Cinquenta e quatro por cento dos líderes de talento agora dizem que currículos, candidaturas e preparação para entrevistas gerados por IA tornaram mais difícil avaliar a real capacidade de um candidato — e dizem isso no mesmo fôlego em que mais de 90% relatam usar IA em todo o sourcing e triagem, enquanto menos de 5% classificam os resultados como transformadores (ManpowerGroup, 2026). Lidos juntos, esses três números não contam "a IA está nos ajudando a contratar". Contam isto: você passou dois anos automatizando um lado do funil, seus candidatos passaram os mesmos dois anos automatizando o outro, e o efeito líquido sobre o que realmente importa — enxergar quem sabe fazer o trabalho — foi para trás.
Essa é a armadilha em que a maioria das operações de contratação do mid-market está sentada agora. O instinto, quando a triagem parece quebrada, é comprar um applicant tracking system melhor ou acoplar mais um filtro de IA. Os dados da ManpowerGroup e da Everest Group dizem que esse instinto mira a camada errada. Não é uma lacuna de ferramentas. É um problema de sinal, e nenhuma quantidade de automação de triagem conserta um sinal tornado falsificável em escala.
Ambos os lados do funil automatizados ao mesmo tempo
Comece pela simetria, porque é a parte que quase ninguém precifica. Quando você implantou IA para fazer sourcing, ranking e triagem, presumiu que as entradas do outro lado permaneceriam constantes — que um currículo carregava mais ou menos a mesma informação de 2022. Não carrega. O candidato agora tem a mesma classe de ferramenta que você. A IA generativa escreve o currículo, adapta a carta de apresentação ao seu anúncio, redige as respostas às suas perguntas de triagem e ensaia a entrevista.
O estudo da ManpowerGroup/Everest Group — uma pesquisa com 80 líderes de C-suite, CHRO e sênior de aquisição de talentos nos EUA e no Reino Unido — coloca um número na consequência: 54% relatam que o comportamento dos candidatos assistido por IA torna mais difícil avaliar com precisão a real capacidade (ManpowerGroup, 2026). É uma maioria de líderes sênior de contratação dizendo que a entrada se degradou. Ambos os lados se automatizaram juntos, e a corrida armamentista terminou onde as corridas armamentistas geralmente terminam — muito mais gasto de ambos os lados, e nenhuma vantagem duradoura para ninguém.
O sinal não ficou mais ruidoso — ficou falsificável
Há aqui uma distinção crucial que muda o que fazer a respeito. O problema não é que haja mais ruído no funil. É que a camada do currículo e da candidatura é agora inflável por IA — e uma vez que um sinal pode ser fabricado a baixo custo, classificar candidatos por ele deixa de medir o que lhe importa.
Pense no que sua IA de triagem realmente otimiza. Ela pontua e classifica candidatos pela força da candidatura escrita: as palavras-chave, a redação, a aparente correspondência com a descrição da vaga. Quando essa camada escrita era produzida pelo esforço do candidato, era um proxy fraco mas real de diligência e adequação. Quando é produzida por um modelo em nove segundos, o ranking recompensa cada vez mais a fluência em prompting — o quão bem o candidato (ou sua ferramenta) fez engenharia reversa do seu anúncio — em vez da adequação à vaga. Você ainda recebe uma lista classificada, nítida e confiante. Só que ela está medindo a variável errada. É o modo de falha mais perigoso na seleção: não um sistema que quebra visivelmente, mas um que continua produzindo resultados confiantes depois que aquilo que mede silenciosamente se tornou sem sentido.
É também por isso que "menos de 5% transformador" não é um problema de maturidade que mais um trimestre de adoção resolve (ManpowerGroup, 2026). Você não pode extrair um resultado transformador de uma camada cujo sinal foi esvaziado. Mais potência de triagem aplicada a uma entrada falsificável só produz uma ordenação de ruído mais rápida e mais confiante.
O problema de volume escondido embaixo
O problema de sinal cavalga sobre um problema de volume, e os dois se somam. Como candidatar-se agora é quase grátis, a contagem de candidaturas se descolou do interesse genuíno. Um recrutador relatou uma vaga de business analyst que historicamente teria atraído de 100 a 150 candidaturas e que desta vez captou mais de 2.000 — um salto de 13 a 20 vezes para uma única posição (The Irish Times, 2026). Não é uma onda de interesse qualificado. É o resultado mecânico de candidatos rodando a mesma automação que você.
O custo recai sobre o tempo da sua equipe. Na mesma reportagem, uma pesquisa da Greenhouse constatou que 38% dos recrutadores agora passam metade do seu esforço filtrando candidaturas de lixo, spam e completamente não qualificadas (The Irish Times, 2026). Some isso ao problema de sinal e você tem o quadro completo: mais candidaturas do que nunca, cada uma um indicador mais fraco do que nunca, e uma equipe de recrutamento queimando metade da sua capacidade para separar o volume gerado por máquinas da intenção humana. Comprar mais IA de triagem para processar isso mais rápido não reduz o problema. Ele o industrializa.
