A adoção de inteligência artificial em processos de RH avançou de forma acelerada nos últimos anos. Ferramentas que analisam perfis de candidatos em processos de recrutamento e seleção mais eficientes, já fazem parte da rotina em empresas. Elas preveem turnover, identificam padrões de absenteísmo e sugerem trilhas de desenvolvimento
O que avançou em velocidade muito menor foi a pergunta que deveria preceder qualquer uma dessas implementações: os dados que alimentam esses sistemas são confiáveis?
Essa questão raramente aparece nos projetos de IA. O foco costuma recair sobre o algoritmo — sua precisão, sua capacidade preditiva, sua interface. Os dados que chegam até ele, no entanto, passam com frequência por uma validação superficial ou, em muitos casos, por nenhuma validação estruturada. E um sistema de IA alimentado por dados inconsistentes não produz análises sofisticadas. Produz erros sofisticados.
O problema que começa antes do algoritmo
Dado ruim, decisão ruim — em escala
Existe um princípio bem estabelecido em ciência de dados que raramente recebe a atenção que merece nas implementações corporativas. A qualidade do output de qualquer modelo depende diretamente da qualidade do input. Em outras palavras, a IA não corrige os dados que recebe. Ela os processa — com eficiência e velocidade — e entrega um resultado que reflete, com precisão matemática, as inconsistências que estavam na origem.
No contexto de RH, isso tem implicações diretas. Um modelo que prevê turnover com base em dados de avaliação de desempenho que nunca foram padronizados. Uma ferramenta que analisa absenteísmo com registros de jornada inconsistentes entre filiais vai gerar conclusões que refletem as falhas do processo de coleta. Não o comportamento real das pessoas.
O problema não está no algoritmo. Está nos dados que chegaram até ele e em quem, dentro da organização, teve a responsabilidade de garantir que esses dados fossem confiáveis. Antes de alimentar o sistema.
De onde vêm os dados de RH, e por que isso importa
Um ecossistema fragmentado que ninguém governa por inteiro
Os dados que alimentam as ferramentas de IA em RH vêm de múltiplas fontes: sistemas de ponto e jornada, folha de pagamento, plataformas de recrutamento, ferramentas de avaliação de desempenho, sistemas de gestão de aprendizagem, registros de saúde e segurança do trabalho, além de dados cadastrais e contratuais.
Cada uma dessas fontes possui seu próprio padrão de preenchimento, seu próprio nível de completude e suas próprias inconsistências cadastrais históricas que viram risco corporativo. Quando uma ferramenta de IA consolida essas fontes para gerar uma análise, ela não sabe distinguir o dado confiável do dado preenchido às pressas, o registro atualizado do cadastro com três anos de defasagem, a avaliação aplicada com critério da avaliação preenchida para cumprir prazo.
É exatamente nesse ponto que a inteligência artificial deixa de ser apenas ferramenta e vira uma competência: dados de qualidade, governança clara e pessoas capacitadas formam a combinação que transforma potencial tecnológico em resultado concreto para o negócio. Mas essa combinação exige que alguém, dentro da organização, assuma a responsabilidade explícita por cada uma dessas frentes, especialmente pela primeira.
O que a falta de governança de dados produz na prática
A ausência de um processo estruturado de validação de dados em RH gera consequências que vão muito além de relatórios imprecisos.
Decisões enviesadas sobre pessoas
Quando um modelo de IA sugere quais colaboradores têm maior risco de saída, quais candidatos têm maior aderência à cultura ou quais equipes precisam de atenção prioritária, essas sugestões influenciam decisões reais sobre pessoas reais. Se os dados que geraram essa sugestão carregam viés histórico, de avaliadores que pontuam de formas diferentes, de registros que refletem práticas desiguais entre áreas ou filiais, o modelo amplifica esse viés em vez de eliminá-lo.
Exposição regulatória e trabalhista
O uso de IA sem critérios claros pode gerar discriminação algorítmica, decisões pouco transparentes e violações de privacidade. No contexto trabalhista brasileiro, decisões sobre demissão, promoção ou acesso a benefícios que dependam de análises algorítmicas precisam ser justificáveis. Como aponta a análise do SERPRO sobre inteligência artificial e a LGPD, o uso inadequado de algoritmos sem transparência e auditabilidade traz riscos diretos aos direitos individuais e gera passivos legais.
Confiança que se deteriora rapidamente
Gestores que recebem análises de IA inconsistentes com a realidade que percebem no dia a dia deixam de usar as ferramentas. O investimento em tecnologia continua existindo, mas o impacto desaparece, porque as pessoas que deveriam confiar nas análises aprenderam, por experiência própria, que os dados não sustentam as conclusões.
