Talent Match — Agente IA matching candidati per recruitment spagnolo

Il contesto

Talent Match è una recruitment boutique catalana fondata da Jordi Valenzuela e Guillem Llacuna, focus su placement medio-alto in industria, finance e tech. Il modello è classico headhunter: poche posizioni aperte, alta qualità, fee fisse per posizione chiusa.

Il valore di Talent Match dipende dalla velocità con cui identifica i candidati giusti per ogni mandate. Più tempo passa, più il cliente perde fiducia, più rischio che la posizione vada a un competitor.

Il problema reale

Il team operava su 3 stack diversi:

• Recruit CRM come ATS principale, ma con limiti nel matching JD↔candidato (filtri booleani manuali, niente score AI).
• Tool di sourcing esterni (LinkedIn Recruiter, alcuni job board) — dati che vivevano fuori dal CRM, da copiare a mano.
• Excel per le shortlist da presentare al cliente.

Risultato operativo: per ogni nuova posizione il recruiter passava 5-8 ore a sfogliare 150-250 candidati dal CRM + scraping LinkedIn, copia-incolla informazioni, costruzione manuale della shortlist. La parte “selettiva” (le ultime 30 minuti su 10 candidati top) era la sola che generava valore. Le 7+ ore prima erano data entry mascherato.

In più: nessuna metric su quali candidati funzionavano nel lungo periodo (placement successo, retention 12 mesi), quindi nessun apprendimento sui criteri di matching.

Cosa ha fatto l’agente IA

Soraia ha costruito Talent Match Platform, un ATS/CRM custom che sostituisce lo stack precedente e include un agente IA dedicato al matching:

1. Ingestion automatica — i CV arrivano via form di candidatura, email, LinkedIn (tramite Chrome Web Clipper custom che cattura il profilo in 1 click). OCR e parsing strutturato automatici via Google Cloud Vision.
2. Agente IA matching (Potential Match) — per ogni JD aperto, l’agente legge i requirement, scansiona il database candidati, e produce uno score motivato (0-100) con le ragioni del match per ogni candidato.
3. Filtri booleani + distanza geografica — Google Places API per match su località fattibili.
4. Kanban e semáforo pre-oportunidades — vista visiva del pipeline per posizione.
5. Algoritmo v2 — dopo i primi 6 mesi di produzione, raffinamento dell’algoritmo Potential Match con criteri più precisi + cost optimization (model più economico per pass 1, modello più potente solo sui borderline).

Il recruiter umano interviene solo sui 5-10 candidati top che l’agente ranka per primi. Le 7 ore di data entry sono sparite.

I risultati

Da 200 a 10 candidati da rivedere per posizione: il recruiter umano si concentra sui top match motivati dall’agente, non più sul sfogliamento manuale.

6 mesi dal kick-off al go-live in produzione: discovery + design + dev distribuito su sprint mensili, con il team Talent Match coinvolto in ogni iterazione.

Algoritmo Potential Match v2 in autonomia: dopo i primi 6 mesi di feedback dal team, Soraia ha raffinato l’algoritmo per più precisione e meno costo computazionale per chiamata. Ora l’agente costa meno per query e produce match più rilevanti.

Sistema in maintenance con sprint mensili per nuove feature richieste dal team (es. integrazione con tool di sourcing aggiuntivi, nuove metric di placement success).

Cosa è incluso oggi

Sistema in produzione, status ACTIVE. SLA mensile fisso + sprint dev quando emergono nuove esigenze.

Talent Match è un esempio del modello “build + maintain + iterate” tipico Soraia: il primo sprint costruisce la foundation, i mesi successivi raffinano l’algoritmo sui dati reali del cliente.