A base de dados da Lightcast abrange mais de 2,5 mil milhões de anúncios de emprego, 400 milhões de perfis profissionais e mais de cem fontes governamentais em mais de 150 países (Lightcast, 2025). Quase todos os painéis de benchmarking salarial, ecrãs de talent intelligence e vistas de «quem mais está a contratar para esta função» que a sua equipa abre estão construídos sobre essa camada de dados de anúncios de emprego recolhidos na web.
Um novo documento de trabalho do NBER cruzou os anúncios da Burning Glass, praticamente universais, com o representativo Job Openings and Labor Turnover Survey e concluiu que os anúncios do estabelecimento médio têm de ser multiplicados por 6,2 para corresponder às vagas efetivas — e que as medidas de concentração baseadas em anúncios sobrestimam em quase o triplo quão poucos são os empregadores em concorrência por um mesmo trabalhador (Dalton, Kahn e Mueller, NBER, 2026).
Duas conclusões, não uma. O nível e a ciclicidade da procura de competências sobrevivem intactos à correção. A leitura sobre o número de empregadores não. E a razão é que as empresas ausentes dos dados têm a dimensão da sua.
Quanto vale realmente um anúncio
O desenho do estudo importa aqui, porque é a primeira vez que alguém tem os dois lados do registo. Michael Dalton (BLS), Lisa Kahn e Andreas Mueller ligaram os anúncios da Burning Glass ao JOLTS ao nível do estabelecimento — os mesmos estabelecimentos, os mesmos meses — o que permite medir a diferença entre o que é publicado online e as vagas que realmente existem.
Decompõem essa diferença em três componentes multiplicativas:
- A margem extensiva — se um estabelecimento com uma vaga a publica online ou não. Foi aqui que ocorreu quase toda a melhoria histórica e, no fim do período, continua em torno de 3.
- A margem intensiva — quantas vagas representa um anúncio. Estável em cerca de 2 ao longo de todo o período.
- Uma parcela de ruído — anúncios que não correspondem a qualquer vaga no JOLTS. Estável em cerca de 0,6, o que significa que aproximadamente 40 por cento dos anúncios vêm de estabelecimentos-mês sem qualquer vaga correspondente no inquérito.
Em 2011-2019, a janela que cobre a maior parte da investigação publicada com estes dados, o fator de ajustamento agregado é em média 6,2. Era cerca de 10 em 2011 e caiu para aproximadamente 4 em 2019. Os anúncios online tornaram-se mais representativos ao longo do tempo — os autores dizem-no explicitamente — mas nunca se tornaram um censo.
O resultado estrutural é o que vale retermos: a Burning Glass representa bem a distribuição das vagas e mal a distribuição dos empregadores que contratam. Os grandes empregadores publicam a maioria das vagas e estão bem cobertos. A maioria dos empregadores, porém, é de pequena e média dimensão, e não está.
A única leitura em que os dados de anúncios de emprego falham gravemente
A concentração do mercado de trabalho mede-se com o índice de Herfindahl-Hirschman — a soma dos quadrados das quotas dos empregadores num mercado ocupacional local, em que 10.000 significa um empregador único e valores mais baixos indicam mais concorrência pelo mesmo trabalhador. Azar, Marinescu, Steinbaum e Taska usaram a Burning Glass para mostrar que os mercados de trabalho locais dos EUA parecem surpreendentemente concentrados, com o índice típico acima de 2.500 (Azar et al., Labour Economics, 2020) — trabalho que deslocou o debate académico e antitrust para o poder de mercado dos empregadores.
