A auditoria: nunca decidir sobre gente sem conferir
A IA escreve um parecer de desempenho ou uma recomendação de desligamento com a mesma confiança de sempre, mas nunca demissão ou promoção pode sair de um score ou parecer de IA sem auditoria. Um checklist de cinco itens e o princípio de que quem assina a decisão é sempre uma pessoa.
Um gestor pediu à IA um resumo de desempenho de um colaborador antes de decidir uma promoção, e o texto que voltou era impecável, com argumentos que pareciam vir de alguém que acompanhou o time de perto o ano inteiro. Quase virou a base da decisão sem mais nenhuma checagem. Ao conferir a fonte de cada elogio citado, dois deles vinham de um projeto em que o colaborador nem tinha participado, apenas estava listado como observador na reunião. A prosa segura não deixava pista nenhuma do erro.
A IA calculou o bônus variável de uma equipe inteira com base na meta batida, e escreveu um parágrafo seguro sobre "distribuição justa conforme a política vigente". Quase foi para a folha de pagamento assim. Refazendo a conta à parte, a IA tinha aplicado a régua de uma política antiga, já revogada há dois trimestres, e três pessoas receberiam valor bem abaixo do correto, com o mesmo tom de certeza dos valores certos ao lado.
Numa due diligence trabalhista, a IA levantou o passivo de horas extras de um time inteiro e escreveu um parágrafo confiante sobre "exposição controlada". Quase entrou no parecer sem checagem adicional. Refazendo processo por processo, dois registros de ponto citados pela IA pertenciam a um sistema descontinuado há um ano, e o passivo real era quase 30% maior. O texto soava como conclusão jurídica; o número era ficção com crachá.
A IA montou o relatório de clima da campanha interna de employer branding e escreveu um veredito de "engajamento em alta entre os times técnicos". Quase virou o argumento central do próximo orçamento de comunicação interna. Conferindo a base de respostas, a IA tinha contado silêncio (quem não respondeu a pesquisa) como neutro positivo, e o engajamento real estava estagnado, não em alta.
Um colaborador está no meio de um processo de desligamento, e a IA monta o parecer com base no histórico de avaliações dele no sistema. Vem um texto seguro, redondo, com a frase "baixo desempenho recorrente e falta de aderência cultural nos últimos dois ciclos". A gestora lê, concorda com o tom profissional e quase anexa o parecer como justificativa oficial no processo. Antes de assinar, ela decide reler as três avaliações originais que a IA citou, uma por uma, na fonte. Duas das três "avaliações fracas" eram do período em que o colaborador estava afastado por licença médica, e o sistema simplesmente registrou a nota mais baixa daquele ciclo sem nenhuma nota de contexto. A IA leu o número e tratou afastamento por saúde como desempenho ruim comum. O parecer que quase justificou a demissão citava, com toda a confiança do mundo, exatamente o tipo de fato que juridicamente vira presunção de dispensa discriminatória. A gestora não teve sorte de ter percebido: ela auditou porque tinha o hábito. Quem não tem esse hábito assina o parecer, e o problema deixa de ser da IA e passa a ser da empresa.
A IA avaliou o desempenho de um squad inteiro a partir das métricas de entrega e escreveu que o time "não estava performando" no trimestre. Quase virou justificativa para redistribuir pessoas. Olhando a fonte de perto, metade do trimestre o squad esteve emprestado para apagar um incêndio de outro time, algo que a IA nunca viu porque não estava em nenhum sistema que ela consultou.
A IA rankeou os vendedores do trimestre por "performance ajustada" para decidir quem seria promovido a coordenador, e escreveu que um deles era o candidato natural. Quase virou decisão fechada. Conferindo os dados, a IA tinha comparado o desempenho dele contra uma meta de território menor que a dele, inflando o resultado relativo em relação aos colegas.
A IA avaliou a produtividade dos operadores de um turno e escreveu que um deles estava "consistentemente abaixo da média da equipe". Quase virou base para uma advertência formal. Checando a fonte, a IA tinha comparado o operador do turno da noite com a média do turno do dia, que tem volume e condições diferentes, uma comparação que nunca foi pedida nem fazia sentido.
Para o relatório anual de conduta, a IA cruzou denúncias do canal de ética com o histórico de avaliação de cada citado e escreveu um parágrafo tranquilizador sobre "sem padrão preocupante". Quase fechou o relatório assim. Conferindo caso a caso, a IA tinha contado duas denúncias distintas contra a mesma pessoa como uma só, porque o texto delas era parecido, mascarando um padrão que já devia ter escalado.
A IA avaliou commits e revisões de código de um time para sugerir quem merecia progressão técnica, e escreveu uma recomendação segura de quem "mais contribuiu". Quase virou insumo direto do comitê de carreira. Checando a fonte, a IA contou linhas de código geradas por uma ferramenta automática como contribuição pessoal de quem só aprovou o PR, distorcendo o ranking inteiro.
