Gestão algorítmica em RH: o que é e como governar decisões com IA

Categoria: Decisão | Liderança | IA

Leitura: 8 minutos

A gestão algorítmica em RH não é uma tendência distante. Já existe em organizações que usam sistemas para filtrar candidaturas, distribuir turnos, monitorizar produtividade, recomendar formação, identificar risco de saída ou apoiar avaliações de desempenho.

O problema não está em usar tecnologia para organizar informação ou reduzir trabalho administrativo. O problema começa quando um sistema passa a influenciar decisões sobre pessoas sem que a organização saiba exatamente como funciona, que dados utiliza, que impactos pode criar e quem responde quando falha.

A questão, por isso, deixou de ser “a nossa empresa usa inteligência artificial em RH?”. A pergunta útil é outra: em que decisões estamos a deixar sistemas automatizados influenciar pessoas, trabalho e oportunidades?

O que é gestão algorítmica?

Gestão algorítmica é o uso de software, dados e modelos automatizados para apoiar ou executar tarefas que, tradicionalmente, eram realizadas por gestores: orientar trabalho, distribuir tarefas, monitorizar atividade, avaliar desempenho, recomendar ações ou influenciar decisões sobre pessoas.

Não é preciso que uma máquina decida sozinha quem contratar ou despedir para existir gestão algorítmica. Basta que o sistema altere materialmente o modo como o trabalho é organizado, observado, avaliado ou recompensado.

Uma plataforma de RH, por si só, não é automaticamente gestão algorítmica. Um sistema torna-se mais relevante quando deixa de ser apenas um registo administrativo e passa a produzir classificações, prioridades, previsões ou recomendações que influenciam decisões humanas.

Na investigação sobre controlo algorítmico no trabalho, Kellogg, Valentine e Christin identificam seis mecanismos recorrentes:

• Restringir: limitar opções disponíveis para trabalhadores ou gestores.
• Recomendar: sugerir tarefas, ações, rotas, prioridades ou comportamentos.
• Registar: recolher dados contínuos sobre atividade, tempo, localização ou desempenho.
• Classificar: atribuir pontuações, rankings, níveis de risco ou avaliações.
• Recompensar: incentivar determinados comportamentos através de prémios, acesso ou visibilidade.
• Substituir: automatizar ou reconfigurar decisões anteriormente tomadas por pessoas.

Estes mecanismos não são necessariamente negativos. Podem aumentar consistência, reduzir carga administrativa e permitir decisões mais informadas. Mas alteram a relação entre dados, gestão e pessoas. E isso exige governação.

Onde a gestão algorítmica já pode estar presente

• Recrutamento: triagem de CV, ranking de candidatos, análise de competências, anúncios direcionados ou ferramentas de entrevista automatizada.
• Desempenho: dashboards de produtividade, alertas de atividade, classificação de resultados, análise de padrões de trabalho ou identificação de desvios.
• Turnos e tarefas: distribuição automática de horários, alocação de trabalho com base em disponibilidade, desempenho anterior ou características individuais.
• Retenção: modelos que assinalam pessoas com maior probabilidade de saída ou menor envolvimento.
• Desenvolvimento: recomendação de formação, percursos de aprendizagem ou mobilidade interna com base em dados de perfil e utilização.

O ponto relevante não é apenas a ferramenta usada. É a finalidade concreta. Um dashboard pode servir apenas para apoiar análise. Mas pode também transformar-se, na prática, num mecanismo que condiciona avaliações, promoções ou distribuição de oportunidades.

O que a investigação recente mostra

No âmbito do doutoramento em Gestão, desenvolvi com Helena Oliveira uma revisão bibliométrica e sistemática sobre gestão algorítmica e ética de IA. A análise partiu de 449 artigos de revisão identificados nas bases Scopus e Web of Science e resultou num corpus final de 313 revisões publicadas entre 2020 e 2025.

O padrão central não é que a tecnologia seja, por natureza, justa ou injusta. É que a gestão algorítmica cria tensões novas entre eficiência, autonomia, transparência, justiça organizacional e responsabilização.

