Triagem de currículos com IA: como funciona, acurácia e riscos de viés

Por Kevin Kim · Atualizado em 11 de outubro de 2026

A triagem de currículos com IA é um software que lê cada currículo, converte-o em dados estruturados (cargos, habilidades, datas, instituições de ensino) e depois pontua ou classifica os candidatos de acordo com os requisitos da vaga, para que os recrutadores vejam primeiro as melhores correspondências. Ela economiza tempo em vagas de alto volume, mas só reflete os critérios e o histórico que recebeu. Se qualquer um dos dois for enviesado, o ranking também será, e em escala.

Esta página é para diretores de RH, líderes de aquisição de talentos e gestores de contratação que estão decidindo se vão ligar a triagem, ou que já ligaram e precisam saber o que verificar. Ela cobre a mecânica, as falhas documentadas, um passo a passo de configuração e as salvaguardas. Ela faz parte da seção de recrutamento da coleção AI for HR; para o quadro completo da contratação, comece por IA no recrutamento. Estas são informações gerais, não aconselhamento jurídico.

Fatos Principais

• O mecanismo experimental de recrutamento da Amazon avaliava candidatos de uma a cinco estrelas, foi treinado com currículos enviados ao longo de 10 anos (a maioria de homens) e penalizava currículos que continham a palavra "women's"; a equipe foi desfeita (Reuters, outubro de 2018).
• Em um teste da University of Washington com três modelos de linguagem que compararam mais de 550 currículos com mais de 500 anúncios de vaga, nomes associados a pessoas brancas foram preferidos em 85% das vezes, contra 9% para nomes associados a pessoas negras, e nomes associados a homens negros nunca foram preferidos a nomes associados a homens brancos (University of Washington, outubro de 2024).
• Mais de 90% dos empregadores em uma pesquisa da Harvard Business School e da Accenture disseram usar seus sistemas de recrutamento para filtrar ou classificar candidatos de habilidades intermediárias e altas, e 88% concordaram que candidatos qualificados de habilidades altas são eliminados por não corresponderem aos critérios exatos da descrição de cargo (The Register, resumindo o relatório de 2021).
• Pela diretriz federal americana dos "quatro quintos", uma taxa de seleção abaixo de 80% da taxa do grupo mais alto costuma ser tratada como evidência de impacto adverso (29 CFR 1607.4).
• A European Commission classifica softwares de triagem de CVs como IA de alto risco, com essas regras valendo a partir de 2 de dezembro de 2027 (European Commission).

Como funciona a triagem de currículos com IA

A maioria dos sistemas opera em três etapas, e uma falha em qualquer uma delas chega ao ranking final.

Etapa 1: leitura (parsing). O software extrai o texto de PDFs, arquivos Word ou formulários web e o organiza em campos: nome, empregadores, cargos, datas, formação, habilidades. Essa é a etapa "Ingest" do ACE Framework, e é mais frágil do que parece. Layouts de duas colunas, texto dentro de imagens, formatações criativas e caracteres não ingleses podem embaralhar os campos, e um bom candidato chega como um registro meio vazio.

Etapa 2: correspondência. O sistema compara o registro lido com a vaga. As ferramentas mais antigas comparam palavras-chave: o currículo contém "SQL" e "forecasting"? As mais novas usam modelos de linguagem que leem o significado, de modo que "gerenciou o orçamento regional" pode contar para "planejamento financeiro" mesmo sem a expressão exata. Essa é a etapa "Analyze".

Etapa 3: pontuação e ranking. O sistema transforma a correspondência em uma pontuação, uma nota, uma lista curta ou um aprovado/reprovado. Alguns usam regras que você escreve ("pelo menos dois anos em uma função de vendas"). Outros aprendem padrões a partir de contratações e rejeições passadas. Esse segundo tipo é o que pode absorver um histórico que você não pretendia ensinar. Em termos de ACE, é um padrão de revisão de documentos alimentando um padrão de pontuação e roteamento.

Uma distinção atravessa tudo o que vem a seguir: uma triagem que aplica critérios que você consegue ler e defender se comporta de forma muito diferente de uma que deduz os próprios critérios a partir de decisões passadas. A primeira é auditável. A segunda precisa de testes, porque ninguém registrou o que ela aprendeu.

