Prompts de ChatGPT para adaptar tu currículum sin inventar datos

Ya usas ChatGPT o Claude para revisar código y escribir mensajes de commit, así que pegar una oferta de empleo y tu currículum en el mismo chat parece el siguiente paso lógico. El resultado se lee bien. El problema empieza en los detalles: una viñeta que ganó un porcentaje que nunca mediste, un cargo ascendido un nivel, una herramienta que nunca has usado. Los prompts de ChatGPT para adaptar el currículum que siguen están diseñados para evitar eso. Cada uno le da al modelo una tarea acotada, le prohíbe añadir datos nuevos y produce una salida que puedes verificar línea por línea. Funcionan igual en Claude, Gemini o cualquier otro modelo capaz.

Este artículo cubre los prompts y las salvaguardas. Para el método en sí, cómo leer una oferta, mapear tu experiencia y mantener el resultado honesto, lee cómo adaptar tu currículum a la descripción de un puesto. Los prompts dan por hecho que tienes un currículum maestro (CV, u hoja de vida como se dice en Colombia y otros países), la versión completa con cada puesto y proyecto, porque el modelo solo puede seleccionar a partir de lo que le das.

Por qué los prompts de ChatGPT para adaptar el currículum necesitan salvaguardas

Un modelo de lenguaje completa texto. Pídele que “mejore mi currículum para este puesto” y producirá lo que sus datos de entrenamiento sugieren que es un currículum adaptado: verbos contundentes, cifras redondas, una lista de habilidades que calca la oferta. No tiene forma de saber cuáles de esos detalles son ciertos en tu caso, y no se detendrá a preguntar.

Tres decisiones de diseño corrigen la mayor parte de esto.

Una tarea por prompt. Extraer, mapear, reescribir y comprobar son trabajos distintos. Un único prompt de “hazlo todo” permite al modelo colar una métrica inventada en una reescritura mientras tú lees la lista de palabras clave.

Entra el texto original y sale el texto original. Cada prompt de reescritura pide la viñeta original junto a la nueva. Puedes comparar el par en segundos. Un prompt que devuelve solo la versión nueva oculta el cambio.

Una prohibición explícita de datos nuevos, con lista. “No te inventes cosas” es demasiado vago para un modelo. “No añadas cifras, herramientas, empleadores, cargos, fechas, títulos ni certificaciones que no estén en el currículum maestro” es una regla que puede seguir, y una regla que tú puedes comprobar.

Ejecuta los cuatro prompts de abajo en orden. Pega tu currículum maestro donde dice [pega tu currículum maestro] y la oferta donde dice [pega la descripción del puesto].

Prompt 1: Extrae los requisitos en una tabla

La guía de adaptación enlazada arriba describe cuatro grupos en los que clasificar una oferta. Este prompt hace que el modelo se encargue de esa clasificación, con dos añadidos que un modelo de chat tiende a saltarse: citas textuales y recuento de repeticiones.

Estás extrayendo requisitos de una oferta de empleo. No infieras,
resumas ni añadas requisitos que no estén en el texto.

Devuelve una tabla en Markdown con estas columnas:
1. Requisito, citado textualmente de la oferta
2. Tipo: requerido, deseable, responsabilidad o término de dominio
3. Veces que aparece en la oferta
4. La frase de la que proviene, citada

Reglas:
- Cita la ortografía y las mayúsculas exactas de la oferta (por ejemplo
  "PostgreSQL", no "Postgres").
- Si la oferta es ambigua sobre si algo es requerido o deseable,
  márcalo como "no claro". No adivines.
- No comentes mi encaje. Todavía no te he mostrado mi currículum.

Descripción del puesto:
[pega la descripción del puesto]

La última regla importa. Si el currículum está en el mismo chat, el modelo empieza a emparejar antes de que se lo pidas, y la tabla se desvía hacia los requisitos que resulta que cumples.

Prompt 2: Mapea tu experiencia a cada requisito

Ahora el modelo ve el currículum maestro por primera vez. Su trabajo es encontrar evidencia, con una regla estricta: las brechas se quedan como brechas.

Abajo tienes una tabla de requisitos y mi currículum maestro. Para cada
requisito, encuentra la evidencia más fuerte en el currículum.

