LinkedIn Recruiter ahora es un agente de IA. ¿Lo alquilas o es tuyo?

LinkedIn está convirtiendo Recruiter en un agente de IA. Hiring Assistant, su primer agente, alcanzó disponibilidad global en inglés en septiembre de 2025, y una actualización trimestral de febrero de 2026 añadió AI Applicant Targeting, AI Follow-Ups y Verified Applicant Spotlight. Las demos son realmente impresionantes. Pero lo que te venden es un alquiler cerrado y por asiento: una puntuación propietaria que no puedes inspeccionar, los datos de una sola red y una automatización que se evapora en el momento en que dejas de pagar.

Esa es la decisión que ninguna demo de proveedor te pone delante. No «¿qué herramienta de captación con IA es la mejor?», sino «¿quiero que la inteligencia que gobierna mi contratación y mi prospección viva dentro de un jardín amurallado que alquilo para siempre, o en un stack que es mío?». Este artículo repasa qué lanzó LinkedIn realmente, por qué la arquitectura cerrada importa más que cualquier función concreta y qué aspecto tiene, en la práctica, tener tu propio stack de agentes.

¿Qué funciones de IA ha añadido LinkedIn a Recruiter?

LinkedIn ha dedicado dos años a convertir Recruiter de una caja de búsqueda a un producto con agentes, con lo que ya es una cadencia de lanzamientos trimestral. Si pagas por un asiento de Recruiter, la IA ya no es una función secundaria. Es la dirección del producto.

La cronología es fácil de rastrear a través de los propios anuncios de LinkedIn:

• Mayo de 2024, AI-Assisted Search. Se lanzó a todos los clientes de Recruiter de habla inglesa. Escribes en lenguaje natural la descripción de un puesto y obtienes una lista filtrada de candidatos, lo que reduce una búsqueda «de más de 15 minutos a unos 30 segundos» (Pin, corroborado por la ayuda de LinkedIn Recruiter).
• Octubre de 2024, se anuncia Hiring Assistant. LinkedIn lo llamó «el primer agente de IA de LinkedIn». Estuvo disponible a nivel global en inglés a finales de septiembre de 2025 (sala de prensa de LinkedIn).
• Febrero de 2026, la entrega trimestral. AI Applicant Targeting (extrae automáticamente los criterios imprescindibles de una descripción de puesto y los convierte en filtros editables), AI Follow-Ups (redacta automáticamente recordatorios personalizados para quienes no responden), una integración con Microsoft Teams y Verified Applicant Spotlight (LinkedIn, vía Pin y HeroHunt).

El patrón importa tanto como cualquier función concreta. Se trata de una cadencia trimestral sostenida, y cada lanzamiento arrastra más del flujo de contratación al interior del agente de un único proveedor.

¿Qué puede hacer realmente Hiring Assistant de LinkedIn?

Hiring Assistant es un agente persistente al que delegas un objetivo de contratación, no una búsqueda de una sola vez. Convierte un objetivo en una estrategia de captación, capta candidatos entre proyectos, hace un cribado previo y redacta y evalúa mensajes según los requisitos que tú defines.

Por dentro, hace cuatro cosas (sala de prensa de LinkedIn y Talent Blog):

1. Toma de requisitos. Hace preguntas aclaratorias y aprende de tu actividad pasada en puestos similares.
2. Captación. Identifica candidatos en todos tus proyectos.
3. Cribado previo. Ejecuta flujos de preguntas y respuestas por InMail para confirmar ubicación, disponibilidad y requisitos imprescindibles.
4. Evaluación. Puntúa perfiles de LinkedIn, currículums y respuestas del cribado según tus criterios y redacta resúmenes de idoneidad estructurados.

LinkedIn también publica cifras destacadas, y merece la pena citarlas precisamente porque la precisión es el quid de la cuestión. Su cohorte inicial de clientes declaró un 62 % menos de perfiles revisados, más de 4 horas ahorradas por puesto y una mejora del 69 % en las tasas de aceptación de InMail. Son citas reales, pero son cifras de los propios clientes fundadores de LinkedIn, de un grupo reducido y con nombre y apellido (AMD, Chewy, Expedia, Microsoft, Siemens, Wipro y unos pocos más), no una auditoría independiente. Tómalas como resultados de adoptantes tempranos comunicados por el proveedor.

Una advertencia más, porque estas cifras se mezclan sin control por ahí. Hay tres cifras distintas de aceptación de InMail, y miden cosas diferentes:

No son la misma afirmación, y «la IA te hace un 69 % mejor» no es algo que ninguna de ellas respalde. Cuando evalúes una herramienta, insiste en saber qué cifra y sobre qué base de referencia. Un aumento del 44 % en la aceptación de mensajes gracias a InMails mejor redactados es un resultado real y útil. También es algo muy distinto de un aumento del 69 % atribuido a un flujo de agente completo dentro de una cohorte fundadora elegida a dedo. Confundir ambos es la manera en que una mejora modesta y creíble se comercializa como una transformación.

