É terça-feira, 244 candidaturas para 1 vaga estão na sua fila, e o gestor contratante quer nomes até quinta-feira. Sua pré-seleção de candidatos precisa produzir um conjunto defensável de pessoas para avaliar dentro da sua capacidade de entrevistas, começando pela triagem de currículos.
As candidaturas por vaga subiram de 116 em 2022 para 244 em 2025, enquanto as equipes de recrutamento encolheram 56% nos benchmarks globais da Greenhouse.
Em uma pesquisa da Gartner com 3.290 candidatos, 39% usaram IA ao se candidatar. É por isso que tantos currículos soam parecidos, e a intuição tem menos em que se apoiar.
Considerando 2 minutos por currículo, são 8 horas de leitura antes de você escrever uma anotação. E a leitura fica desigual: em estudos de entrevista, as pessoas dão nota mais baixa a um candidato depois de uma sequência de candidatos fortes. Isso não é descuido: os avaliadores racionam silenciosamente suas aprovações em uma mesma sessão.
Veja como pré-selecionar candidatos em 3 etapas que você consegue justificar. Defina e trave critérios ponderados com o gestor contratante primeiro, pontue cada currículo da mesma forma em ordem aleatória e dimensione a lista a partir das suas horas de entrevista.
Principais conclusões
- Quantos candidatos devo pré-selecionar? Parta da capacidade de entrevistas e dos requisitos da vaga. O exemplo de 19 pessoas abaixo é uma conta com números agregados, não uma meta para toda vaga.
- Por que escrever os critérios antes do primeiro currículo? Avaliadores ajustam os critérios para favorecer um currículo de que gostam. Escrevê-los primeiro eliminou o viés de gênero em estudos de Yale.
- Devo pré-selecionar apenas currículos com nota 8 de 10? Não. Em metade (51.8%) de 1,024 projetos do Flowmingo com 20+ currículos pontuados por IA, nenhum chegou a 8.
- A ordem dos currículos muda quem entra na lista? Sim. 22 modelos de IA escolheram o primeiro de 2 currículos igualmente qualificados em 63.5% das vezes.
- Posso deixar o ChatGPT classificar 200 currículos? Somente como uma primeira triagem que uma pessoa confere. Texto oculto em currículos enganou triagens por IA em mais de 80% das vezes em alguns testes.
1. Com 244 candidatos e 2 dias, como funciona a pré-seleção de candidatos sem ler cada currículo?
Não leia 244 currículos na ordem de chegada. Faça a pré-seleção de candidatos em 3 passagens: fatos objetivos, depois pontuações ponderadas, e então uma leitura manual da faixa superior e da faixa logo abaixo.
A ordem de chegada parece neutra, mas não tem nada a ver com a vaga. O primeiro candidato recebe sua atenção mais fresca, e o candidato do 4º dia fica com o que sobrar. As etapas resolvem isso, porque cada etapa faz a mesma pergunta a cada currículo.
A figura abaixo mostra as 3 etapas. A Etapa 1 verifica 2 ou 3 fatos objetivos, como horário central, que você pergunta na candidatura. Como são eliminatórios, os candidatos respondem e você não gasta tempo de leitura.
A Etapa 2 pontua todos os que restaram em 4 a 6 critérios, de 0 a 10 cada, com a mesma fórmula para todos. A Etapa 3 traz seu julgamento de volta: você lê manualmente o topo do ranking e os poucos currículos logo abaixo do seu ponto de corte.
Essa última leitura humana importa porque uma fórmula de pontuação pode não enxergar um currículo fora do comum. Por exemplo, alguém em transição de carreira pode ter cuidado de renovações sob um cargo de vendas que seus critérios nunca mencionam.

Pré-seleção em 3 etapas: fatos objetivos, pontuações ponderadas e, por fim, uma leitura manual da parte superior, dimensionada pelas suas horas de entrevista.
