Arquitetura Reasoning-First

Em 2026, o HR-tech faz quase a mesma aposta, quase por unanimidade: agentes LLM vão substituir a correspondência no recrutamento até 2027. Josh Bersin apresenta isso como a camada superior (camada 4) do stack de inteligência de talentos. A aposta é óbvia e quase consensual.

Eu aposto contra.

Não porque eu seja contra a IA: trabalho com IA todos os dias úteis, e no produto que vou descrever cada linha de código foi escrita com o Claude, nenhuma pela minha própria mão. Mas porque mais de 135.000 vagas e 1,1 mi de mensagens do Telegram que passaram pelo meu sistema desde abril de 2026 me mostraram o contrário: um núcleo determinístico baseado em raciocínio + LLM como complemento (não substituto) vence em precisão, latência, custo e conformidade com o AI Act da UE. Este ensaio explica por quê.

Quem sou e por que escrevo

Comecei no SEO em 2006: vinte anos observando como conteúdo + estrutura + algoritmos de busca moldam os resultados de bilhões de consultas por dia. A correspondência em HR-tech é construída do mesmo jeito: conteúdo (descrições, currículos) + estrutura (cargos, stack, níveis) + busca → resultado.

O TD-CRM v2 é um CRM de recrutamento para o mercado de TI da CEI: mais de 135.000 vagas (mais de 61.000 abertas), 1,1 mi de mensagens do Telegram processadas, ~1.990 canais monitorados, 14 áreas, 15 países. Autoclassificado publicamente como de alto risco pelo AI Act da UE, anexo III nº 4. E não foi construído por um engenheiro: eu não escrevo código. Defino a arquitetura e o produto; o Claude gera a implementação — o padrão que Karpathy chamou de “agentic engineering” em março de 2026. A Replit chegou a uma avaliação de US$ 3 bi em setembro de 2025 com o mesmo padrão. Não sou o primeiro a construir assim; só digo isso abertamente.

Eis por que decidi escrever contra o quase consenso. Quando você olha 135.000 vagas não de cima, mas com a mão na massa, surge algo simples: a esmagadora maioria da correspondência é decidida de forma determinística — stack, nível, modelo de trabalho, geografia, faixa salarial. O LLM é realmente necessário para interpretar texto bagunçado, não para a decisão em si. Mesmo assim, o setor coloca o LLM na decisão. Vinte anos de SEO me ensinaram como isso termina quando você põe uma camada difusa onde é preciso reprodutibilidade e explicabilidade. Para mim isso não é um argumento teórico sobre tendências: é o que vejo nos meus próprios dados todos os dias.

Onde a aposta do setor está errada

A correspondência “LLM primeiro” é uma aposta errada em quatro eixos: precisão, custo, conformidade regulatória, rastreabilidade.

Precisão. A correspondência difusa por LLM traz uma variação embutida de uma chamada para outra: o mesmo par candidato/vaga recebe pontuações diferentes entre execuções. Serve para um chatbot; é um defeito numa correspondência cuja decisão passa a fazer parte de uma trilha de auditoria.

Custo. Uma chamada ao LLM por tentativa × milhares de correspondências por dia = milhares de dólares por mês que uma empresa sem receita não consegue bancar. A correspondência determinística por campos tem custo marginal quase zero.

Conformidade regulatória. O AI Act da UE, anexo III nº 4, entra em vigor em agosto de 2026. Sistemas de alto risco devem registrar as decisões com o fundamento de cada uma. Registro LLM-first: “compatível porque o modelo disse”. Registro reasoning-first: “sobreposição de stack 8/12, Senior (7 anos), Remoto (sim), salários compatíveis. Pontuação 0,84”. Um deles existe em uma trilha de auditoria. O outro não.

Rastreabilidade para a due diligence. O advogado do comprador pergunta “como exatamente isso foi correspondido?”. LLM-first é opaco; reasoning-first é explicável por construção. Sinal do mercado: Eqtble → Paradox (fev. 2025): people analytics sem dados de nível profissional é classificada como HR-tech. Mesma lógica: correspondência difusa por LLM sem regras rastreáveis não é HR-tech séria.

Uma ressalva para não atacar um espantalho: o LLM não é “ruim”. Ruim é o LLM na camada errada.

Qual é a arquitetura certa

Reasoning-first significa que toda decisão que precisa ser defensável (correspondência, pontuação, ranking) passa primeiro por regras determinísticas. O LLM é usado SÓ onde não há regra determinística possível (interpretação de texto livre), onde a incerteza é explícita (pontuação de confiança + caminho degradado) e onde a saída não vai diretamente para uma decisão final. No TD-CRM, a pontuação de correspondência é uma fórmula explícita (sobreposição de stack + nível + cargo + modelo de trabalho + salário), e não “modelo, avalie a compatibilidade”.

