Glossário Técnico: O Back-end do Recrutamento Algorítmico

Software de gestão de candidatos. Recebe currículos, organiza pipeline, faz triagem automatizada via parsing e scoring. No Brasil, exemplos comuns são Gupy, Pandapé e VAGAS.com.

O parser extrai texto bruto do PDF e tenta segmentar em campos: nome, contato, experiência, formação, skills. Falha em PDFs imagem, layouts em colunas e títulos criativos. Veja o teste prático.

Combina aderência técnica (hard skills, anos de experiência), aderência semântica (contexto e narrativa) e sinais de qualidade do perfil. É o número que o recrutador vê antes de abrir o currículo.

Vai além do match exato: reconhece sinônimos, contexto e proximidade conceitual. “Construí pipelines em Python” aproxima de uma vaga pedindo “experiência com ETL em Python” mesmo sem a palavra “ETL” aparecer.

Envolve parsing, knockout questions, scoring e ranking. Em vagas com muitos candidatos, recrutadores só revisam o topo do ranking — o que faz a triagem ter efeito prático de eliminação.

Conjunto de técnicas que permitem ao computador entender texto humano. Em ATS, habilita matching semântico, sumarização e classificação. ATS modernos integram LLMs nessa camada.

Em ATS, alimenta scoring, recomendação de candidatos e detecção de sinais. Pode carregar viés se treinado com dados históricos enviesados — por isso, atenção regulatória crescente no Brasil e na União Europeia.

Identifique 5–10 keywords por vaga (ferramentas, métodos, métricas). Distribua em contexto real no currículo. Veja o vocabulário por área.

Linguagens, ferramentas, certificações, métodos. São o que o ATS extrai mais facilmente — listas e termos concretos. Devem estar no resumo, na seção de skills e em pelo menos uma experiência.

Comunicação, liderança, colaboração, resiliência. Pesam menos no parsing mas aparecem fortemente na fase humana. Mostre soft skills por meio de exemplos (“liderei time de 6”) em vez de listas.

“Tem CNH B?”, “Disponibilidade para viagens?”. Resposta “errada” elimina antes do parsing. Sempre leia com atenção antes de responder.

Recrutadores priorizam o topo. Em vagas concorridas, ficar fora dos 20 primeiros já significa baixa probabilidade de revisão humana — independente de qualificação real.

Modelo transforma frases em vetores numéricos. ATS comparam vetores da vaga e do currículo: quanto menor a distância, maior o match. É a base do matching semântico moderno.

Conjunto de práticas que cruzam dados de candidatura, contratação e performance para prever sucesso. Quando bem implementada, é apoio à decisão. Quando mal feita, amplifica viés histórico.

Uma coluna, títulos padrão, datas consistentes, PDF gerado por Word/Docs/Pages, sem ícones decorativos. Não é sobre ser feio — é sobre não inventar layouts que o parser não saiba ler. Veja o hub completo.

Upload → parsing → knockout → scoring → ranking → triagem humana → entrevistas → testes → oferta. Cada etapa perde candidatos. O algoritmo decide as primeiras quatro.

Quando o modelo aprende padrões enviesados dos dados de treino — por exemplo, priorizando determinados perfis demográficos por correlação histórica. Tema de regulação ativa no Brasil e em outros mercados.

Quando o PDF é imagem (escaneado, ou exportado de design), o ATS pode aplicar OCR para extrair texto. Resultado costuma ser ruim: caracteres errados, ordem embaralhada, perda de estrutura. Sempre prefira PDF de texto.

Define como dados pessoais (inclusive currículos) devem ser tratados. ATS no Brasil precisam coletar consentimento explícito e respeitar prazos de retenção. Tem implicações diretas para perfis em bancos de talentos.

Tempo de resposta, transparência, comunicação. Empresas medem cada vez mais isso — e ATS modernos incluem fluxos de feedback e tempo médio de resposta como KPIs.