A entrevista técnica já era um ritual contestado antes de a IA entrar em cena. Agora tornou-se algo ainda mais estranho: um processo em que os candidatos podem ser orientados por um sistema de IA enquanto outro sistema de IA os observa em busca de exatamente esses sinais. O resultado é um ciclo de retroalimentação que levanta uma questão que a maioria das coberturas sobre recrutamento ignora completamente. Se ambos os lados estão usando IA, o que a entrevista está realmente medindo?
Como um Ciclo se Forma Quando os Dois Lados Automatizam
Essa dinâmica não surgiu do nada. À medida que as empresas começaram a implantar triadores de currículos com IA para filtrar candidaturas em escala, os candidatos perceberam a mudança e responderam na mesma moeda. Archie Payne, cofundador e presidente da empresa de recrutamento técnico CalTek Staffing, descreve isso como uma contramedida racional: os candidatos passaram a usar IA durante as entrevistas porque perceberam que o processo já havia sido automatizado contra eles.
Ferramentas como Final Round AI, Interview Coder e ParakeetAI conseguem escutar uma entrevista ao vivo, processar o áudio em tempo real e gerar respostas ou código funcional quase instantaneamente. Algumas dessas ferramentas afirmam ser invisíveis na tela, o que significa que um candidato pode ler uma resposta gerada enquanto aparenta responder de forma natural. Mudit Saraf, engenheiro de software na Meta e cofundador do recrutador de voz com IA Ginger — ao lado de Shraddha Sunil, da Microsoft —, descreve o mecanismo de forma direta: o candidato simplesmente precisa dar uma boa performance.
Os empregadores estão agora implantando plataformas de detecção de IA em resposta, buscando sinais como movimentos oculares, padrões de tempo de resposta, troca de abas e padrões de fala que sugiram respostas geradas por IA. O próprio Ginger sinaliza candidatos que parecem usar IA durante as chamadas iniciais de triagem. No entanto, Payne observa que a precisão dessas ferramentas de detecção ainda não é confiável: candidatos qualificados já foram marcados como falsos positivos, o que cria um problema adicional quando profissionais competentes já são escassos.
Ravi Kiran Pagidi, engenheiro sênior de dados de IA no Navy Federal Credit Union e participante de bancas de entrevistas técnicas, resume com clareza o risco central desse ciclo. O processo pode deixar de medir a capacidade real e passar a medir quem consegue otimizar melhor para o algoritmo.
O Que o Viés e os Falsos Positivos Acrescentam a um Sistema Já Frágil
O problema de confiabilidade não diz respeito apenas à precisão da detecção. As ferramentas de recrutamento com IA carregam riscos documentados que vão além da sala de entrevistas. Um estudo do Stanford Institute for Human-Centered AI, citado no material de origem, acompanhou 3,4 milhões de candidatos reais cujas candidaturas foram avaliadas por algoritmos de um único fornecedor. O estudo encontrou evidências de impacto adverso para candidatos asiáticos e negros, sugerindo que as ferramentas de triagem com IA podem ampliar o viés racial e produzir padrões sistêmicos de rejeição.
A estrategista de recrutamento com IA Tatiana Teppoeva aponta preocupações adicionais: a privacidade e a segurança dos dados dos candidatos, se as gravações das entrevistas são usadas para treinar os modelos subjacentes, e questões de equidade que os sistemas automatizados não estão preparados para resolver por conta própria. Sua recomendação é direta. É preciso que haja um ser humano em algum ponto do processo, com autoridade para garantir que os resultados sejam justos.
Pagidi acrescenta que, sem auditorias, políticas claras e transparência, as empresas podem acreditar que estão melhorando a eficiência enquanto, na verdade, estão degradando a qualidade do próprio sinal de contratação. É exatamente isso que a maioria das coberturas sobre IA no recrutamento deixa de lado: os ganhos de eficiência são visíveis e fáceis de medir, enquanto a degradação do sinal é lenta, silenciosa e só se torna aparente quando as pessoas erradas são contratadas ou as certas são descartadas.
A Questão do Julgamento que a IA Não Pode Responder por Você
É aqui que a história se torna genuinamente instrutiva. Algumas empresas, incluindo a Meta e a plataforma de desenvolvimento de software nativa em IA Factory, seguiram o caminho oposto: permitem — ou até esperam — que os candidatos usem IA durante as entrevistas técnicas. A abordagem da Factory merece ser examinada de perto. Os candidatos são solicitados a construir um sistema de qualidade de produção ou migrar uma base de código real em uma hora, usando agentes de codificação com IA. Eles não são avaliados por concluir a tarefa ou pela quantidade de testes aprovados. São avaliados pelo planejamento, pela forma como direcionam a IA, pela maneira como depuram o código e pela capacidade de explicar por que sua solução funciona.
Varin Nair, o engenheiro de software que lidera o processo de contratação técnica da Factory, observou um padrão claro. Candidatos fracos aceitam tudo o que a IA retorna e travam no momento em que ela falha. Candidatos fortes a utilizam para avançar mais rápido e se liberar para raciocinar sobre arquitetura, trade-offs e produto. A IA se torna um multiplicador do julgamento, não um substituto para ele.
Essa distinção importa além do recrutamento. Ela descreve algo verdadeiro sobre como as ferramentas de IA funcionam em contextos profissionais de forma geral. A ferramenta apresenta opções. O ser humano decide quais opções valem a pena perseguir, por quê, e o que fazer quando a ferramenta erra.
Em Resumo
A corrida armamentista de IA no recrutamento técnico não é, em essência, uma história sobre trapaça. É uma história sobre o que acontece quando os dois lados de um processo automatizam sem chegar a um acordo sobre o que esse processo deveria medir. As ferramentas de detecção introduzem viés e falsos positivos. As ferramentas de orientação obscurecem o sinal que as entrevistas foram projetadas para capturar. As empresas que navegam por isso com mais eficácia são aquelas que deram um passo atrás e fizeram uma pergunta anterior: como é, de fato, um bom julgamento em engenharia, e como desenhamos uma entrevista que o revele? A resposta, de forma consistente, envolve oferecer aos candidatos problemas reais, ferramentas reais e espaço para mostrar como pensam. Isso é mais difícil de falsificar — e mais difícil de automatizar.
Com base em reportagem de IEEE Spectrum AI.