IA no RH: o que já funciona hoje (e o que ainda é hype)

Nos últimos dois anos, a inteligência artificial virou assunto obrigatório em qualquer evento de RH. As promessas são ambiciosas: recrutamento totalmente automatizado, predição de turnover com 95% de acurácia, gestão de DP por chatbot. Na prática, o que já tem caso de uso comprovado e o que ainda é marketing?

O que já funciona: triagem de currículos

A triagem automatizada de currículos com NLP está madura o suficiente para reduzir em 40% a 60% o tempo de triagem inicial em processos com alto volume de candidatos. Os modelos conseguem identificar requisitos mínimos, ranquear candidatos por aderência ao perfil e sinalizar inconsistências no histórico.

Limitação real: o modelo aprende com dados históricos de contratação. Se o histórico tem viés (e geralmente tem), o modelo reproduz o viés. Requer supervisão humana constante.

O que já funciona: predição de sinistralidade

Modelos preditivos usando histórico de utilização do plano, perfil etário e sazonalidade já entregam projeções com margem de erro abaixo de 8% para horizontes de 6 a 12 meses. Esse é o caso de uso com maior ROI comprovado em benefícios corporativos: o RH e o financeiro chegam à renovação com projeção própria, não apenas com o número da operadora.

O que já funciona: chatbot de RH

Chatbots treinados com a base de políticas e processos da empresa conseguem resolver 60% a 70% das dúvidas operacionais sem intervenção humana: inclusão de dependente, prazo de atestado, data de pagamento. O ROI é claro em empresas com mais de 200 colaboradores e equipe enxuta.

O que ainda é hype: predição de turnover individual

Os modelos de predição de turnover com dados comportamentais têm acurácia muito menor do que os fornecedores prometem quando aplicados em populações pequenas. O custo de coleta e governança de dados raramente se justifica para empresas abaixo de 1.000 funcionários.

O critério de avaliação

Para qualquer solução de IA apresentada, faça três perguntas: qual é a taxa de acerto documentada em empresas comparáveis? Qual é o volume de dados necessário para funcionar bem? O que acontece quando o modelo erra: existe revisão humana no processo? Respostas vagas indicam produto mais próximo do hype do que da entrega.