Todo sistema de rastreamento de candidatos usa alguma forma de IA para classificar Curriculo. As arquiteturas se dividem em duas categorias: correspondência baseada em palavras-chave, usada pela quase totalidade das plataformas legadas, e classificação baseada em resultados, usada pelo CurriculoATS. A diferença não é apenas marketing. É uma diferença estrutural em como o modelo lê um Curriculo, e isso produz listas curtas fundamentalmente diferentes para o mesmo grupo de candidatos.
Esta é uma comparação técnica escrita para um fundador de startup que deseja entender o que realmente está acontecendo nos bastidores quando compram software ATS e por que as duas arquiteturas não podem ser suavizadas por uma melhor experiência do usuário ou um modelo mais inteligente com as mesmas entradas.
Como funciona a correspondência baseada em palavras-chave
A correspondência baseada em palavras-chave extrai tokens da descrição do trabalho (Python, AWS, Kubernetes, Django, Postgres) e examina o Curriculo em busca dos mesmos tokens. Cada token encontrado conta para uma pontuação de correspondência. A implementação básica se parece mais ou menos com isto: job_tokens = extract_keywords(job_description); resume_tokens = extract_keywords(resume_text); overlap = intersection(job_tokens, resume_tokens); score = len(overlap) / len(job_tokens). Versões mais sofisticadas usam ponderação TF-IDF (termos raros contam mais do que comuns) ou embeddings de frases (Curriculos cujo vetor está próximo do vetor JD classificam mais alto, capturando sinônimos como "liderou" para "gerenciou"). Todas as três variantes compartilham a mesma propriedade subjacente: são funções determinísticas de correspondência de texto, e o Curriculo é a entrada. Candidatos cientes de táticas de preenchimento de palavras-chave podem produzir de forma confiável saídas que o modelo favorece.
As três vulnerabilidades estruturais da correspondência de palavras-chave
1. Envenenamento de Curriculo adversarial
Qualquer algoritmo determinístico de correspondência de texto pode ser manipulado por candidatos que conhecem as regras. Se o modelo recompensa a presença de palavras-chave específicas, os candidatos injetam essas palavras-chave em texto branco oculto na parte inferior do Curriculo, em pontos de bala repetidos ou em seções de habilidades falsas. Sistemas baseados em palavras-chave são estruturalmente vulneráveis a isso; o modelo não tem conceito se a palavra-chave está lá porque o candidato fez o trabalho ou porque ele descobriu o filtro. Mesmo modelos de similaridade semântica são vulneráveis, apenas para um ataque ligeiramente diferente: copiar e colar o JD no resumo do Curriculo e a distância cosseno colapsa para quase zero.
2. Falsos positivos em candidatos fracos
Um candidato cujo Curriculo menciona "Python" quatro vezes superará um candidato cujo Curriculo descreve o envio de um sistema de detecção de fraude em tempo real. O modelo recompensa a densidade de tokens, não a profundidade. O recrutador vê o falso positivo no topo da classificação e avança; o candidato forte fica na posição 47 e nunca é lido. O escaneamento de Curriculo em sete segundos documentado pela pesquisa significa que os recrutadores não têm tempo para corrigir manualmente a classificação.
3. Falsos negativos em candidatos fortes
Pesquisas sobre trabalhadores ocultos estimaram que 27 milhões de americanos qualificados são rejeitados pela triagem automatizada por razões não relacionadas à habilidade. Um engenheiro sênior que escreveu "construiu um serviço de streaming" em vez de "arquitetou um pipeline de dados em tempo real" desaparece. Um candidato com vocabulário não tradicional, lacuna no Curriculo ou enquadramento de indústria diferente é filtrado antes que qualquer humano os avalie.
Como funciona a classificação baseada em resultados
A classificação baseada em resultados inverte o mecanismo. Em vez de comparar o texto do Curriculo com o texto do JD, o modelo extrai conquistas mensuráveis do Curriculo em quatro categorias e as classifica de acordo com os requisitos de resultado do papel. As quatro categorias: receita (negócios fechados, ARR gerado, economias produzidas), equipes (pessoas gerenciadas, organizações escaladas), sistemas (construídos, enviados, escalados em produção) e problemas (resolvidos, complexos, novos). O modelo retorna uma pontuação composta de 0-100 com um parágrafo de raciocínio escrito que nomeia os resultados específicos que encontrou. O parágrafo é a parte que transforma o sistema de uma caixa-preta em uma ferramenta que um humano pode auditar.
