Ferramentas de inteligência artificial já são usadas na triagem de currículos em processos seletivos no Brasil e no exterior. Embora sejam apresentadas como soluções capazes de aumentar a eficiência e a neutralidade das contratações, estudos recentes indicam que esses sistemas podem reproduzir ou até ampliar vieses contra pessoas negras, asiáticas e integrantes de outros grupos minoritários.
No Brasil, 87% dos profissionais de recursos humanos afirmam utilizar IA para agilizar a seleção inicial, enquanto 80% planejam ampliar o uso da tecnologia para identificar talentos no próximo ano. Pesquisas conduzidas por universidades como Stanford, Princeton e Chicago, porém, apontam impactos sobre a diversidade das empresas e sobre as oportunidades de quem busca emprego.
O principal risco está na combinação entre discriminação em larga escala e falta de transparência. Em muitos casos, candidatos são descartados por algoritmos sem saber o motivo da decisão ou ter meios claros de contestá-la.
Um estudo liderado por pesquisadores de Stanford analisou 3,4 milhões de candidatos e 4 milhões de candidaturas relacionadas a cerca de 1.700 vagas em mais de 150 empresas que utilizavam triagem automatizada. O levantamento indicou que 15% das candidaturas de pessoas asiáticas e 26% das candidaturas de pessoas negras foram direcionadas a vagas nas quais os algoritmos apresentavam viés matemático contra esses grupos.
Segundo os pesquisadores, aproximadamente 40 mil candidaturas adicionais de pessoas negras e asiáticas poderiam ter avançado no processo caso as ferramentas fossem neutras. Os autores afirmam que o problema não seria um erro pontual de programação, mas uma característica estrutural dos modelos atuais. “Esse tipo de problema não é um bug pontual que pode ser resolvido com a próxima atualização do sistema… porque é assim que as IAs funcionam”, declararam.
Além dos efeitos sobre a diversidade, o uso desses sistemas envolve riscos jurídicos e reputacionais. Empresas que adotam a IA como filtro automático, sem supervisão adequada, podem ser responsabilizadas por discriminação algorítmica caso fique comprovado que determinados grupos foram prejudicados de forma sistemática. Internamente, a redução da diversidade também pode afetar a cultura organizacional e a capacidade de inovação.
A influência dos algoritmos começa na triagem inicial, etapa em que a maior parte dos currículos é descartada antes de chegar a um recrutador. Essas ferramentas cruzam dados históricos de contratações com informações presentes nos currículos e, em alguns casos, com outros dados dos candidatos.
O problema é que os registros históricos podem carregar preconceitos do passado. Se uma empresa contratou majoritariamente homens brancos para cargos de liderança, por exemplo, o sistema pode interpretar esse perfil como o ideal e penalizar currículos que não correspondam a esse padrão.
Um caso emblemático ocorreu quando uma grande empresa de tecnologia descobriu que seu sistema próprio de triagem havia aprendido a rebaixar currículos de mulheres. O projeto foi cancelado após a identificação do viés.
Pesquisas mais recentes indicam que o problema pode ir além da reprodução de padrões históricos. Em experimentos realizados por pesquisadores de Princeton e da Universidade de Chicago, modelos de linguagem foram usados como consultores de contratação para 20 cargos. Os sistemas avaliaram candidatos pertencentes a quatro grupos étnicos fictícios — Tufa, Aima, Reku e Weki — que tinham exatamente a mesma probabilidade de sucesso em qualquer função.
Mesmo assim, as IAs passaram a associar alguns grupos a empregos mais prestigiados e outros a trabalhos manuais. “Os modelos rapidamente segregaram as funções por etnia, e com uma intensidade que supera a humana”, relataram os pesquisadores.
Em uma escala de estratificação ocupacional na qual a média humana foi de 0,84, com 2 como pontuação máxima, modelos de IA de ponta alcançaram 1,39. O resultado indica que os sistemas criaram divisões mais rígidas do que as observadas entre pessoas.
Os experimentos ajudam a explicar como o viés pode surgir. Modelos de linguagem são desenvolvidos para tirar conclusões rápidas a partir de poucos exemplos, característica conhecida como eficiência amostral. Em situações de incerteza, essa capacidade pode se transformar em uma limitação.
Um único resultado negativo e aleatório envolvendo um candidato de determinado grupo em uma função específica pode levar a IA a concluir que aquela combinação não funciona. A partir disso, o sistema pode reduzir drasticamente as recomendações de pessoas do mesmo grupo para aquela vaga, criando uma barreira invisível e confinando certos perfis a ocupações de menor prestígio ou remuneração, mesmo sem diferença real de desempenho.
Os testes também indicaram que instruções genéricas, como “seja justo”, e técnicas populares, como pedir ao modelo que explique seu raciocínio passo a passo, não foram suficientes para eliminar os vieses. Entre as estratégias que apresentaram resultados estavam o estabelecimento de metas explícitas de diversidade e o fornecimento de dados realmente relevantes sobre os candidatos, como formação e experiência.
