# Matching de Candidatos con IA Source: https://docs.mira.day/es/docs/agent-sourcing/understanding-ai-matching > Cómo el Mira Reasoning Embedding interpreta tus requisitos. Va más allá de la búsqueda por palabras clave para entender contexto, señales de senioridad y criterios implícitos. Cuando buscas candidatos en la mayoría de las plataformas, estás haciendo matching por palabras clave, escribe "desarrollador Python Berlín" y obtén a todos con esas palabras en su perfil. Es rápido, pero se pierde mucho. Mira funciona de forma diferente. Mira Reasoning Embedding (MRE) lee tu descripción, razona sobre lo que realmente necesitas y evalúa el historial completo de carrera de cada candidato contra tus requisitos. Esto es lo que significa en la práctica. *** Qué entiende MRE y las palabras clave no [#qué-entiende-mre-y-las-palabras-clave-no] "5 años de experiencia en backend" [#5-años-de-experiencia-en-backend] Búsqueda por palabras clave: busca "5 años" en el texto del perfil. MRE: calcula los años reales del historial de carrera. Si alguien tuvo 3 años en Empresa A y 2.5 en Empresa B haciendo trabajo backend, MRE cuenta correctamente, aunque su perfil no diga "5 años" en ninguna parte. "Alguien que llevó un producto de 0 a 1" [#alguien-que-llevó-un-producto-de-0-a-1] Búsqueda por palabras clave: busca literalmente "0 a 1". MRE: identifica candidatos que se unieron a empresas en etapa temprana (pre-Series A, menos de 20 personas) en roles de producto o ingeniería y permanecieron durante una fase de crecimiento. Lee patrones de carrera, no palabras clave. "Background en empresa de alto crecimiento" [#background-en-empresa-de-alto-crecimiento] Búsqueda por palabras clave: no puede hacer esto. MRE: verifica datos de la empresa, rondas de financiación, crecimiento de personal, señales de ingresos, e identifica candidatos cuyos empleadores coinciden con el patrón de "alto crecimiento". "Empresa cotizada + experiencia en startup" [#empresa-cotizada--experiencia-en-startup] Búsqueda por palabras clave: dos filtros separados y desconectados. MRE: evalúa el arco completo de carrera, encuentra personas que trabajaron en empresa cotizada Y en startup en diferentes puntos, entendiendo que esta combinación señala versatilidad específica. Qué significa esto para ti [#qué-significa-esto-para-ti] Puedes describir puestos como lo harías con un amigo reclutador: > *"Necesito alguien senior, técnico pero orientado al cliente, que hizo ventas enterprise en una startup que realmente tenía product-market fit, no una empresa que solo levantó mucho dinero."* MRE descompone esto en múltiples criterios de evaluación y los aplica. No necesitas cadenas booleanas, filtros o "sintaxis de búsqueda". De dónde viene la tecnología [#de-dónde-viene-la-tecnología] MRE viene de la investigación propia de Mira en retrieval basado en razonamiento. Actualmente ocupa el primer lugar en la categoría Embedding y primero en general en BRIGHT, un benchmark público para retrieval por razonamiento. Mira también construyó PJBenchmark, un conjunto de evaluación específico para reclutamiento usando datos reales de contratación. Cuatro artículos describen el enfoque: * [Time-Scaling Is What Agents Need Now](https://arxiv.org/abs/2601.02714) * [Refine Thought](https://arxiv.org/abs/2511.13726) * [PJB](https://arxiv.org/abs/2603.17386) * [CRE-T1 Preview Technical Report](https://arxiv.org/abs/2603.17387) Qué no hace [#qué-no-hace] * **No es magia.** Si el candidato adecuado no existe en las fuentes de datos, MRE no inventará uno. * **No es una decisión de contratación.** MRE presenta los mejores matches disponibles para tu revisión. La decisión final siempre es tuya. * **La precisión depende de la completitud de datos.** Perfiles con información incompleta producen matches menos precisos. Revisar toda la Shortlist, no solo el resultado superior, siempre vale la pena. Obtener mejores resultados [#obtener-mejores-resultados] La calidad del matching depende de la calidad de tu entrada: * Más específico → mejores matches. * Incluir criterios "implícitos" → activa el razonamiento. * Refinar después de ver resultados → cada ronda se vuelve más precisa. Consulta [Cómo Escribir un JD Efectivo](/es/docs/agent-sourcing/write-an-effective-jd) para consejos prácticos.