La trampa: es un sistema cerrado y de caja negra

La puntuación que decide qué candidato ves primero es propietaria y no se revela ni a los reclutadores ni a los candidatos. Esto no es opinión. Es lo que describe la propia ingeniería de LinkedIn.

La ingeniería de LinkedIn ha documentado su stack de clasificación como árboles de decisión con gradient boosting, learning-to-rank y entity embeddings, optimizado para la «aceptación bidireccional de InMail». Es un sistema de aprendizaje automático legítimo y sofisticado. El problema no es que exista. El problema es que nadie en el proceso de contratación puede verlo. Un reclutador recibe una preselección ordenada y no puede responder a la pregunta más simple del responsable de contratación: «¿Por qué esta persona es la número uno y aquella la número siete?». Por el otro lado, un candidato fuerte nunca aflora y nunca sabe por qué.

La señal está en la propia hoja de ruta de LinkedIn para 2026. La actualización de febrero añadió «controles de transparencia» precisamente porque los usuarios se quejaban de que el agente «parecía una caja negra» (HeroHunt). Los controles son bienvenidos. Pero la puntuación subyacente siguió sin revelarse. Te dieron un panel, no la lógica.

Verified Applicant Spotlight, también lanzado en febrero de 2026, es la ilustración más nítida de a dónde lleva todo esto. Destaca (o filtra para mostrar solo) a los candidatos que han verificado su identidad a través de LinkedIn, mediante un documento de identidad oficial, un dominio de correo corporativo o un dominio de correo educativo, con una insignia en la candidatura. LinkedIn lo presenta como reducción del fraude, menos candidaturas falsas y generadas por IA, que es un objetivo real y razonable.

Pero fíjate en la arquitectura que hay debajo de la función. Tu identidad se está convirtiendo en un factor de clasificación dentro de una única red privada. Un buen candidato que simplemente no ha subido un documento de identidad a LinkedIn puede quedar por debajo de otro verificado pero más flojo. La verificación, la insignia y la señal de «confianza» son de LinkedIn para definirlas, concederlas y retenerlas, y no significan nada en el momento en que el candidato abandona la plataforma. La confianza no es algo que el candidato pueda llevarse consigo. Se alquila, como todo lo demás aquí.

El foso de datos de una sola red

La mayor limitación estructural no es una función que falte. Es la arquitectura de datos. El agente de LinkedIn saca a la superficie sobre todo a personas que mantienen perfiles de LinkedIn activos y autodeclarados, y no enriquece de forma nativa desde ningún otro sitio.

Eso significa que no extrae de forma nativa de GitHub, Stack Overflow, patentes ni publicaciones académicas, y no sabe nada de tus propios candidatos anteriores. Como lo expresa el análisis de referencia de Pin, «cuando un agente de IA se construye sobre los registros de una sola red, sus problemas de cobertura no son carencias de funciones, son consecuencia de la arquitectura de datos». Las competencias se evalúan «principalmente a través de los datos del perfil de LinkedIn, que son autodeclarados y no verificados».

Imagina el coste concreto. El mejor ingeniero de backend para tu puesto tiene un perfil de LinkedIn escueto, un GitHub cargadísimo, tres pull requests fusionadas en CPython y una patente. Un agente de una sola red no puede ver nada de eso. ¿Y el candidato que ya se postuló el año pasado y se quedó a las puertas por muy poco? Invisible también, porque ese registro vive en tu ATS, no en el grafo de LinkedIn. Estás usando un agente estructuralmente ciego ante dos de las fuentes más reveladoras que tienes: la web abierta y tu propio historial.

Por eso también «comprar otra herramienta» es solo media solución. Muchos proveedores diagnostican correctamente el foso de la red única y luego te venden su propio grafo cerrado como respuesta. Cambias el jardín amurallado de 900 millones de perfiles de LinkedIn por el de otro, y vuelves a alquilar una caja negra, solo que distinta. El problema arquitectónico no es dentro de qué red estás encerrado. Es estar encerrado dentro de una sola red, sin forma de ir más allá hacia la web abierta o hacia el historial de candidatos que ya es tuyo.

Alquilar frente a adueñarte: el coste real de un agente por asiento

LinkedIn no publica precios de tarifa, así que toda cifra en dólares aquí es orientativa y proviene de los compradores. Pero el argumento estructural sobrevive a la imprecisión: esto es el alquiler por asiento de un agente cerrado, y la IA se monta sobre una partida que ya es de cinco cifras.

Las estimaciones agregadas de los compradores para 2025-2026 (HeroHunt, Pin, Glozo, Hootrecruit) sitúan Recruiter Corporate entre 10 800 y 12 000 USD por asiento al año, con un total realista más cercano a 14 000 USD o más en cuanto sumas los excesos de InMail, Talent Insights y el complemento Hiring Assistant, y subidas anuales típicas de alrededor del 15 %. El propio Hiring Assistant es un complemento de precio no publicado para Recruiter Corporate o RPS+. ERE Media, citado a través de ese mismo análisis de referencia, señala el coste como el principal problema para los compradores. Lee cada cifra como estimada, no oficial.

