IA no recrutamento: onde funciona e onde o currículo falha

Quando alguém diz que vai usar inteligência artificial no processo seletivo, a primeira imagem que aparece é a de um robô lendo currículos e separando os bons dos ruins. Essa imagem tem duas décadas de idade e descreve o problema errado. Filtro de currículo por palavra-chave existe desde que existe sistema de recrutamento, e ninguém precisou de IA para isso.

O que mudou é outra coisa, e é mais desconfortável: o currículo parou de separar candidatos. Não porque a ferramenta de triagem piorou, mas porque o candidato do outro lado também ganhou uma ferramenta. Quando qualquer pessoa consegue produzir um texto impecável, adaptado à vaga, em trinta segundos, a qualidade da redação para de dizer qualquer coisa sobre a qualidade do profissional. O filtro continua funcionando. Ele só não filtra mais nada.

Este artigo é sobre onde a IA realmente resolve alguma coisa em um processo seletivo, onde ela apenas acelera um erro que já existia, e o que continua sendo decidido por gente. Usamos dados públicos de mercado e o registro do nosso próprio processo de seleção de desenvolvedores, que roda desde 2021.

O problema não é a triagem, é o volume

O que quebrou primeiro foi a capacidade de leitura, não a qualidade da decisão. Entre 2022 e 2025, o número de candidaturas que cada recrutador administra por ano passou de 146 para 746, uma alta de 411,8%. No mesmo período, o tamanho médio das equipes de recrutamento caiu 55,6%.

Fonte: Greenhouse, relatório de benchmark "The Hire Standard", março de 2026, com mais de 6.000 empresas e mais de 640 milhões de candidaturas entre 2022 e 2025. Dados da América do Norte.

São números da América do Norte e não devem ser lidos como retrato do Brasil, mas a mecânica que os produziu é a mesma em qualquer lugar onde a candidatura é digital e gratuita: candidatar-se ficou barato, avaliar continuou caro. A razão entre candidaturas e vagas mais que dobrou, de cerca de 115 por vaga em 2022 para 244 em 2025.

O gargalo mudou de lugar. Não é mais a dificuldade de encontrar candidatos, é a impossibilidade de olhar os que chegaram. A capacidade de leitura da equipe é a mesma de sempre, e a entrada multiplicou.

O detalhe que muda a conversa é que a produtividade não desabou. As contratações mensais por recrutador mais que dobraram no período, e a taxa de vagas fechadas com contratação subiu. As equipes não afundaram no volume, elas simplesmente pararam de olhar a maior parte dele.

A maioria dos recrutadores não liga nem percebe que o volume de candidaturas dobrou ou triplicou. Eles estão escolhendo alguns poucos ótimos candidatos e ignorando o resto.

Isso é importante para quem vai investir em tecnologia: se o time já ignora a maior parte da base, uma ferramenta que lê tudo mais rápido não resolve o problema real. Ela só transforma um descarte silencioso em um descarte automatizado, que é a versão do mesmo problema com risco jurídico embutido.

Todo mundo agora escreve bem, e é por isso que o currículo caiu

O segundo efeito é mais sutil que o volume e desmonta a etapa em que quase toda empresa confia. Quando o candidato sabe que uma máquina vai avaliar, ele escreve para a máquina. Em pesquisa do Gartner com 3.000 candidatos, apareceu um comportamento que deveria mudar o desenho de qualquer processo: as pessoas distorcem as habilidades que declaram, ajustando o que dizem ao que imaginam que a IA valoriza.

Ou seja, a triagem automática não mede a habilidade do candidato. Ela mede a capacidade dele de adivinhar o critério da triagem. Esses dois grupos se sobrepõem menos do que se gostaria.

Some a isso o fato de que a candidatura em massa ficou trivial e barata, e o resultado é o que o CEO do Greenhouse, Daniel Chait, chamou de ciclo vicioso da IA em julho de 2026: cada lado usa a própria inteligência artificial para resolver o próprio problema, e o sistema inteiro fica pior. O candidato se candidata a mais vagas para compensar a baixa taxa de resposta, o recrutador aperta o filtro para dar conta do volume, e a taxa de resposta cai de novo.

O canal que mais traz gente é o que menos contrata

Aqui está o número que mais deveria mudar orçamento, e quase ninguém olha. Em 2025, os portais de vagas externos responderam por praticamente metade de todas as candidaturas recebidas e por menos de um quarto das contratações. A busca ativa feita por um recrutador fez o caminho oposto: quase nenhuma candidatura, e uma fatia desproporcional das contratações.

