Job Research
Producto de búsqueda de empleo con IA en una startup · 2025 a 2026
Un asistente conversacional de búsqueda de empleo para trabajadores de primera línea, la gente que surte almacenes, atiende cajas y cuida pacientes. Fui el líder técnico de esa app y construí solo el pipeline que llenaba su base de empleos.
- El problema
- Los trabajadores de primera línea buscan empleo con herramientas hechas para perfiles corporativos.
- Lo que hice
- Lideré la app y construí solo el pipeline que la alimentaba.
- El resultado
- Un producto que busca los empleos que encajan con tu perfil y te ayuda a crecer.
Los trabajadores de primera línea buscan empleo con herramientas hechas para otros
Quienes surten almacenes, atienden cajas y cuidan pacientes buscan trabajo con herramientas pensadas para perfiles corporativos: filtros por palabra clave, currículums, paneles. Nos propusimos darles una conversación. Haces una pregunta sencilla y una sola pantalla responde: un resumen de IA, ofertas reales traídas de una búsqueda en vivo, las fuentes y qué preguntar después.
Lideré la app y construí su proceso de datos
Fui el líder técnico de la app desde su primer commit. También construí por mi cuenta el proceso que mantenía la base de datos abastecida de ofertas. La IA era parte central del producto; el código lo escribíamos a mano, con ayuda de un asistente de programación.
Las búsquedas en paralelo reúnen empleos relevantes.
Una persona pregunta algo sobre su carrera. El modelo comprueba si la pregunta trata de empleo y usa la conversación para convertirla en una consulta de búsqueda. La app busca en las fuentes que esa persona eligió: la web, ofertas actuales y videos. Combina los resultados con el perfil extraído de su currículum para sugerir empleos relevantes y próximos pasos.
Convertí ofertas sin procesar en páginas de empleo.
Construí el proceso que abastecía de ofertas al asistente. Importaba empleos de varias fuentes, añadía información de las empresas y usaba IA para unificar títulos, sueldos y ubicaciones. Cada oferta tenía una página pública que los buscadores podían indexar. Las etapas se ejecutaban por lotes y en segundo plano, para que una oferta con errores no detuviera todo el proceso.
Modelos rápidos para buscar, potentes para responder.
Cada paso tenía una tarea concreta y un formato de respuesta definido. Elegí modelos rápidos para preparar las consultas y resumir los resultados, y modelos más potentes para razonar y redactar la respuesta final. Buscaba equilibrar la calidad de la respuesta con el tiempo de espera. Uno de los pasos también tenía un límite fijo de texto de entrada.
Dos apps, un producto, y los patrones que sigo usando
Lancé dos apps que formaban un solo producto. La app de investigación respondía en lenguaje natural y ponía en una sola pantalla un resumen de IA, ofertas reales, sus fuentes y las siguientes preguntas para seguir indagando. El pipeline detrás llenaba la base de empleos y empresas, normalizaba cada oferta y le daba su propia página pública. Esas páginas eran lo que los buscadores podían indexar.
Puedo convertir un modelo de lenguaje en una funcionalidad de producto, con una tarea clara, instrucciones, un formato de respuesta validado y un modelo adecuado para cada paso.