Screener de CV con IA en n8n: Tutorial sin API keys expue…

Con n8n podés armar un screener de currículums con IA que procesa 50 CVs en menos de una hora, sin tocar una línea de código compleja y sin que nadie tenga que leer cada PDF a mano. El truco está en encadenar bien los nodos y, crucialmente, en no meter las API keys directamente en el workflow.

Qué es n8n y por qué usarlo para n8n screener currículum con IA

n8n es una plataforma de automatización de flujos de trabajo de código abierto, auto-hosteable, con más de 400 integraciones nativas. No es solo un constructor visual: también admite código real cuando los nodos predefinidos no alcanzan. Eso la hace bastante más flexible que otras herramientas del mercado para tareas como el screening de CVs, donde los formatos de entrada son inconsistentes y la lógica de evaluación cambia según el rol.

El problema real del reclutamiento no es la falta de candidatos. Es el tiempo que tarda alguien en leer el primer filtro. Si tenés una posición abierta y llegan 80 CVs en una semana, alguien le dedica 3-4 horas solo a ese primer corte. Con un screener automatizado, ese tiempo baja a revisar una planilla con los candidatos ya puntuados.

La propuesta es simple: n8n orquesta el flujo, un modelo de IA hace la evaluación, y vos intervenís solo cuando la puntuación está cerca del umbral.

Arquitectura de un screener de CV con IA en n8n

La estructura básica tiene cinco etapas. Primero el trigger: puede ser un formulario (Typeform, Tally, el propio Form de n8n) donde los candidatos suben su CV, o una carpeta en Google Drive donde RRHH va dejando archivos. Segundo, la extracción de texto del PDF o DOCX. Tercero, el envío del texto al modelo de IA con un prompt estructurado. Cuarto, el parseo de la respuesta. Quinto, la escritura de resultados en Google Sheets o una base de datos.

Los nodos clave que vas a usar:

• Trigger: Google Drive Trigger, Form Trigger, o Webhook según cómo lleguen los CVs
• Extract from File: nodo nativo para extraer texto de PDFs y documentos de Office
• HTTP Request o nodo específico del proveedor (OpenAI, Google Gemini, Groq): para llamar al modelo
• Set / Code: para transformar y parsear la respuesta JSON del modelo
• Google Sheets: para escribir resultados con puntuación, resumen y categoría
• Gmail / SMTP: si querés mandar feedback automático a candidatos rechazados o avanzados

Lo que no es opcional: un nodo de manejo de errores en cada etapa crítica. Si el PDF está corrupto, si el modelo devuelve un JSON malformado, o si Google Sheets tiene un rate limit, el workflow tiene que registrar el fallo y seguir procesando el resto de los CVs. Sin eso, el primer archivo problemático para todo. En en nuestro guide de configuración profundizamos sobre esto.

Integración con modelos de IA para evaluar candidatos

Acá viene lo bueno: n8n se conecta con los tres modelos más usados para esta tarea, cada uno con sus ventajas.

El prompt hace la diferencia. Un prompt genérico como “evaluá este CV” da resultados inconsistentes entre candidatos. Uno que funciona bien tiene esta estructura:

• Rol del evaluador: “Sos un recruiter técnico evaluando para el rol de [puesto]”
• Criterios ponderados: “Los 3 criterios más importantes son X (40%), Y (35%), Z (25%)”
• Formato de salida obligatorio: JSON con campos fijos (score, skills_encontradas, skills_faltantes, resumen_perfil, categoría)
• Instrucción de manejo de incertidumbre: “Si no encontrás información suficiente sobre un criterio, ponele 0 en ese campo, no lo inventes”

Esa última instrucción es la que la mayoría omite. Y es la que evita que el modelo “rellene” datos que no están en el CV (spoiler: sin ella, rellena).

Por qué no hardcodear API keys en n8n y cómo hacerlo bien

Ponele que exportás tu workflow para compartirlo con el equipo. O lo guardás en GitHub para tener versionado. O simplemente un colega entra a tu instancia de n8n a revisar un error. Si la API key de OpenAI está pegada directamente en un nodo de HTTP Request, en ese momento ya no es solo tuya.

El JSON que n8n exporta incluye todos los valores de los campos de los nodos. Una key hardcodeada viaja con ese JSON a donde sea que vaya.

