IA na triagem de currículos: o que a lei permite
Onde a IA ajuda de verdade na triagem, de onde vem o viés algorítmico e o que a LGPD exige sobre decisão automatizada, segundo a legislação vigente em julho de 2026.
Uma vaga de nível pleno recebe, com frequência, algumas centenas de candidaturas nas duas primeiras semanas. Alguém no RH abre cada currículo, decide se aquele perfil segue para a entrevista, e repete isso na vaga seguinte. É trabalho repetitivo o bastante para que ligar uma IA pareça óbvio — e arriscado o bastante para virar processo trabalhista ou reclamação à ANPD, se a IA passar a decidir sozinha quem fica de fora.
Este texto separa o que a IA faz bem na triagem de currículos do que ultrapassa a linha, segundo a legislação vigente em julho de 2026: o artigo da LGPD sobre decisão automatizada, o que a ANPD já publicou sobre o tema e o andamento do projeto de lei que tenta regular IA no Brasil. Cobre também de onde vem o viés algorítmico — inclusive o caso mais citado do mundo sobre o assunto — e fecha com um checklist do que auditar antes de ligar a triagem automática.
Onde a IA ajuda de verdade na triagem
Há três usos de IA na triagem que reduzem trabalho manual sem tirar a decisão das mãos de quem recruta. Os três seguem o mesmo desenho: a IA organiza informação para uma pessoa decidir mais rápido, em vez de decidir no lugar dela.
Ordenar por aderência, não eliminar
Dado um conjunto de requisitos da vaga, a IA pontua cada candidato pela aderência e apresenta a lista em ordem. Isso é diferente de descartar quem ficou com nota baixa: a lista ordenada passa inteira pelos olhos de um recrutador, que pode discordar da ordem e abrir um currículo que ficou em 15º lugar porque algo no texto chamou atenção.
Extrair dados estruturados do currículo
Currículos vêm em formatos livres — PDF, texto colado, perfil de rede social. A IA lê esse texto e extrai campos: formação, tempo de experiência por cargo, tecnologias citadas, certificações. O ganho é poupar a digitação manual desses dados no sistema, não substituir a leitura do currículo por quem decide.
Encontrar candidato no banco de talentos por descrição da vaga
Quando surge uma vaga nova, procurar manualmente entre centenas de perfis já cadastrados é inviável. A IA recebe a descrição da vaga em texto livre e devolve os perfis mais próximos daquele perfil no banco de talentos — reaproveitando quem já demonstrou interesse na empresa, em vez de recomeçar do zero.
A linha entre uso responsável e arriscado não está na tecnologia — está em quem toma a decisão final e se ela pode ser revista.
| Uso da IA | O que ajuda de verdade | Onde vira risco |
|---|---|---|
| Ordenar por aderência | Prioriza a leitura humana, não substitui | Score vira nota de corte automática que elimina sem revisão |
| Extrair dados estruturados | Poupa digitação, padroniza campos | Extração incompleta é tratada como currículo fraco, sem checagem |
| Buscar no banco de talentos | Acelera achar quem já existe na base | Ranking do banco é usado para descartar quem não apareceu no topo |
De onde vem o viés
Viés algorítmico em triagem de currículos não é bug isolado que se corrige com ajuste fino — tem origem estrutural.
O dado histórico carrega a decisão humana passada
Um modelo de triagem aprende com exemplos — normalmente, o histórico de quem a empresa contratou, entrevistou ou aprovou. Esse histórico é resultado de decisões humanas, com os vieses conscientes e inconscientes de qualquer processo seletivo. Se a empresa historicamente contratou mais homens para cargos técnicos, o modelo aprende que “parecer com quem foi contratado antes” é sinal de bom candidato — e reproduz o padrão em escala, sem que ninguém tenha escrito essa regra explicitamente.
O caso Amazon
O exemplo mais citado é o da própria Amazon. Em 2014, a empresa começou a construir uma ferramenta para pontuar currículos de 1 a 5 estrelas, treinada com currículos recebidos nos dez anos anteriores — majoritariamente de homens, reflexo da indústria de tecnologia na época. Em 2015, a equipe percebeu que o modelo penalizava currículos com a palavra “mulheres” (como em “capitã do time de xadrez feminino”) e rebaixava graduadas de faculdades exclusivamente femininas. Tentaram neutralizar esses termos, mas sem garantia de que o sistema não discriminaria por outra via, e o projeto foi encerrado em 2017 — a Amazon afirma que a ferramenta nunca chegou a ser usada de fato por recrutadores. O caso virou referência porque mostra viés nascendo do dado histórico sem discriminação programada de propósito, e só foi flagrado porque alguém testou o sistema antes de confiar nele. Foi revelado pela Reuters em 2018 e segue como o caso mais citado de viés algorítmico em recrutamento.
