nivel completamente diferente.
┌─────────────────────────────────────────────────────┐
│ FRAMEWORK IA EN RECRUITING │
│ │
│ Nivel 3: AGENTES AUTÓNOMOS │
│ ┌───────────────────────────────────────────┐ │
│ │ Pipeline completo: sourcing → screening │ │
│ │ → evaluación → scheduling │ │
│ │ Herramientas: n8n + Claude + ATS │ │
│ └───────────────────────────────────────────┘ │
│ │
│ Nivel 2: EVALUACIÓN AUMENTADA │
│ ┌───────────────────────────────────────────┐ │
│ │ Dual-agent review: drafter + reviewer │ │
│ │ Screening AI-native de candidatos │ │
│ │ Herramientas: Claude + n8n + Slack │ │
│ └───────────────────────────────────────────┘ │
│ │
│ Nivel 1: FILTRADO INTELIGENTE │
│ ┌───────────────────────────────────────────┐ │
│ │ Claude lee y puntúa CVs vs requisitos │ │
│ │ Filtro automático por umbral │ │
│ │ Herramientas: Claude + n8n │ │
│ └───────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────┘
Nivel 1: Filtrado inteligente
El 70% del tiempo de un recruiter se va en leer CVs que no encajan.
No porque el recruiter sea lento. Porque el volumen es absurdo. 200 candidatos para una posición técnica. 150 que no cumplen ni el primer requisito.
La solución: Claude lee cada CV, lo compara con los requisitos del puesto y devuelve una puntuación de 0 a 100 con justificación.
Este es el prompt que uso:
Eres un recruiter senior especializado en {departamento}.
Analiza el siguiente CV contra los requisitos del puesto.
## Requisitos del puesto
{requisitos}
## CV del candidato
{cv_texto}
## Tu tarea
1. Puntúa de 0 a 100 el encaje candidato-puesto
2. Lista los requisitos que SÍ cumple (con evidencia del CV)
3. Lista los requisitos que NO cumple
4. Lista skills relevantes que tiene pero no pedíamos
5. Genera 3 preguntas específicas para la entrevista basadas
en gaps o puntos ambiguos del CV
6. Decisión: AVANZAR / REVISAR / DESCARTAR
Responde en JSON con esta estructura:
{
"score": number,
"met_requirements": [...],
"unmet_requirements": [...],
"bonus_skills": [...],
"interview_questions": [...],
"decision": "AVANZAR" | "REVISAR" | "DESCARTAR",
"reasoning": "string"
}
¿Y cómo automatizas esto sin tocar código?
Con un workflow de n8n que conecta tu bandeja de entrada (o tu ATS) con Claude:
{
"nodes": [
{
"name": "Webhook - Nueva aplicación",
"type": "n8n-nodes-base.webhook",
"parameters": {
"httpMethod": "POST",
"path": "nueva-aplicacion"
}
},
{
"name": "Claude - Evaluar CV",
"type": "@n8n/n8n-nodes-langchain.lmChatAnthropic",
"parameters": {
"model": "claude-sonnet-4-6",
"messages": {
"values": [
{
"role": "user",
"content": "={{ $json.prompt_con_cv_y_requisitos }}"
}
]
}
}
},
{
"name": "IF - Score >= 70",
"type": "n8n-nodes-base.if",
"parameters": {
"conditions": {
"number": [
{
"value1": "={{ $json.score }}",
"operation": "largerEqual",
"value2": 70
}
]
}
}
},
{
"name": "Slack - Notificar recruiter",
"type": "n8n-nodes-base.slack",
"parameters": {
"channel": "#recruiting",
"text": "🟢 Candidato {{ $json.nombre }} puntuó {{ $json.score }}/100 para {{ $json.puesto }}. Decisión: {{ $json.decision }}"
}
}
]
}
Tiempo de implementación: 1 tarde.
Resultado: Tu equipo solo ve los CVs que puntúan por encima de 70. El resto queda en una cola de "revisar si hay tiempo". En la práctica, nunca hay tiempo — y no pasa nada, porque los buenos candidatos ya están en tu pipeline.
Nivel 2: Evaluación aumentada
Aquí es donde la cosa se pone interesante.
PostHog descubrió algo que cambia las reglas del juego en recruiting: lo que importa no es la experiencia del candidato con IA, sino si el candidato es AI-native.
La diferencia es sutil pero brutal:
Un contable con experiencia en IA hace contabilidad y luego usa ChatGPT para formatear un Excel.
Un contable AI-native produce el mismo trabajo 5 veces más rápido con mejores controles, porque su flujo de trabajo empieza y termina con IA.
¿Cómo evalúas si alguien es AI-native? Con estas tres preguntas en la entrevista:
"Cuéntame un workflow que hayas construido con IA: qué hace, cuál era el objetivo, cómo mejoró las cosas."
"¿Qué workflow de IA adoptaste de otra persona y adaptaste a tu contexto?"
"Cuéntame tu mayor fracaso experimentando con IA."
La primera mide capacidad de construir.