Hay tres formas de manejarlo bien, de menor a mayor complejidad:

Credential Manager de n8n

Es el método nativo y el más simple. Creás una credencial del tipo “Header Auth” o la específica del servicio (OpenAI, Google, etc.) y la guardás encriptada en la base de datos de n8n. El workflow referencia el ID de la credencial, nunca el valor. Al exportar, el JSON solo tiene el nombre de la credencial, no el secreto. La documentación oficial de n8n explica cómo configurar la encriptación en el hosting propio.

Variables de entorno en el servidor

Si te auto-hosteás con Docker, podés pasar las keys como variables de entorno en el `docker-compose.yml` y referenciarlas desde n8n con la expresión `{{ $env.OPENAI_API_KEY }}`. Las keys nunca están en la base de datos de n8n, solo en la configuración del servidor. Más trabajo de setup, más seguro a largo plazo. Cubrimos ese tema en detalle en como en esta automatización de leads.

Docker Secrets (producción seria)

Para instancias que manejan datos de candidatos reales (y que por GDPR o regulaciones locales necesitan trazabilidad), Docker Secrets monta los valores directamente en el contenedor sin que aparezcan en variables de entorno ni en logs. Es overkill para un equipo de 5 personas, pero para un sistema de RRHH de una empresa mediana tiene sentido.

La regla práctica: si el workflow va a tener más de una persona con acceso, usá el Credential Manager como mínimo. Punto.

Casos reales: workflows de screening implementados

En la biblioteca de workflows de n8n hay varios ejemplos concretos. Uno de los más completos, el workflow de screening con Gemini AI y Google Workspace, conecta Google Drive como trigger, extrae el texto de cada CV, llama a Gemini para puntuar el match con la descripción del puesto, y escribe en Google Sheets con columnas para score total, skills detectadas, gaps y categoría final.

¿Y qué pasó cuando lo probaron con lotes reales? Los que lo documentaron reportan procesar 50 CVs en aproximadamente 50 minutos, con una tasa de error (CVs que fallan por formato) de alrededor del 8%. Eso incluye el tiempo de llamadas a la API, escritura en Sheets y manejo de errores.

Otro workflow usa Llama 4 para el mismo proceso pero con un sistema de ranking que categoriza en tres grupos: shortlist automático (score mayor a 80), revisión manual (entre 60 y 80), y descarte directo. Los de revisión manual son los que un recruiter ve primero. Los shortlists avanzan solos al siguiente nodo, que manda un email con los detalles al hiring manager.

El resultado práctico: 40% menos tiempo dedicado al primer filtro. No porque la IA sea perfecta, sino porque concentra la atención humana donde tiene sentido.

Errores comunes al construir screeners con n8n

Acá van los que aparecen seguido en foros y en los comentarios de los workflows publicados:

1. No validar el formato de archivo antes de procesarlo. El nodo “Extract from File” de n8n maneja PDFs y documentos de Office, pero si alguien manda un PNG escaneado o un PDF protegido con contraseña, falla silenciosamente o devuelve texto vacío. La corrección: un nodo de validación antes del extractor, que verifique la extensión y el tamaño, y mande los archivos problemáticos a una cola separada para revisión manual. Relacionado: en nuestro repositorio de código.

2. No manejar timeouts de APIs. Las llamadas a GPT-4o pueden tardar 15-30 segundos con CVs largos. Si el nodo no tiene configurado un timeout y una lógica de retry, el workflow se queda esperando indefinidamente. Configurá un timeout de 60 segundos y un máximo de 2 reintentos antes de marcar el CV como fallido.

3. No testear con lotes grandes. El workflow funciona perfecto con 5 CVs en desarrollo. Con 80 candidatos simultáneos, aparecen los rate limits de Google Sheets (60 escrituras por minuto) y los de la API de IA. La solución: agregar un nodo de espera entre iteraciones, o usar el modo “batch” que tienen algunos nodos de n8n.

4. Usar credenciales sin encriptación (lo que cubrimos arriba, pero vale repetirlo: es el error más frecuente y el más costoso).

5. No implementar un dead-letter para CVs que fallan repetidamente. Si un archivo falla 3 veces seguidas, que quede marcado en la base de datos y deje de intentarse. Sin eso, el mismo CV puede bloquear procesamiento nuevo indefinidamente.

