Curso de ChatGPT para Talento Digital y Tech Recruiters

Redactar prompts con rol, contexto, objetivo, formato de salida, restricciones, ejemplos y criterio de calidad.

Convertir preguntas vagas en instrucciones operativas: analizar, comparar, resumir, clasificar, proponer, revisar o transformar.

Usar contexto progresivo para que ChatGPT entienda empresa, producto, stack, nivel, seniority, ubicación, salario y modalidad.

Pedir salidas estructuradas en tablas, listas, scorecards, plantillas, JSON, markdown o email según uso posterior.

Separar generación de ideas, validación crítica y redacción final para evitar resultados demasiado superficiales.

Utilizar ejemplos buenos y malos para enseñar estilo de mensajes, feedback, preguntas de entrevista o descripciones de puesto.

Pedir razonamiento visible resumido en criterios, no en decisiones automáticas sobre personas.

Crear prompts de revisión: “detecta riesgos”, “encuentra ambigüedades”, “qué falta”, “qué puede malinterpretar un candidato”.

Evitar prompts que pidan inferir rasgos personales, salud, edad, origen, género, religión, estado familiar u otros atributos sensibles.

Construir una biblioteca inicial de prompts para intake, JD, sourcing, screening, entrevista, feedback y reporting.

Configurar instrucciones personalizadas para que ChatGPT use tono profesional, español de España, formatos corporativos y criterios de selección.

Diferenciar uso individual, workspace Business/Enterprise, proyectos compartidos, GPTs internos y conversaciones puntuales.

Crear convenciones de nombres para chats, proyectos, procesos, roles, clientes, fases y versiones de documentos.

Configurar un entorno de trabajo seguro con carpetas, archivos de referencia, plantillas, políticas y prompts aprobados.

Usar Projects para separar procesos por cliente, departamento, familia técnica o campaña de contratación.

Subir documentos de referencia anonimizados: job descriptions, scorecards, manual de tono, beneficios, EVP y entrevistas tipo.

Crear normas para no mezclar candidatos reales de procesos distintos dentro de una misma conversación sin necesidad.

Revisar limitaciones de memoria, contexto, archivos y conectores según plan y política corporativa.

Establecer un proceso de validación para outputs que se enviarán a candidatos, hiring managers o clientes.

Preparar un entorno base para todo el curso: proyecto, plantillas, datos anonimizados y prompt maestro de recruiting.

Identificar datos personales en CVs, notas de entrevista, LinkedIn, emails, evaluaciones, referencias y formularios de candidatura.

Aplicar minimización de datos antes de usar IA: quitar nombre, teléfono, email, foto, edad, DNI, dirección y datos no necesarios.

Diferenciar información profesional relevante de información sensible o no pertinente para la selección.

Evitar usar ChatGPT para inferir edad, género, nacionalidad, religión, salud, maternidad, orientación sexual u otros atributos protegidos.

Crear prompts de evaluación centrados en evidencias profesionales, experiencia, competencias, tecnologías, impacto y resultados.

Diseñar procesos donde ChatGPT ayuda a estructurar feedback, pero no toma decisiones automatizadas de descarte sin revisión humana.

Revisar sesgos habituales en ofertas: lenguaje excluyente, requisitos inflados, seniority confuso, sesgo académico o tecnologías innecesarias.

Preparar mensajes transparentes y responsables cuando la empresa usa IA como apoyo interno en tareas de selección.

Documentar criterios de evaluación para que candidatos y hiring managers entiendan decisiones sin opacidad.

Crear una checklist de cumplimiento y ética antes de usar ChatGPT en procesos reales.

Crear mapas de familias tecnológicas: frontend, backend, full stack, mobile, DevOps, cloud, data, ciberseguridad, QA, producto y UX.

Pedir a ChatGPT explicaciones comparativas de tecnologías para entender diferencias entre frameworks, lenguajes, clouds y roles.

Diferenciar seniority real de años de experiencia, títulos atractivos o número de tecnologías listadas en el CV.

Analizar competencias por rol: arquitectura, testing, performance, seguridad, comunicación, mentoring, ownership y resolución de problemas.

Crear matrices de stack por puesto: tecnologías imprescindibles, deseables, equivalentes, obsoletas, transferibles y red flags.

Traducir requisitos técnicos del hiring manager a lenguaje claro para recruiter, candidato y job description.

Identificar perfiles híbridos: DevOps/SRE, Data Engineer/ML Engineer, Backend/Cloud, Product/Data, Security/Platform.

Preparar glosarios internos de conceptos IT para recruiters no técnicos.

Crear preguntas de aclaración para detectar si el hiring manager está pidiendo un perfil realista o una lista imposible.

Construir fichas de rol reutilizables con misión, stack, seniority, tareas, señales de calidad y criterios de descarte.

Preparar una agenda de intake meeting con preguntas sobre contexto, equipo, producto, stack, retos, seniority y prioridades.

Usar ChatGPT para transformar notas desordenadas del hiring manager en requisitos estructurados y accionables.

Detectar contradicciones: perfil senior con salario junior, stack demasiado amplio, ubicación restrictiva o expectativas poco realistas.

Crear preguntas de calibración sobre responsabilidades reales, autonomía, impacto, roadmap, equipo y expectativas a 90 días.

Separar requisitos imprescindibles, deseables, entrenables y negociables.

Construir una scorecard preliminar durante la intake para alinear recruiter y hiring manager.

Pedir a ChatGPT que identifique riesgos de búsqueda: escasez de talento, stack poco común, competencia salarial o mercado saturado.

