João Miguel Mesquita
A adoção de inteligência artificial nos processos de recrutamento tem sido apresentada, em grande medida, como uma resposta racional a um problema de escala. Organizações que recebem centenas ou milhares de candidaturas para uma única função enfrentam uma pressão evidente para reduzir tempos de análise, normalizar critérios e diminuir a carga administrativa das equipas de recursos humanos. Neste contexto, sistemas capazes de classificar currículos, identificar competências, estabelecer correspondências entre perfis e funções ou ordenar candidatos segundo determinados parâmetros surgem como uma extensão quase natural da digitalização do trabalho. O problema começa, porém, quando a capacidade de processar informação em grande escala é confundida com capacidade de produzir decisões de maior qualidade. Um sistema pode analisar mais candidatos, mais depressa e de forma mais consistente sem que isso signifique, necessariamente, que esteja a identificar melhor o talento de que a organização necessita.
Esta distinção é particularmente importante porque o recrutamento não constitui apenas um problema de processamento de informação. É também um exercício de previsão sobre comportamento humano futuro, realizado a partir de informação necessariamente incompleta. Um currículo não é uma representação integral das capacidades de uma pessoa, uma entrevista não elimina toda a incerteza e um histórico profissional não permite prever de forma determinística o desempenho num novo contexto. A inteligência artificial não altera esta realidade fundamental. Pode reorganizar os sinais disponíveis, encontrar regularidades estatísticas e aumentar a capacidade de comparação entre candidatos, mas continua dependente da qualidade dos dados, da definição das variáveis e, sobretudo, da validade das relações que estabelece entre determinadas características observáveis e aquilo que a organização pretende realmente prever.
É precisamente aqui que grande parte do debate sobre recrutamento automatizado tende a simplificar excessivamente o problema. A questão não é apenas saber se um algoritmo contém enviesamentos ou se reproduz decisões discriminatórias. Antes disso, importa perguntar se o modelo está efetivamente a medir aquilo que afirma medir. Uma ferramenta pode demonstrar uma elevada capacidade para identificar candidatos semelhantes aos profissionais que historicamente tiveram sucesso numa empresa e, ainda assim, ser um instrumento inadequado para descobrir quem poderá ter sucesso no futuro. A semelhança entre perfis anteriores e novos candidatos não é, por si só, uma medida de potencial. Em muitos casos, pode refletir apenas a continuidade dos critérios de contratação utilizados no passado, das redes de recrutamento privilegiadas pela organização ou da própria definição interna de desempenho.
Este problema é particularmente relevante quando os sistemas utilizam dados históricos como base de aprendizagem. Os dados empresariais não constituem uma descrição neutra da realidade. São o resultado acumulado de decisões anteriores, estruturas organizacionais, oportunidades desiguais e critérios de avaliação que também podem ter sido imperfeitos. Se uma empresa recrutou durante anos predominantemente em determinadas universidades, favoreceu carreiras lineares ou promoveu com maior frequência profissionais com características semelhantes, um sistema treinado sobre esse histórico pode interpretar esses padrões como indicadores de mérito. O algoritmo não necessita de receber uma instrução explícita para reproduzir escolhas anteriores. Basta que encontre correlações estatísticas entre determinadas características e os resultados que lhe foram apresentados como desejáveis.
A dificuldade científica está em distinguir uma relação estatística de uma relação verdadeiramente relevante para o desempenho. Determinadas características podem aparecer associadas ao sucesso profissional sem terem sido a causa desse sucesso. Um determinado percurso académico pode surgir entre os profissionais com melhor avaliação porque a organização recrutou historicamente nesses estabelecimentos. A permanência prolongada num emprego anterior pode parecer um indicador de estabilidade, quando pode depender sobretudo das condições económicas do setor. A progressão rápida na carreira pode ser interpretada como sinal de elevado potencial, embora também possa refletir acesso privilegiado a determinadas oportunidades. Quando estes fatores são tratados como preditores sem uma análise adequada do contexto, o sistema corre o risco de transformar coincidências históricas em critérios operacionais.
Por isso, a consistência de uma decisão automatizada não deve ser confundida com rigor. Um algoritmo pode aplicar exatamente o mesmo critério a todos os candidatos e continuar a aplicar um critério inadequado. A uniformidade reduz algumas formas de arbitrariedade humana, mas não garante validade. Um sistema construído sobre uma variável pouco relevante para o desempenho continuará a produzir decisões pouco relevantes de forma extraordinariamente consistente. A automação pode, assim, conferir uma aparência de objetividade a um processo que continua dependente de escolhas humanas sobre o que deve ser medido, como deve ser medido e que nível de erro a organização considera aceitável.