Mantenimiento, monitoreo y escalado del screener

Una vez que el workflow está en producción, necesitás ver qué pasa cuando falla a las 2 de la mañana.

n8n tiene un historial de ejecuciones nativo donde podés ver cada corrida, su estado y los datos de entrada/salida de cada nodo. Para algo más serio, podés mandar los errores a un canal de Slack o Telegram con un nodo condicional al final de cada rama de error. Más contexto en aunque se debate si n8n será reemplazado.

La rotación de API keys es parte del mantenimiento que nadie planifica hasta que tiene una key comprometida. Con el Credential Manager, actualizar una key es cambiarla en un lugar y todos los workflows que la usan toman el valor nuevo sin tocar nada más.

Para escalar a volúmenes más altos (más de 200 CVs por proceso), dos opciones: múltiples instancias de n8n detrás de un queue manager, o migrar a n8n Cloud que maneja la infraestructura. Si también necesitás el servidor donde vive n8n, donweb.com tiene VPS con Docker preconfigurado que simplifican bastante el setup inicial.

Preguntas Frecuentes

¿Cómo construir un screener de currículums con n8n y IA?

Necesitás un trigger (formulario o Google Drive), el nodo “Extract from File” para sacar el texto del CV, un nodo de llamada a la API del modelo de IA que quieras (OpenAI, Gemini, Groq/Llama), un nodo para parsear la respuesta JSON, y Google Sheets para guardar los resultados. La biblioteca de workflows de n8n tiene varios ejemplos ya armados que podés usar como punto de partida.

¿Cuál es la forma correcta de guardar API keys en n8n?

Usá el Credential Manager nativo de n8n, que encripta los valores en la base de datos y los referencia por ID en los workflows. Si te auto-hosteás, podés complementarlo con variables de entorno en Docker para que las keys nunca estén en la base de datos. Lo que nunca tenés que hacer es pegarlas directamente en los campos de los nodos HTTP Request.

¿Qué IA puedo integrar en n8n para evaluar candidatos?

Las tres opciones más usadas son GPT-4o (USD 2.50 por millón de tokens de entrada), Gemini 1.5 Pro (USD 1.25) y Llama 4 vía Groq (desde USD 0.11). Para volúmenes bajos y máxima calidad en CVs con formato irregular, GPT-4o. Para volúmenes altos donde el costo importa, Llama 4 vía Groq da una relación costo/calidad muy razonable.

¿Cómo conectar Google Drive y Google Sheets en n8n para procesar CVs?

Necesitás una cuenta de servicio de Google con permisos sobre la carpeta de Drive y la planilla de Sheets. En n8n, creás una credencial de tipo “Google Service Account” con el JSON de la cuenta de servicio, y esa misma credencial la usás en ambos nodos. El trigger de Google Drive detecta archivos nuevos en la carpeta, y el nodo de Google Sheets escribe una fila por CV con los resultados del modelo.

¿Cómo acelerar el screening de candidatos con automatización?

El mayor ahorro de tiempo viene de tener los CVs pre-categorizados antes de que un humano los vea. Un workflow bien armado puede procesar 50 CVs en 50 minutos y dejarlos clasificados en shortlist, revisión manual y descarte. Eso reduce el tiempo de primer filtro en un 40% comparado con la revisión manual, según los datos de los workflows publicados en la comunidad de n8n.

Conclusión

Armar un screener de CVs con n8n e IA no requiere experiencia en programación seria, pero sí requiere pensarlo bien desde el principio. La parte técnica de conectar nodos es la más simple. Lo que marca la diferencia entre un workflow que aguanta producción y uno que se rompe con el primer lote real son tres cosas: el manejo de errores, la seguridad de las credenciales y los prompts estructurados.

El tema de las API keys es el que más se subestima. Un workflow que procesa CVs reales tiene acceso a datos sensibles de candidatos y a cuentas de servicios que cuestan dinero. Poner 15 minutos en configurar el Credential Manager al principio evita problemas serios después.

Si ya tenés n8n corriendo y querés empezar, los workflows de la biblioteca son un punto de partida sólido. Adaptá el prompt a tu descripción de puesto real, probalo con 10 CVs de personas que ya pasaron por tu proceso (para validar que el modelo coincide con tu criterio), y después escalá.

Fuentes

• n8n Workflows — Sistema de screening con Gemini AI y Google Workspace
• n8n Workflows — Screening automático con Llama 4 y Google Workspace
• Documentación oficial n8n — Variables de entorno para credenciales
• n8n Workflows — Sistema de revisión de CVs con OpenAI y Google Sheets
• AutomateGeniusHub — Guía completa de credenciales en n8n