Quem deveria validar, e por que essa responsabilidade costuma ficar em aberto
Dados corporativos passam a depender de sistemas automatizados e processos críticos incorporam respostas cuja origem nem sempre é rastreável. O ponto central não é a tecnologia em si, mas a ausência de critérios que definam como ela deve ser utilizada dentro da organização.
Essa ausência de critérios reflete, em muitos casos, uma ausência de responsabilidade clara. Quem valida os dados de RH antes que alimentem um sistema de IA?
Na maioria das organizações, a resposta honesta é: ninguém, de forma estruturada.
O RH garante que os dados estejam nos sistemas. A TI garante que os sistemas estejam funcionando. O fornecedor da ferramenta de IA garante que o modelo esteja calibrado. Mas ninguém assume explicitamente a responsabilidade de garantir que os dados que transitam entre esses três pontos sejam completos, consistentes e confiáveis o suficiente para sustentar decisões sobre pessoas.
Essa lacuna de responsabilidade não é culpa de ninguém em particular. É uma consequência estrutural de como as implementações de IA costumam acontecer: focadas na tecnologia, rápidas na entrega e silenciosas sobre governança.
O que uma governança de dados para IA em RH precisa cobrir
Construir governança de dados não significa criar uma burocracia paralela. Significa definir, com clareza, alguns elementos que hoje costumam ficar implícitos:
Responsável pela qualidade de cada fonte de dado: Cada sistema que alimenta a ferramenta de IA precisa ter um dono responsável pela completude e consistência das informações que produz. Não um responsável técnico pelo sistema, um responsável pelo dado.
Critérios de validação antes da ingestão: Antes que os dados de cada fonte entrem no modelo, algum processo precisa verificar se estão dentro dos padrões esperados: completude mínima, consistência com outras fontes, ausência de anomalias que indiquem erro de preenchimento ou atualização pendente.
Rastreabilidade das decisões geradas pelo modelo: Quando a ferramenta de IA sugere uma ação, deve existir um registro claro de quais dados geraram aquela sugestão. Isso atende diretamente ao que estabelece o artigo 20 da Lei Geral de Proteção de Dados (Lei nº 13.709/2018) sobre o direito de revisão e explicação de decisões tomadas unicamente por tratamento automatizado de dados.
Revisão periódica da qualidade dos dados: Dados envelhecem. Cadastros ficam desatualizados, avaliações deixam de refletir a realidade atual, registros históricos acumulam inconsistências que ninguém corrigiu porque ninguém percebeu. Uma governança efetiva inclui revisões periódicas que identificam essas degradações antes que elas comprometam as análises.
A pergunta que antecede qualquer implementação de IA
O primeiro passo não é comprar mais uma ferramenta de IA. É mapear os casos de uso em andamento e identificar a qualidade da base de dados, acompanhando o movimento trazido por pesquisas de tecnologia aplicadas à administração pela Fundação Getulio Vargas (FGV), que destacam a governança como o pilar mais crítico para o sucesso dos projetos de transformação digital.
Esse diagnóstico revela, com frequência, que a empresa já usa IA, em ferramentas de recrutamento, em plataformas de engajamento, em sistemas de analytics, sem ter feito nenhuma avaliação estruturada da qualidade dos dados que alimentam essas ferramentas.
O momento de fazer essa avaliação não é depois de uma decisão questionável gerada pelo modelo. É antes da próxima implementação e, idealmente, como revisão das que já estão em operação.
Conclusão
A inteligência artificial no RH avança mais rápido do que a capacidade das organizações de garantir que os dados que a alimentam são confiáveis. Esse descompasso não é um problema tecnológico. É um problema de governança, e sua consequência prática é que empresas investem em ferramentas sofisticadas para tomar decisões melhores sobre pessoas, mas continuam tomando essas decisões com base em dados que ninguém validou de forma estruturada.
Organizações que entendem essa dinâmica tratam a governança de dados não como etapa posterior à implementação de IA, mas como pré-requisito dela. Elas definem responsáveis, estabelecem critérios de validação e garantem rastreabilidade antes de deixar que um modelo processe informações que vão influenciar decisões sobre seus colaboradores.
A POPULIS apoia equipes de RH nessa construção, combinando estruturação de dados, integração de sistemas e controles que garantem que a inteligência artificial da sua empresa tome decisões baseadas em informações que realmente refletem a realidade da operação.
0 comentário