Monólito em vez de microsserviços, de propósito: um fundador + Claude = nenhuma equipe para carregar a complexidade de sistemas distribuídos; um núcleo determinístico precisa de uma única fonte de verdade. Conforme o ADR-0001: um único FastAPI + PostgreSQL + Redis + worker arq + SSR. O “monólito moderno” no espírito de DHH / 37signals, coerente com a abordagem baseada em raciocínio, e não do contra por esporte.

Conforme a decisão D10, o sistema se autoclassifica publicamente como de alto risco (anexo III, nº 4): registro de decisões (Loki + logging estruturado), gestão de riscos, supervisão humana (um recrutador revisa cada correspondência, sem ação automática), governança de dados. A autoclassificação se antecipa a um achado de due diligence; a transparência gera confiança.

Lacuna de cobertura: um pipeline vertical como ativo

O LinkedIn está bloqueado na Rússia desde novembro de 2016. Lightcast, Revelio Labs e People Data Labs tiram a maior parte dos dados do LinkedIn; a cobertura deles a leste da linha de Riga cai cerca de 40% (minha estimativa, a partir de declarações públicas deles). É estrutural, não temporário.

Em vez disso, um pipeline Telegram-MTProto: ~1.990 canais de TI da CEI monitorados, 1,1 mi de mensagens processadas. Dados que fornecedores globais fisicamente não conseguem obter (sanções, serviços bloqueados, acesso técnico). Marc Casado (a16z, 2019, “The Empty Promise of Data Moats”) mostrou que a escala de dados sozinha não é um fosso forte; a propriedade do pipeline é mais difícil de replicar. Nosso foco em TI da CEI é um ativo diferenciador, não uma fraqueza forçada.

Engenharia agêntica: quem construiu isto, e como

Sem rodeios: o TD-CRM v2 é construído 100% com o Claude. Eu não escrevo código: dirijo a arquitetura e o produto; o Claude gera a implementação. Karpathy dividiu o padrão em “vibe coding” (eleva o piso para quem não programa) e “agentic engineering” (preserva o padrão de qualidade). A diferença são as evidências de rigor: 14 ADRs em docs/adr/, observabilidade (Loki + Grafana + Prometheus), varredura semanal de dependências (ADR-0013), um changelog público a partir de Conventional Commits, revisão externa dos caminhos de segurança/dados pessoais antes de um negócio.

A Replit chegou a US$ 3 bi em setembro de 2025 com esse padrão (ARR de US$ 2,7 mi → US$ 70 mi em 12 meses). Validado pelo mercado. Um comprador lê isso como “um fundador com rigor + alavancagem de IA”, e não “algo feito no vibe coding”; a diferença é a densidade de artefatos: esta série de ADRs, o changelog, o runbook, a observabilidade e este ensaio.

O ponto de vista do comprador

Se você é analista de desenvolvimento corporativo na Greenhouse, Workable, iCIMS ou Lightcast, isto também é para você. Sem rodeios: o TD-CRM ainda não tem receita, 0 clientes pagantes, US$ 0 de ARR. Não é um alvo de “equipe + carteira de clientes”, e sim três ativos separados.

Primeiro, a propriedade do pipeline: mais de 135.000 vagas, 1,1 mi de mensagens, ~1.990 canais desde abril de 2026; dados que Lightcast/Revelio fisicamente não conseguem coletar. Construir algo equivalente = 18–24 meses + risco de sanções + experiência com a API do Telegram. Segundo, o código de correspondência/pontuação baseado em raciocínio, reproduzível na infraestrutura do comprador. Terceiro, a entidade Estonia OÜ (T2 2026), jurisdição da UE, sem complicações de origem.

Por que o reasoning-first importa para o comprador: a aplicação do AI Act da UE a partir de agosto de 2026 atinge os produtos LLM-first com a dor de uma adequação tardia. O reasoning-first já está em conformidade e em produção: é aceleração, não adequação. O que o comprador não leva: base de clientes (0), marca, equipe, ARR (0) — fora do preço. A soma dos três ativos fica abaixo de US$ 15 mi.

Conclusão

É uma aposta: um fundador sozinho + o Claude como engenheiro agêntico + algumas semanas = uma arquitetura reasoning-first + um pipeline de TI da CEI + 14 ADRs. A aposta é que essa combinação supere os agregadores globais LLM-first na correspondência de HR-tech até o fim de 2027. Publico agora para fixar a aposta antes do resultado, não depois.

Se você tem uma crítica fundamentada, escreva. Uma objeção honesta vale mais que uma dúvida silenciosa. E nada de “peça uma demo” no final: se o ensaio não convence sozinho, uma demo não vai resolver.