Tem gente usando IA para mandar candidatura em massa. Esse caso vai na direção oposta.
Um engenheiro de cloud contou em post aberto no Dev.to que aplicou para 73 vagas em quatro semanas, tomou ghost em 61, recebeu 8 rejeições e conseguiu só 4 phone screens. No meio disso, ainda estava trabalhando em tempo integral, estudando Go e mantendo homelab. O que quebrou não foi a capacidade técnica. Foi o atrito da caça.
A resposta dele não foi criar um atalho mágico para “hackear” recrutador. Foi construir um filtro pessoal contra ruído: um pipeline em Python que raspa boards, normaliza vagas, elimina porcaria, ranqueia por aderência e entrega um digest diário no Telegram.
É um caso bom porque mostra duas coisas ao mesmo tempo: como a busca por vaga em TI ficou mais desgastante e como automação útil costuma atacar a parte chata antes de tentar substituir a parte importante.
o problema não era falta de vaga, era excesso de vaga errada
O relato bate numa dor que muita gente da área já conhece. Não faltava página para abrir. Faltava sinal.
Segundo o autor, o funil manual estava cheio de título enganoso, descrição inflada e vaga que parecia uma coisa, mas era outra. “Cloud Engineer” que no fundo era suporte de MSP. “DevOps” que significava segurar a operação inteira quase sozinho. “Kubernetes” usado como enfeite numa empresa que ainda rodava tudo de forma bem mais simples.
Esse é um dos pontos mais fortes do caso: o gargalo não era descobrir vagas. Era descobrir cedo quais mereciam atenção.
Quando a busca vira um monte de aba, ajuste de currículo, cold message e conferência de job board no fim do dia, o profissional começa a gastar energia demais só para separar lixo de oportunidade real.
o bot não aplica por ele; ele limpa a bagunça antes
A arquitetura descrita no post é relativamente simples de entender e justamente por isso é interessante.
O pipeline faz seis etapas:
- coleta vagas em múltiplas fontes
- normaliza os campos para um formato só
- aplica filtros duros de localização, senioridade e stack
- usa LLM só para enriquecer e julgar aderência
- ranqueia por score composto
- entrega um resumo diário no Telegram
O detalhe mais importante aqui é editorial, não técnico: ele automatizou descoberta e triagem, não candidatura nem entrevista.
O próprio autor deixa isso claro. O bot encontra e prioriza. A parte humana continua sendo pesquisar a empresa, decidir se faz sentido, adaptar abordagem e aplicar direito.
Isso importa porque muita conversa sobre IA na carreira vai para o extremo errado. Ou vira medo de substituição total, ou vira fantasia de “deixa o agente fazer tudo”. Nesse caso, a automação entra onde ela realmente ajuda: no trabalho repetitivo que drena foco.
o caso fica ainda melhor quando mostra os erros
O texto não tenta vender uma solução milagrosa. Ele mostra onde o projeto quebrou.
Primeiro veio o rate limit do LinkedIn. Depois, uma LLM inventou uma vaga que nem existia. Em outro momento, o mesmo emprego foi reaplicado várias vezes por falha de deduplicação. E ainda teve o problema clássico da automação que depende do notebook aberto: enquanto rodava localmente, morria quando a tampa fechava.
Esses erros deixam o caso mais valioso porque trazem realidade de engenharia, não demo polida.
A correção também é boa de ler:
- trocar parsing frágil por endpoint mais estável quando possível
- validar URL antes de confiar no enriquecimento
- deduplicar por hash de descrição, não só por título
- mover a rotina para execução persistente em Raspberry Pi com cron
- limitar a saída para top 3 em vez de despejar opções demais
Esse último ponto é quase mais importante que o resto. O autor percebeu que 18 boas vagas num digest ainda eram vagas demais para alguém cansado. Menos opções, mas melhores, geraram mais ação.
o ganho real não foi só tempo; foi sanidade operacional
Os números do relato ajudam bastante.
Antes, ele gastava cerca de 45 minutos por dia navegando. Depois, caiu para algo como 5 minutos lendo o digest. O tempo para aplicar depois que a vaga aparecia caiu de 3 a 4 dias para menos de 24 horas. E a proporção de vagas aderentes ao perfil subiu forte.
Mas o ganho mais interessante não é esse. É o mental.
No post, ele diz que parou de tratar busca de emprego como tarefa de fim de noite, feita já cansado, e transformou isso num sistema que roda sem pedir atenção o tempo todo. Para quem está empregado e tentando trocar de vaga sem desmontar o resto da vida, isso muda muita coisa.
o que esse caso diz sobre o mercado de TI em 2026
Tem uma leitura maior aqui.
Hoje, muita gente da área não sofre só porque há menos vaga boa do que antes. Sofre também porque o custo de encontrar sinal no meio do ruído aumentou. Board lotado, descrição genérica, requisito inflado, repostagem, vaga velha, vaga mal rotulada e processo que some no meio.
É por isso que esse caso funciona tão bem como community-case: ele não depende de um absurdo isolado. Ele traduz um atrito estrutural da busca em TI.
E ele conversa com a fase atual do mercado. Enquanto relatórios como o da Stanford Digital Economy Lab e o State of Tech Talent 2026 da SignalFire mostram um funil mais duro e uma régua mais alta para o início de carreira, esse relato mostra outra camada do problema: mesmo para perfil experiente, a busca pode virar uma operação barulhenta demais se você tratar todas as vagas como iguais.
o que vale copiar daqui — e o que não vale
O que vale copiar:
- criar uma rotina própria de triagem em vez de navegar no impulso
- reduzir context switching na busca por vaga
- separar descoberta de candidatura
- usar automação para eliminar ruído, não para fingir interesse em massa
- limitar o número de vagas prioritárias do dia
O que não vale romantizar:
- scraping de board grande pode quebrar, bloquear ou mudar de uma semana para outra
- LLM ajudando em score não substitui validação factual
- o pipeline foi feito para o perfil dele, não como solução universal
- automação nenhuma compensa currículo fraco, narrativa ruim ou candidatura preguiçosa
Em português claro: o mérito não está em “botar IA para procurar emprego”. Está em desenhar um filtro melhor para não desperdiçar a parte humana onde ela custa mais.
a melhor lição do caso não é técnica
A melhor lição não é Python, cron nem Telegram.
É perceber que, quando o processo está sugando energia demais, às vezes a saída não é trabalhar mais duro dentro dele. É redesenhar o processo.
Esse dev não resolveu o mercado. Não parou ghosting. Não inventou vaga. Mas construiu uma camada de proteção entre ele e a bagunça.
Para quem está buscando oportunidade em TI no Brasil ou fora, isso é uma ideia melhor do que parece: antes de otimizar currículo pela décima vez, talvez valha otimizar o seu funil de descoberta.
Porque procurar vaga também é trabalho. E, se esse trabalho estiver mal montado, ele começa a roubar energia até de quem ainda tem competência de sobra.
