Dois currículos, a mesma ferramenta, o mesmo autor, quase o dobro de respostas. Num teste de campo de dois meses com 204 candidaturas reais enviadas a vagas ativas, um currículo gerado por IA e enviado como saiu obteve resposta em 10% das candidaturas. O mesmo texto da IA, personalizado para cada vaga específica, chegou a 18% (Kickresume, 2026). Nada mudou no candidato entre esses dois grupos. O que mudou foi quanto trabalho entrou na candidatura.
Esse resultado deveria reorganizar o modo como você olha o seu próprio funil. A maioria das equipes de contratação em 2026 está se preparando para o problema errado. O medo é que as candidaturas escritas por IA sejam polidas demais para serem filtradas — que o currículo escrito pela máquina passe porque se lê melhor do que o humano. Os dados apontam o contrário. O rascunho bruto de IA foi o pior desempenho de todo o teste. O que o seu filtro de currículos premia não é a autoria nem a capacidade. É o esforço de personalização — e o esforço de personalização é justamente o insumo que a IA generativa tornou quase gratuito.
O que 204 candidaturas reais realmente mediram
O desenho do estudo importa, então aqui vai sem rodeios. Entre abril e junho de 2026, aproximadamente, 204 candidaturas reais foram enviadas a vagas ativas no mercado de Nova York, concentradas em funções de atendimento ao cliente e de representante comercial — categorias escolhidas deliberadamente pelo alto volume. Quatro versões de currículo foram alternadas, 51 candidaturas cada: um currículo humano de coluna única, um currículo humano de duas colunas, um rascunho bruto de IA e um currículo de IA personalizado por vaga (Kickresume, 2026).
No conjunto do teste, 36 respostas foram positivas — cerca de 18%, aproximadamente uma em seis — das quais 22 foram pedidos diretos de entrevista e o restante triagens por telefone, entrevistas em vídeo, e-mails positivos e convites para avaliações. A maior parte das respostas chegou em menos de três dias.
A diferença entre os grupos é o verdadeiro achado:
- Escrito por uma pessoa, coluna única limpa: 31%
- Currículo de IA personalizado por vaga: 18%
- Escrito por uma pessoa, duas colunas: 12%
- Rascunho bruto de IA, enviado como gerado: 10%
Há duas coisas dentro desses números fáceis de perder. Primeiro, o currículo humano de duas colunas teve desempenho inferior ao currículo de IA personalizado — a leitura automática do layout continua custando entrevistas reais a candidatos reais, o que acusa a camada de extração mais do que os candidatos. Segundo, 30 das 36 respostas positivas vieram de vagas genuinamente bem alinhadas, e atendimento ao cliente e suporte sozinhos responderam por 18 das 36. A qualidade do encaixe dominou todo o resto nos dados.
Uma ressalva honesta, que os próprios autores sinalizam: as versões saíram em fases e não em paralelo sobre vagas idênticas, de modo que os currículos humanos encontraram primeiro as posições melhor alinhadas, antes de o estoque local de vagas adequadas se esgotar — algo que, segundo os autores, levou cerca de uma semana nas categorias de emprego de maior volume do país. Esse fator de confusão infla o número do currículo humano de coluna única numa magnitude desconhecida. Trate os 31% como direção. A comparação que sobrevive ao viés é a que ocorre dentro do par de IA, onde ferramenta e autor foram mantidos constantes e só a personalização variou: de 10% para 18%.
Seu filtro de currículos está lendo esforço, e o esforço ficou barato
Eis o mecanismo. Quando uma triagem — humana ou automática — premia um currículo por usar o vocabulário da vaga, espelhar os requisitos declarados e colocar em primeiro plano o terço relevante de uma trajetória, ela não está medindo se a pessoa sabe fazer o trabalho. Está medindo se a pessoa gastou vinte minutos com você em vez de enviar um arquivo genérico.
Durante quase toda a história da contratação isso foi uma aproximação defensável. O esforço correlacionava com a motivação, a motivação com o encaixe, e o custo de personalizar era alto o bastante para ser informativo. Um candidato que reescrevia o currículo para a sua vaga revelava algo real sobre sua ordem de preferências.
A IA generativa destruiu o preço desse sinal. Adaptar um currículo a uma descrição de vaga é hoje um único prompt, executado em segundos, com custo marginal zero e volume ilimitado. O sinal não ficou mais ruidoso — ele se inverteu. Um funil que premia personalização hoje avança preferencialmente os candidatos com as melhores ferramentas de candidatura, variável sem correlação com quem vai performar na cadeira.
Os dados do lado do empregador já mostram a tensão. Apenas cerca de um terço dos líderes de contratação diz estar muito confiante de que um currículo reflete as habilidades reais de um candidato e, ainda assim, cerca de dois terços continuam usando a triagem de currículo como primeiro passo do funil; organizações em que o currículo é o principal fator de decisão têm 35% mais probabilidade de relatar uma contratação ruim (Criteria e Lighthouse Research & Advisory, 2026, pesquisa com 998 líderes). Separadamente, 54% dos líderes sêniores de talento afirmam que currículos e candidaturas gerados por IA tornaram mais difícil avaliar a capacidade real, enquanto mais de 90% das empresas usam IA em sourcing e triagem e menos de 5% classificam os resultados como transformadores (ManpowerGroup e Everest Group, 2026). E 67% dos líderes de RH dos EUA relatam que revisar candidaturas geradas por IA desacelerou suas contratações, com 20% registrando atrasos acima de duas semanas (Robert Half, 2026).
