A IA não escolhe quem contratar. Quem acha que ela deveria, entendeu errado a ferramenta

Por que a IA no recrutamento deve conhecer, organizar e, talvez, sinalizar candidatos, mas nunca decidir por você?

E o que um experimento de 1961 ensina sobre gestores que querem terceirizar a responsabilidade?

New Haven, Estados Unidos, 1961. Um homem de meia-idade está sentado diante de um painel com trinta interruptores. Cada um indica uma voltagem maior que a do anterior e, do outro lado da parede, alguém que ele nunca viu começa a reclamar de dor.

Então ele se vira para o pesquisador de jaleco cinza e faz a pergunta que interessa a este artigo:

- Quem se responsabiliza se acontecer alguma coisa com aquele homem?

A resposta vem sem pressa:

- “Eu me responsabilizo”.

Com essa resposta em mente, ele volta a apertar os botões.

Esse é o experimento de obediência conduzido por Stanley Milgram, o homem que conduziu a experiência em conjunto com o “jaleco cinza”, na Universidade Yale. [Milgram, Obediência à Autoridade].

As descargas eram falsas e o “aluno” do outro lado da parede era um ator. Mas, os participantes não sabiam disso.

O que Milgram documentou não foi o índice de crueldade. Foi o alívio. Quando alguém com autoridade aceita carregar a responsabilidade, a pessoa “comum” deixa de se ver como autora do ato e passa a se ver como instrumento. Milgram deu a isso o nome de estado agêntico.

Nos dias de hoje, ou seis décadas e meia depois, o jaleco cinza mudou de forma.

Agora é uma tela com um ranking de candidatos, uma pontuação de 0 a 100 ao lado de cada nome ou uma recomendação destacada em verde.

Ainda assim, a pergunta que muitos gestores fazem à inteligência artificial no recrutamento é, no fundo, a mesma do homem diante do painel:

- Se eu seguir o que você recomenda, a culpa deixa de ser minha?

Não deixa.

A IA não escolhe quem contratar, e quem acha que ela deveria escolher entendeu errado a ferramenta.

Prever é estimar a probabilidade de um resultado a partir de dados;

Decidir é escolher entre alternativas e responder pelas consequências da escolha.

Atualmente, a inteligência artificial faz a primeira coisa, e cada vez melhor. A segunda continua sendo trabalho de gente, porque responsabilidade, ao contrário de uma planilha, não se terceiriza.

O que significa terceirizar a responsabilidade para a IA?

Imagine uma distribuidora de materiais de construção que precisa de três vendedores externos até o fim do mês. Logo na primeira semana, chegam 180 currículos. O gestor comercial, que também cuida pessoalmente dos clientes maiores, não tem tempo de ler nem um terço deles.

Por isso, adota um sistema que lê tudo, pontua e entrega uma lista ordenada. Em seguida, chama os três primeiros, faz uma conversa rápida com cada um e contrata.

Terceirizar a responsabilidade para a IA é usar a recomendação de um sistema como justificativa para uma decisão que continua sendo sua. A contratação acontece do mesmo jeito; o que muda é que ninguém se sente dono dela, até o dia em que ela dá errado.

Seis meses depois, dois já saíram.

Um não suportou rodar 2.000 quilômetros por semana entre obras e revendas; o outro nunca tinha vendido para quem compra cimento em volume e negocia prazo como se fosse o próprio lucro.

Então, quando o diretor pergunta o que aconteceu, a resposta vem pronta:

“- Não sei o que aconteceu. O sistema indicou os melhores. A culpa é do sistema”.

Repare no que essa frase faz. Ela não é exatamente mentira, porque o sistema de fato ordenou os candidatos. Porém, ela transforma uma escolha em fato consumado, como se a contratação tivesse caído do céu.

Afinal, o ranking não sabia que uma rota tinha 600 quilômetros, porque ninguém colocou isso nos critérios. Da mesma forma, não sabia que a carteira era de construtoras, e não de consumidores finais. Apenas o gestor sabia. E foi justamente ele quem deixou de perguntar.

Por que tantos gestores querem que a máquina decida

Seria cômodo atribuir esse comportamento à preguiça. Contudo, a explicação é mais humana e, portanto, mais perigosa. Há pelo menos três forças empurrando o gestor para a cadeira do homem de Milgram.

