A maioria dos sistemas de rastreamento de candidatos lê Curriculos como filtros de spam leem e-mails. Eles escaneiam tokens, contam com que frequência esses tokens aparecem e classificam os candidatos pela densidade. Escreva "liderou" em vez de "gerenciou" e o modelo te desprioriza. Use um sinônimo que o JD não especificou e você despenca na lista. O recrutador nunca vê o Curriculo.
A contratação baseada em resultados joga esse modelo fora. Em vez de contar tokens, a IA lê o que o candidato realmente fez. Receita que eles geraram. Equipes que eles escalaram. Sistemas que eles entregaram. Problemas que resolveram. Então ele classifica em relação aos reais requisitos do papel. Este ensaio explica como funciona, por que produz listas de candidatos fundamentalmente diferentes e por que a maioria dos ATS legados ainda não consegue fazer isso.
O que a contratação baseada em resultados realmente significa
A contratação baseada em resultados é um modelo de triagem que classifica candidatos com base em conquistas mensuráveis em vez de sobreposição de palavras-chave com uma descrição de trabalho. O modelo extrai quatro categorias de sinal de cada Curriculo: receita (negócios fechados, ARR gerado, economias produzidas), equipes (pessoas gerenciadas, organizações construídas ou escaladas), sistemas (construídos, entregues, escalados, mantidos em produção) e problemas (resolvidos, complexos, novos).
Ele pontua cada candidato de acordo com os requisitos de resultados do JD e produz uma pontuação composta de 0 a 100 mais um parágrafo de raciocínio escrito explicando o que o modelo encontrou e por que classificou o candidato onde o fez. O parágrafo de raciocínio é a parte que transforma o sistema em algo que um fundador pode realmente usar, pois permite que um humano leia, concorde ou sobrescreva.
O trabalho da McKinsey resumido em The shape of talent in 2023 and 2024 mostra que a adoção de contratação baseada em habilidades subiu de 40% em 2020 para cerca de 60% em 2024, e a triagem baseada em resultados é o mecanismo técnico que torna a contratação baseada em habilidades real em vez de aspiracional.
Os três problemas estruturais com a correspondência de palavras-chave
Plataformas ATS baseadas em palavras-chave têm sido o padrão por quinze anos. Elas permaneceram por serem baratas de construir e fáceis de demonstrar, não porque funcionavam bem. Na prática, falham de três maneiras específicas.
1. Elas recompensam a contaminação do Curriculo.
Qualquer candidato que se inscreveu para mais de cinco empregos aprendeu os padrões: despejos de palavras-chave em texto branco escondido no final do Curriculo, pontos de bala repetidos, seções de habilidades falsas com todas as variações de cada tecnologia. O Jobscan documenta quão prevalente isso é. O padrão funciona em todos os filtros baseados em palavras-chave, incluindo os semânticos usando embeddings de frase, porque o modelo subjacente ainda lê tokens.
2. Elas recompensam ruído em vez de sinal.
Um Curriculo que diz "Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres" bate um Curriculo que diz "entregou um pipeline de detecção de fraudes em tempo real que processou 2M eventos por segundo." O modelo de palavras-chave recompensa a densidade de tokens, não o trabalho por trás disso. O candidato que fez menos e descreveu isso mais estrategicamente vence.
3. Elas rejeitam grandes candidatos por escolha de palavras.
Um engenheiro sênior que escreveu "construiu um serviço de streaming" em vez de "arquitetou um pipeline de dados em tempo real" desaparece do ranking. O projeto da Harvard Business School sobre trabalhadores ocultos estimou que 27 milhões de americanos qualificados são filtrados por triagem automatizada por razões não relacionadas à capacidade. A maioria dessas rejeições é baseada em vocabulário, não em habilidades.
O que a IA baseada em resultados realmente avalia
CurriculoATS lê um Curriculo da maneira que um engenheiro sênior ou operador faria, não da maneira que uma regex faria. O modelo extrai quatro categorias de resultados mensuráveis e os pontua de acordo com o JD.
Receita.
Negócios fechados, ARR gerado, custos reduzidos, transações processadas, economias produzidas. O modelo reconhece tanto números de linha superior ("fechou $2,4M em novo ARR") quanto números operacionais ("reduziu gastos de infraestrutura em 38%"). Um candidato sem sinal de receita não é penalizado por isso; o papel apenas precisa solicitá-lo.
Equipes.
Pessoas gerenciadas, organizações construídas, contratações feitas, líderes desenvolvidos. O modelo distingue entre "liderou uma equipe de três" e "escalou uma organização de 8 para 45 engenheiros em dois fusos horários", porque o segundo descreve um desafio operacional categoricamente diferente.
Sistemas.
Construídos, entregues, mantidos, escalados em produção. O modelo lê os verbos e o escopo. "Entregou um sistema de relevância de busca que processava 4B de consultas/dia" é um sinal diferente de "contribuiu para o sistema de relevância de busca," e um modelo baseado em resultados capta a diferença. Um modelo de palavras-chave trata ambos como a palavra "busca."
Problemas.
Resolvidos, complexos, novos, ambíguos. O Curriculo do candidato descreve problemas difíceis que eles possuíam de ponta a ponta. "Diagnosticou e resolveu um vazamento de memória que estava sem solução há seis meses" é um sinal de problemas resolvidos mais forte do que "trabalhou em correções de bugs," mesmo que ambos possam mencionar as mesmas tecnologias.
