Arquitectura Reasoning-First

En 2026, el HR-tech hace casi la misma apuesta, casi por unanimidad: los agentes LLM sustituirán el emparejamiento en selección para 2027. Josh Bersin lo presenta como la capa superior (capa 4) del stack de inteligencia del talento. La apuesta es obvia y casi de consenso.

Yo apuesto en contra.

No porque esté en contra de la IA: trabajo con IA cada día laborable, y en el producto que voy a describir cada línea de código se escribió con Claude, ninguna con mis propias manos. Sino porque más de 135 000 vacantes y 1,1 M de mensajes de Telegram que han pasado por mi sistema desde abril de 2026 me han mostrado lo contrario: un núcleo determinista basado en razonamiento + LLM como complemento (no como sustituto) gana en precisión, latencia, coste y cumplimiento de la Ley de IA de la UE. Este ensayo explica por qué.

Quién soy y por qué escribo

Empecé en SEO en 2006: veinte años viendo cómo el contenido + la estructura + los algoritmos de recuperación determinan los resultados de miles de millones de búsquedas al día. El emparejamiento en HR-tech se construye igual: contenido (descripciones, CV) + estructura (roles, stack, niveles) + recuperación → resultado.

TD-CRM v2 es un CRM de selección para el mercado IT de la CEI: más de 135 000 vacantes (más de 61 000 abiertas), 1,1 M de mensajes de Telegram procesados, ~1990 canales monitorizados, 14 áreas, 15 países. Autoclasificado públicamente como de alto riesgo según la Ley de IA de la UE, anexo III n.º 4. Y no lo construyó un ingeniero: yo no escribo código. Defino la arquitectura y el producto; Claude genera la implementación, el patrón que Karpathy llamó «agentic engineering» en marzo de 2026. Replit alcanzó una valoración de $3B en septiembre de 2025 con el mismo patrón. No soy el primero en construir así; solo lo digo abiertamente.

Por esto decidí escribir contra el casi consenso. Cuando miras 135 000 vacantes no desde arriba, sino con las manos, aparece algo sencillo: la inmensa mayoría del emparejamiento se decide de forma determinista: stack, nivel, modalidad, geografía, banda salarial. El LLM hace falta de verdad para interpretar texto desordenado, no para la decisión en sí. Y sin embargo la industria mete el LLM en la decisión. Veinte años en SEO me enseñaron cómo acaba eso cuando pones una capa difusa donde necesitas reproducibilidad y explicabilidad. Para mí no es un argumento teórico sobre tendencias: es lo que veo en mis propios datos cada día.

En qué se equivoca la apuesta del sector

El emparejamiento basado primero en LLM es una mala apuesta en cuatro ejes: precisión, coste, cumplimiento normativo, trazabilidad.

Precisión. El emparejamiento difuso con LLM lleva una variación incorporada entre llamadas: el mismo par candidato/vacante obtiene puntuaciones distintas entre ejecuciones. Vale para un chatbot; es un defecto en un emparejamiento cuya decisión pasa a formar parte de un registro de auditoría.

Coste. Una llamada al LLM por intento × miles de coincidencias al día = miles de dólares al mes que una empresa sin ingresos no puede asumir. El emparejamiento determinista por campos tiene un coste marginal casi nulo.

Cumplimiento normativo. La Ley de IA de la UE, anexo III n.º 4, entra en aplicación en agosto de 2026. Los sistemas de alto riesgo deben registrar las decisiones con el fundamento de cada una. Registro LLM-first: «coincide porque lo dijo el modelo». Registro reasoning-first: «coincidencia de stack 8/12, Senior (7 años), Remoto (sí), salarios compatibles. Puntuación 0,84». Uno de los dos existe en un registro de auditoría. El otro no.

Trazabilidad para la due diligence. El abogado del comprador pregunta «¿cómo exactamente se emparejó esto?». LLM-first es opaco; reasoning-first es explicable por construcción. Señal del mercado: Eqtble → Paradox (feb. 2025): la analítica de personas sin datos de calidad profesional se clasifica como HR-tech. Misma lógica: lo difuso con LLM sin reglas trazables no es HR-tech serio.

Una aclaración para no atacar a un hombre de paja: el LLM no es «malo». Lo malo es el LLM en la capa equivocada.

Cuál es la arquitectura correcta

Reasoning-first significa que toda decisión que deba poder defenderse (emparejamiento, puntuación, ranking) pasa primero por reglas deterministas. El LLM se usa SOLO donde no es posible una regla determinista (interpretación de texto libre), donde la incertidumbre es explícita (puntuación de confianza + ruta degradada) y donde la salida no va directamente a una decisión final. En TD-CRM la puntuación de emparejamiento es una fórmula explícita (coincidencia de stack + nivel + rol + modalidad + salario), no «modelo, valora el encaje».

