Parsing de CV: cómo funciona, dónde falla y frente al screening

Por Jürgen Ulbrich

El parsing de CV lee el archivo de un currículum y lo convierte en campos estructurados (nombre, contacto, puestos con fechas, formación, idiomas, skills) que un sistema de seguimiento de candidaturas puede buscar y filtrar; no juzga si una persona encaja con un puesto. Funciona bien con documentos limpios, basados en texto y de una sola columna, y falla en silencio con tablas, columnas, escaneos y formatos poco habituales, de modo que un error de parsing puede ocultar a un buen candidato sin que nadie lo note. La preselección de CV es el paso siguiente: puntúa los datos analizados frente a un perfil de requisitos. Actualizado a noviembre de 2026.

De un vistazo
Qué hace: Extrae y estructura los datos del CV: responde a "¿qué dice el currículum?"
Dónde falla: Columnas, tablas, escaneos, formatos de fecha poco habituales: los errores son silenciosos, un campo queda vacío o es incorrecto
Cómo comprobarlo: 30 CV reales, campo por campo: anota la tasa de error por tipo de campo
Diferencia con el screening: El screening puntúa frente a un perfil del puesto: el parsing es el requisito previo, no la decisión
Actualizado: noviembre de 2026

¿Cómo funciona el parsing de CV, paso a paso?

  1. Leer el archivo. Se extrae el texto de PDF o Word. En escaneos e imágenes, el reconocimiento óptico de caracteres (OCR) tiene que adivinar primero las letras.
  2. Reconocer el diseño. El parser encuentra las secciones (experiencia, formación, skills), a menudo comparando los encabezados con términos esperados.
  3. Extraer campos. Se localizan nombres, datos de contacto, puestos con fechas de inicio y fin, titulaciones, idiomas y skills.
  4. Normalizar. Los puestos, las skills y los formatos de fecha se asignan a un esquema común para poder compararlos.
  5. Entregar. El resultado se pasa como datos estructurados (a menudo JSON) al sistema de seguimiento de candidaturas o a la siguiente herramienta.

Los parsers difieren en el método. Los basados en reglas o plantillas son predecibles pero frágiles ante diseños nuevos; los de aprendizaje automático reconocen entidades en distintos diseños, pero pueden clasificar mal; los más recientes, basados en modelos de lenguaje, leen mejor el contexto, pero requieren controles para detectar datos inventados o fusionados. Las cifras de precisión publicadas varían mucho y proceden sobre todo de los proveedores, así que pide a cualquier proveedor la precisión y la exhaustividad (precision y recall) por tipo de campo, no una única cifra de titular.

¿Dónde falla el parsing de CV?

SituaciónQué suele salir malQué hacer
Columnas, barras laterales, tablasEl orden de lectura se desordena; skills o fechas acaban en el campo equivocadoPrueba tus diseños más habituales
Escaneos y fotosEl OCR lee mal las letras, así que cargos y nombres salen malPide a los candidatos un archivo basado en texto o revisa el resultado del OCR
Encabezados poco habitualesNo se reconocen las secciones y se pierde un bloque de experienciaComprueba cómo trata el parser las plantillas creativas
Formatos de fecha y trabajo a tiempo parcialLos huecos, los solapamientos y los años de experiencia se calculan malRevisa las fechas en una muestra
Nombres, idiomas, formatos no occidentalesLos nombres se dividen mal; se pasan por alto los niveles de idiomaIncluye CV internacionales en la prueba
Texto en imágenes o en el encabezado y el pie de páginaLa información es invisible para el parserCompara el resultado analizado con el original

El peligro es que estos fallos son silenciosos. La candidatura parece completa, pero un campo está vacío o es incorrecto en la vista del reclutador, y la persona queda peor clasificada.

¿Cómo se prueba un parser? Un plan con 30 CV

  1. Toma 30 CV reales de un puesto ya cubierto, incluidos diseños con columnas, escaneos y nombres que no sean alemanes ni ingleses.
  2. Compara el resultado analizado con el original, campo por campo, y marca cada campo como correcto, incorrecto o ausente.
  3. Registra la tasa de error por tipo de campo (fechas, cargos, skills, formación), no solo la global.
  4. Comprueba qué ocurre con una persona con un campo incorrecto: ¿puede un reclutador abrir el original y corregirlo?
  5. Repite la prueba tras cada actualización del parser.