Crear un resumen ejecutivo de intake con decisiones, dudas abiertas, criterios y próximos pasos.

Preparar un email de recap para confirmar entendimiento antes de publicar la oferta o iniciar sourcing.

Crear un prompt reutilizable de intake para posiciones tech recurrentes.

Convertir requisitos técnicos en una job description clara, honesta y atractiva para perfiles digitales.

Redactar misión del puesto, impacto, responsabilidades, stack, equipo, retos, requisitos y beneficios sin inflar expectativas.

Diferenciar lo que la persona hará en el día a día de lo que “sería ideal que supiera”.

Usar ChatGPT para detectar lenguaje excluyente, sesgos, tecnicismos innecesarios y requisitos excesivos.

Adaptar una misma oferta para LinkedIn, web corporativa, job board, email, mensaje directo o consultora externa.

Crear versiones por seniority sin cambiar solo el título: junior, mid, senior, staff, lead, principal o manager.

Incluir contexto técnico relevante: arquitectura, cloud, CI/CD, testing, observabilidad, producto, metodología y equipo.

Evitar descripciones genéricas como “ambiente dinámico”, “empresa líder” o “apasionado por la tecnología” sin contenido real.

Crear checklist de calidad de oferta: claridad, realismo, diferenciación, lenguaje inclusivo, valor y criterio de selección.

Preparar una plantilla corporativa de JD tech revisada con ChatGPT y validada por hiring managers.

Crear scorecards por rol con competencias técnicas, competencias de producto, colaboración, comunicación y seniority.

Diferenciar must-have, nice-to-have, señales positivas, señales negativas y evidencias esperadas.

Pedir a ChatGPT que convierta una job description en criterios evaluables y preguntas de entrevista asociadas.

Diseñar escalas de evaluación con niveles claros: insuficiente, básico, adecuado, fuerte y excelente.

Evitar scorecards que mezclan demasiados criterios o evalúan lo mismo con nombres distintos.

Crear matriz de competencias por familia tecnológica: frontend, backend, DevOps, data, security, QA y producto.

Incorporar criterios de aprendizaje, adaptabilidad y transferencia tecnológica cuando el mercado no ofrece perfiles exactos.

Alinear scorecard con hiring manager antes de empezar entrevistas para evitar cambios de criterio a mitad del proceso.

Usar ChatGPT para detectar criterios ambiguos o imposibles de medir.

Crear un repositorio de scorecards reutilizables por rol y seniority.

Diseñar una estrategia de sourcing a partir de rol, mercado, stack, ubicación, seniority, salario, modalidad y competencia.

Crear mapas de talento con empresas target, comunidades, repositorios, eventos, certificaciones, meetups y canales.

Pedir a ChatGPT alternativas de búsqueda cuando el stack exacto es escaso o el mercado está saturado.

Identificar perfiles transferibles: tecnologías equivalentes, dominios parecidos, sectores próximos y competencias adyacentes.

Diseñar segmentaciones de candidatos: activos, pasivos, referidos, comunidades, alumni, freelancers, open source y talento interno.

Crear mensajes y argumentos distintos por segmento, evitando usar la misma aproximación para todo el mercado.

Preparar una lista de señales en perfiles públicos: repositorios, contribuciones, posts, certificaciones, charlas, proyectos y experiencia real.

Usar ChatGPT para construir hipótesis de búsqueda y luego validarlas en LinkedIn, GitHub, buscadores o ATS.

Evitar inventar datos sobre candidatos o asumir disponibilidad, motivaciones o salario sin evidencia.

Crear un plan de sourcing semanal con canales, búsquedas, mensajes, métricas y ajustes.

Crear strings Boolean para LinkedIn, Google, GitHub, Stack Overflow, job boards, comunidades y bases internas.

Combinar sinónimos, tecnologías equivalentes, títulos alternativos, frameworks, cloud providers, idiomas y ubicaciones.

Diseñar búsquedas X-Ray con operadores `site:`, comillas, OR, AND, exclusiones, intitle, inurl y patrones de perfil.

Adaptar strings para roles concretos: React, Angular, Java, .NET, Python, Go, DevOps, Kubernetes, AWS, Azure, Data Engineer o Ciberseguridad.

Pedir a ChatGPT que genere variantes por amplitud: búsqueda estricta, balanceada, amplia y exploratoria.

Detectar strings demasiado restrictivos que dejan fuera talento válido.

Crear exclusiones para reducir ruido: recruiters, job posts, cursos, estudiantes, consultoras, tecnologías no relacionadas o países no objetivo.

Documentar qué búsquedas funcionan, cuáles no y cómo se ajustan según resultados reales.

Preparar una biblioteca de strings Boolean por familia técnica y seniority.

Entrenar a ChatGPT para explicar por qué cada operador está en la búsqueda y qué efecto tiene.

Usar ChatGPT para interpretar perfiles GitHub, repositorios, README, issues, PRs, actividad y tecnologías visibles.

Diferenciar actividad real de señales poco relevantes, como repositorios forked sin contribución o proyectos tutoriales.

Crear una matriz de lectura de portfolio: calidad del README, estructura, tests, commits, documentación, issues y alcance del proyecto.

Analizar contribuciones open source con cuidado, sin asumir que ausencia de GitHub implica falta de talento.

Preparar mensajes personalizados basados en proyectos públicos sin sonar invasivo ni superficial.

Identificar señales de seniority: decisiones de arquitectura, testing, CI/CD, documentación, mantenibilidad y revisión de código.

