A estatística amplamente citada de que “75% dos currículos nunca chegam a um ser humano” vem de um pitch de vendas de 2012 de uma empresa que já não existe. O número não tem metodologia publicada. No entanto, o problema subjacente que o número tentava descrever é real: a maioria dos currículos é filtrada antes de ser lida por um ser humano, e o filtro é mecânico o suficiente para que candidatos bons sejam rejeitados por razões erradas. Fundadores que constroem um processo de contratação precisam entender o mecanismo, e não apenas discutir a porcentagem.
O que realmente acontece com um currículo quando ele atinge um ATS
Um currículo submetido por meio de um sistema de rastreamento de candidatos passa por três etapas antes de ser visto por um ser humano: parsing, matching e ranking. Cada etapa pode falhar de maneiras que não têm nada a ver com a aptidão real do candidato. A análise da Harvard Business Review sobre contratação algorítmica coloca a parcela de currículos filtrados antes da revisão humana em cerca de 72% para sistemas baseados em palavras-chave. Pesquisas mais recentes e independentes desafiam a afirmação popular de que “75% são rejeitados” — um estudo de 2025 com 25 recrutadores de várias indústrias encontrou que apenas 8% habilitam a rejeição automática de conteúdo; o restante confia na revisão humana orientada por critérios de eliminação e pontuações opcionais. A leitura honesta: a maioria dos currículos não é rejeitada automaticamente por algoritmos silenciosos, mas a maioria é filtrada por uma combinação de falhas de parsing, correspondências fracas de palavras-chave e sistemas de ranking que enterram candidatos qualificados abaixo de outros mais barulhentos. O resultado para o candidato parece o mesmo — silêncio. O mecanismo importa porque a solução difere a cada etapa.
Etapa 1: Parsing — onde a formatação mata bons candidatos
O parsing é o ato de converter um documento de currículo em dados estruturados que o sistema possa pesquisar e classificar. O parser extrai informações de contato, experiência de trabalho, educação, habilidades e estrutura de seções. Ele falha de maneiras previsíveis:
- Layouts de múltiplas colunas. O parser lê de cima para baixo, da esquerda para a direita. Um currículo de duas colunas com cabeçalhos de barra lateral é serializado em nonsense.
- Texto dentro de imagens. Os parsers não OCR por padrão. Um nome ou seção de habilidades salva como gráfico é invisível.
- Caixas de texto e tabelas incorporadas. Modelos padrão do Word/Pages usam esses para layout visual. Eles quebram a extração.
- Cabeçalhos, rodapés e barras laterais. As informações de contato estacionadas em um cabeçalho são frequentemente ignoradas pelo parser, o que significa que o e-mail do candidato nunca chega ao sistema.
- Caracteres especiais e fontes incomuns. Símbolos personalizados e fontes decorativas são misturados.
Análise independente de 1.000 currículos rejeitados por EDLIGO encontrou que 43% das rejeições foram devido a falhas de formatação, parsing ou filtros arbitrários, e não devido a lacunas de qualificação. Isso é a taxa de erro não forçado. Um candidato que corrige a formatação antes de se candidatar melhora suas chances sem alterar suas qualificações.
Etapa 2: Matching — onde as diferenças de vocabulário se tornam exclusões
Uma vez que o parser tem dados estruturados, o sistema os compara à descrição do trabalho. A maioria dos sistemas legados usa alguma combinação de:
Correspondência de palavras-chave rígida — tokens exatos. Um JD que exige “Kubernetes” rejeita um currículo que diz “K8s.” Sistemas mais antigos fazem isso. Sistemas mais novos adicionam dicionários de sinônimos, mas a cobertura é irregular.
Correspondência semântica — incorporações que mapeiam conceitos semelhantes para um espaço de vetor próximo. Melhor do que a correspondência rígida, mas ainda vulnerável à deriva de vocabulário em domínios onde os títulos de trabalho e os nomes de ferramentas mudam rapidamente.
Pontuação ponderada — habilidades necessárias ponderadas mais altas do que as habilidades desejáveis. É aqui que a maioria do ranking acontece: um candidato que falta uma palavra-chave “necessária” frequentemente classifica mais baixo do que um candidato que tem a palavra-chave, mas falta a habilidade subjacente.
O problema da lacuna de palavras-chave atinge mais forte na fronteira entre disciplinas adjacentes. “Construiu serviços de backend com arquitetura orientada a eventos” pode não corresponder a “REST API desenvolvimento” em um sistema que não entende a equivalência. “Liderou uma equipe de produtos de 5 pessoas” pode não corresponder a “gerente de produtos” se o título do candidato foi “fundador PM” em vez disso. A deriva de vocabulário está correlacionada com trajetórias de carreira não tradicionais, o que significa que a correspondência de palavras-chave filtra desproporcionalmente candidatos cujas carreiras não foram lineares — exatamente os candidatos que uma pequena startup frequentemente deseja.
Etapa 3: Ranking — onde a qualidade vive ou morre
Depois da correspondência, os candidatos são classificados. Recrutadores geralmente lêem apenas os 10-20% superiores da lista classificada. O mecanismo que decide quem está nesse 10-20% é a decisão mais consequente em toda a pipeline, e é a parte do ATS que os fundadores raramente auditam.
