Mais de 90% usam IA para contratar. Estamos escolhendo os mesmos perfis?

A inteligência artificial já faz parte da transformação do recrutamento. Mais de 90% dos empregadores nos Estados Unidos utilizam algum sistema automatizado para filtrar ou classificar candidatos, segundo estimativa citada pelo World Economic Forum e pelo Stanford Digital Economy Lab.

No Brasil, a adoção de IA no recrutamento avança e já gera desafios: 47,3% dos profissionais já abandonaram processos seletivos por desconfiarem da tecnologia, enquanto 73% dos candidatos usam IA para adaptar seus currículos às vagas, segundo dados publicados pelo InfoMoney.

Esses números mostram que empresas e candidatos já usam IA dos dois lados da seleção, levantando uma questão: estamos tornando o recrutamento mais eficiente ou mais padronizado?

O ganho de eficiência é evidente. Mas um novo estudo conduzido por pesquisadores de Stanford, Chapman University e Northeastern University coloca uma questão mais incômoda na mesa:

se diferentes empresas usam algoritmos semelhantes para avaliar candidatos, estamos aumentando a capacidade de encontrar talentos ou tornando os processos seletivos cada vez mais parecidos?

A pesquisa Algorithmic Monocultures in Hiring analisou 3,4 milhões de candidatos, 4 milhões de candidaturas e 156 empregadores de 11 setores. Todas as candidaturas foram avaliadas por algoritmos de um mesmo fornecedor. Os pesquisadores encontraram evidências de resultados homogêneos entre diferentes candidaturas e diferenças raciais nos resultados de determinadas posições.

O estudo não prova que toda IA utilizada em recrutamento é enviesada, nem que empresas diferentes estão contratando exatamente as mesmas pessoas. O alerta é outro: quando diferentes organizações dependem de sistemas semelhantes para tomar decisões sobre candidatos, os mesmos padrões podem se repetir em escala.

E isso muda a conversa sobre IA no RH.

O que o estudo de Stanford analisou?

Publicado em maio de 2026 pelo Stanford Digital Economy Lab, o estudo Algorithmic Monocultures in Hiring investiga o impacto da dependência de algoritmos compartilhados no recrutamento. O trabalho também foi apresentado na conferência ACM FAccT 2026.

Os pesquisadores analisaram uma base de 3.372.132 candidatos e 4 milhões de candidaturas, distribuídas entre 156 empregadores e 11 setores. As candidaturas foram avaliadas por modelos de um mesmo fornecedor, a Pymetrics.

O processo analisado funcionava a partir de avaliações baseadas em jogos. Os algoritmos utilizavam características extraídas dessas avaliações para recomendar ou não candidatos para determinada posição. Em média, os modelos recomendavam 58,2% dos candidatos por vaga.

O ponto central está no compartilhamento dos modelos.

Os pesquisadores identificaram 42 modelos utilizados em diferentes empresas e 142 pares de empregadores que compartilhavam pelo menos um modelo. Isso significa que candidatos poderiam ser avaliados por modelos relacionados em processos seletivos diferentes, mesmo quando estavam se candidatando a empresas distintas.

É esse tipo de dependência que os autores chamam de monocultura algorítmica.

O que significa monocultura algorítmica?

O conceito descreve situações em que diferentes tomadores de decisão passam a depender do mesmo algoritmo ou de algoritmos desenvolvidos de maneira semelhante e treinados com dados semelhantes, aumentando a possibilidade de decisões também semelhantes.

No recrutamento, isso pode criar um efeito curioso.

Imagine uma pessoa que se candidata a cinco empresas diferentes. Se todas utilizam sistemas que valorizam sinais semelhantes de experiência, formação ou comportamento, ela pode receber avaliações semelhantes em processos que, teoricamente, deveriam representar oportunidades independentes.

A tecnologia deixa de ser apenas uma ferramenta utilizada por uma empresa e passa a conectar decisões de diferentes empregadores.

Os principais números do estudo

Os dados encontrados pelos pesquisadores ajudam a dimensionar o problema.

