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.
📖 Leia a fonte original: HN AI Agents
👀 See Also

Claude Code v2.1.119: Persistência de Configuração, Suporte a PRs do GitLab/Bitbucket e Dezenas de Correções de Bugs
Claude Code v2.1.119 persiste as configurações /config em ~/.claude/settings.json, adiciona suporte a --from-pr para MRs do GitLab e PRs do Bitbucket, e corrige mais de 25 bugs, incluindo colagem CRLF, OAuth do MCP e conflitos de modo automático.

Anthropic lança currículo educacional gratuito incluindo cursos Claude Code e MCP Mastery
A Anthropic disponibilizou todo o seu currículo educacional gratuitamente, incluindo cursos sobre Claude Code, MCP Mastery, uso de API e Fluência em IA. O currículo é descrito como de nível universitário e oferece aprendizado estruturado em comparação com tutoriais aleatórios.
Opus 4.7 pode seguir ~500 instruções, contra ~150 do ano passado
Pesquisas atualizadas em maio de 2026 mostram que o Opus 4.7 pode seguir confiavelmente cerca de 500 instruções, contra aproximadamente 150 em julho de 2025. O GPT-5.5 lida com cerca de 5000. Implicações para o tamanho do arquivo CLAUDE.md.

Claude Code v2.1.201 remove o papel de sistema no meio da conversa para sessões do Sonnet 5
Claude Code v2.1.201 remove a função de sistema no meio da conversa para lembretes de harness em sessões Claude Sonnet 5, simplificando o contexto do chat.