Por que o matching automático falha (e como o Kaizen resolve isso)

Você publica um projeto e em minutos tem uma lista de perfis que combinam por palavra-chave: “React”, “5 anos de experiência”, “disponível já”. Nenhum desses filtros diz se aquele time entendeu o que você está construindo, por que está construindo dessa forma, e o que aconteceu da última vez que alguém tentou. Esse é o problema de fundo do matching automático tradicional — e a razão pela qual tantos projetos que começam bem acabam travados no meio do caminho, com uma troca de equipe no meio do processo ou um escopo que nunca fechou de verdade.

O problema não é a lista, é o que a lista não vê

A maioria das plataformas de contratação trata o matching como um problema de busca: você indexa perfis por stack, disponibilidade e valor, e retorna os que pontuam melhor contra o filtro. Isso funciona razoavelmente bem quando o que você precisa é intercambiável — uma tarefa pontual, um papel genérico, uma skill específica. Quebra assim que o projeto tem alguma complexidade real, que é a maioria dos projetos que importam.

Um squad pode ter “React” e “Node” no perfil e nunca ter trabalhado em um sistema com a escala de tráfego que você precisa. Pode ter anos de experiência e nenhum no tipo de decisão que o seu projeto exige — não é a mesma coisa escrever código novo sobre uma base limpa do que entrar em um sistema legado com dívida técnica acumulada e stakeholders que já se queimaram com fornecedores anteriores. Nenhum filtro de palavras-chave captura essa diferença, e é exatamente essa diferença que determina se o projeto vai dar certo.

Matching é um problema de discovery, não de filtros

O fit real depende de informação que ninguém coloca em um formulário. O projeto é greenfield ou uma migração em cima de algo que já funciona pela metade? A empresa precisa de um time que tome decisões de arquitetura por conta própria ou de um que execute um spec já fechado? O que falhou na tentativa anterior — se houve uma — e o que é preciso evitar repetir? Essas perguntas não se respondem com um dropdown. Respondem-se conversando, e é aí que o matching por filtros fica devendo: ele otimiza a busca, não o entendimento.

Como o Kaizen aborda isso

O Kaizen é o motor de discovery da Zenit, e monta o match depois de entender o projeto em profundidade — não antes. Em vez de partir de um formulário, ele percorre cinco atos com a empresa:

• Escuta — participa das reuniões do time e capta objetivos, restrições e a forma real como trabalham, não o que ficou escrito em um documento antigo.
• Entende — cruza o que ouviu em diferentes conversas para montar um único mapa do processo: o que já existe, o que falta, onde aparecem versões contraditórias da mesma prioridade.
• Documenta — o brief é escrito ao vivo, com escopo, milestones e requisitos de equipe, sem depender de atas manuais.
• Recomenda — cruza esse brief com o histórico de entregas, senioridade e disponibilidade real de cada squad, e explica por que cada opção encaixa.
• Acompanha — durante a execução, continua presente: cuida de cada milestone e volta à empresa se houver algo real para confirmar.

A diferença está no “por quê”

O ato que mais separa essa abordagem do matching por filtros é “Recomenda”. Não basta pontuar squads contra um checklist — o Kaizen explica o raciocínio por trás de cada opção: por que aquele time, com o que entregou algo comparável antes, onde pode haver atrito. A decisão final é sempre sua. O Kaizen não substitui seu critério, te dá o contexto que um perfil nunca vai dar.

Depois do match, o trabalho só começa

A maioria das plataformas termina seu trabalho no momento do match. O Kaizen não: durante a execução, guia o squad como faria um scrum master — cuida do avanço milestone a milestone junto com o SafePay e cruza sinais de risco antes que virem um problema. Se houver uma dúvida real sobre o escopo, volta à empresa para confirmar antes de seguir. O match é o ponto de partida, não a entrega final.

Hoje o Kaizen está focado em somar squads à rede — o discovery do lado das empresas abre na próxima fase. O mecanismo que descrevemos aqui é o mesmo que ele já usa para entrevistar os times que se pré-registram.