Quase todo aplicativo sistema de rastreamento de candidatos no mercado hoje diz que tem IA. A maioria deles não tem, de nenhuma maneira que importe para um engenheiro. Eles têm automação baseada em regras, extração de palavras-chave e o ocasional modelo de incorporação de frases em cima de uma base de código de 2014. A página de marketing diz IA. O modelo por trás da cortina é a mesma expressão regular que está lá há uma década.
Essa é a diferença entre a hype da IA e a realidade da IA no recrutamento. Isso importa porque os resultados das contratações são completamente diferentes dependendo de qual você realmente compra.
Como é a verdadeira IA no recrutamento
A verdadeira IA no recrutamento significa um modelo que lê um Curriculo, extrai resultados mensuráveis (receita gerada, equipes gerenciadas, sistemas entregues, problemas resolvidos) e classifica os candidatos por relevância para o cargo. O modelo produz uma pontuação e um parágrafo de raciocínio escrito que um humano pode ler e discordar. Não conta apenas tokens. Não calcula apenas uma distância vetorial. Interpreta o que o candidato realmente fez, da maneira que um engenheiro sênior ou operador faria. A pesquisa da McKinsey sobre práticas de talento, resumida em A forma do talento em 2023 e 2024, mostra que a adoção da contratação baseada em habilidades subiu de 40% em 2020 para cerca de 60% em 2024, que é exatamente o que um modelo de leitura de resultados é construído para apoiar. A Hype-IA não pode fazer contratações baseadas em habilidades bem porque não tem conceito de habilidade, apenas de presença de token. A verdadeira IA pode.
O teste mais simples é perguntar ao fornecedor pelo parágrafo de raciocínio por trás de uma pontuação. Se eles não puderem produzir um, a pontuação é uma caixa preta e a IA é marketing.
Hype IA: os padrões que continuam aparecendo
Após ver a maioria das demonstrações de ATS neste mercado, o mesmo punhado de padrões é vendido como IA quando na verdade são outras coisas.
- Frequência de palavras-chave vestida de correspondência semântica. O modelo conta com que frequência Python e AWS aparecem e chama o resultado de pontuação de correspondência. Adicione filtragem de palavras irrelevantes e um dicionário de sinônimos e é chamado de “processamento de linguagem natural.” A experiência do candidato permanece inalterada: encha seu Curriculo com palavras-chave e você vence.
- Incorporações de frases como uma camada fina. Uma versão mais sofisticada usa incorporações de frases pré-treinadas para calcular a similaridade do cosseno entre o Curriculo e o JD. Isso pega sinônimos, mas ainda é correspondência de texto para texto. Um candidato que copia e cola o JD em seu resumo de Curriculo recebe uma pontuação alta sem experiência real.
- Entrevistadores chatbot. Um formulário roteirizado com uma interface LLM. Útil para agendamento e triagem. Não é inteligente em triagem.
- Resumos gerados por IA. O modelo resume o Curriculo em pontos destacados, que é uma funcionalidade de produtividade, não uma decisão de classificação. O classificador por trás ainda é baseado em palavras-chave.
Nada disso é fraude. É apenas rotulagem generosa. Também acontece de ser a razão pela qual os candidatos aprenderam a manipular os ATS de forma tão confiável. O Jobscan documenta a prevalência do preenchimento de palavras-chave em Curriculos reais, e o padrão só funciona porque os sistemas de triagem recompensam isso.
Por que a hype é tão duradoura
Três forças mantêm a lacuna entre o marketing de IA e a realidade da IA amplamente aberta no software de recrutamento, e vale a pena mencioná-las para que você possa ignorá-las.
A primeira é que o comprador geralmente não é um avaliador técnico. Aquisições são RH, a demonstração está na frente de um chefe de talentos, e a pergunta “qual é a arquitetura real do modelo?” raramente é feita. Os fornecedores aprendem que podem enviar a mesma regex que enviaram em 2018 e chamá-la de IA, desde que a demonstração pareça limpa. Não há penalidade pelo marketing.
A segunda é que os ATS legados são jogadas de plataforma. Greenhouse, Lever e Workable ganham dinheiro com fluxo de trabalho, não com precisão de triagem. Adicionar verdadeira IA de classificação é uma engenharia cara para uma funcionalidade que não aparece claramente em uma ficha de comparação de aquisições. Portanto, eles enviam a versão barata.
A terceira é que a contratação está a montante de tantas outras coisas, como qualidade da descrição do trabalho, canais de sourcing, condições de mercado e marca da equipe, que uma triagem ruim se esconde dentro do ruído. Uma equipe que contrata doze bons engenheiros por ano credita o processo. A mesma equipe teria contratado as mesmas doze pessoas com uma Google Sheet, porque a triagem não estava fazendo o trabalho que a equipe pensa que estava fazendo. A triagem com verdadeira IA é testável de uma maneira que ajuda um fundador a distinguir o verdadeiro levantamento do ruído: você pode comparar os dez candidatos mais bem classificados do modelo com seus próprios dez principais e ver se eles se sobrepõem. A Hype IA falha nesse teste quase todas as vezes.