Monolito en lugar de microservicios, a propósito: un fundador + Claude = no hay equipo que cargue con la complejidad de los sistemas distribuidos; un núcleo determinista necesita una única fuente de verdad. Según el ADR-0001: un solo FastAPI + PostgreSQL + Redis + worker arq + SSR. El «monolito moderno» al estilo de DHH / 37signals, coherente con el enfoque basado en razonamiento, no por llevar la contraria.

Según la decisión D10, el sistema se autoclasifica públicamente como de alto riesgo (anexo III, n.º 4): registro de decisiones (Loki + registro estructurado), gestión de riesgos, supervisión humana (un reclutador revisa cada coincidencia, sin acciones automáticas), gobernanza de datos. La autoclasificación se adelanta a un hallazgo de due diligence; la transparencia genera confianza.

Brecha de cobertura: un canal vertical como activo

LinkedIn está bloqueado en Rusia desde noviembre de 2016. Lightcast, Revelio Labs y People Data Labs obtienen la mayoría de sus datos de LinkedIn; su cobertura al este de la línea de Riga cae aproximadamente un 40% (mi estimación, a partir de sus declaraciones públicas). Es estructural, no temporal.

En su lugar, un canal Telegram-MTProto: ~1990 canales IT de la CEI monitorizados, 1,1 M de mensajes procesados. Datos que los proveedores globales físicamente no pueden obtener (sanciones, servicios bloqueados, acceso técnico). Marc Casado (a16z, 2019, «The Empty Promise of Data Moats») mostró que la escala de datos por sí sola no es un foso fuerte; la propiedad del canal de datos es más difícil de replicar. Nuestro enfoque en IT de la CEI es un activo diferenciador, no una debilidad forzada.

Ingeniería agéntica: quién lo construyó y cómo

Sin rodeos: TD-CRM v2 está construido al 100% con Claude. Yo no escribo código: dirijo la arquitectura y el producto; Claude genera la implementación. Karpathy dividió el patrón en «vibe coding» (sube el suelo para quienes no programan) y «agentic engineering» (mantiene el listón de calidad). La diferencia son las pruebas de rigor: 14 ADR en docs/adr/, observabilidad (Loki + Grafana + Prometheus), escaneo semanal de dependencias (ADR-0013), un registro de cambios público a partir de Conventional Commits, revisión externa de las rutas de seguridad/datos personales antes de un acuerdo.

Replit alcanzó $3B en septiembre de 2025 con este patrón (ARR de $2,7M → $70M en 12 meses). Validado por el mercado. Un comprador lo lee como «un fundador con rigor + apalancamiento de IA», no como «algo hecho a base de vibe coding»; la diferencia es la densidad de artefactos: esta serie de ADR, el registro de cambios, el runbook, la observabilidad y este ensayo.

La perspectiva del comprador

Si eres analista de desarrollo corporativo en Greenhouse, Workable, iCIMS o Lightcast, esto también es para ti. Sin rodeos: TD-CRM aún no tiene ingresos, 0 clientes de pago, $0 de ARR. No es un objetivo de «equipo + cartera de clientes», sino tres activos separados.

Primero, la propiedad del canal de datos: más de 135 000 vacantes, 1,1 M de mensajes, ~1990 canales desde abril de 2026; datos que Lightcast/Revelio físicamente no pueden recopilar. Construir algo equivalente = 18–24 meses + riesgo de sanciones + experiencia con la API de Telegram. Segundo, el código de emparejamiento/puntuación basado en razonamiento, reproducible en la infraestructura del comprador. Tercero, la entidad Estonia OÜ (T2 2026), jurisdicción de la UE, sin complicaciones de origen.

Por qué el enfoque reasoning-first importa al comprador: la aplicación de la Ley de IA de la UE desde agosto de 2026 golpea a los productos LLM-first con el dolor de adaptarse al cumplimiento. Reasoning-first ya cumple y está en producción: es aceleración, no una adaptación. Lo que el comprador no obtiene: cartera de clientes (0), marca, equipo, ARR (0); no está incluido en el precio. La suma de los tres activos está por debajo de $15M.

Cierre

Es una apuesta: un fundador en solitario + Claude como ingeniero agéntico + unas semanas = una arquitectura reasoning-first + un canal de datos IT de la CEI + 14 ADR. La apuesta es que esta combinación supere a los agregadores globales LLM-first en el emparejamiento de HR-tech para finales de 2027. Lo publico ahora para fijar la apuesta antes del resultado, no después.

Si tienes una crítica razonada, escribe. Una objeción honesta vale más que una duda silenciosa. Y sin «solicita una demo» al final: si el ensayo no convence por sí solo, una demo no lo arreglará.