Se você já se perguntou por que um candidato claramente qualificado desapareceu no seu ATS sem uma entrevista por telefone, a resposta é quase sempre na camada de parsing, não na camada de pontuação. O candidato tinha um currículo com duas colunas. Seu nome estava em um cabeçalho. Suas datas estavam em caixas de texto. O sistema recebeu o documento, retornou uma análise limpa para 80% dele e silenciosamente descartou as partes que não conseguiu ler. O candidato parecia fraco na tela porque a tela estava olhando para metade de um currículo. Isso acontece mais do que os fundadores percebem, e é o único maior motivo pelo qual a pontuação ATS é culpada por problemas que são na verdade problemas de parsing.
O que um ATS realmente faz, em um parágrafo
Um sistema de rastreamento de candidatos é um software que coleta, analisa, organiza, classifica e armazena candidaturas a vagas de emprego. A maioria das plataformas ATS modernas executa um pipeline de três etapas: analisar o documento em dados estruturados, avaliar os dados analisados contra os requisitos da vaga e classificar os candidatos para que um ser humano possa revisar os mais fortes primeiro. A implementação evoluiu significativamente desde 2020. As plataformas ATS anteriores dependiam quase inteiramente da correspondência de palavras-chave rígidas, onde uma descrição de vaga que lista "Python" só corresponderia a currículos que contenham o token literal. Os sistemas atuais, incluindo Curriculo ATS, combinam correspondência semântica, pontuação multi-sinal e raciocínio de modelo de linguagem grande para avaliar o contexto, não apenas os tokens.
Por que a arquitetura importa mais do que a marca
Dois ATS plataformas com a mesma lista de recursos podem produzir resultados drasticamente diferentes, dependendo de como suas camadas de parsing e pontuação são projetadas. A marca na caixa não prediz a qualidade da triagem; a arquitetura por trás da cena é que importa. Um fundador avaliando ATS opções deve se importar menos com logotipos e mais com três questões específicas: como o parser lida com layouts não padrão, quais sinais a camada de pontuação avalia e se o sistema expõe seu raciocínio de forma que possa ser auditada.
Etapa 1: parsing, onde a maioria dos erros ocorre
O mecanismo de parsing extrai dados estruturados do documento de currículo: nome, informações de contato, entradas de experiência de trabalho com datas e títulos, educação e habilidades. Análises do setor sugerem que cerca de 30% de todas as ATS rejeições originam-se na etapa de parsing, antes mesmo da pontuação ser executada. Os erros de parsing mais comuns são previsíveis. Layouts multicolumnas são linearizados de forma incorreta, então o terceiro ponto de bala de um candidato sob seu trabalho atual acaba aparecendo como se pertencesse ao papel anterior. Caixas de texto são puladas inteiramente por parsers mais antigos porque elas vivem fora do fluxo de conteúdo principal do documento. Cabeçalhos e rodapés, onde muitos designers colocam informações de contato, são às vezes ignorados. Banners de nome baseados em imagens são invisíveis. Títulos de seção criativos ("Aventuras" em vez de "Experiência") confundem o classificador. Cada um desses resultados em um candidato parecendo mais fraco do que realmente é. Curriculo ATS utiliza um pipeline de parsing moderno que lida com layouts padrão de forma robusta, mas, como qualquer parser, luta com formatações extremamente criativas. O conselho que permaneceu constante por uma década ainda é válido: um currículo limpo em uma coluna única e seções padrão é parseado de forma limpa em todos os principais ATS.
O que o parser vê versus o que o ser humano vê
Um exercício útil: copie e cole seu currículo em um editor de texto simples. O que você vê é aproximadamente o que o parser vê. Se suas informações de contato estiverem faltando, suas datas estiverem fora de ordem ou seus bullets estiverem intercalados com funções anteriores, é isso que a camada de pontuação avaliará. A maioria das falhas do parser é visível imediatamente nesta etapa.
Etapa 2: pontuação, onde ATS plataformas divergem
Uma vez que o currículo é parseado, o sistema avalia os dados estruturados contra os requisitos do trabalho. É aqui que ATS plataformas diferem mais. Três abordagens dominam o mercado em 2026. Primeiro, correspondência de palavras-chave rígida, a abordagem legada: as palavras-chave da descrição do trabalho são pesquisadas literalmente no texto do currículo e uma pontuação de frequência é produzida. Isso é rápido e explicável, mas frágil. Um candidato que descreveu sua AWS experiência como "executando serviços de produção na nuvem da Amazon" recebe uma pontuação baixa contra um trabalho que exige "AWS" porque o token literal está faltando. Segundo, correspondência semântica com NLP: o sistema entende que "AWS" e "Amazon Web Services" e "executando serviços na nuvem da Amazon" são equivalentes. Isso captura mais candidatos corretamente, mas ainda pontua no nível da palavra-chave, apenas com um dicionário mais espesso. Terceiro, pontuação multi-sinal com raciocínio: o sistema avalia o currículo em múltiplas dimensões (realizações quantificadas, relevância da experiência, trajetória de carreira, alinhamento de habilidades) e produz uma pontuação composta mais um parágrafo de raciocínio escrito. Curriculo ATS usa essa terceira abordagem, que chamamos de Pontuação de Impacto, porque a avaliação no nível da palavra-chave, mesmo com enriquecimento semântico, perde o sinal mais forte em um currículo: resultados anexados a funções específicas.
