Caso: de 1,000 llamadas de filtro al mes a 1,000 por hora con un entrevistador de AI

Un empleador de alto volumen en México reemplazó su primer filtro telefónico con un entrevistador de voz con AI construido sobre Reclutalia, el producto de reclutamiento de DaCodes. El throughput pasó de cerca de 1,000 llamadas al mes a cerca de 1,000 llamadas por hora, un aumento de 720x, con cada llamada transcrita, calificada y escrita en el ATS. El cliente está anonimizado; las cifras vienen del Proof Ledger de DaCodes (sep 2026).

La situación

El reclutamiento masivo tiene un problema de matemáticas. Cuando una empresa necesita cientos de contrataciones operativas al mes, el primer filtro telefónico es el cuello de botella: un reclutador hace unas cuantas decenas de llamadas al día, muchas no se contestan, y el candidato que por fin contesta ya aceptó otro trabajo. El embudo se pierde en la parte alta, y los reclutadores gastan la semana marcando en lugar de decidiendo.

Lo que firmamos

KPI principal: throughput de filtro, medido como entrevistas de primera ronda completadas por hora de capacidad. Guardrail: acuerdo del reclutador con la calificación del agente en una muestra de entrevistas, revisada cada semana. Consecuencia: si la meta de throughput fijada en el Blueprint no se cumplía en el commitment gate, no había fase de Scale ni retainer.

Qué hace el entrevistador

• Recibe: un candidato aplica o se importa; el agente llama en la ventana que el candidato eligió, por teléfono o WhatsApp.
• Consulta: los requisitos del puesto, la ubicación, el turno y los documentos necesarios, desde el ATS.
• Decide: qué pregunta hacer a continuación según las respuestas, cuándo profundizar, cuándo terminar antes porque falta un requisito indispensable.
• Actúa: escribe la transcripción, una calificación estructurada y una recomendación en el ATS, y agenda la entrevista presencial para los candidatos que pasan.
• Escala: respuestas poco claras, necesidades de accesibilidad o un candidato que pide hablar con una persona van a un reclutador con todo el contexto.
• Aprende: los reclutadores corrigen calificaciones en el ATS; las correcciones alimentan los evals semanales.

El stack de voz que hace el volumen pagable

Mil llamadas por hora solo son interesantes si cada llamada es barata. El entrevistador corre sobre el stack de voz de DaCodes, reconocimiento de voz, un modelo de lenguaje open-weights y síntesis de voz alojados en la nube del cliente, a cerca de $0.035 por llamada de 15 minutos, medido internamente en agosto de 2026, contra $2.56 a $5.17 por llamada en APIs comerciales de voz. A volumen de reclutamiento masivo, la diferencia es el presupuesto.

Resultados

• Throughput: de cerca de 1,000 llamadas de filtro al mes a cerca de 1,000 por hora, 720x (Proof Ledger, sep 2026).
• Cada llamada transcrita, calificada y escrita en el ATS; ningún reclutador recapturando.
• Los reclutadores pasaron de marcar a revisar shortlists y hacer entrevistas finales.

Fuente: el ATS y los logs de llamadas del cliente, verificados en el Proof Ledger de DaCodes, sep 2026.

Qué ve el equipo de reclutamiento

En el ATS, cada candidato lleva la transcripción, la calificación estructurada contra la rúbrica del puesto y la recomendación. En la Agent Console, la líder de reclutamiento ve las llamadas completadas por hora contra la meta, la tasa de acuerdo de los reclutadores en la muestra semanal, el gasto del mes y el rastro de auditoría de cada llamada. Revertir una calificación toma un clic y queda registrado como dato de eval, así que la rúbrica mejora con las correcciones en lugar de alejarse de ellas.

Qué cuidamos

Filtrar candidatos con AI plantea preguntas legítimas, y las tratamos como restricciones de diseño. El agente hace las mismas preguntas estructuradas a todos los candidatos de un puesto. Nunca toma la decisión de contratación; produce una calificación y una recomendación que un reclutador puede revertir con un clic. A los candidatos se les dice que hablan con un entrevistador de AI y pueden pedir una persona en cualquier momento. Los datos personales se quedan en el tenant del cliente, y la rúbrica de calificación está versionada para que un reclutador vea por qué cambió una calificación.

Lo más difícil no fue el razonamiento

Fue el audio. Los candidatos a puestos operativos contestan desde la calle, el camión y el piso de la tienda. Los primeros evals estuvieron dominados por errores de transcripción, no por malas preguntas. Ajustar la capa de voz para audio ruidoso y agregar un paso de confirmación para nombres, fechas y documentos se llevó la mayor parte del primer sprint. Las dos cosas son hoy parte de la arquitectura de referencia con la que arranca cada nuevo despliegue.

Qué sigue

El mismo entrevistador es un agente de la Library. Para un cliente nuevo necesita 2 a 4 semanas de ajuste dentro del piloto: rúbricas por puesto, tono, la integración con el ATS. El piloto llega a producción en 8 a 12 semanas, con su propio KPI Contract.