Evitar usar ChatGPT para hacer juicios definitivos sobre una persona a partir de información pública limitada.

Crear prompts para resumir un repositorio técnico y traducirlo a lenguaje de recruiting.

Revisar tecnologías detectadas y validar manualmente antes de usarlas en mensajes o informes.

Diseñar una metodología ética para usar señales públicas en sourcing.

Crear prompts para resumir CVs anonimizados en experiencia, stack, seniority, sectores, logros, estabilidad y dudas abiertas.

Comparar CV contra scorecard sin tomar decisiones automáticas ni descartar por criterios no validados.

Extraer tecnologías, herramientas, dominios, responsabilidades, proyectos y logros cuantificables.

Detectar inconsistencias que requieren aclaración: fechas, cambios frecuentes, tecnologías listadas sin contexto o seniority ambiguo.

Generar preguntas de screening personalizadas a partir del CV.

Crear resúmenes breves para hiring managers centrados en evidencias relevantes.

Evitar pedir a ChatGPT que “decida si contratar” o “descartar” sin intervención humana.

Diseñar matrices de comparación entre candidatos basadas en criterios del rol, no en impresiones subjetivas.

Mantener trazabilidad: fuente, versión de CV, fecha de análisis, criterios usados y revisión humana.

Crear un flujo seguro de análisis de CVs con anonimización, minimización y borrado cuando proceda.

Crear guiones de screening adaptados a rol, seniority, mercado, modalidad, salario, motivación y disponibilidad.

Preparar preguntas para validar experiencia real con tecnologías sin convertir el screening en entrevista técnica profunda.

Usar ChatGPT para generar rutas de conversación según respuestas del candidato.

Diseñar preguntas sobre proyectos, responsabilidades, tamaño de equipo, arquitectura, testing, despliegue, producto y colaboración.

Preparar mensajes para explicar la oportunidad de forma clara, diferenciada y honesta.

Crear plantillas de notas de screening con campos comparables y observaciones cualitativas.

Resumir una llamada en puntos clave para hiring manager sin incluir datos irrelevantes o sensibles.

Detectar señales que requieren revisión técnica posterior, no descarte automático.

Crear feedback interno basado en scorecard y evidencias, evitando lenguaje subjetivo o discriminatorio.

Preparar un prompt de recap de screening que convierta notas en informe limpio.

Preparar entrevistas técnicas ligeras para validar comprensión general sin sustituir al entrevistador técnico.

Crear bancos de preguntas por rol: frontend, backend, DevOps, data, security, QA, cloud, product y UX.

Diseñar preguntas basadas en experiencia real: “cuéntame un proyecto”, “qué decidiste”, “qué problema resolviste”.

Distinguir preguntas conceptuales, preguntas situacionales, preguntas de profundidad y preguntas de clarificación.

Pedir a ChatGPT explicaciones de respuestas esperadas para que el recruiter entienda señales positivas y negativas.

Evitar preguntas tipo trivia que no predicen desempeño real.

Crear guías para detectar exageración de experiencia sin confrontación agresiva.

Preparar follow-ups técnicos según stack y seniority.

Documentar límites: cuándo el recruiter debe pasar la evaluación a un tech interviewer.

Crear scorecards de entrevista técnica no profunda, centradas en evidencias y comunicación.

Crear entrevistas estructuradas para evaluar colaboración, ownership, comunicación, resolución de problemas y adaptabilidad.

Usar método STAR o variantes orientadas a evidencias: situación, tarea, acción, resultado y aprendizaje.

Diseñar preguntas por competencia y seniority para perfiles individuales, leads, managers o arquitectos.

Crear indicadores observables para valorar respuestas sin caer en intuición o afinidad personal.

Preparar rúbricas de evaluación claras para comparar candidatos de forma más justa.

Evitar preguntas que invaden vida privada, situación familiar, salud, edad, origen o disponibilidad no relacionada con el puesto.

Generar follow-ups para profundizar cuando una respuesta es vaga, exagerada o incompleta.

Crear informes de entrevista estructurados para hiring managers y comités de selección.

Usar ChatGPT para revisar notas y convertirlas en feedback profesional.

Diseñar una entrevista completa combinando competencias, experiencia técnica, motivación y contexto del puesto.

Diseñar pruebas técnicas proporcionales al rol, seniority, tiempo disponible y contexto real de trabajo.

Crear ejercicios prácticos para frontend, backend, data, DevOps, QA, cloud, security, product y UX.

Evitar pruebas excesivas que funcionan como trabajo gratuito o generan mala experiencia candidato.

Redactar enunciados claros con objetivo, entregables, tiempo estimado, criterios de evaluación y formato de entrega.

Pedir a ChatGPT rúbricas de corrección por criterios: funcionalidad, calidad, diseño, testing, documentación y comunicación.

Crear variantes equivalentes para evitar repetición de pruebas cuando hay muchos candidatos.

Diseñar alternativas inclusivas: live coding, take-home, revisión de código, discusión arquitectónica o pair programming.

Preparar feedback constructivo sobre pruebas sin revelar soluciones completas ni generar conflicto.

Alinear prueba técnica con el trabajo real del puesto, no con algoritmos irrelevantes.

Crear banco interno de pruebas técnicas revisado por hiring managers.

Crear criterios de seniority por rol que incluyan autonomía, impacto, complejidad, comunicación, mentoring y visión sistémica.

Diferenciar mid, senior, staff, lead, principal, manager y architect según responsabilidades reales.

Usar ChatGPT para transformar ejemplos de experiencia en hipótesis de seniority que deben validar entrevistadores.