Por que “remover o campo gênero” não resolve
A reação mais comum ao ouvir sobre viés de gênero é tirar o campo sexo/gênero do formulário ou do conjunto de dados de treino. Isso não resolve, porque outros campos funcionam como proxy — carregam o mesmo sinal por um caminho indireto.
| Campo removido | Proxy que ainda carrega o sinal |
|---|---|
| Gênero | Nome próprio, associações (“clube feminino”), pronomes no texto |
| Etnia/raça | Nome, bairro ou CEP, instituição de ensino |
| Idade | Ano de formatura, tempo total de carreira, tecnologias citadas |
| Maternidade/paternidade | Gaps no histórico profissional, jornada de trabalho anterior |
Um modelo estatístico não precisa do campo explícito para aprender o padrão — encontra a correlação em qualquer variável que se mova junto com o campo removido. Por isso, auditar viés exige olhar o resultado por grupo, não apenas os campos do formulário.
O direito do candidato à revisão
O artigo 20 da Lei Geral de Proteção de Dados (Lei 13.709/2018) garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses — o texto cita expressamente decisões que definem o perfil profissional da pessoa, o que cobre em cheio a triagem de currículos por IA. O tema já apareceu neste blog no contexto mais amplo de LGPD no RH: dados de colaboradores e candidatos; aqui o recorte é só a decisão automatizada.
Um detalhe muda a leitura prática do artigo: a redação aprovada pelo Congresso previa revisão “por pessoa natural” — um humano reavaliando a decisão do algoritmo. O trecho foi retirado por veto presidencial na sanção, em 2018, e a supressão permaneceu mesmo após a Medida Provisória 869/2018 (convertida na Lei 13.853/2019, que criou a ANPD) voltar a alterar o mesmo artigo. Na redação vigente em julho de 2026, a lei garante o direito à revisão, mas não exige explicitamente que quem revisa seja uma pessoa — ponto genuinamente em aberto: a própria ANPD colocou a questão em consulta pública entre novembro de 2024 e janeiro de 2025, recebendo 124 contribuições, e um dos maiores pontos de divergência foi exatamente se a revisão humana deveria ser obrigatória.
O §1º obriga o controlador a fornecer, sempre que solicitado, informações claras e adequadas sobre os critérios e procedimentos usados na decisão automatizada, resguardado segredo comercial e industrial; o §2º dá à ANPD poder de auditar o sistema quando a empresa alegar esse segredo para não explicar o critério.
Até julho de 2026, a ANPD não publicou guia ou regulamento vinculante específico sobre IA e decisão automatizada — existe a Nota Técnica nº 12/2025, que consolida a consulta pública acima e indica a direção regulatória, sem força de norma, e um mapa de fiscalização (dez/2025) que concentra as ações sobre IA em 2027. Também não há lei geral de IA em vigor: o PL 2338/2023, o Marco Legal da IA, foi aprovado pelo Senado em dezembro de 2024 e segue em tramitação na Câmara dos Deputados, sem data final de votação confirmada até julho de 2026 — sucessivas tentativas de pauta foram adiadas. O texto em discussão classifica, no artigo 14, sistemas de IA usados em recrutamento e seleção como de alto risco, exigindo avaliação de impacto algorítmico, rastreabilidade das decisões e medidas contra efeito discriminatório; enquanto não sancionado, essas obrigações não valem, mas é para lá que a regulação caminha.
Na prática, atender ao artigo 20 significa registrar o critério e o peso que levaram a cada pontuação, manter um canal formal de contestação e ter alguém com poder real de reverter a decisão — o caminho mais seguro diante de uma norma que, hoje, não exige explicitamente um humano nesse papel.
Transparência: o que informar ao candidato
Comunicar bem evita boa parte dos pedidos de revisão. O candidato deveria saber, antes ou durante o processo:
- Que a etapa de triagem usa apoio de IA — esconder o uso gera desconfiança quando descoberto depois.
