O escrutínio do recrutamento por IA merece atenção

Algures no seu processo de recrutamento, um candidato foi excluído por um sistema que a sua equipa não consegue explicar completamente. Pode ter um contrato com um fornecedor, um painel de controlo e uma pontuação. O que a maioria das organizações não tem é uma resposta clara à pergunta que as novas regulamentações sobre IA agora exigem efetivamente que responda: porquê.

Essa diferença entre o que a IA está a fazer no recrutamento empresarial e aquilo que os candidatos e os reguladores conseguem realmente ver é agora uma questão de conformidade. A Lei da IA do Colorado, uma das primeiras leis do género nos Estados Unidos, entrou em vigor em fevereiro e exige que os empregadores que utilizem sistemas de IA de alto risco em decisões de emprego notifiquem os candidatos e disponibilizem um mecanismo para corrigirem os seus dados ou recorrerem de um resultado desfavorável.

Para muitos departamentos de RH, cumprir esse requisito significa explicar sistemas que eles próprios não compreendem totalmente.

O mercado de ferramentas de recrutamento baseadas em IA expandiu-se significativamente nos últimos anos. Os fornecedores disponibilizam plataformas de triagem, sistemas automatizados de pontuação de entrevistas e modelos preditivos de adequação para empregadores que gerem grandes volumes de candidaturas.

A promessa é a eficiência, mas os dados no terreno contam uma história mais complexa. As candidaturas no LinkedIn aumentaram mais de 45% em termos homólogos em 2025, com aproximadamente 11 000 a chegar à plataforma a cada minuto. Ao mesmo tempo, 64% dos recrutadores relataram um aumento de candidaturas semelhantes entre si e geradas por IA durante o mesmo período, o que aumentou a sua carga de trabalho de triagem em vez de a reduzir. As ferramentas concebidas para filtrar o volume estão, em parte, a gerá-lo.

Tatiana Teppoeva, antiga cientista de dados da Microsoft e da Boeing que agora aconselha organizações sobre os riscos do recrutamento assistido por IA, observa esta dinâmica de forma consistente nos seus clientes empresariais.

Na sua experiência, a lacuna é específica: as organizações conseguem descrever mais facilmente a pontuação produzida por uma ferramenta do que explicar o que ela representa em termos de capacidade relevante para o cargo.

Essa falta de transparência tem um custo mensurável para os candidatos. Um inquérito a 1 066 candidatos a emprego nos EUA, realizado pela Enhancv em abril de 2026, concluiu que 68,5% nunca foram informados de que a IA tinha desempenhado algum papel na sua avaliação e apenas 9,7% afirmaram que um empregador o tinha divulgado claramente.

Quase um terço afirmou ter desistido de uma vaga em vez de concluir uma triagem de IA unidirecional, e o padrão não era uniforme. Quase 80% das vagas abandonadas pagavam menos de $100,000. Os candidatos com menos opções estão a suportar a maior exposição a sistemas que não conseguem ver e aos quais não deram o seu consentimento.

Uma caixa negra com um contrato com um fornecedor

A questão da responsabilização não se prende inteiramente com a falta de transparência, embora esta seja parte do problema. Muitas plataformas de triagem funcionam como sistemas de caixa negra ou quase caixa negra, nos quais a lógica de ponderação do modelo não é visível para o empregador, muito menos para o candidato.

Mesmo quando os fornecedores disponibilizam funcionalidades de explicabilidade, a explicação que um recrutador vê pode ser uma representação simplificada de um processo subjacente mais complexo. Um responsável de RH consegue ler o resultado. Muitas vezes, não consegue investigar como este foi produzido.

Isto é ainda mais importante à escala. Uma empresa que processa dezenas de milhares de candidaturas por ano está a tomar um grande número de decisões com consequências através de um sistema que a sua própria equipa pode não estar preparada para auditar. Os requisitos de notificação e recurso previstos na lei do Colorado obrigam a colocar essa questão em aberto. Se um candidato perguntar por que motivo foi rejeitado, quem responde e com que informação?

O trabalho de Teppoeva centra-se especificamente naquilo que descreve como "camada de interpretação", o espaço entre um sinal de recrutamento gerado por IA e uma decisão humana. A primeira pergunta que coloca às organizações que já implementaram uma ferramenta de triagem é porquê: "Por que motivo este candidato recebeu uma pontuação baixa apesar de parecer forte para a equipa de recrutamento? Por que motivo outro candidato obteve uma pontuação elevada, mas acabou posteriormente num plano de melhoria do desempenho?"

A maioria das organizações, afirma, não consegue responder a essas perguntas. Têm a pontuação, mas não o raciocínio que está por detrás dela.