1. O viés de automação

Pesquisadores que estudam cabines de avião e unidades de terapia intensiva descrevem há décadas um fenômeno chamado viés de automação: a tendência de confiar mais na recomendação de um sistema automático do que nos próprios olhos, inclusive quando há sinais claros de que algo está errado [estudos de Parasuraman e Manzey; Mosier e Skitka].

Na seleção de pessoas, frequentemente isso aparece de um jeito sutil. O gestor entrevista o candidato número um do ranking, sente que falta alguma coisa, mas pensa: “se a pontuação é alta, devo estar enganado”.

Assim, a dúvida legítima é descartada em nome de um número que ele não sabe explicar.

2. O desconforto de dizer não

Recusar alguém é desagradável. Pense na dona de uma loja de móveis planejados que precisa dispensar o filho de um cliente antigo, candidato à vaga de projetista-vendedor.

- “O processo vai seguir com outra pessoa com maior adaptação – essa é uma mensagem enviada pelo Xpts” é uma frase muito mais confortável do que “Eu escolhi outra pessoa porque achei melhor”.

Em outras palavras, a IA vira um escudo social. Porém, esse escudo só funciona até alguém perguntar “Por quê?”. Mas, nesse momento, não há ninguém capaz de responder.

3. A ilusão da neutralidade

A terceira força é a mais sedutora: a crença de que a máquina é imparcial porque não tem simpatias, cansaço nem mau humor de segunda-feira. A história mais citada sobre isso não veio de uma pequena empresa, e sim de uma das empresas mais sofisticadas do mundo em tecnologia.

Em 2018, a agência Reuters revelou que a Amazon vinha desenvolvendo, desde 2014, uma ferramenta que atribuía de uma a cinco estrelas aos candidatos, como os consumidores fazem com produtos no site [Reuters, Jeffrey Dastin, 10/10/2018].

Segundo uma das fontes ouvidas pela reportagem, a ambição era entregar cem currículos à máquina e receber de volta os cinco a contratar.

O modelo foi “carregado” com dez anos de currículos recebidos pela empresa, a maioria de homens. Este foi a base de aprendizado.

Como resultado, passou a penalizar currículos que continham, por exemplo, a palavra “women’s” ou algo que indicasse que era uma mulher a candidata, como por exemplo “capitã do clube de xadrez feminino” ou simplesmente (em tradução livre e como uma analogia) “Gestora” com “A” no final da palavra. Claro que a empresa desmontou a equipe do projeto.

Há um detalhe que costuma ficar de fora quando essa história é contada: de acordo com a própria reportagem, os recrutadores consultavam as recomendações, mas nunca se basearam apenas nelas.

Ou seja, havia humanos no circuito.

Ainda assim, o caso virou símbolo, porque mostrou algo que vale para empresas de qualquer tamanho: o algoritmo não era neutro. Era fiel. Fiel ao passado que recebeu como exemplo.

Se a sua empresa sempre contratou vendedores parecidos entre si, uma IA treinada no seu histórico tende a recomendar mais do mesmo, só que agora com cara de objetividade.

Prever não é decidir

Agora é preciso ser justo com a máquina, porque o argumento contrário existe e é forte.

Desde os anos 1950, a partir dos trabalhos do psicólogo Paul Meehl, uma longa linha de pesquisa mostra que regras estatísticas simples frequentemente preveem resultados melhor do que o julgamento de especialistas [Meehl, 1954].

Estudos como o de Daniel Kahneman, Olivier Sibony e Cass Sunstein retomam essa discussão no livro Ruído, inclusive em exemplos de seleção de pessoas, e mostram como entrevistas não estruturadas variam de um avaliador para outro e até de um dia para outro [Kahneman, Sibony e Sunstein, Ruído].

Portanto, o gestor que defende a própria intuição contra qualquer algoritmo está em terreno frágil.

A questão não é quem prevê melhor; nesse quesito, a máquina pode muito bem vencer. A questão é que prever e decidir são atividades diferentes.

A previsão responde a uma pergunta: “qual a probabilidade de este candidato ter bom desempenho, considerando os dados disponíveis?”.

A decisão responde a outra: “o que vamos fazer, considerando o que a previsão sabe, o que ela não sabe e o que estamos dispostos a assumir?”.