A literatura é consistente num ponto: princípios éticos abstratos não chegam. Transparência, justiça, supervisão humana e proteção de dados precisam de ser traduzidas em processos concretos, responsabilidades claras e capacidade real de questionar decisões.

O risco não está em usar algoritmos para apoiar a gestão. Está em usar algoritmos sem saber que decisões estão a influenciar, que critérios estão a reforçar e quem pode contestar o resultado.

Quatro riscos que RH não deve ignorar

1. Confundir dados disponíveis com desempenho real

Os sistemas avaliam aquilo que conseguem observar e medir. Mas o que é mensurável não corresponde necessariamente ao que é mais valioso.

Velocidade, número de tarefas concluídas, tempo de resposta ou presença digital podem ser indicadores úteis. Mas não captam automaticamente qualidade relacional, colaboração, discernimento, criatividade, capacidade de prevenção ou contribuição para o funcionamento da equipa.

Quando um indicador se transforma em critério dominante, as pessoas tendem a adaptar o comportamento ao que o sistema mede. E a organização pode começar a otimizar sinais visíveis em vez de melhorar resultados relevantes.

2. Reproduzir enviesamentos através de dados e critérios antigos

Um sistema automatizado não cria preconceitos do nada. Mas pode reproduzir ou ampliar padrões existentes quando aprende com dados históricos, proxies inadequados ou critérios que nunca foram questionados.

Por exemplo, um modelo treinado sobre decisões passadas de recrutamento pode aprender padrões que refletem preferências, desigualdades ou exclusões anteriores. Uma regra aparentemente neutra pode penalizar grupos específicos se os dados usados refletirem oportunidades de partida diferentes.

O risco não é inevitável. Mas exige que a organização pergunte: que dados alimentam este sistema, que variáveis influenciam o resultado e quem verifica impactos desiguais?

3. Criar opacidade onde deveria existir explicação

Uma pessoa não precisa de conhecer o código completo de um algoritmo para perceber como está a ser avaliada. Mas deve conseguir compreender, em termos claros, que dados são usados, que finalidade existe e como pode questionar uma decisão que a afeta.

Explicabilidade não significa revelar segredos comerciais ou simplificar uma realidade técnica complexa. Significa conseguir explicar, de forma relevante, como a ferramenta participa numa decisão e que salvaguardas existem quando o resultado parece inadequado.

Sem isto, a gestão pode parecer arbitrária mesmo quando a intenção é criar consistência. E quando as pessoas não conseguem perceber ou contestar um resultado, a confiança degrada-se rapidamente.

4. Diluir responsabilidade entre fornecedor, sistema e gestor

Quando uma plataforma classifica um candidato, sinaliza risco de saída ou recomenda uma avaliação, é fácil ouvir: “foi o sistema”.

Mas o sistema foi escolhido por alguém. Foi configurado com critérios definidos por alguém. Foi alimentado com dados recolhidos por alguém. E foi usado numa decisão aprovada por alguém.

A responsabilidade não desaparece porque existe tecnologia. Pelo contrário: torna-se mais importante definir quem decide, quem supervisiona, quem valida dados, quem responde a incidentes e quem pode interromper a utilização da ferramenta quando surgem problemas.

O enquadramento europeu já mudou

Este tema deixou de ser apenas uma discussão de boas práticas.

O Regulamento Europeu da Inteligência Artificial, conhecido como AI Act, passa a aplicar-se em geral a partir de 2 de agosto de 2026. Entre os casos potencialmente classificados como de alto risco estão sistemas usados para recrutamento e seleção, filtragem de candidaturas, avaliação de candidatos, decisões sobre condições de trabalho, promoção, cessação de contratos, distribuição de tarefas com base em características individuais e monitorização ou avaliação de desempenho.

Nem toda a ferramenta de RH será automaticamente de alto risco. A classificação depende da finalidade prevista e de saber se o sistema influencia materialmente o resultado de uma decisão. Tarefas estritamente procedimentais, preparatórias ou de apoio podem ter enquadramento diferente.

O RGPD também continua plenamente aplicável. O artigo 22 estabelece limites a decisões baseadas exclusivamente em tratamento automatizado quando produzem efeitos jurídicos ou impactos significativos semelhantes sobre uma pessoa. Em determinadas situações, prevê salvaguardas como intervenção humana, possibilidade de expressar o ponto de vista e contestação da decisão.