A pontuação composta de 0 a 100 combina esses sinais com relevância de experiência, trajetória de carreira e alinhamento de habilidades. O parágrafo de raciocínio escrito nomeia os resultados específicos que o modelo encontrou, o que significa que os fundadores podem lê-lo e decidir se confiam na classificação.
Por que construímos assim
Antes do CurriculoATS, nosso fundador Dev passou anos na Amazon trabalhando em sistemas de busca e recomendação. Há um único princípio desse trabalho que impulsionou o design: classifique com base em sinais que a entrada não pode fabricar diretamente. Vendedores podem escrever o que quiserem nos títulos de produtos, mas não podem fabricar dados de compra. Revisores podem deixar avaliações falsas, mas padrões de avaliações verificadas são mais difíceis de falsificar em grande escala. O classificador lê o sinal mais difícil de falsificar.
A contratação é da mesma forma. Os candidatos podem escrever qualquer palavra-chave que desejam; isso é essencialmente gratuito. Eles não podem fabricar resultados mensuráveis sem cometer fraude, o que é uma barreira muito maior do que reformular um ponto de bala. Portanto, um classificador baseado em resultados é estruturalmente mais difícil de manipular, estruturalmente mais justo para candidatos honestos e estruturalmente alinhado com o que o fundador realmente deseja saber: essa pessoa fez um trabalho que se assemelha ao que precisamos?
O quadro de conformidade também se alinha. A Lei Local 144 da cidade de Nova York e o Ato de IA da UE favorecem sistemas com raciocínio documentado. Um modelo que produz uma explicação escrita por candidato é muito mais fácil de auditar e divulgar do que um filtro de palavras-chave em caixa preta.
Onde a contratação baseada em resultados falha (e como consertá-la)
A contratação baseada em resultados é estruturalmente mais forte do que a correspondência de palavras-chave, mas não é mágica e vale a pena ser honesto sobre os casos em que ela não tem um desempenho ideal. Três padrões emergem nos dados. Primeiro, candidatos juniores e recém-formados frequentemente têm resultados legítimos que ainda não estão quantificados, porque seus primeiros empregos não os expuseram a métricas de receita ou escala. O modelo lida com isso lendo sinais qualitativos ("liderou a reestruturação do fluxo de integração que a equipe ainda está usando"), mas a faixa de pontuação se comprime para esse grupo, o que pode achatar a classificação. A solução é ponderar resultados quantificados mais baixo para funções de nível inicial na configuração do JD. Segundo, candidatos de vendas com números de cota inflacionados podem manipular a pontuação baseada em resultados assim como manipulam a pontuação baseada em palavras-chave, inventando ou arredondando cifras de receita. O modelo trata números redondos sem períodos ou comparações de pares como sinais de baixa confiança, mas um candidato suficientemente determinado ainda pode produzir resultados inflacionados. Verificações de referência permanecem a solução estrutural, não a camada de triagem. Terceiro, funções profundamente técnicas onde os resultados são não públicos (trabalho de infraestrutura proprietária, projetos classificados) podem ter uma classificação inferior porque o candidato não consegue descrever o que entregou em detalhes. A solução é que o fundador escreva o JD com o nível certo de abstração, pedindo sinais de sistemas entregues em um nível que o candidato possa descrever sob NDA. Nomear essas limitações é importante porque a classificação baseada em resultados é uma ferramenta, não um veredito, e fundadores que tratam a pontuação como a decisão em vez de como a triagem produzem contratações piores do que fundadores que tratam a pontuação como o início da revisão.
Como um fundador aplica isso
A contratação baseada em resultados exige que o JD seja escrito em resultados, não em deveres. "Responsável por gerenciar o pipeline de dados" é um dever. "Nos primeiros seis meses, essa pessoa entregará um pipeline de streaming que lida com 100K eventos/segundo com latência abaixo de um segundo" é um resultado. O modelo pode corresponder ao segundo; ele não pode fazer nada útil com o primeiro.
- Reescreva o JD como resultados. Duas ou três frases descrevendo o que a pessoa entregará em seus primeiros seis meses. Este é o documento que o modelo de triagem usa.
- Execute o papel através da triagem baseada em resultados. Compare os dez principais candidatos classificados com os dez principais que você teria escolhido manualmente. Meça a sobreposição.
- Leia os parágrafos de raciocínio. O parágrafo diz quais resultados o modelo encontrou. Se ele encontrou coisas que você não encontrou, o modelo está adicionando sinal. Se não encontrou nada significativo, o JD provavelmente precisa de mais resultados.
- Use a pontuação como uma ferramenta de triagem, não uma decisão. Entrevistar os 8-12 principais, debater, decidir. O modelo leva você à lista de candidatos certa. A decisão ainda pertence ao humano.
O que fazer a seguir
Se você quiser ver a triagem baseada em resultados produzir uma lista de candidatos em um papel real, o nível Starter gratuito do CurriculoATS lida com um trabalho ativo com membros ilimitados da equipe. Leia a página de recursos para o que está incluído, depois verifique o AI ATS para fundadores para o caso de uso específico para fundadores. O modelo leva cerca de 15 minutos para configurar em uma função.