Curiosamente, as pesquisas mostram que as pessoas não se relacionam com algoritmos de forma consistente.

Um estudo conhecido de Berkeley Dietvorst e colegas identificou a chamada aversão a algoritmos: depois de ver um algoritmo errar, as pessoas tendem a abandoná-lo, mesmo quando ele erra menos do que elas [Dietvorst, Simmons e Massey, 2015].

Por outro lado, Jennifer Logg e colegas encontraram o movimento oposto, a apreciação de algoritmos, situação em que leigos preferem o conselho de um algoritmo ao de uma pessoa [Logg, Minson e Moore, 2019].

Na rotina das empresas, os dois comportamentos convivem no mesmo gestor. Ele ignora o ranking quando discorda dele e se esconde atrás dele quando convém. Parecem atitudes opostas; todavia, são a mesma coisa: formas de não decidir de verdade.

A zona de deformação: quem paga a conta quando a máquina erra

Os carros modernos têm uma zona de deformação, uma parte da carroceria projetada para amassar na colisão e proteger quem está dentro.

Em 2019, a antropóloga Madeleine Clare Elish usou essa imagem para descrever o que acontece em sistemas nos quais humanos e automação dividem o controle:

- quando algo dá errado, a culpa tende a recair sobre o humano mais próximo do sistema, que passa a funcionar como uma zona de deformação moral [Elish, “Moral Crumple Zones”, Engaging Science, Technology, and Society, v. 5, 2019].

A ironia é cruel.

O gestor que deixa a IA escolher acredita que se protegeu.

Na verdade, ele se colocou exatamente no ponto de impacto. Quando a contratação der errado, o diretor não vai cobrar o software.

Da mesma forma, o candidato recusado que questionar a decisão não vai pedir explicações a um algoritmo, e a equipe que recebeu um colega inadequado não vai culpar a pontuação. Em suma, todos vão olhar para a pessoa cujo nome está na requisição da vaga.

Vicente Falconi construiu boa parte de sua obra sobre uma premissa simples: todo resultado precisa ter um responsável, e gerenciar é justamente assumir metas e responder por elas [Falconi, O Verdadeiro Poder]. Nesse sentido, uma contratação sem dono, ou uma contratação onde o “dono” não assume a sua responsabilidade, não é uma contratação objetiva. É uma contratação sem gestão.

O que a regulação já diz sobre decisões automatizadas

Esse raciocínio não é apenas gerencial; ele está entrando na lei. As informações a seguir são aquelas que busquei na data da publicação do artigo e podem estar desatualizadas no momento da sua leitura.

Elas servem apenas como exemplos sobre como os diferentes países tratam – legalmente – o assunto e cabe a você, leitor, a devida pesquisa e revisão.

Na União Europeia, o AI Act classifica os sistemas de IA usados em recrutamento e seleção como de alto risco e exige, entre outras obrigações, supervisão humana efetiva. Em julho de 2026 entrou em vigor o chamado Digital Omnibus, que adiou para 2 de dezembro de 2027 a aplicação dessas obrigações [Regulamento (UE) 2026/1744]. Adiadas, portanto, e não canceladas.

No Brasil, a LGPD já garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, inclusive as que definem seu perfil profissional [Lei 13.709/2018, art. 20].

Além disso, o PL 2338/2023, conhecido como marco legal da IA, foi aprovado pelo Senado em dezembro de 2024 e, atualmente, aguarda parecer do relator na comissão especial da Câmara dos Deputados. O texto segue a lógica de classificação por risco e reforça mecanismos de transparência e revisão humana [situação verificada em 29/09/2026; revisar antes de publicar].

Seja como for o ritmo das leis, a direção é clara: alguém precisa ser capaz de explicar e revisar a decisão. E esse alguém não é o software.

Três caminhos para usar IA na seleção sem abrir mão da decisão

Não existe um único modelo correto. Existe o modelo adequado ao volume de contratações e à maturidade da sua empresa. Ainda assim, uma regra atravessa os três caminhos:

- A IA sugere, o ser humano - o Gestor - decide.

1. O caminho Conservador: a IA organiza o volume e o trabalho

Para quem contrata poucas pessoas por ano, a IA entra apenas para tirar peso operacional: ler currículos, organizar informações, apontar os requisitos objetivos que o próprio gestor definiu e sugerir agendas de entrevista.