Dados da Flowmingo · 237,650 candidatos · 10,074 projetos de contratação · 4,857 empresas · projetos criados de 1º de jul. de 2025 a 24 de ago. de 2026
- 50% de todos os candidatos estavam em um projeto de contratação com 174 ou mais candidatos.
Contabiliza todos em um projeto (enviados, convidados ou vindos de um anúncio de vaga), cada candidato recorrente uma vez. Muitos projetos são testes.
2. Quais critérios de pré-seleção de candidatos devo escrever antes do primeiro currículo, para que cada corte se sustente?
Escreva de 4 a 6 critérios com base no que a vaga precisa entregar e alinhe-os com o gestor da contratação antes de alguém abrir um currículo. Defina 2 ou 3 fatos objetivos como eliminatórios e atribua pesos ao restante.
Escrevê-los primeiro importa porque ler currículos distorce seu julgamento. Em estudos fundamentais de Yale, pessoas avaliaram candidatos para uma vaga fictícia de chefe de polícia.
Quando o candidato homem tinha mais experiência de rua, as pessoas diziam que a experiência de rua importava mais. Quando ele tinha mais formação, diziam que a formação importava mais.
Comprometer-se com os critérios primeiro eliminou esse viés de gênero no 3º estudo, e as pessoas que se sentiam mais objetivas eram as mais enviesadas. As contratações eram hipotéticas, mas o alerta é claro: critérios escritos depois da leitura descrevem o currículo de que você já gosta.
Digamos que você esteja contratando um Gerente de Sucesso do Cliente (exemplo ilustrativo, não são dados de clientes). Faça as perguntas objetivas como perguntas de entrevista de pré-seleção, depois escreva quais evidências justificam cada pontuação:
| Critério | Peso | Evidência para 8 a 10 | Para 3 a 5 |
|---|---|---|---|
| Horário central; autorização para trabalhar, quando for legal perguntar | Aprovado/reprovado, perguntado | Responde sim | |
| Renovações em uma carteira B2B | Obrigatório, 4 | Tamanho da carteira e um resultado de renovação | Sem escopo nem resultado |
| Onboarding de clientes | Muito importante, 3 | Um plano que a pessoa executou e o que mudou | Participou |
| Uso diário de CRM | Importante, 2 | O CRM e o que a pessoa acompanhava | CRM em habilidades |
| Experiência com SaaS | Desejável, 1 | Trabalhou com um produto SaaS | Software adjacente |
| Sem evidência | Regra | Pontuação 3, observação "não demonstrado": nem zero nem ignorado |
As renovações têm o maior peso porque um Gerente de Sucesso do Cliente tem sucesso ou fracassa nelas. Um currículo que não menciona um critério recebe 3, porque um zero puniria alguém que o deixou de fora. Ignorar a linha seria pior: um currículo que diz menos passaria a ser pontuado apenas pelos pontos fortes.
3. Meu gestor contratante continua rejeitando minha lista de pré-selecionados. Como entramos em acordo sobre o corte antes da triagem?
Acordem os critérios e os pesos; depois, você e o gestor contratante avaliam, cada um por si, os mesmos 5 currículos e comparam. Onde as pontuações divergirem, corrijam o critério, não a pessoa.
Uma lista de pré-selecionados pode falhar porque você e o gestor contratante têm em mente requisitos de vaga diferentes.
Segundo Noise, um livro fundamental sobre julgamento, 2 entrevistadores da mesma banca discordam sobre qual candidato era melhor em cerca de 1 em cada 4 vezes.
Quando as pessoas veem candidatos separadamente, como você e seu gestor contratante costumam fazer, isso sobe para cerca de 1 em 3. Essa é a nossa conta com base na pesquisa de entrevistas de Huffcutt, não um estudo de currículos. Ainda assim, isso significa que uma lista de pré-selecionados rejeitada normalmente é ruído, não é prova de que um de vocês esteja errado.
