Preguntas de ejemplo de prueba de aptitud cognitiva (con respuestas)

Qué miden las pruebas de aptitud cognitiva y por qué importan

Las pruebas de aptitud cognitiva son el predictor más fuerte de rendimiento laboral entre roles e industrias. Los metaanálisis de Schmidt y Hunter ponen la correlación de validez alrededor de 0.51: más alto que credenciales educativas, entrevistas, referencias o pruebas de personalidad.

Cuando contratas a un ingeniero de software, un gerente de producto, un director de ventas o un líder de operaciones, la aptitud cognitiva importa porque predice velocidad de aprendizaje, resolución compleja de problemas y adaptabilidad bajo incertidumbre. Sin embargo, muchos equipos de contratación nunca han visto cómo se ven realmente estas pruebas.

Aquí hay diez preguntas de ejemplo reales en razonamiento verbal, numérico, abstracto y lógico, con fundamentos de puntuación. Cada una revela no solo si la persona candidata lo acertó, sino cómo piensan.

Ejemplos de razonamiento verbal

Las pruebas de razonamiento verbal miden comprensión, precisión de vocabulario e inferencia lógica de texto escrito. Estas correlacionan fuertemente con roles de liderazgo, ventas y posiciones orientadas al cliente.

Ejemplo 1: Comprensión de lectura e inferencia

Pasaje: «La adopción de políticas de trabajo remoto por grandes empresas tecnológicas ha creado consecuencias inesperadas en bienes raíces urbanos. Los edificios de oficinas del centro diseñados en los años 1980 ahora están medio vacíos, reduciendo ingresos de impuestos a la propiedad para ciudades ya estiradas. Sin embargo, los barrios residenciales cerca de concentradores de transporte han visto un aumento en inquilinos profesionales jóvenes, aumentando demanda local de cafés, restaurantes y gimnasios. El efecto neto en presupuestos de ciudad sigue sin estar claro.»

Pregunta: ¿Cuál de lo siguiente se puede inferir razonablemente del pasaje?

A. El trabajo remoto es dañino para ciudades en general. B. Profesionales jóvenes moviéndose a barrios beneficia algunos servicios de ciudad más que otros. C. Los edificios de oficinas de los años 1980 fueron mal diseñados. D. Las ciudades deberían prohibir trabajo remoto para proteger ingresos fiscales.

Respuesta: B. El pasaje explícitamente nota declive de ingresos fiscales de oficinas pero aumento de demanda comercial en áreas residenciales. La opción B reconoce este impacto mixto sin exagerarlo. Las opciones A y D extraen conclusiones no soportadas por «el efecto neto sigue sin estar claro». La opción C no está soportada; el pasaje no evalúa calidad de diseño.

Esta pregunta mide si una persona candidata puede extraer matiz de un pasaje y evitar certeza falsa. Los equipos de contratación usan esto para evaluar líderes que necesitan sintetizar información ambigua y comunicar a partes interesadas. Una persona candidata que elige A o D está sobresimplificando; una que elige B comprende pensamiento de sistemas.

Ejemplo 2: Evaluación de argumento lógico

Declaración: «Las puntuaciones de compromiso de empleados en nuestra compañía han caído 12% este año. Un competidor implementó recientemente una semana de cuatro días e informó compromiso mejorado. Por lo tanto, implementar una semana de cuatro días resolverá nuestro problema de compromiso.»

Pregunta: ¿Qué error lógico contiene este argumento?

A. Asume que correlación implica causalidad. B. Usa un tamaño de muestra demasiado pequeño para extraer conclusiones. C. Selecciona un solo éxito de competidor sin considerar otras variables. D. Todo lo anterior.

Respuesta: D. Este argumento comete múltiples errores lógicos: el éxito del competidor puede correlacionar con la semana de cuatro días, pero el compromiso depende de paga, calidad de gestión, cohesión de equipo y ajuste de rol, no solo horario de trabajo (A). La experiencia de un competidor es evidencia débil para cambio organizacional (B). Y el argumento ignora si ese competidor enfrentó los mismos impulsores de compromiso que tu compañía (C).

Esto mide capacidad para reconocer cuándo un argumento empresarial es sólido antes de actuar sobre él. Las personas candidatas que eligen solo A están razonando superficialmente. Las que eligen D han identificado múltiples modos de fallo y es más probable que diseñen experimentos o recopilen más datos antes de decisiones mayores.

Ejemplo 3: Vocabulario en contexto

Oración: «El informe del auditor fue tan voluminoso que el equipo de finanzas lucho por extraer los hallazgos clave del caos de detalle.»