Enquanto isso, toda a avaliação comparativa continua humana. Por exemplo, uma revenda de peças que contrata dois vendedores de balcão por ano, ganha tempo sem mudar a forma de decidir. O risco desse caminho é subutilizar a ferramenta; em contrapartida, o risco de terceirizar a decisão é baixo.

2. O caminho híbrido: a IA ordena e o gestor justifica

Aqui a IA ordena os candidatos e aponta sinais a verificar, como lacunas no histórico ou experiências que merecem atenção recomendada na entrevista.

O gestor, então, adota o que chamo de regra do porquê: em cada etapa decisória, registra em duas ou três linhas por que concordou ou discordou do ranking. Parece burocracia, mas não é.

Quem precisa escrever o porquê não consegue se esconder atrás da pontuação. Além disso, em poucos meses a empresa acumula um registro valioso sobre onde a máquina e o gestor acertam e onde erram.

3. O caminho transformador: papéis explícitos e revisão contínua

Para empresas que contratam com frequência, como uma com várias lojas ou uma distribuidora de alimentos com muitos funcionários em diversas áreas, o processo pode ser redesenhado com papéis claros: quem define os critérios, quem revisa os sinais apontados pela IA, quem decide e quem comunica o candidato.

Somado a isso, a cada trimestre a empresa compara o que a IA previu com o que aconteceu de fato: - quem foi bem “ranqueado” e deu certo,

- quem foi bem “ranqueado” e saiu cedo,

- quem o gestor contratou contra o ranking e por quê.

Dessa forma, a ferramenta melhora, os critérios melhoram e, acima de tudo, o gestor aprende a decidir melhor. Assim, as pessoas aprendem. Em outras palavras, a empresa melhora o seu processo de contratação aprendendo com os processos anteriores.

Isso vai ao encontro de dois conceitos que eu gosto muito:

- Amazon: uma nova contratação deve elevar a média do time (princípio do bar raiser) que, de forma livre, pode ser entendido como a próxima contratação deve ser melhor do que a anterior;

- Deming (ou Drucker ou de fonte indefinida, depende): só se gerencia o que se mede.

Assim, usando a IA como ferramenta e gerenciando o seu uso, podemos aprender e melhorar continuamente.

Quem se responsabiliza?

Voltemos ao laboratório de New Haven. Nem todos os participantes de Milgram foram até o fim. Alguns ouviram “eu me responsabilizo” e, mesmo assim, levantaram-se da cadeira.

Eles tinham entendido algo que o jaleco cinza tentava esconder: a responsabilidade não muda de dono só porque alguém se ofereceu para carregá-la.

Com a inteligência artificial ou outro software no recrutamento, acontece o mesmo.

A ferramenta pode ler mil currículos em poucos minutos, apontar padrões que você não veria e ordenar candidatos com uma consistência que nenhum entrevistador cansado consegue manter. Use tudo isso.

Porém, na hora de assinar a contratação, lembre-se que a máquina nem sequer se ofereceu para carregar coisa alguma. Quem se responsabiliza é você.

Afinal, é exatamente isso que faz de você o gestor.

Quer aprofundar a forma como sua empresa recruta, seleciona e desenvolve pessoas, do anúncio da vaga à gestão do dia a dia? Acesse www.phdonassolo.com e conheça os artigos, cursos e materiais do Prof. Paulo H. Donassolo sobre gestão de pessoas e gestão comercial.

www.phdonassolo.com | https://www.phdonassolo.com/#/artigos?pilar=prof-paulo

Obs.: Este texto foi escrito em português do Brasil pelo Prof. Paulo H. Donassolo com o auxílio de IA. Fontes utilizadas podem precisar de revisão. Nomes de pessoas, empresas, produtos ou serviços além dos números de vendas, metas, resultados etc. foram criados para este artigo e não têm relação com fatos reais e têm apenas objetivos didáticos. Os termos utilizados referem-se às práticas usuais do mercado e não carregam qualquer juízo de valor ou posicionamento ideológico. Este conteúdo não constitui aconselhamento jurídico. Dúvidas ou comentários podem ser enviados para contato@phdonassolo.com