Digamos que você dê nota 8 a um currículo em renovações e seu gestor contratante dê 4. Conversando sobre isso, vocês descobrem que ele quer renovações enterprise e o currículo mostra contas pequenas. Ajustem esse critério uma vez, antes de começar a pré-seleção de candidatos, e ele estará ajustado para todos os 244 currículos.
A solução do livro, baseada na prática e não em um estudo, é julgar cada parte antes de qualquer veredito geral:
- Escolham os 5 currículos de diferentes partes da pilha. Onde suas pontuações estiverem a 3+ pontos de distância, escrevam um exemplo de pontuação alta e um de baixa.
- O gestor contratante aprova os critérios, e qualquer exceção posterior recebe uma justificativa por escrito.
- Acordem em conjunto e por escrito qualquer corte geral, como "sem diploma, sem ligação", porque uma regra assim elimina pessoas rapidamente.
4. A pré-seleção de candidatos para 200 currículos precisa de uma matriz de pontuação, ou uma pilha de sim/talvez/não resolve?
Use uma matriz pontuada, porque uma pilha de "talvez" esconde por que alguém está nela. Dê uma nota de 0 a 10 para 4 a 6 critérios ponderados e some tudo da mesma forma para todos.
Digamos que 60 currículos fiquem no "talvez": no dia 2, ninguém lembra por quê.
Uma revisão fundamental de 2013, de Kuncel e colegas, comparou especialistas que formavam uma visão geral com uma fórmula fixa que somava pontuações separadas. A fórmula foi mais de 50% melhor em prever o desempenho no trabalho, embora os especialistas conhecessem o trabalho.
Na prática, coloque seu julgamento na pontuação de cada critério e depois deixe o total definir a classificação.
Veja como fica no exemplo da seção 2 (ilustrativo, não são dados de clientes):
| Critério (peso) | A | B | C |
|---|---|---|---|
| Renovações (4) | 8 | 4 | 9 |
| Onboarding (3) | 7 | 8 | 6 |
| CRM (2) | 6 | 9 | 4 |
| SaaS (1) | 5 | 10 | 2 |
| Pontuação ponderada /10 | 7,0 | 6,8 | 6,4 |
| Média simples /10 | 6,5 | 7,75 | 5,25 |
Pontuação ponderada = (4 x renovações + 3 x onboarding + 2 x CRM + 1 x SaaS) / 10.
B tem a melhor média simples, 7,75, graças às notas máximas em CRM e SaaS, mas apenas 4 em renovações, o requisito obrigatório. Com os pesos, A lidera com 7,0, porque A é forte onde o trabalho é mais difícil.
C tem as renovações mais fortes, 9, mas a escassez de detalhes em CRM e SaaS leva C a 6,4, um currículo para sua leitura da terceira etapa. Antes de definir uma nota de corte, veja como currículos reais são pontuados.
Dados do Flowmingo · 105.648 currículos · 50.546 candidatos · 3.815 projetos de contratação · 1.761 empresas · 10 jul a 24 set 2026
- 5,4 de 10 foi a pontuação mediana dos currículos segundo os critérios ponderados de cada vaga.
- 19,0% dos currículos pontuaram 7 ou mais de 10 segundo os critérios da própria vaga.
- 4,0% dos currículos pontuaram 8 ou mais de 10 segundo os critérios da própria vaga.
Pontuações de currículo por IA, não a qualidade dos candidatos nem os resultados de contratação; não são comparáveis entre vagas. Critérios rígidos ou envios em massa reduzem as pontuações; currículos não pontuáveis e pontuações anteriores a 10 jul são excluídos.
O gráfico abaixo mostra com que rapidez as pontuações diminuem. Um pouco mais da metade dos currículos (56,4%) atingiu 5, e cerca de 1 em 5 (19,0%) atingiu 7. Apenas 4,0% atingiu 8, e 0,1% atingiu 9.

