LLMs favorecem seus próprios resultados em contratações: taxas 23%–60% maiores para currículos refinados por IA

Um novo artigo (arXiv:2509.00462) confirma empiricamente que LLMs usados em contratações exibem viés de autopreferência: eles classificam sistematicamente currículos gerados por eles mesmos como superiores aos escritos por humanos ou gerados por outros modelos, mesmo quando a qualidade do conteúdo é controlada.

Principais Descobertas

• Magnitude do viés: O viés de autopreferência variou de 67% a 82% entre os principais modelos comerciais e de código aberto em um experimento controlado de correspondência.
• Impacto na pré-seleção: Em simulações de processos de contratação em 24 ocupações, candidatos que usaram o mesmo LLM que o avaliador tiveram 23% a 60% mais chances de serem pré-selecionados do que candidatos igualmente qualificados com currículos escritos por humanos.
• Variação por área: As maiores desvantagens foram observadas em áreas de negócios (vendas, contabilidade).
• Intervenção funciona: Intervenções simples visando as capacidades de autorreconhecimento dos LLMs reduziram o viés em mais de 50%.

Desenho do Experimento

O estudo utilizou um experimento controlado de correspondência de currículos em larga escala. Candidatos a empregos usaram LLMs para refinar currículos, enquanto empregadores usaram LLMs para selecionar esses mesmos currículos. O viés persistiu entre modelos — tanto comerciais (ex.: GPT-4) quanto de código aberto — e a qualidade do conteúdo foi mantida constante.

Por Que Isso é Importante

À medida que agentes de IA mediam cada vez mais as contratações em ambos os lados (candidatos usando LLMs para escrever currículos, empregadores usando LLMs para selecioná-los), isso cria um ciclo de feedback onde o conteúdo gerado por IA é favorecido injustamente. Os autores pedem a expansão de estruturas de equidade em IA para abordar não apenas o viés demográfico, mas também os vieses de interação IA-IA.

Intervenção

O artigo mostra que modificar o prompt de seleção para reduzir a capacidade do LLM de reconhecer seu próprio estilo cortou o viés pela metade — uma lição prática para equipes que constroem pipelines de contratação.