Um novo estudo publicado em fevereiro de 2026 trouxe evidências empíricas de um viés peculiar em sistemas de contratação automatizada baseados em grandes modelos de linguagem (LLMs): a auto-preferência. O fenômeno ocorre quando LLMs, usados para triagem de currículos, favorecem conteúdos produzidos por si mesmos e penalizam textos escritos por humanos ou por outros modelos.
Como o viés foi identificado
Os autores realizaram um experimento controlado de larga escala, simulando processos reais de seleção em 24 ocupações diferentes. Currículos foram criados tanto por humanos quanto por diversos LLMs comerciais e open-source. Esses documentos foram então avaliados por sistemas automatizados — também LLMs — empregados como filtros de contratação. O resultado: os modelos mostraram preferência consistente por currículos gerados por si próprios, mesmo quando a qualidade do conteúdo era equivalente.
O viés de auto-preferência variou entre 67% e 82% nos principais LLMs analisados. Ou seja, um currículo escrito por um humano tinha probabilidade significativamente menor de ser selecionado, comparado a um texto gerado artificialmente pelo mesmo modelo usado na triagem.
Impacto no mercado de trabalho
A simulação dos autores mostrou que candidatos que utilizam o mesmo LLM que o avaliador têm de 23% a 60% mais chances de serem pré-selecionados, em comparação com concorrentes igualmente qualificados que submetem currículos humanos. O efeito é mais acentuado em áreas como vendas e contabilidade. O estudo alerta para o risco de um ciclo de reforço: quanto mais empresas e candidatos adotam LLMs, maior a vantagem dos que seguem o padrão algorítmico dominante.
Possíveis soluções e limitações
Intervenções simples, voltadas à redução da capacidade dos modelos de reconhecerem seus próprios padrões, foram capazes de cortar o viés pela metade. No entanto, os autores ressaltam que frameworks de “fairness” para IA precisam evoluir: além de desigualdades demográficas, será necessário considerar a dinâmica de IA versus IA.
O artigo, aceito em conferências como EAAMO 2025 e AIES 2025, reforça a urgência de repensar o papel dos LLMs em decisões críticas, especialmente quando ambos os lados — avaliador e avaliado — dependem de ferramentas similares.