Números que você pode defender

TL;DR

A nota 12 já mostrou o mecanismo: um slot de métrica obrigatório convida ao arredondamento agressivo, e é assim que o número inflado entra num currículo sem que ninguém, em nenhum momento, tenha decidido mentir. Esta nota resolve o que aquela deixou em aberto, dando ao número um selo de procedência antes de ele virar frase. Todo número que entra numa linha de currículo carrega um de três níveis de confiança — medido (extraído de uma fonte reproduzível, cita-se com segurança), contado (contagem manual sobre um registro que existe, precisa nomear a fonte e declarar o limite) ou lembrado (memória sem registro recuperável, só ordem de grandeza, nunca percentual) — e cada nível autoriza uma frase diferente. O ponto central, que quase nenhum guia de currículo do mercado ensina: um par de números brutos é uma medição; um percentual é uma afirmação, porque embute um cálculo sobre uma baseline — e se essa baseline foi lembrada, o percentual é falsa precisão disfarçada de rigor. A segunda metade da nota trata do que fazer depois que um número já foi publicado e descoberto como frágil: um registro separado de números aposentados, porque valor corrigido que não fica escrito em lugar nenhum tende a voltar a circular.

O colchete vazio, agora com um selo de procedência

A nota 12 chamou o Y da fórmula XYZ de slot de métrica obrigatório, e mostrou por que um colchete vazio, visualmente, parece um defeito a corrigir — mesmo quando o dado real que preencheria aquele colchete nunca existiu com precisão. A nota 13, mais adiante, chamou a mesma lógica pelo nome do degrau: forçar alavancagem onde só existe realização é “a mesma mentira, com outra roupa”, do arredondamento agressivo. As duas notas descrevem o sintoma do mesmo jeito, de dois ângulos diferentes, e as duas terminam apontando para esta nota como o lugar onde o problema é resolvido — não com uma regra de “nunca escreva número sem certeza absoluta”, que é inaplicável na prática, mas com uma pergunta anterior à própria frase: de onde veio este número, e o que essa origem me autoriza a escrever sobre ele?

É essa pergunta — feita antes de qualquer verbo, antes de qualquer colchete preenchido — que separa quem escreve um currículo defensável de quem escreve um currículo que soa bem até a primeira pergunta de acompanhamento numa entrevista. Um número não é uma coisa só; é uma afirmação com uma cadeia de procedência atrás dela, e essa cadeia tem comprimentos muito diferentes dependendo de onde o número veio. Um número extraído de um comando reproduzível tem uma cadeia curta e verificável: qualquer pessoa, no mesmo repositório, rodando o mesmo comando, chega ao mesmo resultado. Um número que a pessoa lembra de “mais ou menos” tem uma cadeia que começa e termina dentro da própria cabeça de quem escreve — e é o comprimento dessa cadeia, não a grandeza do número em si, que decide o que a pessoa está autorizada a escrever.

Esta nota nomeia três comprimentos de cadeia, na ordem do mais curto e mais seguro para o mais longo e mais frágil, e trata cada um com a régua que ele merece — nem tratando todo número lembrado como mentira, nem tratando todo número medido como acima de qualquer dúvida.

Os três níveis de confiança

Medido: extraído de uma fonte reproduzível

Um número é medido quando existe um comando, um painel ou um registro que qualquer pessoa, com o acesso certo, pode rodar de novo hoje e chegar ao mesmo resultado — o histórico do git de um repositório, o painel de um pipeline de CI, a saída de uma suíte de testes, o log de um sistema de incidentes. O que define este nível não é a grandeza do número nem a confiança subjetiva de quem o escreve; é a reprodutibilidade: a diferença entre “eu me lembro que era assim” e “rode este comando e o resultado aparece de novo, do mesmo jeito”.

Um número medido pode ser citado com segurança, no sentido específico de que ele resiste à pergunta mais dura que uma entrevista pode fazer — “como você mediu isso?” — porque a resposta a essa pergunta já existe, pronta, antes mesmo de a pergunta ser feita. E há um efeito colateral pouco intuitivo, que vale nomear com destaque porque contraria a intuição de quem acha que detalhar a medição enfraquece a frase: mostrar como se chegou ao número fortalece a linha, em vez de enfraquecê-la. Uma pessoa que responde “reduzi o tempo de build de doze para quatro minutos, medido comparando os últimos vinte builds antes e depois da mudança no pipeline de CI” não está se defendendo de uma acusação — está exibindo o mesmo rigor que o número em si já sugeria, e um entrevistador técnico reconhece esse rigor como sinal de julgamento, não como fragilidade que precisa de reforço. O oposto também é verdadeiro, e mais revelador: quando alguém hesita, gagueja ou muda de assunto diante da pergunta “como você mediu isso”, o problema quase nunca é falta de talento de comunicação — é que o número nunca foi, de fato, medido, e a pessoa está descobrindo isso em tempo real, na frente de quem pergunta.