Devuelve una tabla con:
1. Requisito (de la tabla)
2. Evidencia: la viñeta o línea de mi currículum, citada palabra por
   palabra
3. Tipo de coincidencia: directa (misma herramienta o habilidad
   nombrada), adyacente (misma habilidad, distinta herramienta; nombra
   ambas) o brecha (nada en el currículum)
4. Dónde debería ir en una versión adaptada: resumen, las viñetas de un
   puesto concreto, lista de habilidades, u omitir

Reglas:
- Una brecha es una respuesta válida. No rellenes una brecha estirando
  una viñeta ni sugiriendo que añada experiencia que no he listado.
- No reescribas nada todavía.
- Si una viñeta respalda dos requisitos, lístala dos veces.

Tabla de requisitos:
[pega la tabla del Prompt 1]

Currículum maestro:
[pega tu currículum maestro]

Lee las filas de brecha antes de continuar. Si la oferta lista diez habilidades requeridas y la tabla muestra seis brechas, lo correcto es buscar otra oferta, y ningún prompt arregla eso.

Prompt 3: Reescribe las viñetas con el vocabulario de la oferta, sin datos nuevos

Aquí es donde los modelos inventan. El prompt de abajo acota la tarea a viñetas seleccionadas, exige pares de antes y después, y detalla qué cuenta como dato nuevo.

Reescribe las viñetas de abajo para que usen el vocabulario de la oferta
donde mi experiencia lo respalde. Mantén cada viñeta fiel al original.

Para cada viñeta, devuelve:
- ORIGINAL: la viñeta tal como la escribí, sin cambios
- REESCRITURA: la versión nueva
- CAMBIOS: una línea con lo que cambiaste y por qué
  (vocabulario, orden, énfasis)

Reglas:
1. Conserva cada cifra, fecha, nombre de herramienta, empleador, cargo y
   título tal como están escritos. Si el original no tiene cifra, la
   reescritura tampoco.
2. Copia la ortografía que usa la oferta para una herramienta solo si el
   original nombra esa misma herramienta. "Postgres" puede pasar a ser
   "PostgreSQL". "MySQL" no.
3. En coincidencias adyacentes, conserva mi herramienta y toma prestada
   la categoría. "Construí pipelines de eventos sobre RabbitMQ" puede
   pasar a ser "Construí pipelines de streaming de eventos (RabbitMQ)".
   No puede mencionar Kafka.
4. No cambies las palabras que indican nivel. "Contribuí a" sigue siendo
   "contribuí a"; no se convierte en "lideré".
5. No fusiones viñetas ni añadas ninguna.
6. Verbos sencillos. Nada de "spearheaded", "leveraged" ni "synergy".

Requisitos de la oferta: [pega las filas emparejadas del Prompt 2]

Viñetas a reescribir:
[pega las viñetas]

La regla 6 es para el lector humano. Un reclutador que ve “spearheaded” y “leveraged” en dos viñetas seguidas lee el currículum como salida de una máquina, y la ganancia en palabras clave no compensa eso.

Prompt 4: Una autoverificación que señala afirmaciones inventadas

Abre un chat nuevo para este. Un modelo al que le pides calificar sus propias ediciones en la misma conversación tiende a defenderlas. Una sesión limpia ve dos documentos y nada más.

Estás auditando un currículum adaptado contra el currículum maestro del
que se construyó. Encuentra cada afirmación de la versión adaptada que
el maestro no respalde.

Devuelve una tabla con:
1. Texto adaptado (citado)
2. Texto más cercano del maestro (citado), o "ninguno"
3. Problema: cifra nueva, cifra cambiada, herramienta nueva, herramienta
   cambiada, cargo cambiado, fecha cambiada, título cambiado, nivel
   elevado o afirmación sin respaldo
4. Gravedad: alta (un dato que una verificación de referencias podría
   contradecir) o baja (redacción)

Comprueba en particular:
- Cada cifra, porcentaje, importe y duración de la versión adaptada
  debe aparecer en el maestro.
- Cada nombre de herramienta, lenguaje y plataforma debe aparecer en el
  maestro.
- Cada empleador, cargo, rango de fechas y título debe coincidir con el
  maestro carácter por carácter.
- Señala cualquier frase cuyo significado sea más amplio que el de su
  fuente.

