Recentemente, conversando com um conhecido sobre minha busca por trabalho, ele me perguntou:
“Como tu validou que o portfólio estava aderente às vagas?”
A pergunta me fez perceber que a resposta envolvia um processo que venho construindo há mais de três anos.
Eu não fiz um portfólio, publiquei e esperei para descobrir se estava bom.
Também não pedi para uma IA avaliar meia dúzia de telas e me dar uma nota de zero a dez, até porque isso provavelmente produziria uma resposta bonita, confiante e pouco útil.
O que fiz foi transformar meu portfólio em um sistema vivo: algo que observa o mercado, compara evidências, recebe feedback e evolui continuamente.
Antes de tudo: o que significa um portfólio “aderente”?
Aderência não significa copiar o portfólio de quem já trabalha na empresa.
Também não significa incluir todas as palavras usadas na descrição da vaga.
Para mim, um portfólio aderente é aquele que ajuda a pessoa recrutadora ou gestora a reconhecer, com pouco esforço, que existe uma relação entre:
- Os problemas que a empresa precisa resolver;
- As competências que a vaga procura;
- As experiências que eu já tive;
- A maneira como penso e trabalho.
Isso não é uma validação definitiva, é uma hipótese de posicionamento.
E, como qualquer hipótese, precisa ser testada.
Fase 1: construir uma primeira direção
Comecei criando a abertura do portfólio e estruturando os cases que faziam mais sentido para mim.
Essa parte é importante porque um portfólio não deveria refletir apenas aquilo que você já fez.
Ele também precisa apontar para o tipo de trabalho que deseja fazer.
Por isso, a primeira seleção não foi baseada somente nos projetos “mais bonitos”.
Procurei escolher cases que ajudassem a demonstrar:
- Os problemas que sei enfrentar;
- Como tomo decisões;
- Como trabalho com outras pessoas;
- Que tipo de impacto consigo gerar;
- Quais competências quero continuar desenvolvendo.
Essa primeira versão não precisava ser perfeita, precisava ser concreta o suficiente para ser comparada com o mercado.
Sem alguma coisa construída, a análise vira apenas especulação.
Fase 2: comparar com evidências reais
Com a primeira estrutura pronta, comecei a usar o GPT para analisar diferentes fontes:
- Vagas publicadas pelas empresas que me interessavam;
- Competências e responsabilidades recorrentes nessas vagas;
- Perfis de profissionais que já trabalhavam nessas empresas;
- Portfólios públicos de designers que admiro;
- Meu currículo;
- Os cases apresentados no meu próprio portfólio.
A intenção não era perguntar se meu portfólio estava “bom”.
Perguntas genéricas costumam gerar respostas genéricas.
O objetivo era encontrar diferenças mais específicas:
- Que competências aparecem repetidamente nas vagas, mas quase não aparecem no meu material?
- Quais experiências eu possuo, mas não estou comunicando claramente?
- Meus cases mostram somente a solução final ou também meu raciocínio?
- O nível de profundidade está compatível com a senioridade das vagas?
- Existe coerência entre currículo, portfólio e apresentação profissional?
- Quais padrões aparecem nos profissionais que já ocupam posições semelhantes às que busco?
A IA ajudou principalmente a organizar informações, comparar conteúdos e encontrar padrões que seriam difíceis de perceber analisando cada fonte isoladamente.
Mas ela não tomou as decisões por mim.
Um gap apontado pela IA não significa automaticamente que algo precisa ser incluído.
Às vezes, aquela característica simplesmente não representa minha trajetória ou a direção que desejo seguir.
A tecnologia ajudava a ampliar minha visão, mas o julgamento continuava sendo meu.
Fase 3: refinar, testar e aprender com o retorno
A partir dessas análises, reestruturei partes do currículo e do portfólio.
Algumas mudanças eram mais evidentes, como melhorar a descrição de resultados ou tornar determinadas competências mais visíveis.
Outras exigiam mais reflexão:
- Reorganizar a narrativa de um case;
- Explicar melhor minha participação nas decisões;
- Retirar detalhes que ocupavam espaço, mas não fortaleciam meu posicionamento;
- Contextualizar restrições;
- Deixar mais claro o que aprendi com o projeto.
Depois vieram as aplicações, conversas, revisões feitas por colegas e entrevistas.
Cada retorno passou a fazer parte do processo.
Quando alguém não entendia um case, isso virava um dado.
Quando uma pergunta aparecia repetidamente nas entrevistas, isso virava um dado.