Ejemplo práctico (supuestos, no hechos): Con 400 candidaturas al mes y un supuesto 5 % de CV con al menos un campo clave incorrecto, 20 candidaturas al mes entran en el proceso con datos erróneos. Si una de cada cuatro habría llegado a entrevista, se ven afectadas cinco personas al mes sin que nadie vea un error. Sustituye las cifras por tu propia muestra.

¿Es lo mismo el parsing de CV que la preselección de CV?

CriterioParsing de CVPreselección de CV
Responde a la pregunta¿Qué dice el currículum?¿Encaja esta persona con el puesto?
ResultadoCampos estructuradosRanking, puntuación o valoración por requisito
Necesita un perfil de requisitosNoSí
Uso típicoImportación al ATS, búsquedaPreselección con alto volumen
Sustituye la decisión humanaNoNo, la prepara

Todo sistema de preselección necesita antes un paso de parsing. Muchas herramientas hacen ambas cosas de una vez, así que pregunta cuál es el resultado: si solo devuelve campos, es parsing; si devuelve una valoración frente a un perfil de requisitos almacenado, es preselección. Más en Software de preselección de CV: cómo elegir y Preselección de CV con IA: qué puede y qué no puede hacer. Nota: este artículo es para empleadores; búsquedas como "resume with parsing" suelen venir de candidatos que están creando un CV.

¿Qué dice la ley sobre los datos analizados?

Esto es información general, no asesoramiento jurídico. Los datos de CV analizados son datos personales: los artículos 13 y 14 del RGPD exigen informar a los candidatos, y la conservación sigue las reglas de los documentos de candidatura, tanto para los datos extraídos como para el original. Cuando los datos analizados alimentan una valoración automatizada, se aplica el artículo 22 del RGPD; la IA de reclutamiento es de alto riesgo según el anexo III del Reglamento de IA de la UE, con obligaciones a partir del 2 de diciembre de 2027 (Reglamento (UE) 2026/1744). Consulta también El Reglamento de IA de la UE en el reclutamiento.

sprad.io/product/screening
Sprad Atlas screening product page, screenshot
Página de screening de Sprad Atlas (sprad.io/product/screening), captura de pantalla del 31 de octubre de 2026.

Los errores de parsing son la razón por la que Sprad Atlas vincula cada valoración a la frase exacta del CV original o de la conversación y comprueba la cita con el original: si no se encuentra, el punto pasa a poco claro, y lo poco claro nunca cuenta en contra de una persona. Así, un fallo de parsing se hace visible en lugar de silencioso. Límites: esto no hace perfecto el parsing, y cada valoración consume créditos o volumen de tarifa plana. Sprad es el proveedor de esta página. Para una visión más amplia, consulta el centro temático de avalancha de candidaturas y preselección de CV.

Preguntas frecuentes

¿Necesito tanto parsing como preselección?

Una preselección real necesita ambos: el parsing como base y la preselección para puntuar.

¿Puede el parsing de CV ser discriminatorio?

El parsing no emite juicios, pero los errores con formatos o nombres poco habituales pueden impedir que información relevante llegue a la valoración posterior.

¿Es una herramienta de preselección de CV un sistema de alto riesgo según el Reglamento de IA de la UE?

Los sistemas que filtran candidaturas o evalúan a candidatos entran en el anexo III.

¿Qué fiabilidad tiene el parsing automático?

Depende del formato y del diseño: los documentos de texto limpios se analizan mejor; los CV diseñados con tablas, columnas o imágenes, peor. Prueba con tus propios CV.

¿Puede basarse un rechazo únicamente en el resultado?

Solo en excepciones muy limitadas del artículo 22 del RGPD; consulta ¿Puede la IA rechazar candidatos automáticamente?.

¿Qué ocurre con los datos analizados tras un rechazo?

Siguen las reglas generales de conservación de los documentos de candidatura, igual que el archivo original.

Jürgen Ulbrich

CEO y cofundador de Sprad

Jürgen Ulbrich cuenta con más de una década de experiencia en la creación y dirección de equipos y empresas de alto rendimiento. Como experto en programas de recomendación de empleados y en procesos de feedback y desempeño, Jürgen ha ayudado a más de 100 organizaciones a optimizar sus estrategias de captación y desarrollo de talento.

Plantillas y descargas gratuitas

Únete a la comunidad en solo 26 segundos y accede gratis a más de 100 recursos, plantillas y guías.

No items found.

La People Powered HR Community es para profesionales de RR. HH. que ponen a las personas en el centro de su trabajo de RR. HH. y reclutamiento. Juntos, convirtamos nuestra convicción compartida en un movimiento que transforme el mundo de RR. HH.