Aplique o fator de ajustamento e o quadro muda em mais de metade (Dalton, Kahn e Mueller, NBER, 2026):
| Concentração de mercado, 2011-19 | Medida a partir dos anúncios | Corrigida pela representatividade |
|---|---|---|
| HHI médio (mercados com peso igual) | 6.289 | 2.327 |
| HHI mediano (mercados com peso igual) | 5.927 | 1.937 |
| Proporção de mercados «muito concentrados» | 80 % | 38 % |
| HHI médio (ponderado pelo emprego) | 2.666 | 1.133 |
| Proporção «muito concentrados» (ponderada pelo emprego) | 35 % | 13 % |
São reduções de 63 e 57 por cento, respetivamente. Os limiares são os padrão das Horizontal Merger Guidelines do DOJ/FTC de 2010, em que acima de 2.500 é altamente concentrado e 1.500-2.500 moderadamente concentrado (DOJ e FTC, 2010).
A inclinação é a forma mais limpa de o dizer: um aumento de uma unidade na concentração medida a partir dos anúncios corresponde a um aumento de apenas cerca de um terço de unidade depois de corrigida a composição. O HHI eleva ao quadrado as quotas de mercado, o que o torna agudamente sensível à longa cauda de empregadores pequenos e médios — exatamente a cauda que não publica online. O resultado mantém-se ao excluir estabelecimentos com menos de 10 trabalhadores, ao ponderar os mercados pelo emprego e ao manter constante a dimensão do mercado por quartil.
Um Head of Operations que lê «somos um dos poucos empregadores a contratar para esta função nesta área metropolitana» num painel derivado de anúncios está a ler um número cerca de três vezes demasiado concentrado.
As empresas que faltam são as de 50 a 250 trabalhadores
O gradiente de dimensão é a parte que deve tocar de perto, porque não é monótono na direção que quase todos assumem.
O fator de ajustamento por dimensão do estabelecimento é de cerca de 6,0 para 2-9 trabalhadores, 6,3 para 10-49, 7,7 para 50-249, 6,0 para 250-999 e 4,2 para 1.000-4.999, descendo para cerca de 3,6 nos maiores estabelecimentos (Dalton, Kahn e Mueller, NBER, 2026). A faixa intermédia exige um fator de escala aproximadamente duplo do das maiores. Os estabelecimentos pior representados em toda a distribuição de dimensão não são os mais pequenos. São os de 50 a 250 trabalhadores.
A razão é mecânica e não misteriosa. Os estabelecimentos mais pequenos publicam online com menos frequência, mas uma parte relevante dos anúncios que produzem não corresponde a qualquer vaga do JOLTS, pelo que os dois erros se compensam em parte. Os estabelecimentos de média dimensão não têm qualquer compensação desse género.
Dois outros gradientes são ainda mais acentuados e agravam o problema:
- Salários. O quintil de estabelecimentos que paga menos tem um fator de ajustamento de 17,5; o que paga mais, 2,4. Uma diferença de cerca de seis vezes.
- Urbanidade. As áreas não-core exigem um fator de cerca de 15,9 contra 4,4 das grandes áreas metropolitanas centrais — um gradiente de 3,5 vezes que resiste a controlos pelo nível de competências local e pela saúde económica do território.
Se é um empregador de 150 FTE, que paga ao mercado e não no topo do mercado, fora de uma grande área metropolitana, está na interseção dos três. É quase invisível no conjunto de dados sobre o qual se constroem os benchmarks salariais dos seus concorrentes — e também o são os empregadores para os quais está efetivamente a perder candidatos.
O que sobrevive, e porque isso também importa
Não é um artigo que invalide os dados de anúncios, e lê-lo assim seria um erro em si mesmo.
Porque os grandes estabelecimentos geram a maioria das vagas e estão bem representados, o nível e a ciclicidade da procura de competências aguentam-se após a reponderação (Dalton, Kahn e Mueller, NBER, 2026). Os requisitos de competências medidos descem de forma modesta, não substancial. Os autores replicam também o resultado de Hershbein e Kahn segundo o qual os requisitos de competências ligados à automação aumentaram após a Grande Recessão, e sobrevive ao ajustamento apesar de estar ancorado em 2007, quando a representatividade mudava mais depressa.