"As organizações dependem frequentemente de resultados gerados pelos fornecedores sem manterem um quadro interno claro para interpretar ou documentar esses resultados", afirma. "Isto pode dificultar a explicação de como foi aplicado o julgamento humano ou de como se chegou a uma decisão final."

Quando uma decisão é contestada, essa lacuna transforma-se numa responsabilidade.

A responsabilidade recaiu sobre o empregador

O calendário regulamentar também expõe um problema relacionado com a forma como as ferramentas de contratação com IA têm sido normalmente adquiridas. As decisões sobre a plataforma a utilizar têm sido frequentemente tomadas pelas equipas de aquisição de talento, focadas no volume de trabalho, com uma participação reduzida das áreas jurídica e de conformidade e, por vezes, da liderança de RH na avaliação do que a ferramenta está efetivamente a fazer.

A lei do Colorado altera esse cálculo. Ao abrigo da SB 205, a responsabilidade pelos resultados adversos decorrentes da utilização de IA de alto risco no emprego recai sobre o empregador, não sobre o fornecedor. A empresa que utiliza a ferramenta é responsável pelos seus resultados.

Jimmy Hurff, COO e cofundador da Brightmove, um fornecedor de sistemas de acompanhamento de candidatos, afirma que as conversas sobre aquisição que presencia refletem exatamente este problema.

As questões mais importantes no âmbito do quadro regulamentar do Colorado — explicabilidade, auditabilidade e processos de recurso — não são, normalmente, as que são colocadas à mesa.

A Brightmove publicou uma Política de IA Responsável como resposta direta à SB 205, e Hurff afirma que a lei obrigou o setor de fornecedores a fazer uma análise mais ampla. Também deixa claro qual considera ser o próximo passo necessário no debate regulamentar: uma norma federal única, em vez de um conjunto fragmentado de requisitos de conformidade específicos de cada estado, o que, na sua perspetiva, daria aos fornecedores um mandato mais claro para desenvolverem as suas soluções.

O problema da documentação torna-se mais significativo quando candidatos cujos padrões de comunicação se afastam daqueles com que o sistema foi treinado, devido a uma deficiência, neurodivergência ou origem linguística, são avaliados por ferramentas que não conseguem ter em conta o contexto. Teppoeva descreve o problema central.

"Um sinal pode ser medido com precisão e, ainda assim, ser interpretado incorretamente", afirma.

Quando um candidato contesta um resultado, a maioria das organizações consegue reproduzir o resultado. Não consegue explicar a decisão e raramente dispõe de documentação que demonstre que aquilo que foi medido era, de facto, relevante para a função.

A EEOC acompanha esta área desde, pelo menos, 2021, quando lançou a sua iniciativa sobre IA e equidade algorítmica na contratação. As suas orientações de 2023 deixaram claro que os empregadores não podem transferir para um fornecedor externo a responsabilidade por resultados discriminatórios de processos de seleção.

A lei do Colorado vai mais longe, acrescentando obrigações de transparência e de recurso que a maioria das operações empresariais de contratação não foi concebida para cumprir.

O que os líderes de RH precisam de saber

Na prática, isto cria um âmbito de conformidade que muitos líderes de RH ainda não mapearam. Podem ter um contrato com um fornecedor. Podem ter uma noção geral do que a ferramenta faz. No entanto, a documentação sobre a forma como o modelo foi treinado, aquilo para que está otimizado e a forma como as decisões são registadas e podem ser recuperadas para análise de recursos é frequentemente menos completa do que o atual momento regulamentar exige.

Teppoeva enquadra esta mudança em termos que os líderes de RH reconhecerão de outras conversas sobre conformidade.

A regulamentação emergente está a transferir a conversa de «A ferramenta funciona?» para «Conseguimos explicar e defender a forma como foi utilizada?»

As organizações que encaram a seleção com IA como uma decisão de aquisição, e não como uma questão contínua de governação, ficam mais expostas quando um candidato ou um regulador coloca uma pergunta à qual a ferramenta não consegue responder.

Parte deste problema será resolvida através da pressão dos fornecedores. Se os clientes empresariais começarem a exigir documentação sobre a explicabilidade e trilhos de auditoria como parte do processo de aquisição, os fornecedores irão desenvolvê-los. Mas esse processo é lento e, entretanto, os candidatos no Colorado e noutros locais estão a ser filtrados por sistemas cuja lógica os empregadores que os utilizam não conseguem explicar totalmente.

A conversa que os líderes de RH precisam de ter não é apenas sobre se as ferramentas de seleção com IA funcionam. É sobre se as organizações que as utilizam conseguem responsabilizar-se pelo que fazem.