Los sistemas digitales de reclutamiento han revolucionado el paradigma de contratación, proporcionando eficiencias excepcionales y ampliando el alcance tanto para empleadores como para buscadores de empleo. Esta investigación examinó la eficacia de las metodologías clásicas de aprendizaje automático junto con modelos avanzados de lenguaje grande (LLMs) en la alineación de currículums con categorías de trabajo. Las técnicas de coincidencia tradicionales, como Regresión Logística, Árboles de Decisión, Naïve Bayes y Máquinas de Vectores de Soporte, están limitadas por la necesidad de extracción manual de características, representación limitada de características y degradación del rendimiento, especialmente a medida que el tamaño del conjunto de datos aumenta, lo que los hace menos adecuados para aplicaciones a gran escala. Por el contrario, los LLMs como GPT-4, GPT-3 y LLAMA procesan hábilmente contenido textual no estructurado, capturando el lenguaje y el contexto con mayor precisión. Evaluamos estas metodologías utilizando dos conjuntos de datos que comprenden currículums y descripciones de trabajo para determinar su precisión, eficiencia y escalabilidad. Nuestros resultados revelaron que si bien los modelos convencionales sobresalen en el procesamiento de datos estructurados, los LLMs mejoran significativamente la interpretación y la coincidencia de información textual intrincada. Este estudio destaca el potencial transformador de los LLMs en el reclutamiento, ofreciendo ideas sobre su aplicación y futuras líneas de investigación.