Pontuação de ATS diferente em cada site: por quê?

Os dois números são diferentes porque nenhum dos dois está medindo o seu currículo. Cada site pega o seu arquivo, compara com o texto da vaga usando a régua interna dele, no servidor dele, e imprime uma porcentagem. Nenhum deles tem acesso ao sistema de rastreamento de candidatos (ATS) do empregador, à configuração daquela vaga ou ao que a pessoa recrutadora marcou na tela de triagem.

Então uma pontuação de ATS diferente em cada site não é defeito de um dos dois. É o que acontece quando réguas particulares medem a mesma página.

A parte nova deste assunto é que a instabilidade dessas leituras finalmente foi medida. Ela é pior do que imprecisão.

Uma pontuação descreve a ferramenta, não você

O mecanismo está escrito na página de quem vende esse tipo de verificação. A Jobscan explica que "our matching algorithm is based off of top applicant tracking systems": o algoritmo de correspondência dela é baseado nos principais sistemas de rastreamento de candidatos.

Leia o que essa frase concede. O cálculo é da Jobscan, feito contra um critério da Jobscan, inspirado naqueles sistemas. Ele não é lido de dentro do ATS do empregador e não é enviado para lá.

Troque de site e você troca de critério: outro peso para cada termo, outra forma de ler o anúncio, outro corte para o que conta como resposta suficiente.

Comparar a pontuação de dois sites é comparar duas réguas, não duas versões de você. Entre um upload e o outro, nada sobre a sua carreira mudou.

A instabilidade foi medida, e não é arredondamento

Em 15 de setembro de 2026, Qiangju Chen e Yang Xiao publicaram uma auditoria desse comportamento em modelos de linguagem usados para triagem de currículos (arXiv:2609.16517).

O desenho do teste é o que importa. Eles montaram perfis de candidatos por ocupação, em níveis controlados de competência, e renderizaram cada perfil em várias apresentações diferentes de currículo: outra redação, outra estrutura, outro acabamento, outra qualidade de extração do documento. Antes de qualquer pontuação, segundo o próprio resumo do trabalho, "a deterministic validation gate excludes variants that alter the underlying evidence before scoring": uma verificação determinística descarta toda variante que tenha alterado a evidência por baixo.

Ou seja, o que sobra para ser pontuado são versões que dizem comprovadamente a mesma coisa sobre a mesma pessoa. Só a apresentação mudou.

Em seis condições de modelos abertos ajustados para instrução, o resultado:

A primeira linha é a melhor das seis em validade. A formatação nativa de chat melhorou a validade de vários modelos ajustados para conversa, e os autores registram que ela não elimina essa instabilidade.

Agora o ponto que torna esses números diferentes de tudo o que a categoria publica. Uma inversão não é uma pontuação três pontos maior ou menor. É a decisão oposta sobre a mesma evidência. O mesmo trabalho, a mesma pessoa, o mesmo conteúdo verificado como idêntico, e a saída troca de lado em quase um terço dos pares no melhor caso medido.

Um número que se inverte assim não é uma medição imprecisa do candidato. É uma medição que não é do candidato.

Se essa lógica parece familiar, é porque ela é a mesma dos detectores de texto gerado por IA, que também se movem quando só o vocabulário muda e a informação fica igual. Está em o recrutador sabe se você usou IA no currículo.

Os modelos também erram a parte fácil

Uma segunda auditoria ajuda a calibrar o que esperar dessas ferramentas. Em 20 de fevereiro de 2026, Jane Castleman, Zeyu Shen, Blossom Metevier, Max Springer e Aleksandra Korolova publicaram uma forma de medir validade em triagem de currículos por modelos de linguagem (arXiv:2602.18550).

O problema que eles atacaram é que ninguém consegue avaliar validade sem um conjunto de currículos comparáveis com resposta certa conhecida. Então construíram esse conjunto: currículos feitos para vagas específicas, diretamente comparáveis entre si, com uma ordem de superioridade conhecida de antemão.

Duas conclusões do trabalho, em português:

1. Muitos modelos não conseguem selecionar de forma consistente o currículo que descreve a pessoa mais qualificada.
2. Os modelos não se abstêm de forma confiável quando os candidatos estão igualmente qualificados.

A segunda é a mais desconfortável das duas. Diante de um empate real, o comportamento correto é não escolher, e o que aparece é uma escolha.

O que esses dois estudos não autorizam você a concluir

Aqui é onde este texto tem que ser mais rigoroso do que as páginas que ele critica, porque o erro seria exatamente o mesmo.

Os dois trabalhos testaram modelos de linguagem usados como triadores, incluindo modelos abertos de 7 e 8 bilhões de parâmetros. Eles não testaram Workday, Greenhouse ou iCIMS. E nenhuma dessas plataformas expõe ao candidato uma pontuação que alguém de fora pudesse auditar.

Então não existe nenhuma base para dizer que a sua pontuação em uma plataforma específica é 41% arbitrária. Se o processo de um empregador específico se inverte em 5% ou em 40% dos pares, isso não é conhecível de fora dele. Quem cita um número para isso está adivinhando, inclusive quem cita estes dois estudos como se fossem sobre essas plataformas.

O que faz a ponte entre uma coisa e a outra é uma frase do resumo de Castleman e colegas: "many entities rely on general purpose LLMs without further adapting them to the task", muitas organizações usam modelos de linguagem de propósito geral sem adaptá-los à tarefa. Se parte do mercado faz triagem com modelo genérico, então auditar modelo genérico deixa de ser exercício de laboratório. Continua sendo uma inferência sobre o mercado, não uma medição dele.