Por que um ATS melhor não vai resolver isto
A resposta tentadora — um ATS mais inteligente, um modelo de parsing de currículo mais afiado, uma IA que "detecta IA" — perde a corrida armamentista por design. Cada detector que você implanta é um alvo contra o qual as ferramentas de geração se otimizam, e essas ferramentas iteram mais rápido e são usadas por milhões de candidatos. Você estaria comprometendo seu orçamento em defender exatamente a camada que já foi comprometida.
A razão mais profunda para o fracasso é que ela aceita uma premissa quebrada: que o currículo é onde a capacidade vive. Nunca foi totalmente — e agora comprovadamente não é. A solução não é ler a camada falsificável de forma mais esperta. É parar de ponderar tanto a camada falsificável e mover o peso decisório para entradas que um candidato não pode fabricar a baixo custo em escala. É uma mudança de design em como você faz a triagem, não uma compra.
Há também um custo mais silencioso em permanecer na corrida armamentista: as rejeições equivocadas. Quando seu ranking recompensa a fluência em prompting, o candidato genuinamente forte mas medíocre em automarketing — ou que se recusou a passar sua candidatura por um otimizador — afunda abaixo daquele que passou. Você não só deixa de pegar candidaturas infladas; está ativamente rebaixando capacidade real que não se deu ao trabalho de manipular a camada. Num mercado onde uma única vaga atrai agora milhares de candidaturas, esses falsos negativos são invisíveis e irrecuperáveis. Você nunca saberá qual pessoa qualificada seu sinal falsificável enterrou.
Reponderar para entradas que os candidatos não podem falsificar em escala
Aqui a pesquisa é incomumente assentada, e antecede em décadas o pânico da IA. O ponto de referência é a meta-análise de Schmidt e Hunter, que sintetiza cerca de 85 anos de pesquisa sobre seleção, e que constatou que testes de amostra de trabalho, entrevistas estruturadas e medidas de habilidade cognitiva estão entre os preditores mais fortes de desempenho no trabalho — enquanto os sinais próximos ao currículo, formação e anos de experiência, são comparativamente fracos (Schmidt & Hunter, 1998). Uma avaliação estruturada e representativa do trabalho carrega muito mais validade preditiva do que o documento de candidatura — e era o melhor instrumento mesmo quando esse documento era escrito honestamente.
A IA transforma isto de um argumento de boa prática em um urgente. Os métodos que se sustentam são precisamente os caros de falsificar em escala. Um modelo pode gerar um currículo impecável em segundos; não pode sentar seu candidato real diante de uma amostra de trabalho representativa e produzir seu raciocínio genuíno sob condições estruturadas. Uma avaliação psicométrica validada mede traços e aptidões que uma candidatura polida simplesmente não revela. O sinal que você perdeu na camada do currículo é recuperável — mas apenas movendo a medição para um lugar que a automação não alcança.
Concretamente, "entradas que os candidatos não podem falsificar em escala" significa duas coisas que uma equipe de ops do mid-market pode de fato implantar. Primeiro, uma amostra de trabalho estruturada: uma tarefa curta, representativa da vaga, avaliada contra uma rubrica consistente, para que você observe a pessoa fazendo uma fatia do trabalho real em vez de ler a afirmação dela sobre isso. Segundo, uma avaliação psicométrica validada: uma leitura mensurada das aptidões e traços que predizem o desempenho na vaga, aplicada sob condições que o candidato não pode terceirizar. Ambas movem o sinal decisivo do documento para o comportamento — e ambas, notavelmente, são mais defensáveis juridicamente do que a triagem por currículo porque amostram o trabalho diretamente.
O único movimento para este trimestre
Você não precisa arrancar seu ATS nem rearquitetar a contratação para agir sobre isto. Você precisa mudar onde o peso decisório recai em uma vaga.
Então o movimento concreto é estreito e verificável: pegue sua vaga aberta de maior volume — a que está se afogando em candidaturas infladas por IA — e insira uma amostra de trabalho representativa mais uma avaliação validada no início do processo, depois reponere seu ranking para que esses resultados superem a pontuação do currículo. Use a camada do currículo apenas para eliminar os obviamente não qualificados; deixe as entradas não falsificáveis decidirem quem avança. Depois instrumente-a contra uma vaga comparável deixada na triagem por currículo, e observe dois números ao longo de um trimestre: os sinais de qualidade de contratação como velocidade de ramp-up e desempenho inicial, e a parcela de tempo do recrutador recuperada da filtragem de lixo.
Se a vaga reponderada produzir melhores contratações com menos esforço de triagem desperdiçado, você terá provado, dentro do seu próprio funil, o que os dados da ManpowerGroup apontam: a resposta a um sinal esvaziado nunca foi um triador melhor para a camada falsificável. Foi parar de confiar na camada que seus candidatos aprenderam a automatizar — e medir a única coisa que eles ainda não conseguem. Os 54% que dizem não conseguir mais ler a capacidade estão certos sobre o problema. Eles o procuram no único lugar onde a IA garantiu que ele não estaria mais.
