IA no recrutamento: automatizar a triagem sem negar revisão humana

O RH pode usar IA para organizar candidaturas e identificar requisitos de uma vaga, desde que limite os dados utilizados, teste os resultados e mantenha uma pessoa com autoridade para corrigir descartes. A LG lugar de gente descreve aplicações como triagem de currículos e agendamento de entrevistas, mas reconhece que dados de qualidade e acompanhamento humano são necessários para evitar novos vieses.

Antes de deixar uma pontuação impedir o avanço de alguém, o RH precisa saber qual critério produziu o resultado e oferecer um caminho para contestá-lo. O relatório do grupo de trabalho do CNPD sobre dados laborais aponta riscos de discriminação no recrutamento com IA e recomenda testes de viés, avaliação de impacto, transparência e revisão humana significativa. Essas são recomendações para orientar a governança da seleção, não uma aprovação de ferramentas específicas.

Defina a finalidade antes de escolher os dados

Descreva o que a ferramenta fará em cada vaga. Um objetivo verificável seria identificar candidaturas que atendam a uma exigência técnica indispensável, definida antes da triagem. Registre quem estabeleceu a exigência, quais informações a demonstram e o que acontece quando ela não é encontrada: a candidatura vai para conferência ou é descartada?

A LGPD, em seus princípios e no artigo 20, exige finalidade e necessidade no tratamento de dados e assegura ao titular o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses. A redação vigente não exige expressamente que essa revisão seja feita por uma pessoa. Para um descarte em processo seletivo, porém, oferecer análise humana com poder de alterar o resultado é uma salvaguarda coerente com o risco da decisão.

Registre uma base legal adequada para cada operação, com apoio da área jurídica ou de privacidade. A inscrição do candidato não torna o consentimento uma solução universal: uma autorização exigida para continuar na seleção pode não representar uma escolha livre. Guardar currículos para futuras vagas ou usá-los no treinamento de um modelo também pede finalidade, base legal e informação ao titular próprias, em vez de ser tratado como extensão automática da candidatura atual.

Faça o inventário e limite o que chega ao fornecedor

Mapeie o percurso dos dados: campos do formulário, informações extraídas do currículo, características inferidas pelo sistema, destinatários dos resultados e prazo de retenção. Para cada campo, indique qual requisito da vaga ele ajuda a avaliar. Se não houver essa relação, retire-o da pontuação; se a informação for necessária apenas em uma etapa posterior, recolha-a nessa etapa.

Fotografia, idade, endereço completo, perfis de redes sociais e informações de saúde merecem atenção especial antes de qualquer uso na triagem. Mesmo dados aparentemente neutros podem servir como aproximação de características protegidas. A equipe precisa justificar a necessidade de cada informação e avaliar se existe um modo menos invasivo de atingir a finalidade; o fato de um dado estar disponível publicamente não resolve essa análise.

Peça ao fornecedor uma descrição dos dados recebidos, dos resultados produzidos e das mudanças que podem alterar a classificação. O contrato e a configuração devem delimitar acesso, segurança, retenção, exclusão e eventual uso das candidaturas para treinar outros sistemas. Guarde a versão do modelo, as regras da vaga e os registros das decisões: sem essa trilha, uma contestação pode chegar quando já não for possível reconstruir o descarte.

Teste quem fica de fora antes do descarte automático

Inicie com um piloto em que a IA classifica candidaturas, mas não elimina ninguém. Separe uma amostra que inclua notas altas, baixas e próximas do limite de corte. Peça a recrutadores que avaliem os requisitos da vaga sem ver a classificação automática e registre as divergências com seus motivos, não apenas a taxa de concordância.

Investigue se determinados grupos aparecem de forma desproporcional entre as notas baixas, desde que haja fundamento para tratar os dados necessários à auditoria e acesso restrito a eles. Examine também casos que o sistema pode interpretar mal, como interrupções na carreira ou experiências descritas com vocabulário diferente. Uma diferença entre grupos é um sinal para investigar critérios e dados; sozinha, não identifica a causa do resultado.

Documente a composição da amostra, os critérios da vaga, as divergências e as correções feitas. Retire variáveis sem relação demonstrável com a função e repita o teste após alterações relevantes no modelo ou no limite de corte. Para um tratamento de alto risco, um relatório de impacto à proteção de dados ajuda a reunir finalidade, riscos, alternativas e salvaguardas antes de liberar decisões que afetem candidatos.

Avise o candidato e dê efeito à contestação

O aviso deve aparecer antes da triagem e explicar quais dados serão usados, com que finalidade e se uma classificação automatizada pode afetar o avanço na seleção. Descreva os critérios gerais em linguagem comum e indique um contato para corrigir informações ou questionar uma decisão. É possível dar uma explicação útil sem divulgar código ou segredos comerciais.

Defina quem receberá o pedido, quais registros poderá consultar e como documentará a resposta. Uma revisão efetiva confere os dados de entrada, considera a explicação apresentada pelo candidato e pode manter, modificar ou desfazer o descarte. Submeter a mesma candidatura novamente ao mesmo modelo, sem examinar o motivo da contestação, não oferece essa possibilidade.

Nos casos próximos do corte ou sujeitos a maior risco de exclusão indevida, faça a conferência humana antes de comunicar a recusa. O revisor precisa de tempo, acesso às informações pertinentes e autoridade para discordar da pontuação. Registre por que uma decisão foi alterada: esses casos revelam falhas que a amostra inicial talvez não tenha captado.

Monitore a seleção e saiba quando suspender a automação

Depois da implantação, acompanhe por vaga e por versão do sistema a distribuição das notas, os descartes, as contestações e as decisões revertidas. Compare esses sinais com os do piloto. Uma mudança no perfil das candidaturas, nos requisitos da vaga ou no modelo do fornecedor pode tornar insuficiente o teste anterior.

Estabeleça previamente quem pode suspender a pontuação ou o descarte automático. Gatilhos possíveis incluem falha na origem dos dados, impossibilidade de reconstruir uma decisão, aumento persistente das divergências com recrutadores ou indício de exclusão desigual sem justificativa ligada à função. Durante a suspensão, encaminhe as candidaturas afetadas para avaliação manual e preserve os registros necessários à apuração.

O retorno da automação deve depender da identificação da causa, de uma correção documentada e de novo teste com casos afetados e próximos do limite. Assim, a regra de suspensão tem uma consequência concreta: candidatos continuam a ser avaliados enquanto o RH verifica se o sistema voltou a aplicar os critérios da vaga de maneira justificável.

Leia também:

• Agente age em segundos — segurança contínua substitui revisão pontual
• RD Station ou HubSpot: suporte local pesa antes da automação avançada
• Slack Code põe o agente no canal — aprovação humana ainda segura o deploy