La segunda, curiosidad y capacidad de aprender.
La tercera, honestidad y profundidad de uso — alguien que nunca falló con IA es alguien que nunca la usó de verdad.
El patrón dual-agent para evaluar candidatos
Inspirado en el repo ai-job-search, hay un patrón que funciona muy bien: usar dos agentes de Claude con roles diferentes.
Agente A (Drafter): Analiza las respuestas del candidato y genera una evaluación positiva, destacando fortalezas.
Agente B (Reviewer): Recibe la evaluación del Agente A y la desafía. Busca inconsistencias, señales de alerta, y oportunidades perdidas.
## Prompt para Agente B (Reviewer)
Eres un reviewer crítico de evaluaciones de candidatos.
Has recibido esta evaluación del Agente A:
{evaluacion_agente_a}
Tu trabajo:
1. Identifica 3 puntos ciegos o sesgos en la evaluación
2. Señala inconsistencias entre las respuestas del candidato
y la puntuación asignada
3. Lista preguntas de seguimiento que el Agente A no consideró
4. Da tu propia puntuación (0-100) con justificación
Sé riguroso pero justo. El objetivo no es descartar sino
asegurar que no pasamos por alto señales de alerta.
El resultado: evaluaciones más equilibradas, con menos sesgo de "primera impresión" y más sustancia.
Nivel 3: Agentes autónomos de recruiting
Este es el nivel donde tu equipo de 3 personas gestiona 200 vacantes.
La idea: un pipeline completo donde los agentes manejan las tareas repetitivas y tu equipo interviene solo en los momentos que requieren juicio humano.
Candidato aplica
│
▼
┌─────────────┐ ┌──────────────┐ ┌─────────────────┐
│ n8n recibe │───▶│ Claude evalúa│───▶│ Score >= 70? │
│ aplicación │ │ CV (Nivel 1) │ │ │
└─────────────┘ └──────────────┘ └────────┬────────┘
Sí │ No
┌──────────┘ │
▼ ▼
┌─────────────┐ ┌──────────┐
│ Dual-agent │ │ Email de │
│ evaluation │ │ feedback │
│ (Nivel 2) │ │ automático│
└──────┬──────┘ └──────────┘
│
▼
┌─────────────┐
│ Slack al │
│ recruiter + │
│ auto-agendar │
│ entrevista │
└─────────────┘
El workflow de n8n para el Nivel 3 añade dos cosas clave al Nivel 1:
Email automático de feedback a candidatos descartados (personalizado con Claude, no el genérico "tu perfil no encaja")
Auto-scheduling de entrevistas para candidatos que pasan — conectando con Cal.com o Calendly.
{
"name": "Email feedback personalizado",
"type": "n8n-nodes-base.emailSend",
"parameters": {
"fromEmail": "[email protected]",
"toEmail": "={{ $json.candidato_email }}",
"subject": "Tu aplicación para {{ $json.puesto }}",
"text": "={{ $json.feedback_personalizado_claude }}"
}
}
El feedback personalizado marca la diferencia. Escribir "Hola María, hemos revisado tu perfil y aunque tu experiencia en X es sólida, para este puesto buscamos alguien con más profundidad en Y" es infinitamente mejor que "Gracias por tu interés, hemos decidido avanzar con otros candidatos".
Y Claude lo genera en 2 segundos por candidato.
Los números de PostHog que deberías enseñarle a tu CEO
PostHog opera con un 6% de headcount en ops — frente al 8-10% que es estándar en la industria.
No han ampliado equipo a pesar de haber crecido. Y estiman que no necesitarán contratar en ops durante los próximos 2-3 años.
¿Cómo? Cada persona del equipo construye sus propios flujos de automatización:
El Ops Manager construyó bots de Slack para automatizar ofertas de empleo en 30+ países.
El Talent Partner creó un generador de resúmenes de feedback y analiza datos de Ashby (su ATS) con Claude para detectar patrones — descubrió que los candidatos que hablan rápido tienen más éxito en PostHog.
El Finance Manager implementó agentes que ejecutan checklists de cierre contable, detectan varianzas en el GL y automatizan cobros.
Esto no es el futuro. Está pasando ahora.
Por dónde empezar mañana
No intentes implementar el Nivel 3 de golpe. Empieza por el 1:
Hoy: Copia el prompt de scoring de CVs y pruébalo en Claude con 5 CVs reales de tu última búsqueda.
Esta semana: Monta el workflow de n8n básico (webhook → Claude → Slack).
En 2 semanas: Añade las preguntas AI-native a tu proceso de entrevista (Nivel 2).
En un mes: Conecta el auto-scheduling y los emails de feedback personalizados (Nivel 3).
El framework funciona porque cada nivel entrega valor por sí solo. No necesitas llegar al 3 para notar la diferencia.
Pero si de verdad quieres aprender cómo hacer todo esto, únete el día 19 de Julio al Intensivo de Claude Cowork para HR.
Reserva tu plaza ahora y cambia tu día a día en sólo 2h.