Vale um exemplo concreto do que “fonte reproduzível” significa, porque o termo pode soar mais técnico do que é. Um número tirado de git log --since="..." --author="..." --oneline | wc -l é medido, porque o comando pode ser rodado de novo. Um número tirado do painel de cobertura de testes de um pipeline de CI, com data e commit anotados, é medido pela mesma razão — assim como um número tirado de um dashboard de observabilidade, comparando latência antes e depois de uma mudança. O denominador comum não é a ferramenta; é que a fonte continua existindo depois que a pessoa parou de olhar para ela, e outra pessoa, com o acesso certo, poderia chegar ao mesmo número de novo.

Contado: contagem manual sobre um registro que existe

Um número é contado quando não existe um comando pronto que produza o resultado sozinho, mas existe um registro sobre o qual alguém, com paciência, contou manualmente — um histórico de mensagens revisado linha por linha, uma lista de tarefas fechadas num quadro Kanban, uma planilha mantida à mão ao longo de um projeto, os tickets de um sistema de suporte filtrados e contados um a um. A diferença entre este nível e o medido não é a confiabilidade do número final — uma contagem manual cuidadosa pode ser tão exata quanto uma consulta automatizada — mas o processo pelo qual ele chegou até ali: alguém precisou olhar, um por um, e decidir o que entrava e o que não entrava na contagem.

É exatamente esse processo manual que exige um cuidado extra na hora de escrever a frase, e é aqui que a maioria dos currículos falha por omissão, não por má-fé: um número contado precisa nomear a fonte na própria frase, e não só na cabeça de quem escreveu. “Revisei manualmente as 47 issues fechadas no repositório entre janeiro e março, filtrando pelo rótulo de bug” já carrega, dentro da frase, a resposta para a pergunta que ainda não foi feita — de onde veio esse número, e que critério decidiu o que contava. Comparado a “corrigi 47 bugs no trimestre”, a diferença de comprimento é pequena, mas a diferença de defensabilidade é enorme: a segunda frase soa como um número que caiu do céu, e obriga quem escreveu a improvisar, na hora, uma explicação que deveria ter sido decidida com calma, na frente do próprio teclado, semanas antes da entrevista.

A segunda exigência deste nível é declarar a limitação antes de perguntarem, não depois. Toda contagem manual carrega algum grau de imprecisão — um critério de inclusão que mudou de ideia no meio do caminho, uma issue fechada duas vezes por engano e contada como duas, um período que começou num dia arbitrário porque foi quando a pessoa lembrou de começar a contar. Nenhuma dessas imprecisões invalida o número; o que invalida a credibilidade de quem escreveu é deixar essa imprecisão para o entrevistador descobrir sozinho, como se fosse armadilha escondida em vez de limitação honesta. “Contei manualmente as issues com o rótulo de bug fechadas nesse período — é possível que uma ou duas tenham escapado do filtro, mas o número é próximo o suficiente” é uma frase que qualquer entrevistador aceita sem hesitar, porque ela já fez, em voz alta, o trabalho de autocrítica que o entrevistador teria feito de qualquer forma — só que antes, o que muda o tom da conversa que se segue.

Lembrado: memória sem registro recuperável

Um número é lembrado quando não existe registro nenhum a que se possa voltar — nem comando, nem planilha, nem histórico de mensagens — e o que resta é a impressão que ficou na memória de quem viveu o evento. É o nível mais frágil dos três, não porque a memória seja necessariamente errada, mas porque ela é irrecuperável: não há como voltar e checar, e uma memória, diferente de um registro, tem o hábito conhecido de se ajustar sozinha com o tempo, ficando mais limpa e mais redonda a cada vez que é recontada.

A regra para este nível é curta e não admite exceção: um número lembrado só autoriza ordem de grandeza, nunca percentual derivado dele. “O processo de deploy demorava bastante, algo entre uma hora e uma hora e meia, e hoje leva poucos minutos” é uma frase honesta, porque ela declara, na própria linguagem, que o número é aproximado — “algo entre”, “poucos minutos” — sem fingir uma precisão que a memória não sustenta. “Reduzi o tempo de deploy em 93%” é a mesma memória, com a mesma imprecisão por baixo, mas maquiada com um número de duas casas decimais que promete exatamente o oposto do que a fonte real entrega. É essa diferença — entre admitir a aproximação na própria frase e escondê-la atrás de um número redondo — que a próxima seção desta nota trata como o mecanismo central de toda a falsa precisão que entra em currículo sem ninguém decidir mentir.