Esta última dimensão é frequentemente negligenciada. Todos os sistemas de classificação produzem erros, e o recrutamento não é exceção. Um modelo pode selecionar candidatos que posteriormente não correspondem às expectativas ou rejeitar pessoas que poderiam ter tido um desempenho elevado. Estes dois tipos de erro não têm necessariamente o mesmo peso para uma organização. Um sistema desenhado para reduzir ao máximo o risco de contratar o candidato errado pode tornar-se excessivamente conservador e excluir sistematicamente perfis menos convencionais. Quanto maior for a aversão ao falso positivo, maior pode ser o número de falsos negativos. Em termos empresariais, isto significa que uma ferramenta muito eficaz a evitar candidatos considerados de risco pode também ser muito eficaz a afastar talento atípico.
É neste ponto que a automação pode entrar em conflito com alguns dos objetivos estratégicos das próprias empresas. Organizações que afirmam procurar inovação, capacidade de adaptação, diversidade de pensamento ou competências emergentes podem recorrer a sistemas que privilegiam precisamente os percursos mais próximos daqueles que já conhecem. Os algoritmos são particularmente eficientes a identificar regularidades em dados anteriores. A inovação, pelo contrário, muitas vezes emerge de trajetórias que escapam a essas regularidades. Uma mudança entre setores, uma interrupção prolongada na carreira ou um percurso académico pouco convencional podem reduzir a correspondência estatística com um perfil historicamente considerado ideal e, simultaneamente, representar precisamente a experiência necessária para abordar um problema de forma diferente.
O risco torna-se ainda maior quando os sistemas trabalham com aproximações indiretas. Há uma diferença substancial entre verificar se um candidato possui uma determinada certificação e tentar inferir características como liderança, resiliência, motivação ou potencial futuro a partir de sinais comportamentais. Quanto mais abstrata for a característica que se pretende medir, maior deve ser a exigência sobre a validade científica do método utilizado. O facto de uma tecnologia conseguir atribuir uma pontuação a uma determinada dimensão humana não significa que essa pontuação represente, de forma robusta, aquilo que o sistema afirma avaliar. A sofisticação técnica de um modelo, a utilização de aprendizagem automática ou a quantidade de dados processados não substituem a necessidade de demonstrar validade preditiva.
Esta questão é especialmente sensível em soluções que tentam inferir atributos pessoais a partir da voz, de expressões faciais, de padrões linguísticos ou de outros sinais comportamentais. Estes sistemas podem criar a impressão de que características complexas podem ser objetivamente extraídas de dados observáveis, quando muitas dessas inferências dependem de pressupostos controversos, contextos culturais e relações estatísticas difíceis de generalizar. Em ambientes de decisão com impacto direto sobre a vida das pessoas, a responsabilidade científica deve aumentar proporcionalmente à ambição da ferramenta. Quanto maior for a distância entre aquilo que é observado e aquilo que se pretende inferir, maior deve ser o escrutínio.
Há também um problema estrutural de falsa neutralidade. A inteligência artificial é frequentemente apresentada como uma forma de retirar subjetividade ao recrutamento, mas a automação não elimina as escolhas humanas. Apenas as desloca para fases menos visíveis do processo. Alguém escolhe os dados de treino, define as categorias utilizadas, determina o que constitui um bom desempenho, seleciona as variáveis consideradas relevantes e estabelece os limiares a partir dos quais um candidato avança ou é rejeitado. Mesmo quando parte deste trabalho é realizado pelo fornecedor da tecnologia, a organização que utiliza o sistema continua a assumir as consequências das decisões produzidas.
É por isso que a aquisição de uma plataforma de recrutamento baseada em inteligência artificial não deveria ser tratada como uma simples decisão de software. Uma empresa não está apenas a comprar funcionalidades. Está também a incorporar no seu processo de seleção uma determinada conceção de talento, um conjunto de pressupostos estatísticos e uma arquitetura de decisão que pode influenciar silenciosamente quem entra e quem permanece fora da organização. Para os CIO, responsáveis de recursos humanos, equipas jurídicas, DPO e departamentos de procurement, a questão relevante não é apenas saber se a plataforma funciona tecnicamente. É perceber que tipo de decisão está efetivamente a produzir e com que nível de evidência.
Isto exige uma abordagem de governação substancialmente mais exigente do que a simples existência de supervisão humana. A expressão human in the loop tornou-se uma solução quase automática para os riscos da inteligência artificial, mas a presença formal de uma pessoa num processo não garante uma intervenção significativa. Se um recrutador recebe apenas os candidatos previamente classificados como mais adequados, todos os restantes podem ter sido excluídos sem qualquer avaliação humana. Se a pontuação atribuída pelo sistema condiciona fortemente a perceção do avaliador, existe ainda o risco de automação por deferência, no qual a decisão humana acaba por reproduzir a recomendação algorítmica.
