Triagem de currículo com IA: como funciona, o que avalia e onde falha

Triagem de currículo com IA é o processo no qual um software lê currículos enviados a uma vaga, extrai dados estruturados (experiência, skills, formação, idiomas) e atribui um score de aderência à descrição da vaga. O recrutador recebe a lista ordenada e decide quem entra na próxima etapa, em vez de ler dezenas ou centenas de currículos manualmente.

A pergunta que importa para empresa e candidato não é "isso funciona?" Funciona, e está em produção em quase todo ATS médio-grande do Brasil. A pergunta é: funciona para o tipo de vaga que você está abrindo? Para algumas, sim. Para vagas técnicas em escala, é onde o modelo encontra limites previsíveis.

#Em uma frase

A triagem por IA é boa em organizar volume e ruim em predizer skill técnica. Ela transforma "300 currículos" em "20 currículos prováveis", mas dentro desses 20, a correlação com performance real continua sendo a mesma de um humano lendo: baixa.

#Como a IA lê um currículo

O pipeline típico tem quatro estágios:

1. Parsing: o currículo (PDF, DOCX, scan) é convertido em texto e segmentado em blocos (cabeçalho, resumo, experiência, formação, skills, idiomas). Modelos modernos lidam bem com layouts variados.

2. Extração de entidades: empresas onde trabalhou, cargos, anos, tecnologias, certificações. Essa parte é precisa em currículos bem formatados e pior em currículos criativos (gráficos, ícones, colunas).

3. Match com a descrição da vaga: o sistema compara o vetor semântico do currículo com o vetor da descrição da vaga (JD). Pesos podem ser ajustados por skill obrigatória, anos de experiência, localização, faixa salarial.

4. Ranking: uma nota final (0–100, geralmente) define a ordem em que o recrutador vê os candidatos.

Plataformas mais antigas usam apenas keyword match. Plataformas modernas usam embeddings (representação vetorial do texto) que entendem que "engenheiro de software" e "desenvolvedor backend" são parentes, não iguais, mas próximos no espaço semântico.

#O que a triagem por IA avalia bem

• Aderência declarada: se o candidato escreveu "React 5 anos" e a vaga exige React 3 anos, o sistema captura isso quase perfeitamente.
• Pré-requisitos formais: formação superior, certificação específica, idioma com nível declarado, localização.
• Volume: 1.000 currículos viram lista ordenada em segundos.
• Coerência de carreira: gap longo, mudanças muito frequentes, evolução de senioridade.
• Compliance básico: vagas com requisitos rígidos (CRC, OAB, CREA) são triadas por aderência exata.

#O que a triagem por IA não avalia

• Skill real, não declarada. Quem escreve "React 5 anos" pode ter feito tutoriais por 4 anos e uma única tela em produção. O currículo registra autodeclaração, não capacidade.
• Capacidade de resolver problema não visto. É justamente o que distingue um engenheiro mediano de um excelente.
• Comportamento em equipe. Soft skills relevantes (comunicação, conflito, ownership) não aparecem como texto extraível.
• Cultura técnica. Quem prioriza qualidade vs. velocidade? Quem documenta? Quem revê código com cuidado? Currículo é silencioso.
• Motivação atual. Quem está procurando ativamente vs. quem está aberto vs. quem só está atualizando perfil.

A triagem por IA é, no fundo, uma leitura mais rápida do mesmo currículo: não uma medição diferente.

#Onde a triagem falha em vagas técnicas

Três falhas típicas:

#1. Excesso de viés por palavra-chave

Candidato com forte experiência em "Vue" sendo desclassificado de vaga "React" porque o sistema não infere que migração entre frameworks frontend é trivial para um sênior. O recrutador definiu React como obrigatório; a IA cumpre a ordem.

#2. Falsos positivos por currículo otimizado

Existe uma indústria informal de currículos otimizados para ATS. Quem aprende a colocar 30 keywords sutilmente espalhadas passa por triagem; quem escreve currículo conciso e direto às vezes fica embaixo.

#3. Vieses históricos no modelo

Modelos treinados em históricos de contratação reproduzem padrões da empresa, incluindo aqueles que ela tem motivo de não querer reproduzir. Universidades específicas, empresas específicas, faixa etária, padrão de nome. Reguladores em vários mercados já obrigam empresas a auditar isso. No Brasil, a LGPD trata decisão automatizada com restrição parcial; em vagas, isso ainda é cinza, mas pode evoluir.