O que os sistemas de recomendação da Amazon nos ensinaram sobre contratação
Antes do CurriculoATS, nosso fundador Dev passou anos na Amazon trabalhando em sistemas de busca e recomendação. Há uma lição desse trabalho que se mapeia diretamente na IA de contratação: o único modelo que vale a pena enviar é aquele cujos resultados top-K são bons. Tudo o mais é teatro.
A recomendadora da Amazon não envia um modelo que desempenha ligeiramente melhor em precisão média, mas classifica os itens errados na posição 1. A posição 1 decide se o usuário clica. O mesmo é verdade para a classificação de Curriculos. O recrutador olha para os dez ou quinze primeiros, ponto final. Se os dez melhores do modelo estão errados, o resto do sistema não o salva.
É por isso que o CurriculoATS é construído em torno de uma avaliação multi-sinal, conquistas quantificadas, relevância da experiência, trajetória de carreira, alinhamento de habilidades, que produz uma pontuação composta de 0–100 com um parágrafo completo de raciocínio escrito. O parágrafo é a parte que transforma um classificador de caixa preta em algo em que um fundador pode realmente confiar. Você pode lê-lo, discordar dele, substituí-lo. Essa é a diferença entre IA como suporte à decisão e IA como substituição da decisão, e isso importa mais do que qualquer detalhe da arquitetura do modelo. Veja a página de pontuação de impacto para a divisão completa.
Por que a pergunta do comprador importa mais que o marketing do fornecedor
A maneira como um fundador pergunta sobre IA em uma demonstração determina se eles terminam com verdadeira inteligência de classificação ou com marketing disfarçado de uma. Os fornecedores que vencem as competições de aquisições nem sempre são os fornecedores com os melhores modelos; são os fornecedores cujas demonstrações respondem às perguntas que os compradores realmente fazem. A maioria dos compradores faz as perguntas erradas. “Tem IA?” é a pergunta errada, porque todo fornecedor dirá que sim. “O que o AI pontua?” está mais próximo, porque força o fornecedor a descrever a entrada do modelo. “Mostre-me o raciocínio por trás de um candidato bem classificado” é a pergunta certa, porque força o fornecedor a produzir a saída. Um fornecedor com verdadeira inteligência de classificação pode mostrar isso em 90 segundos. Um fornecedor com hype IA não pode. Este é o momento de maior sinal positivo em qualquer demonstração de ATS, e a maioria dos fundadores o pula porque o fluxo da demonstração é construído para mantê-los nas funcionalidades de fluxo de trabalho. Vimos fundadores assistirem a walkthroughs de 40 minutos de quadros de pipeline e templates de cartas de oferta, e então assinar contratos anuais sem nunca pedir ao modelo para produzir um parágrafo para um candidato específico. A lacuna de aquisições não é conhecimento de IA; é disposição para interromper a demonstração. Um fundador que pede o parágrafo de raciocínio nos primeiros dez minutos filtra 70% do mercado de ATS legados sem precisar ler um único benchmark.
Como um fundador avalia fornecedores de recrutamento com IA em uma demonstração
Você não precisa de uma estrutura de aquisição. Você precisa de três perguntas.
- Mostre-me o raciocínio por trás do candidato mais bem classificado. Se a resposta for um número sem explicação, o modelo é baseado em palavras-chave. Siga em frente.
- Faça com que o Curriculo do meu último contratado passe pelo sistema antes de eu entrar. Se o modelo o teria classificado entre os dez primeiros, o sistema tem sinal. Se eles teriam sido rejeitados, o modelo está quebrado.
- Quanto isso custa quando tenho dez funções abertas em vez de três? O preço por assento pune equipes em crescimento. O preço fixo escala com o volume de contratações, que é o que uma startup realmente se importa.
Essa é toda a demonstração. Trinta minutos são suficientes.
O que fazer a seguir
Se você tem uma lista curta de ATS na sua mesa e não tem certeza se a IA é real, faça a demonstração das três perguntas em cada uma. Depois, leia nossa página de IA ATS para fundadores e a página de comparação para ver como os principais fornecedores se comparam com um modelo baseado em resultados. O nível Starter no CurriculoATS é gratuito para um trabalho ativo, que é suficiente para testar o classificador em um cargo que você está gerenciando agora sem se comprometer com um contrato.
Ex-engenheiro de machine learning na Amazon (busca e recomendações) e Synopsys. Criou o CurriculoATS para substituir a correspondência de palavras-chave na contratação por avaliação de IA baseada em resultados. Alumni da Penn State. Escreve sobre IA de contratação, economia de ATS e o que realmente prevê desempenho no trabalho.