O ranking baseado na sobreposição de palavras-chave é rápido e explicável em código, mas ruim em separar o sinal real do salada de palavras-chave. Um candidato que colou todas as palavras da JD em seu currículo pode superar um candidato que realmente realizou o trabalho. O ranking baseado em resultados — o que construímos em Curriculo ATS Pontuação de Impacto — inverte isso. Cada candidato é avaliado com base em realizações quantificadas, relevância de experiência, trajetória de carreira e alinhamento de habilidades, e então recebe uma pontuação composta de 0 a 100, juntamente com um parágrafo de raciocínio escrito. O raciocínio escrito é a chave. Um gerente de contratação que lê 30 parágrafos de raciocínio em 30 minutos detecta erros de modelo rapidamente e confia no restante. Um gerente de contratação que lê 200 currículos não classificados detecta quase nada e não confia em nada disso.
A lição se traduz dos sistemas de ranking que o Dev construiu na Amazon: uma pontuação de caixa preta não pode ganhar confiança, e um sistema que não pode ganhar confiança não pode ser usado em escala. É por isso que os fundadores acabam relendo todos os currículos, apesar de pagar por um ATS. O ATS produziu saída, mas não saída que alguém possa verificar.
O que aprendemos na Amazon sobre falhas de ranking
Antes de fundar Curriculo ATS, nosso fundador Dev passou anos no time de busca e recomendações da Amazon. A lição mais generalizável dessa experiência para ATS design: quando um classificador falha silenciosamente, o usuário culpa o inventário. Vendedores culpam a Amazon quando bons produtos não são classificados; na contratação, recrutadores culpam o pool de candidatos quando bons currículos não surgem. Em ambos os casos, a falha real está a montante, no classificador. A solução que funcionou na Amazon não foi adicionar mais regras em cima do classificador quebrado, mas reconstruí-lo em torno de sinais que a entrada não pode fabricar diretamente. Dados de compra reais. Taxas de devolução reais. Padrões de revisão verificados. O mesmo princípio impulsiona a contratação baseada em resultados: classificar com base em sinais (receita gerada, equipes dimensionadas, sistemas enviados, problemas resolvidos) que um candidato não pode fabricar sem cometer fraude, em vez de classificar com base em tokens que qualquer candidato pode preencher. A segunda lição, que se aplica quase palavra por palavra: um classificador sem explicabilidade é revertido por adversários. Na Amazon, vendedores aprenderam a jogar títulos de palavras-chave dentro de semanas. Na contratação, candidatos aprenderam a jogar filtros de palavras-chave dentro de anos, mas o jogo agora é generalizado. A única defesa estrutural é um classificador que leia para substância e mostre seu raciocínio. Fundadores que tratam ATS triagem como um problema de classificação em vez de um problema de entrada de dados acabam com listas de candidatos mais limpas do que fundadores que tratam como software de fluxo de trabalho com AI acoplado.
Como corrigir cada modo de falha como fundador
Se você está executando a contratação em uma startup de 10 a 200 pessoas, aqui está o playbook prático para fechar cada lacuna:
- Audite seu parsing. Envie cinco currículos de candidatos bem formatados por meio do seu próprio formulário de aplicação. Abra-os no seu ATS posteriormente e verifique os campos parseados. Se 30% tiverem dados ausentes ou embaralhados, seu parser está falhando silenciosamente — e assim também estão alguns de seus candidatos.
- Audite sua correspondência de palavras-chave. Pegue um currículo forte que usa um vocabulário diferente do seu JD e um currículo fraco que copia o JD verbatim. Envie ambos. Se o fraco for classificado mais alto, você está pontuando o ruído. A maioria dos sistemas legados falha nesse teste.
- Exija raciocínio, não apenas pontuações. Se seu ATS produz um número sem explicação, a equipe irá reler todos, o que significa que você está pagando por uma triagem que não está realmente usando. O custo médio de contratação da SHRM é de $5.475 e inclui um pedaço desse tempo desperdiçado.
- Acompanhe a queda de etapa. Meça a porcentagem de candidaturas que se movem da recebida para o primeiro contato do recrutador. Se for abaixo de 60%, o topo do funil está vazando, e o vazamento é geralmente parsing mais ranking de baixa confiança.
- Execute um teste de sinal de uma semana. Mova uma vaga aberta para um classificador baseado em resultados e compare a lista de candidatos com o que o seu sistema atual produziu. O teste não custa nada no plano Starter gratuito e diz a você em sete dias se o gargalo é a ferramenta ou o processo.
O que fazer em seguida
O problema da caixa preta é solucionável, mas apenas por ferramentas projetadas em torno da explicabilidade desde o dia um. Se você deseja ver como a pontuação baseada em resultados com raciocínio escrito parece em seu próprio inbound, o plano Starter gratuito da Curriculo ATS lida com vagas ativas ilimitadas com membros da equipe ilimitados — veja recursos ou preços. Para a visão geral sobre algoritmos de contratação e viés, a análise da HBR sobre contratação algorítmica é a leitura de partida certa.
Ex-engenheiro de aprendizado de máquina na Amazon (busca e recomendações) e Synopsys. Construiu Curriculo ATS para substituir a correspondência de palavras-chave na contratação por avaliação baseada em resultados AI. Aluno da Penn State. Escreve sobre contratação AI, ATS economia e o que realmente prevê o desempenho no trabalho.