4 milhões de candidaturas analisadas

A pesquisa trabalhou com 4 milhões de candidaturas de aproximadamente 3,4 milhões de pessoas, tornando-se um dos maiores estudos empíricos já realizados sobre algoritmos de contratação.

O volume é importante porque permite observar padrões que dificilmente apareceriam em análises pequenas ou em testes realizados com poucas vagas.

4% foram rejeitados em todas as 10 candidaturas

Entre as pessoas que se candidataram a 10 posições, 4% receberam recomendação de rejeição em todas elas. A taxa foi maior do que a esperada caso as decisões fossem independentes.

Em outro recorte, 10% das pessoas que se candidataram a quatro posições foram rejeitadas sistematicamente, também acima do cenário de referência utilizado pelos pesquisadores.

Isso não significa que essas pessoas fossem qualificadas para todas as vagas.

O achado é mais específico: os resultados dos algoritmos apresentaram uma correlação maior do que seria esperada se cada candidatura recebesse uma avaliação independente.

25,87% das candidaturas de pessoas negras estavam em posições com impacto adverso

Na análise por posição, os pesquisadores identificaram diferenças raciais relevantes.

25,87% das candidaturas feitas por pessoas negras foram direcionadas a posições cujo modelo apresentava impacto adverso contra candidatos negros, segundo o padrão de análise de discriminação utilizado nos Estados Unidos.

Para candidatos asiáticos, o percentual foi de 14,74%.

O estudo também identificou que 30,70% dos candidatos negros se candidataram a pelo menos uma posição que apresentava impacto adverso contra pessoas negras. Entre candidatos asiáticos, esse percentual foi de 18,53%.

Aqui existe uma ressalva importante: esses indicadores são baseados em legislação e critérios de análise de discriminação dos Estados Unidos, não na legislação brasileira.

Por isso, eles não devem ser transportados diretamente para o contexto brasileiro como se representassem uma medição de discriminação no mercado nacional.

Mas revelam um ponto relevante para qualquer empresa que utilize algoritmos: uma análise agregada pode esconder problemas que aparecem quando os resultados são avaliados vaga por vaga.

Por que o resultado pode se repetir entre empresas?

Um dos aspectos mais interessantes da pesquisa é que os candidatos não necessariamente recebem uma avaliação completamente nova a cada candidatura.

No conjunto analisado, os pesquisadores identificaram modelos compartilhados entre diferentes empregadores. Além disso, o sistema estudado permitia que o candidato realizasse a avaliação da Pymetrics apenas uma vez a cada 330 dias.

Isso significa que características obtidas em uma avaliação poderiam continuar influenciando diferentes candidaturas ao longo desse período.

O problema não está simplesmente em usar um algoritmo.

Está na combinação de três fatores:

muitos empregadores + modelos semelhantes + decisões automatizadas sobre grandes volumes de pessoas.

Quando essa combinação acontece, um padrão de decisão pode se espalhar por diferentes processos seletivos.

Quantas vagas seriam necessárias para escapar desse efeito?

Os pesquisadores também fizeram uma simulação para entender quantas candidaturas seriam necessárias para reduzir a probabilidade de uma rejeição sistemática.

No cenário simulado, a taxa de rejeição sistemática caiu para menos de 0,1% somente quando o candidato era considerado em 25 posições diferentes. No cenário de referência baseado em decisões independentes, seriam necessárias 10 posições para atingir esse mesmo nível.

É importante interpretar esse número corretamente.

O estudo não está dizendo que todo candidato precisa se candidatar a 25 vagas.

Trata-se de uma simulação para demonstrar como a correlação entre os resultados pode afetar a probabilidade de uma pessoa receber pelo menos uma recomendação.

Além disso, uma recomendação do algoritmo ainda não significa entrevista ou contratação. No sistema estudado, ela apenas colocava o candidato no conjunto que poderia ser considerado pelo recrutador.

O que isso muda para o RH?