O que as falhas documentadas mostram

O modelo de recrutamento descartado pela Amazon

A Reuters noticiou em 2018 que a equipe de aprendizado de máquina da Amazon vinha construindo uma ferramenta de análise de currículos desde 2014 e descobriu, em 2015, que ela não avaliava candidatos a desenvolvedor de software e a outras funções técnicas de forma neutra em relação ao gênero. Os modelos aprenderam com 10 anos de currículos enviados, a maioria de homens, e concluíram sozinhos que candidatos homens eram preferíveis. Eles penalizavam currículos que continham a palavra "women's", como em "capitã do clube de xadrez feminino", e rebaixavam formadas em duas faculdades só para mulheres. A Amazon editou os programas para serem neutros em relação a esses termos, mas pessoas familiarizadas com o esforço disseram que isso não garantia que o sistema não encontraria outras formas discriminatórias de classificar candidatos. A empresa desfez a equipe (Reuters).

A lição não é que a IA seja singularmente enviesada. É que um modelo treinado para imitar contratações passadas vai imitar contratações passadas, inclusive seus pontos cegos. Corrigir a única variável proxy que você notou não remove as outras. A Amazon disse à Reuters que a ferramenta nunca foi usada por seus recrutadores para avaliar candidatos, embora não tenha contestado que eles olhavam as recomendações dela.

Viés de nomes no ranking por modelos de linguagem

Pesquisadores da University of Washington testaram três modelos de linguagem classificando mais de 550 currículos reais contra mais de 500 anúncios de vaga em nove ocupações, variando apenas os primeiros nomes (120 nomes associados a homens e mulheres brancos e negros). Em mais de três milhões de comparações, nomes associados a pessoas brancas foram preferidos em 85% das vezes e nomes associados a pessoas negras em 9%. Nomes associados a homens foram preferidos em 52% das vezes, contra 11% para nomes associados a mulheres, e nomes associados a homens negros nunca foram preferidos a nomes associados a homens brancos (University of Washington).

Leia o escopo com atenção. Foi um teste de pesquisa controlado com modelos de uso geral, não uma auditoria de nenhum produto comercial de triagem. O que ele mostra é por que você deve testar a sua própria configuração em vez de presumir que o modelo de um fornecedor é neutro.

Rejeitar discretamente bons candidatos

O viés não é o único problema de acurácia. O relatório "Hidden Workers", da Harvard Business School e da Accenture, constatou que mais de 90% dos empregadores pesquisados usam seus sistemas de recrutamento para filtrar ou classificar candidatos, e 88% concordaram que candidatos qualificados de habilidades altas são descartados por não corresponderem aos critérios exatos da descrição de cargo. Esse número foi de 94% para trabalhadores de habilidades intermediárias (The Register). O relatório também aponta proxies rígidos, como tratar um diploma como substituto de uma característica ou rejeitar automaticamente uma lacuna de emprego. Esse é um problema de desenho que você controla, e ele se sobrepõe à contratação baseada em habilidades.

Exemplos reais por função

O padrão: a triagem funciona melhor com requisitos verificáveis e relacionados ao cargo (licença, certificação, localização, disponibilidade) e pior com julgamentos subjetivos ou deduzidos, como "fit cultural" ou "potencial".

Como implementar passo a passo

1. Defina a função da triagem antes de comprar. Anote se ela deve apenas confirmar os requisitos mínimos ou também classificar. Confirmar é muito mais fácil de defender do que classificar.

2. Escreva os requisitos como critérios, não como preferências. Separe o indispensável (uma licença que a função exige por lei) do desejável. Tudo o que for rotulado como indispensável vira eliminatório, então mantenha essa lista curta. Redigir descrições de cargo com IA mostra como manter esses critérios limpos.
3. Verifique seus dados de entrada. A qualidade da leitura, a consistência dos títulos de cargo e a limpeza dos registros dos candidatos determinam o resultado. Fundamentos de dados de RH para IA explica o que corrigir primeiro.
4. Escolha regras que você consiga ler sempre que possível. Pergunte a qualquer fornecedor o que o sistema pontua, com o que foi treinado e se você pode ver por que um candidato específico ficou onde ficou. Nossa página sobre o agente de IA para triagem de recrutamento mostra o que faz um agente de triagem bem delimitado e o que ele passa para as pessoas.
5. Teste em um acervo antigo. Rode a triagem em uma vaga passada, já decidida, e compare o resultado com quem de fato avançou e foi contratado.
6. Meça os resultados por grupo. Calcule a taxa de seleção de cada grupo em cada etapa e compare-a com a taxa do grupo mais alto. A diretriz dos quatro quintos é um sinal de triagem, não uma isenção legal, mas um resultado abaixo de 80% é o seu aviso para investigar (29 CFR 1607.4). Onde você estiver sujeito às regras, faça também uma auditoria formal de viés (veja a próxima seção).
7. Mantenha uma pessoa na decisão. Peça que um recrutador revise toda rejeição baseada em uma pergunta eliminatória, além de uma amostra aleatória da pilha "baixa" a cada semana. O conceito de human-in-the-loop é o padrão a seguir no desenho.
8. Dê aos candidatos uma saída. Informe os candidatos de que uma ferramenta automatizada está envolvida e ofereça uma rota alternativa ou um pedido de adaptação.
9. Monitore e teste de novo. Requisitos da vaga, públicos de candidatos e modelos mudam. Refaça a comparação entre grupos periodicamente e sempre que alterar os critérios.

