Por que estás a ser rejeitado em todos os empregos a que te candidatas (e muitas vezes é a mesma IA)

O estrangulamento escondido por trás das tuas candidaturas sem resposta

Se te candidataste a 30, 50 ou 100 empregos e o silêncio é uniforme, a suposição habitual — «o meu CV deve estar fraco» — muitas vezes não é a certa. A causa estrutural é mais simples e desconfortável: não estás a ser lido por 50 recrutadores diferentes. Estás a ser pontuado por um punhado de algoritmos, muito provavelmente o mesmo, uma e outra vez.

Mais de 90% dos empregadores nos EUA usam agora filtragem algorítmica antes de envolver um humano. A adoção na UE cresce depressa e está agora formalmente regulada pelo EU AI Act, que classifica a IA de contratação como «de alto risco» (Anexo III). O que a maioria não vê é a concentração do mercado de fornecedores. Mais de 60% das Fortune 100 e 8 das 10 maiores agências federais usam algoritmos da HireVue. A Pymetrics — o fornecedor estudado no paper Stanford 2026 — medeia a filtragem em 156 empregadores com 225 mil milhões $ de receitas anuais em finanças, manufatura, logística e mais 8 indústrias.

A consequência é um ponto único de falha no mercado de trabalho. Quando o algoritmo de um fornecedor decide que não encaixas, esse veredicto propaga-se a cada empregador que o usa. Candidatares-te a mais vagas em mais empresas — o conselho clássico — só funciona em parte quando essas empresas usam fornecedores diferentes. Caso contrário, a mesma máquina diz-te não em 47 uniformes diferentes.

O que significa mesmo «monocultura algorítmica»

Os investigadores chamam a este padrão monocultura algorítmica — definido formalmente como «o estado em que muitos decisores dependem dos mesmos algoritmos ou de algoritmos semelhantes». O termo vem da agricultura, onde plantar uma única variedade em vastas áreas amplifica o impacto de uma única praga. A lógica económica transfere-se: quando muitos empregadores compram a mesma ferramenta de filtragem, as suas preferências e pontos cegos ficam embutidos no mercado de trabalho como um todo.

O paper Stanford 2026 de Bommasani, Bana, Creel, Jurafsky e Liang (Stanford, Chapman, Northeastern) é o primeiro a observar decisões algorítmicas reais em vários empregadores que partilham um único fornecedor. Obtiveram acesso a 4.197.168 candidaturas submetidas por 3.372.132 candidatos a 1.746 vagas, todas pontuadas por modelos pymetrics entre dezembro de 2018 e dezembro de 2022. Cada candidatura é pontuada e binarizada em «recomendado» ou «não recomendado». Em média, 58,2% dos candidatos por vaga são recomendados; o resto é marcado para provável rejeição, e a maioria dos empregadores rejeita os não recomendados sem revisão humana adicional.

Reflete algo que muitos vivem mas não veem: 42 dos modelos pymetrics no dataset são usados em simultâneo por várias empresas. Se te candidatas a duas empresas que usam o mesmo modelo, uma rejeição em A é mecanicamente uma rejeição em B. Não avaliado duas vezes; avaliado uma vez e a resposta copiada.

A regra dos 4%: candidatos rejeitados em todo o lado

O resultado empírico principal é o que os autores chamam rejeição sistémica — a taxa a que um candidato é rejeitado por todas as vagas a que se candidata. Entre quem submeteu exatamente 10 candidaturas, 4% foram rejeitados em todas. À medida que se candidatam a mais vagas, a taxa cai — mas mais devagar do que a independência estatística prediria.

Porque é que essa diferença importa? Se as decisões fossem realmente independentes — cada empregador a julgar do zero — as taxas decairiam exponencialmente de forma calculável. Os autores verificaram com outro grande dataset (estudos de correspondência com 83.000 candidaturas a 108 empresas Fortune 500) e aí decaem mesmo de forma independente. A contratação algorítmica não. O decaimento é correlacionado: rejeitado uma vez, as probabilidades de o ser de novo são superiores ao acaso.

É assim que «a mesma IA 50 vezes» aparece em dados reais. Não uma metáfora. Um padrão estatístico medido que diverge da independência.

«Candidatar-te a mais» funciona em parte — mas precisas de 25

Habilmente, os investigadores usaram que os algoritmos são determinísticos: mesmo input, mesmo output. Simularam contrafactualmente o resultado que cada candidato teria recebido candidatando-se às 1.746 vagas. Resultado: cada candidato teria sido recomendado por pelo menos um modelo pymetrics. Ninguém está fundamentalmente bloqueado pelo sistema — desde que se candidate a tudo.

Os candidatos reais não se candidatam a tudo. Sob comportamento mais realista — amplo mas não universal — alguns continuam sistemicamente rejeitados. Os autores quantificam o volume necessário: para garantir taxa de rejeição sistémica abaixo de 0,1% são precisas 25 candidaturas, contra 10 sob a baseline de independência. A monocultura algorítmica força ~2,5× o volume só para chegar à mesma baseline de equidade que um mercado não algorítmico ofereceria de borla.

Dois danos específicos documentados pelo estudo

Além da rejeição sistémica, o paper documenta adverse impact em linhas raciais que atinge o limiar do direito antidiscriminatório dos EUA. A «regra 4/5» marca uma vaga como adverse impact quando a taxa de seleção de um grupo demográfico é inferior a 80% do grupo mais selecionado e a diferença é estatisticamente significativa.

Por vaga (o nível que a lei exige), os autores encontraram:

• 10,62% das 1.746 vagas mostram adverse impact contra candidatos negros.
• 30,70% dos candidatos negros candidataram-se a pelo menos uma vaga que prejudica candidatos negros.
• 25,87% de todas as candidaturas de candidatos negros foram a vagas que os prejudicam.
• 14,74% de todas as candidaturas de candidatos asiáticos foram a vagas que os prejudicam.

