Você envia currículo atrás de currículo, ajusta palavras-chave, reformata o layout, e ainda assim a resposta é a mesma: um silêncio ou um "não obrigado" automático. A sensação é de que todas as empresas chegaram à mesma conclusão sobre você. Mas e se, em vez de várias conclusões independentes, houvesse apenas uma — tomada pelo mesmo algoritmo rodando em servidores diferentes? Um estudo recente liderado por pesquisadores da Universidade Stanford sugere exatamente isso: muitas empresas contratam o mesmo fornecedor de inteligência artificial para triagem de currículos, e o mesmo modelo pode estar avaliando mal e rejeitando candidatos em série. Isso não é coincidência; é um problema estrutural de dependência tecnológica.
O problema não é você, é o algoritmo
Quando falamos de recrutamento mediado por IA, a maioria das pessoas imagina sistemas independentes, cada um treinado com os dados e critérios da própria empresa. A realidade, porém, é bem diferente. O mercado de software de recrutamento é dominado por poucos grandes players — como Workday, Taleo, Lever e Greenhouse — que oferecem módulos de triagem baseados em modelos de aprendizado de máquina. Esses modelos são frequentemente pré-treinados em grandes bases de currículos e descrições de vagas, e depois ajustados (fine-tuned) com dados do cliente. O resultado é que, sob o capô, empresas concorrentes podem estar usando variações mínimas do mesmo algoritmo central. A pesquisa de Stanford expõe essa "monocultura algorítmica": se o modelo tem um viés, ele se propaga como uma epidemia silenciosa.
Na prática, isso significa que seu currículo pode ser rejeitado não por uma avaliação humana cuidadosa de cada empresa, mas por uma única decisão estatística que se replica. Se o modelo aprendeu que experiências em empresas de tecnologia são mais valiosas do que em organizações sem fins lucrativos, ou que determinadas universidades são "melhores", todos os seus currículos serão penalizados da mesma forma, independentemente da vaga. Já presenciei casos em que um candidato com perfil técnico excelente era descartado por sistemas de ATS simplesmente porque o nome do cargo anterior não correspondia exatamente ao título usado na descrição da vaga. Agora imagine esse erro sendo repetido em 50 empresas.
Como a monocultura algorítmica afeta a seleção
O fenômeno não é apenas teórico. Os sistemas de triagem por IA geralmente funcionam em duas etapas. Primeiro, a extração de informações: o software tenta identificar seções como "experiência profissional", "formação acadêmica" e "habilidades". Currículos com formatação não convencional — como PDFs feitos no Canva ou templates criativos — são frequentemente mal interpretados. Segundo, a correspondência: o modelo compara as palavras e frases extraídas com a descrição da vaga, atribuindo uma pontuação de aderência. Se a empresa configurou um limite baixo de aceitação, você pode ser eliminado mesmo tendo as competências certas, apenas porque a IA não as "viu" no formato esperado.
Em um mercado com poucos fornecedores dominantes, a probabilidade de que o mesmo modelo (ou modelos muito similares) esteja sendo usado em paralelo é alta. Isso cria um efeito de "gargalo de informação" — o candidato não é rejeitado por múltiplos avaliadores independentes, mas por um único avaliador disfarçado. A pesquisa de Stanford, segundo o que foi reportado, sugere que essa concentração pode estar amplificando erros de avaliação: se o modelo tem uma taxa de falso negativo de 5%, e você se candidata a 20 empresas que usam o mesmo fornecedor, a probabilidade de ser rejeitado em todas por erro aumenta dramaticamente. Não se trata de você ser desqualificado; trata-se de o sistema não conseguir enxergar seu valor.
O que a pesquisa de Stanford nos mostra de concreto
O estudo liderado por Stanford investigou a fundo a cadeia de fornecedores de IA para recrutamento. Embora eu não tenha acesso ao paper completo, a cobertura jornalística destaca que os pesquisadores encontraram evidências de que o mesmo modelo de linguagem (ou variações dele) é utilizado por um número significativo de empresas, especialmente em setores como tecnologia, finanças e consultoria. Isso não é ilegal, mas levanta questões éticas e práticas.