Nota importante: este artigo não substitui aconselhamento jurídico, avaliação de proteção de dados ou análise de conformidade. A classificação de uma ferramenta depende do contexto de utilização, das decisões que influencia, dos dados tratados e das salvaguardas existentes.

Sete perguntas antes de usar IA em decisões de pessoas

• Que decisão concreta este sistema apoia ou influencia?
• Que dados são usados e que variáveis têm maior peso no resultado?
• O sistema recomenda, classifica, monitoriza ou decide?
• Quem faz revisão humana efetiva antes de uma decisão com impacto?
• Como pode um candidato ou colaborador pedir esclarecimentos ou contestar o resultado?
• Que testes são feitos para identificar erros, enviesamentos ou efeitos desiguais?
• Que responsabilidade fica na organização e que responsabilidade pertence ao fornecedor?

Se estas perguntas não têm resposta clara, o problema não é apenas tecnológico. É de gestão.

Como criar governação sem criar burocracia inútil

Uma organização não precisa de criar um comité complexo para cada nova funcionalidade de software. Mas precisa de uma estrutura mínima quando a tecnologia influencia pessoas e decisões relevantes.

Essa estrutura pode começar com quatro práticas simples:

• Mapa de utilização: identificar que ferramentas usam dados de candidatos ou colaboradores e para que decisões são usadas.
• Critérios de impacto: distinguir ferramentas administrativas de sistemas que classificam, recomendam ou influenciam decisões relevantes.
• Supervisão definida: atribuir uma pessoa ou equipa responsável por validar utilização, dados, incidentes e decisões críticas.
• Direito de revisão: garantir que resultados automatizados podem ser revistos por uma pessoa com autoridade, contexto e capacidade real de alterar a decisão.

O objetivo não é reduzir a tecnologia a burocracia. É garantir que eficiência, justiça e responsabilidade não entram em conflito por falta de desenho.

Este desafio está ligado à forma como as organizações avaliam desempenho. Como exploramos em Performance organizacional: por que medir não é o mesmo que gerir, um indicador pode informar uma decisão, mas não substitui a gestão que interpreta contexto, define prioridades e mobiliza ação.

A tecnologia pode apoiar RH. Não pode substituir a responsabilidade de gerir pessoas.

A gestão algorítmica pode aumentar consistência, ajudar a identificar padrões e libertar equipas de RH de tarefas repetitivas. Negar isso seria pouco útil.

Mas a gestão de pessoas continua a exigir julgamento, contexto, proporcionalidade e capacidade de explicar decisões a quem é afetado por elas.

Na VAGAR, apoiamos organizações a estruturar práticas de RH, desempenho e liderança para que a tecnologia reforce a qualidade da gestão – em vez de criar novas zonas de opacidade, injustiça ou dependência acrítica do sistema.

Conheça o trabalho da VAGAR em Estruturação de RH, Resultados, Gestão de Desempenho e Reconhecimento ou agende um Diagnóstico Inicial para Organizações.

Agendar diagnóstico inicial

Base de evidência

• Oliveira, H., & Pires da Silva, L. (2026). Algorithmic Management and AI Ethics: A Systematic Literature Review (2020-2025). Trabalho académico não publicado, Doutoramento em Gestão, Universidade de Évora.
• Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366-410.
• Meijerink, J., & Bondarouk, T. (2023). The duality of algorithmic management: Toward a research agenda on HRM algorithms, autonomy and value creation. Human Resource Management Review, 33(1), 100876.
• Langer, M., & Landers, R. N. (2021). The future of artificial intelligence at work: A review on effects of decision automation and augmentation on workers targeted by algorithms and third-party observers. Computers in Human Behavior, 123, 106878.
• Regulamento (UE) 2016/679 – Regulamento Geral sobre a Proteção de Dados, em particular o artigo 22 sobre decisões individuais automatizadas.
• Regulamento (UE) 2024/1689 – Artificial Intelligence Act, em particular o artigo 6 e o Anexo III sobre sistemas de IA de alto risco.