A cirurgia plástica no currículo digital
Quando uma executiva de marketing com 25 anos de experiência afirma que fez um "botox no meu currículo", removendo o ano de formatura e encurtando deliberadamente seu histórico profissional, algo fundamental está quebrado no ecossistema de recrutamento. Ela não está sozinha. A expressão, que ecoa uma tendência crescente entre profissionais de meia-idade, revela uma verdade incômoda sobre como a inteligência artificial está remodelando — ou distorcendo — a dinâmica entre candidatos e empregadores.
Segundo reportagem da BBC, mulheres com mais de 45 anos estão conscientemente apagando marcas de senioridade de seus currículos para evitar que algoritmos de recrutamento as descartem precocemente. O que parece uma estratégia de sobrevivência no mercado é, na verdade, um sintoma de um problema técnico mais profundo: sistemas de IA que replicam e amplificam vieses sociais em escala industrial.
Eu já estive dos dois lados dessa mesa. Como engenheiro que implementou pipelines de triagem curricular para empresas de médio porte, e como candidato em processos mediados por plataformas como Gupy, LinkedIn Recruiter e outras ferramentas de ATS (Applicant Tracking Systems), posso afirmar: o problema não está apenas nos dados de treinamento, mas na própria arquitetura de decisão que construímos.
A falácia da objetividade algorítmica
Costumamos pensar que máquinas são imparciais. Um sistema que analisa currículos com base em palavras-chave, tempo de experiência e formatação parece, à primeira vista, mais justo que um recrutador humano cansado após a décima entrevista do dia. Essa suposição é perigosa. O viés não está no algoritmo como entidade abstrata, mas no processo de engenharia que o cria — desde a escolha das features que alimentam o modelo até os thresholds de corte que definem quem avança.
Se um modelo é treinado com dados históricos de contratações de uma empresa que, por cultura organizacional ou viés inconsciente, contratou majoritariamente profissionais com menos de 10 anos de carreira, ele aprenderá que "menos experiência" é um preditor de sucesso. Não porque seja verdade, mas porque é consistente com o padrão observado. A máquina não julga idade; ela simplesmente replica correlações que, no contexto social, carregam peso etário.
O que chamo atenção aqui é que o "botox curricular" é uma resposta racional a um sistema irracional. As candidatas identificaram um padrão de rejeição associado a senioridade explícita e, pragmaticamente, eliminaram a variável incômoda. Mas isso é um remendo, não uma solução. E, como todo remendo em produção, gera efeitos colaterais imprevistos.
O paradoxo da senioridade escondida
Quando um profissional apaga 15 anos de experiência relevante para parecer mais jovem, ele está jogando contra si mesmo de duas maneiras. Primeiro, perde a vantagem competitiva que a experiência traz — projetos complexos, gestão de crises, rede de contatos. Segundo, se for contratado com base nesse currículo "alisado", poderá enfrentar um mismatch de expectativas: o cargo pode ser júnior demais para suas capacidades, gerando frustração e rotatividade.
Do ponto de vista da operação de RH, o algoritmo que filtra currículos sem considerar senioridade adequada está criando um problema de qualidade para o negócio. Empresas que dependem de profissionais experientes para mentoria, tomada de decisão estratégica ou resolução de problemas complexos podem estar, sem perceber, eliminando justamente quem precisam contratar. O custo disso não aparece no dashboard do ATS, mas na produtividade da equipe, na taxa de retrabalho e no turnover.
É um cenário onde todos perdem: o candidato sênior não é chamado; a empresa contrata um perfil aquém; o algoritmo nunca é exposto ao dado de que profissionais mais velhos performam bem — e o ciclo de viés se auto-reforça. Esse é um problema clássico de feedback loop em sistemas de recomendação, mas com consequências reais na vida das pessoas.
A engenharia por trás do viés etário
Para quem trabalha com machine learning, o fenômeno descrito é tecnicamente previsível. Sistemas de ATS modernos utilizam modelos de processamento de linguagem natural (PLN) para extrair entidades como "anos de experiência", "cargos anteriores", "instituições de ensino". Essas extrações são então normalizadas e alimentam classificadores que ranqueiam currículos.
O problema surge na etapa de feature engineering. Se o modelo inclui "quantidade total de anos de experiência" como variável — o que é quase onipresente — ele está, por tabela, modelando idade de forma indireta. Um profissional formado em 1990 carrega um timestamp que o algoritmo pode usar para inferir faixa etária com precisão razoável. Mesmo que a idade explícita seja removida, o ano de formatura serve como proxy.
