Mi currículum es una base de datos JSON con 39 logros y 124 habilidades

Decidí tomarme en serio la búsqueda de empleo y montar un experimento con IA. Recopilé 38 logros usando el método XYZ y frameworks similares. Diseñé una estructura JSON para que la IA pueda sacar rápidamente los resultados más relevantes para cada puesto. Esta es la versión tres — aprendí bastante de las dos primeras. A ver si esta cuaja.

## Hipótesis: un currículum es una base de datos, no un documento

¿Y si un currículum no es un PDF terminado, sino una base de datos de hechos? Cada logro es un registro estructurado: qué pasó, cómo se hizo, resultados medibles, habilidades implicadas y tecnologías utilizadas.

Para cada candidatura, la IA puede:

- Seleccionar 10–15 hechos relevantes del conjunto completo de 39

- Ordenarlos por importancia, con los imprescindibles arriba

- Redactar una carta de presentación que conecte mi experiencia con los requisitos del puesto

- Respaldar cada afirmación con cifras reales de proyectos concretos

No "Sé de sistemas RAG," sino "Construí un sistema RAG que procesó 870 documentos médicos con un 95% de precisión OCR y redujo el tiempo de búsqueda de 30 minutos a 3 segundos."

Cifras clave de un vistazo

- 870 documentos procesados

- 95% de precisión OCR

- Tiempo de búsqueda: 30 minutos → 3 segundos

- Coste de procesamiento de 10 años: 19$

## Qué estoy haciendo ahora mismo

Estas últimas semanas he estado pasando mi currículum a JSON. No porque esté de moda, sino porque es el único formato que conozco que cumple tres cosas:

- Legible por máquinas — la IA entiende la estructura sin necesidad de prompts frágiles

- Estructurado — los hechos no se mezclan entre sí, cada uno se sostiene solo

- Validable — los scripts pueden comprobar que nada se ha roto por el camino

El montaje tiene cuatro niveles.

### Nivel 1: Hechos (logros)

Cada logro es su propio registro. No "Product Manager durante 5 años," sino resultados concretos y medibles.

Un ejemplo de hecho (HealthRAG — un sistema de gestión de documentos médicos):

Esto no es prosa. Es evidencia estructurada que la IA puede filtrar, ordenar y combinar.

### Nivel 2: Habilidades

Tengo registradas 124 habilidades, cada una con su categoría (AI Engineering, Product Management, Leadership) y su nivel (experto, avanzado, intermedio).

Lo interesante son los enlaces inversos. Cada habilidad "sabe" dónde se ha utilizado:

¿Ves el campo proven_by? Esa lista se genera automáticamente. Cuando añado un proyecto que usa bots de Telegram, un script actualiza el array.

Es un enlace bidireccional: un logro lista sus habilidades, y una habilidad lista los logros que la demuestran.

### Nivel 3: Prioridades

Cada hecho lleva una prioridad por rol. El mismo proyecto puede ser fundamental para un puesto e irrelevante para otro.

El proyecto HealthRAG es un 10/10 para AI Product Manager (RAG, integración con LLM, optimización de costes), pero solo un 3/10 para Content Strategist.

### Nivel 4: Métricas (resultados)

Cada logro registra dos tipos de métricas.

Métricas estándar — reutilizables entre proyectos:

Métricas personalizadas — específicas del trabajo:

Esto permite a la IA sacar los números adecuados. ¿Una oferta pide optimización de costes? La IA localiza cost_optimization, ve que está respaldada por tres proyectos y extrae las cifras: "de 240$ a 4$ al mes," "de 100$ por sesión a 0,25$ al mes." Nada de relleno — hechos.

## Para qué tanto lío

Con el currículum en JSON, la IA puede hacer tres cosas que un PDF no puede.

### 1) Filtrar por relevancia

Si un puesto pide "sistemas RAG" y "orquestación multi-modelo," la IA muestra solo los 6–7 hechos donde esas habilidades importan. El resto se queda fuera.

### 2) Ordenar por importancia

Cada hecho tiene una prioridad por rol. Para "AI Product Manager," el proyecto RAG va primero (10/10). Un proyecto de formación en hostelería cae al final (0/10).

### 3) Generar evidencia

Si un puesto pide optimización de costes, la IA puede:

- Localizar la habilidad cost_optimization en el registro

- Comprobar los proyectos en proven_by

- Extraer métricas concretas de cada uno

- Formularlo así: "Reduje el coste de un tutor de idiomas de 240$/mes a 4$/mes (ahorro del 98,3%). Bajé el coste de un coach de psicología con IA de 100$/sesión a 0,25$/mes (ahorro del 99,75%)."

No "optimizo costes," sino cifras concretas y verificables.

