Resumo Executivo

André Guaracy Alvarenga; Diogo Alfieri Palma

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

No cenário contemporâneo do mercado de trabalho brasileiro, o recrutamento enfrenta desafios estruturais profundos, exemplificados por uma rotatividade que atinge a marca de 39% entre profissionais com formação superior e idade superior a 25 anos, conforme dados do Cadastro Geral de Empregados e Desempregados de 2023. Essa instabilidade, somada à crescente diversidade cultural e às exigências de adaptação a novas legislações, impõe às organizações a necessidade de processos seletivos mais flexíveis e precisos. A digitalização, intensificada significativamente durante o período da pandemia, resultou em um panorama onde cerca de 70% das empresas utilizam ferramentas digitais em seus departamentos de Recursos Humanos, segundo levantamentos da Associação Brasileira de Recursos Humanos. A introdução da Inteligência Artificial, consolidada a partir da década de 2010, marcou uma transição fundamental para modelos de gestão mais eficientes, permitindo a automação da triagem inicial e a aplicação de análises preditivas que se alinham à dinâmica acelerada do mercado global.

A literatura internacional dedicada aos processos de recrutamento e seleção ressalta que a transição para o meio digital provocou um aumento exponencial no volume de candidaturas por vaga. Esse fenômeno decorre da facilidade de busca em portais de emprego e do crescimento das oportunidades de trabalho totalmente remotas, o que sobrecarrega a capacidade analítica dos profissionais de gestão de pessoas. A disparidade entre a oferta de currículos e a demanda por análise criteriosa exige a adoção de métodos mais sofisticados, superando as limitações das abordagens tradicionais. O conceito de recrutamento eletrônico, ou e-recruitment, abrange desde o uso de portais corporativos até a realização de entrevistas por vídeo, ampliando o alcance geográfico das contratações e conferindo agilidade ao preenchimento de posições estratégicas (Malik e Mujtaba, 2018). Nesse contexto de transformação digital, a Inteligência Artificial emerge como um recurso estratégico vital, consistindo em sistemas computacionais capazes de processar grandes volumes de dados, aprender padrões complexos e tomar decisões análogas às humanas em ambientes corporativos (Geetha e Bhanu, 2018).

A viabilização dessas soluções ocorre majoritariamente por meio das chamadas HR Techs, empresas especializadas em tecnologia para Recursos Humanos que integram computação em nuvem, métricas preditivas e automação robótica em larga escala. No entanto, a eficácia dessas inovações permanece dependente da competência humana para o estabelecimento de parâmetros éticos e estratégicos, garantindo que o julgamento profissional não seja integralmente substituído por algoritmos opacos (Barman e Das, 2018). O impacto da adoção de Inteligência Artificial é mensurável e significativo; dados indicam que 96% dos recrutadores reconhecem que sistemas baseados nessa tecnologia aumentam a assertividade nas contratações, reduzem o turnover e democratizam o acesso a talentos diversificados. Além disso, a automação de etapas operacionais do processo seletivo reduz custos, encurta o tempo de preenchimento de vagas e minimiza a necessidade de equipes extensivas dedicadas exclusivamente à triagem manual (Faliagka et al., 2012).

Para a análise inteligente de currículos, diversas técnicas de ranqueamento são exploradas na literatura acadêmica. As técnicas lexicais, baseadas na frequência de palavras, são amplamente utilizadas, com destaque para o método Term Frequency–Inverse Document Frequency, que avalia a importância de um termo em relação a um conjunto de documentos (Salton e McGill, 1983). Embora eficiente para a correspondência de palavras-chave, essa abordagem apresenta limitações críticas, como a incapacidade de compreender sinônimos ou o contexto semântico das sentenças. Uma evolução desse modelo é o Okapi BM25, uma função de ranqueamento probabilística que incorpora a saturação da frequência do termo e a normalização do tamanho do documento, oferecendo um desempenho superior ao padrão tradicional (Robertson et al., 2009). Todavia, mesmo o BM25 depende de um pré-processamento rigoroso e falha em capturar relações semânticas profundas.