Pregunta: Usado en la oración, «caos» significa más cerca:

A. Cieno o pantano B. Enredo confuso de complejidad C. Información incompleta D. Ofuscación deliberada

Respuesta: B. Mientras «caos» literalmente se refiere a un cieno (A), en este contexto se usa metafóricamente para describir una mezcla densa y confusa de detalles, una masa enredada de información. La opción C (incompleto) pierde el punto: hay mucha información, solo demasiada para procesar. La opción D implica ocultamiento intencional; la oración sugiere volumen abrumador, no ocultamiento deliberado.

Esta pregunta expone precisión en lenguaje. Las personas candidatas que eligen A se han detenido en la definición de diccionario sin leer contexto. Las que eligen B entienden comunicación profesional y pueden extraer significado preciso de documentos empresariales: crucial para gerentes, analistas y roles orientados al cliente.

Ejemplos de razonamiento numérico

Las pruebas de razonamiento numérico miden resolución de problemas matemáticos, interpretación de datos y agudeza financiera. Estas correlacionan fuertemente con roles técnicos, finanzas, operaciones y roles que requieren profundidad analítica.

Ejemplo 4: Resolución de problemas matemáticos

Problema: Una persona compra una chaqueta en oferta por 25% de descuento del precio original. El precio de oferta es $90. ¿Cuál era el precio original?

Respuesta: $120. Si el precio de oferta es 75% del original (100% - 25% = 75%), entonces Precio Original = $90 / 0.75 = $120.

Una persona candidata que responde $67.50 (restando 25% de $90 en lugar de resolver hacia atrás) está cometiendo un error común: aplicar la tasa de descuento a la base incorrecta. Esto revela si la persona candidata entiende la estructura de problemas de porcentaje o simplemente reconoce palabras clave y aplica una fórmula. En contratación para finanzas, análisis de precios o roles de presupuesto, esta distinción importa: el enfoque incorrecto escala mal a descuentos compuestos o cálculos multi-paso.

Ejemplo 5: Interpretación de datos y estimación

Escenario: Una compañía SaaS tiene 500 clientes activos. 40% están en el plan de $50/mes, 35% en el plan de $150/mes, y 25% en el plan de $500/mes. ¿Cuál es el ingresos recurrentes mensuales (MRR)?

Respuesta:

• Plan de $50: 500 * 0.40 * $50 = $10,000
• Plan de $150: 500 * 0.35 * $150 = $26,250
• Plan de $500: 500 * 0.25 * $500 = $62,500
• MRR Total: $98,750

Una persona candidata que responde $200 (promediando los tres planes y multiplicando por 500) ha saltado el paso de ponderación: un fallo crítico para operaciones, finanzas o roles de producto. Una persona candidata que obtiene $98,750 entiende cálculo multi-paso y puede trabajar con datos ponderados. Esto es fundamental para roles que involucran P&L, precios o modelado de ingresos.

Ejemplo 6: Razonamiento de ratio y proporcional

Problema: Estás contratando para un equipo de atención al cliente. Tu ratio actual es 1 agente de soporte por 30 clientes. Esperas crecer de 3,000 a 5,000 clientes durante el próximo año. ¿Cuántos agentes adicionales deberías contratar?

Respuesta:

• Tamaño de equipo actual: 3,000 / 30 = 100 agentes
• Tamaño de equipo necesario en 5,000 clientes: 5,000 / 30 = 166.67, redondear a 167
• Contrataciones adicionales necesarias: 167 - 100 = 67 agentes

Una persona candidata que responde «33 agentes» (10% de 3,000) está usando una heurística de porcentaje en lugar de aplicar el ratio. Una persona candidata que responde «67» entiende cómo escalar proporcionalmente y puede proyectar necesidades de recursos para crecimiento. Esto importa para operaciones, gestión de proyectos y roles de liderazgo donde planificación de personal y presupuesto son centrales.

Ejemplos de razonamiento abstracto y de patrón

Las pruebas de razonamiento abstracto miden reconocimiento de patrón, lógica espacial y razonamiento inductivo sin confiar en conocimiento aprendido. Estas correlacionan fuertemente con roles técnicos, ingeniería, desarrollo de software y roles que requieren resolución novedosa de problemas.

Ejemplo 7: Finalización de patrón en secuencias

Secuencia: 2, 5, 10, 17, 26, ?

Pregunta: ¿Cuál es el siguiente número?

Respuesta: 37. El patrón es diferencias entre números consecutivos: 5-2=3, 10-5=5, 17-10=7, 26-17=9. Las diferencias aumentan por 2 cada vez (3, 5, 7, 9). La siguiente diferencia debería ser 11, por lo que 26 + 11 = 37.