A leitura é direta: a busca ativa converte cerca de três vezes mais do que a proporção de candidaturas que ela gera, e o portal externo converte menos da metade. Se você vai gastar dinheiro em tecnologia de recrutamento, o retorno está em melhorar o canal que já converte e em encontrar quem não se candidatou, não em processar mais rápido a pilha que menos contrata.

É também onde a IA tem uso mais direto e menos discutido: varrer bases e sinalizar quem tem o perfil da vaga sem ter se candidatado a ela.

O que a gente registra quando entrevista não é habilidade técnica

Aqui entra a parte que não vem de relatório de mercado. Selecionamos desenvolvedores desde 2021 com um processo próprio, e mantemos o registro de cada candidato: currículo, autoavaliação, perfil no GitHub e vídeo da entrevista. Desde 2025 isso roda dentro de um sistema nosso, em que cada candidato vira um registro com perfil e entrevista anexados.

Quando fomos reler os resumos que os entrevistadores escreveram ao longo desses anos, o resultado foi desconfortável e esclarecedor. A parte técnica ocupa uma ou duas linhas, do tipo "atua com Node há dois anos" ou "quatro anos de experiência com React". Todo o resto, que é a maior parte de cada resumo, descreve outra coisa:

• Comunicação"Bem conversador e risonho durante toda a conversa."
• Dificuldade de se expressar"Não possui muita desenvoltura para falar sobre sua experiência profissional."
• Concisão"Bem direto, respondia o que era perguntado sem se delongar muito."
• Permanência"Busca ficar em um emprego por muito tempo."
• Motivação real"Parou de programar por um tempo para cuidar da família com emprego mais estável."
• Encaixe no modo de trabalho"Gosta da dinâmica de fábrica de software e startup."

Nenhum desses sinais está no currículo. Nenhum deles sobrevive a uma triagem por palavra-chave. E são exatamente eles que a empresa usa para decidir, porque a competência técnica mínima já tinha sido resolvida antes, no filtro grosso.

Em maio de 2025, com dois finalistas para a mesma vaga, a avaliação técnica interna registrou que os currículos eram "similares em skills", com um deles apenas "mais coerente". A decisão saiu de outro lugar: "gostei bastante da comunicação desse candidato". Os dois tinham pretensões salariais com 50% de diferença entre si, para a mesma posição, o que também não é uma informação que um modelo extrai de um currículo.

Há um caso do nosso registro que resume o limite dos sinais automáticos. Um candidato explicou que a maior parte dos projetos dele estava em repositório fechado e se ofereceu para fazer um teste, caso o GitHub não fosse suficiente para a análise. Qualquer triagem que use portfólio público como critério elimina, sem perceber, todo mundo que passou a carreira trabalhando em código privado, que é a maioria de quem trabalha em empresa.

Onde a IA entrega hoje, com risco baixo

A resposta curta: nas etapas de operação, não nas de julgamento. São ganhos menos glamourosos do que "a IA escolhe o melhor candidato", e são os que aparecem no mês seguinte.

A divisão não é sobre o que a tecnologia consegue processar. É sobre onde existe um rótulo confiável para aprender. Agendamento tem resposta certa e verificável. "Bom profissional" não tem: o que a empresa registra é quem ela contratou e manteve, o que ensina o modelo a reproduzir as escolhas anteriores, incluindo os erros.

A prova de trabalho voltou a ser o melhor sinal

Se o currículo caiu e a entrevista sempre previu mal, sobra o que a pessoa efetivamente produz. Esse é o movimento mais consistente que vemos, e é o que fazemos aqui.

A pasta fechada na mesa é o currículo. O que decide está na peça montada ao lado dela, com as marcas das tentativas que não deram certo à vista.

Em maio de 2025, com dois finalistas aprovados na entrevista, a decisão interna foi registrada em três frases: seguir com os dois, testar, e "tem que ver na prática". Ambos foram contratados e a avaliação real aconteceu no trabalho, não na conversa. É uma admissão de que a entrevista tinha chegado ao limite dela como instrumento de previsão.

O papel da IA aqui é bom e discreto: preparar a tarefa, corrigir a parte objetiva, transcrever a entrevista e organizar as respostas para comparação. Ela devolve tempo de leitura ao avaliador humano, em vez de tentar substituí-lo na parte em que ele é melhor.