Como Curriculo ATS pontua candidatos de forma diferente?
A pontuação composta é calculada a partir de quatro sinais ponderados em relação aos resultados: realizações quantificadas (números anexados aos resultados), relevância da experiência (se o candidato resolveu problemas próximos ao papel aberto), trajetória de carreira (se a responsabilidade está crescendo de papel para papel) e alinhamento de habilidades (se as habilidades declaradas coincidem com as evidências do currículo). A saída é uma pontuação de 0 a 100 e um parágrafo escrito explicando por que a pontuação é o que é, para que um fundador possa auditar a decisão de pontuação em segundos. Esta é a diferença entre "densidade de palavras-chave 0.78" e "forte ajuste porque os últimos três papéis do candidato cada um teve um impacto de receita mensurável no mesmo domínio do papel aberto de sua empresa."
Etapa 3: classificação e entrega ao responsável humano
A terceira etapa é a apresentação: ordenar os candidatos para que um revisor humano leia os mais fortes primeiro. Isso é mais importante do que os fundadores percebem. Um pipeline que entrega 200 candidatos classificados por data de aplicação obriga o fundador a ler todos os 200 para encontrar os oito principais. Um pipeline que entrega os mesmos 200 candidatos classificados por pontuação composta permite que o fundador leia os oito principais e tome uma decisão de triagem confiante em 30 minutos. A classificação também é onde os vieses do sistema se tornam operacionalmente visíveis. A Lei Local 144 exige auditorias de vieses para ferramentas de decisão de emprego automatizadas usadas em NYC contratação, e o Anexo III da Lei EU AI classifica o recrutamento AI como de alto risco, exigindo documentação, supervisão humana e monitoramento contínuo. Plataformas modernas ATS projetadas para pontuação assistida por AI devem publicar seu raciocínio para que as auditorias de vieses possam ser realizadas de forma significativa e para que as equipes de contratação possam verificar a saída de classificação antes de tomar decisões de entrevista.
Qual é o lado da experiência do candidato nisso?
O candidato vê um formulário de inscrição, um e-mail de confirmação e either um convite para uma entrevista por telefone ou uma rejeição educada. Por trás dessa superfície simples, um parser, um avaliador e um classificador foram executados; o currículo do candidato foi comparado com vários outros; e uma decisão estruturada foi tomada sobre se ele avança. As plataformas ATS modernas também fornecem transparência para o candidato: informar os candidatos se ferramentas automatizadas foram usadas em sua avaliação agora é legalmente exigido em NYC, cada vez mais exigido em toda a EU sob a Lei AI e é uma prática recomendada em outros lugares.
O que aprendemos na Amazon sobre sistemas de classificação
Antes de Curriculo ATS, nosso fundador Dev trabalhou nos sistemas de busca e recomendação da Amazon. A lição que se traduziu mais diretamente: um sistema de classificação é apenas tão bom quanto seu loop de feedback. As classificações de produtos da Amazon melhoram porque cada clique, compra e devolução alimenta o sinal de volta para o modelo. A maioria das plataformas ATS é projetada sem esse loop; elas avaliam um candidato, o candidato é contratado ou rejeitado e nada sobre o resultado flui de volta para recalibrar a avaliação. O resultado é um sistema que fica obsoleto. Curriculo ATS é construído com o loop fechado: quando o desempenho de 90 dias de um candidato contratado é registrado, o sistema aprende quais padrões de sinalização preveram o sucesso em sua empresa específica. O modelo de avaliação geral é um ponto de partida; a calibração específica da equipe é o que torna a avaliação confiável ao longo do tempo.
Por que a avaliação explicável supera a avaliação de caixa preta
Se um sistema fornece uma pontuação de 0 a 100 sem explicação, não é possível determinar se a pontuação está correta. Se fornece a mesma pontuação com um parágrafo de justificativa escrito, é possível auditar em segundos. A auditoria detecta os casos em que o modelo leu incorretamente uma trajetória de carreira não tradicional ou ponderou uma palavra-chave de forma errada. A explicabilidade é uma parte do que NYC Lei Local 144 e o EU AI pedem; uma auditoria de viés independente é a outra, pois verifica o padrão em todos os candidatos, o que nenhum parágrafo de justificativa pode mostrar.