A Comparative Review of LLM Architectures in AI Resume Generators: LLaMA vs. Proprietary Models

En el mercado laboral moderno, el currículum se ha convertido en un documento crítico, un puente entre la historia de una persona y una oportunidad futura. Sin embargo, para muchos, especialmente para aquellos cuyas carreras han seguido trayectorias no tradicionales o que han realizado trabajos esenciales pero no acreditados, traducir su experiencia al lenguaje estándar de la industria es una tarea difícil. Para resolver esto, los desarrolladores han comenzado a construir herramientas de inteligencia artificial diseñadas para escribir estos currículums automáticamente. Estas herramientas dependen de modelos de lenguaje extensos, que son sistemas informáticos entrenados en vastas cantidades de texto para comprender y generar lenguaje humano. Piense en estos modelos como motores altamente sofisticados que pueden leer una historia personal desordenada y reescribirla en un formato profesional y pulido. Sin embargo, existe una división fundamental en cómo se construyen y operan estos motores. Algunos son de código abierto (open-source), lo que significa que su funcionamiento interno es público y puede ejecutarse en una computadora propiedad del usuario, mientras que otros son propietarios, lo que significa que son sistemas cerrados propiedad de una empresa y a los que se accede solo a través de Internet. Esta distinción es profunda porque determina quién controla los datos, cuánto cuesta ejecutar la herramienta y qué tan bien puede adaptarse a necesidades específicas.

Un investigador de la Universidad de Wuppertal, Schmidt Albert, se propuso comprender las implicaciones en el mundo real de esta división examinando las elecciones arquitectónicas detrás de estos generadores de currículums por IA. En lugar de construir una nueva herramienta o probar una directamente, el investigador realizó una revisión estructurada de la documentación existente. El estudio se centró en dos ejemplos principales: el sistema RealCV, que utiliza el modelo de código abierto LLaMA para convertir currículos académicos en currículums de la industria, y los diversos sistemas propietarios que dependen de modelos comerciales como GPT. El objetivo era mapear las compensaciones entre estos dos enfoques en cinco áreas específicas: dónde residen los datos, cómo se puede personalizar la herramienta, el costo de ejecutarla, qué tan transparente es el sistema y su capacidad para manejar experiencias laborales inusuales o "invisibles".

La revisión encontró que la elección entre modelos de código abierto y propietarios no es simplemente una cuestión de cuál es mejor que el otro, sino más bien una elección entre diferentes tipos de control y conveniencia. En cuanto al control de datos, el enfoque de código abierto ofrece una ventaja significativa para la privacidad. Debido a que sistemas como RealCV pueden ejecutarse en un servidor local, la información personal sensible contenida en un currículum nunca sale de las propias computadoras de la organización. En contraste, los modelos propietarios requieren enviar los datos a los servidores de una empresa externa para ser procesados. Aunque estas empresas tienen políticas de privacidad, los datos viajan fuera del control directo del usuario, lo que puede ser una barrera para las organizaciones con reglas de seguridad estrictas.

La personalización presenta otra división clara. Los modelos de código abierto pueden ser ajustados finamente (fine-tuned), un proceso en el que el modelo recibe entrenamiento adicional con datos específicos para aprender el lenguaje exacto y las necesidades de una industria en particular. Esto permite ajustes profundos y especializados. Los modelos propietarios, por otro lado, generalmente se personalizan mediante la ingeniería de prompts (prompt engineering), donde el usuario da instrucciones detalladas al modelo sin cambiar su código subyacente. Aunque esto es más fácil de hacer y requiere menos habilidades técnicas, el estudio sugiere que puede no lograr el mismo nivel de especialización profunda que el ajuste fino.

El costo y la escalabilidad también tiran en direcciones opuestas. Ejecutar un modelo de código abierto requiere una inversión inicial en hardware informático y la experiencia para mantenerlo, pero una vez que eso está en su lugar, el costo de procesar miles de currículums puede ser muy bajo. Los modelos propietarios no tienen costo inicial de hardware; los usuarios simplemente pagan una tarifa por cada documento procesado. Esto los hace atractivos para el uso a pequeña escala, pero el estudio señala que los costos pueden aumentar rápidamente para las grandes organizaciones que procesan altos volúmenes de solicitudes.

La transparencia es quizás la diferencia más marcada. Con los modelos de código abierto, los investigadores pueden ver exactamente cómo funciona el sistema, incluyendo los datos con los que fue entrenado y los ajustes específicos utilizados. Esto permite la verificación independiente y genera confianza. Los modelos propietarios suelen describirse como "cajas negras", donde los detalles internos se mantienen en secreto por la empresa. Aunque estas empresas afirman tener sólidas medidas de seguridad, la falta de documentación pública hace imposible que agentes externos auditen completamente cómo el sistema toma sus decisiones.

Finalmente, el estudio analizó qué tan bien manejan estos sistemas la "experiencia invisible": el tipo de trabajo que no encaja en un título de trabajo estándar, como la mentoría, la organización comunitaria o el cuidado de personas. El sistema RealCV, construido sobre el modelo de código abierto LLaMA, fue diseñado explícitamente para reconocer y traducir estas experiencias no tradicionales en habilidades valiosas de la industria. La documentación de este sistema es clara sobre esta capacidad. En contraste, la documentación de los modelos propietarios no aborda específicamente esta tarea, lo que deja sin claridad si pueden realizar la misma traducción sin pruebas adicionales.

El artículo concluye que ninguno de los dos enfoques es universalmente superior. La mejor elección depende enteramente de las necesidades específicas del usuario. Si una organización prioriza la privacidad de los datos, la personalización profunda y la capacidad de auditar el sistema, la vía del código abierto ofrece las herramientas necesarias. Si la prioridad es la facilidad de uso, el bajo costo inicial y el acceso inmediato a capacidades de lenguaje potentes sin mantenimiento técnico, la ruta propietaria es más adecuada. El estudio destaca que el campo aún está madurando, con brechas significativas en la forma en que se documentan estos sistemas, particularmente con respecto a los costos de ejecutarlos a escala y los métodos específicos utilizados para personalizarlos. Al exponer claramente estas compensaciones, la investigación proporciona un marco para que los desarrolladores y las organizaciones tomen decisiones informadas sobre qué camino arquitectónico tomar mientras construyen la próxima generación de herramientas de carrera.