Distribuição das pontuações de currículos, dados do Flowmingo: apenas 4.0% de 105,648 currículos pontuaram 8 ou mais de 10 em relação aos critérios da própria vaga.
Uma nota 8 exige evidências claras em quase todos os critérios, e poucos currículos deixam isso explícito. Assim, uma regra como "entrevistar apenas os 8" deixa muitas vagas com uma lista minúscula, ou nenhuma.
Como o Flowmingo ajuda
CV Evaluation transforma uma descrição de vaga em critérios que você edita e avalia de Must Have (4) a Good to Have (1). Ele pontua cada currículo de 0 a 10 por critério com evidências por escrito, contando a ausência de evidência como 3. Ele não exclui ninguém automaticamente: considerando os números acima, ordene por pontuação do currículo em vez de filtrar para 8-10.
5. Metade dos meus currículos parece ter sido escrita pelo ChatGPT. O que um currículo ainda pode me dizer antes da pré-seleção?
Use o currículo para fatos concretos e perguntas a fazer, não como prova de competência. O embelezamento não custa nada agora, então dê a todos que passarem do corte do currículo a mesma amostra de trabalho ou entrevista estruturada.
Antes, o embelezamento exigia esforço. Agora, na mesma pesquisa da Gartner com 3.290 candidatos, 54% dos que usam IA escreveram o texto do currículo com ela.
O gráfico abaixo pontua cada método de 0, nenhuma relação com o desempenho futuro no trabalho, a 1, uma correspondência perfeita que nenhum método alcança. As entrevistas estruturadas lideram com 0.42, segundo uma reanálise fundamental de 2022 de Sackett e colegas.
Na mesma reanálise, testes de conhecimento do trabalho vêm em seguida com 0.40, amostras de trabalho com 0.33 e testes de capacidade cognitiva com 0.31. As linhas com que a maioria dos currículos começa vêm por último: experiência em um cargo relevante com 0.07, experiência de trabalho anterior com 0.06 (Van Iddekinge).

O que prevê desempenho: entrevistas estruturadas acompanham melhor o desempenho futuro no trabalho, e anos de experiência quase nada.
Isso significa que os anos no currículo dizem pouco sobre quem terá bom desempenho. Então verifique o que é difícil de falsificar:
- Resultados que você pode verificar: números, sistemas citados pelo nome e datas.
- 1 amostra de trabalho curta, a mesma para todos, como um e-mail de renovação para um cliente insatisfeito. Para ver o trabalho sendo feito, um Showcase faz o candidato gravar a tela enquanto realiza uma tarefa.
- Uma entrevista estruturada baseada em perguntas de entrevista que preveem o desempenho no trabalho.
5.1 Devo rejeitar um candidato porque a IA ajudou a escrever seu currículo?
Não, não apenas por isso. Não dá para identificar um currículo assim de forma confiável, e uma ferramenta de triagem por IA pode até favorecê-lo.
Em uma pesquisa da TopResume com 600 gestores de contratação dos EUA, apenas 33.5% identificaram os currículos escritos por IA entre 4. Portanto, uma proibição se basearia em suposições.
Ferramentas de triagem por IA também favorecem currículos escritos pelo mesmo modelo de IA (Xu et al., um preprint, ainda não publicado em periódico). Em listas de pré-seleção simuladas, esses candidatos tinham de 23% a 60% mais chance de serem selecionados do que candidatos igualmente qualificados com currículos escritos por humanos. Portanto, rejeitar currículos escritos por IA enquanto se ranqueia com IA faz pouco sentido.
6. A ordem em que leio 200 currículos muda minha pré-seleção? Como corrigir isso?
Muito provavelmente: entrevistadores dão notas mais baixas às pessoas depois de uma sequência de candidatos fortes, e a maioria dos modelos de IA testados favorece o currículo listado primeiro. Embaralhe a pilha e pontue cada currículo com base no critério escrito.
