Triagem de currículos com AI é o uso de AI — especificamente large language models ou ML especializado em matching — para avaliar currículos de candidatos inbound em relação aos requisitos da vaga. Fica no topo do funil de recruiting, filtrando grandes volumes de candidaturas para chegar nos candidatos que merecem o tempo do recruiter. Um dos casos de uso de AI com maior alavancagem no recruiting e também um dos de maior risco de amplificação de viés, conforme as considerações de viés na triagem com AI.
O que a triagem de currículos com AI realmente faz
As capacidades funcionais:
- Extração de skills. Extrai skills, níveis de experiência e qualificações do texto do currículo em dados estruturados que o motor de matching pode usar.
- Pontuação de fit para a vaga. Pontua cada currículo de 1 a 100 (ou equivalente) em relação aos requisitos de uma vaga específica. Pontuação maior = melhor match candidato-vaga.
- Auto-categorização. Buckets de “fit forte” / “fit potencial” / “fit fraco” / “sem fit” que direcionam as decisões de roteamento.
- Captura de sinais além de keywords. A triagem moderna com AI identifica experiência relevante que não faz match por keyword com o JD (ex.: uma descrição de vaga de “platform engineer” matcheando com um candidato cujo histórico diz “infrastructure engineer”).
Por que a triagem de currículos com AI importa
Três drivers estruturais:
- O volume de candidaturas frequentemente supera a capacidade dos recruiters. Uma postagem de vaga no LinkedIn ou no site da empresa pode gerar centenas a milhares de candidaturas em dias; a revisão manual é inviável.
- A revisão manual de currículos é propensa a viés. Estudos mostram consistentemente que revisores humanos introduzem viés com base em nomes, faculdades e outros proxies. A AI é potencialmente menos propensa ao viés — quando bem desenhada — mas muito propensa quando mal desenhada.
- Eficiência de custo. O tempo do recruiter é caro; a triagem com AI em escala custa centavos por currículo; a conta do ROI é favorável quando a implementação é sólida.
Quando a triagem de currículos com AI falha
Os modos de falha recorrentes:
- Amplificação de viés. AI treinada em decisões históricas de contratação herda os vieses dessas decisões. Sem trabalho explícito de fairness, a AI replica e amplifica padrões históricos de contratação.
- Auto-rejeição excessivamente agressiva. AI que rejeita automaticamente abaixo de um limiar de pontuação rígido rejeita candidatos de casos de borda que a equipe teria querido. O custo de falso negativo é alto; limiares conservadores importam.
- Mismatch keyword vs. conceito. AI ingênua triagem por presença de keyword; perde candidatos cujos backgrounds fazem match conceitualmente, mas usam terminologia diferente.
- Gaming de currículos. Candidatos cada vez mais escrevem currículos otimizados para triagem com AI (keyword stuffing, escrita de currículo com AI). Reduz a validade do sinal.
Como fazer deploy de triagem de currículos com AI de forma responsável
Cinco princípios operacionais:
- AI sugere, humanos decidem. AI ranqueia e recomenda; recruiters revisam os candidatos mais bem ranqueados e tomam decisões. Auto-rejeitar abaixo de um limiar é o default errado.
- Infraestrutura de auditoria de viés. De acordo com a Lei Local 144 de NYC, o EU AI Act e o Illinois AVDA — audite as taxas de seleção por grupo demográfico; investigue disparidades; documente a remediação.
- Valide por amostragem periodicamente. Verifique candidatos marcados como “baixo fit” pela AI; confirme que eles realmente são baixo fit. Revela viés e problemas de calibração.
- Calibre para o sinal específico da vaga. Triagem genérica com AI produz sinal genérico. A customização por vaga (quais skills importam, quais padrões de experiência contam, quais proxies ignorar) melhora materialmente a qualidade.
- Transparente com os candidatos. Conforme frameworks regulatórios emergentes, divulgue o uso de AI na triagem. Gera confiança dos candidatos e atende obrigações de compliance.
Como a triagem de currículos com AI está mudando
Duas mudanças importantes em 2026:
- Plataformas especializadas vs. LLMs gerais. A triagem inicial de currículos com AI era principalmente LLM-como-triador. Cada vez mais, plataformas especializadas (Eightfold Talent Intelligence, AI nativa de ATS no Ashby e Greenhouse) entregam sinal melhor porque são treinadas especificamente em dados de contratação.
- Dinâmicas AI-vs-AI. Candidatos usam AI para escrever currículos; empresas usam AI para triá-los. A corrida armamentista não favorece definitivamente nenhum lado; ambos investem em sua vantagem de AI.
Armadilhas comuns
- Tratar o output da triagem com AI como decisivo. A triagem com AI é um sinal; o julgamento do recruiter, a avaliação do hiring manager e a entrevista estruturada são outros. Superponderar a triagem com AI produz resultados piores do que ponderá-la adequadamente.
- Sem auditoria de fairness. Fazer deploy de triagem com AI em escala sem infraestrutura de auditoria de viés cria risco regulatório e ético.
- Recompensando keyword stuffing. Triagens com AI que recompensam matches exatos de keywords do JD incentivam o gaming de currículos e produzem sinal pior.
- Sem loop fechado na qualidade da triagem. Sem medir as recomendações da triagem com AI em relação ao sinal real da entrevista e aos resultados de contratação, a calibração deriva sem ser detectada.
Relacionados
- Viés na triagem com AI — considerações de viés específicas para ferramentas de contratação com AI
- Triagem de candidatos — disciplina mais ampla em que a AI se encaixa
- Métricas do funil de recruiting — topo do funil onde a triagem com AI opera
- Política de AI para equipes jurídicas — framework de política adjacente que deve governar ferramentas de contratação com AI