Si no encuentras nada, di "No se encontraron afirmaciones sin respaldo"
y lista los cinco cambios que examinaste con más atención.

Currículum maestro:
[pega tu currículum maestro]

Currículum adaptado:
[pega el currículum adaptado]

La última instrucción evita que el modelo devuelva una tabla vacía para complacerte. Si tiene que mostrar su trabajo, lee con más cuidado.

Modos de fallo, y cómo detectar cada uno

Incluso con los prompts de arriba, verás estos. Cada uno tiene una comprobación mecánica que lleva menos de un minuto.

Métricas inventadas. El modelo añade “redujo la latencia un 40%” a una viñeta que decía “redujo la latencia”. Detéctalo listando cada cifra de la versión adaptada y buscando cada una en el maestro. Una expresión regular para dígitos (\d) en un editor de texto las encuentra todas; cualquier cifra sin coincidencia vuelve a la redacción original.

Fechas o cargos cambiados. Una reescritura elimina el mes de “Mar 2022” o convierte “Software Engineer II” en “Senior Software Engineer”. Detéctalo pegando las líneas de encabezado de ambos currículums (cargo, empleador, fechas) en dos columnas y comparándolas. Las fechas y los cargos deben ser idénticos, carácter por carácter.

Herramientas intercambiadas. Escribiste MySQL; la oferta dice PostgreSQL; la reescritura dice PostgreSQL. Detéctalo extrayendo cada término técnico en mayúscula de la versión adaptada y comprobándolo contra el maestro. El Prompt 4 lo hace, y también una lectura rápida de la sección de habilidades.

Relleno de palabras clave. La lista de habilidades crece de doce elementos a treinta, cada uno sacado de la oferta, la mitad sin ninguna viñeta que lo respalde. Un reclutador lo nota de un vistazo. Detéctalo exigiendo que cada habilidad de la lista aparezca en al menos una viñeta. La guía de palabras clave para el currículum explica dónde van las palabras clave y cuántas son demasiadas.

Nivel elevado. “Ayudé a diseñar” se convierte en “diseñé la arquitectura de”. Detéctalo buscando en la versión adaptada lead, led, owned, architected y drove, y comprobando después si el maestro usaba cada uno.

Alcance ampliado. “Mantuve el servicio de pagos” se convierte en “fui responsable de la plataforma de pagos”. Ninguna palabra por separado es falsa, y la frase sí lo es. La regla de “más amplio que su fuente” del Prompt 4 existe para este caso. Es el más difícil de detectar con una expresión regular, así que lee cada viñeta reescrita una vez con el original al lado.

¿Qué IA es mejor para adaptar el currículum?

Si estás eligiendo una IA para adaptar tu currículum, cualquier modelo actual de un proveedor importante maneja estos prompts. El trabajo de adaptar consiste en seleccionar y redactar, y la diferencia entre un buen resultado y uno malo viene de la estructura del prompt y de tu revisión. La posición del modelo en los rankings importa menos que cualquiera de las dos. No he hecho un benchmark entre modelos para esta tarea, y no he visto ninguno creíble publicado, así que no voy a clasificarlos.

Dos cosas sí importan.

Salida estructurada. Los prompts de arriba piden tablas y pares etiquetados. Los modelos grandes alojados en la nube los devuelven tal como se piden. Los modelos pequeños, incluidos los que puedes ejecutar en un portátil con Ollama, tienen problemas con este tipo de salida estructurada. Las notas de diseño de Resume Matcher registran el mismo hallazgo para su propio formato de edición: los modelos más pequeños tienen dificultades para producir ediciones estructuradas válidas, y el resultado es un cambio rechazado. Si quieres un modelo local, empieza con uno de tamaño medio y cuenta con tener que reintentar.

Costo por llamada. Cada uno de los cuatro prompts envía tu currículum entero. Con una suscripción de chat para consumidores, ese costo es fijo. Con acceso por API, un modelo más grande cuesta más por llamada para una tarea que uno más pequeño puede hacer. Como referencia, la página de Configuración de Resume Matcher sugiere estos modelos por defecto: GPT-5 Nano para OpenAI, Claude Haiku 4.5 para Anthropic, Gemini 3 Flash para Google y Gemma 3 4B para Ollama. Puedes escribir cualquier nombre de modelo que ofrezca tu proveedor. Cada uno de esos valores por defecto es un modelo pequeño, lo que encaja con una tarea que necesita seguir reglas más que escribir prosa.