Diseñar sesiones de calibración con hiring managers usando perfiles ficticios o anonimizados.

Detectar discrepancias entre título actual del candidato y nivel requerido por la empresa.

Crear matrices de equivalencia entre empresas grandes, startups, consultoras, producto y outsourcing.

Evitar sobrevalorar años de experiencia o número de tecnologías listadas.

Identificar señales de seniority técnico: trade-offs, ownership, calidad, sistemas complejos, mentoring y decisiones de arquitectura.

Documentar decisiones de calibración para mantener consistencia durante el proceso.

Crear prompts de revisión de seniority basados en evidencias, no en impresiones.

Redactar mensajes de contacto personalizados según perfil, motivación probable, stack, sector y seniority.

Crear secuencias de seguimiento sin presión excesiva y con tono humano.

Adaptar mensajes para perfiles pasivos, activos, referidos, ex empleados, comunidades y candidatos rechazados anteriormente.

Usar ChatGPT para convertir ofertas genéricas en mensajes breves, directos y relevantes para talento técnico.

Preparar respuestas a dudas frecuentes sobre remoto, salario, stack, equipo, producto, cultura, proceso y tiempos.

Redactar mensajes de avance, espera, feedback, cierre, descarte y nurturing de talento.

Evitar mensajes que exageran la oportunidad, ocultan condiciones o usan lenguaje demasiado comercial.

Crear plantillas por etapa manteniendo personalización suficiente.

Revisar tono para que sea profesional, cercano y respetuoso con el tiempo del candidato.

Medir respuesta, conversión, abandono y feedback para mejorar comunicación.

Crear propuestas de valor para perfiles técnicos basadas en producto, reto, stack, cultura, equipo y crecimiento real.

Diseñar contenido para LinkedIn, blog, newsletters, landing pages, campañas de referidos y comunidades técnicas.

Redactar piezas específicas para backend, frontend, cloud, data, IA, ciberseguridad, QA y producto.

Convertir historias internas en mensajes atractivos sin revelar información confidencial.

Crear calendarios de contenido de talento digital con temas, formatos, canales y objetivos.

Usar ChatGPT para adaptar mensajes por audiencia: junior, senior, lead, mujeres en tech, perfiles internacionales o talento local.

Evitar employer branding vacío basado en clichés sin pruebas reales.

Diseñar preguntas a equipos técnicos para obtener material auténtico: retos, aprendizajes, prácticas, arquitectura y cultura.

Crear briefs para vídeos, entrevistas internas, posts de equipo y campañas de hiring.

Medir impacto de contenido en tráfico, candidaturas, respuesta, calidad de leads y marca empleadora.

Usar Deep Research o investigación guiada para entender mercado, tecnologías, empresas target y tendencias de contratación.

Crear mapas de empresas donde se concentran perfiles tecnológicos similares.

Analizar demanda de skills, seniority, ubicaciones, modalidades, salarios orientativos y competencia por talento.

Preparar informes de mercado para hiring managers con oportunidades, riesgos y recomendaciones.

Identificar comunidades, eventos, certificaciones, newsletters, repositorios y redes donde se mueve cada perfil.

Comparar stacks tecnológicos de empresas competidoras para ampliar criterios de búsqueda.

Investigar evolución de roles emergentes como AI Engineer, LLMOps, Platform Engineer, Prompt Engineer o AI Product Manager.

Evitar presentar datos de mercado sin fuente, fecha o nivel de confianza.

Crear plantillas de informe de talent mapping por rol, región y stack.

Traducir research en cambios concretos de oferta, salario, modalidad, requisitos o estrategia de sourcing.

Subir CSV o Excel anonimizados de pipeline para analizar candidaturas, fuentes, etapas, tiempos y tasas de conversión.

Preparar datos con columnas claras: fecha, fuente, rol, etapa, recruiter, hiring manager, resultado y motivo de cierre.

Calcular métricas de recruiting: time to hire, time to fill, conversion rate, pass-through rate, source quality y aging.

Detectar cuellos de botella por etapa, rol, hiring manager, fuente, recruiter o tipo de perfil.

Crear gráficos y tablas ejecutivas para presentar al equipo de talento o dirección.

Analizar motivos de rechazo, abandono, no respuesta, oferta rechazada y bloqueos de proceso.

Comparar rendimiento de fuentes: LinkedIn, referidos, inbound, job boards, comunidades, agencia o búsqueda directa.

Pedir a ChatGPT hipótesis de mejora basadas en datos, separando correlación de causalidad.

Crear dashboards sencillos en Excel/Sheets a partir de análisis realizados.

Documentar calidad de datos y limitaciones antes de sacar conclusiones.

Estimar carga de trabajo del equipo de talento a partir de posiciones abiertas, seniority, dificultad y pipeline histórico.

Crear escenarios de contratación por trimestre, rol, área, fuente y tasa de conversión.

Analizar si el equipo tiene capacidad real para cubrir vacantes con los recursos actuales.

Simular impacto de reducir requisitos, ampliar modalidad remota, mejorar salario o añadir canales de sourcing.

Preparar informes para dirección sobre riesgos de hiring plan, dependencia de perfiles críticos y cuellos de botella.

Convertir objetivos de contratación en necesidades de sourcing, entrevistas, pruebas técnicas y disponibilidad de hiring managers.

Identificar posiciones con riesgo alto de retraso por mercado, salario, ubicación o criterios excesivos.

Crear modelos simples de forecasting en hojas de cálculo con ayuda de ChatGPT.

