Traduza uma Descrição de Vaga em Busca de Candidato com IA

Uma JD finalizada não é uma busca de candidato. É uma parede de parágrafos (responsabilidades, requisitos, soft skills, “nice-to-haves”) que ninguém pode colar direto no LinkedIn Recruiter. O passo da tradução é onde a maioria dos recrutadores gasta tempo extra: você encara a JD, depois começa a copiar manualmente skills nos filtros, torcendo para não ter perdido a única palavra-chave que teria trazido o candidato certo à tona.

IA encurta esse trabalho substancialmente. Cole a JD no Gemini, ChatGPT ou Microsoft Copilot. Peça um conjunto estruturado de skills e uma string Boolean. Solte o output nos filtros de keyword e skill do LinkedIn Recruiter Lite. Pronto.

Cornelia, do canal HR Recruiting Uncovered, percorre esse workflow numa vaga fictícia de system engineer e termina com 130 perfis qualificados. Este guia detalha o processo dela, mostra os prompts que funcionam e explica onde o workflow ainda precisa de julgamento humano.

Por que tradução manual de JD para busca arrasta

Em resumo: Uma JD técnica típica empacota muitos sinais relevantes para candidato em skills, ferramentas, anos de experiência, idiomas, certificações e preferências de localização. Mapear cada um manualmente no filtro certo do LinkedIn é lento. IA extrai e estrutura essa informação a partir de um prompt.

Abra uma JD técnica típica e tente contar os sinais sobre os quais um sourcer precisa agir:

Skills requeridas, frequentemente misturadas no documento
Tech stack, às vezes escondido em responsabilidades em vez da seção de requisitos
Anos de experiência
Educação (campos de graduação, equivalentes)
Idiomas (inglês, alemão, espanhol, fácil de perder)
Localização e política remoto/híbrido
Soft skills (a maioria das quais você deveria ignorar na busca)
Preferências de experiência da indústria (frequentemente implícitas)
Ferramentas e plataformas específicas do papel
Certificações

Uma JD de engenheiro sênior pode listar dezenas desses sinais. O trabalho do recrutador é extrair os que melhoram a precisão da busca e pular os que machucam. “Mentalidade forte de resolução de problema” torna uma JD legível mas quebra uma string Boolean.

Feito manualmente, é trabalho braçal. Feito com IA, é um único prompt.

O workflow: de JD a filtros do LinkedIn em cinco passos

Em resumo: Crie um projeto, cole a JD na sua ferramenta de IA escolhida, peça uma lista estruturada de skill e uma string Boolean, solte nos filtros de keyword e skill do LinkedIn Recruiter Lite, depois sobreponha filtros de anos de experiência e localização. A IA cuida da estruturação; você cuida das chamadas de julgamento.

Workflow de Cornelia no LinkedIn Recruiter Lite:

Passo 1: crie um projeto nomeado e datado

Antes de buscar, crie um projeto. Cornelia recomenda incluir o título do papel e a data da busca no nome do projeto, por exemplo System Engineer — 1 fev. Duas razões:

LinkedIn Recruiter Lite não tem lembretes automáticos de follow-up. A data no nome do projeto te lembra quando mandar o follow-up de 1 ou 2 semanas para candidatos que não responderam.
Se você roda múltiplas buscas em dias diferentes para o mesmo papel, projetos datados mantêm os pools de candidato separados.

Pule a descrição do projeto e outros campos opcionais. Como Cornelia coloca, esses campos não são relevantes para a busca e só tomam tempo.

Passo 2: cole a JD na sua ferramenta de IA

Qualquer ferramenta de IA de propósito geral funciona: Gemini, ChatGPT, Microsoft Copilot, Claude. O prompt é curto:

Abaixo está uma descrição de vaga. Extraia:
1. Uma lista limpa de todas as habilidades técnicas mencionadas (uma por linha)
2. Uma string de busca Boolean adequada ao LinkedIn Recruiter
   que combina as habilidades mais importantes usando AND/OR

Descrição da vaga:
[COLE JD COMPLETA AQUI]

A IA retorna dois artefatos:

Uma lista de skill, formatada como bullets, pronta para soltar no filtro de skills do LinkedIn
Uma ou mais strings Boolean, tipicamente uma versão “estreita” (alta precisão, menos candidatos) e uma “ampla” (precisão mais baixa, mais candidatos)

A preferência de Cornelia é começar com a Boolean mais estreita e ampliar depois se o pool de candidato é pequeno demais.

