Tienes 15 candidatas interesadas en un cargo de asesora del hogar. Las contactas por WhatsApp una por una. La primera no tiene los papeles al día. La tercera pide el doble del sueldo ofrecido. La séptima vive en el otro extremo de la ciudad y no está dispuesta a viajar. Llevás tres horas conversando y recién tenés dos candidatas que vale la pena presentarle a la familia.
Y cuando la familia te pregunta "¿por qué recomiendas a esta y no a aquella?" no tienes más que tus notas dispersas para justificarlo.
El problema no es la cantidad de candidatas. Es que el filtro inicial es completamente manual, inconsistente y no deja ningún dato comparable.
El cuello de botella que nadie ve
En reclutamiento de personal de casa particular, el filtro por WhatsApp es la etapa que consume más tiempo y produce menos datos útiles. Es conversación pura, sin estructura.
El resultado es una acumulación de problemas:
- Entrevistas largas con candidatas incompatibles. El deal-breaker (los papeles, el sueldo, la ubicación) aparece al turno 8 de una conversación de 12. Todo el tiempo anterior fue desperdiciado.
- Sin trazabilidad. No hay registro estructurado de por qué descartaste a cada candidata. Si la familia pregunta, improvisar.
- Sin comparabilidad. Cada entrevista tiene preguntas distintas según cómo fluyó la conversación. Comparar candidatas entre sí es imposible.
- Dependencia total del operador. Si quien hace las entrevistas está ocupado, el proceso se detiene.
La solución no es una planilla nueva ni un formulario de Google. Es un agente de IA que conduce las entrevistas por WhatsApp de forma autónoma, con criterio, y produce reportes que puedes usar directamente.
Lo que construí
Un sistema de tres workflows en n8n que opera así:
Workflow 1 — Iniciar entrevista: Recibe el cargo y la candidata de la base de datos, genera un plan de entrevista personalizado según el tipo de cargo (puertas adentro, puertas afuera, niñera, cuidadora de adulto mayor) y envía el primer mensaje por WhatsApp.
Workflow 2 — Conducir la entrevista: Se activa con cada mensaje de la candidata. El agente lee el contexto completo (cargo, plan, historial de la conversación, datos ya extraídos) y decide qué preguntar a continuación, si necesita repreguntar algo ambiguo, o si encontró una incompatibilidad que justifica cerrar.
Workflow 3 — Generar el reporte: Cuando la entrevista cierra (por incompatibilidad, por cobertura completa, o al llegar al límite de 12 preguntas), un segundo modelo analiza toda la conversación y produce dos documentos: un JSON técnico con scores por dimensión, sentimiento y nivel de intención, y un Markdown claro para la familia.
El agente: Carla
El agente entrevistador se llama Carla. Es una reclutadora chilena cálida y profesional, al menos así se presenta y así se comporta.
Carla sabe varias cosas desde el primer turno:
- El tipo de cargo, la comuna, el sueldo, el horario y las tareas principales
- Los requisitos no negociables (lo que si falla, cierra la entrevista de inmediato)
- El plan de preguntas priorizado para ese cargo específico, generado por un modelo previo que analiza la oferta laboral
Sus reglas de conversación son simples pero fundamentales:
- Una pregunta por mensaje. Esto es WhatsApp, no una entrevista presencial.
- Máximo dos frases por turno. Si la respuesta es evasiva, repregunta una vez. Solo una.
- Los datos que confirma (papeles, sueldo, experiencia, disponibilidad) los extrae en estructura JSON en cada turno, acumulándolos en Postgres.
- Si detecta un deal-breaker, cierra inmediatamente. Agradece cordialmente y deja la puerta abierta para futuros cargos. No sigue preguntando.
El límite duro son 12 preguntas. Si llegó hasta ahí sin cerrar por incompatibilidad, cierra por "entrevista completada" o por "límite alcanzado", con todo lo que logró cubrir.
Cómo funciona el plan de preguntas
Antes del primer mensaje, un modelo normalizador analiza la descripción del cargo y produce un JSON con:
- Las dimensiones críticas a evaluar y en qué orden (primero las que detectan deal-breakers más probables)
- Los deal-breakers específicos del cargo y cómo detectarlos en la conversación
- Las preguntas específicas según el tipo (un cargo de cuidadora de adulto mayor tiene preguntas sobre manejo de medicamentos y movilización; un cargo de niñera, sobre primeros auxilios y estimulación por edad)
Las 10 dimensiones comunes a todo cargo son estables: identidad básica, papeles vigentes, experiencia previa, referencias, disponibilidad, match salarial, salud y capacidad física, hábitos relevantes, comunicación y motivación.