Uma alternativa mais robusta envolve o uso de embeddings de sentenças, como o modelo Sentence-BERT, que transforma textos em vetores numéricos compactos para capturar o significado real das informações (Reimers e Gurevych, 2019). Essa técnica oferece resistência a variações na forma de escrita, permitindo a identificação de competências mesmo quando descritas com termos distintos. Complementarmente, a abordagem de Learning to Rank utiliza algoritmos para ordenar resultados com base em dados de treinamento, combinando múltiplas fontes de informação e aprendendo diretamente com julgamentos humanos (Liu, 2009). Por fim, os sistemas baseados em regras e pontuação ponderada, comuns em Applicant Tracking Systems, garantem alta transparência e controle total sobre os critérios de seleção, embora possam apresentar rigidez diante de perfis que fogem aos padrões pré-estabelecidos (Fernández-Delgado et al., 2014). A integração dessas tecnologias com métodos de análise multicritério, como o PROMETHEE II e o TOPSIS, fundamenta a criação de arquiteturas de decisão mais estáveis e auditáveis.

A metodologia para a construção da arquitetura de tomada de decisão foi estruturada em cinco etapas fundamentais, visando a criação de um protótipo funcional e rigoroso. A primeira etapa consistiu em uma revisão bibliográfica exaustiva, focada em publicações científicas e técnicas sobre o uso de Inteligência Artificial em processos de recrutamento. Essa base teórica permitiu identificar as lacunas nas ferramentas atuais e as melhores práticas para a triagem automatizada. Na segunda etapa, procedeu-se à definição das ferramentas tecnológicas, com ênfase em técnicas de processamento de linguagem natural, aprendizado de máquina e métodos de ranqueamento multicritério. A escolha recaiu sobre tecnologias que garantissem agilidade e privacidade, optando-se pelo desenvolvimento em ambiente web utilizando JavaScript.

A terceira etapa envolveu a definição do processo de análise de currículos, estabelecendo critérios específicos para a vaga de desenvolvedor de software, que serviu como estudo de caso. O escopo foi delimitado às competências técnicas, dividindo o processo em entrada de dados, processamento e apresentação de resultados. Na quarta etapa, ocorreu o desenvolvimento do protótipo, integrando a API do Google Gemini para o enriquecimento de dados e a biblioteca PDF.js para a extração de texto diretamente no navegador do usuário. A quinta e última etapa foi dedicada à validação e testes, utilizando currículos reais e simulações de processos seletivos para avaliar a precisão e a eficiência da ferramenta por meio de métodos estatísticos.

O detalhamento operacional do protótipo revela uma estrutura complexa de processamento. A extração de texto de arquivos PDF é realizada de forma iterativa, onde o sistema percorre cada página do documento e utiliza a função específica da biblioteca PDF.js para consolidar o conteúdo textual em uma única cadeia de caracteres. Após essa consolidação, o sistema executa a normalização do texto, convertendo todos os caracteres para letras minúsculas para assegurar que a comparação de termos não seja afetada por distinções de caixa. A identificação de competências ocorre por meio de uma busca por substring direta, verificando a presença de palavras-chave definidas pelo recrutador nas listas de requisitos ideais e desejáveis.

A lógica de pontuação implementada no protótipo é granular e customizável. O recrutador define pesos percentuais para diferentes critérios técnicos, como experiência em linguagens de programação específicas ou conhecimentos em infraestrutura de nuvem. A inovação reside na divisão das palavras-chave em dois grupos: termos ideais, que representam as competências essenciais, e termos desejáveis, que englobam habilidades secundárias ou correlatas. Para cada grupo, é atribuído um peso de 0 a 100. A pontuação final em cada critério é calculada como uma média ponderada da porcentagem de termos únicos encontrados, normalizada para um valor máximo de 1.0. Essa abordagem evita que a simples repetição de palavras em um currículo distorça o resultado, valorizando a diversidade de competências demonstradas pelo candidato.

A análise multicritério é o cerne da arquitetura de decisão. O método PROMETHEE II foi selecionado por sua capacidade de ordenar alternativas com base em múltiplos critérios de forma transparente e estável (Brans e Vincke, 1985). O processo envolve a comparação de pares de candidatos em cada critério, utilizando funções de preferência que convertem as diferenças de desempenho em graus de preferência variando entre zero e um. O sistema calcula o fluxo positivo, que mede o quanto um candidato se destaca, e o fluxo negativo, que indica o quanto ele é superado. O fluxo líquido, resultante da subtração do fluxo negativo do positivo, define o ranking final. Complementarmente, o método TOPSIS é aplicado para aumentar a robustez da decisão, baseando-se no conceito geométrico de distância em relação a uma solução ideal e a uma solução anti-ideal (Hwang e Yoon, 1981). A melhor alternativa no TOPSIS é aquela que se encontra simultaneamente mais próxima da performance máxima em todos os critérios e mais distante da performance mínima.

