Automação de sourcing e seus limites
A IA está mudando o topo do funil de recrutamento — mas não da forma que a maioria dos fornecedores está vendendo. Um modelo prático do que automatizar, do que manter humano e de onde a linha se move nos próximos dois anos.
Todo fornecedor de software de recrutamento, nos últimos dezoito meses, embutiu “IA” no produto. A maior parte é teatro — um wrapper de chatbot, um resumo de CV que demora mais para ler do que o CV, um “score de match com IA” que no fim é uma busca por palavra-chave com passos extras.
Mas, debaixo do hype, algo real está acontecendo. Modelos hoje são genuinamente bons em partes do workflow de sourcing que antes exigiam humano. A pergunta não é mais se a automação cabe no topo do funil — é onde a linha deve ficar e como continuar movendo-a sem quebrar as partes do search que dependem de julgamento.
Este é o modelo com o qual trabalhamos.
O funil, reenquadrado
Sourcing de topo de funil tem sido tradicionalmente uma atividade indiferenciada: um associado júnior passa uma semana em bases de dados e no LinkedIn, traz à tona candidatos e entrega para cima. Na prática, são quatro sub-tarefas distintas, com perfis de automação muito diferentes:
- Mapeamento de mercado — definir o universo de empresas e cargos a observar.
- Identificação de candidatos — listar toda pessoa plausível dentro desse universo.
- Qualificação de primeira passada — ler perfis e triar em sim / talvez / não.
- Personalização do outreach — escrever a mensagem que arranca uma resposta.
Junte tudo e “sourcing com IA” vira uma única feature. Separe e o quadro fica nítido depressa.
O que a automação faz bem hoje
Identificação de candidatos está praticamente resolvida
Listar todo product manager sênior em fintechs em São Paulo com passagem por banco regulado era, cinco anos atrás, um exercício de dois dias. Hoje é uma chamada de API. O dado é imperfeito — o LinkedIn muda, gente não atualiza cargo, empresas menores têm cobertura rala — mas as imperfeições são contornáveis e limitadas.
Onde a automação ganha: amplitude, recall, frequência de atualização. Um humano olha os primeiros 80 resultados e para. Um modelo olha os 800 e entrega os dez que você não teria notado.
Onde ainda não ganha: qualquer qualificador que dependa de contexto que o modelo não enxerga. “Já entregou em escala” não mapeia para nada no dado. “Foi o operador de fato, não só o portador do título” exige ler nas entrelinhas do currículo. Voltaremos a isso.
Qualificação de primeira passada é majoritariamente automatizável
Ler um perfil e decidir “sim, encaixa” / “não encaixa” é, em média, uma tarefa de seis perguntas. Modelos fazem isso com confiabilidade desde que o briefing esteja articulado de forma clara o suficiente.
A armadilha é que o briefing raramente está claro o suficiente. “VP de Engenharia em uma Série B” é um cargo; não é um briefing. “VP de Engenharia que escalou um time de 15 para 60, é dono pessoal de confiabilidade de infra e entregou pelo menos uma migração de plataforma” é um briefing — e um modelo consegue aplicar.
A lição: automação força disciplina de briefing. Firmas que tentam plugar IA de sourcing em specs vagas obtêm output vago. Firmas que apertam a spec primeiro obtêm um multiplicador.
Personalização de outreach é mediana
Modelos escrevem uma mensagem outbound aceitável em segundos. A mensagem virá gramaticalmente correta, contextualmente relevante e — na maior parte das vezes — vai parecer escrita por um modelo. Em nossos dados internos, taxas de resposta a outreach 100% automatizado são dramaticamente menores que ao outreach escrito por humanos, mesmo quando o texto parece indistinguível.
Por quê? Não temos certeza. Nossa hipótese de trabalho é que o destinatário pega micro-pistas — ritmo de frase, referências que não fecham, ausência das pequenas especificidades que provam que uma pessoa real parou no perfil dele. As pistas são subliminares, mas se acumulam.
Por enquanto, o formato certo é IA rascunha, humano edita. A edição importa. Pular ela derruba a taxa de resposta.
O que a automação não faz — e provavelmente não fará tão cedo
Ler o operador por trás do CV
Todo search sênior tem um momento em que o consultor olha dois candidatos com perfil de superfície parecido e diz “este aqui é o operador de verdade”. O julgamento se apoia em sinais que não estão no dado: como o candidato fala do time, as especificidades que ele alcança, o que ele não diz.
Essa é a coisa mais difícil de search e é a coisa que faz a firma ser renovada. Nenhum modelo no nosso teste chega perto. Não achamos que vai chegar tão cedo, porque o input simplesmente não está disponível.
Ler o cliente
A outra metade do search é ler o cliente — o que ele diz que quer, o que de fato quer, e o (frequentemente grande) delta entre os dois. Não é um problema do lado do candidato; é relacional. Será a última coisa a ser automatizada, se é que será.
O sinal off-channel
Um nome solto num jantar. A recomendação discreta de um conselheiro. O fato de que um sócio trabalhou com aquele candidato doze anos atrás e confia nele. Esses são os inputs que fazem a diferença entre um longlist e uma colocação, e nenhum deles vive em base de dados.
Para onde achamos que a linha se move em seguida
Nos próximos dois anos, eis onde esperamos a automação avançar de forma crível sobre território hoje humano:
- Enriquecimento de perfil a partir de fontes não estruturadas. Extrair sinal de podcasts, palestras, GitHub, blog posts. Já parcialmente possível; vai virar padrão.
- Briefings estruturados de preparação para call. Um pacote de briefing montado a partir do rastro público do candidato, pronto antes da chamada. Salva 30 minutos por screen.
- Descoberta off-channel via grafos. “Quem na rede da firma conhece alguém que trabalhou com este candidato?” O dado existe; a UI ainda não acompanhou.
E aqui onde não esperamos movimento, mesmo com modelos muito melhores:
- O julgamento que decide quem apresentar.
- A conversa que fecha o candidato.
- A leitura de sala que transforma um mandato em cliente de longo prazo.
A composição com a qual trabalhamos
Se você está reconstruindo a sua operação de sourcing agora, eis um ponto de partida:
| Sub-tarefa | Modo | Papel humano |
|---|---|---|
| Mapeamento de mercado | Liderado por humano | Decide o universo |
| Identificação de candidatos | Liderado por automação | Revisa, não gera |
| Qualificação de primeira passada | Liderado por automação | Define briefing, audita output |
| Rascunho do outreach | Híbrido | Edita cada mensagem |
| Engajamento / triagem | Liderado por humano | Dono ponta a ponta |
| Decisão | Liderado por humano | Inegociável |
A palavra-chave é composição — não “usar IA” ou “não usar IA”, mas qual sub-tarefa, qual modo, qual supervisão. Firmas que acertam a composição vão operar com times menores e mais afiados e relações mais longas com clientes. Firmas que erram vão ou confiar demais nas ferramentas e degradar qualidade, ou recusá-las e perder ciclo.
O que entregamos no HireSys
Somos explícitos sobre isso internamente e no nosso roadmap: automatizamos as partes que se beneficiam de amplitude, recall e consistência. Trazemos à tona — sem substituir — as partes que se beneficiam de julgamento. O produto é opinativo sobre essa linha, e a movemos deliberadamente conforme a capacidade subjacente melhora.
Se quiser ver onde traçamos a linha hoje, a tela de sourcing de candidatos no HireSys é o lugar mais fácil para olhar. Topamos caminhar com um time pelo fluxo — em geral uma call de trinta minutos basta para saber se o modelo encaixa em como você trabalha.