A maioria dos sistemas de rastreamento de candidatos lê currículos da mesma forma que os filtros de spam lêem e-mails. Eles escaneiam tokens, contam a frequência com que esses tokens aparecem e classificam os candidatos por densidade. Escrever "liderou" em vez de "gerenciou" e o modelo desprioriza você. Usar um sinônimo que o JD não especificou e você cai na lista. O recrutador nunca vê o currículo.
A contratação baseada em resultados joga esse modelo fora. Em vez de contar tokens, o AI lê o que o candidato realmente fez. Receita que gerou. Equipes que escalou. Sistemas que enviou. Problemas que resolveu. Em seguida, classifica contra os requisitos reais do cargo. 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 realizações mensuráveis em vez de sobreposição de palavras-chave com uma descrição de cargo. O modelo extrai quatro categorias de sinal de cada currículo: receita (negócios fechados, ARR gerados, economias produzidas), equipes (pessoas gerenciadas, organizações construídas ou escaladas), sistemas (construídos, enviados, escalados, de propriedade em produção) e problemas (resolvidos, complexos, novos).
Ele pontua cada candidato contra os requisitos de resultado do JD e produz uma pontuação composta de 0 a 100, além de um parágrafo de raciocínio escrito que explica 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, porque permite que um ser humano leia, concorde ou anule.
O trabalho McKinsey resumido em A forma do talento em 2023 e 2024 mostra a adoção de contratação baseada em habilidades subindo 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 baseadas em palavras-chave ATS têm sido o padrão por quinze anos. Elas permaneceram porque eram baratas para construir e fáceis de demonstrar, não porque funcionavam bem. Na prática, elas falham de três maneiras específicas.
1. Elas recompensam a contaminação de currículo.
Qualquer candidato que tenha se candidatado a mais de cinco vagas aprendeu os padrões: dumps de palavras-chave em texto branco oculto no final do currículo, pontos de bala repetidos, seções de habilidades falsas com todas as variações de cada tecnologia. O Jobscan documenta o quão prevalente isso é. O padrão funciona em todos os filtros baseados em palavras-chave, incluindo os semânticos que usam embeddings de sentenças, porque o modelo subjacente ainda está lendo tokens.
2. Elas recompensam o ruído sobre o sinal.
Um currículo que diz "Python, Python, Python, AWS, AWS, Kubernetes, Django, Postgres" supera um currículo que diz "enviou um pipeline de detecção de fraude em tempo real que processou 2M eventos por segundo." O modelo de palavras-chave recompensa a densidade de tokens, não o trabalho por trás dele. O candidato que fez menos e descreveu de forma mais estratégica vence.
3. Elas rejeitam candidatos excelentes por escolha de palavras.
Um engenheiro sênior que escreveu "construiu um serviço de streaming" em vez de "projetou um pipeline de dados em tempo real" some do ranking. O projeto da Harvard Business School sobre trabalhadores ocultos estimou que 27 milhões de americanos qualificados são filtrados por triagem automatizada por motivos não relacionados à capacidade. A maioria dessas rejeições é baseada em vocabulário, não em habilidades.
Qual é o resultado da avaliação baseada em resultados AI
Curriculo ATS lê um currículo do jeito que um engenheiro sênior ou operador faria, não do jeito que um regex faria. O modelo extrai quatro categorias de resultado mensurável e os pontua contra o JD.
Receita.
Negócios fechados, ARR gerados, custos reduzidos, transações processadas, economias produzidas. O modelo reconhece tanto números de linha superior ("fechou $2,4M em novos 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 duas zonas horárias", porque o segundo descreve um desafio operacional categoricamente diferente.
Sistemas.
Construídos, enviados, possuídos, escalados em produção. O modelo lê os verbos e o escopo. "Enviou um sistema de relevância de busca processando 4B consultas/dia" é um sinal diferente de "contribuiu para o sistema de relevância de busca", e um modelo baseado em resultados captura a diferença. Um modelo de palavras-chave trata ambos como a palavra "busca".
Problemas.
Resolvidos, complexos, novos, ambíguos. O currículo do candidato descreve problemas difíceis que ele possuía de ponta a ponta. "Diagnosticou e resolveu um vazamento de memória que estava sem solução por 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 a relevância da experiência, a trajetória da carreira e o alinhamento das 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 no rank.