As regras aplicáveis

A regulação varia conforme o local e está mudando rápido, portanto confirme os requisitos atuais com assessoria jurídica para cada lugar em que você contrata.

• Cidade de Nova York. A Local Law 144 proíbe empregadores e agências de emprego de usar uma ferramenta automatizada de decisão de emprego, a menos que ela tenha passado por uma auditoria de viés no prazo de um ano antes do uso, que um resumo da auditoria seja público e que os candidatos recebam aviso 10 dias úteis antes do uso. O Department of Consumer and Worker Protection começou a fazer valer a lei em 5 de julho de 2023 (NYC DCWP).
• União Europeia. Sistemas de IA usados no emprego, como softwares de triagem de CVs, são classificados como de alto risco, com essas regras valendo a partir de 2 de dezembro de 2027 (European Commission).
• Outros estados dos EUA. Vários estados aprovaram ou adiaram suas próprias leis sobre IA no emprego, e algumas foram revistas depois de aprovadas. Trate qualquer data que você leia como algo a verificar na semana em que for confiar nela.
• Legislação antidiscriminação existente. Usar um software não transfere a responsabilidade. Os princípios de impacto desproporcional se aplicam a ferramentas de seleção em geral, e por isso a comparação dos quatro quintos acima é a primeira verificação padrão.

Para uma estrutura de governança que funcione entre jurisdições, o AI Risk Management Framework do NIST (lançado em 26 de janeiro de 2023, voluntário) organiza o trabalho em Govern, Map, Measure e Manage (NIST). É um esqueleto útil para uma política interna de triagem.

Salvaguardas que realmente funcionam

Pense nas salvaguardas como camadas, porque nenhuma sozinha basta.

• Restrinja o escopo. Triar com critérios verificáveis e relacionados ao cargo. Retire, antes que o modelo os veja, os campos que funcionam como proxy de características protegidas, como nomes, fotos, anos de formatura e endereços.
• Prefira resultados explicáveis. Se um recrutador não consegue ver os motivos de um ranking, não consegue identificar um erro. Veja IA explicável.
• Audite antes do lançamento e periodicamente. Taxas de seleção por grupo, em todas as etapas, não apenas na contratação final.
• Verifique as rejeições por amostragem. O viés se esconde na pilha que ninguém lê.
• Proteja a saída. Um caminho de recurso e uma rota alternativa de candidatura.
• Assuma a decisão. Uma pessoa identificada aprova todo resultado adverso. Viés em IA explica as origens da distorção, caso você precise orientar a liderança.

Erros comuns

• Tratar "passou na auditoria do fornecedor" como "é seguro para nós". Uma auditoria cobre uma ferramenta com determinados dados. Suas famílias de cargos e seu público de candidatos são diferentes.
• Confiar demais no ranking. Os recrutadores leem os dez primeiros e ignoram o resto, e assim a ordem do algoritmo vira a decisão.
• Deixar que a correção de um único proxy substitua uma revisão de viés. Remover um único termo enviesado, como a Amazon fez, não impede que outros sinais correlacionados façam o mesmo trabalho.
• Treinar com o seu próprio histórico. Se as contratações passadas favoreceram um perfil, um modelo que aprende com elas também favorecerá.
• Perguntas eliminatórias sem revisão. A rejeição automática por uma lacuna profissional ou por um diploma é onde pessoas qualificadas desaparecem.
• Pular o aviso ao candidato. Em algumas jurisdições, isso por si só é uma violação.
• Nunca testar de novo. Uma triagem que estava boa no lançamento pode se desviar conforme os requisitos mudam.