Na minha experiência como engenheiro de software, sei que modelos de linguagem grandes (LLMs) são caros de treinar e manter. É natural que startups e empresas médias optem por soluções de prateleira. O problema é que essas soluções não são auditadas externamente quanto a viés. A empresa contratante confia na "caixa-preta" do fornecedor, sem saber se o modelo está tratando currículos de forma justa. O estudo de Stanford sugere que a transparência é necessária — e que candidatos deveriam ter o direito de saber qual ferramenta está sendo usada e como seu currículo foi avaliado. Atualmente, isso é raro.
Estratégias para candidatos em um mercado dominado por IA
Se você está do outro lado — enviando currículos —, a primeira reação pode ser de impotência. Mas existem ações práticas que podem aumentar suas chances. A mais óbvia é otimizar seu currículo para os sistemas de ATS mais comuns. Isso inclui usar formatos simples (Word ou PDF sem colunas, sem gráficos, sem fontes exóticas), colocar palavras-chave da descrição da vaga de forma natural, e garantir que seu nome, e-mail e telefone estejam em texto claro, não em imagens. No entanto, essa otimização tem um limite: se o mesmo modelo está sendo usado em várias empresas, a otimização para uma vaga pode não se transferir para outra.
Uma abordagem mais sofisticada é usar a estruturação de dados. Incluir microdados (como JSON-LD) no seu currículo online, ou enviar currículos em formato HTML semântico, pode ajudar a IA a extrair informações com mais precisão. Infelizmente, a maioria dos portais de candidatura não aceita esses formatos. Outra estratégia é diversificar os canais: em vez de depender apenas de plataformas de emprego que usam triagem automatizada, tente abordagens diretas, como contatar recrutadores no LinkedIn ou participar de eventos de networking. Quanto menor a mediação do algoritmo, maior a chance de seu currículo ser lido por um humano.
O papel das empresas e dos fornecedores
Do lado das empresas contratantes, o alerta da pesquisa é claro: usar um único fornecedor de IA pode estar criando um viés sistêmico que exclui talentos valiosos. Como engenheiro, recomendo que empresas exijam de seus fornecedores relatórios de métricas de viés e testes de robustez — por exemplo, como o modelo se comporta quando o currículo usa linguagem não técnica, ou quando o candidato tem experiência internacional. Além disso, é prudente manter uma amostra de currículos rejeitados para revisão humana periódica. Isso não elimina o viés, mas ao menos permite detectar padrões suspeitos.
Fornecedores de IA, por sua vez, têm a responsabilidade de tornar seus modelos mais explicáveis. Ferramentas como LIME e SHAP podem ajudar a mostrar quais palavras ou frases mais influenciaram a decisão. Se o candidato pudesse ver que "a palavra 'liderança' foi o principal fator de rejeição", ele poderia ajustar o currículo de forma mais inteligente. A pesquisa de Stanford aponta que a falta de transparência é um dos maiores problemas atuais. Sem ela, o candidato fica cego.
Minha visão como engenheiro: o que precisa mudar
Eu acredito que o mercado de recrutamento está caminhando para um modelo mais híbrido, onde a IA atua como um filtro inicial, mas com supervisão humana obrigatória. A União Europeia já está regulamentando o uso de IA em processos de contratação, exigindo auditorias de viés e direito à explicação. O Brasil ainda não tem legislação específica, mas a tendência global é de maior escrutínio. Para o profissional de tecnologia, isso representa uma oportunidade: entender como esses sistemas funcionam é uma vantagem competitiva.
Não se trata de demonizar a IA. Ela pode acelerar a triagem e reduzir custos, mas não pode ser a única voz na decisão. O estudo de Stanford nos lembra que a tecnologia reflete os dados com os quais foi treinada — e se esses dados contêm preconceitos históricos, a IA os perpetuará em escala. O candidato que entende essa dinâmica pode se adaptar, mas a responsabilidade maior está nas empresas e nos fornecedores. Enquanto não houver transparência e diversidade de modelos, a sensação de "ter sido avaliado mal por uma única IA" continuará sendo a realidade de muitos profissionais.
Para você que está lendo, meu conselho prático é: não desista, mas também não aceite o silêncio como resposta. Se possível, busque feedback de recrutadores, participe de comunidades, e mantenha seu currículo em múltiplos formatos. O futuro do trabalho exige que sejamos tão inteligentes quanto as máquinas que nos avaliam — e, quando necessário, que saibamos questionar os algoritmos.