Passo 3: decida o que vai onde

LinkedIn Recruiter Lite te dá dois campos principais para informação de skill:

| Campo | Melhor para | Limite | |---|---|---| | Skills & Assessments | Skills discretas e bem conhecidas (Python, AWS, Kubernetes) | LinkedIn auto-sugere; atado a skills que LinkedIn reconhece | | Keywords | Strings Boolean, proficiência de idioma, ferramentas de nicho, requisitos suaves | Texto livre, suporte Boolean completo |

Quando a IA retorna uma lista longa de skills, não despeje todas no mesmo campo. Divida:

Coloque as skills mais importantes e bem reconhecidas em Skills & Assessments
Coloque o resto, junto com qualquer requisito de idioma, ferramentas de nicho ou qualificadores de experiência, na string Boolean de Keywords

Essa divisão importa porque o LinkedIn pondera filtros de skill diferente de matches de keyword. Empilhar skills demais num lugar pode super-filtrar a busca.

Passo 4: use keywords para o que filtros não conseguem expressar

Recruiter Lite está sem vários filtros que a versão corporativa do LinkedIn Recruiter tem, mais importantemente um filtro dedicado de idiomas. Se a JD exige fluência em inglês e alemão, você não consegue filtrar direto. A solução é colocar requisitos de idioma na string Boolean de keyword:

("system engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR EMI) AND
("English" AND "German")

Princípio de Cornelia, parafraseado: quando o LinkedIn não te dá filtros nativos suficientes, empurre os requisitos para a string Boolean de keyword e a busca ainda vai trazer os candidatos certos à tona.

O mesmo se aplica a certificações, plataformas de nicho e qualquer requisito que o LinkedIn não suporta nativamente.

Passo 5: sobreponha filtros estruturados

Uma vez que skills e Boolean estão no lugar, adicione os filtros estruturados que o LinkedIn de fato suporta:

Anos de experiência: defina um range (Cornelia usou 5-13 anos para um requisito de “5+ anos”)
Localização: liste cidades, não só países
Títulos de vaga: clique pelas auto-sugestões do LinkedIn e exclua variantes que não combinam com a senioridade. Uma sugestão de “Junior System Engineer” não é útil para vaga sênior.

Pule esses filtros a menos que a JD explicitamente exija:

Escolas e majors: engenheiros com vários anos de experiência raramente têm o diploma como sinal mais forte; histórico de trabalho é mais confiável
Indústrias: só filtre se o gestor explicitamente pediu experiência da indústria
Tamanho da empresa: mesma ressalva
Recém-entrou no LinkedIn: não útil para vagas sêniores

No exemplo de Cornelia, a busca aterra em 130 candidatos no projeto, prontos para outreach.

Um exemplo trabalhado: JD de system engineer

Em resumo: A partir de uma JD com Python, PowerShell, Bash, VPN e requisitos bilíngues inglês/alemão, um único prompt de Gemini extrai a lista de skill e string Boolean. O resultado é um projeto Recruiter Lite com 130 candidatos qualificados depois de aplicar filtros de localização e experiência.

Aqui está a JD abreviada com a qual Cornelia trabalhou:

System Engineer

Localização: Frankfurt ou Essen (on-site) Tipo: Tempo integral, permanente

Responsabilidades: Design de infraestrutura, automação e scripting (Python, PowerShell, Bash), segurança e compliance (VPN, access manager, configurações EMI), configuração de rede.

Requisitos: 5+ anos de experiência como system engineer ou similar, mão na massa com Python, PowerShell e Bash, experiência prévia com setup de VPN e ferramentas de access manager, fluência em inglês e alemão, mentalidade forte de resolução de problema, graduação em Computer Science, IT, ou equivalente.

Depois de colar isto no Gemini e pedir skills + Boolean, a IA retornou algo perto de:

Skills extraídas:

Administração de sistema
Design de infraestrutura
Python
PowerShell
Bash
Configuração de VPN
Access management
Configuração EMI
Configuração de rede
Segurança e compliance

Boolean (estreita):

("system engineer" OR "infrastructure engineer") AND
(Python AND PowerShell AND Bash) AND
(VPN OR "access manager") AND
("English" AND "German")

Boolean (ampla):

("system engineer" OR "systems engineer" OR "infrastructure engineer") AND
(Python OR PowerShell OR Bash) AND
(VPN OR "access manager" OR networking)

Solte a Boolean estreita no campo de keyword do LinkedIn. Solte as top skills em Skills & Assessments. Adicione Frankfurt e Essen como localizações. Defina anos-de-experiência para 5-13. A busca aterra em 130 candidatos, que é trabalhável para o primeiro mês de outreach já que o LinkedIn Recruiter Lite te limita a 30 emails por mês.

O que IA acerta e o que não

Em resumo: IA é confiável para extrair hard skills, ferramentas e strings Boolean. É não confiável para soft skills, aliases específicos de indústria e chamadas de julgamento sobre quais requisitos pesar mais. Use IA para a extração estruturada. Mantenha humanos no loop para as chamadas estratégicas.