#Triagem com IA vs. avaliação por testes

A diferença prática é onde o trabalho de filtro é feito:

Os dois modelos coexistem: triagem por IA filtra o funil amplo; avaliação por teste filtra a profundidade do skill. Em vagas técnicas, plataformas modernas estão movendo o teste para antes do contato, para que o recrutador receba só candidatos com prova de execução.

#A abordagem da NORT

A NORT inverte a lógica: em vez de a IA ler currículo na entrada da vaga, o candidato faz uma avaliação portátil uma vez: testes técnicos, Big Five, idiomas, validação de experiência. O resultado vira o Career Score, e a empresa filtra esse pool por critérios objetivos.

Para o recrutador, isso significa:

• Não há triagem inicial, a piscina já é pré-avaliada
• Filtro por skill é direto, não por proxy (a palavra-chave do currículo)
• Tempo médio de contratação cai porque a etapa de "ler 300 currículos" some

Para o candidato, significa fazer o esforço uma vez e ter o resultado portátil em múltiplas oportunidades, em vez de refazer testes a cada vaga aplicada.

#Quando triagem por IA continua sendo a melhor escolha

Não é "ou um ou outro". Existem vagas onde triagem por IA é boa o suficiente:

• Vagas administrativas e operacionais: onde aderência declarada é alta correlação com a realidade
• Vagas com volume gigantesco (50.000 candidaturas para programa de trainee), sem triagem automatizada, o processo não escala
• Vagas com pré-requisitos formais não negociáveis (registro profissional, certificação obrigatória)
• Pipeline de candidaturas inbound: empresa que recebe muita aplicação espontânea via site

#Perguntas frequentes

#A triagem por IA é justa com candidatos?

Tecnicamente, ela aplica o mesmo critério para todos. Na prática, herda vieses do dataset histórico e da escrita do recrutador na descrição da vaga. É justa se for auditada, e a maior parte das empresas no Brasil ainda não audita.

#Preciso otimizar meu currículo para passar pela IA?

Para vagas filtradas via ATS tradicional: sim, hoje. Use palavras-chave da descrição da vaga, mantenha layout limpo (sem ícones decorativos), salve em PDF não escaneado. Para plataformas como NORT, isso é irrelevante, o filtro é por skill medido, não por texto.

#A IA consegue identificar um currículo "inflado"?

Em parte. Modelos modernos sinalizam inconsistências (tecnologias estranhas, gap não explicado, evolução suspeitamente rápida), mas não conseguem ler intenção. Um currículo bem escrito, mesmo que exagerado, normalmente passa.

#A LGPD restringe triagem automatizada?

A LGPD garante o direito à revisão por humano de decisões totalmente automatizadas que afetem o titular. Na prática, a maioria das empresas tem um humano olhando a lista ordenada, então o requisito é cumprido. Vale registrar isso no consentimento e na política de privacidade.

#IA generativa (LLM) também faz triagem?

Sim. ChatGPT, Claude, Gemini e modelos open-source já são usados em fluxos custom de pequenas e médias empresas, passa-se o currículo + JD pro modelo e pede-se a análise. Tem ganhos em explicabilidade ("por que esse candidato?"), mas custo e latência ainda limitam para volume alto.

#TL;DR

• Triagem por IA é eficiente em volume e pré-requisitos declarados; é fraca em prever skill técnica real
• Para vagas administrativas e operacionais, é boa o suficiente
• Para vagas técnicas, faz mais sentido movimentar o filtro de "ler currículo" para "medir skill"
• Os dois modelos convivem: triagem por IA + avaliação por teste em sequência funciona melhor que qualquer um sozinho
• A NORT escolheu o caminho da avaliação portátil, uma vez, valendo para múltiplas oportunidades

---

#Recursos relacionados

• Como avaliar candidato de TI sem entrevista
• Recrutamento reverso: o que é, como funciona e quando faz sentido
• Glossário: Smart Match
• Glossário: Candidate Scoring

---

Conteúdo atualizado em 16 de maio de 2026. Comentários ou correções: [email protected].