Os resultados obtidos com a implementação do protótipo, denominado Sistema de Triagem e Apoio à Decisão, demonstram a eficácia da integração entre Inteligência Artificial e métodos multicritério. Na primeira etapa de operação, a criação da vaga, o sistema permitiu que o recrutador configurasse parâmetros com alta granularidade. A utilização da API do Google Gemini mostrou-se valiosa para sugerir termos técnicos relevantes, auxiliando na definição das listas de palavras-chave ideais e desejáveis. Por exemplo, ao definir um critério como “Experiência em JavaScript”, a Inteligência Artificial sugeriu termos correlatos como “React”, “Node.js” e “TypeScript” para a lista de desejáveis, garantindo que candidatos com tecnologias equivalentes não fossem desqualificados injustamente. Essa funcionalidade resolve o problema da falta de padronização na linguagem dos currículos, um obstáculo comum em métodos lexicais puros como o TF-IDF.

Na fase de análise individual, o processamento realizado inteiramente no lado do cliente garantiu a privacidade dos dados sensíveis dos candidatos, uma vez que as informações não precisaram ser enviadas para servidores externos para a extração de texto. A biblioteca PDF.js demonstrou alta confiabilidade na interpretação de diferentes layouts de currículos, consolidando as informações de forma ágil. O sistema gerou indicadores visuais imediatos, como tags que mostram quais critérios foram atendidos, além de objetos de dados em formato JSON que armazenam os trechos exatos do currículo onde as competências foram localizadas. Essa rastreabilidade é fundamental para a auditoria do processo seletivo, permitindo que o recrutador valide manualmente as sugestões do sistema.

A geração do ranking final revelou a importância da utilização combinada dos métodos PROMETHEE II e TOPSIS. Em testes realizados com perfis de candidatos reais, como os perfis hipotéticos de Ana Lima, Bruno Costa e Carla Dias, o sistema apresentou resultados detalhados que evidenciaram as nuances de cada candidatura. No método PROMETHEE II, o cálculo dos fluxos Phi permitiu uma visualização clara da superação entre os candidatos. Por exemplo, um candidato com pontuação 0,9000 em JavaScript e 0,0400 em Cloud obteve um fluxo líquido positivo, destacando-se na classificação geral. O uso de gráficos radar facilitou a comparação visual das competências, permitindo identificar rapidamente qual candidato possuía um perfil mais generalista ou especialista.

A implementação do TOPSIS ofereceu um contraponto metodológico essencial. Ao calcular a distância euclidiana para a solução ideal (0,4594; 0,2857; 0,0000) e para a solução anti-ideal (0,0255; 0,0150; 0,0000), o método identificou o candidato com a performance mais equilibrada. A análise de convergência entre os dois métodos funcionou como uma ferramenta de validação da decisão. Quando ambos os rankings apontaram o mesmo candidato na primeira posição, a decisão foi considerada robusta. Em casos de divergência, o sistema sinalizou a necessidade de uma investigação mais aprofundada, oferecendo ao recrutador uma camada extra de segurança. Essa abordagem mitiga os riscos de viés algorítmico e garante que a seleção seja baseada em critérios matemáticos sólidos e justificáveis.

A discussão dos resultados aponta que a arquitetura proposta supera as limitações de sistemas de triagem baseados em um único algoritmo. Enquanto ferramentas tradicionais de mercado muitas vezes funcionam como “caixas-pretas”, o protótipo desenvolvido oferece memórias de cálculo detalhadas, explicando cada passo da pontuação. Isso é particularmente relevante em ambientes corporativos que exigem transparência e conformidade regulatória. A flexibilidade para ajustar pesos e critérios em tempo real permite que o recrutador adapte a ferramenta às necessidades específicas de cada projeto, algo que sistemas rígidos de prateleira raramente oferecem. Além disso, a integração da Inteligência Artificial para o enriquecimento de termos reduz o esforço manual de configuração, tornando o processo mais eficiente.

