Como o matching de candidatos com AI realmente funciona: uma abordagem de duas camadas

Você já ouviu o pitch centenas de vezes: “matching de candidatos com AI.” Mas o que isso realmente significa? A maioria das ferramentas dá uma porcentagem — “78% de compatibilidade” — e espera que você confie. Sem evidências. Sem explicações. Sem como saber se a AI é brilhante ou está alucinando.

Isso não é matching. É um número mágico.

O matching real de candidatos precisa de duas coisas: velocidade e explicabilidade. Você precisa avaliar mais de 20 candidatos por dia sem gastar 10 minutos em cada um — mas também precisa entender por que um candidato recebeu aquela pontuação, para tomar decisões informadas e conduzir conversas de screening significativas.

Veja como uma abordagem de duas camadas resolve ambos os problemas.

O problema do matching de camada única

A maioria dos sistemas de matching usa uma de duas abordagens, e ambas têm falhas fatais.

Apenas palavras-chave

A abordagem mais simples: extrair palavras-chave da descrição da vaga, verificar se aparecem no perfil do candidato. “React” no JD? Procurar “React” no CV. Encontrou? Ponto marcado.

Isso se quebra rápido:

Sinônimos são invisíveis. Um candidato que lista “React.js” não corresponde a uma busca por “ReactJS.”
O contexto se perde. “5 anos de Python” pode significar 5 anos de scripts de automação — não 5 anos construindo sistemas backend em produção.
A senioridade é um palpite. Palavras-chave não podem dizer se a trajetória de carreira do candidato vai na direção certa.
Habilidades transferíveis não existem. Um engenheiro de dados Scala com 6 anos de experiência em sistemas distribuídos não vai corresponder a “Python data engineer.”

Apenas AI

A abordagem oposta: enviar o perfil completo e a descrição da vaga para um LLM, perguntar “quão bem esta pessoa se encaixa?” e analisar a resposta.

É melhor com nuances — mas introduz novos problemas:

O custo se acumula. A $0.05-0.15 por avaliação e 20 candidatos por dia, são $1-3 diários só para matching.
A latência é perceptível. Uma análise completa leva 5-15 segundos.
Excessivo para incompatibilidades óbvias. Se um JD exige 8+ anos e o candidato tem 2, você não precisa de AI.
Inconsistência. Faça a mesma pergunta ao mesmo LLM duas vezes — pode receber pontuações diferentes.

A solução de duas camadas

A resposta não é escolher entre palavras-chave e AI. É usar ambas — na ordem certa.

Camada 1: Matching determinístico (gratuito, instantâneo)

A primeira camada lida com tudo que pode ser avaliado com regras e comparações. Sem AI. Custo zero. Resultados instantâneos.

O que a Camada 1 verifica:

Sobreposição de palavras-chave. Extrai habilidades e tecnologias dos requisitos do JD. Verifica cada uma nos dados parseados do CV. Calcula uma porcentagem de sobreposição.

Anos de experiência. O JD diz “5+ anos de desenvolvimento backend.” O CV mostra que o primeiro cargo backend começou em 2021. Matemática simples: 5 anos. Verificado.

Adequação de localização. A vaga é “Berlim, híbrido.” O candidato está em “Munique, aberto a realocação.” A Camada 1 marca como correspondência parcial.

Alinhamento salarial. O orçamento é €70-85k. A expectativa do candidato é €80k. Bandeira verde — dentro da faixa.

Requisitos obrigatórios. O JD tem 3 requisitos obrigatórios: React, TypeScript e 3+ anos. A Camada 1 verifica cada um independentemente com resultado binário: passou/não passou.

O resultado é uma avaliação base que detecta incompatibilidades óbvias instantaneamente. Se um candidato falha em 3 de 5 requisitos obrigatórios na Camada 1, você provavelmente não precisa da Camada 2. Mas a Camada 1 também conhece seus limites — marca tudo que não pode avaliar como “precisa de revisão AI.”

Camada 2: Análise de nuances AI (rápida, contextual)

A Camada 2 assume onde as regras terminam e o julgamento começa.

Análise de trajetória de carreira. O candidato está crescendo na direção certa? Alguém que foi de Junior Frontend → Mid Frontend → Senior Frontend → Lead Frontend está em um track IC claro. Se o JD é para Staff Engineer, a AI reconhece qual trajetória se encaixa melhor.

Relevância de domínio. O JD é para uma empresa fintech. O candidato passou 4 anos em uma startup de pagamentos. A Camada 1 não captaria “payments” como relevante para “fintech” — mas a Camada 2 entende que pagamentos é um subdomínio fintech.

Habilidades transferíveis. Um candidato com 6 anos de experiência em Scala e Apache Spark se candidata para uma vaga “Python + PySpark.” A Camada 1 vê zero sobreposição. A Camada 2 reconhece que a transição Scala → Python é comum e relativamente fácil para engenheiros de dados.