Una persona candidata que responde 36 (añadiendo 10 al último número) ha detectado un patrón pero no el correcto. Una persona candidata que responde 35 (una progresión aritmética diferente) ha reconocido que existe un patrón pero no lo identificó correctamente. Una persona candidata que responde 37 se ha involucrado en razonamiento inductivo: detectar el meta-patrón dentro del patrón. Esto revela rigor analítico y capacidad de reconocer estructuras anidadas, valioso en ingeniería de software, análisis de datos y roles de razonamiento científico.

Ejemplo 8: Lógica espacial y categorización

Escenario: Considera estos cuatro elementos: martillo, destornillador, llave, alicates. ¿Cuál de lo siguiente NO es una categorización válida?

A. Todos son herramientas. B. Todos se usan principalmente para aplicar fuerza rotacional. C. Todos se usan en construcción y reparación. D. Todos son de mano sin requerir fuente de energía.

Respuesta: B. Un martillo aplica fuerza en dirección de golpe, no rotacional. Un destornillador, llave y alicates todos aplican fuerza rotacional o resistencia rotacional. Las opciones A, C y D son válidas: los cuatro elementos se ajustan a cada categoría. Una persona candidata que elige B ha reconocido la excepción dentro de un conjunto de declaraciones verdaderas.

Esto prueba límites de categoría y precisión lógica. Las personas candidatas que eligen A, C o D han perdido el razonamiento defectuoso en la pregunta. Las que eligen B entienden lógica de conjuntos y pueden identificar valores atípicos: útil para QA de ingeniería, validación de datos, construcción de taxonomía y cualquier rol que requiera exactitud.

Ejemplo 9: Razonamiento de relación abstracta

Analogía: Pintura es a Lienzo como Escultura es a:

A. Piedra B. Mármol C. Cincel D. Pedestal

Respuesta: A (Piedra, más generalmente). La relación es «disciplina a medio primario». Pintura usa lienzo como su base de material primaria. Escultura usa piedra/mármol/arcilla como su medio primaria. La opción B (mármol) es un tipo específico de piedra, pero piedra es la respuesta más amplia y paralela. La opción C (cincel) es una herramienta, no un medio. La opción D (pedestal) es una estructura de soporte, no el medio del trabajo.

Esto revela si una persona candidata puede identificar relaciones abstractas y encontrar el paralelo más cercano. En contratación para roles que requieren creación de analogías (planificación estratégica, diseño de arquitectura, comunicación narrativa), esto importa. Una persona candidata que elige C ha confundido herramientas con materiales; una que elige D ha confundido soporte con sustancia. Una persona candidata que elige A entiende jerarquía de categoría y relaciones paralelas.

Ejemplos de razonamiento lógico

Las pruebas de razonamiento lógico miden inferencia deductiva e inductiva, a menudo bajo presión de tiempo. Estas correlacionan con todos los roles pero especialmente con gestión, estrategia y posiciones de asesoría al cliente.

Ejemplo 10: Rompecabezas de lógica deductiva

Premisas:

1. Todas las personas en nuestro equipo de ingeniería son solucionadores de problemas fuertes.
2. Todos los solucionadores de problemas fuertes se comunican claramente.
3. Algunas personas en nuestro equipo de ingeniería trabajan en infraestructura.

Pregunta: ¿Cuál conclusión es válida?

A. Todas las personas en nuestro equipo de ingeniería trabajan en infraestructura. B. Todas las personas que se comunican claramente están en nuestro equipo de ingeniería. C. Algunas personas en nuestro equipo de ingeniería se comunican claramente. D. Algunas personas en nuestro equipo de ingeniería no se comunican claramente.

Respuesta: C. De premisas 1 y 2, sabemos: si estás en ingeniería, eres un solucionador de problemas, y si eres un solucionador de problemas, te comunicas claramente. Por lo tanto, todas las personas en ingeniería se comunican claramente. La premisa 3 nos dice que al menos algunas personas están en ingeniería; por lo tanto, algunas personas en ingeniería se comunican claramente (de hecho, todas). La opción A es falsa (solo «algunas» trabajan en infraestructura, no «todas»). La opción B invierte la implicación incorrectamente. La opción D es falsa (todos los ingenieros se comunican claramente, por lo que ninguno falla).

