Entrevistas por IA: quando a eficiência vira obstáculo para o talento certo

Durante anos, ouvi gestores de RH me dizerem que o maior gargalo do recrutamento era o tempo gasto com triagem de currículos e entrevistas iniciais. A promessa da inteligência artificial era clara: automatizar etapas repetitivas, reduzir vieses humanos e acelerar a contratação. Do ponto de vista da engenharia de produto, faz todo o sentido delegar a um sistema a tarefa de filtrar candidatos com base em palavras-chave, experiência declarada e até tom de voz. O problema é que a execução dessa promessa tem gerado uma experiência que, para muitos profissionais, beira o desrespeito.

O relato de um redator de conteúdo sênior, que descreveu uma entrevista conduzida inteiramente por um robô, não é um caso isolado. Ele via o sistema digitando perguntas em tempo real, tinha exatos dois minutos para responder e, a partir de sua fala, o robô gerava a próxima questão. Isso durou dez minutos. Não havia um ser humano do outro lado. Não havia espaço para perguntas sobre a cultura da empresa, para negociação de expectativas ou para a construção de qualquer tipo de rapport. A experiência foi, na definição dele, desconcertante. E é exatamente essa desconexão que precisamos analisar com seriedade técnica.

Diferente do que muitos pensam, meu objetivo aqui não é demonizar o uso de IA no recrutamento. Pelo contrário, participei da implementação de sistemas de triagem automatizada em duas empresas de tecnologia e sei o valor que eles entregam quando bem desenhados. O que me preocupa é o deslocamento da finalidade: quando a automação deixa de ser uma ferramenta de apoio e se torna uma barreira opaca entre a empresa e o talento. E, pior, quando essa barreira é vendida como inovação.

O falso dilema entre eficiência e humanização

Na prática de engenharia de produto, aprendemos que todo sistema carrega trade-offs. Um chatbot de atendimento ao cliente pode resolver 80% das dúvidas simples, mas precisa de um roteiro claro de escalonamento para atendimento humano. Uma ferramenta de análise de sentimentos pode identificar frustração em um e-mail, mas jamais substituirá a leitura de contexto que um profissional experiente faz. O recrutamento, no entanto, parece ter pulado essa etapa de design. Muitas plataformas foram construídas para maximizar a eficiência da empresa, ignorando que o candidato também é um usuário — e, em um mercado competitivo, um usuário que pode simplesmente desistir da jornada.

O depoimento do redator é um alerta claro: o formato de entrevista com perguntas geradas em tempo real por IA, sem interação humana, pode funcionar bem para cargos operacionais ou de volume massivo, onde a padronização é crítica. Para posições seniores, criativas ou estratégicas — como a dele — é um desastre. Um profissional sênior não está ali apenas para responder perguntas. Ele está avaliando a empresa tanto quanto está sendo avaliado. Se o processo é frio, opaco e robotizado, a mensagem enviada é clara: "não nos importamos com sua experiência, apenas com seus dados estruturados."

Do ponto de vista da arquitetura do sistema, o problema não está na geração de perguntas por IA. Está na ausência de um loop de feedback humano no processo. Um sistema bem projetado deveria, após a entrevista automatizada, permitir que um recrutador revisse as respostas mais promissoras e conduzisse uma segunda etapa com interação real. Muitas empresas, na ânsia de cortar custos, eliminam esse ponto de contato. O resultado é uma experiência que gera frustração, desconfiança e, em última instância, uma taxa de abandono maior entre os candidatos mais qualificados — justamente aqueles que têm mais opções no mercado.

O viés escondido nos dados de treinamento

Outra dimensão que engenheiros de machine learning precisam considerar é o viés embutido nos modelos que conduzem essas entrevistas. Um sistema treinado com dados históricos de contratações anteriores vai, naturalmente, replicar os padrões que levaram àquelas contratações. Se a empresa historicamente contratou profissionais de determinadas universidades, com determinado sotaque ou perfil comportamental, o modelo aprenderá a valorizar esses atributos. A diferença é que, com um recrutador humano, existe a possibilidade de contestação, de argumentação e de reconhecimento de exceções. Com uma caixa-preta de IA, o candidato simplesmente recebe um "não" sem explicação.

Já vi de perto casos em que sistemas de triagem automatizada penalizaram candidatos por usarem palavras diferentes das esperadas em respostas discursivas. Um profissional com vocabulário técnico muito específico, mas que não usava os termos exatos do modelo, era rejeitado. Isso não é inteligência artificial no sentido forte do termo; é uma busca por correspondência de padrões mal treinada. A responsabilidade de calibrar esses limites é do time de produto e de dados. Se a métrica de sucesso do sistema for apenas o tempo de contratação, você terá velocidade. Se for a qualidade da contratação medida em retenção e performance, precisará de um design muito mais cuidadoso.

A pergunta que fica para os líderes técnicos envolvidos nessas implementações é: seu modelo está sendo avaliado com quais métricas? Se a meta é reduzir o custo por contratação, você provavelmente terá resultados impressionantes no dashboard, mas com um custo oculto em turnover e em dano à marca empregadora. Um candidato frustrado compartilha a experiência. Em tempos de redes sociais e comunidades profissionais, um relato como o do redator sênior pode manchar a reputação de uma empresa por anos.

