IA no recrutamento: triagem de currículos, ranking e shortlisting

Como funciona tecnicamente: do CV ao score

IA de triagem segue pipeline: (1) Parsing (leitura do CV): Extrai dados estruturados do documento: nome, contato, experiência, skills, educação, certificações. (2) Feature extraction (criação de variáveis): Transforma texto em números que modelo entende: "anos de experiência em Python" ? 7, "trabalhou em fintech" ? 1, etc. (3) Matching: Compara features do candidato com features da vaga: vaga procura Python 3+ anos, candidato tem 7 anos ? score positivo. (4) Scoring: Modelo produz score de 0-100 ou probabilidade de sucesso. (5) Ranking: Candidatos ordenados por score; top 10-20 são shortlist para entrevista.

Tecnicamente, dois approaches: keyword matching (simples: procura por palavras-chave específicas) e semantic matching (sofisticado: entende sinonímia — "JavaScript" e "JS" são iguais, "Python developer" é similar a "software engineer using Python"). Semantic é melhor mas requer NLP avançado.

Dados de treinamento: a base de tudo

IA de triagem é tão boa quanto dados que a treinam. Ideal: histórico de 500+ CVs de candidatos que foram contratados E performance posterior. Modelo aprende: "estes candidatos foram contratados e se performaram bem; aqueles foram contratados e se saíram mal; estes nunca foram nem considerados". Padrões emergem: "candidatos com background em X + experiência em Y tenderam a ser 30% mais produtivos".

Problema: maioria das empresas não tem dados assim. Resultado: modelo treinado em dados limitados. Solução: começar com dados que tem, validar continuamente, ajustar conforme aprende.

Accuracy, precision, recall e o que significam

Accuracy (acurácia): % de decisões corretas globalmente. "De 100 candidatos que modelo classificou, 87 foram classificados corretamente". Soa bem, mas vago sem contexto.

Precision: De candidatos que modelo disse "sim (avançar)", quantos realmente tiveram sucesso? Se modelo diz "avançar" para 50 candidatos mas só 40 tiveram sucesso, precision é 80%. Importante: evitar falsos positivos (candidatos não qualificados que avanços).

Recall: De candidatos que DEVERIAM ter avançado, quantos modelo identificou? Se 100 candidatos eram "qualificados verdadeiramente", mas modelo só identificou 80, recall é 80%. Importante: evitar falsos negativos (deixar talento bom de fora).

Trade-off clássico: Aumentar precision (ser mais rigoroso) reduz recall (deixa talento passar). Aumentar recall (ser generoso) reduz precision (deixa ruim passar). Qual trade-off escolher? Depende do problema. Se vaga é crítica (perder talento bom é caro), maximize recall (seja generoso, humano revisa depois). Se volume é gigantesco, maximize precision (só avança melhor, menos review).

Viés em IA de triagem: o risco real

Viés é o maior risco de IA em seleção. Fonte: Viés nos dados de treinamento. Se empresa contratou predominantemente homens em engenharia, modelo aprenderá a favorecer homens. Se contratou de universidades elite, modelo favocerá elite. Se discriminou (mesmo que inconscientemente) por idade, modelo reproduzirá. Proxy bias: Variável que correlaciona com grupo protegido. Ex: "universidade" é proxy para etnia (se empresa discriminou por universidade, indiretamente discriminou por etnia). Feedback loop: Modelo recomenda candidato X, que avança, que é contratado, que é performer bom, que reforça modelo que candidatos como X são bons. Mas talvez candidato Y que não avançou seria ainda melhor; nunca saberemos.

Mitigação: (1) Validar explicitamente por equidade: Medir acurácia separadamente por gênero, etnia, idade. Se acurácia varia (ex: 85% para homens, 72% para mulheres), há viés. (2) Balancear dados de treinamento: Se dados têm 80% homens, balance para 50-50 (ou pese exemplos de mulheres). (3) Monitorar continuamente: Conforme modelo roda, rastrear: qual % de shortlist é mulher? Se estava 20% histórico mas modelo gerou 10%, há regressão. (4) Human review: Oferecer opção para candidato contestar: "por quê fui rejeitado? Quero revisão humana". Isso reduz injustiça percebida.

Validação de modelo antes de go-live

Antes de usar IA de triagem em ambiente real, validar. Protocolo recomendado: (1) Treinar modelo em 70% dos dados históricos. (2) Validar em 30% restante (dados que modelo nunca viu). (3) Medir accuracy, precision, recall. (4) Medir equidade: acurácia por gênero, etnia, idade. Se equidade baixa em algum grupo, ajustar ou não implementar. (5) Simular: se modelo tinha rodado no passado, qual seria o resultado? Ter ficado talento bom? (6) Piloto: rodar em 1-2 vagas reais, com human review de todas as decisões, medir satisfação de candidatos.

Frequência: antes de ir ao ar, depois validação continuada (quarterly). Se acurácia cai ou viés aumenta, revisar modelo.

Configuração do modelo: além de accuracy, o que importa

IA não é caixa preta que você assina. Há knobs que você configura:

Threshold: Qual score mínimo para "avançar"? Se threshold é 70, só candidatos com score =70 avançam. Threshold baixa ? mais candidatos avançam (recall alto) ? mais work de entrevista. Threshold alta ? menos candidatos (precision alto) ? risco de deixar talento passar. Calibre conforme sua tolerância de risco.

Pesos de critérios: Se vaga é "senior developer em Python", qual pesa mais: "Python" (skill crítica) ou "senior" (level)? Se Python pesa 10x e senior pesa 2x, modelo prioriza Python. Configuração deve refletir o que realmente importa para sucesso na vaga.

Hard filters vs. soft scoring: Hard filter: "must have Python" (se não tem, score zero). Soft: "Python é importante mas não obrigatório" (score reduzido se não tem). Hard filters são rápidos mas rígidos; soft scoring é sofisticado mas lento.

Candidate self-ranking: Permitir que candidato indique fit próprio? "Sou senior? Já usei Python em produção?" Honestidade é questionável, mas reduz falso negativo automático.

Comunicação para candidato: transparência > sigilo

Empresa que esconde uso de IA em seleção sofre dano quando descoberto (E descobrem). Comunicação recomendada no site de carreiras e JD: "Usaremos análise automatizada para revisar candidaturas. Isso nos permite responder mais rapidamente. Processo: (1) IA faz triagem inicial baseada em skills e experiência, (2) candidatos com score alto são contactados para próxima etapa, (3) candidatos com score baixo recebem feedback automático explicando por quê, (4) se discorda do resultado, pode solicitar revisão humana".

Essa comunicação: reduz frustração (candidato sabe por quê foi rejeitado), estabelece confiança (empresa é transparente), oferece via de contestação (sente que tem voz).

Impacto de IA em métricas de recrutamento

Time-to-hire: Esperado reduzir 30-40%. Triagem que levava 2 semanas leva 2 dias. Candidatos bons são contactados rápido.

Cost-per-hire: Reduz em 20-30%. Menos tempo de recruiter = custo menor. Mais hires de qualidade = menos turnover = custo total baixa.

Quality of hire: Se modelo bem validado, melhora (candidatos melhores são selecionados). Se modelo com viés, pode piorar.

Candidate satisfaction: Depende da implementação. Se modelo rápido + feedback claro + opção de contestação = satisfação sobe. Se rejeição automática + sem explicação = satisfação cai.

Diversity of shortlist: Se modelo tem viés, diversidade cai. Se modelo bem validado por equidade, diversidade pode melhorar (elimina viés humano de aparência).