Vale nomear, aqui, um erro comum e compreensível: tratar “lembrado” como sinônimo de “inútil” ou “não deveria aparecer no currículo”. Não é essa a lição. A nota 15, mais adiante no galho, trata em profundidade do que fazer quando nem sequer a ordem de grandeza está disponível — e mesmo um número puramente lembrado, desde que apresentado como o que é, continua sendo informação real e útil para o leitor. O problema nunca foi lembrar; foi disfarçar uma lembrança de medição, emprestando dela uma precisão que ela nunca teve.

graph TD
    classDef marca fill:#8855DF33,stroke:#8855DF,color:#E9ECF2
    classDef neutro fill:#1B2029,stroke:#4E5666,color:#C6CCD8
    classDef destaque fill:#FFAA0024,stroke:#FFAA00,color:#E9ECF2
    F1["Fonte reproduzível<br/>git log · painel de CI ·<br/>suíte de testes · log de incidente"] --> M["MEDIDO"]
    F2["Registro que existe,<br/>contado à mão<br/>histórico de mensagens · Kanban fechado · planilha"] --> C["CONTADO"]
    F3["Memória sem<br/>registro recuperável"] --> L["LEMBRADO"]

    M --> MA["Cita com segurança.<br/>Mostrar o comando/fonte fortalece a linha."]
    C --> CA["Nomeia a fonte na própria frase.<br/>Declara a limitação antes de perguntarem."]
    L --> LA["Só ordem de grandeza.<br/>Nunca deriva percentual disso."]

    class M neutro
    class C destaque
    class L marca
    class MA neutro
    class CA destaque
    class LA marca

O diagrama fixa a regra que as três seções acima descreveram em prosa: o comprimento da cadeia entre o fato e a fonte decide o nível, e o nível decide o que a frase final tem autorização para dizer. Não existe atalho de um nível mais frágil para um mais forte — só existe a decisão honesta de qual dos três, hoje, descreve de verdade a origem do número que está prestes a virar uma linha de currículo.

Par de números vale mais que percentual

Chega-se agora ao ponto que dá título a esta seção, e que é, provavelmente, o argumento mais original do galho inteiro — nenhum guia de mercado sobre currículo o desenvolve com este grau de detalhe, porque a maioria trata o percentual como o formato de número mais forte que existe, sem parar para examinar o que um percentual, estruturalmente, exige para ser verdadeiro.

Um par de números brutos — “de aproximadamente uma hora para aproximadamente três minutos”, “de 40 para 4 incidentes por trimestre”, “de 12 segundos para 900 milissegundos” — é, por construção, uma medição. Ele descreve dois pontos no tempo, cada um com seu próprio valor, e não exige nenhum cálculo adicional para existir: a pessoa observou o estado antes, observou o estado depois, e escreveu os dois números lado a lado. Mesmo quando um dos dois pontos vem de uma memória imprecisa — “demorava cerca de uma hora” —, a imprecisão fica visível na própria frase, porque o par preserva os dois valores originais, sem escondê-los atrás de uma única cifra derivada.

Um percentual, em contraste, não é uma medição — é uma afirmação, porque ele embute, dentro de si, um cálculo que já aconteceu e que o leitor não vê: (antes − depois) ÷ antes. Esse cálculo não é neutro; ele depende inteiramente da qualidade do número que entrou como “antes”, e é exatamente aí que o problema nasce. Se a baseline — o “antes” — foi medida com precisão, o percentual derivado dela também carrega essa precisão, e não há nada de errado em escrevê-lo: “reduzi o tempo de build de 812 para 94 segundos, uma queda de 88%” é tão defensável quanto o par que o originou, porque os dois números de origem são igualmente sólidos. Mas se a baseline foi lembrada — “demorava cerca de uma hora” —, o percentual calculado sobre ela herda, por definição, exatamente a mesma imprecisão da memória que a originou, só que agora disfarçada atrás de duas casas decimais que parecem ter vindo de um instrumento de medição, não de uma impressão vaga guardada há meses ou anos.

É esse o mecanismo exato da falsa precisão: um número com aparência de rigor matemático — 87%, 93%, 41,2% — que na verdade descreve um cálculo feito sobre uma entrada que ninguém mediu. O percentual parece mais rigoroso do que o par que o originou, porque uma casa decimal comunica, visualmente, o tipo de exatidão que só um instrumento produziria — e é exatamente por isso que ele é, na prática, menos rigoroso: o rigor aparente da forma esconde a fragilidade real do conteúdo. Um par de números lembrados, escrito como par, é honesto sobre os próprios limites; o mesmo par, convertido em percentual, finge um rigor que a fonte nunca teve.