A IA analisou entrevistas de saída de designers que pediram desligamento e escreveu que o motivo predominante era "falta de oportunidade de crescimento". Quase virou a conclusão oficial do RH sobre a evasão do time. Revendo as transcrições originais, metade das entrevistas citava um gestor específico como o motivo real, um padrão que a IA diluiu ao generalizar a causa.
Para decidir se reestrutura uma diretoria, a IA calculou o índice de sinergia entre as áreas com base nos organogramas e escreveu uma recomendação segura de fusão. Quase entrou no plano que iria para o board. Conferindo a fonte, a IA tinha somado dois times que já reportavam ao mesmo gestor havia meses, inflando artificialmente a sobreposição que justificava a fusão.
Putz, para um segundo nesse "quase". Em todos esses casos a recomendação errada quase virou decisão, não porque a gestora ou o gestor eram descuidados, mas porque a IA entrega um parecer errado com a mesma confiança com que entrega um certo. No financeiro, um número errado vira prejuízo. Aqui, um parecer errado vira uma pessoa demitida por motivo que não existiu, ou promovida pelo motivo trocado. É a mesma armadilha do módulo inteiro, só que agora o número tem nome e sobrenome.
A ideia central desta aula. A IA é excelente de texto e não é confiável por padrão como base para decidir sobre uma pessoa: ela pode carregar viés herdado do histórico, descontextualizar um fato (uma licença médica virando "baixo desempenho"), inventar um vínculo que não existe, e entrega tudo isso com a mesma confiança de sempre. Por isso a recomendação da IA sobre gente é uma proposta, nunca uma verdade. O fechamento da aula é um checklist de cinco itens e um princípio inegociável: quem assina a decisão sobre uma pessoa é sempre alguém nomeado.
01Ótima de texto, péssima como base de decisão sobre pessoa
Vale entender por que isso acontece, porque entender muda como você usa a ferramenta. A IA que você usa é, na essência, uma máquina de prever a próxima palavra que soa bem. Ela foi treinada para que o texto seja fluente, plausível e confiante. Ninguém a treinou para que a leitura sobre uma pessoa seja justa. São dois objetivos diferentes, e ela só persegue o primeiro.
O efeito colateral, aqui, é o mais sério do módulo inteiro. A mesma habilidade que faz a IA escrever um parecer de desempenho impecável faz ela escrever, com a mesma qualidade de prosa, uma leitura enviesada ou um fato tirado do contexto. Ela não tem um senso interno de "isto não é justo com essa pessoa". Se o histórico tem um viés (um gestor que sempre avaliou mal quem tirou licença, um time que registrou ausência por saúde igual a ausência por desinteresse), a IA aprende esse padrão e o repete com a cara de análise neutra. Num texto de marketing, uma leitura torta é um deslize. Numa avaliação de gente, é uma carreira, um processo trabalhista, uma vida.
02O paradoxo da sensação: você acha que já auditou
Em 2025, o METR mediu profissionais experientes trabalhando com e sem IA em tarefas reais, e o resultado foi o contrário do esperado: com IA, eles ficaram cerca de 19% mais lentos, mas achavam que estavam mais rápidos. A sensação de ganho não bateu com o resultado medido.
Essa mesma sensação traiçoeira aparece na hora de decidir sobre uma pessoa. Quando o parecer da IA chega bem escrito, organizado, com uma conclusão que soa profissional, o seu cérebro registra "isto já foi analisado" e relaxa a guarda. É exatamente na decisão mais séria (demitir, promover, dar ou negar um aumento) que essa falsa sensação de já ter conferido custa mais caro. Ler o parecer não é auditar o parecer. São coisas diferentes, e a diferença é o assunto da próxima seção.
03O checklist de auditoria de decisão sobre gente
Aqui está o coração da aula. Cinco perguntas, na ordem, antes de qualquer recomendação da IA sobre uma pessoa virar demissão, promoção, advertência ou aumento.
A primeira: o critério usado está explícito, e é o mesmo aplicado a todo mundo na mesma situação? Se o parecer diz "baixo desempenho" sem dizer contra qual régua, e essa régua não é a mesma usada para os colegas, o critério não existe de verdade, só parece existir.
A segunda: a fonte de cada alegação existe e bate? Toda frase do tipo "duas avaliações fracas nos últimos ciclos" precisa ser conferida na fonte, uma por uma. É esse passo que pega a avaliação que era, na verdade, de um período de afastamento por saúde.
A terceira: existe calibração entre grupos? Olhe o conjunto: a taxa de recomendação negativa da IA está desproporcional nalgum grupo (quem tirou licença, quem tem um perfil demográfico específico, quem está num time específico)? Padrão desproporcional não prova culpa individual, mas é o sinal de que o critério pode estar carregando viés herdado do histórico.
A quarta: alguém colocaria essa recomendação na frente da pessoa e a defenderia olho no olho? Se a resposta é "eu preferia que ela nunca soubesse que uma IA gerou isso assim", a recomendação não está pronta.