Entretanto, é necessário reconhecer as limitações do estudo. O foco exclusivo em competências técnicas quantificáveis por palavras-chave deixa de fora a avaliação de soft skills e traços comportamentais, que são igualmente cruciais para o sucesso de uma contratação. A análise de tempo de experiência também não foi automatizada nesta versão do protótipo, dependendo ainda da validação humana. Outro ponto de atenção é a sensibilidade do sistema à qualidade da extração de texto; currículos com formatações excessivamente complexas ou imagens podem apresentar desafios para a biblioteca PDF.js. Pesquisas futuras devem focar na implementação de técnicas de análise semântica mais avançadas e na expansão do modelo para incluir a avaliação de experiências profissionais passadas de forma cronológica e qualitativa.

A aplicação prática desta arquitetura em departamentos de Recursos Humanos tem o potencial de transformar a rotina dos recrutadores. Ao automatizar a parte mais onerosa da triagem, os profissionais podem dedicar mais tempo às etapas de entrevista e avaliação cultural, onde o julgamento humano é insubstituível. A redução do tempo de resposta aos candidatos também melhora a marca empregadora da organização, em um mercado onde os melhores talentos costumam receber múltiplas propostas simultâneas. A robustez matemática dos métodos multicritério assegura que a seleção seja justa, baseada estritamente nos requisitos definidos para a vaga, promovendo a meritocracia e a diversidade técnica dentro das equipes de desenvolvimento de software.

Conclui-se que o objetivo foi atingido por meio do desenvolvimento de uma arquitetura de software inovadora que integra Inteligência Artificial e métodos de análise multicritério para otimizar a seleção de candidatos. O protótipo validou a eficácia de um sistema de pontuação granular que diferencia competências ideais e desejáveis, permitindo uma avaliação mais justa e precisa do que as abordagens convencionais. A aplicação simultânea dos métodos PROMETHEE II e TOPSIS, aliada a uma análise de convergência automatizada, demonstrou ser uma estratégia poderosa para aumentar a confiabilidade da tomada de decisão final. A transparência proporcionada pelas memórias de cálculo e a agilidade na extração de dados garantem que a ferramenta seja não apenas um suporte técnico, mas um instrumento de governança e eficiência nos processos de recrutamento e seleção.

Referências Bibliográficas:

Barman e Das, 2018 [Referência completa não encontrada no documento original]

BRANS, J. P.; VINCKE, P. A preference ranking organisation method: the PROMETHEE method for multiple criteria decision-making. Management Science, v. 31, n. 6, p. 647-656, 1985. DOI: 10.1287/mnsc.31.6.647.

Cadastro Geral de Empregados e Desempregados, 2023 [Referência completa não encontrada no documento original]

FALIAGKA, E., RAMANTAS, K., TSAKALIDIS, A., & Tzimas, G. 2012. Application of machine learning algorithms to an online recruitment system. In Proc. International Conference on Internet and Web Applications and Services (pp. 215-220).

FERNÁNDEZ-DELGADO, M.; CERNADAS, E.; BARRO, S.; AMORIM, D. Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, v. 15, p. 3133-3181, 2014.

GEETHA, R.; BHANU, S. 2018, Artificial Intelligence in HRM: A Systematic Review. IEEE Transactions on Computational Social Systems.

HWANG, C. L.; YOON, K. Multiple Attribute Decision Making: Methods and Applications. New York: Springer-Verlag, 1981.

LIU, T.-Y. Learning to rank for information retrieval. Foundations and Trends in Information Retrieval, v. 3, n. 3, p. 225-331, 2009. DOI: 10.1561/1500000016.

MALIK, S.; MUJTABA, A. 2018. E-Recruitment: A Paradigm Shift in HR Practices. International Journal of Human Resource Studies.

REIMERS, N.; GUREVYCH, I. Sentence-BERT: sentence embeddings using Siamese BERT-networks. In: Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Hong Kong: Association for Computational Linguistics, 2019. p. 3982-3992. DOI: 10.18653/v1/D19-1410.

ROBERTSON, S. E.; ZARAGOZA, H.; TAYLOR, M. Simple BM25 extension to multiple weighted fields. In: Proceedings of the 17th ACM Conference on Information and Knowledge Management (CIKM ’09). New York: ACM, 2009. p. 42-49. DOI: 10.1145/1645953.1645961.

SALTON, G.; MCGILL, M. J. Introduction to modern information retrieval. New York: McGraw-Hill, 1983.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso clique aqui