Caso fictício

Rafael Duarte, desenvolvedor pleno já apresentado em notas anteriores deste galho, revisa a própria linha de currículo sobre um processo de deploy que ele ajudou a automatizar há cerca de um ano. Ele não guarda nenhum registro do tempo exato de antes — não tirou print do pipeline antigo, não anotou a duração em nenhuma planilha —, mas lembra, com razoável confiança, que o processo “demorava perto de uma hora, às vezes um pouco mais” e que hoje “sai em uns três, quatro minutos, no máximo”. A primeira versão que ele escreve é “reduzi o tempo de deploy em 95%, automatizando o pipeline de CI/CD” — um número que soa forte, específico e impressionante. Ao reler esta nota, Rafael percebe o que fez: pegou duas lembranças aproximadas, calculou uma divisão entre elas e escreveu o resultado como se fosse um dado medido. Ele reescreve a linha preservando o par, não o percentual: “reduzi o tempo de deploy de cerca de uma hora para poucos minutos, automatizando o pipeline de CI/CD.” A frase perde a precisão artificial das duas casas decimais, mas ganha uma coisa mais valiosa — ela resiste, sem hesitação, à pergunta “de onde veio esse número?”, porque não promete uma exatidão que a memória de Rafael nunca teve.

Como a falsa precisão nasce sem ninguém decidir mentir

Vale nomear, com todas as letras, o que o exemplo de Rafael Duarte acabou de ilustrar, porque é o ponto mais importante desta nota inteira e o que mais separa o galho do resto do que o mercado publica sobre o assunto: ninguém, ao escrever “reduzi em 87%”, senta e decide mentir. O caminho até o número inflado é gradual, quase invisível, e cada passo dele parece, isoladamente, razoável.

A pessoa lembra que o processo “demorava umas duas horas” — uma lembrança honesta, sem registro, mas plausível. Lembra também que “agora dá uns quinze minutos” — outra lembrança igualmente honesta. As duas lembranças, sozinhas, já seriam material suficiente para uma linha forte e defensável, escritas como par. Mas a pessoa, revisando o próprio currículo, sente — do mesmo jeito que a nota 12 já descreveu para o colchete vazio da fórmula XYZ — que “ficaria melhor” com um número único e impressionante, e faz a conta: (120 − 15) ÷ 120 = 87,5%, arredondado para 87%. A conta em si está matematicamente correta; o problema nunca foi a aritmética. O problema é que a divisão transformou duas aproximações honestas — “umas duas horas”, “uns quinze minutos” — num número com duas casas de precisão, como se aquelas duas casas tivessem vindo de algum lugar que de fato as mediu.

Ninguém, nesse processo inteiro, teve a intenção de enganar. A pessoa lembrava de verdade dos dois números aproximados; a divisão foi feita com honestidade; o resultado até é próximo do que aconteceu na realidade, na maioria dos casos. O que quebra não é a intenção — é a transferência de precisão: o percentual herda uma exatidão visual que nenhuma das duas entradas possuía, e quem escreve a frase raramente para para perceber essa transferência, porque ela acontece dentro de uma calculadora, num segundo, sem sinal de alerta. É só na entrevista, meses depois, quando alguém pergunta com curiosidade genuína “como você mediu esses 87%?”, que a fragilidade aparece — e aparece, quase sempre, como silêncio. Não porque a pessoa esteja mentindo diante da pergunta, mas porque ela nunca teve, de fato, uma resposta pronta — só a lembrança vaga que gerou o número, esquecida sob duas casas decimais que pareciam falar por si.

É por isso que a regra desta nota não é “nunca use percentual” — percentual calculado sobre uma baseline medida ou contada é tão legítimo quanto o par que o origina, e às vezes até mais legível para quem lê rápido. A regra é mais estreita e mais precisa: a precisão do resultado nunca pode ser maior do que a precisão da entrada mais fraca que o compõe. Um percentual só tem o direito de existir quando os dois números que o alimentam já teriam, sozinhos, o direito de aparecer com a mesma confiança no currículo. Quando um dos dois não tem esse direito — porque é lembrado, não medido nem contado —, a solução nunca é calcular em cima dele; é escrever o par, com a aproximação exposta em vez de escondida.

Números aposentados

Há uma segunda peça deste sistema que quase nenhum currículo mantém, e que se torna necessária no momento em que um número já publicado é descoberto como frágil, corrigido, ou simplesmente superestimado por um erro de conta que ninguém notou a tempo. O problema não é só corrigir o número na versão atual do documento — é impedir que a versão antiga, já corrigida uma vez, volte a circular meses depois, porque ela ainda existe em algum rascunho antigo, numa versão de LinkedIn desatualizada, numa cópia enviada a um recrutador há dois anos que a pessoa reabre por comodidade em vez de partir da versão mais recente.