Evitar prometer fechas exactas cuando los datos son insuficientes o las hipótesis no están validadas.

Diseñar un ritual mensual de revisión de capacidad y forecast de talento digital.

Crear tareas recurrentes para revisar pipeline, preparar informes, recordar follow-ups o actualizar talent maps.

Diseñar prompts programados para generar resúmenes semanales de posiciones abiertas, bloqueos y próximos pasos.

Usar Tasks para hábitos de mejora: revisar nuevos perfiles, preparar mensajes, auditar ofertas o actualizar métricas.

Configurar recordatorios de seguimiento a candidatos respetando tiempos, tono y políticas internas.

Evitar automatizaciones que envían comunicaciones sensibles sin revisión humana.

Crear rutinas de control: perfiles sin feedback, candidatos parados, entrevistas pendientes y ofertas sin respuesta.

Usar tareas para preparar briefs antes de reuniones de hiring o comités de talento.

Documentar qué tareas están automatizadas, periodicidad, owner y resultado esperado.

Revisar tareas periódicamente para eliminar automatizaciones que ya no aportan valor.

Integrar Tasks con una disciplina de gestión personal y de equipo, no como lista desordenada de recordatorios.

Usar Record para transcribir y resumir reuniones de intake, calibración, debriefs, retrospectivas y comités de selección cuando el plan lo permite.

Solicitar consentimiento y aplicar políticas internas antes de grabar reuniones con candidatos, managers o compañeros.

Convertir transcripciones en acciones: acuerdos, criterios de selección, dudas, riesgos, responsables y próximos pasos.

Generar resúmenes para hiring managers sin incluir comentarios innecesarios o sensibles.

Transformar reuniones de calibración en scorecards actualizadas y criterios de evaluación.

Crear listas de preguntas pendientes para una segunda reunión con el manager.

Usar Canvas para revisar y editar notas de reunión, planes o documentos derivados.

Verificar siempre nombres, fechas, requisitos, cifras y decisiones relevantes de una transcripción.

Evitar almacenar grabaciones o transcripciones cuando no existe base legítima o necesidad operativa.

Crear una política de uso de Record en selección y talento digital.

Crear un Project por familia de rol, cliente, campaña o departamento para mantener contexto y archivos relevantes.

Usar archivos de referencia: oferta, scorecard, plantilla de mensajes, EVP, política de privacidad y feedback histórico.

Usar Canvas para editar job descriptions, informes, planes de sourcing, guías de entrevista y documentos de feedback.

Mantener versiones de documentos cuando hay iteraciones con hiring managers o clientes.

Crear estructura de proyecto con prompts base, archivos, chats por fase y resumen ejecutivo.

Evitar mezclar datos de candidatos de distintos procesos si no es necesario.

Documentar decisiones importantes dentro del Project para no perder contexto entre conversaciones.

Crear plantillas reutilizables para nuevos procesos: intake, JD, sourcing, screening, entrevistas y reporting.

Usar Projects como repositorio de trabajo, no como ATS ni fuente oficial de candidatos.

Definir cuándo un documento se trabaja en ChatGPT y cuándo se transfiere a sistemas oficiales.

Diseñar Custom GPTs internos para tareas recurrentes: JD reviewer, Boolean builder, screening assistant o interview guide builder.

Crear instrucciones claras sobre tono, formato, criterios, privacidad y límites de actuación.

Añadir archivos de conocimiento: plantillas, glosarios tech, scorecards, política de comunicación y criterios de evaluación.

Probar cada GPT con casos reales anonimizados antes de compartirlo con el equipo.

Diferenciar GPTs personales, GPTs de equipo y asistentes aprobados por la organización.

Evitar meter datos sensibles o candidatos reales en knowledge files sin autorización y controles adecuados.

Crear GPTs por familia técnica cuando los criterios varían mucho: cloud, data, security, frontend, backend o producto.

Documentar ejemplos de prompts, salidas esperadas y casos donde el GPT no debe usarse.

Revisar y actualizar GPTs cuando cambian procesos, tono, políticas, stacks o formatos.

Medir si los GPTs reducen variabilidad y mejoran calidad sin crear dependencia ciega.

Usar conectores o apps disponibles para consultar documentación interna, ofertas, políticas, scorecards y materiales de employer branding.

Conectar herramientas como Drive, SharePoint, Slack, Atlassian, GitHub u otras cuando el workspace y la política lo permiten.

Buscar información interna sin copiar manualmente documentos dispersos entre carpetas, chats y wikis.

Preparar preguntas seguras sobre procesos, beneficios, políticas de remoto, rangos, stack y documentación de equipos.

Validar permisos de acceso antes de asumir que ChatGPT puede o debe ver todos los documentos corporativos.

Crear una estructura documental limpia para que conectores devuelvan respuestas útiles y no contradictorias.

Diferenciar información oficial de borradores, documentos obsoletos o mensajes informales.

Evitar usar conectores para consultar datos personales de candidatos sin finalidad clara y autorización.

Documentar qué conectores se usan en recruiting, qué datos exponen y quién los administra.

Crear una guía de uso de conocimiento corporativo para recruiters y hiring managers.

Usar ChatGPT Agent para tareas guiadas que combinan navegación, investigación, archivos y acciones supervisadas cuando el plan lo permite.

Pedir al agente investigaciones de mercado, preparación de tablas, recopilación de información pública y síntesis de resultados.

Guiar al agente paso a paso, revisando antes de que complete acciones sensibles o rellene formularios.

Evitar delegar acciones que impliquen contactar candidatos, enviar datos personales o tomar decisiones de selección sin revisión.