Algumas plataformas tentam mitigar isso normalizando a experiência em faixas (ex: 0-3 anos, 3-7 anos, 7+ anos), mas ainda assim criam um teto. Um profissional com 20 anos de experiência cai na mesma categoria que um com 8 anos. O algoritmo perde granularidade justamente onde a diferença importa: na profundidade da expertise, não na duração bruta da carreira.
O que os times de IA deveriam estar fazendo
Na prática, implementar um sistema de triagem curricular livre de viés etário não é trivial, mas é perfeitamente factível com decisões técnicas conscientes. Algumas abordagens que já vi funcionarem em projetos que acompanhei incluem:
- Remoção de proxies de idade na camada de pré-processamento: Não basta pedir para o usuário não informar idade. É preciso eliminar ativamente tokens que revelem temporalidade — anos de formatura, nomes de tecnologias obsoletas que localizam temporalmente o currículo, menções a "recém-formado" ou "jovem aprendiz".
- Treinamento adversarial para fairness: Incorporar ao treinamento do modelo uma função de perda que penalize a correlação entre a saída do classificador e a idade inferida. Existem frameworks como AIF360 (IBM) e Fairlearn (Microsoft) que oferecem implementações prontas para isso.
- Avaliação contínua de impacto em subgrupos: Monitorar as taxas de aprovação por faixa etária detectada (ainda que a idade não esteja explícita) e estabelecer alertas quando um desvio estatisticamente significativo for identificado. Isso é similar ao que fazemos com monitoramento de drift em modelos de produção.
- Auditoria humana em amostras estratificadas: Ter recrutadores revisando manualmente um percentual fixo de currículos rejeitados pelo algoritmo, especialmente de profissionais com mais de 10 anos de carreira. É caro, mas é o único jeito de calibrar o modelo contra falsos negativos sistêmicos.
Nenhuma dessas soluções é perfeita. A remoção de proxies pode eliminar informação relevante para o cargo. O treinamento adversarial pode reduzir a acurácia geral em troca de equidade. Esses são trade-offs reais que times de produto precisam discutir abertamente, não esconder atrás de KPIs de "eficiência de triagem".
A responsabilidade do engenheiro de software
Como alguém que já esteve em reuniões onde se decidiu quais features entrariam no modelo de classificação de currículos, sei o quanto é fácil optar pela variável mais preditiva sem considerar seu custo social. "Adiciona anos de experiência que melhora o AUC em 3%" parece uma decisão puramente técnica. Não é. É uma decisão de produto que define quem terá acesso a oportunidades.
Engenheiros e cientistas de dados precisam abandonar a ilusão de neutralidade. Todo modelo é um artefato político no sentido mais amplo: ele distribui recursos (no caso, vagas de emprego) com base em critérios que escolhemos. Se não nos debruçarmos sobre os vieses embutidos nesses critérios, estaremos terceirizando decisões éticas para funções de ativação e gradientes descendentes.
O movimento de candidatas fazendo "botox no currículo" é um alerta de que o sistema está falhando. Mas a resposta não pode ser pedir que os profissionais se adaptem a algoritmos defeituosos. A resposta é construir algoritmos melhores, com métricas de sucesso que incluam equidade como requisito não-funcional obrigatório — ao lado de latência, throughput e acurácia.
O futuro do recrutamento aumentado
Acredito que o caminho não é abandonar a IA em processos seletivos, mas sim repensar seu papel. Ferramentas de triagem deveriam ser assistivas, não substitutivas. O melhor uso de IA em recrutamento que já vi foi em sistemas que destacam padrões relevantes no currículo para o recrutador humano, em vez de pré-selecionar ou descartar candidatos de forma autônoma.
Isso coloca o humano no loop de decisão, usando o algoritmo como amplificador de análise, não como porteiro. O trade-off é de escala: você processa menos currículos por hora, mas ganha em qualidade de match e justiça processual. Para posições estratégicas ou de liderança, esse modelo é claramente superior.
Se você é profissional de tecnologia e trabalha com sistemas de recrutamento, sugiro um exercício: pegue uma amostra de currículos rejeitados pelo seu modelo nos últimos seis meses e verifique a distribuição etária estimada. Se houver concentração em faixas acima de 45 anos, você tem um viés em produção — e precisa agir. Se você é candidato e está considerando o "botox curricular", pense duas vezes: a solução de curto prazo pode mascarar o problema, mas não o resolve. A longo prazo, empresas que discriminam por idade — mesmo que por omissão algorítmica — não são lugares onde você quer construir carreira.
A tecnologia que construímos reflete nossos valores. Se permitirmos que ela reproduza etarismo, não teremos ninguém para culpar além de nós mesmos.