A principal provocação do estudo não é abandonar a inteligência artificial.

É mudar a forma como o RH mede o sucesso da tecnologia.

Se a empresa olha apenas para indicadores como:

• tempo de contratação;
• volume de currículos analisados;
• custo por contratação;
• produtividade do recrutador;
• velocidade de triagem;

pode concluir que a solução está funcionando muito bem.

Mas esses indicadores não respondem a uma pergunta essencial:

quem está ficando de fora do processo?

Uma tecnologia pode acelerar uma seleção e, ao mesmo tempo, excluir determinados perfis de maneira sistemática.

Por isso, a adoção madura de IA no recrutamento precisa combinar eficiência, qualidade, diversidade, transparência e supervisão humana.

A própria pesquisa recomenda que análises de impacto sejam feitas por posição, porque resultados agregados podem esconder diferenças importantes entre vagas.

E o que os dados mostram sobre o Brasil?

O cenário brasileiro ainda não possui um estudo equivalente ao de Stanford em escala e metodologia. Não há evidência suficiente para afirmar que o fenômeno de monocultura algorítmica identificado nos Estados Unidos já tenha sido comprovado no Brasil.

Mas a adoção de IA no mercado nacional está avançando rapidamente.

Segundo o Barômetro Global de Empregos em IA 2025, da PwC, o número de vagas no Brasil que exigiam conhecimento em inteligência artificial passou de 19 mil em 2021 para 73 mil em 2024, um crescimento de aproximadamente 284%.

Ou seja, o mercado está mudando em duas frentes ao mesmo tempo:

as empresas estão usando mais IA para contratar e também estão procurando mais profissionais com habilidades relacionadas à IA.

Isso aumenta ainda mais a responsabilidade do RH na definição dos critérios utilizados para identificar talentos.

IA no recrutamento: o Brasil também precisa discutir governança

No Brasil, o uso de sistemas automatizados em processos seletivos precisa ser analisado também à luz da Lei Geral de Proteção de Dados (LGPD).

O artigo 20 da legislação estabelece que o titular dos dados pode solicitar a revisão de decisões tomadas unicamente com base no tratamento automatizado de dados pessoais que afetem seus interesses, incluindo decisões relacionadas à definição de seu perfil profissional. A lei também prevê o fornecimento de informações claras e adequadas sobre os critérios e procedimentos utilizados na decisão automatizada, observados os segredos comercial e industrial.

A discussão está longe de estar encerrada.

Em junho de 2026, a própria ANPD destacou os desafios interpretativos do artigo 20, incluindo questões relacionadas à compreensão das decisões automatizadas e aos mecanismos para contestá-las.

Além disso, o Brasil ainda discute seu marco legal específico para inteligência artificial. O PL 2.338/2023, aprovado pelo Senado, segue em tramitação na Câmara dos Deputados.

Enquanto essa regulamentação avança, a LGPD já estabelece responsabilidades importantes para organizações que tratam dados pessoais.

Como usar IA no recrutamento sem criar uma seleção padronizada?

A resposta passa menos pela ferramenta escolhida e mais pela governança do processo.

1. Defina primeiro o que realmente importa para a vaga

Antes de implementar IA, o RH precisa estabelecer quais competências são efetivamente necessárias para o cargo.

Se os critérios de seleção não forem claros, a tecnologia pode apenas automatizar uma decisão mal estruturada.

Por isso, vale diferenciar:

requisito indispensável, competência desejável e característica que não deveria influenciar a seleção.

2. Não transforme o algoritmo na decisão final

A IA pode ajudar a organizar candidaturas, identificar competências e priorizar perfis.

Mas isso não significa que o ranking produzido pela tecnologia deva ser tratado como uma verdade absoluta.

O recrutador precisa conseguir questionar uma recomendação e analisar o contexto do candidato.

Essa abordagem também está alinhada ao que a própria Buk defende em seus conteúdos sobre triagem de currículos com IA: usar tecnologia para acelerar o processo sem transformar pessoas em palavras-chave.