A quinta, e a mais importante: quem assina a decisão final é uma pessoa nomeada, com nome e responsabilidade? Se a resposta for "o sistema recomendou" sem um nome humano atrás, a decisão não tem dono, e decisão sem dono não pode sair.
04A régua RESPONDER aplicada a demissão e promoção
O checklist tem um princípio por trás, e é o mesmo que sustenta o módulo inteiro. No mapa Os 3 Movimentos, o movimento RESPONDER trata de responsabilidade ancorada num nome humano. Aplicado à decisão de gente, ele vira uma régua de três tempos que você nunca colapsa.
A IA propõe. Ela pode gerar o parecer, o score, a sugestão de ação. Use à vontade aqui, é onde ela ajuda de verdade. Mas proposta é proposta: nada que ela produz sobre uma pessoa é verdade só porque ela produziu.
O humano confere. É o checklist das cinco perguntas rodando, sem atalho, principalmente quando a decisão é grave.
E a pessoa assina. Quando a decisão sai (a carta de desligamento, a promoção, a advertência), a responsabilidade é de alguém com nome, sempre. "Foi o score que recomendou" não existe como desculpa, nem numa conversa de RH, nem numa reclamação trabalhista. E o peso legal aqui é real, não é só um princípio bonito: a Súmula 443 do TST já reconhece presunção de dispensa discriminatória quando um empregado com estigma ou doença grave é desligado sem justificativa clara, e a LGPD, no artigo 20, garante à pessoa o direito de pedir revisão de uma decisão automatizada que afete os seus interesses. Um parecer de IA que carrega viés sem auditoria não é só um erro de julgamento. É exposição jurídica real, pra pessoa e pra empresa.
05Auditar não é desconfiar: é proteger a pessoa e a empresa
Deixa eu desfazer uma resistência antes de fechar. Tem gente que sente que auditar o parecer da IA sobre um colaborador é burocracia, que atrasa uma decisão que já estava tomada de qualquer jeito. Esse frame está errado, e é caro dos dois lados.
Auditar não é desconfiança da ferramenta, é higiene profissional, igual você viu no financeiro. Só que aqui o custo de não auditar não é uma planilha errada, é uma pessoa demitida por um motivo que não existiu, ou um processo trabalhista que a empresa perde porque a decisão nunca teve um critério defensável por trás. O custo de auditar é minutos: reler três avaliações na fonte, olhar se o critério é o mesmo de sempre, perguntar se você defenderia isso olho no olho. O custo de não auditar pode ser uma carreira, uma indenização, uma reputação. Minutos contra isso não é retrabalho, é o seguro mais barato que existe. A IA propõe, você confere, e quem assina protege a pessoa e a empresa ao mesmo tempo.
Faça agora
Pegue uma recomendação de IA sobre uma pessoa que você já tem ou está prestes a usar (a sua tarefa real serve bem): um parecer de desempenho, um score de um sistema de avaliação, uma sugestão de ação sobre alguém do time.
Rode o checklist de cinco itens, escrevendo a resposta de cada um:
- O CRITÉRIO ESTÁ EXPLÍCITO? Qual é a régua usada, e ela é a mesma aplicada a todo mundo na mesma situação?
- A FONTE BATE? Escolha as duas alegações mais fortes do parecer e confira cada uma na fonte original, uma por uma. Bateram?
- HÁ CALIBRAÇÃO ENTRE GRUPOS? Olhando o conjunto de recomendações parecidas, existe algum grupo (quem tirou licença, quem está num time específico) recebendo recomendação negativa desproporcional?
- VOCÊ DEFENDERIA OLHO NO OLHO? Se a pessoa avaliada lesse esse parecer na sua frente, você o defenderia frase por frase?
- QUEM ASSINA? Escreva o nome de quem assina essa decisão final, e a defesa de uma linha que essa pessoa daria se fosse questionada, num comitê ou numa audiência.
Se você travou em qualquer um dos cinco, a decisão ainda não está pronta para sair.
Pratique
1. A IA entregou um parecer de desligamento bem escrito, citando avaliações anteriores do colaborador. Qual é a leitura correta antes de usar esse parecer?
2. O estudo do METR (2025) mostrou profissionais achando que estavam mais rápidos com IA, quando na verdade estavam mais lentos. Qual é a lição correta disso para decisões sobre gente?
3. Uma decisão de demissão baseada num score de IA acabou sendo questionada judicialmente, e o score estava errado. Quem responde por essa decisão?
4. A IA recomendou o desligamento de um colaborador citando 'baixo desempenho recorrente', mas duas das avaliações citadas eram de um período em que ele estava afastado por licença médica. O que essa situação exemplifica?
Para o quadro
Sobre o que está em jogono financeiro o erro vira prejuízo. Aqui vira uma pessoa demitida por um motivo que não existiu.
Sobre o parecerbem escrito e citando avaliações não é prova. É proposta até você abrir cada avaliação citada.
Sobre a responsabilidadeela não migra para a ferramenta em hipótese nenhuma, inclusive perante a Justiça do Trabalho.
Valeu pelo feedback. Isso ajuda a afiar a próxima aula.