Em um estudo fundamental sobre mais de 9.000+ entrevistas de admissão para MBA, os entrevistadores agiram como se tivessem uma cota diária de notas altas (Simonsohn e Gino). Depois de uma sequência forte, deram uma nota mais baixa ao próximo candidato.
A penalidade equivalia a cerca de 23 meses de experiência profissional, e aumentava ao longo do dia. Isso significa que predecessores fortes podem prejudicar candidatos. Eram entrevistas, não leituras de currículos, então aplicar isso à sua pilha é uma inferência nossa.
A IA tem seu próprio efeito de ordem. Rozado mostrou a 22 modelos de IA pares de currículos igualmente qualificados, cada par duas vezes com a ordem invertida.
Em 30,690 decisões, o currículo listado primeiro venceu 63.5% das vezes e o segundo, 36.5%, quando as chances justas são de 50%. Assim, em uma decisão acirrada, só a posição pode decidir quem entra na sua lista.

Efeito de ordem da IA: em 22 modelos de IA, o primeiro de 2 currículos igualmente qualificados venceu 63.5% das decisões, quando as chances justas seriam de 50%.
As correções para esse risco na triagem de candidatos são simples:
- Embaralhe a pilha em vez de ler por ordem de chegada ou alfabética.
- Avalie com base no critério escrito, não no CV que acabou de ler.
- Não estabeleça uma cota de aprovações por sessão e faça pausas.
- Reavalie os 10 primeiros CVs no final.
- Com IA, execute cada comparação duas vezes com a ordem invertida e encaminhe qualquer empate a uma pessoa.
7. Quantos candidatos devo selecionar para entrevistas quando mais de 200 pessoas se candidataram a 1 vaga?
Parta das suas horas de entrevista e dos requisitos mínimos da vaga: em 2025, cerca de 7,6% dos candidatos passaram a primeira etapa, aproximadamente 19 de 244. Para a triagem de candidatos, classifique todos e selecione a fatia superior, não uma nota de aprovação fixa.
Os 7,6% correspondem à média norte-americana da Greenhouse em 2025 em mais de 6.000 organizações. O funil abaixo aplica essa taxa a 1 vaga: de 244 candidatos, cerca de 19 passam a etapa 1. Cerca de 4 deles passam a etapa 2, a uma taxa de 22,0%.

Funil de triagem, 2025: de 244 candidatos, cerca de 19 passam a etapa 1 e cerca de 4 passam a etapa 2, segundo nosso cálculo com base nas médias da Greenhouse.
Cerca de 19 primeiras entrevistas mais cerca de 4 segundas entrevistas aproximam-se das 22,7 entrevistas por vaga da Greenhouse, com 12,3 horas de entrevista por contratação. Ainda assim, os 19 e os 4 são nosso cálculo sobre médias, e a Greenhouse não define suas etapas, portanto trate-os como orientação.
Digamos que você consiga liberar 14 horas de entrevista e que cada primeira entrevista dure 45 minutos: isso dá cerca de 19 vagas. Mantenha de 3 a 5 nomes de reserva para desistências e consulte as taxas de conclusão de entrevistas com IA para saber quantos chegam ao fim.
A classificação evita um ponto de corte arbitrário, mas não avance alguém que não atende a um requisito essencial apenas para preencher a lista. Em metade dos projetos dos nossos clientes com 20 ou mais CVs avaliados, nenhum CV alcançou 8.
Dados da Flowmingo · 1.024 projetos de contratação com 20 ou mais CVs avaliados · 90.629 CVs · 549 empresas · 10 de julho a 24 de setembro de 2026
- 51,8% dos projetos de contratação com 20 ou mais CVs avaliados não tinham nenhum CV com nota 8 ou superior.
- 6,6 de 10 foi o ponto de corte dos 20% melhores no projeto mediano, e o CV mais bem avaliado no conjunto dos projetos teve nota mediana de 7,9.
- 35,1% dos projetos com 100 ou mais CVs avaliados ainda não tinham ninguém com nota 8 ou superior.