Recrutamento como produto: uma responsabilidade de design

Para quem atua com produto digital, o processo de recrutamento é um sistema de fluxo de usuários. O candidato é um usuário que precisa de clareza, respeito e previsibilidade. A empresa é a contratante que precisa de informação confiável e filtros eficientes. A IA pode ser uma excelente camada de automação para etapas de baixo valor agregado — como verificação de pré-requisitos, análise de documentação e agendamento — mas a entrevista é, por definição, o momento de maior valor agregado do processo. É ali que se avalia soft skills, capacidade de raciocínio sob pressão e alinhamento cultural. Automatizar completamente esse ponto é tratar o candidato como um dado, não como um profissional.

Não estou defendendo o fim das entrevistas com IA. Seria ingênuo e contraditório com minha própria prática. Existem ferramentas excelentes que analisam padrões de fala, microexpressões e coerência de respostas de forma mais consistente que um entrevistador humano cansado após a quinta entrevista do dia. O ponto é que essas ferramentas devem ser usadas como co-piloto, não como piloto automático. A decisão final, especialmente para cargos que exigem julgamento humano, relacionamento interpessoal ou criatividade, precisa passar por uma avaliação humana informada pelos dados — e não substituída por eles.

Na minha experiência, as empresas que melhores resultados colheram com IA em recrutamento foram aquelas que separaram bem o que é triagem do que é avaliação. A triagem pode e deve ser automatizada. A avaliação, especialmente em entrevistas, deve ser assistida por IA, mas conduzida por pessoas. O relato do profissional que precisou responder a um robô por dez minutos sem nenhum contato humano é um sintoma de que muitas empresas estão confundindo esses dois momentos. E o custo dessa confusão não aparece no relatório trimestral de RH, mas no médio prazo, na dificuldade de atrair talentos que simplesmente se recusam a participar de processos que os tratam como linhas de uma planilha.

O que aprendi com implementações reais

Já liderei a integração de um sistema de IA para pré-seleção de candidatos em uma plataforma de recrutamento. O primeiro erro que cometemos foi achar que os candidatos aceitariam passivamente a automação. Quando começamos a receber feedbacks negativos — "não consegui demonstrar minha experiência", "o sistema não entendeu minha resposta" — percebemos que o design da experiência era tão importante quanto a acurácia do modelo. Reformulamos o fluxo para oferecer sempre a opção de contato humano após a etapa automatizada. A taxa de satisfação subiu 35%. A taxa de conversão de candidatos promissores para a fase presencial também aumentou, porque eles se sentiram respeitados.

Outra lição importante veio da calibragem dos prompts de geração de perguntas. Muitas implementações usam modelos de linguagem que, sem restrições adequadas, geram perguntas genéricas ou tendenciosas. Um sistema que pergunta "descreva uma situação em que você lidou com conflito" pode parecer neutro, mas o modelo de avaliação subsequente pode penalizar respostas que não sigam um formato narrativo típico do meio corporativo ocidental. Candidatos de culturas diferentes ou com estilos de comunicação mais diretos podem ser injustamente desfavorecidos. Isso não é culpa da IA, mas de quem a desenha sem considerar a diversidade de inputs que um sistema precisa processar.

Para os profissionais que estão do outro lado, recebendo convites para entrevistas automatizadas, minha recomendação é tratar o processo com o mesmo profissionalismo de uma entrevista tradicional, mas com a consciência de que você está lidando com um sistema que pode não captar nuances. Seja claro, estruturado e direto. Use palavras-chave relevantes para a vaga, mas sem exageros. E, acima de tudo, se a experiência for completamente automatizada e você sentir que não teve espaço para mostrar seu valor, considere se essa é realmente a empresa onde você quer trabalhar. O processo de recrutamento é o primeiro contato do candidato com a cultura da organização. Se ele é frio e impessoal, é um sinal de como a empresa trata seus colaboradores.

O equilíbrio possível

A automação de entrevistas veio para ficar, e não há movimento de "retorno ao humano" que vá reverter isso em escala industrial. O custo de contratar recrutadores para fazer triagem manual de centenas de currículos é proibitivo para a maioria das empresas. A saída não é eliminar a tecnologia, mas redesenhar o processo para que ela ocupe o lugar correto: o de filtro inicial, não o de juiz final. A IA pode identificar padrões, destacar anomalias e sugerir candidatos. A decisão de contratar, especialmente para posições que envolvem liderança, inovação ou atendimento direto ao cliente, precisa ser informada por esses dados, mas validada por um profissional que entende de pessoas, não apenas de dados.

Profissionais seniores, como o redator de conteúdo do relato, têm todo o direito de se sentir desrespeitados com um processo puramente robótico. E cabe às empresas que implementam esses sistemas ouvir esse feedback e ajustar suas plataformas. Ignorá-lo é construir um funil de recrutamento que filtra talentos com base em sua tolerância à burocracia tecnológica, e não em sua capacidade de entregar resultados. Para quem está construindo esses sistemas, o recado é direto: métricas de eficiência são importantes, mas métricas de experiência do candidato — como taxa de abandono, NPS do processo e retenção pós-contratação — devem ter o mesmo peso no dashboard do produto. Caso contrário, estaremos automatizando a mediocridade com a desculpa de estarmos inovando.