As classificações também sobrevivem. Numa comparação ordem-ordem entre mercados, a inclinação entre os percentis de concentração baseada em anúncios e a corrigida é de 0,9 — e 1,0 quando os mercados são ponderados pelo emprego. Os dados de anúncios dizem-lhe de forma fiável quais os mercados mais concentrados do que outros. Dizem-lhe de forma não fiável quão concentrado está cada um deles.
Essa distinção é toda a carga operacional. Tendência e ordenação: utilizáveis. Nível: não sem correção.
Os limites, ditos com honestidade
Quatro, enunciados com clareza.
É um documento de trabalho. Os documentos de trabalho do NBER circulam antes da revisão por pares, e os autores dizem-no na capa. O resultado sobre o HHI é robusto em todas as verificações que realizaram, mas ainda não passou por uma revista.
A janela é 2011-2019. A representatividade ainda estava a melhorar nesse período e o fator de ajustamento tinha caído para cerca de 4 em 2019. Ninguém mediu quanto é hoje. Os anúncios remotos pós-2020, os anúncios escritos por IA e a consolidação dos agregadores deslocaram-no plausivelmente — em direções desconhecidas.
Estabelecimento não é empresa. A análise é ao nível do estabelecimento. Se a sua questão competitiva é sobre empregadores com muitos locais, a correspondência com a sua situação é mais frouxa do que o título sugere.
A maioria dos trabalhadores nunca esteve em mercados muito concentrados. Ponderando pelo emprego, a concentração é substancialmente mais baixa mesmo antes do ajustamento, de forma coerente com resultados anteriores sobre poder de mercado laboral. A sobrestimação em três vezes é real; o que era sobrestimado era menor do que as estatísticas não ponderadas implicavam.
Vale também nomear: o desfasamento entre anúncios e vagas de inquérito é grande em ambas as direções — muitas vagas sem anúncios, muitos anúncios sem vagas. Os autores atribuem-no a erro de medição e a lacunas de definição concentradas nas pequenas empresas, não a um sinal limpo com um enviesamento conhecido.
O que mudar antes de fechar a próxima banda salarial
Quatro movimentos, nenhum dos quais exige comprar um produto de dados diferente.
- Despromova toda a leitura de «número de empregadores» e «concentração» a meramente direcional. Se um painel lhe diz quantos empregadores competem por uma função, trate o nível como inutilizável e a ordenação como utilizável. Compare esta área metropolitana com aquela; não defina preço sobre o absoluto.
- Deixe de permitir que as leituras de concentração justifiquem uma banda mais baixa. «Não há muitos outros empregadores para esta função aqui» é a conclusão inflacionada, e é a que mais provavelmente está a financiar em silêncio uma oferta abaixo do mercado — e uma contraproposta perdida que registará como problema de qualidade dos candidatos.
- Reconstrua o seu verdadeiro conjunto de concorrentes a partir da realidade local. Os destinos recolhidos em entrevistas de saída, os motivos de recusa de oferta e as empresas citadas no percurso dos seus próprios candidatos farão emergir empregadores de média dimensão que nenhum feed recolhido na web contém.
- Continue a usar os dados de anúncios de emprego para o que eles medem. Que competências aparecem nos requisitos, e a que velocidade — esse é o resultado que o ajustamento deixou de pé. Aponte a ferramenta para a procura de competências, não para a estrutura do mercado.
A disciplina de fundo é saber que parte de um número suporta o peso e que parte é um artefacto da forma como foi recolhido. É a mesma razão pela qual o modelo de scoring da Scovai separa a metade calculada aritmeticamente a partir dos requisitos declarados da função — cobertura de competências ponderada pela criticidade, adequação de seniority, realismo retributivo — da metade devolvida como juízo do modelo, explicitamente etiquetada, em vez de publicar uma única cifra misturada. Um número que não consegue decompor é um número que não consegue auditar.
Abra a última banda salarial que aprovou. Encontre a frase que a justificava com o facto de haver poucos outros empregadores a contratar para aquela função. Essa frase está a suportar três vezes mais peso do que os dados por trás dela conseguem sustentar.