É esse risco específico — o de um valor morto ressuscitar por acidente — que exige um registro de números aposentados: uma lista separada, mantida à parte do documento principal, de valores que já foram usados no passado e que, por qualquer motivo, não devem mais aparecer em nenhuma versão futura do currículo. A razão de esse registro precisar existir separado, e não só como uma correção silenciosa no documento atual, é estrutural: sem um lugar que declare explicitamente “este número está morto, não use”, não existe nenhum mecanismo que impeça a versão antiga de voltar. Um documento corrigido só impede o erro de se repetir enquanto for a única fonte que a pessoa consulta — e ninguém, ao longo de uma carreira de vários anos e várias versões de currículo, consulta só a fonte mais recente o tempo todo.

Vale nomear também por que este registro é, dos poucos elementos deste sistema de evidência, o único que não deriva de nenhum outro. O brag document — que a nota 21, mais adiante no galho, trata em profundidade — deriva da prática contínua de anotar realizações. O inventário de evidência deriva das portas de entrada percorridas. O currículo em si deriva da âncora. O registro de números aposentados não deriva de nada disso: ele nasce, especificamente, do momento em que um número é descoberto como errado ou frágil demais para continuar circulando, e sua função inteira é registrar esse momento, para que ele não precise ser redescoberto da próxima vez que a versão antiga aparecer.

Caso fictício

Bianca Torres, desenvolvedora backend pleno já apresentada em notas anteriores deste galho, mantinha havia dois anos a linha “otimizei consultas do módulo de relatórios, reduzindo o tempo de resposta em 70%” — um número que ela tinha calculado, na época, dividindo duas medições reais tiradas do painel de observabilidade da empresa. Meses depois, revisando o pipeline antigo com mais cuidado, ela percebe que o “antes” usado no cálculo original vinha de um dia atípico, com carga de tráfego anormalmente alta, e que a redução real, medida contra um dia comum, era mais perto de 45%. Bianca corrige o currículo atual sem hesitar — mas percebe, ao revisar uma cópia enviada a um recrutador seis meses antes, que a versão antiga com 70% ainda circula fora do controle dela. Sem um registro de números aposentados, ela teria só a memória de “acho que já corrigi isso” para confiar; com o registro, ela escreve, num arquivo separado, “70% de redução no módulo de relatórios — DESCARTADO, baseline de dia atípico; valor correto é ~45%, ver commit de correção”, e passa a checar essa lista, de propósito, toda vez que reabre uma cópia antiga do documento antes de reenviá-la.

Casos práticos

Os dois casos abaixo saem da ficção do galho e vão direto à fonte: são a auditoria e o levantamento que, na prática, obrigaram o autor deste vault a construir o próprio sistema que esta nota descreve.

Caso real

O autor deste vault mantém um pipeline público de geração de currículo, tratado em profundidade na nota 22 mais adiante no galho, no qual uma verificação automatizada aborta a geração do documento sempre que um número já aposentado é encontrado no texto que está prestes a virar um PDF ou uma variante enviada a uma vaga. Esse mecanismo nasceu de uma auditoria anterior que encontrou o mesmo fato profissional descrito em seis redações divergentes, espalhadas por dezessete arquivos diferentes — versões antigas de currículo, rascunhos de bullets, anotações soltas — cada uma com um número ligeiramente diferente para a mesma realização, sem que nenhuma das seis estivesse marcada como a versão correta ou como a versão morta. O princípio que a correção desse achado deixou fixado é curto e vale mais do que a implementação técnica em si: uma guarda que falha em silêncio não é uma guarda. Em algum momento da manutenção desse pipeline, a verificação de números aposentados podia se desligar sozinha, sem aviso nenhum, quando uma dependência externa da qual ela precisava não estava disponível — o script simplesmente deixava de rodar, e o documento era gerado normalmente, como se a checagem tivesse passado. Isso foi tratado, deliberadamente, como um defeito a corrigir com a mesma prioridade de um bug funcional, não como um detalhe de operação sem importância: uma guarda que desiste em silêncio, na ausência de uma dependência, dá exatamente a mesma falsa sensação de segurança que um número de falsa precisão dá a quem lê o currículo — parece que a checagem aconteceu, mas não aconteceu, e ninguém percebe até o momento em que o dano já está feito. (Fonte da trajetória: josenaldo.com.br/experiences, verificado ao vivo em 2026-08-20.)

