Há alguns meses, participei de um processo de triagem técnica para uma vaga de engenharia de software em uma fintech. Recebemos mais de 400 currículos em quatro dias. O time de RH, usando um sistema ATS moderno com filtros semânticos, pré-selecionou 80 candidatos. Quando comecei a ler os currículos, tive uma sensação estranha de déjà vu: cerca de 70% deles pareciam ter sido escritos pela mesma pessoa. A mesma estrutura de bullet points, as mesmas palavras-chave para cada tecnologia, a mesma formatação de "resultados orientados a dados". Não era coincidência. Era o efeito colateral da adoção massiva de IA na escrita de currículos.
O problema não é a ferramenta em si — nenhum engenheiro sensato abandonaria um bom linter ou um copiloto de código. O problema é que, ao delegar a curadoria da própria trajetória profissional a um modelo de linguagem, candidatos estão entregando ao recrutador um documento que é, na prática, uma média estatística de outros currículos bem-sucedidos. O resultado é uma padronização que, ironicamente, dificulta a diferenciação — exatamente o oposto do que um currículo deveria fazer.
O paradoxo da otimização para ATS
Do ponto de vista técnico, a geração de currículos com IA é uma aplicação direta de modelos de linguagem (como GPT ou Claude) com prompts de otimização. O objetivo declarado é maximizar a similaridade léxica com a descrição da vaga. Isso funciona bem para sistemas ATS baseados em correspondência exata de palavras-chave. Mas há um custo: a perda de sinais contextuais que um recrutador humano experiente usa para avaliar profundidade técnica.
Suponha que dois candidatos tenham usado o mesmo prompt: "Reescreva minha experiência em Python destacando resultados quantificáveis". Ambos gerarão frases como "Aumentei a eficiência do pipeline de dados em 30% usando Python e Pandas". O recrutador lê vinte currículos com a mesma frase. A informação útil — se o candidato realmente entende de otimização de consultas ou apenas copiou um template — se perde no ruído da repetição. O sistema ATS, por sua vez, pode ranquear ambos igualmente, anulando o propósito da triagem.
Em um experimento interno que conduzi com uma equipe de produto, pegamos dez currículos reais de engenheiros sênior e os otimizamos com três ferramentas de IA distintas. Submetemos todos a um ATS simulado. Seis dos dez currículos geraram scores dentro de uma variação de 5%. Para o algoritmo, eram indistinguíveis. Para um tech lead, cada um representava trajetórias completamente diferentes — um era especialista em sistemas distribuídos, outro em segurança ofensiva. A métrica de similaridade usada pelo ATS falhou em capturar o que realmente importa.
O viés estrutural embutido nos modelos
Há uma dimensão mais sutil nesse problema, que é o viés de treinamento. Modelos de linguagem são treinados em corpus que super-representam certos padrões de carreira — geralmente de profissionais de grandes centros tecnológicos, com formações universitárias tradicionais e experiências em empresas de alto perfil. Quando um candidato com uma trajetória não convencional (como um engenheiro autodidata que construiu uma carreira em startups de nicho) usa a mesma ferramenta, o modelo tende a "normalizar" sua experiência para se encaixar nos padrões dominantes.
Isso não é apenas uma questão de diversidade. É um risco operacional. Empresas que dependem exclusivamente de triagem automatizada podem estar perdendo candidatos com competências altamente especializadas simplesmente porque suas experiências não se encaixam nos templates que a IA considera "ideais". Conheço um caso de um engenheiro de redes que havia projetado uma arquitetura de baixa latência para trading algorítmico — experiência raríssima. A IA reescreveu seu currículo para soar como um desenvolvedor backend genérico. Ele perdeu a vaga para a qual era perfeitamente adequado.
Arquitetura de análise: além da camada léxica
Se o problema está na superficialidade da análise, a solução técnica passa por repensar a arquitetura dos sistemas de triagem. Não se trata de abandonar a IA, mas de projetar pipelines de avaliação que diferenciem a otimização superficial da experiência real. Um sistema bem construído deve operar em pelo menos três camadas:
- Camada 1 — Correspondência léxica: identifica palavras-chave e termos técnicos. É rápida, mas frágil contra homogeneização. Útil apenas como filtro grosseiro inicial.
- Camada 2 — Similaridade semântica contextual: usa embeddings de frases (como Sentence-BERT) para avaliar se a menção a uma tecnologia está associada a um contexto de aplicação real. "Utilizei Kubernetes para orquestrar 200 microsserviços" tem peso diferente de "Conhecimento em Kubernetes".
- Camada 3 — Densidade de evidências: extrai entidades nomeadas (NER) como nomes de projetos, métricas específicas, ferramentas de nicho. Um currículo com alta densidade dessas entidades e coerência entre elas tem maior probabilidade de refletir experiência real, não template genérico.
[INSERIR DIAGRAMA DE ARQUITETURA: Mostrar pipeline de três camadas, com entrada do currículo passando por filtro léxico, depois encoder semântico, depois extrator NER, gerando score ponderado e alerta de homogeneização]
Implementei um protótipo dessa arquitetura em um projeto paralelo usando a biblioteca spaCy para NER e modelos do Hugging Face para embeddings. O resultado mais interessante não foi o ranking final, mas o alerta de homogeneização: quando múltiplos currículos ultrapassam um limiar de similaridade semântica entre si, o sistema sinaliza que aquele grupo provavelmente foi otimizado pela mesma ferramenta. Isso permite que o recrutador humano aplique um escrutínio extra nesses casos, em vez de confiar cegamente no score.