Crucial: a pymetrics filtra pelo desempenho em jogos de avaliação online, não por nomes, fotos ou demografia declarada. O viés emerge sem que o algoritmo veja os proxies demográficos tradicionais. Os investigadores chamam-lhe discriminação por proxy — o modelo encontra correlações com raça em características aparentemente neutras e propaga o viés apesar do treino anti-bias explícito (que segundo os autores a pymetrics aplica).

Para candidatos individuais: mesmo que o teu grupo demográfico específico não esteja a ser afetado por um modelo dado, a existência destes padrões significa que o veredicto do algoritmo não é uma medida limpa de «fit» — é um sinal ruidoso e estatisticamente enviesado que não deves interiorizar como juízo sobre as tuas competências.

O que muda realmente o veredicto do algoritmo

Parte do que estes algoritmos avaliam é determinístico e arranjável. Parte não é. Conhecer a diferença é a diferença entre esforço produtivo e semanas perdidas.

O que podes mudar, e que o algoritmo vai notar na próxima candidatura:

• Formato legível por ATS. Layouts de uma coluna, texto real (não dentro de imagens), rótulos de secção standard («Experiência», «Educação»), sem colunas decorativas ou tabelas. A maioria das falhas de parser vem do layout, não do conteúdo.
• Datas completas em cada papel. Experiência sem datas é sinal de primeira linha de candidatura desleixada ou de buraco escondido; os algoritmos penalizam muito.
• Bullets quantificados onde for verdadeiro. «Aumentei a receita» é invisível. «Aumentei a receita em 32%» destaca-se. Não inventes — mas não omitas os que tens.
• Verbos fortes no início do bullet. «Liderei / construí / impulsionei / entreguei» têm peso; «responsável por / trabalhei em / ajudei com» não.
• Sem placeholders por terminar. Parênteses como [X], [número] ou «TBD» são auto-rejeição em qualquer pipeline com ATS. Os algoritmos veem-nos como rascunho desleixado.
• Keywords de competências que combinem com o vocabulário do papel. Não despejadas, mas presentes. Se o anúncio diz «Postgres» e tu escreves «SQL», podes não dar match.

O que não podes mudar no algoritmo — mas podes contornar:

• Diversifica os tipos de papel. Ocupações diferentes passam muitas vezes por modelos diferentes. Candidatares-te a «analista de dados» E «analista de negócio» quando ambos encaixam faz dois algoritmos olharem em vez de um.
• Diversifica a dimensão dos empregadores. As grandes empresas usam massivamente os grandes fornecedores (HireVue, Workday, pymetrics, Greenhouse). Mid-market e startups têm uma muito maior dispersão; algumas não filtram automaticamente.
• Candidatares-te por canais com revisão humana. Referrals internos, redes alumni, serviços de carreira das universidades e contacto direto com recrutadores contornam o filtro automático inicial. O paper Stanford nota: sob independência, 10 candidaturas bastariam — networking é a via direta para recuperar essa independência.
• Anota a que vagas te candidataste e que plataforma o empregador usava. Se 18 das tuas 25 candidaturas foram pelo mesmo portal, identificaste uma monocultura que podes quebrar no próximo lote.

A política está a mudar — mas devagar e não em todo o lado

O paper de Stanford está na interseção de um momento político quente. Três regimes tocam na contratação algorítmica:

• Título VII do Civil Rights Act dos EUA de 1964 — base da regra 4/5. Os algoritmos de contratação não devem produzir adverse impact em grupos protegidos, medido por vaga.
• EU AI Act (2024, em vigor 2026–2027). O Anexo III classifica formalmente a IA para «emprego, gestão de trabalhadores e acesso ao trabalho independente» como de alto risco. A partir de 2 de agosto de 2026, fornecedores no mercado UE enfrentam avaliação de conformidade, transparência e requisitos de auditoria de viés.
• NYC Local Law 144 (2021, aplicada desde 2023). Exige auditorias anuais de viés de ferramentas automatizadas de decisão de emprego nos empregadores NYC, mais notificação aos candidatos.

A direção é clara — mais transparência, mais auditorias, mais direitos para os candidatos —, mas a cronologia mede-se em anos. O dataset pymetrics documenta sistemas operados durante quatro anos sem divulgação de adverse impact por vaga a candidatos ou reguladores. Os autores apelam a novas vias para investigação independente. Até existirem, candidatos individuais navegam um sistema opaco de fora.

O que fazer esta semana

Concreto, por ordem de impacto:

1. Corre uma auditoria ATS no teu CV atual. Os checks determinísticos (formato, datas, placeholders, verbos fracos) são as vitórias mais baratas. Arruma primeiro os findings de alta severidade.
2. Mapeia os fornecedores. Para as tuas últimas 10 candidaturas, anota a plataforma (Workday, Greenhouse, Lever, etc.). Se a maioria passou por uma, as próximas 10 devem apontar deliberadamente a outras.
3. Adiciona 2–3 ocupações adjacentes à tua lista alvo. Ocupações adjacentes são habitualmente filtradas por outros modelos — e as tuas competências transferem-se.
4. Atinge 25 candidaturas com diversidade deliberada. A simulação Stanford diz: volume + variedade fecham o gap de rejeição sistémica. Esquece o spray nos job boards; escolhe 25 vagas com cuidado entre empregadores, dimensões e fornecedores.
5. Ativa pelo menos 3 canais com revisão humana. Um pedido de referral interno, uma relação com recrutador, um contacto direto. Contornam o filtro automático.
6. Acompanha resultados durante 6 semanas. Que canal produz entrevistas, qual produz silêncio. Realoca volume para os canais com sinal.