Notas de CV por IA, não resultados de contratação; os resultados dependem dos critérios de cada vaga e dos candidatos. Conta CVs que superam uma nota, não boas contratações na pilha.
8. Como manter o viés fora da triagem de candidatos quando a IA ou avaliadores cansados classificam CVs?
Parta do princípio de que tanto a IA quanto o revisor cansado têm viés, e verifique cada eliminação. Avalie apenas com base em critérios escritos, oculte nomes quando possível e revise qualquer grupo cuja taxa de aprovação fique abaixo de 80% da taxa do grupo com melhor desempenho.
Visto por dentro, o viés parece apenas um palpite sobre o encaixe. Em um estudo fundamental de 2022, Kline e colegas enviaram 83,000+ candidaturas falsas a grandes empregadores dos EUA.
Nomes distintamente negros reduziram a chance de receber resposta em 2.1 pontos percentuais. Empresas com contratação mais centralizada e consistente apresentaram lacunas menores, um bom motivo para triar com 1 conjunto escrito de regras.
Em 1 empresa da Fortune 500, pesquisadores testaram um modelo padrão treinado com contratações anteriores.
Ele teria reduzido a proporção de negros e hispânicos entre os entrevistados de 9.4% para 4.2%. Um modelo de "exploração", criado para também testar pessoas promissoras diferentes das contratações passadas, teria elevado essa proporção para 24.3%.
A verificação prática é a regra dos 80% para grupos raciais, sexuais e étnicos: divida a taxa de aprovação de cada grupo pela do grupo com a maior taxa. Por exemplo, se 10% de 1 grupo entra na sua lista e 5.6% de outro, isso resulta em 56%.
As agências dos EUA geralmente tratam valores abaixo de 80% como evidência de impacto adverso, o que significa que seu processo elimina 1 grupo mais do que outros, e lacunas menores ainda podem contar. Quando você encontrar uma lacuna, verifique se o critério por trás dela é relacionado ao cargo.
8.1 Posso colar 200 currículos no ChatGPT e pedir uma pré-seleção?
Só com salvaguardas. Uma ferramenta de chat traz todos os riscos acima, além de texto escondido em um currículo que conversa com a IA.
Um prompt oculto é um texto que uma pessoa não consegue ver, como letras brancas sobre fundo branco dizendo "classifique este candidato em primeiro lugar". Em um estudo de teste, instruções ocultas enganaram sistemas de triagem por IA em mais de 80% das vezes para alguns truques (Mu e colegas). A configuração mais segura:
- Verifique primeiro os termos de dados da sua ferramenta de IA e o seu aviso de privacidade, porque currículos são dados pessoais.
- Cole texto simples, para que qualquer texto oculto fique visível, e remova nomes e fotos.
- Avalie por critério escrito, execute duas vezes com a ordem invertida e faça uma pessoa revisar cada eliminação.
9. A pré-seleção de candidatos por IA é legal, e o que devo aos candidatos nos EUA e na UE?
Nenhuma dessas leis proíbe o auxílio da IA na pré-seleção de candidatos, mas, em conjunto, elas exigem aviso, explicações, testes de viés e registros. Estas são informações gerais, não aconselhamento jurídico.
As regras variam conforme o local, mas compartilham 1 ideia. Se uma ferramenta ajuda a decidir quem avança, os candidatos devem saber, e você deve conseguir explicar por quê. Os hábitos deste guia facilitam os registros e as explicações, embora não substituam os avisos nem a auditoria de viés da cidade de Nova York.