Usar agent mode para preparar research de empresas target, tecnologías, comunidades o eventos.

Trabajar con archivos subidos para que el agente extraiga insights y prepare informes.

Interrumpir, redirigir o corregir al agente cuando se aleja del objetivo o necesita confirmación.

Documentar tareas adecuadas e inadecuadas para agent mode en el área de talento.

Crear prompts de control: “no envíes nada”, “pide confirmación antes de actuar”, “resume fuentes antes de continuar”.

Integrar agent mode como apoyo puntual en tareas complejas, no como automatización autónoma de selección.

Preparar datos para importar o actualizar en ATS sin introducir inconsistencias, duplicados o errores de formato.

Crear plantillas de notas de candidato, resúmenes de entrevista, feedback interno y motivos de cambio de etapa.

Normalizar nombres de tecnologías, niveles, fuentes, motivos de rechazo y estados del pipeline.

Usar ChatGPT para redactar comunicaciones internas entre recruiter, coordinator, hiring manager y people partner.

Crear checklists de proceso para cada vacante: intake, publicación, sourcing, screening, entrevista, prueba, oferta y cierre.

Analizar exports del ATS para detectar etapas bloqueadas, duplicidades, perfiles sin feedback o procesos sin owner.

Evitar usar ChatGPT como base oficial de candidatos o repositorio paralelo de datos personales.

Crear prompts para limpiar datos anonimizados antes de reporting.

Preparar automatizaciones documentales sin romper la gobernanza del ATS.

Integrar ChatGPT en operaciones como asistente de calidad, no como sistema transaccional principal.

Redactar feedback claro, respetuoso y útil sin exponer comentarios internos innecesarios.

Transformar notas técnicas en mensajes comprensibles para candidatos.

Preparar respuestas de descarte por falta de experiencia específica, seniority, encaje salarial, idioma, disponibilidad o criterios técnicos.

Evitar feedback discriminatorio, ambiguo, con juicios personales o difícil de defender.

Crear mensajes diferentes para descarte temprano, post-screening, post-entrevista técnica, post-prueba y finalista no seleccionado.

Redactar mensajes de mantenimiento de relación para perfiles interesantes no seleccionados.

Revisar tono para no sonar automático, frío o excesivamente legalista.

Crear guías para feedback verbal y escrito en procesos delicados.

Usar ChatGPT para mejorar claridad, empatía y brevedad, sin inventar motivos.

Documentar qué feedback se puede compartir y qué debe quedar solo como evaluación interna.

Preparar argumentos de cierre basados en reto técnico, equipo, producto, carrera, flexibilidad, compensación y cultura.

Crear respuestas a objeciones habituales: salario, remoto, stack, estabilidad, liderazgo, proyecto, guardias o proceso largo.

Diseñar comparativas honestas de valor total sin exagerar beneficios ni ocultar limitaciones.

Preparar emails de oferta, resumen de condiciones, próximos pasos y documentación requerida.

Crear guiones para llamadas de cierre con candidatos finalistas.

Analizar riesgos de contraoferta y planificar comunicación preventiva.

Personalizar mensajes según motivadores detectados durante el proceso.

Evitar presión agresiva, urgencia artificial o promesas no validadas por la empresa.

Preparar seguimiento post-oferta y pre-onboarding para reducir caídas.

Documentar aprendizajes de ofertas rechazadas para mejorar futuras propuestas.

Crear planes de onboarding por rol: developer, data engineer, DevOps, security, product, QA o UX.

Generar checklists de primera semana, primer mes y primeros 90 días.

Preparar documentación de bienvenida sobre equipo, stack, repositorios, herramientas, rituales y expectativas.

Crear FAQs internas para nuevos perfiles tecnológicos.

Diseñar rutas de aprendizaje por stack y seniority.

Preparar mensajes de coordinación con IT, manager, buddy, RRHH y equipo técnico.

Usar ChatGPT para transformar notas de manager en plan de onboarding claro.

Crear plantillas de seguimiento de onboarding y preguntas de check-in.

Evitar usar información sensible de otros empleados o candidatos sin necesidad.

Conectar selección y onboarding para que promesas realizadas durante proceso se cumplan después.

Crear taxonomías de skills técnicas y funcionales para perfiles digitales.

Normalizar tecnologías equivalentes, frameworks, herramientas y competencias transferibles.

Diseñar mapas de habilidades por familia, nivel, seniority y especialización.

Usar ChatGPT para convertir CVs, ofertas y perfiles en etiquetas consistentes.

Detectar skill gaps en equipos internos o pools de candidatos anonimizados.

Crear matrices de movilidad interna entre roles técnicos relacionados.

Diseñar rutas de reskilling y upskilling para talento digital.

Evitar taxonomías enormes que nadie mantiene o que no aportan decisiones reales.

Documentar definiciones de skills para que recruiters y managers hablen el mismo idioma.

Conectar talent intelligence con workforce planning y formación corporativa.

Redactar ofertas y mensajes en inglés u otros idiomas manteniendo tono profesional y natural.

Adaptar comunicación a mercados internacionales sin copiar traducciones literales.

Preparar preguntas sobre disponibilidad horaria, visado, relocation, contrato, fiscalidad y modalidad sin invadir datos sensibles.

Crear guías de entrevista para equipos distribuidos y multiculturales.

Revisar diferencias de títulos, seniority y expectativas entre mercados.

Preparar mensajes para candidatos remotos, nearshore, offshore o perfiles internacionales en España.

Evitar inferencias sobre nacionalidad, origen, acento o cultura no relevantes para el puesto.