Um placar de uso real:

| O que IA faz bem | O que ainda precisa de você | |---|---| | Extrair hard skills e ferramentas | Decidir quais skills pesar mais | | Gerar sintaxe Boolean (AND/OR/NOT correto) | Escolher Boolean estreita vs ampla para o tamanho do seu pool | | Puxar anos de experiência | Negociar com gestor sobre flexibilidade de “5+ anos” | | Identificar requisitos de idioma | Saber qual idioma um perfil de candidato subvende | | Listar soft skills | Decidir quais soft skills pular na busca | | Gerar múltiplas variantes Boolean | Escolher a variante que combina com seu alvo de senioridade |

Cornelia é direta no ponto das soft skills: ela deixa de fora porque são redundantes e inúteis na busca. O argumento dela é que qualquer um que foi engenheiro por vários anos obviamente desenvolveu mentalidade de resolução de problema, então filtrar pela frase não adiciona precisão.

A mesma lógica se aplica a “team player”, “self-starter” e a maioria das outras soft skills. IA vai felizmente incluir numa string Boolean. Você deveria remover.

Onde esse workflow para de escalar

Em resumo: O workflow Gemini-mais-LinkedIn funciona para uma vaga de cada vez. Acima de certo volume, você acaba rodando o mesmo ciclo de prompt JD-para-busca repetidamente, trocando entre três abas e perdendo o fio de quais candidatos foram sourceados para qual papel. CRMs cientes de JD fazem isso uma vez, depois reusam a JD parseada por todo o pipeline.

O workflow manual tem efeitos de teto claros:

Imposto de repetição. Volume estilo agência significa rodar o ciclo de prompt JD-para-Boolean cada vez que uma nova vaga abre. Cada ciclo é rápido quando a JD é limpa e lento quando é bagunçada. Numa semana ocupada, o tempo soma.

Perda de estado. A string Boolean vive no histórico de chat da sua ferramenta de IA. As skills vivem no LinkedIn. As notas de candidato vivem numa planilha. A JD vive no seu email. Semanas depois, quando um candidato responde, reconstruir o contexto te custa tempo.

Sem reuso. A JD parseada que alimentou a busca do LinkedIn é a mesma JD parseada que você precisa para scripts de triagem, scorecards e mensagens de outreach. Fazer o parsing quatro vezes separadas, uma por artefato, é trabalho desperdiçado.

Ferramentas como o Recrudoc parseiam a JD uma vez e reusam o output estruturado em todo lugar. O JD Parser extrai requisitos, skills, anos de experiência, localização e faixa salarial num objeto estruturado. Esse mesmo objeto então alimenta scorecards de matching de candidato, geração de pergunta de triagem e templates de mensagem de outreach, sem ciclos de copy-paste entre abas.

Se você está fazendo sourcing no LinkedIn mas quer pular o passo manual de prompt, o Hybrid Search do Recrudoc aceita uma JD ou notas brutas de briefing e retorna candidatos correspondentes da sua base existente. Busca semântica e por keyword trabalham juntas para achar candidatos cujos perfis usam sinônimos dos seus termos de query.

Combinando com outros workflows

Em resumo: Esse workflow é uma peça do pipeline JD-para-contratação. Combine com escrita adequada de JD na frente e fluência em Boolean no final para os pools de candidato de mais alta qualidade.

Três workflows companheiros tornam essa abordagem mais forte:

Acerte a JD antes de extrair dela. Nosso guia de escrever descrições de vaga com prompts de IA cobre workflows de gerador de prompt e estruturas que produzem JDs específicas e amigáveis à busca.
Aprenda sintaxe Boolean para você poder fazer sanity-check do que a IA produz. Nosso guia de strings de busca Boolean no LinkedIn te dá templates de copy-paste para 15 papéis comuns.
Sobreponha isto numa estratégia completa de sourcing. Nosso estratégias de sourcing de candidato para 2026 percorre onde parsing de JD dirigido por IA encaixa dentro do playbook mais amplo de LinkedIn-mais-fontes-passivas.

Perfis do LinkedIn envelhecem de forma desigual, especialmente em campos técnicos. Cornelia aponta que engenheiros atualizam tech stack e certificações regularmente mas raramente atualizam soft skills ou idiomas. Um candidato cujo perfil mostra só inglês pode ter atingido C1 alemão desde a última edição. Salve esses perfis no seu pipeline mesmo assim, e deixe a chamada de triagem confirmar proficiência de idioma.

Esse é o gap que IA não fecha. Perfis mudam mais rápido do que são indexados. O olho do recrutador ainda está fazendo a filtragem final.

Quer tradução de JD-para-busca embutida no seu CRM? Experimente o Recrudoc CRM grátis. Cole qualquer JD e tenha requisitos parseados, strings Boolean e candidatos correspondentes da sua base em segundos.

Fontes

Os insights neste artigo são baseados na seguinte discussão de especialista do setor:

“Translating a Job Description into Candidate Search with AI” — Cornelia, HR Recruiting Uncovered, YouTube