Caso real

O autor deste vault descrevia, por um tempo, o próprio escopo de atuação profissional como “três codebases” — um número que soava razoável, fácil de lembrar, e que nunca tinha sido checado contra nenhuma fonte concreta desde a primeira vez em que foi escrito. Um levantamento direto na fonte, feito antes de essa frase entrar em qualquer variante nova do currículo, mostrou que o número real era dez repositórios — mais do que o triplo do número que vinha sendo repetido de memória havia tempo suficiente para parecer verdade só por repetição. O mesmo levantamento revelou uma segunda armadilha, mais sutil do que a primeira: contar diretórios de primeiro nível sob a raiz do espaço de trabalho, do jeito mais óbvio e mais rápido de chegar a um número, inflaria a contagem em cerca de 90%, porque nem todo diretório sob a raiz corresponde a um repositório de código; alguns são configuração, documentação, ou artefatos que não fazem parte da contagem que a frase pretendia descrever. A lição que este caso deixa, e que a seção seguinte desta nota generaliza, é direta: o dado difícil se confere antes de virar frase, não depois de alguém perguntar. Se o levantamento tivesse acontecido só depois de uma pergunta de entrevista — “quantos repositórios, exatamente?” —, a resposta teria vindo sob pressão, com o risco real de repetir o número de memória (“acho que eram uns três”) ou de errar na direção oposta, contando diretórios demais e inflando um número que já não precisava de ajuda para impressionar. (Fonte da trajetória: josenaldo.com.br/experiences, verificado ao vivo em 2026-08-20.)

A armadilha de citação: a fonte aparente e a fonte real

Vale fechar esta nota com uma generalização que nasceu, de forma bem literal, durante a construção deste mesmo galho — porque ela mostra que o problema descrito aqui não é exclusivo de números de desempenho de sistema; é um problema mais amplo de procedência, que vale tanto para o dado que entra numa linha de currículo quanto para a citação que sustenta um argumento acadêmico.

A primeira falha aconteceu na hora de citar um artigo usado como fonte em outra nota deste mesmo galho. O endereço da página tinha, no próprio slug da URL, a palavra “better” — “my-personal-formula-for-a-better-resume” —, enquanto o título de fato exibido na página, o que qualquer leitor vê ao abrir o link, era “My Personal Formula for a Winning Resume”. Quem cita a partir do endereço, sem abrir a página, erra o título; quem abre a página antes de escrever a citação, acerta. É um erro pequeno, quase cosmético, mas ele expõe um hábito perigoso: tratar a URL como se fosse, ela mesma, a fonte, quando a URL é só um endereço — a fonte de verdade é o conteúdo que existe atrás dele, e os dois nem sempre concordam.

A segunda falha, mais séria, aconteceu com números de um estudo acadêmico usados como referência de pesquisa neste mesmo galho.

Caso real

Os números do estudo de Kyra Wilson e Aylin Caliskan, “Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval” (AAAI/ACM AIES 2024), entraram na spec deste galho transcritos de um relatório de pesquisa intermediário, não do documento original. Só apareceu porque um revisor estranhou um número sem lastro e foi checar o abstract — e a checagem encontrou que três dos quatro números transcritos estavam errados. “550+ currículos” virou, no abstract, “mais de 500 currículos e mais de 500 descrições de vaga” — um cruzamento, não uma contagem simples. “85%” era, no original, 85,1% de favorecimento a nomes associados a pessoas brancas. “Nomes masculinos em 52%” não existe em lugar nenhum do paper — foi uma invenção pura, aceita sem checagem porque veio de um intermediário que parecia confiável; o eixo de gênero que o estudo de fato reporta vai no sentido oposto, “nomes associados a mulheres em apenas 11,1% dos casos”. E “homens negros: a categoria mais penalizada” amaciou o achado mais duro do estudo, que é bem mais forte: “homens negros são desfavorecidos em até 100% dos casos”. Vale notar a direção desse último erro, porque contraria a intuição — a expectativa é que erro de transcrição infle o dado; este desinflou o achado que mais precisava chegar intacto. A correção teve que acontecer primeiro na spec, a fonte única de onde os números se propagam para as notas — corrigir só o texto derivado teria deixado o erro vivo exatamente no lugar de onde ele voltaria a se espalhar, o mesmo princípio de fonte única que a nota 22 trata em profundidade. (Fonte primária: Wilson, K. & Caliskan, A., arxiv.org/abs/2407.20371, AAAI/ACM AIES 2024.)