Identificação de lacunas com perguntas de screening. Aqui a Camada 2 realmente brilha. Em vez de apenas marcar “ausente: experiência Kubernetes,” gera uma pergunta esclarecedora: “O CV do candidato não menciona Kubernetes, mas tem 3 anos de experiência Docker e AWS ECS. Pergunte: Você trabalhou com Kubernetes em algum contexto?”

A AI não apenas pontua. Ela diz o que perguntar em seguida.

Como é a scorecard

Quando ambas as camadas terminam — tipicamente em menos de 5 segundos — você recebe uma scorecard estruturada:

Avaliação geral

Campo	Valor
Pontuação	82 / 100
Veredito	Forte correspondência
Recomendação	Fazer screening deste candidato

Detalhamento por requisito

Requisito	Status	Fonte	Evidência
React, 3+ anos	✅ Verde	Camada 1	”React” encontrado em 3 cargos, mais antigo 2022 (4 anos)
TypeScript	✅ Verde	Camada 1	Listado nas habilidades, usado em 2 cargos recentes
Node.js backend	🟡 Amarelo	Camada 2	Node.js não listado, mas Express.js em um cargo
Domínio fintech	✅ Verde	Camada 2	4 anos na PayTech (startup de pagamentos) — forte relevância fintech
Liderança de equipe	🟡 Amarelo	Camada 2	Liderou equipe de 2 pessoas em projeto, sem cargo formal de líder
Kubernetes	🔴 Vermelho	Camada 1	Não encontrado no CV. Experiência Docker + ECS presente

Bandeiras

Bandeiras verdes:

Trajetória frontend forte (Junior → Mid → Senior em 5 anos)
Experiência em domínio fintech alinhada com a vaga
Expectativa salarial (€78k) dentro do orçamento (€70-85k)

Bandeiras amarelas:

Experiência Node.js backend incerta — precisa de screening
Experiência de liderança informal — esclarecer expectativas

Bandeiras vermelhas:

Kubernetes não mencionado — se é requisito obrigatório, pode ser bloqueante

Perguntas de screening

“Seu CV mostra vasta experiência com Docker e AWS ECS. Você teve alguma exposição a Kubernetes — no trabalho, em projetos pessoais ou através de certificações?”
“Vejo que você liderou uma equipe de 2 pessoas no projeto de migração de pagamentos. Passar para um cargo de technical lead mais formal é algo que te interessa?”
“Você tem Express.js listado no seu cargo na Acme Corp. Quanto trabalho backend Node.js você fazia no dia a dia versus trabalho frontend React?”

Por que nenhuma camada funciona sozinha

Cenário	Só Camada 1	Só Camada 2	Ambas camadas
Palavra-chave obrigatória ausente	✅ Detecta	✅ Detecta	✅ Detecta
Engenheiro Scala para vaga Python	❌ Sem correspondência → rejeitado	✅ Reconhece habilidades transferíveis	✅ C1 sinaliza lacuna, C2 adiciona nuance
Candidato tem 2 anos, JD pede 5	✅ Matemática simples	✅ Mas mais lento e caro	✅ C1 detecta instantaneamente
”Startup de pagamentos” para vaga fintech	❌ Palavras-chave não correspondem	✅ Entende o domínio	✅ C2 adiciona relevância de domínio
Custo por avaliação	$0.00	$0.01-0.02	$0.01 (C1 é gratuita)

A Camada 1 é rápida, gratuita e confiável para verificações estruturadas. A Camada 2 é nuançada, contextual e explica seu raciocínio. Juntas, produzem uma scorecard em que você pode confiar e que pode usar.

A vantagem da explicabilidade

O que separa um bom sistema de matching de um gerador de números mágicos: evidências.

Cada pontuação na scorecard de duas camadas é respaldada por uma evidência específica do perfil do candidato. “82/100” não significa que a AI “sentiu” que era um 82. Significa:

5 de 6 requisitos passaram nas verificações da Camada 1 ✅
A Camada 2 encontrou forte relevância de domínio (+pontos)
A Camada 2 identificou 2 lacunas que precisam de screening (−pontos, mas recuperáveis)
Salário e localização são ambos bandeiras verdes (+pontos)

O que isso significa para seu workflow

Com matching de duas camadas, sua revisão diária de candidatos muda dramaticamente:

Abra seu pipeline — veja 15 candidatos atribuídos a uma vaga
Verifique as pontuações — 3 verdes (85+), 7 amarelos (60-84), 5 vermelhos (abaixo de 60)
Comece pelos verdes — abra a scorecard, revise as bandeiras
Verifique os amarelos — a scorecard diz exatamente o que falta e se é recuperável
Pule os vermelhos com confiança — a Camada 1 detectou incompatibilidades de requisitos obrigatórios

O que antes levava 5-15 minutos por candidato agora leva 30 segundos de revisão de scorecard. Com 20 candidatos por dia, são mais de 2 horas economizadas.

Quer ver o matching de duas camadas em ação? Experimente Inga CRM gratuitamente — atribua um candidato a uma vaga e receba sua primeira scorecard em menos de 5 segundos.