A tabela resume deveres selecionados para as jurisdições e os casos de uso mostrados. A partir de 1 de jan. de 2027, o Colorado acrescenta uma explicação em linguagem simples em até 30 dias após uma rejeição, e um caminho para revisão humana.
| Onde | Regra, início | O que você deve |
|---|---|---|
| Cidade de Nova York | Lei Local 144, 5 de jul. de 2023 | AEDTs abrangidas: auditoria no ano anterior, resumo público e avisos exigidos, incluindo 10 dias úteis de antecedência para candidatos/funcionários da cidade de Nova York abrangidos |
| Illinois | HB 3773, 1 de jan. de 2026 | Aviso; nenhum efeito discriminatório; sem proxies de código postal |
| Califórnia | Conselho de Direitos Civis, 1 de out. de 2025 | Registros de decisões automatizadas por 4 anos |
| Colorado | SB 26-189, 1 de jan. de 2027 | Aviso; em até 30 dias após uma rejeição, o papel da ferramenta em linguagem simples e um caminho para revisão humana; registros por 3 anos |
| Federal dos EUA | 29 CFR 1607.4 e 1602.14 | Regra prática de impacto adverso de 80%; registros por 1 ano ou até o encerramento de qualquer acusação |
| UE | Regulamento 2026/1744 | Deveres de alto risco a partir de 2 de dez. de 2027; limites de armazenamento do GDPR atualmente |
| Reino Unido | Orientações da ICO, em revisão | Registros de candidatos rejeitados: não além do prazo de reclamação sem um motivo comercial claro |
| Singapura | Lei de Equidade no Local de Trabalho, fim de 2027 | Nenhuma decisão baseada em características protegidas; reclamações de até S$250,000 |
A cobertura inclui usar o resultado isoladamente, acima de qualquer outro critério, ou para sobrepor outras conclusões. Confira as regras de escopo e de aviso da DCWP: a revisão humana isolada não é uma isenção.
Os reguladores têm aplicado pouco. Quando a cidade de Nova York analisou 32 empresas, encontrou 1 problema. Auditores estaduais que verificaram as mesmas empresas encontraram pelo menos 17 possíveis violações (Controladoria do Estado de Nova York).
Ações judiciais privadas avançam mais rápido. No caso da Workday, candidatos com 40 anos ou mais dizem que o software de triagem da Workday ajudou a rejeitá-los.
Um tribunal permitiu que sua reclamação de idade em âmbito nacional prosseguisse (Forbes). Isso significa que a baixa aplicação não é defesa se um candidato rejeitado entrar com ação.
10. Quando as pontuações da IA e a minha lista de pré-seleção discordam, qual prevalece, e o que digo ao meu chefe?
Não confie cegamente em nenhum dos dois: coloque a pontuação da IA, a sua pontuação e as evidências lado a lado, e deixe os critérios escritos decidirem. Entregue ao seu chefe uma lista classificada com a pontuação, as evidências e a lacuna a investigar de cada nome.
Uma discordância é útil, porque aponta para um critério que você e a IA interpretaram de forma diferente. Verifique essa evidência antes de discutir o total.
Na mesma empresa Fortune 500, Li e colegas acompanharam 88,666 candidaturas para ver quais escolhas para entrevista foram contratadas.
Das pessoas selecionadas para entrevista por avaliadores humanos, 10% conseguiram o emprego. As escolhas dos modelos tiveram taxas de contratação estimadas de 27% (modelo de exploração) e 32% (modelo padrão).

Quais escolhas resultaram em contratação: escolhas de entrevista de triadores humanos versus escolhas de 2 modelos de triagem em 1 empresa Fortune 500.
Mas é 1 empresa com taxas estimadas. Esse modelo padrão também teria mais do que reduzido pela metade a proporção de negros e hispânicos entre os entrevistados (seção 8). Então verifique os dois, e não entregue a decisão a nenhum deles.
Depois, compare os nomes finais lado a lado com os mesmos critérios, para que a evidência escolha, e não quem você leu por último.