As duas falhas, olhadas juntas, generalizam para uma regra única que vale tanto para a citação acadêmica quanto para o número do próprio currículo: a fonte aparente e a fonte real divergem, e a diferença só aparece se alguém abrir. O slug de uma URL não é o título da página. Um relatório intermediário não é o documento original. Uma lembrança de “umas duas horas” não é um registro de tempo medido. Em todos os três casos, existe uma versão do dado conveniente de citar — mais à mão, mais rápida de acessar, a primeira que vem à memória — e existe uma versão verdadeira, e as duas só coincidem quando alguém se dá ao trabalho de checar. É essa disciplina — abrir a página, ler o documento original, contar o registro em vez de confiar na lembrança — que atravessa cada seção anterior desta nota: todas são, no fim, formas diferentes da mesma pergunta — isso que estou prestes a escrever é o que eu acho que é, ou é o que eu checei que é?

Variação por nível

A nota 03 já fixou o vocabulário de nível que esta seção reusa sem repetir a justificativa inteira, e o eixo de confiança de número acompanha, quase ponto a ponto, o eixo de senioridade que aquela nota descreveu para o resto do documento.

No começo da escada — estagiário e trainee —, o currículo tem poucos números, e quase todos eles são, honestamente, contados ou lembrados: quantas semanas um projeto de faculdade levou, quantas issues pequenas foram resolvidas num período de contribuição a um repositório aberto, quantas vezes um processo foi repetido durante um curso. Não há vergonha nisso — como a nota 03 já registrou, o leitor desses dois níveis avalia disciplina e potencial, não resultado de negócio medido, e um número contado com honestidade já cumpre esse papel sem fingir o rigor de um painel de CI que ainda não existiu na trajetória da pessoa.

No júnior e no pleno, os primeiros números medidos começam a aparecer, ao lado de contagens manuais ainda frequentes — e é justamente nesse período de transição que o risco de falsa precisão é mais alto, porque a pessoa já tem números reais o bastante para querer impressionar com eles, mas ainda não desenvolveu o hábito de registrar a origem de cada um no momento em que o vive, e recorre à memória meses depois para reconstituir o que deveria ter sido anotado na hora. É o período em que o hábito descrito pela nota 21 — anotar perto do momento em que a realização acontece, não na véspera de atualizar o currículo — rende o maior retorno relativo, porque é quando a tentação de arredondar é mais forte.

No sênior e, mais ainda, no staff, a exigência muda de natureza: não basta que os números sejam majoritariamente medidos — a pessoa precisa saber a metodologia de cada um, de cor, sem consultar nada, porque o leitor desse nível — a nota 03 já o descreveu como alguém que avalia decisão de arquitetura e influência organizacional, não execução — costuma perguntar “como você mediu isso” com mais frequência do que um leitor júnior, esperando que quem decide em escala também justifique, em detalhe, o dado que sustentou a decisão. Um staff engineer que hesita nessa pergunta comunica um desalinhamento maior do que o mesmo tropeço comunicaria vindo de um júnior — o nível staff pressupõe esse rigor como parte do próprio cargo.

Armadilhas comuns

Confundir "eu me lembro bem" com "eu medi"

O que acontece: a pessoa tem tanta confiança na própria lembrança — porque o evento foi marcante, porque aconteceu recentemente, porque foi repetido várias vezes na cabeça — que trata essa confiança subjetiva como se fosse equivalente a um registro reproduzível, e escreve o número lembrado com a mesma segurança de um número medido. Por quê: confiança e precisão são coisas diferentes, mas parecem a mesma coisa por dentro da própria cabeça de quem lembra — uma lembrança vívida não é, por isso, mais exata do que uma lembrança vaga. Como evitar: aplicar o teste desta nota antes de escrever qualquer número: existe um comando, um painel ou um registro ao qual eu poderia voltar hoje para confirmar isso? Se a resposta é não, o número é lembrado, por mais nítida que a memória pareça, e a frase precisa admitir isso.

Achar que declarar a limitação enfraquece a frase

O que acontece: ao escrever um número contado, a pessoa evita mencionar a fonte ou o critério da contagem, achando que isso deixaria a linha mais longa, mais hesitante, ou menos impressionante do que um número seco e sem contexto. Por quê: o instinto de escrever currículo puxa para a concisão, e nomear a fonte parece, à primeira vista, um desperdício de espaço que poderia ser usado para outra coisa. Como evitar: lembrar que a alternativa não é “número seco versus número com contexto” — é “número seco que quebra na entrevista versus número com contexto que resiste a ela”. Nomear a fonte na própria frase não é defesa contra uma acusação; é a mesma prática de rigor que um número medido já exibe, aplicada ao nível de confiança que a contagem manual de fato permite.

