Generative AI em RH: conceitos, limites e possibilidades

O que generative AI faz bem em RH

Rascunho (draft). LLM consegue escrever primeira versão de política, guia de onboarding, conteúdo de treinamento. Resultado não é perfeito mas economiza 70% do tempo. Humano refina em 30% do tempo. Net: 50-60% economia de tempo. Casos: "Redige política de trabalho remoto", "cria FAQ de benefícios", "escreve módulo de treinamento em compliance".

Estruturação. "Organize este feedback aberto em categorias: problema com gestão, problema com carreira, problema com ambiente." LLM consegue fazer isso bem (não perfeito). Economia de tempo é significativa em feedback de pesquisa com centenas de respostas abertas.

Sumarização. "Resuma esta pesquisa de engajamento de 50 pages em 5 pontos chave." LLM consegue extrair essencial. Output não é sempre perfeito mas é útil como base (humano valida).

Paráfrase e tradução. "Reescreva esta política em linguagem mais simples para colaborador junior." Ou "traduza para português." LLMs fazem bem (apesar de quirks ocasionais).

Brainstorm. "Liste 10 ideias para programa de retenção de talento." LLM gera opções que podem não ser geniais mas oferecem inspiração. Humano seleciona melhor ideia.

O que generative AI faz moderadamente (com risco)

Análise de sentimento. "Qual é o sentimento geral desta pesquisa de engajamento? Extrai temas principais." LLM consegue fazer, mas com qualidade inferior a modelo fine-tuned. Risco: falsos positivos (interpreta mal em contexto corporativo específico).

Classificação. "Categorize cada resposta de pesquisa: desenvolvimento, gestão, ambiente, remuneração, ou outro." LLM consegue fazer, mas acurácia é ~85-90% (não 100%). Exige validação humana de amostra.

Recomendação. "Baseado no perfil de João (engenheiro, 5 anos, sem promoção), qual desenvolvimento seria apropriado?" LLM consegue sugerir, mas tem limitação: não acessa contexto corporativo (qual é a estratégia de carreira nesta empresa? Qual é a limitação de budget?). Sugestão pode ser desconectada da realidade organizacional.

O que generative AI NÃO consegue fazer bem

Decisões sobre pessoas. "Devemos contratar este candidato?" LLM não tem contexto corporativo (qual é o projeto? Qual é a dinâmica da equipe? Qual é a cultura?). Output é superficial ("candidato tem skills técnicos apropriados") e pode perpetuar viés ("candidato tem educação de universidade de renome" — apesar disso não predizer performance).

Detecção de potencial real. "Quem nesta lista tem potencial para liderança?" LLM confunde "fala bem" com "é capaz". Pode colocar pessoa carismática em posição de liderança quando competência técnica é inadequada.

Análise de motivos. "Por que turnover subiu?" LLM pode oferecer hipóteses ("talvez salário, talvez gestão") mas não consegue investigar dados (qual departamento? Qual foi a mudança recente que pode ter causado?). Investigação real exige humano ou análise de dados estruturados.

Julgamento que requer empatia/contexto. "Devemos permitir que pessoa com diagnóstico de saúde mental volte do afastamento?" Não é questão que LLM deveria responder. Requer entendimento de capacidades atuais, suporte disponível, direitos legais — tudo contexto humano que LLM não acessa.

Alucinação: o maior risco

Alucinação é quando LLM gera fato falso com confiança. Exemplos: "Este colaborador tem 10 anos de experiência em Rust" quando CV diz "1 ano". Ou "Empresa tem política de trabalho remoto" quando não tem. Em contexto de RH, alucinação é risco sério.

Como mitigar: sempre verificar outputs contra fonte. Se IA recomenda ação, pedir para citar fonte ("de qual documento você tirou isso?"). Se não consegue citar, desconfiar. Usar IA para gerar ideia, não para fatos.

Viés em LLMs

LLMs são treinados em internet, que tem viés. Viés de gênero: quando pede "que tipo de liderança é bom", LLM frequentemente gera descrição que favoreça homem (agressivo, decisivo). Viés de raça: quando pede "características de candidato de qualidade", LLM pode favorecer nomes/educação que estatisticamente associa a raça branca.

Em RH, viés é crítico. Se usa LLM para analisar feedback e feedback tem viés de gênero (feedback de mulheres é mais crítico), IA pode perpetuar. Solução: auditoria de viés em LLM (testar em múltiplos contextos), usar com cuidado em decisões que afetam pessoas, sempre com review humano.

Privacidade e dados corporativos

Nunca subir dados sensíveis em ChatGPT público: CVs com nomes, números de identidade, salários, informações médicas. LGPD pode considerar violação. Razão: OpenAI retém dados para treinar próximas versões do modelo.

Alternativas: - Use IA local (rodando na sua máquina) - Use APIs com contrato que garante não-retenção de dados (Anthropic, Azure OpenAI oferece isso) - Use modelos on-premise (empresa roda próprio servidor) - Use dentro de plataforma HR que tem guardrails de privacidade

Casos de uso apropriados por porte

Pequena empresa: Rascunho de políticas, onboarding content, FAQ, comunicados. Usando ChatGPT/Claude (sem subir dados sensíveis). ROI alto, risco baixo.

Média empresa: Além de acima, análise de pesquisas abertas (sumarização, categorização de temas). Usando APIs (privacidade garantida). Sempre com validação humana de resultado.

Grande empresa: Além de acima, análise em escala, recomendações de desenvolvimento, até análise de viés em políticas. Pode investir em fine-tuning (modelo customizado com dados corporativos). Compliance rigoroso obrigatório.

Implementação responsável

Passo 1: Começar com low-risk. Rascunho de políticas, conteúdo — output é revisado por humano antes de usar. Risco de alucinação não prejudica porque humano valida.

Passo 2: Adicionar medium-risk. Análise de pesquisas abertas — LLM agrupa temas, humano valida se agrupamento faz sentido. Auditoria de viés: testar se LLM trata grupos diferentemente.

Passo 3: Cautela com high-risk. Qualquer coisa que afeta decisão sobre pessoas (contratação, promoção, desligamento). Se usar IA aqui, sempre com review humano, documentação clara, direito de contestação.