Diseñar comunicación clara sobre idioma requerido, nivel real y contexto de uso.

Crear plantillas bilingües de JD, outreach, feedback y oferta.

Documentar criterios legales y operativos con ayuda de RRHH o legal antes de procesos internacionales.

Crear fichas de rol para frontend: React, Angular, Vue, TypeScript, testing, performance, accessibility y design systems.

Crear fichas de backend: Java, .NET, Node.js, Python, Go, APIs, microservicios, bases de datos, seguridad y escalabilidad.

Diseñar criterios para full stack evitando pedir dos perfiles completos en una sola persona sin ajustar seniority.

Analizar perfiles mobile: iOS, Android, Kotlin, Swift, Flutter, React Native, publicación, testing y UX mobile.

Crear Boolean strings por stack y variantes de búsqueda.

Preparar preguntas de screening y entrevistas por tecnología.

Diseñar scorecards adaptadas a nivel junior, mid, senior y lead.

Detectar equivalencias de frameworks y transferibilidad técnica.

Crear mensajes de outreach personalizados por reto técnico.

Preparar ejercicios o casos prácticos proporcionados al puesto.

Diferenciar DevOps Engineer, SRE, Platform Engineer, Cloud Engineer, Systems Engineer y Infrastructure Engineer.

Crear matrices de skills: Linux, redes, Kubernetes, Docker, Terraform, CI/CD, observabilidad, cloud, seguridad y automatización.

Analizar experiencia real en producción frente a conocimiento de laboratorio o certificaciones aisladas.

Preparar preguntas sobre incidentes, escalabilidad, guardias, reliability, IaC, deployment, rollback y monitoring.

Crear Boolean strings para AWS, Azure, GCP, Kubernetes, Terraform, Helm, Argo CD, Prometheus y Grafana.

Diseñar scorecards para roles de plataforma y operaciones críticas.

Detectar red flags: uso superficial de herramientas, ausencia de ownership o poca experiencia en incidentes reales.

Crear mensajes de contacto orientados a retos de plataforma, escalabilidad, autonomía y cultura DevOps.

Preparar casos prácticos realistas sin exigir acceso a producción ni trabajo excesivo.

Alinear recruiter y hiring manager sobre qué significa “DevOps” en esa empresa concreta.

Diferenciar Data Analyst, BI Developer, Analytics Engineer, Data Engineer, Data Scientist, ML Engineer y AI Engineer.

Crear matrices de skills: SQL, Python, Spark, Airflow, dbt, cloud data, warehouses, ML, MLOps, LLMs y visualización.

Analizar experiencia en pipelines, modelos, experimentación, producción, métricas, stakeholders y negocio.

Preparar preguntas por rol sobre calidad de datos, modelado, ETL/ELT, ML lifecycle, observabilidad y decisiones de negocio.

Crear Boolean strings para data stacks modernos: Snowflake, BigQuery, Databricks, dbt, Airflow, Spark, Power BI o Tableau.

Identificar perfiles híbridos entre BI, data engineering, analytics y ML.

Diseñar scorecards específicas para data y no reutilizar criterios genéricos de software engineering.

Crear mensajes de outreach orientados a impacto en datos, plataforma, IA y producto.

Preparar ejercicios adaptados: SQL, análisis, pipeline, modelado, caso de negocio o revisión de dashboard.

Evitar confundir uso de herramientas de IA con experiencia real en ML engineering o GenAI production.

Diferenciar perfiles de ciberseguridad: SOC, Blue Team, Red Team, GRC, AppSec, Cloud Security, IAM y Security Engineering.

Crear matrices para QA manual, QA automation, SDET, performance testing, accessibility testing y quality engineering.

Analizar perfiles de Product Manager, Product Owner, Business Analyst, UX Researcher, UX/UI Designer y Product Designer.

Preparar preguntas por familia: incidentes de seguridad, pruebas, discovery, métricas de producto, research, prototipado y delivery.

Crear Boolean strings para seguridad, QA, producto y UX.

Diseñar scorecards adaptadas a roles menos puramente técnicos pero críticos en equipos digitales.

Evaluar portfolios UX, casos de producto o experiencia QA con criterios profesionales.

Evitar exigir conocimientos de programación profundos a perfiles donde no son imprescindibles.

Preparar mensajes de contacto que hablen de impacto, autonomía, producto, calidad o seguridad según rol.

Crear casos prácticos proporcionados y respetuosos con el tiempo del candidato.

Revisar ofertas y mensajes para detectar lenguaje excluyente, sesgos de género, edad, formación o trayectoria no lineal.

Diseñar criterios de evaluación centrados en competencias y evidencias profesionales.

Evitar filtros innecesarios por universidad, años exactos, empresas concretas o títulos no imprescindibles.

Crear procesos accesibles para candidatos con distintas necesidades, husos horarios, idiomas o contextos personales.

Preparar comunicaciones que ofrezcan ajustes razonables durante entrevista o prueba técnica.

Usar ChatGPT para reescribir descripciones y mensajes de forma más inclusiva sin perder precisión técnica.

Analizar funnel por fuente, etapa o grupo únicamente cuando existe base legal, datos adecuados y revisión responsable.

Evitar que la IA infiera atributos protegidos o clasifique diversidad de candidatos.

Crear guías para entrevistas estructuradas que reduzcan sesgos y variabilidad injustificada.

Documentar acciones de inclusión como parte de calidad del proceso, no como añadido cosmético.

Crear procedimientos estándar para intake, sourcing, screening, entrevistas, feedback, oferta, cierre y onboarding.