Entregue as evidências junto com cada nome, como em uma ficha de avaliação de entrevista (ilustrativa, não dados de clientes):
| Posição | Candidato | Pontuação do currículo | Evidências | Lacuna a investigar | Decisão |
|---|---|---|---|---|---|
| 1 | A | 7.0 | Renovações com resultado de retenção | Profundidade em onboarding | Entrevista |
| 2 | B | 6.8 | Detalhamento forte de CRM e SaaS | Sem escopo de renovações | Entrevista |
| 3 | C | 6.4 | Renovações com resultados | Pouco detalhe de CRM | Reserva |
| Quase elegível | D | 5.9 | Detalhamento de onboarding e CRM | Requisito obrigatório pontuou 3 | Cortado: menor total (5.9) |
A linha de D traz o motivo por escrito: sem evidência de renovações, então o requisito obrigatório pontuou 3 e o total caiu para 5.9. É isso que você diria ao seu chefe, ou a um candidato que perguntasse.
Assim que seu chefe concordar, informe a cada candidato pré-selecionado o próximo passo, o formato, o prazo e com quem falar. Depois, avise todos os outros, com nossos modelos de e-mail de rejeição de candidatos.
Como o Flowmingo ajuda
O Flowmingo é um entrevistador de IA gratuito para recrutadores. Cada currículo recebe uma pontuação por critério, evidências, pontos fortes, lacunas e o que investigar em seguida: as colunas acima. Depois, os candidatos fazem a entrevista com IA no momento que lhes for conveniente, e você compartilha cada relatório com seu gestor de contratação por link. Quem avança é sempre decisão sua. Experimente o Flowmingo gratuitamente para sua próxima triagem de candidatos.
11. Fontes
Todos os estudos, leis e pesquisas neste guia têm link para uma fonte abaixo; os números do Flowmingo vêm dos dados da própria plataforma do Flowmingo.
- California Civil Rights Department (2025). Civil Rights Council secures approval for regulations to protect against employment discrimination related to artificial intelligence. State of California.
- Callaham, S. (2026). A federal judge, a 1967 law and a billion rejected job applications. Forbes.
- Colorado General Assembly (2026). SB26-189: Automated decision-making technology. Colorado General Assembly.
- Crowell & Moring (2024). Artificial intelligence in employment update: Illinois requires notice and prohibits discriminatory impact in use of AI. Crowell & Moring LLP.
- European Parliament and Council (2026). Regulation (EU) 2026/1744 amending Regulation (EU) 2024/1689, the Digital Omnibus on AI. Official Journal of the European Union.
- Gartner (2025). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. Gartner newsroom.
- Greenhouse (2026). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Information Commissioner's Office (n.d., read 2026). Keeping recruitment records. ICO.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021; paperback 2022). Noise: A flaw in human judgment. Little, Brown Spark.
- Kline, P., Rose, E. K., & Walters, C. R. (2022). Systemic discrimination among large U.S. employers. The Quarterly Journal of Economics.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Li, D., Raymond, L., & Bergman, P. (2025). Hiring as exploration. The Review of Economic Studies.
- Ministry of Manpower, Singapore (2025). Workplace Fairness (Dispute Resolution) Bill press release. MOM.
- Mu, H., Liu, J., Wan, K., Xing, R., Chen, X., Baldwin, T., & Che, W. (2025). AI security beyond core domains: Resume screening as a case study of adversarial vulnerabilities in specialized LLM applications. arXiv preprint.
- NYC Department of Consumer and Worker Protection (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- Office of the New York State Comptroller (2025). Enforcement of Local Law 144: Automated employment decision tools. Report 2024-N-6.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Simonsohn, U., & Gino, F. (2013). Daily horizons: Evidence of narrow bracketing in judgment from 10 years of MBA admissions interviews. Psychological Science, via EurekAlert.
- TopResume (2025). AI in hiring survey. TopResume.
- U.S. Code of Federal Regulations (current text). 29 CFR 1602.14, preservation of records. Legal Information Institute.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, information on impact. Legal Information Institute.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science, via Yale News.
- Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology.
- Xu, J., Li, G., & Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights. arXiv preprint.



