IA no RH aumenta rejeição a negros e minorias, revelam estudos
Ferramentas de inteligência artificial já dominam a triagem de currículos e prometem eficiência e neutralidade, mas novos estudos mostram vieses fortes contra negros, asiáticos e outras minorias, com impacto direto na diversidade.

Inteligência Artificial
Estudos indicam que sistemas de IA no RH apresentam vieses que prejudicam a diversidade nas contratações.
Leia também: Alesc leva acervo jurídico digital a câmaras de SC
Ferramentas de inteligência artificial já estão por trás da triagem de currículos em boa parte dos processos seletivos, no Brasil e no mundo, mas estudos recentes mostram que a tecnologia vem recusando de forma sistemática mais candidatos negros, asiáticos e de outros grupos minoritários – o oposto da promessa de um recrutamento mais justo.
No Brasil, 87% dos profissionais de RH dizem usar IA para agilizar a seleção inicial, e 80% planejam ampliar o uso para identificar talentos no próximo ano. Ao mesmo tempo, pesquisas de universidades como Stanford, Princeton e Universidade de Chicago apontam que esses sistemas reproduzem e até criam novos preconceitos, com impactos diretos na diversidade das empresas e nas chances de quem busca emprego.
Quais são os riscos da inteligência artificial no recrutamento?
O maior risco hoje é a combinação entre discriminação em larga escala e falta de transparência: candidatos são descartados por algoritmos sem saber o motivo e sem ter como contestar.
Um estudo liderado por pesquisadores de Stanford analisou 3,4 milhões de candidatos e 4 milhões de candidaturas em cerca de 1.700 vagas de mais de 150 empresas que usam triagem automatizada. O levantamento mostrou que 15% das candidaturas de asiáticos e 26% das de negros foram direcionadas a vagas em que os algoritmos eram “matematicamente enviesados” contra esses grupos. Na prática, 40 mil candidaturas a mais de pessoas negras e asiáticas poderiam ter avançado no processo se as ferramentas fossem realmente neutras.
Os autores concluem que não se trata de um erro pontual de programação, mas de um traço 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”, afirmam os pesquisadores de Stanford.
Outro risco é jurídico e reputacional: empresas que adotam essas soluções como um filtro automático, sem supervisão, podem ser responsabilizadas por discriminação algorítmica se ficar comprovado que grupos específicos são sistematicamente prejudicados. Internamente, o efeito é um quadro menos diverso, o que empobrece a cultura organizacional e a capacidade de inovação.
Como a IA pode influenciar a seleção de candidatos?
A influência começa na triagem inicial, etapa em que a maioria dos currículos é descartada antes mesmo de chegar a um recrutador humano.
As ferramentas de triagem algorítmica cruzam dados históricos de contratações com informações dos currículos e, às vezes, com dados adicionais do candidato. O problema é que esses dados históricos carregam os preconceitos do passado: se uma empresa contratou majoritariamente homens brancos para cargos de liderança, o modelo tende a considerar esse perfil como “ideal” e a penalizar currículos que fogem desse padrão.
Foi o que aconteceu no caso emblemático de uma grande companhia de tecnologia que, anos atrás, desenvolveu um sistema próprio de triagem e descobriu que o modelo havia aprendido a rebaixar currículos de mulheres. O projeto foi cancelado após a constatação do viés.
Pesquisas mais recentes mostram que o problema vai além da repetição de padrões antigos. Em experimentos conduzidos por Princeton e Universidade de Chicago, modelos de linguagem foram usados como consultores de contratação para 20 cargos diferentes, avaliando candidatos de quatro grupos étnicos fictícios: Tufa, Aima, Reku e Weki. Todos tinham exatamente a mesma chance de sucesso em qualquer função, mas, mesmo assim, as IAs passaram a associar certos 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”, relatam os pesquisadores. Em uma escala em que humanos pontuam, em média, 0,84 em estratificação ocupacional (sendo 2 o máximo), os modelos de IA de ponta chegaram a 1,39, ou seja, criaram divisões mais rígidas do que as observadas entre pessoas.