Arquitetonicamente, o modelo está lendo o ponto de bala em vez da palavra-chave. "Enviou um pipeline de detecção de fraude em tempo real que processou 2M eventos/seg" registra como um forte sinal de sistemas enviados, independentemente de a bala usar as palavras "streaming", "pipeline", "tempo real" ou qualquer estrutura específica. "Python, Python, Python" não registra nada, porque não há resultado por trás disso. Os dois candidatos produzem classificações invertidas em comparação com um modelo de palavras-chave, e a inversão é o ponto inteiro.
Por que a classificação baseada em resultados é mais difícil de manipular
A robustez adversarial é a forma mais clara de comparar as duas arquiteturas. Um modelo baseado em palavras-chave pode ser enganado por qualquer candidato que cole tokens em um Curriculo; o modelo não tem defesa, porque a entrada que lê é a entrada que o candidato controla. Um modelo baseado em resultados só pode ser enganado por um candidato que fabrique conquistas, o que é um ataque categoricamente mais difícil. Inventar números de receita fictícios ou sistemas enviados falsos é fraude. Preencher palavras-chave não é. O salto no custo do ataque é o que torna o modelo baseado em resultados resistente.
Este é o mesmo princípio que os sistemas de recomendação da Amazon usaram há uma década para se proteger contra manipulação de listas por vendedores. Vendedores podem escrever o que quiserem em um título de produto; eles não podem fabricar dados de compra, taxas de devolução ou padrões de revisão verificáveis. O classificador lê o sinal mais difícil de fabricar. Antes do CurriculoATS, nosso fundador Dev passou anos na Amazon trabalhando em busca e recomendações, e o princípio foi transferido quase intacto: classificar com base em sinais que a entrada não pode fabricar de forma barata.
Como as duas arquiteturas lidam com conformidade de maneira diferente
A IA de contratação moderna está dentro de dois regimes regulatórios que importam para qualquer startup contratando em NYC ou na UE. A Lei Local 144 de NYC exige auditorias de viés e aviso ao candidato para ferramentas automatizadas de decisão de emprego usadas em NYC, com auditorias anuais por terceiros e relatórios resumos públicos. A Lei de IA da UE classifica a IA de contratação como de alto risco sob o Anexo III, com obrigações exigíveis a partir de agosto de 2026, incluindo avaliações de risco obrigatórias, documentação técnica, testes de viés e requisitos de supervisão humana.
Ambos os regimes favorecem modelos com raciocínio documentado e explicável. Um ATS baseado em resultados que produz um parágrafo escrito por candidato satisfaz os requisitos de documentação e auditoria muito mais claramente do que um modelo de caixa-preta baseado em palavras-chave que retorna um número sem explicação. A diferença de custo de conformidade entre as duas arquiteturas é real: um fornecedor baseado em resultados pode produzir os artefatos de auditoria diretamente a partir da saída do modelo, enquanto um fornecedor baseado em palavras-chave tem que adaptar explicações ou aceitar riscos contínuos. Esta não é a razão de marketing pela qual o CurriculoATS utiliza a arquitetura baseada em resultados, mas é uma das razões pelas quais a escolha da arquitetura envelhece bem.
O que isso significa para um fundador escolhendo um ATS
A diferença arquitetônica aparece na lista curta. Execute os mesmos cem Curriculos por um ATS baseado em palavras-chave e um ATS baseado em resultados e compare os dez principais candidatos classificados de cada um. As duas listas se sobreporão em talvez 30-50%; o restante serão pessoas diferentes. A lista de palavras-chave incluirá candidatos que otimizaram seus Curriculos para o filtro. A lista de resultados incluirá candidatos que realmente enviaram trabalho relevante. O recrutador ou fundador lê uma dessas duas listas.
Os preços refletem o posicionamento, em vez da diferença de capacidade. O Workable começa em $149/mês e escala por faixa de funcionários. O Greenhouse custa aproximadamente $50-$150 por assento por mês, segundo relatórios de compradores, com contratos medianos em torno de $12.250/ano. O CurriculoATS Pro custa $100/mês (atualmente $50/mês para iniciantes) com membros de equipe ilimitados. A diferença de preço é aproximadamente uma ordem de magnitude na faixa de startup relevante, e a arquitetura de triagem é estruturalmente diferente.
O que fazer a seguir
Se você está avaliando opções de ATS neste momento, a escolha arquitetônica é a variável mais importante, e é a que a maioria das demonstrações mascara. Leia a página de pontuação de impacto para entender o mecanismo técnico, depois verifique a página de comparação para ver como o CurriculoATS se compara ao Greenhouse, Lever, Workable, Ashby e Manatal especificamente na camada de triagem. O nível Starter é gratuito e é suficiente para verificar a diferença arquitetônica em um papel real.