IA no sourcing: o que funciona, o que escorrega e onde a pessoa tem de decidir

O que a IA faz bem no sourcing, e porque isso é uma armadilha

Uma ferramenta de sourcing com IA encontra em dois minutos perfis que levaria vinte a identificar. Isto é real. A tecnologia chegou a um ponto em que o matching semântico e a correspondência de palavras-chave produzem resultados utilizáveis em volumes que ninguém trataria à mão.

Na prática, eis o que as ferramentas fazem corretamente:

• Varrer milhares de perfis em poucos segundos no LinkedIn, nas CVthèques ou nas suas bases internas
• Cruzar competências declaradas com as exigências de uma ficha de função
• Identificar perfis atípicos que um olho humano teria ignorado por hábito de filtragem
• Gerar resumos de percurso a partir de dados brutos

O problema não é a qualidade do varrimento. O problema é o que esta velocidade faz ao processo de decisão. Quando a lista chega em dois minutos, a tentação é tratá-la como já validada. Não está.

A ferramenta fez pattern matching sobre experiências passadas. Não leu a missão com os olhos de um comercial que conhece aquele DSI há três anos, que sabe que "Java sénior" neste cliente quer dizer "capaz de retomar um legacy de 200k linhas sem documentação", não só "8 anos de experiência Java".

O enviesamento de velocidade

Este fenómeno tem nome em psicologia cognitiva: o enviesamento de automatização. Quanto mais um sistema produz resultados depressa e com confiança, menos se questiona a qualidade desses resultados.

Em ESN, traduz-se assim:

A segunda coluna não é melhor do que a primeira. É mais rápida. Não é a mesma coisa.

---

Os três deslizes que as ferramentas produzem de forma sistemática

Os erros da IA no sourcing não são aleatórios. Seguem padrões previsíveis que se encontram em todas as ferramentas do mercado, LinkedIn Recruiter, HireEZ, Entelo, ou qualquer ferramenta interna baseada em NLP.

1. Confusão entre exposição e domínio

A IA não distingue um consultor que pilotou um projeto Kubernetes em produção de um consultor que conviveu com Kubernetes numa equipa de dez. Os dois perfis mencionam Kubernetes. Os dois têm a palavra-chave. Mas um passou seis meses a configurar clusters e a gerir incidentes em produção, o outro assistiu aos daily standups.

Exemplos concretos que passam com regularidade:

• "Experiência Terraform" = escreveu 3 módulos vs. usou terraform apply em scripts já existentes
• "Gestão de equipa" = pilotou 8 programadores vs. foi o mais sénior de um binómio
• "Arquitetura de microserviços" = concebeu a arquitetura from scratch vs. desenvolveu um serviço numa arquitetura existente

A IA pontua estes perfis de forma quase idêntica. O cliente, em entrevista, faz a diferença em cinco minutos.

2. Fusão de missões curtas numa experiência contínua

Um consultor fez 3 meses de React num editor SaaS, depois 4 meses de Vue.js numa startup, depois 2 meses de React Native em freelance. A IA recompõe isto em "9 meses de experiência frontend JavaScript", uma linha coerente que não existe.

Na realidade, este consultor teve três contextos diferentes, três stacks diferentes, e nenhuma missão longa que prove a capacidade de se manter num projeto complexo. O resumo da IA esconde esta fragmentação.

Este deslize é particularmente perigoso nos perfis júnior-intermédios (2-5 anos), em que as missões curtas são frequentes.

3. Descontextualização dos títulos de função

"Tech Lead" numa startup de 6 pessoas é muitas vezes o programador mais sénior, que programa 80% do tempo e faz alguma revisão. "Tech Lead" numa ESN de 3 000 consultores é um papel de coordenação com enquadramento técnico, staffing e relação com o cliente.

O mesmo título. Realidades incompatíveis.

Outros exemplos frequentes:

A IA não contextualiza. Lê o título, faz matching. O resto é problema seu.

---

O custo real de um perfil "quase certo"

Uma recusa limpa num mau fit, o cliente ainda o respeita: sabe que fez a triagem. Este perfil não era o certo, você sabe, ele sabe, passa-se ao seguinte.

Um perfil "quase certo" que passa o primeiro filtro mas cai na qualificação técnica duas semanas depois é outra história.

O que acontece na prática

1. Envia o perfil na segunda-feira. O cliente valida-o com base no resumo.
2. A entrevista técnica fica marcada para a semana seguinte. O candidato é briefado.
3. Na entrevista, o cliente aprofunda um ponto que o resumo da IA tinha alisado. O candidato não se aguenta.
4. O cliente liga-lhe. O tom mudou.

O que isto lhe custa

• Crédito junto do cliente consumido: cada envio falhado diminui a confiança do cliente nas suas recomendações. Ao fim de 2-3 perfis "quase certos", deixa de ler os seus dossiers em prioridade.
• Tempo do candidato desperdiçado: o consultor preparou uma entrevista, reservou meia jornada, e é recusado num ponto que poderia ter identificado a montante.
• Intervalo perdido: enquanto o perfil "quase certo" ocupava o slot, um perfil sólido poderia ter sido posicionado. O cliente talvez já tenha avançado com outro prestador.
• Desgaste da relação: este custo não aparece em nenhum dashboard, mas acumula-se. À escala do trimestre, o cliente sabe quem envia perfis qualificados e quem envia volume.