- Quais critérios foram considerados — em geral, a aderência aos requisitos que a própria vaga publicou.
- Como pedir revisão e em quanto tempo — um canal e um prazo, não uma promessa vaga de “entraremos em contato”.
- Que a decisão final continua sendo humana — só é verdade se for verdade na prática.
Onde a triagem automatizada dá errado na prática
Os erros mais comuns não são de má-fé — são de configuração apressada:
- Tratar o score como nota de corte automática. Descartar quem fica abaixo de uma pontuação, sem revisão humana da lista completa, transforma apoio em decisão automatizada pura — o cenário que o artigo 20 da LGPD regula.
- Treinar o modelo só com o histórico interno de contratações. Se esse histórico já era enviesado, o modelo aprende e escala o viés, como no caso Amazon.
- Achar que anonimizar nome resolve. Como mostra a tabela de proxies, o sinal costuma sobreviver em outros campos.
- Nunca testar a distribuição de aprovação por grupo. Sem comparar taxas de avanço entre grupos demográficos, um viés introduzido silenciosamente pode rodar por meses sem ser percebido.
Esses erros de configuração se somam aos erros de processo mais gerais do guia de funil de recrutamento: etapas e métricas — a triagem por IA acelera uma etapa do funil, mas não corrige um funil mal desenhado por trás dela.
Checklist antes de ligar a triagem por IA
- Critério documentado por escrito — quais campos da vaga entram na pontuação e o peso de cada um.
- Origem do dado de treino auditada — se o modelo aprendeu com histórico interno, checar se esse histórico já era enviesado.
- Teste de disparidade por grupo — comparar a taxa de avanço na triagem entre grupos demográficos, não só o resultado agregado.
- Log por candidato — registro do que levou àquela pontuação, guardado pelo prazo de retenção da empresa.
- Canal de contestação ativo — visível para o candidato, com prazo de resposta definido.
- Humano com poder real de reverter — não um humano que só clica “confirmar” no que a IA decidiu.
Esse checklist segue o mesmo raciocínio de risco de qualquer automação de decisão dentro de um processo, tratado com mais profundidade em agentes de IA em processos: o que muda na prática — a diferença é que, em recrutamento, o titular tem um direito de revisão nomeado por lei, o que eleva o custo de errar.
Nada neste texto substitui orientação jurídica: é um panorama da LGPD, da posição da ANPD e do andamento do PL 2338/2023 para orientar decisão de produto e de processo. A validação de um caso concreto — principalmente antes de eliminar candidatos com base em score automático — deve passar pelo jurídico da empresa.
Como a TAI resolve
Na TAI Contratações, a base de Candidatos reúne todo mundo que já se candidatou a alguma vaga, com histórico de candidaturas e currículo disponível para download no perfil de cada pessoa — a triagem nunca acontece sem que o currículo original fique acessível para quem decide.
No Hunting, a IA calcula um score de compatibilidade (0 a 100) entre o perfil buscado e os requisitos da vaga, e avalia cada skill numa escala de 0 a 5 — marcando como “bônus” competências que aparecem no perfil sem estar nos requisitos. Esse score ordena a lista de candidatos encontrados; não decide sozinho quem segue, e depende de a vaga ter requisitos bem preenchidos, porque é neles que a avaliação se baseia.
No pipeline de candidatos, mover alguém de etapa, avaliar (nota de 1 a 5 com comentário obrigatório) e reprovar são ações que uma pessoa executa explicitamente — reprovar exige selecionar um motivo (perfil não alinhado, pretensão salarial incompatível, entre outros) e confirmação dupla, o que funciona como o registro de critério que um pedido de revisão exigiria. Nenhuma etapa do pipeline elimina um candidato de forma automática.
O Banco de Talentos guarda pessoas com status Ativo e as sugere automaticamente em “Talentos Sugeridos” nas vagas compatíveis, pelas skills cadastradas — um jeito de reaproveitar quem já demonstrou interesse, sem repetir a prospecção do zero. Como qualquer ranqueamento por IA, o score que a TAI apresenta é apoio à decisão de quem recruta, não garantia de ausência de viés: auditar critério, documentar motivo e manter um humano com poder de reverter é responsabilidade de quem opera o processo.