Quando meu perfil avançava em determinado tipo de vaga e não em outro, isso também virava um dado, embora sempre com cuidado, porque processos seletivos possuem muitas variáveis que não conseguimos enxergar.
A cada nova evidência, eu atualizava o contexto e revisava minhas hipóteses.
O processo passou a funcionar mais ou menos assim:
Observar → comparar → ajustar → testar → observar novamente.
A base ficou mais valiosa com o tempo
Esse processo não aconteceu em uma tarde.
São mais de três anos reunindo vagas públicas, referências profissionais, portfólios, feedbacks, perguntas de entrevistas e observações sobre meu próprio trabalho.
Também pedi avaliações a colegas e comparei diferentes perspectivas, em vez de depender exclusivamente da leitura da IA.
Com o tempo, organizei esse material em um projeto no GPT, mantendo reunidos o histórico, as referências e as decisões anteriores.
Isso faz diferença porque uma análise isolada conhece apenas o documento colocado na frente dela naquele momento.
Uma análise contextualizada consegue considerar:
- Padrões encontrados em diversas vagas;
- Diferenças entre empresas e posições;
- Mudanças feitas anteriormente;
- Feedbacks já recebidos;
- Os objetivos profissionais que orientam essas decisões.
Quanto melhor o contexto, mais específica tende a ser a análise.
Não porque a IA passou a conhecer magicamente o mercado ou minha carreira, mas porque passou a trabalhar com uma base mais rica de evidências fornecida e revisada constantemente por mim.
O que eu aprendi durante o processo
1. Portfólio não é arquivo; é produto
Ele possui público, objetivo, hipóteses, restrições e sinais de resultado.
Por isso, faz sentido tratá-lo como tratamos um produto: pesquisar, construir, testar e melhorar.
2. Match não é uma porcentagem mágica
Uma ferramenta pode comparar palavras, requisitos e experiências. Mas nenhuma porcentagem consegue representar completamente cultura, momento da empresa, preferências da liderança ou qualidade da concorrência.
O “match” serve melhor como diagnóstico do que como sentença.
3. A IA é mais útil quando compara evidências
Pedir “avalie meu portfólio” é pouco.
Comparar um case com dez vagas relacionadas, identificar padrões e mostrar quais afirmações precisam de evidência é muito mais útil.
4. Feedback precisa virar dado acionável
“Gostei” ou “não gostei” quase nunca é suficiente.
O feedback se torna útil quando conseguimos identificar onde houve dúvida, que informação faltou e qual mudança pode ser testada.
5. Aderência não deve apagar identidade
Existe um risco de otimizar tanto o material para as vagas que o portfólio deixa de representar a pessoa.
Meu objetivo não é parecer adequado a qualquer posição.
É comunicar melhor porque posso fazer sentido para determinadas posições.
Como outro designer pode começar
Você não precisa esperar três anos para montar uma base enorme.
Pode começar com:
- Seu currículo atual.
- Dois ou três cases do portfólio.
- Dez vagas relacionadas ao tipo de posição que procura.
- Alguns perfis e portfólios de profissionais que já ocupam essas posições.
- Feedbacks recebidos em processos seletivos ou de colegas de confiança.
Depois, use a IA para comparar essas fontes e responder perguntas específicas.
Por exemplo:
“Quais competências aparecem com maior frequência nas vagas e quais delas estão demonstradas com evidências nos meus cases?”
“Que partes do meu currículo prometem algo que meu portfólio ainda não comprova?”
“Quais perguntas uma liderança de design provavelmente faria depois de ler este case?”
“Quais diferenças existem entre a maneira como apresento meu trabalho e a maneira como profissionais dessas empresas apresentam experiências semelhantes?”
Peça também para a IA citar os trechos que sustentam cada conclusão.
Isso ajuda a separar uma análise baseada em evidências de uma opinião genérica.
No fim, o portfólio continua sendo algo pessoal
A IA acelerou comparações, organizou padrões e ajudou a revisar narrativas.
Mas ela não viveu os projetos, não participou das decisões e não sabe sozinha qual carreira quero construir.
Essa parte continua comigo.
Talvez essa tenha sido a principal descoberta do processo: quanto mais inteligência artificial eu uso, mais importante se torna manter claro o meu próprio critério.
A IA organiza padrões.
Eu decido o que faz sentido.
Referências
O que 310 vagas de Product Design me ensinaram sobre o mercado atual.Disponível em: <https://faberhausplay.com.br/310-vagas-de-product-design/>. Acesso no dia da postagem.