## Qué funciona ya

Ahora mismo tengo:

- ✅ 39 logros completamente estructurados en JSON

- ✅ 124 habilidades con enlaces bidireccionales automáticos

- ✅ Scripts de validación que comprueban que cada habilidad referenciada en los logros existe en el registro

- ✅ Generación automática de enlaces inversos (habilidad → logros)

- ✅ Un sistema de prioridades que puntúa la relevancia para ocho roles

Lo que todavía no funciona:

- ❌ Un generador de currículums (eso es lo siguiente)

- ❌ Selección automática de los hechos más relevantes para una oferta concreta

- ❌ Un generador de cartas de presentación que explique las conexiones

En resumen, estoy montando los "ingredientes" — una base de datos de hechos. Lo siguiente es enseñar a la IA a cocinar con ellos.

## Cómo funciona por dentro

Son unos cuantos archivos.

master_resume_v3.json (4.400 líneas, 135 KB)

- La fuente de verdad. Incluye meta (historial de cambios), perfil, empresas (nueve empresas con logros agrupados) y achievements (39 hechos).

skills_registry.json

- Las 124 habilidades con enlaces inversos. Se genera automáticamente a partir de la lista fuente.

companies_container.json

- Logros agrupados por empresa. Se actualiza automáticamente cuando añado proyectos.

Un conjunto de scripts en Python:

- Validan que cada entrada en achievements.skills_used exista en skills_registry

- Generan los arrays proven_by para cada habilidad

- Recalculan las puntuaciones de prioridad cuando añado proyectos

- Agrupan logros por empresa y rellenan los periodos automáticamente

Todo está versionado en git. Cada cambio queda documentado en la sección meta — qué cambió, cuándo y por qué.

Ejemplo de entrada en meta:

Transparencia total.

## Por qué creo que puede funcionar

Tres razones para el optimismo.

### 1) Los LLM funcionan bien con estructura

Claude y GPT-4 manejan JSON de maravilla. Pueden razonar sobre enlaces, filtrar por criterios y ordenar por relevancia.

Si le das a la IA un currículum sin estructura, primero tiene que extraer los hechos (y puede equivocarse) antes de poder razonar.

Si le das JSON, los hechos ya están ahí — solo tiene que filtrar y combinar.

### 2) El problema no es la IA, son los datos

La mayoría de los generadores de currículum carecen de hechos estructurados, así que producen relleno que suena bien pero no dice nada.

Yo tengo datos concretos: "870 documentos," "95% de precisión OCR," "19$ para procesar una década," "de 30 minutos a 3 segundos." Esto no se lo ha inventado la IA — son números reales que he recopilado y estructurado.

Buenos datos de entrada, buenos textos de salida.

### 3) Modularidad = flexibilidad

Cuando los hechos son atómicos, puedes mezclar y combinar.

Para un puesto de AI Product Manager, saco:

- Seis proyectos RAG con métricas

- Tres casos de optimización de costes

- Dos ejemplos de orquestación multi-modelo

Para un puesto de Team Lead:

- Cinco proyectos donde dirigí equipos de 3 a 40 personas

- Cuatro logros en gestión de stakeholders

- Tres casos de gestión de crisis

Para un puesto de Content Strategist:

- Crecimiento orgánico de 7.000 seguidores

- Aumento del engagement del 270%

- Más de 75 artículos con métricas

Una base de datos. Múltiples perspectivas.

## Qué puede salir mal

Bastantes cosas.

- Los ATS podrían no digerir bien currículums pulidos por IA

- La estructura podría ser más pesada de lo que merece la pena

- Incluso con buenos datos, la IA podría seguir escribiendo textos genéricos

- Algunos recruiters pueden preferir currículums imperfectos pero "humanos"

Aun así, la base de datos de hechos ya es útil por sí misma.

Puedo ver patrones en mi propio trabajo:

- De 39 logros, solo seis son verdaderos proyectos RAG

- telegram_bots aparece en cinco proyectos

- Mi tema recurrente más fuerte es Stakeholder Management (diez proyectos)

- LLM Integration creció de dos a ocho proyectos

Eso tiene valor — me muestra dónde soy fuerte y dónde puedo crecer.

## Próximos pasos

Lo que viene a partir de aquí:

- Construir el generador de currículums

- Entrada: oferta de empleo + mi JSON → currículum a medida + carta de presentación

- Probarlo con ofertas reales

- 20–30 puestos en AI PM, Data Analyst, Content Strategist, Team Lead

- Comparar tasas de respuesta

- Currículum generado por IA vs. currículum convencional

- Decidir si funciona

- Si funciona, compartiré el enfoque y el código. Si no, compartiré por qué y qué aprendí.

En cualquier caso, habrá merecido la pena.

## Para cerrar

Ahora mismo estoy en la fase de "estructurar los datos." Sentando las bases.

Lo siguiente es que la IA convierta esos ingredientes en currículums que den en el clavo.

Creo que el futuro no es un solo currículum que mandas a todas partes, sino un sistema adaptativo que muestre la evidencia adecuada para cada candidatura. Con pruebas. Con números. Con conexiones claras entre los hechos.

Igual funciona. Igual no.

Pero sin intentarlo, no lo sabré.

Estado actual del proyecto:

- ✅ Estructura de datos lista

- ✅ 39 logros estructurados

- ✅ 124 habilidades con enlaces bidireccionales

- ✅ Scripts de validación en su sitio

- ⏳ Generador de currículums en marcha

Continuará.