Também existe pontuação dentro de alguns produtos corporativos. A documentação do Workday HiredScore descreve currículos apresentados já processados, cálculo de intervalos de emprego e de tempo em cada cargo, e a possibilidade de a pessoa recrutadora revisar e agir sobre cada perfil. O material comercial da empresa fala de classificação de candidatos por IA "sem viés". Não foi localizada documentação com a escala dessa classificação, um limite de recusa automática ou um método de auditoria de viés, e nada disso é mostrado ao candidato. É linguagem de marketing, não uma medição publicada.

O que não muda de um site para outro

Esta é a metade útil, e ela é estável justamente porque não depende de régua nenhuma.

A recusa automática lê o formulário, não o seu texto. A documentação da Greenhouse descreve a regra de recusa automática como uma configuração em que, com base na resposta de um candidato a uma pergunta, ele é recusado automaticamente como candidato em potencial. A própria página registra que o recurso está disponível apenas nos planos Plus e Pro. É uma regra sobre respostas de formulário, e ela não fica mais nem menos severa por causa da porcentagem que um site imprimiu. O detalhe de como isso funciona está no guia sobre currículo e ATS.

A leitura automática é extração, não julgamento. Um parser abre o arquivo e tenta colocar nome, empresas, cargos, datas e formação em campos. Isso dá o mesmo resultado todas as vezes, porque é uma operação sobre o arquivo, não uma opinião sobre você. Quando falha, falha por propriedade do documento, e as causas estão documentadas pelo fabricante.

Cobertura é uma lista, não uma pontuação. Quais requisitos do anúncio o seu currículo responde, quais ele responde de forma fraca e quais ele não menciona em lugar nenhum: isso se escreve em três colunas. E duas ferramentas honestas produzem quase a mesma lista, porque a lista sai das palavras do próprio anúncio, não de um peso secreto. É a diferença entre um resultado que você pode conferir linha por linha e um resultado que você só pode acreditar.

O que fazer em vez de mexer no número

1. Confirme que o arquivo é extraível. Selecione tudo no seu currículo, cole num editor de texto puro e veja o que sobreviveu. O teste está detalhado no guia sobre currículo e ATS e leva menos de um minuto.
2. Escreva a lista de requisitos você mesmo. Abra o anúncio, copie cada exigência para uma linha e marque: respondido, fraco, ausente. Ninguém precisa de uma assinatura para fazer isso, e o resultado é mais específico do que qualquer porcentagem.
3. Nos itens fracos, escreva a pergunta antes do número. "Responsável pela migração do sistema de cobrança" não responde nada. A pergunta é: quantas contas saíram do sistema antigo, e em quanto tempo? Até você ter a resposta, a linha honesta é Migrei [quantas contas, e em quanto tempo?] para o novo sistema de cobrança. A lacuna visível diz exatamente o que falta. Um número inventado no lugar dela vira uma pergunta de entrevista que você não sustenta.
4. Revise as respostas do formulário com atenção. Autorização de trabalho, certificação obrigatória, pretensão salarial, disponibilidade. É ali que a recusa automática documentada acontece, e é a parte que quase ninguém relê.
5. Use a ferramenta como lista de conferência e ignore a porcentagem. Se ela apontou um termo da vaga que não está no seu currículo e esse termo é verdade sobre você, isso é informação. O número ao lado é decoração.

O trabalho de escrever cada linha com um fato verificável dentro é outro assunto, com regras próprias.

Nenhuma ferramenta honesta te dá uma pontuação

O Rzume não calcula pontuação e não mostra porcentagem de compatibilidade, porque não existe forma honesta de calcular nenhuma das duas de fora da empresa.

O que ele faz é mostrar primeiro a leitura do seu arquivo, campo por campo, incluindo o que não coube em lugar nenhum, e depois listar os achados da análise, do mais grave ao menor. A leitura e a análise completa são gratuitas e não pedem conta. Contra um anúncio de vaga, ele nomeia os requisitos que o seu currículo responde, responde mal ou não menciona. Na reescrita ele parte da evidência que você forneceu e, quando falta um dado, ele pergunta. Se você pular a pergunta, a linha sai com a lacuna entre colchetes, e não com um número que ninguém levantou.

Envie o seu currículo e veja o que um parser lê dele, ou confira o que cada plano inclui.

Fontes

• Chen, Q., Xiao, Y., Competence-Preserving Resume Perturbations Expose Presentation Sensitivity in LLM Screening, arXiv:2609.16517, submetido em 15 de setembro de 2026.
• Castleman, J., Shen, Z., Metevier, B., Springer, M., Korolova, A., Measuring Validity in LLM-based Resume Screening, arXiv:2602.18550, submetido em 20 de fevereiro de 2026.
• Greenhouse, Auto-reject, documentação do fornecedor, página atualizada em 30 de janeiro de 2026.
• Workday, Candidate profiles, HiredScore, documentação do fornecedor, e a página comercial de AI recruiting, de onde vem a expressão "unbiased, AI-driven candidate grading".
• Jobscan, What Jobscan match rate should I aim for?, página de uma empresa que vende esse tipo de verificação, citada apenas pelo que ela admite sobre o próprio cálculo. Trecho conferido em 3 de setembro de 2026: em 26 de setembro a página recusou acesso automatizado.

Demais fontes acessadas em 26 de setembro de 2026.