Corrigir o currículo atual e esquecer as versões antigas

O que acontece: ao descobrir que um número estava errado ou inflado, a pessoa corrige a versão mais recente do documento e considera o problema resolvido, sem registrar em nenhum lugar separado que aquele valor antigo está morto. Por quê: a correção do documento principal parece, no momento, suficiente — o erro foi consertado, o currículo atual está certo. Como evitar: manter, à parte, o registro de números aposentados descrito nesta nota, porque o risco nunca esteve no documento mais recente — esteve nas cópias antigas, nos rascunhos esquecidos e nas versões enviadas há meses que continuam existindo fora do controle direto de quem escreveu, prontas para voltar a circular na próxima vez que alguém as reabrir por comodidade.

Como soa em inglês

“I try to know exactly what kind of confidence sits behind every number on my resume, because not every number deserves the same level of certainty in how I state it. If it comes from something reproducible — a git log, a CI dashboard, a test suite — I’ll cite it plainly, and I’m happy to walk through exactly how I measured it, because showing the methodology makes the line stronger, not weaker. If it’s a manual count over a record that exists — messages, a closed ticket list, a spreadsheet I kept — I name the source in the same sentence and I state the limitation up front, before anyone has to ask. And if it’s just memory, with no record to go back to, I only give an order of magnitude — I never turn a remembered baseline into a precise percentage, because a percentage calculated from a guess is not more rigorous than the guess itself, it just looks that way.”

PT	EN
medido	measured
contado	counted
lembrado	remembered
fonte reproduzível	reproducible source
ordem de grandeza	order of magnitude
falsa precisão	false precision
baseline lembrada	remembered baseline
par de números	raw pair of numbers
percentual derivado	derived percentage
números aposentados	retired numbers
guarda automatizada	automated guard

O que vem a seguir

Fixado o selo de procedência que decide o que um número autoriza escrever, o galho segue para a nota que trata do caso em que nem sequer a lembrança está disponível — e para a nota, mais adiante em Magus, onde este mesmo registro de números aposentados vira parte formal de um sistema maior:

• 15 - Quando não há número — proxies de segunda ordem, consequência, escopo e frequência, para quando nem a ordem de grandeza está disponível.
• 21 - O brag document — o hábito de registrar a realização perto do momento em que ela acontece, que evita boa parte do problema desta nota antes mesmo de ele nascer.
• 22 - O currículo como pipeline — a guarda automatizada que aborta a geração do documento quando um número aposentado tenta voltar a circular.

Veja também

• Currículo — o índice do galho, com a tese e o mapa das 26 notas.
• 12 - XYZ, CAR e PAR — e as críticas — o slot de métrica que convida ao arredondamento agressivo, cujo mecanismo esta nota nomeia em detalhe.
• 13 - Responsabilidade, realização e alavancagem — a escada de escopo, e a ressalva de que nem todo fato tem o terceiro degrau, que aqui reaparece como “nem todo número tem o nível medido”.
• 04 - Quem lê o seu currículo — e o que a evidência diz — o gate factual do galho, cuja disciplina de “medido / plausível não medido / caixa-preta” inspira os três níveis desta nota.
• 09 - Habilidades técnicas — a regra de lastro, aplicada ali a competência declarada e aqui a número declarado.
• 06 - STAR e suas variantes — o galho parceiro: é no Result da resposta falada, mais do que na linha escrita, que a pergunta “como você mediu isso?” costuma aparecer, e é para essa pergunta que os três níveis de confiança desta nota preparam quem responde.

Fontes

• Josenaldo Matos — josenaldo.com.br/experiences, página pública de experiências profissionais, verificada ao vivo em 2026-08-20. Fonte da trajetória citada nos dois casos reais desta nota — a guarda automatizada contra números aposentados e o levantamento que corrigiu “três codebases” para dez repositórios.
• Kyra Wilson e Aylin Caliskan — “Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval”, AAAI/ACM AIES 2024, arxiv.org/abs/2407.20371. Fonte primária do caso real sobre os números transcritos errado a partir de um relatório intermediário, na seção sobre a armadilha de citação; os quatro valores citados (mais de 500 currículos e mais de 500 descrições de vaga, 85,1%, 11,1%, até 100%) vêm diretamente do abstract do paper.
• Esta nota não localizou, nem buscou, nenhum estudo quantitativo externo sobre a taxa de números inflados em currículos de tecnologia; o argumento é análise estrutural do mecanismo de cálculo de percentual sobre baseline incerta, apoiado no gate factual já sourced pela nota 04 e reusado aqui sem repetir a pesquisa original.
• Laszlo Bock — My Personal Formula for a Winning Resume, LinkedIn, 29 de setembro de 2014, já citado na nota 12. Reusado aqui apenas como exemplo verificável de divergência entre o slug da URL (“better”) e o título real da página (“Winning”), na seção sobre a armadilha de citação.