O paradoxo do mercado de tecnologia: candidatos em movimento, vagas paradas
Nos últimos anos, tenho participado de processos seletivos como entrevistador técnico em algumas empresas de médio e grande porte. Uma cena se repete com frequência: dezenas de currículos chegam por vaga, mas poucos candidatos passam da triagem inicial. As empresas reclamam que não encontram profissionais qualificados; os profissionais, por outro lado, afirmam que estão abertos a novas oportunidades, mas não são chamados ou, quando chamados, enfrentam processos genéricos que não avaliam o que realmente importa.
Esse descompasso não é novidade, mas ganha contornos mais críticos com a adoção crescente de inteligência artificial nos processos de recrutamento. Segundo dados recentes do mercado, 40% dos profissionais pretendem mudar de emprego ainda em 2026, enquanto 81% das empresas continuam relatando dificuldades para contratar. Como interpretar essa aparente contradição? A resposta, na minha visão, está menos na escassez de talentos e mais em como as empresas estão usando — ou deixando de usar — a IA para ir além do currículo.
O currículo nunca foi um bom preditor de performance técnica
Venho de uma formação em infraestrutura em nuvem e segurança da informação. Ao longo da minha carreira, já revisei centenas de currículos. Um padrão claro emerge: candidatos com listas impressionantes de certificações e ferramentas muitas vezes não conseguem resolver um problema simples de troubleshooting em tempo real. Por outro lado, profissionais sem um currículo “bonito” — talvez sem faculdade tradicional, mas com portfólio sólido no GitHub ou contribuições em projetos open source — frequentemente entregam resultados superiores.
O currículo documenta experiências passadas, mas não captura capacidade de raciocínio lógico, colaboração em equipe, adaptabilidade ou domínio prático de conceitos fundamentais. Em engenharia de software, esses atributos são decisivos. E é exatamente aí que a inteligência artificial pode — e deve — ser usada não para substituir a avaliação humana, mas para ampliá-la com dados que o currículo não revela.
O que a IA pode — e o que não pode — fazer na triagem
Ferramentas de IA aplicadas a recrutamento geralmente se concentram em duas frentes: (1) análise semântica de currículos para匹配 de palavras-chave com a descrição da vaga, e (2) chatbots para triagem inicial de candidatos. Ambas as abordagens, se mal implementadas, repetem os mesmos vieses do processo manual — só que em escala industrial.
Já atuei como consultor técnico em um projeto que tentava automatizar a triagem de candidatos para uma equipe de DevOps. O modelo de IA foi treinado com currículos históricos de contratações anteriores. Resultado? Ele passou a priorizar perfis que mencionavam “AWS Certified Solutions Architect” e ignorar candidatos com experiência comprovada em GCP ou Azure apenas por não usarem a palavra “AWS”. Foi necessário re-treinar o modelo com dados de desempenho real (avaliações de estágio probatório) e não apenas com currículos.
Esse exemplo mostra que a IA, sozinha, não resolve o problema. Ela precisa ser alimentada com dados além do currículo: resultados de testes técnicos, avaliações comportamentais, feedback de entrevistadores e métricas de performance na empresa. Sem isso, corremos o risco de automatizar a mediocridade.
Da triagem à avaliação prática: como estruturar um processo orientado por dados
Na minha experiência, os processos seletivos mais justos e eficientes para times de tecnologia combinam três camadas de avaliação, cada uma apoiada por IA de forma específica.
- Triagem assistida por IA, com curadoria humana: a IA pode ranquear currículos com base em competências técnicas extraídas de fontes como GitHub, Stack Overflow, publicações técnicas e portfólios online, e não apenas do texto do currículo. Ferramentas como modelos de linguagem natural (LLMs) podem resumir a experiência de um candidato em um formato padronizado, destacando pontos fortes e lacunas. O recrutador humano revisa esse resumo e decide o avanço.
- Testes técnicos contextualizados: ao invés de quizzes de múltipla escolha, utilizo desafios práticos que simulam problemas reais de infraestrutura ou desenvolvimento. Um exemplo comum: dado um cenário de migração de banco de dados, o candidato precisa esboçar uma arquitetura, justificar escolhas de ferramentas e prever pontos de falha. A IA pode avaliar a coerência da resposta em relação a boas práticas conhecidas, mas a decisão final exige análise de um engenheiro sênior.