O custo da validação manual e o papel do portfólio
Uma crítica comum a essa abordagem é que ela exige mais trabalho manual do recrutador. É verdade. Mas o custo de uma contratação errada baseada em um currículo artificialmente otimizado é muito maior. Em empresas de tecnologia, onde o salário anual de um engenheiro sênior pode ultrapassar R$ 400 mil, o custo de onboard e turnover por má contratação facilmente supera R$ 100 mil. Investir trinta minutos extras de validação por candidato finalista é barato diante desse risco.
Na prática, o que tenho visto funcionar bem é a exigência de um portfólio técnico ou link para repositório público como etapa obrigatória antes da entrevista técnica. Para cargos de engenharia, isso é trivial. Para produto, dados ou infraestrutura, um case study ou documento de arquitetura serve ao mesmo propósito. A IA pode gerar um currículo bonito, mas não pode gerar o código ou o design que você realmente produziu — a menos que o candidato esteja deliberadamente fraudando, o que é outro problema.
Uma lição prática que tirei de um processo recente: pedimos que cada candidato pré-selecionado enviasse um parágrafo curto explicando um problema técnico que resolveu e que não estava no currículo. Aqueles que tinham currículos muito genéricos frequentemente entregavam respostas vagas ou desconectadas da narrativa do documento. Já candidatos com currículos mais autênticos conseguiam articular com clareza o contexto e o impacto da solução. Esse pequeno filtro eliminou cerca de 30% dos candidatos pré-selecionados sem custo operacional significativo.
O que muda para recrutadores e times de RH
Se você trabalha com recrutamento técnico, o primeiro passo é ajustar suas expectativas. Um currículo otimizado por IA não é um sinal de desonestidade — é apenas um sinal de que o candidato seguiu a recomendação de ferramentas disponíveis. O erro não é do candidato, mas do processo que valoriza a otimização sobre a autenticidade. A correção precisa vir do lado do avaliador.
Algumas ações práticas que recomendo:
- Eduque seu time de RH sobre os padrões comuns de saída de ferramentas de IA para currículos. Frases como "resultados orientados a dados" ou "melhorei a eficiência em X%" sem métricas específicas são bandeiras vermelhas.
- Incorpore etapas de validação técnica antes da entrevista — testes assíncronos, perguntas abertas sobre projetos reais, revisão de código ou portfólio.
- Reveja seus critérios de triagem no ATS. Se seu sistema está ranqueando currículos idênticos, você está eliminando a diversidade de talentos que seu processo deveria capturar.
- Considere usar ferramentas de análise semântica (como as baseadas em embeddings) em vez de simples correspondência de palavras-chave para a triagem inicial.
Para candidatos, a recomendação é igualmente direta: use IA como revisor, não como redator. Escreva sua experiência com suas próprias palavras, descreva os contextos e trade-offs reais dos projetos que você tocou. Depois, peça à IA para melhorar a clareza e a estrutura, mas nunca para "otimizar para a vaga". O risco de perder sua identidade profissional é maior do que o benefício marginal de subir algumas posições no ranking do ATS.
A responsabilidade dos provedores de ferramentas
A indústria de ferramentas de IA para currículos também precisa evoluir. Modelos que geram conteúdo padronizado e priorizam métricas de aprovação em ATS estão criando um ciclo vicioso: quanto mais pessoas usam, mais os sistemas de recrutamento se adaptam a esse padrão, e mais a ferramenta reforça o ciclo. Seria mais útil se essas plataformas oferecessem modos de "preservação de identidade", onde o candidato pudesse definir aspectos únicos de sua trajetória que não devem ser diluídos pela otimização.
Do ponto de vista de produto, isso não é trivial. Exige que o modelo aprenda a distinguir entre ruído editorial (informação que pode ser reorganizada) e sinal de identidade (experiências não convencionais que definem o profissional). Mas é tecnicamente factível com técnicas de fine-tuning com restrições de divergência, onde o modelo é penalizado por alterar certos blocos de conteúdo que o usuário marcou como críticos. Algo similar ao que fazemos em sistemas de sumarização controlada.
Perspectiva: currículo como dado, não como documento
Talvez a reflexão mais importante que este fenômeno nos traz seja sobre o próprio formato do currículo. Se a IA está homogeneizando o texto, talvez o problema não seja a IA, mas o fato de que o currículo tradicional — texto estático e linear — é um formato pobre para transmitir competências complexas. Sistemas de recrutamento do futuro podem se beneficiar de formatos mais ricos, como grafos de conhecimento da trajetória profissional, onde cada habilidade tem um contexto associado, ou portfólios interativos com evidências verificáveis.
Enquanto esse futuro não chega, a responsabilidade recai sobre nós, profissionais de tecnologia e recrutamento, de projetar processos que valorizem a substância sobre a forma. Um currículo otimizado por IA é uma ferramenta de produtividade, não uma declaração de competência. Tratá-lo como tal — com o ceticismo técnico que aplicamos a qualquer dado de entrada em um sistema — é o que separa um recrutamento eficiente de uma triagem cega. E, convenhamos, em um mercado onde todo mundo usa IA, o diferencial não está em quem usa, mas em quem sabe ler além das palavras.