3. Audite os resultados por vaga

Esse talvez seja o principal aprendizado do estudo de Stanford.

Não basta analisar o desempenho geral do algoritmo.

O RH precisa acompanhar os resultados por posição, etapa e, quando juridicamente adequado, grupos relevantes, buscando identificar diferenças que podem desaparecer quando todos os processos são analisados juntos.

4. Pergunte ao fornecedor como a IA funciona

Antes de contratar uma solução, o RH deve entender:

• quais dados são utilizados;
• quais critérios influenciam a classificação;
• se modelos são compartilhados entre clientes;
• como o fornecedor testa vieses;
• quais auditorias são realizadas;
• como os resultados podem ser contestados;
• como os dados dos candidatos são armazenados e utilizados.

“A ferramenta passou por uma auditoria” não deveria encerrar a conversa.

O próprio estudo de Stanford mostra porquê: os pesquisadores encontraram diferenças nos resultados mesmo em um sistema cujo fornecedor já havia publicado auditorias agregadas indicando ausência de viés mensurável.

5. Use a tecnologia para ampliar, não estreitar, o olhar

O objetivo da IA deveria ser ajudar o RH a encontrar mais talentos relevantes, e não apenas identificar rapidamente quem mais se parece com os perfis que a empresa já contratou.

Isso significa dar espaço para trajetórias não lineares, competências transferíveis, experiências diferentes e potenciais que não aparecem de maneira óbvia em um currículo.

A tecnologia precisa ajudar o RH a fazer perguntas melhores, não apenas a tomar decisões mais rápidas.

O risco não é a IA escolher. É escolher sempre da mesma forma

O estudo de Stanford traz uma discussão que vai além do recrutamento.

Quando empresas diferentes dependem das mesmas tecnologias, as decisões deixam de ser completamente independentes.

Isso pode afetar a diversidade de perfis que chegam às etapas seguintes do processo, criar rejeições repetidas e fazer com que determinados candidatos encontrem barreiras semelhantes em empresas diferentes.

Mas existe uma ressalva essencial: o estudo analisou um fornecedor específico e um tipo específico de avaliação. Os próprios autores afirmam que os resultados não podem ser automaticamente generalizados para todos os sistemas de recrutamento algorítmico. Eles também não tinham uma medida independente da qualidade dos candidatos nem conseguiam determinar como cada empregador utilizava a recomendação na decisão final.

Essa limitação não diminui a importância da pesquisa.

Pelo contrário.

Ela mostra que precisamos de mais evidências sobre como as tecnologias usadas para contratar estão moldando o mercado de trabalho.

O futuro do recrutamento será humano e algorítmico

A inteligência artificial já está transformando o recrutamento. No Brasil, a adoção avança e os ganhos de produtividade fazem com que a tecnologia se torne cada vez mais presente na rotina dos times de RH.

O desafio agora é evitar que eficiência seja confundida com qualidade.

Uma seleção mais rápida não é necessariamente uma seleção melhor.

E uma IA capaz de analisar milhões de candidatos não significa, automaticamente, que a empresa esteja enxergando mais talentos.

O estudo de Stanford mostra que, quando diferentes empresas utilizam sistemas semelhantes, os mesmos padrões de decisão podem se repetir entre processos seletivos. Para o RH, isso significa que a governança da tecnologia precisa acompanhar sua adoção.

O futuro não precisa ser IA ou fator humano.

Pode ser IA para ampliar a capacidade analítica do RH, com pessoas responsáveis por questionar, contextualizar e tomar as decisões que impactam a carreira de outras pessoas.

A pergunta mais importante, portanto, talvez não seja se a IA consegue encontrar o candidato ideal.

É:

“Quantos candidatos potencialmente bons estamos deixando de enxergar porque todos estamos procurando da mesma maneira?”

👉 Quer continuar acompanhando as principais tendências, estudos e mudanças que estão transformando o RH? Explore o blog da Buk e fique por dentro de tudo o que está moldando o futuro da gestão de pessoas.