¿Qué es el matching con IA en un marketplace de desarrollo?

El matching con IA en un marketplace de desarrollo es el proceso que compara el perfil de un squad —stack, historial de entregas, disponibilidad— contra los requisitos de un proyecto usando modelos de lenguaje o embeddings, no búsqueda por palabras clave exactas. El resultado es una lista de opciones ordenadas por score de compatibilidad. Un score alto, sin embargo, no garantiza que el equipo haya entendido el proyecto: ese es el límite del matching automático, con o sin IA, y la razón por la que un motor de discovery como Kaizen agrega una capa de entendimiento antes de recomendar.

¿Cómo funciona el matching con IA en la práctica?

La mayoría de los sistemas de matching con IA convierten cada perfil y cada proyecto en un vector numérico —un embedding— que representa su significado, no solo sus palabras. Dos perfiles que dicen “Node.js” y “backend en JavaScript” quedan cerca en ese espacio vectorial aunque no compartan ni una palabra literal. Es la misma tecnología detrás de la búsqueda semántica: en vez de indexar términos exactos, indexa significado.

Los sistemas más recientes combinan ese enfoque con modelos de grafos que mapean relaciones entre skills, proyectos y resultados —qué squad entregó qué, con qué stack, en qué tipo de proyecto. Un estudio de 2025 publicado en ScienceDirect midió la diferencia: los modelos híbridos (transformers + grafos) alcanzan una precisión de matching (F1) de 0,91, contra 0,70 de las técnicas tradicionales de similitud por palabras clave (ScienceDirect, 2025). La adopción sigue esa curva: un 43 por ciento de las organizaciones ya usa IA en procesos de RR.HH., casi el doble que el 26 por ciento del año anterior (SHRM Talent Trends Report, 2025).

¿En qué se diferencia del matching por palabras clave?

El matching por palabras clave —el que todavía usan muchos buscadores de talento— filtra por coincidencia exacta: si tu proyecto pide “TypeScript” y el perfil dice “JS tipado”, no matchea, aunque sea la misma skill. El matching con IA resuelve ese problema puntual: entiende sinónimos, skills relacionadas y contexto de industria. Es una mejora real, no cosmética — la diferencia de precisión citada arriba se traduce en menos falsos negativos: squads calificados que un filtro literal habría descartado sin que nadie lo note.

¿Qué contexto se le sigue escapando a un algoritmo de matching?

Un score de compatibilidad —por más preciso que sea el modelo detrás— sigue respondiendo la pregunta equivocada. Te dice qué tan parecido es un perfil a lo que pediste, no si ese equipo va a entender por qué lo pediste así. La mayoría de las malas contrataciones no son, en el fondo, un problema de skills: cerca del 75 por ciento de los empleadores admite haber hecho al menos una mala contratación (CareerBuilder, encuesta State of Recruiting), y el motivo casi nunca es que faltara una tecnología en el perfil.

Esa brecha es estructural, no un bug a corregir con más datos de entrenamiento: ningún vector captura si el proyecto es una migración sobre un sistema con deuda técnica acumulada, o si la empresa ya se quemó con un proveedor anterior y necesita un equipo que primero reconstruya confianza, no solo que escriba código.

Cómo lo resuelve Kaizen

Kaizen, el motor de discovery de Zenit, usa matching con IA como una herramienta, no como el producto final. Antes de puntuar squads contra un proyecto, recorre reuniones y conversaciones con la empresa para entender el contexto real: qué se intentó antes, qué restricciones hay, qué tipo de autonomía va a necesitar el equipo. El match sale de ese entendimiento, no al revés.

¿El matching con IA reemplaza el criterio humano?

No, y ningún sistema serio lo plantea así. El matching con IA —el de Kaizen incluido— ordena opciones y explica por qué cada una encaja; la decisión final de con qué squad avanzar siempre queda del lado de la empresa. La reputación de cada squad recomendado, además, se puede verificar con señales objetivas, no autodeclaradas.

Si el proyecto ya tiene algo de complejidad real —una migración, un sistema con historia, stakeholders con expectativas puntuales— un score de compatibilidad es un buen punto de partida, pero no alcanza solo. Vale la pena leer también por qué el matching puramente automático falla en esos casos, y qué hace falta para que no pase.