Leia esses quatro achados juntos e o quadro fica preciso: o portão que todos abrem primeiro é aquele em que quase ninguém confia, ficou mais caro de operar, e aquilo que ele agora mede pode ser comprado.
O resultado das duas colunas é um alerta à parte
Deixe a questão da IA de lado por um momento e olhe os dois grupos humanos. O mesmo candidato, a mesma trajetória, as mesmas afirmações — diagramado em coluna única, 31%; diagramado em duas colunas, 12%. Essa diferença não tem nada a ver com capacidade, motivação ou encaixe. É um artefato de diagramação.
Layouts de duas colunas são exatamente onde os leitores automáticos de currículo falham com regularidade: as colunas de texto se entrelaçam até virar algo ininteligível, as barras laterais de habilidades são perdidas, as datas se soltam das funções a que pertencem. Se o seu sistema de gestão de candidaturas pontua ou classifica com base em campos extraídos automaticamente, uma decisão de diagramação tomada por razões estéticas rebaixa silenciosamente um candidato na sua lista. Nos próprios números do teste, um currículo escrito por uma pessoa no layout errado teve desempenho inferior a um rascunho de IA que apenas havia sido apontado para a vaga (Kickresume, 2026).
Isso merece uma tarde de trabalho diagnóstico, qualquer que seja sua conclusão sobre personalização. Pegue dez currículos que você descartou na triagem no último trimestre, passe-os pelo seu leitor automático e leia o que o seu sistema de fato ingeriu em comparação com o que o candidato de fato enviou. O modo de falha não é o leitor retornar erro — é o leitor funcionar, produzir campos degradados, e a classificação seguinte tratá-los como verdadeiros.
A objeção: personalizar não é, ainda assim, um sinal real?
A objeção mais forte merece uma escuta justa. Se um candidato se dá o trabalho de personalizar — mesmo com IA — ele ainda escolheu a sua vaga entre as outras quarenta abertas nas abas dele. Isso não revela uma preferência?
Em parte, e o teste de campo apoia isso: 30 dos 36 resultados positivos vieram de vagas bem alinhadas, o que significa que o encaixe fazia a maior parte do trabalho. Mas preferência e encaixe não são a mesma variável, e a personalização aproxima apenas a primeira. Um candidato pode personalizar perfeitamente para uma função que vai deixar em cinco meses, e um candidato de forte encaixe, com currículo simples de coluna única e nenhum hábito de personalizar, pode ser eliminado antes que qualquer humano leia uma palavra. Pior, a aproximação se degrada de forma assimétrica: os candidatos com maior probabilidade de se candidatar em massa com ajuda de IA são exatamente aqueles para quem personalizar não custa nada, então a correlação entre personalização e interesse genuíno enfraquece mais rápido justamente onde o volume de candidaturas é maior.
A versão defensável da objeção é mais estreita do que parece. Personalizar é evidência fraca de preferência e quase nenhuma evidência de capacidade. Serve como critério de desempate. É indefensável como insumo de classificação.
Meça a capacidade, não o artesanato do documento
Cerca de oitenta anos de pesquisa em seleção apontam na mesma direção: amostras de trabalho, entrevistas estruturadas e medidas de capacidade cognitiva estão entre os preditores mais fortes de desempenho no trabalho, enquanto insumos adjacentes ao currículo, como anos de experiência e credenciais educacionais, são comparativamente fracos (meta-análise de Schmidt e Hunter, 1998). Esse achado antecede a IA generativa em um quarto de século. A IA não invalidou o currículo — ela removeu a última desculpa prática para usá-lo como primeiro portão.
A distinção operacional está entre inferir capacidade a partir de como um documento foi montado e medi-la contra o que a função exige.
O que mudar neste trimestre
Escolha uma vaga de alto volume — aquela em que o número de candidaturas dobrou e os seus recrutadores estão se afogando em arquivos quase idênticos e bem personalizados. Então faça quatro coisas:
- Rebaixe o currículo a filtro eliminatório. Ele responde perguntas de elegibilidade (autorização de trabalho, credencial obrigatória, piso de experiência não negociável) e nada mais. Ele não produz classificação.
- Coloque um sinal estruturado e representativo do trabalho antes da etapa de classificação — uma amostra de trabalho curta, uma avaliação validada, ou uma entrevista estruturada pontuada contra os requisitos declarados da função e não contra os outros candidatos.
- Pondere os requisitos antes de ver um único candidato. Um requisito que bloqueia a contratação não deve contar igual a um desejável, e decidir essa ordem depois que as candidaturas chegam é como a justificativa pós-fato entra num funil. A ponderação explícita de criticidade é a parte dos mecanismos de pontuação que a maioria das equipes pula, e é a parte que torna uma classificação auditável.
- Faça um teste A/B contra uma vaga comparável conduzida com o currículo primeiro e observe dois números: a qualidade da contratação aos 90 dias, e as horas de recrutamento recuperadas da filtragem.
Se o grupo de IA personalizada daquele teste de campo diz algo em termos operacionais, é que o seu funil pagará de bom grado um prêmio por vinte minutos de trabalho de prompt. A pergunta deste trimestre é se você classificaria candidatos sobre essa base sabendo disso. Até que o sinal de capacidade venha antes do documento, o seu filtro de currículos está comprando vinte minutos de trabalho de prompt e chamando isso de evidência — e essa é a compra que você refaz cada vez que abre o pipeline.