Por que construímos dessa forma
Antes de Curriculo ATS, nosso fundador Dev passou anos na Amazon trabalhando em sistemas de busca e recomendação. Há um único princípio desse trabalho que impulsionou o design: classificar com base em sinais que a entrada não pode fabricar diretamente. Vendedores podem escrever o que quiserem nos títulos dos produtos, mas não podem fabricar dados de compra. Revisores podem deixar avaliações falsas, mas padrões de revisão verificados são mais difíceis de falsificar em larga escala. O classificador lê o sinal mais difícil de falsificar.
A contratação tem a mesma forma. Candidatos podem escrever quaisquer palavras-chave que quiserem; isso é essencialmente gratuito. Eles não podem fabricar resultados mensuráveis sem cometer fraude, o que é uma barreira muito mais alta do que reescrever 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 trabalhos que se assemelham ao que precisamos fazer?
A imagem de conformidade também está alinhada. A Lei Local 144 e a Lei EU AI ambos favorecem sistemas com razões documentadas. Um modelo que produz uma explicação escrita por candidato é muito mais fácil de auditar e divulgar do que um filtro de palavras-chave de caixa preta.
Onde a contratação baseada em resultados falha (e como corrigi-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 tem um desempenho inferior. Três padrões surgem nos dados. Primeiramente, candidatos júniores e recém-formados muitas vezes têm resultados legítimos que ainda não foram quantificados, porque seus primeiros empregos não os expuseram a métricas de receita ou escala. O modelo lida com isso lendo sinais qualitativos ("liderou a redesenho do fluxo de integração que a equipe ainda está usando") mas a faixa de pontuação se comprime para essa coorte, o que pode achatar o ranking. A solução é dar menos peso a resultados quantificados para funções de nível inicial na configuração JD. Em segundo lugar, candidatos de vendas com números de quota inflados podem manipular a pontuação baseada em resultados, assim como manipulam a pontuação baseada em palavras-chave, inventando ou arredondando números de receita. O modelo trata números arredondados sem períodos de tempo ou comparações com pares como sinais de baixa confiança, mas um candidato suficientemente determinado ainda pode produzir resultados inflados. Verificações de referência permanecem como a solução estrutural, não como a camada de triagem. Terceiramente, funções profundamente técnicas onde os resultados são não-públicos (trabalho de infraestrutura proprietária, projetos classificados) podem ser subestimados porque o candidato não pode descrever o que foi enviado em detalhe. A solução é para o fundador escrever o JD com o nível de abstração correto, solicitando sinais de sistemas enviados 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 o início da revisão 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 tarefas. "Responsável por gerenciar o pipeline de dados" é uma tarefa. "Nos primeiros seis meses, esta pessoa entregará um pipeline de streaming que lida com 100K eventos/segundo com latência inferior a um segundo" é um resultado. O modelo pode corresponder ao segundo; não pode fazer nada útil com o primeiro.
- Reescrever o JD como resultados. Duas ou três frases descrevendo o que a pessoa entregará nos seus primeiros seis meses. Este é o documento que o modelo de triagem utiliza.
- Executar o papel por meio da triagem baseada em resultados. Comparar os dez principais candidatos classificados com os dez principais que você teria escolhido manualmente. Medir a sobreposição.
- Ler os parágrafos de justificativa. O parágrafo informa quais resultados o modelo encontrou. Se encontrou coisas que você não encontrou, o modelo está adicionando sinal. Se não encontrou nada significativo, o JD provavelmente precisa de mais resultados.
- Usar a pontuação como uma ferramenta de triagem, não como uma decisão. Entrevistar os oito a doze principais, debater, decidir. O modelo leva você à lista curta certa. A decisão ainda pertence ao ser humano.
O que fazer em seguida
Se você deseja ver a triagem baseada em resultados produzir uma lista curta em um papel real, o plano gratuito Starter da Curriculo ATS lida com vagas ativas ilimitadas com membros da equipe ilimitados. Leia a página de recursos para saber o que está incluído, então verifique AI ATS para fundadores para o caso de uso específico do fundador. O modelo leva cerca de 15 minutos para ser configurado em um papel.