Prova de trabalho mal calibrada, por outro lado, vira uma barreira que elimina candidato bom por falta de tempo livre, o que é uma forma silenciosa de filtrar por classe social. A regra prática que usamos é simples: se a tarefa não cabe em algo próximo de uma hora, ela deixou de medir competência e passou a medir disponibilidade.

O que nenhum modelo captura, e decide contratação

Existe uma categoria de critério que não é técnica nem comportamental, é de negócio. Em julho de 2025 reprovamos um candidato que tinha ido bem na entrevista, por uma razão que não aparece em nenhum campo de sistema: pelo desenho do contrato, ele teria acesso direto ao cliente sem compromisso firmado, com risco concreto de propor trabalhar diretamente com esse cliente depois.

Muita informação de currículo pesa pouco na decisão. Poucos critérios de negócio pesam quase tudo, e são justamente os que não estão em nenhum campo de sistema.

Esse tipo de julgamento aparece o tempo todo em quem contrata: risco de conflito de interesse, disponibilidade real de agenda, encaixe com um cliente específico, substituição de alguém que está saindo no meio de um projeto. São decisões sobre a situação da empresa naquele mês, não sobre o candidato em abstrato. Um modelo treinado em histórico de contratações não tem acesso a nada disso.

Por onde começar sem gastar errado

A sequência que faz sentido para a maioria das empresas é o inverso da que costuma ser vendida. Comece pelo que tem resposta verificável e risco baixo, e só depois toque na decisão.

1. Meça o funil antes de automatizar, com candidaturas por vaga, tempo até a primeira resposta e origem de cada contratação dos últimos doze meses. Sem isso não existe critério para saber se a ferramenta ajudou.
2. Arrume a resposta ao candidato, que custa pouco, tem efeito imediato na reputação da vaga e não traz risco regulatório.
3. Invista no canal que converte, reforçando o site de vagas da própria empresa e a busca ativa antes de comprar mais alcance em portal externo.
4. Estruture a entrevista com o mesmo roteiro para todos, gravação e transcrição. Isso melhora a decisão mesmo sem nenhuma IA e é pré-requisito para qualquer automação futura.
5. Só então automatize o corte grosso, com critério objetivo, revisão humana amostral e registro do motivo de cada descarte.
6. Verifique identidade antes da entrevista final, sobretudo em vaga remota.

Os itens 1 a 4 são processo, não software, e resolvem a maior parte do problema. É comum uma empresa descobrir na etapa 1 que o gargalo não era triagem, e sim uma vaga mal descrita atraindo o público errado, o que nenhuma ferramenta de filtro corrige.

O que isso muda para quem contrata

A promessa de que a inteligência artificial vai escolher o melhor candidato é a mais fácil de vender e a mais difícil de sustentar. O que ela faz bem hoje é devolver capacidade a um time de recrutamento que encolheu enquanto o volume dobrava: responder todo mundo, encontrar quem não se candidatou, estruturar o que foi dito na entrevista e barrar o que nem é candidato de verdade.

A parte difícil continua igual, e o nosso próprio registro de cinco anos mostra isso com clareza incômoda: o que decide uma contratação quase nunca está no currículo. Está em como a pessoa explica o que fez, no que ela produz quando recebe um problema parecido com o do dia a dia, e em uma porção de critérios de negócio que só quem conhece a empresa consegue pesar.

Automatizar a entrada do funil é engenharia. Automatizar a saída dele é onde começam os problemas jurídicos, e é o assunto do próximo artigo desta série.

Fontes e método

Apuração de 1º de setembro de 2026. Os dados de mercado vêm do relatório de benchmark "The Hire Standard" do Greenhouse, publicado em março de 2026, que declara base de mais de 6.000 empresas e mais de 640 milhões de candidaturas entre 2022 e 2025, referentes à América do Norte. Os dados sobre comportamento do candidato e perfis fabricados vêm de pesquisa do Gartner com 3.000 candidatos, divulgada em agosto de 2025. A declaração de Daniel Chait é de entrevista publicada em 28 de julho de 2026.

O material sobre nosso próprio processo vem do registro interno de seleção de desenvolvedores da X-Apps, de junho de 2021 a janeiro de 2026. As citações de entrevista foram reproduzidas sem identificação de candidatos, e nenhum cliente é nomeado. Greenhouse, Gartner e HRUtech.com são organizações externas, sem relação comercial com a X-Apps.

Não temos medição própria de taxa de acerto de triagem automática por IA, porque nosso processo usa instrumentos manuais de avaliação. Onde o texto trata de eficácia de triagem automática, a base é a fonte externa citada, não experiência nossa.