Matching de Candidatos com IA
Como o Mira Reasoning Embedding interpreta seus requisitos. Vai além da busca por palavras-chave para entender contexto, sinais de senioridade e critérios implícitos.
Quando você busca candidatos na maioria das plataformas, está fazendo matching por palavras-chave, digite "desenvolvedor Python Berlim" e receba todos com essas palavras no perfil. É rápido, mas perde muito.
O Mira funciona de forma diferente. MRE (Mira Reasoning Embedding) lê sua descrição, raciocina sobre o que você realmente precisa e avalia o histórico completo de carreira de cada candidato contra seus requisitos.
O que o MRE entende e palavras-chave não conseguem
"5 anos de experiência em backend"
Busca por palavras-chave: procura "5 anos" no texto do perfil. MRE: calcula os anos reais a partir do histórico de carreira. Se alguém teve 3 anos na Empresa A e 2,5 na Empresa B fazendo trabalho de backend, o MRE conta corretamente, mesmo que o perfil não diga "5 anos" em lugar nenhum.
"Alguém que levou um produto de 0 a 1"
Busca por palavras-chave: procura literalmente "0 a 1". MRE: identifica candidatos que entraram em empresas de estágio inicial (pré-Series A, menos de 20 pessoas) em funções de produto ou engenharia e permaneceram durante uma fase de crescimento.
"Background em empresa de alto crescimento"
Busca por palavras-chave: não consegue fazer isso. MRE: verifica dados da empresa, rodadas de investimento, crescimento de pessoal, sinais de receita, e identifica candidatos cujos empregadores correspondem ao padrão de "alto crescimento".
"Empresa de capital aberto + experiência em startup"
Busca por palavras-chave: dois filtros separados e desconectados. MRE: avalia o arco completo da carreira, encontra pessoas que trabalharam em empresa de capital aberto E em startup em diferentes pontos da carreira, entendendo que essa combinação sinaliza um tipo específico de versatilidade.
O que isso significa para você
Você pode descrever vagas como faria para um amigo recrutador:
"Preciso de alguém sênior, técnico mas voltado ao cliente, que fez vendas enterprise em uma startup que realmente tinha product-market fit, não uma empresa que só captou muito dinheiro."
O MRE decompõe isso em múltiplos critérios de avaliação e os aplica. Você não precisa de strings booleanas, filtros ou "sintaxe de busca".
De onde vem a tecnologia
O MRE vem da pesquisa própria do Mira em retrieval baseado em raciocínio. Atualmente ocupa o primeiro lugar na categoria Embedding e primeiro no geral no BRIGHT, um benchmark público para retrieval por raciocínio. O Mira também construiu o PJBenchmark, um conjunto de avaliação específico para recrutamento usando dados reais de contratação.
Quatro artigos descrevem a abordagem:
O que ele não faz
- Não é mágica. Se o candidato certo não existe nas fontes de dados, o MRE não vai inventar um.
- Não é uma decisão de contratação. O MRE apresenta os melhores matches disponíveis para sua revisão. A decisão final é sempre sua.
- A precisão depende da completude dos dados. Perfis com informações incompletas produzem matches menos precisos. Revisar toda a Shortlist, não apenas o resultado do topo, sempre vale a pena.
Obtendo melhores resultados
A qualidade do matching depende da qualidade da sua entrada:
- Mais específico → melhores matches.
- Incluir critérios "implícitos" → ativa o raciocínio.
- Refinar após ver resultados → cada rodada fica mais precisa.
Veja Como Escrever um JD Eficaz para dicas práticas.
Escreva um JD Eficaz para Sourcing com IA
Dicas para descrever vagas ao Agent de IA do Mira. Inclua critérios implícitos como "DNA de startup" ou "construiu do zero" para melhor matching de candidatos.
Mira Browser Extension
A Mira Browser Extension navega em sites por você para encontrar candidatos e coletar informações públicas.