Convertir conocimiento tácito de recruiters senior en playbooks reutilizables.

Usar ChatGPT para transformar notas dispersas en procesos claros con responsables, entradas, salidas y checklist.

Crear plantillas de comunicación interna y externa por fase.

Diseñar SOPs para roles recurrentes: developer, DevOps, data, QA, security, product y UX.

Documentar criterios de calidad de datos en ATS y campos obligatorios.

Preparar guías de coordinación con hiring managers y entrevistadores técnicos.

Crear FAQs internas sobre ChatGPT, privacidad, prompts, CVs, sesgos y buenas prácticas.

Revisar playbooks trimestralmente con datos de funnel y feedback de usuarios.

Mantener documentación práctica, breve y aplicable, evitando manuales que nadie consulta.

Diseñar un modelo de workspace para equipos de RRHH, talento, tecnología, legal y seguridad.

Definir quién puede crear GPTs, usar conectores, subir archivos, compartir chats y acceder a proyectos.

Establecer políticas de datos para CVs, evaluaciones, notas de entrevistas, informes, clientes y documentación interna.

Revisar controles de retención, privacidad, conectores, acciones, permisos y configuración del workspace según plan.

Crear guías de uso por rol: recruiter, manager, admin, hiring manager, HRBP y auditor.

Definir proceso de aprobación para Custom GPTs, prompts sensibles, conectores y automatizaciones.

Crear plantillas seguras de anonimización antes de subir CVs o datos de pipeline.

Auditar periódicamente casos de uso, riesgos, incidentes, calidad y feedback del equipo.

Evitar que cada recruiter cree sus propios asistentes sin estándares ni revisión.

Crear un modelo de gobierno que permita productividad sin comprometer privacidad ni confianza.

Definir métricas de adopción: usuarios activos, casos de uso, plantillas usadas, GPTs internos y procesos impactados.

Medir calidad: reducción de retrabajo, mejora de JDs, consistencia de scorecards, tiempo de preparación y feedback de managers.

Medir impacto en funnel sin atribuir todo a ChatGPT: respuesta, conversión, tiempo de proceso, calidad de candidatos y experiencia.

Crear encuestas internas para recruiters y hiring managers sobre utilidad, confianza y riesgos.

Identificar usos de bajo valor: prompts repetitivos sin mejora, mensajes genéricos, análisis superficial o duplicación de tareas.

Revisar outputs periódicamente para asegurar tono, precisión, no discriminación y alineación con procesos.

Crear un dashboard de mejora continua para talento digital.

Analizar qué plantillas o GPTs generan más valor y cuáles deben retirarse.

Medir tiempo ahorrado de forma prudente y contrastada con evidencia operativa.

Presentar resultados a dirección con equilibrio entre productividad, calidad, riesgo y experiencia candidato.

Diseñar una fase piloto con roles concretos, procesos acotados, datos anonimizados y métricas simples.

Empezar por tareas de bajo riesgo: JD, prompts, research, plantillas, scorecards y análisis de datos anonimizados.

Pasar a tareas medias: screening summaries, interview guides, candidate messaging y talent mapping.

Incorporar tareas avanzadas: Custom GPTs, conectores, Projects, Tasks, Record, Agent y analítica de funnel.

Crear training por perfiles: recruiters junior, senior, managers, HR Ops, hiring managers y admins.

Definir champions internos que revisan outputs, recopilan casos y mejoran prompts.

Crear un repositorio de prompts, plantillas, scorecards y casos de uso aprobados.

Establecer política de revisión humana y límites de uso antes de abrirlo a todo el equipo.

Ajustar el rollout por feedback, calidad, privacidad, cumplimiento y resultados de negocio.

Crear un roadmap de 90 días para pasar de uso individual a práctica corporativa gobernada.

Diseñar un sistema completo de uso de ChatGPT para un equipo de Talento Digital o Tech Recruiting.

Seleccionar tres roles tecnológicos prioritarios, por ejemplo Backend, DevOps, Data Engineer, Cybersecurity o Product Manager.

Crear intake template, preguntas para hiring manager, recap ejecutivo y matriz de riesgos de búsqueda para cada rol.

Redactar job descriptions inclusivas, técnicas y orientadas a conversión para los roles seleccionados.

Crear scorecards de evaluación con must-have, nice-to-have, señales positivas, red flags y rúbricas de nivel.

Diseñar strings Boolean y X-Ray por rol, con variantes estricta, balanceada y amplia.

Crear mensajes de outreach personalizados, follow-ups, mensajes de descarte, avance, feedback y cierre.

Diseñar guías de screening, entrevistas por competencias y entrevistas técnicas no profundas.

Preparar una prueba técnica o caso práctico proporcional para al menos uno de los roles.

Crear un Project de ChatGPT con documentos de referencia, prompts base y estructura de trabajo.

Diseñar un Custom GPT interno para una tarea recurrente de recruiting, con instrucciones, límites y formato de salida.

Analizar un dataset anonimizado de pipeline con métricas de conversión, tiempos, fuentes y cuellos de botella.

Crear un informe ejecutivo para dirección con estado del hiring plan, riesgos, recomendaciones y próximos pasos.

Diseñar una política de privacidad y uso responsable de ChatGPT en selección, incluyendo anonimización y revisión humana.

Preparar un roadmap de implantación de 90 días con fases, owners, métricas, formación, riesgos y gobierno.

Presentar la solución final defendiendo productividad, calidad, privacidad, experiencia candidato y valor para negocio.