El orden importa: si el sueldo es un deal-breaker frecuente, se pregunta al turno 2. No al turno 10.
Los reportes: uno para ti, uno para la familia
Al cerrar la entrevista, el pipeline genera dos documentos completamente distintos.
Reporte técnico (JSON): Para el reclutador. Incluye el match score (0-100, calculado como promedio ponderado de los scores por dimensión, con los requisitos no negociables con peso triple y el score forzado a 0 si hay cualquier deal-breaker), la recomendación (avanzar/quizás/descartar), el análisis de sentimiento turno a turno, el nivel de intención de la candidata, las banderas rojas y verdes concretas, y las preguntas pendientes si la entrevista cerró antes de cubrirlas.
Reporte cliente (Markdown): Para la familia. Sin jerga técnica. Tiene la recomendación con emoji (✅ avanzar, ⚠️ quizás, ❌ no avanzar), los dos o tres puntos más relevantes de la candidata, las fortalezas en lenguaje cotidiano y los "puntos a conversar en presencial" formulados como temas a profundizar, no como defectos. 200-350 palabras. Se lee en un minuto.
Un ejemplo del reporte cliente para una candidata con match score de 78:
# Marlene G. — Cuidadora adulto mayor
**Recomendación:** ✅ Avanzar a entrevista presencial
**Compatibilidad con el cargo:** 78/100
## Lo más relevante
8 años de experiencia, los últimos 3 cuidando a una adulta mayor con
dependencia leve. Vive en Quilicura, papeles al día, disponibilidad
inmediata.
## Fortalezas
- Experiencia muy alineada con lo que buscan
- Vive cerca, sin riesgo de atrasos
- Comunicación clara y cálida durante toda la conversación
## Puntos a conversar en presencial
- Pide $650.000 líquido (oferta $620.000) — brecha menor, conversable
- Solo entregó una referencia verificable. Pedir una segunda.
- Profundizar en manejo de medicamentos específicos del cargo.
## Cómo se sintió la conversación
Cálida y honesta. Preguntó dos veces por la fecha de inicio y pidió
detalles del barrio — señales claras de interés real en el cargo.
La arquitectura técnica
El stack completo es:
| Componente | Herramienta |
|---|---|
| Motor de workflows | n8n (self-hosted) |
| LLM (todos los roles) | OpenAI GPT-4o |
| Base de datos | Postgres (Supabase) |
| Canal de mensajería | WhatsApp vía HTTP Request (placeholder) |
La base de datos tiene cinco tablas: cargos, candidatas, entrevistas, mensajes y reportes. La tabla entrevistas acumula los datos estructurados extraídos por el agente en un campo JSONB que se va mergeando turno a turno con el operador || de Postgres.
El agente no usa tool calls — emite un JSON estructurado en cada turno con los datos extraídos, si hubo deal-breaker, si debe cerrar, el motivo y su respuesta para la candidata. Un nodo de código en n8n procesa ese JSON, decide el nuevo estado de la entrevista y dispara el workflow de reporte si corresponde.
Costo estimado por candidata entrevistada: $0.16 USD. Una entrevista de 12 turnos consume unos $0.06 en tokens del agente y $0.10 en los dos LLMs del reporte.
Lo que resuelve en la práctica
Antes, filtrar 15 candidatas tomaba 3-4 horas de conversación manual fragmentada. Con el agente:
- Los deal-breakers se detectan en el turno 2-3 en el 60-70% de los casos. Esas entrevistas cierran en minutos, no en horas.
- Todas las candidatas evaluadas quedan en la misma base comparativa. Puedo ordenarlas por match score, filtrar por recomendación y ver exactamente en qué dimensión falla cada una.
- La familia recibe un reporte formateado, claro y sin jerga. No tengo que redactar nada a mano.
- El proceso funciona aunque yo esté en otra cosa. Carla atiende los mensajes entrantes y conduce la entrevista de forma autónoma.
Lo que viene
El siguiente paso es conectar un proveedor de WhatsApp real (estoy evaluando Twilio sandbox para validar y Meta Cloud API para producción) y construir una UI mínima en Retool o Appsmith sobre Postgres para gestionar los cargos y lanzar entrevistas sin abrir n8n.
Si te interesa resolver algo similar — ya sea en reclutamiento de personal doméstico o en cualquier proceso de calificación estructurada por WhatsApp — el patrón es el mismo: agente con contexto inyectado, detección de incompatibilidades temprana, datos estructurados acumulados por turno y reportes auto-generados.