Entenda o contexto
Esses experimentos ajudam a explicar como o viés surge na prática. Os modelos de linguagem são projetados para tirar conclusões rápidas a partir de poucos exemplos – o que, em termos técnicos, é chamado de eficiência amostral. Em cenários de incerteza, essa característica vira uma armadilha.
Basta um resultado aleatório negativo envolvendo um candidato de determinado grupo em uma função específica para que a IA conclua que aquela combinação “não funciona” e praticamente pare de recomendar pessoas daquele grupo para a mesma função. Sem perceber, o sistema cria uma espécie de teto invisível, confinando certos perfis a vagas de menor prestígio ou remuneração, mesmo quando não há diferença real de desempenho.
Os testes também indicam que instruções genéricas como “seja justo” ou técnicas populares, como forçar o modelo a explicar seu raciocínio passo a passo, não foram suficientes para eliminar o viés. As estratégias que surtiram efeito envolveram, por um lado, metas explícitas de diversidade e, por outro, oferecer ao modelo dados realmente relevantes sobre os candidatos, como nível de formação e experiência, em vez de detalhes irrelevantes (cor do cabelo, tatuagens), que abrem espaço para novas associações discriminatórias.
Quando a mesma IA decide por várias empresas
O estudo de Stanford também joga luz sobre um fenômeno batizado de “monocultura algorítmica”: quando 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 diferentes, em quatro empresas distintas, mas todas usando o mesmo sistema, pode ser reprovado nas quatro por causa do mesmo critério oculto.
Os pesquisadores mostraram que, nessas condições, um candidato tinha 10% de probabilidade de ser rejeitado em todas as quatro vagas. E calcularam que, para alcançar 99,9% de chance de ter o perfil recomendado por uma ferramenta em monocultura algorítmica, seria preciso enviar 25 candidaturas. Em processos em que 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 que se espera de decisões independentes – o oposto do que se vê quando um único modelo é replicado em várias organizações.
Na prática, a monocultura algorítmica cria um tipo de “lista proibida” invisível. Um candidato reprovado por critérios opacos em uma empresa tende a ser recusado do mesmo modo em outras que usam o mesmo sistema, mesmo que tenha qualificação para as vagas. Para grupos já vulneráveis, como negros, asiáticos e outras minorias, o efeito é multiplicado.
Como a automação no recrutamento afeta a diversidade nas empresas?
A automação tende a consolidar o perfil do “funcionário padrão” que deu certo no passado, reduzindo a entrada de pessoas com trajetórias diferentes e impactando diretamente os indicadores de diversidade.
Se os dados históricos da empresa refletem um quadro majoritariamente masculino e branco em cargos de liderança, por exemplo, o algoritmo passa a tratar esse padrão como receita de sucesso. Currículos de mulheres e de pessoas negras ou asiáticas, mesmo com qualificação semelhante, têm menos chance de serem destacados. O estudo de Stanford mostra esse efeito com números concretos, ao apontar que 40 mil candidaturas de minorias poderiam ter avançado, mas foram barradas pelos filtros iniciais.
Com a expansão prevista do mercado de triagem algorítmica, estimado em mais de US$ 1 bilhão até 2027, esse impacto tende a aumentar. Empresas de diferentes portes e setores passam a compartilhar a mesma “lente digital” para enxergar talentos, o que reduz a possibilidade de alguém encontrar uma organização que avalie seu perfil de forma diferente.
Na contramão, pesquisas apontam que ambientes diversos favorecem criatividade, inovação e resultados financeiros melhores. Ao filtrar automaticamente boa parte dos candidatos que fogem do padrão histórico, a IA acaba sabotando, sem querer, metas de inclusão racial e de gênero que muitas companhias declararam como prioridade.
Mesmo quem defende o uso da inteligência artificial no recrutamento reconhece que os vieses não começaram com a tecnologia. Profissionais de RH descrevem casos em que gestores preferem alguém “parecido com quem já deu certo” ou estipulam, sem base real, que o cargo exige “alguém até certa idade” ou com determinada aparência. A diferença agora é que o preconceito, antes individual e pontual, ganha escala e velocidade.