- Feedback loop com métricas de contratação: após a contratação, é fundamental medir a correlação entre o desempenho no processo seletivo e a performance real nos primeiros 6 meses. Esses dados realimentam o modelo de IA, ajustando pesos para critérios que se mostraram preditivos. Já vi empresas que abandonaram a análise de “anos de experiência” após descobrir que não havia correlação com produtividade.
Privacidade e viés algorítmico: os riscos que ninguém quer discutir
Um ponto que considero crítico e frequentemente negligenciado é a segurança e privacidade dos dados dos candidatos. Modelos de IA treinados com informações sensíveis — como gênero, idade, endereço ou até mesmo padrões de linguagem que indiquem origem étnica — podem inadvertidamente discriminar grupos historicamente marginalizados. Isso é especialmente grave em um mercado de tecnologia que já sofre com falta de diversidade.
Em projetos de recrutamento que assessorei, sempre recomendo três medidas práticas: (1) anonimizar currículos antes de alimentar algoritmos de triagem, removendo nome, foto, idade e faculdade; (2) auditar periodicamente os resultados da IA para detectar disparidades de aprovação entre grupos; (3) garantir que os modelos não sejam treinados exclusivamente com dados históricos de contratações passadas, que podem carregar vieses inconscientes da equipe.
Além disso, é essencial que o candidato saiba que está sendo avaliado por IA e tenha direito a explicações sobre os critérios utilizados. No Brasil, a Lei Geral de Proteção de Dados (LGPD) exige transparência em decisões automatizadas que afetem o indivíduo. Muitas empresas ainda negligenciam esse compliance, o que pode gerar riscos legais e reputacionais.
Como a infraestrutura em nuvem e a cultura DevOps influenciam a contratação
Há uma analogia que gosto de fazer entre recrutamento e automação de infraestrutura. Assim como na nuvem, onde não basta jogar servidores em um cluster sem monitoramento e orquestração, no recrutamento não adianta apenas coletar currículos sem um pipeline de avaliação contínua. A IA pode ser o “orquestrador” desse pipeline, mas o valor real está em como os dados fluem entre as etapas e como as pessoas tomam decisões baseadas neles.
Na cultura DevOps, aprendemos que métricas como lead time, frequência de deploy e tempo de recuperação de falhas são mais importantes do que o número de commits. Da mesma forma, métricas de contratação devem ir além de “quantos currículos foram recebidos”. É preciso medir a taxa de aprovação por etapa, o tempo médio de contratação, a taxa de retenção após 12 meses e a performance dos contratados em relação à média do time.
Empresas que tratam recrutamento como um sistema de engenharia — com loops de feedback, automação inteligente e revisão humana — tendem a obter resultados muito superiores. Já vi equipes reduzirem o tempo de contratação de 60 para 25 dias simplesmente ao usar IA para pré-selecionar candidatos com base em testes práticos online, eliminando a triagem puramente curricular.
O futuro do recrutamento é humano aumentado, não automatizado
Depois de anos acompanhando e participando de processos seletivos em tecnologia, minha convicção é que o melhor uso da IA na contratação não é substituir o recrutador ou o entrevistador técnico, mas sim liberá-los de tarefas repetitivas e fornecer insights que o olho humano sozinho não enxerga. A IA pode detectar padrões — como a relação entre participação em comunidades técnicas e sucesso em funções de suporte, ou a correlação entre contribuições open source e senioridade real — mas a decisão final sobre cultura, fit e potencial continua sendo intrinsecamente humana.
Empresas que investirem em construir processos de contratação orientados por dados, com curadoria humana e transparência algorítmica, sairão na frente. Não apenas porque contratarão melhor, mas porque atrairão profissionais que valorizam processos justos e baseados em evidências. Em um mercado onde a mobilidade é alta e a confiança é moeda rara, isso pode ser o diferencial competitivo mais importante.
A lição que fica — tanto para quem contrata quanto para quem é contratado — é que o currículo é apenas o ponto de partida, não a linha de chegada. A inteligência artificial nos força a ir além, e isso, no fim das contas, é um progresso que beneficia todo o ecossistema de tecnologia.