¿Qué modelo de Claude es mejor para adaptar el currículum?

Aplica la misma respuesta. Claude Haiku 4.5 es el modelo por defecto que la página de Configuración de Resume Matcher sugiere para Anthropic. La tarea es edición estructurada bajo reglas estrictas, y un modelo más pequeño cuesta menos por llamada para eso. Si ya pagas por un modelo de Claude más grande y prefieres su prosa, úsalo; los prompts y las comprobaciones son los mismos.

Cuando copiar y pegar prompts deja de escalar

Los cuatro prompts funcionan bien para una candidatura. A la quinta, la fricción se nota. Pegas el mismo currículum maestro en cuatro prompts, luego pegas la salida en un documento, luego ejecutas la auditoría, luego corriges las dos cifras inventadas, luego exportas un PDF cuyo formato ajustaste a mano la última vez. Cada candidatura cuesta veinte minutos de copiar y pegar, y el currículum maestro vive en un historial de chat donde no encuentras la versión del mes pasado.

Un harness elimina el copiado y convierte las reglas de los prompts en código. Resume Matcher es el que yo mantengo: gratuito, de código abierto bajo Apache 2.0 y usado por más de 200.000 personas que buscan empleo. Corre en tu máquina con el modelo que ya tienes. Las partes relevantes para este artículo:

• El modelo propone ediciones; el código las comprueba. El modelo devuelve cambios puntuales, cada uno con el texto original citado, y el código verifica que la cita coincide con el currículum antes de aplicarla. Es la regla de antes y después del Prompt 3, aplicada por código.
• Campos bloqueados. El modelo no puede cambiar tu nombre, datos de contacto, empleadores, cargos, fechas, instituciones ni títulos. Las ediciones que los tocan se rechazan.
• Las cifras nuevas se revierten. Una pasada final compara cada cifra de una línea reescrita con la fuente. Cualquier cifra que no estuviera antes devuelve la línea al original. Es la comprobación de cifras del Prompt 4, automatizada.
• Revisión de antes y después. Ves un diff de cada cambio y el recuento de los de alto riesgo, y después eliges Confirmar y guardar o Rechazar y regenerar para toda la vista previa. No hay aceptación cambio por cambio, así que si una edición está mal, regeneras.
• Una excepción deliberada. El modelo puede añadir una habilidad a tu lista de habilidades si la oferta nombra esa habilidad textualmente como requerida o deseable. Esas adiciones se marcan como de alto riesgo en la vista previa para que puedas rechazarlas. Es el único lugar donde la herramienta añade contenido que no escribiste, y está ahí porque coincidir con una habilidad nombrada es el objetivo de adaptar. Borra cualquiera que añada y que no puedas respaldar con una viñeta.
• Verbos sencillos, por código. Después de adaptar, una pasada local elimina 59 frases trilladas, “spearheaded” y “leveraged” entre ellas, salvo que la propia oferta las use.
• Currículums maestros y plantillas. Mantienes hasta cinco currículums maestros, uno por línea profesional, y adaptar nunca los sobrescribe. Siete plantillas exportan un PDF basado en texto, impreso desde HTML real por un navegador sin interfaz para que un parser pueda leer cada palabra.

Para conectar el modelo que ya usas, consulta usa tu propia clave de IA. Funcionan Anthropic, OpenAI, Gemini, DeepSeek, OpenRouter, Groq, Azure AI Foundry y Ollama, y también cualquier servidor local compatible con OpenAI.

Uses los prompts o el harness, la regla es la misma: el modelo reescribe y tú verificas contra el maestro. Un modelo no puede saber lo que hiciste. Tú sí.

Si esto te sirvió

Si estos prompts te ahorraron una o dos viñetas malas, una estrella en Resume Matcher en GitHub ayuda a que otras personas que buscan empleo lo encuentren. Puedes seguirme, Saurabh Rai, en GitHub, X y LinkedIn.