Uma supervisão efetiva exige, por isso, mais do que uma assinatura humana no final do processo. Exige acesso a informação suficiente para compreender o funcionamento do sistema, capacidade para questionar os seus resultados e autoridade para contrariar as recomendações produzidas. Exige também mecanismos de revisão das exclusões, auditorias regulares e uma análise sistemática dos padrões de decisão ao longo do tempo. A questão fundamental não é apenas saber quantos candidatos o sistema seleciona, mas perceber quem é repetidamente excluído e porquê.
Para isso, as organizações precisam de abandonar métricas excessivamente centradas na produtividade operacional. O tempo médio de contratação, o número de candidaturas processadas ou a redução da carga administrativa continuam a ser indicadores relevantes, mas são insuficientes para avaliar a qualidade de um sistema de recrutamento. Uma organização deveria também medir a taxa de exclusão automática, a estabilidade dos critérios ao longo do tempo, a capacidade de explicação das decisões, o desempenho posterior dos candidatos selecionados e a eventual existência de padrões sistemáticos de rejeição associados a determinados percursos profissionais ou características dos candidatos.
A qualidade de um sistema deve ser avaliada não apenas pelo que consegue encontrar, mas também pelo que pode estar sistematicamente a perder.
Esta mudança de perspetiva é particularmente importante porque os sistemas de inteligência artificial tendem a otimizar aquilo que lhes é pedido. Se uma organização define como principal objetivo reduzir o tempo de contratação, o sistema será avaliado pela sua capacidade para acelerar o processo. Se o objetivo for maximizar a correspondência com os perfis historicamente considerados bem-sucedidos, o sistema tenderá a reproduzir essa definição. A tecnologia não resolve a ambiguidade dos objetivos empresariais. Muitas vezes amplifica-a.
O problema, portanto, não está apenas no algoritmo. Está também na qualidade das perguntas que a organização coloca antes de o utilizar.
Que competências pretende realmente identificar? Que evidência existe de que os critérios utilizados predizem desempenho? Que margem de erro é aceitável? Que tipos de candidato podem ser prejudicados pela simplificação do modelo? Que decisões devem permanecer exclusivamente humanas? E, talvez mais importante, que nível de incerteza está a empresa disposta a reconhecer?
Porque o recrutamento continua a ser, inevitavelmente, uma decisão sob incerteza. A inteligência artificial pode tornar essa incerteza mais organizada, mais quantificada e mais rápida. Não a elimina.
A verdadeira maturidade na utilização destas tecnologias passa, por isso, por resistir à tentação de transformar uma probabilidade numa certeza. Um candidato com uma pontuação elevada não é necessariamente a melhor contratação. Um candidato excluído por um algoritmo não é necessariamente inadequado. Um modelo pode ajudar a estruturar decisões, mas não deve adquirir uma autoridade que ultrapasse a qualidade da evidência em que assenta.
A dimensão humana deste problema também não pode ser reduzida a uma nota ética no final de uma discussão tecnológica. Para uma organização, uma candidatura pode representar apenas uma observação num conjunto de dados. Para a pessoa que se candidata, está em causa uma oportunidade profissional, uma progressão de carreira ou uma mudança de vida. Um sistema que rejeita automaticamente milhares de candidatos pode ser operacionalmente eficiente e, simultaneamente, produzir uma experiência profundamente opaca para quem nunca chega a compreender por que razão foi excluído.
Essa assimetria de poder torna a explicabilidade e a possibilidade de revisão particularmente relevantes. Quanto maior for a autonomia atribuída ao sistema, maior deve ser a responsabilidade da organização sobre os seus efeitos.
A solução não passa por rejeitar a inteligência artificial nem por regressar a processos exclusivamente manuais. A tecnologia pode melhorar significativamente o recrutamento quando é utilizada para organizar informação, reduzir tarefas repetitivas, apoiar comparações e libertar tempo para avaliações de maior valor. Mas a fronteira entre apoio e decisão deve ser definida de forma consciente.
Automatizar a leitura de dez mil currículos não é o mesmo que automatizar a exclusão definitiva de nove mil e quinhentas pessoas. São decisões tecnicamente próximas, mas organizacionalmente muito diferentes.
A primeira utiliza a tecnologia para aumentar a capacidade humana. A segunda transfere para o sistema uma parte substancial do poder de decidir quem merece ser considerado. É neste ponto que a discussão deixa de ser apenas sobre inteligência artificial e passa a ser sobre governação.
No recrutamento, como noutras áreas críticas da automação empresarial, a questão central já não é saber se um algoritmo consegue tomar uma decisão. Muitos conseguem. A verdadeira questão é saber se a organização compreende suficientemente essa decisão para estar preparada para responder por ela.
