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 solo el motor que había detrás
Lideré la app de investigación como líder técnico, desde su primer commit. También construí solo la segunda app detrás, el pipeline de ingestión que mantenía llena la base de empleos. La IA era la funcionalidad central del producto, mientras que el código lo seguíamos escribiendo a mano, con un asistente de código con IA de apoyo.
Un flujo de investigación profunda que devuelve empleos afines a tu perfil.
Alguien escribe una pregunta sobre su carrera. Un paso del modelo decide si es una pregunta de empleo y la reescribe como una consulta autocontenida usando la conversación previa. Después la app busca en paralelo en las fuentes que la persona marcó: la web abierta, ofertas de empleo en vivo y video. Los tres resultados se fusionan en una sola respuesta escrita a partir del perfil profesional extraído de su currículum, con los empleos que le encajan y los pasos concretos para conseguirlos.
Construí el pipeline desde la oferta cruda hasta su página.
El asistente vale lo que valen los empleos que tiene detrás, y esos salían de un pipeline que construí solo. Traía ofertas de varias fuentes, enriquecía cada empresa, usaba IA para normalizar títulos, sueldo y ubicación en una forma consistente, y le daba a cada oferta su propia dirección limpia en el sitio para que los buscadores la indexaran. Cada etapa corría como su propio trabajo en segundo plano, por lotes, así una fila mala nunca tumbaba toda la ejecución.
Modelos rápidos para buscar, potentes para responder.
El flujo de investigación son varios pasos, cada uno con su tarea y su forma de salida declarada. Cada paso corría en un modelo elegido por lo rápido que debía responder, porque una respuesta lenta hace que la persona abandone. Los pasos que solo arman una consulta o condensan resultados corrían en un modelo rápido, y los que tenían que razonar y escribir la respuesta final corrían en uno más potente. Uno de los pasos además 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 meter un modelo de lenguaje dentro de una función de producto: cada paso con su prompt, una forma de salida que la app declara y valida, y el modelo que ese paso realmente necesita, en vez de un prompt gigante.