O problema
Time de recruiting recebe 200-800 currículos por vaga e gasta 8-15 horas só na primeira triagem. ATS tradicional filtra por keywords. o que descarta talento bom (que não soube colocar a palavra-chave certa) e mantém ruído (currículos otimizados pra ATS, sem fit real).
A solução
Um modelo de scoring 0-100 que combina:
- Embeddings semânticos do currículo (não keyword match)
- Modelo XGBoost treinado no histórico de contratações da empresa (quem foi contratado vs quem performou bem)
- Explicabilidade SHAP: para cada candidato, mostra os 4-5 atributos que pesaram mais
- Auditoria de viés: checagem automática se o score discrimina por gênero/etnia/idade
Como funciona
- Currículo PDF/DOCX é parseado (extração estruturada de experiência, formação, skills)
- LLM (GPT-4o) extrai sinais semânticos não-óbvios ("liderou time", "fez turnaround", "stack moderna")
- XGBoost combina todos os sinais e gera score 0-100
- SHAP gera explicação por candidato
- Auditoria de fairness compara distribuição de scores por grupo demográfico
Métricas em produção
Cliente B2B SaaS (480 contratações nos últimos 12 meses):
- Tempo de triagem 1ª fase: 95% redução (de 8h para 24min por vaga)
- Conversão tela → entrevista: 22% → 41% (recrutador entrevista melhor pool)
- Taxa de aprovação no 3º mês: subiu 14 pontos (modelo prediz performance, não só fit técnico)
- Auditoria de viés: zero discrepância significativa por gênero/idade
O que vem incluso
- Parser de currículo (PDF, DOCX, LinkedIn export, imagem com OCR)
- API REST FastAPI com latência p95 < 800ms
- Modelo XGBoost treinado no histórico do cliente (mínimo 200 contratações)
- Painel de explicabilidade: para cada candidato, exibe top features + comparativo com contratações de sucesso
- Auditoria de fairness rodando semanalmente com relatório
- Integração ATS: webhook bidirecional com Gupy, Greenhouse, Lever
Stack
- Python 3.13 + FastAPI + XGBoost + SHAP
- OpenAI GPT-4o para extração semântica
- Storage de currículos em S3/Supabase Storage com criptografia at-rest
- Logs auditáveis em ClickHouse (LGPD-ready)
Compliance
- LGPD: PII (CPF, RG, endereço) é redacted nos logs de modelo
- Bias audit: relatório mensal de fairness gerado automaticamente
- Direito ao explainability: candidato pode solicitar relatório de por que foi ranqueado X
Tempo de implementação
3-4 semanas, com:
- Sprint 1: extração de histórico do cliente + análise de viabilidade (sinal disponível)
- Sprint 2: treino + validação + métricas baseline
- Sprint 3: API + painel + integração com ATS existente
- Sprint 4: rollout gradual (shadow mode antes de produção)
FAQ
E se eu não tenho histórico de 200 contratações? Aceitamos a partir de 80 com perda de precisão controlada. Em volume menor, sugerimos LLM-only (sem XGBoost) como ponte. fica menos preciso mas ainda útil.
O modelo funciona para cargos muito específicos (CTO, CFO)? Para cargos com poucos históricos, o LLM faz o trabalho sozinho com prompts customizados pelo gestor da vaga. Score é qualitativo (não 0-100), mas com explicação completa.
O ATS atual continua funcionando? Sim. somos uma camada que pluga no seu ATS existente, não substitui. Funciona como webhook bidirecional com Gupy, Greenhouse, Lever, Recruitee.
É seguro? E LGPD? Sim. PII (CPF, RG, endereço) é redacted nos logs após uso. Currículo é deletado após 6 meses ou quando candidato solicita. Auditoria de fairness rodando semanalmente.
Quanto custa para implementar? Setup: R$ 28K-55K dependendo do ATS. Licença anual: R$ 18K-35K. Custo de LLM (GPT-4o) por currículo: ~R$ 0,15. Para 5K currículos/mês: ~R$ 750.
Como evita viés sistemático? Auditoria de fairness compara distribuição de scores por gênero, idade, etnia, região. Detecta correlações suspeitas e flag para revisão humana. Relatório mensal para diretoria de RH.
E se o candidato pedir o motivo do score? Direito ao explicability cumprido: candidato pode solicitar relatório SHAP com as top features. Texto humanizado gerado automaticamente, sem revelar segredos do modelo.
Substitui entrevista humana? Não. É triagem de 1ª fase. Toda decisão de contratação ainda passa por humano. O modelo apenas ranqueia para o recrutador ver os candidatos mais promissores primeiro.