IA no RH: o que já funciona, e o que continua com as pessoas

O que já funciona bem

A IA de texto é boa em três coisas que o RH faz muito: resumir, comparar e rascunhar. Onde a tarefa cai numa dessas três, o ganho é real e mensurável em tempo. Onde não cai, costuma ser promessa.

Triagem de currículo é o caso mais claro. Ler cem currículos contra os requisitos de uma vaga e devolver aderência, pontos fortes e lacunas é comparação em escala, que é exatamente o que a máquina faz melhor que gente cansada na quinquagésima leitura.

Leitura de resposta aberta é o segundo. Uma pesquisa de clima com trezentas respostas em texto livre costuma ser lida por amostragem, porque ninguém tem tempo para o resto. Agrupar os temas que aparecem e mostrar quantas vezes cada um apareceu transforma um material que ficava parado em algo que se usa.

Rascunho é o terceiro, e o mais subestimado. Primeira versão de descrição de cargo, de comunicado, de roteiro de entrevista, de plano de desenvolvimento a partir do que a avaliação apontou. A pessoa edita em minutos o que levaria uma hora para escrever do zero, e o resultado final continua sendo dela.

Busca em base própria fecha a lista. Perguntar quem tem determinada certificação vencendo, ou o que foi combinado com alguém no ciclo passado, e receber a resposta com a fonte, em vez de procurar em pasta.

Onde ela erra, e como o erro aparece

Os erros da IA não se parecem com erro de software. Ela não trava nem dá mensagem: devolve uma resposta bem escrita e confiante, que às vezes está errada. É isso que torna a revisão obrigatória e a confiança automática perigosa.

O primeiro risco é o viés herdado. Um modelo que aprende com o histórico de contratações da empresa aprende também os padrões que ela quer corrigir. Se no passado o perfil aprovado tinha determinada característica sem relação com desempenho, a sugestão tende a repetir isso, e com aparência de objetividade.

O segundo é a resposta inventada. Quando falta informação, o modelo preenche em vez de dizer que não sabe. Num resumo de pesquisa isso vira um tema que ninguém mencionou; num histórico de colaborador, um dado que não existe. Vale testar isso de propósito na demonstração, perguntando algo que o sistema não tem como saber.

O terceiro é o dado que vaza pelo uso. Colar informação de colaborador numa ferramenta genérica pode enviar dado pessoal para fora, às vezes para treinar modelo de terceiro. É a diferença entre IA embutida no sistema onde o dado já está e IA usada por fora, com copiar e colar.

O quarto é a decisão sem rastro. Se a sugestão influenciou uma escolha e não ficou registrado o que foi sugerido e por quê, a empresa perde a capacidade de explicar a decisão depois. Em processo seletivo e em avaliação isso deixa de ser inconveniente e vira exposição.

O que continua com as pessoas

A divisão útil não é entre tarefa simples e complexa: é entre o que tem resposta verificável e o que exige julgamento sobre pessoas.

A decisão continua humana, e isso não é preferência: é responsabilidade. Quem contrata, promove, desliga ou aplica medida disciplinar responde pela escolha, e delegar a responsabilidade a um sistema não é possível nem juridicamente nem na conversa com a pessoa afetada.

A conversa também. Feedback, alinhamento de expectativa e comunicação de uma notícia difícil dependem de contexto que não está em base nenhuma, e de alguém disposto a ficar na sala depois de dizer o que precisa ser dito.

E o critério. A IA aplica o padrão que recebeu; decidir qual deve ser o padrão, o que a empresa considera bom desempenho e o que não tolera é trabalho de definição, não de execução. Esse é justamente o trabalho que sobra quando a parte repetitiva sai da frente, e é mais valioso que ela.

A parte que não é tecnologia

A frustração mais comum com IA no RH não vem de a ferramenta ser ruim. Vem de ela ter sido posta em cima de um processo que já não funcionava, e nesse arranjo ela apenas acelera o que estava errado.

Automatizar um ciclo de avaliação mal desenhado produz avaliação ruim mais rápido e em maior volume. Gerar plano de desenvolvimento com IA quando ninguém acompanha plano nenhum produz mais documento parado. A ferramenta não cria a prática que faltava.

Isso não é argumento contra a tecnologia, e sim sobre a ordem. Vale decidir como o processo deve funcionar, ainda que em versão simples, antes de escolher o que automatizar dentro dele. Quem inverte costuma descobrir o problema depois de ter pago pela solução.

Há uma consequência prática nisso: o ganho de tempo só vira valor se alguém tiver decidido o que fazer com o tempo. Se a triagem de currículo cai de seis horas para uma, essas cinco horas viram trabalho melhor ou viram mais vagas abertas ao mesmo tempo. As duas são escolhas legítimas, mas é escolha, e quem não faz acaba com a segunda por omissão.

Como avaliar uma promessa de IA

Demonstração de IA é fácil de impressionar e difícil de avaliar, porque o exemplo mostrado foi escolhido por quem vende. Cinco perguntas separam o que funciona do que é apresentação.

O que ela faz quando não sabe? Peça para testar com um caso que o sistema não tem como responder. Um bom comportamento é dizer que não encontrou; um mau comportamento é inventar com segurança.

Dá para ver por que sugeriu? Sugestão sem justificativa não pode ser revisada, e sem revisão a pessoa ou aceita no automático ou ignora. Nos dois casos o recurso deixou de servir.

Para onde vai o dado? Se a informação de colaborador sai do sistema para um serviço externo, isso precisa estar claro, escrito e coberto pela base legal correta. É a pergunta que mais desconforta e a que mais protege.

Quem responde se errar? A resposta correta é a empresa, e é justamente por isso que a revisão humana precisa estar desenhada no processo, e não apenas recomendada.

E funciona em português, com os dados desta empresa? Desempenho em demonstração com dado de exemplo diz pouco. Vale pedir um teste com um recorte real, ainda que pequeno.