Por outro lado, informações sem relação direta com a capacidade profissional, como cor do cabelo e tatuagens, podem abrir espaço para novas associações discriminatórias.
O estudo de Stanford também analisou a chamada “monocultura algorítmica”, situação em que várias empresas usam a mesma ferramenta de IA, fornecida por um único provedor, para tomar decisões de contratação.
Nesse cenário, as decisões deixam de ser independentes. Um candidato que se inscreve em quatro vagas de empresas diferentes, mas que utilizam o mesmo sistema, pode ser rejeitado nas quatro por causa de um único critério oculto.
Os pesquisadores calcularam que, nessas condições, um candidato tinha 10% de probabilidade de ser rejeitado em todas as quatro vagas. Para alcançar 99,9% de probabilidade de ter o perfil recomendado por uma ferramenta inserida em uma monocultura algorítmica, seria necessário enviar 25 candidaturas. Quando as decisões são realmente independentes, esse número cai para dez.
Um levantamento paralelo, com 83 mil candidaturas em 108 empresas da lista Fortune 500 que utilizavam processos humanos ou mistos, encontrou taxas de rejeição total compatíveis com o esperado em decisões independentes. O resultado contrasta com o padrão observado quando um mesmo modelo é replicado em várias organizações.
Na prática, a monocultura algorítmica pode criar uma espécie de lista proibida invisível. Um candidato rejeitado por critérios opacos em uma empresa tende a enfrentar o mesmo resultado em outras que utilizam o sistema, mesmo quando possui qualificação para as vagas. Para grupos já vulneráveis, como pessoas negras, asiáticas e integrantes de outras minorias, o efeito pode ser ampliado.
A automação também pode consolidar o perfil do funcionário padrão que teve sucesso no passado, dificultando a entrada de pessoas com trajetórias diferentes. Se os dados históricos de uma empresa refletem uma liderança majoritariamente masculina e branca, por exemplo, o algoritmo pode tratar esse padrão como uma fórmula de sucesso. Currículos de mulheres e de pessoas negras ou asiáticas com qualificação semelhante passam, então, a ter menos chances de destaque.
O estudo de Stanford apontou que cerca de 40 mil candidaturas de minorias poderiam ter avançado caso não fossem barradas pelos filtros iniciais.
O mercado de triagem algorítmica é estimado em mais de US$ 1 bilhão até 2027. Com a expansão prevista, empresas de diferentes portes e setores podem passar a utilizar a mesma “lente digital” para avaliar talentos, reduzindo a possibilidade de que um candidato seja analisado de forma diferente em outra organização.
Pesquisas também apontam que ambientes diversos favorecem a criatividade, a inovação e resultados financeiros melhores. Ao filtrar automaticamente candidatos que fogem do padrão histórico, a IA pode comprometer, ainda que sem intenção, metas de inclusão racial e de gênero adotadas por muitas empresas.
Mesmo defensores do uso da inteligência artificial no recrutamento reconhecem que os vieses não começaram com a tecnologia. Profissionais de recursos humanos relatam situações em que gestores preferem candidatos semelhantes a pessoas que já tiveram sucesso ou estabelecem, sem base objetiva, que determinada função exige alguém de certa idade ou aparência. A diferença é que, com a automação, um preconceito antes individual e pontual pode ganhar escala e velocidade.
![[CAMPANHA 20260901] A-01 - A3A - MONITORA PLUS - DESKTOP 970x90](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/a3a-970x90.jpg)
![[CAMPANHA 20260901] A-01 - A3A - MONITORA PLUS - MOBILE 320x100](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/a3a-320x100.jpg)

![[CAMPANHA 20260901] A-02 - XPL - AUTOMAÇÃO E LOCUÇÃO IA PARA RÁDIOS E LOJAS - DESKTOP 336x280](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/xpl-v2-336x280.jpg)
![[CAMPANHA 20260901] A-02 - XPL - AUTOMAÇÃO E LOCUÇÃO IA PARA RÁDIOS E LOJAS - MOBILE 300x250](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/xpl-v2-300x250.jpg)
![[CAMPANHA 20260901] A-04 - GOSPEL FM 104.9 - DESKTOP 728x90](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/gospelhd-728x90.jpg)
![[CAMPANHA 20260901] A-04 - GOSPEL FM 104.9 - MOBILE 300x250](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/gospelhd-300x250.jpg)
![[CAMPANHA 20260901] A-03 - WEBAV - SOLUÇÕES DIGITAIS - DESKTOP 300x600](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/webav-300x600.jpg)

![[CAMPANHA 20260901] A-06 - XPL - AUTOMAÇÃO E LOCUÇÃO IA PARA RÁDIOS E LOJAS - DESKTOP 728x90](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/xpl-v2-728x90.jpg)
![[CAMPANHA 20260901] A-06 - XPL - AUTOMAÇÃO E LOCUÇÃO IA PARA RÁDIOS E LOJAS - MOBILE 320x50](https://gazetadoestado.com.br/uploads/widgets/campaign-20260901/xpl-v2-320x50.jpg)
Facebook