Um cálculo simples

Pegue numa missão a 500€/dia faturada. Se um perfil "quase certo" fizer perder 3 semanas no ciclo de colocação (o tempo da entrevista falhada + retoma do sourcing + novo posicionamento), são 7 500€ de faturação atrasada, sem contar o risco de o cliente colocar outra pessoa entretanto.

Compare isto com os 10 minutos de verificação que teriam permitido ver o problema antes do envio.

---

O ponto de controlo que não pode saltar

A decisão de envio deve ser tratada como um ato comercial, não como uma validação administrativa. Enviar um perfil a um cliente é empenhar a sua credibilidade. Merece mais do que um clique em "Aprovar" numa ferramenta.

As três verificações antes do envio

Formalize-as. Mesmo duas linhas na ferramenta de acompanhamento. Este controlo leva 10 minutos por perfil e poupa-lhe semanas de recuperação.

1. O perímetro real das missões citadas

Não se fie no título. Abra o CV original e verifique o que o consultor fez de facto nas missões que a IA cita como prova de fit.

Perguntas a fazer:

• Qual era o papel exato? (contribuinte, lead, arquiteto, suporte?)
• Qual era o tamanho da equipa e a posição nele?
• Que tecnologias manipulou efetivamente?

2. A duração efetiva na função

A IA conta muitas vezes a duração total da missão, não o tempo passado na função pertinente. Um consultor enviado 18 meses a um cliente mas que só fez Java nos 4 primeiros meses antes de passar a suporte funcional: a IA mostra "18 meses Java".

Verifique:

• A duração na função citada, não a duração da missão global
• Se o consultor estava a tempo inteiro ou em reforço parcial
• Se o perímetro mudou a meio da missão

3. A coerência do resumo da IA vs. o CV original

Pegue num ponto preciso do resumo gerado pela IA e verifique-o no CV-fonte. Um só chega. Se esse ponto for exato, o resto tem boas hipóteses de o ser. Se for aproximado, aprofunde.

Pontos a cruzar:

• Uma competência técnica específica mencionada no resumo
• Um número (tamanho da equipa, número de utilizadores, volume de dados)
• Um resultado ou entregável concreto

Grelha de controlo rápido

Três verificações. Dez minutos. Nenhum perfil "quase certo" a passar.

---

Estruturar os dossiers para tornar a verificação mais rápida

O controlo humano não pode tornar-se um gargalo. Se verificar um perfil levar 45 minutos, ninguém o fará. O objetivo é estruturar a informação a montante para que a verificação seja rápida e fiável.

Separar o que está verificado do que está inferido

Os seus dossiers de candidatos deveriam distinguir com clareza:

• Dados verificados: o que o consultor declarou e que confirmou (entrevista, referências, documentos)
• Dados importados: o que a IA extraiu do LinkedIn ou de um CV (não verificado)
• Dados inferidos: o que a IA deduziu por cruzamento (a desafiar)

Esta distinção não existe na maior parte das ferramentas de sourcing. Tudo é apresentado ao mesmo nível de confiança, o que torna a verificação impossível sem voltar ao CV-fonte.

A Betterfolio estrutura os dossiers para tornar visível a distinção entre o que um consultor pilotou e o que apenas conviveu. Esta granularidade torna a releitura humana mais rápida sem a suprimir: o comercial vê de imediato os pontos a verificar em vez de reler tudo.

Pedir à IA as zonas de incerteza

A maior parte das ferramentas de sourcing entrega-lhe uma lista ordenada por score de matching. É o mau formato.

Peça antes à ferramenta que explicite as zonas de incerteza:

• Em que critérios o matching é forte? Em quais é fraco?
• Há competências exigidas que o perfil não menciona de forma explícita?
• A duração de experiência é contínua ou recomposta?

Já não valida uma recomendação: desafia uma hipótese. A mudança de postura é estrutural.

---

Integrar a IA num processo, não substituí-la ao processo

A IA no sourcing funciona quando é tratada como uma ferramenta de exploração, não como uma ferramenta de decisão. A nuance é técnica, as consequências são concretas.

O que a IA deveria fazer no seu workflow

A IA cobre as colunas da esquerda. A decisão, a relação com o cliente e a credibilidade ficam na coluna da direita.

Os sinais de alarme de um processo que descarrila

Está a substituir a IA ao juízo humano se:

• Os comerciais enviam perfis que não leram por inteiro
• A taxa de rejeição do cliente após entrevista técnica aumenta desde que usa a ferramenta
• Os dossiers de candidatos são idênticos de um envio para o outro (mesma formulação, mesma estrutura, sem personalização)
• Ninguém na equipa sabe explicar porque um perfil foi enviado para além de "o score era bom"

Se assinalar dois destes pontos, o problema não é a ferramenta. É o lugar que lhe deu na cadeia de decisão.

---

O que é preciso reter

A IA acelera a exploração. Não substitui o juízo.

As ferramentas de sourcing são melhores do que nunca a encontrar perfis. Continuam más a qualificar perfis. Esta qualificação (verificar o perímetro real, contextualizar os títulos, distinguir exposição de domínio) é o trabalho do comercial e do manager. É também o que justifica a sua margem perante o cliente.

Três reflexos a ancorar:

• 10 minutos de verificação por perfil antes do envio (perímetro, duração, coerência)
• Exigir as zonas de incerteza da IA, não só um score
• Tratar o envio como um ato comercial, não como uma validação administrativa

No dia em que o cliente já não distingue os seus perfis dos de um concorrente que envia volume bruto, perdeu a vantagem. A IA não lhe fará perder essa vantagem. A ausência de controlo humano, sim.