Ahora la parte que la etiqueta de precio esconde. Cuando la renovación llega con una subida del 15 % y rebajas un asiento, ¿qué estás cediendo exactamente? Piensa en el escenario. Una startup en Serie B pasa un trimestre captando con Hiring Assistant. Se afina la toma de requisitos, se redactan las secuencias, el agente «aprende cómo contratan». Luego se recorta un asiento, y cada pizca de esa automatización acumulada se va con la cuenta: los borradores, la lógica de las secuencias, la clasificación de «por qué este candidato». Alquilaron la inteligencia. Nunca fue suya.

Ese es el coste real, y no aparece en la factura. El precio por asiento de un agente cerrado significa que pagas, para siempre, no para construir una palanca propia sino para seguir alquilando el acceso a una palanca que en todo momento sigue siendo del proveedor.

Qué aspecto tiene tener tu propio stack de prospección y de agentes

Ser dueño del stack no significa construir tu propia IA desde cero. Significa que la lógica, los datos y el razonamiento del agente te pertenecen y siguen siendo portables. Cinco propiedades separan un stack propio de una caja negra alquilada.

• Interoperable, no atado a una interfaz. Puedes gobernar el agente desde Claude, un asistente interno o un script, mediante un protocolo abierto, en lugar de la pantalla de un único proveedor. Si cambias de asistente, las herramientas se vienen contigo.
• Multifuente, no una sola red. El enriquecimiento recorre varias fuentes, no un único grafo autodeclarado, de modo que la brecha de cobertura de la que hablábamos no existe por diseño.
• Razonamiento inspeccionable. Puedes leer por qué el agente propuso a alguien y en qué se basó para un borrador, en lugar de fiarte de una puntuación no revelada.
• Con supervisión humana por defecto. Los borradores llegan a una cola que apruebas antes de que se envíe nada. El «lanzar y olvidar» es una opción, no la opción por defecto.
• Propio, no alquilado por asiento. Las herramientas, los datos y la lógica viven en tu tenant. Una rebaja de plan no borra tu automatización.

El protocolo abierto que hace el trabajo pesado aquí es MCP, el Model Context Protocol. Permite que cualquier asistente de IA autorizado llame a tus herramientas directamente, de modo que «el agente» no es un producto en el que inicias sesión. Es un conjunto de herramientas que gobierna tu propio asistente. Esa única decisión arquitectónica es lo que hace posibles las otras cuatro propiedades.

Cómo construye Kit un agente de prospección que es tuyo

El módulo Outreach:: de Kit está construido exactamente sobre este modelo, y es la prueba honesta del argumento, con una salvedad importante. El módulo Outreach de Kit es prospección de ventas: campañas, prospectos, reuniones y respuestas. No es un producto de captación de candidatos ni un sustituto directo de LinkedIn Recruiter. La cuestión es arquitectónica: es cómo querrías que estuviera construido cualquier agente de IA del que dependas, demostrado en un módulo real. El módulo Hiring de Kit es el equivalente para contratación, y una herramienta literalmente tiende un puente entre ambos, que es el tejido conectivo honesto y no una afirmación de que Kit capta candidatos en LinkedIn por ti.

Así se manifiesta en Kit cada una de esas propiedades de titularidad, verificado en el código:

Fíjate en lo que deliberadamente no está en esa lista: ninguna afirmación de que el agente de Kit convierte mejor que Hiring Assistant, ni ninguna cifra de tasa de aceptación de Kit. Serían exactamente las cifras comunicadas por el proveedor sobre las que este artículo te advierte. El argumento no es que el agente de Kit sea más listo. Es que un agente inspeccionable, interoperable y propio es uno en el que de verdad puedes confiar y que puedes llevarte contigo, mientras que uno cerrado es uno del que solo puedes esperar que acierte.

Esa es toda la decisión, reducida a lo esencial. La demo no es la pregunta. La titularidad sí. Cuando la inteligencia de tu captación y tu prospección, su memoria, sus secuencias y su puntuación viven todas dentro de la cuenta de un único proveedor, no estás comprando una palanca. La estás alquilando, por asiento, para siempre. El empuje de LinkedIn hacia los agentes es real y a menudo útil. Pero antes de dejar que se convierta en el lugar donde vive la inteligencia de tu contratación, pregúntate a dónde va la lógica cuando dejas de pagar.

Si prefieres que ese stack sea tuyo antes que alquilarlo, empieza una prueba gratuita, o lee el argumento hermano sobre adueñarte del resto de tu embudo: por qué las ofertas fantasma justifican adueñarte de tu embudo, qué significa realmente que Indeed acabe con las ofertas de empleo gratuitas y la caja negra de la página de empleo. Si estás comparando plataformas activamente, el análisis Kit vs. Greenhouse es una buena siguiente parada.