Esto requiere sostener múltiples cadenas lógicas en memoria de trabajo y rastrear necesidad versus posibilidad. Las personas candidatas que eligen A o B están cometiendo errores de inferencia comunes. Las que eligen C pueden seguir lógica multi-paso y evitar sobre-generalización: valioso para roles que involucran razonamiento legal, revisión de diseño técnico o evaluación de riesgo.

Pruebas cognitivas adaptativas

El término «prueba de aptitud cognitiva adaptativa» se refiere a evaluaciones que ajustan dificultad basado en rendimiento del candidato. Si una persona candidata responde correctamente una pregunta de dificultad media, la siguiente pregunta se vuelve más difícil. Si responden incorrectamente, la siguiente se vuelve más fácil.

Ventajas de pruebas adaptativas:

• Reduce tiempo de prueba (menos preguntas necesarias para medir capacidad con precisión)
• Reduce frustración (los candidatos no se presentan con preguntas salvajamente por encima o debajo de su nivel)
• Aumenta precisión de medición (dificultad se mantiene calibrada a capacidad del candidato)
• Reduce efectos de techo y piso (menos candidatos puntúan en extremos debido a diseño de prueba, no capacidad real)

Desventajas:

• Menos transparencia para candidatos (pueden no entender por qué preguntas varían en dificultad)
• Más difícil de comparar entre candidatos si diferentes candidatos toman diferentes preguntas
• Requiere diseño de prueba más sofisticado y validación

Puntuación, percentiles y uso justo

Las pruebas de aptitud cognitiva se califican contra normas específicas del rol. Una puntuación del percentil 50 significa que la persona candidata puntúa tan bien como el candidato mediano para ese rol. Puntuaciones por encima del percentil 75 indican capacidad de razonamiento por encima del promedio para el rol; puntuaciones por debajo del percentil 25 indican por debajo del promedio.

Sin embargo, las pruebas de aptitud cognitiva muestran diferencias significativas entre subgrupos en puntuaciones promedio entre grupos demográficos. Esto se establece bien en la investigación y ha sido un hallazgo persistente durante décadas. Las organizaciones deberían emparejar pruebas cognitivas con otros métodos de evaluación y garantizar canales de reclutamiento justo anteriormente para mitigar impacto adverso.

Mejor práctica: combina aptitud cognitiva con muestras de trabajo, juicio situacional y evaluaciones de ajuste cultural. Una puntuación cognitiva alta no garantiza rendimiento laboral: motivación, experiencia y dinámicas de equipo importan igualmente.

Administración de pruebas cognitivas remotamente

Las pruebas de aptitud cognitiva son más difíciles de hacer trampa que MCQ basadas en conocimiento porque miden capacidad de razonamiento, no hechos buscables. Sin embargo, la administración remota lleva riesgos: personas candidatas pueden buscar ayuda externa, usar herramientas de IA o tener un proxy que complete la evaluación.

La presión de tiempo hace búsqueda difícil (no hay tiempo para buscar en Google entre problemas), pero asistencia de IA es una amenaza real. La mejor medida defensiva es verificación de integridad: capturar biometría de tecleo y continuidad de cara durante la prueba. Anomalías (como respuestas instantáneamente correctas en preguntas de razonamiento abstracto difícil, o presencia de cara cayendo durante la evaluación) emergen cuando ayuda externa es probable.

La detección de fraude de ClarityHire se ejecuta por defecto en todas las evaluaciones cognitivas, marcando anomalías de tiempo de solución e inconsistencias de comportamiento. Esto mantiene pruebas cognitivas sin proctoría confiables y escalables.

Usar pruebas de aptitud cognitiva en tu contratación

Las pruebas de aptitud cognitiva funcionan mejor cuando:

• Usas normas específicas del rol (comparando una persona candidata de ingeniero de software contra normas de ingeniería, no ejecutivas)
• La combinas con investigación de validez predictiva para tus roles específicos: validando que puntuaciones altas en tu grupo de candidatos realmente predicen rendimiento en el trabajo
• Comparas evaluaciones de proveedor cuidadosamente: diferentes proveedores (Criteria Corp, SHL, Hogan, Pearson) ponderan dominios de razonamiento diferentemente
• Administras consistentemente a todos los candidatos para el mismo rol (evitando sesgo en quién se prueba)
• Interpretas puntuaciones en contexto con experiencia, habilidades demostradas y ajuste cultural

La aptitud cognitiva es medible, predictiva y escalable. Comprender qué miden realmente estas pruebas, y qué no, te ayuda a tomar decisiones de contratación más rápidas y confiadas.

Explora evaluaciones de aptitud cognitiva de ClarityHire para construir tu primer cribado, o contacta nuestro equipo para validar validez predictiva para tus roles.