O que a boa IA realmente avalia

Toda ferramenta de recrutamento com IA avalia algo. A questão real é se esse algo prevê o resultado que você valoriza: se a pessoa terá um bom desempenho em uma função específica, em um ambiente específico.

A maioria dos sistemas ainda avalia proxies. Cargos, anos de experiência, credenciais e densidade de palavras-chave frequentemente se correlacionam com resultados a ponto de parecerem úteis, mas correlação não é o mesmo que previsão.

Essa lacuna é onde residem muitas falhas de contratação. Harvard Business School e Accenture documentaram que candidatos qualificados são regularmente despriorizados porque seus históricos não apresentam os marcadores corretos, mesmo quando a capacidade subjacente está presente.

A avaliação genuína de capacidade parte de uma premissa diferente: o que alguém pode fazer, como resolve problemas e como tem se saído em contextos comparáveis importa mais do que a aparência do currículo.

Produto de trabalho demonstrado. A primeira pergunta é o que um candidato realmente produziu, alterou ou resolveu, e não apenas aquilo de que foi nominalmente responsável.

Abordagem para resolução de problemas. Como alguém raciocina diante de um desafio costuma ser mais preditivo do que o fato de já ter visto um cenário idêntico anteriormente.

Ajuste específico ao contexto. Um candidato forte em uma organização pode falhar em outra se o estilo de liderança, a composição da equipe ou as condições operacionais forem materialmente diferentes.

Trajetória, não instantâneo. Um currículo captura um momento. Uma avaliação melhor observa como alguém se desenvolveu ao longo do tempo e se sua capacidade está se fortalecendo.

Modelos generalistas grandes são bons em reconhecimento de padrões em dados amplos. Eles podem identificar candidatos que se assemelham a populações que historicamente tiveram bom desempenho em outros contextos.

O que eles não conseguem fazer automaticamente é entender sua organização especificamente. Eles não sabem o que seus melhores talentos têm em comum além do que é visível nos dados de treinamento generalizados.

Essa limitação importa. Os sinais que predizem sucesso para um engenheiro sênior em uma empresa de software em rápido crescimento não são os mesmos que predizem sucesso para um engenheiro sênior em uma instituição financeira regulada.

Modelos específicos ao contexto treinados no seu ambiente, nos seus fluxos de trabalho e nos padrões reais dos seus melhores profissionais podem tomar decisões calibradas para os resultados que você valoriza, em vez de inferências amplas a partir dos dados de terceiros.

A diferença prática aparece na etapa das entrevistas. A avaliação por proxies encaminha os candidatos cujos históricos mais se assemelham às contratações anteriores.

A avaliação por capacidade encaminha candidatos que demonstraram as habilidades e comportamentos relevantes, mesmo que o caminho que percorreram para desenvolvê-los pareça não convencional no papel.

Isso muda mais do que o ranking. Muda o próprio conjunto de candidatos, porque candidatos que teriam sido filtrados pela lógica de proxies agora passam a ficar visíveis.

O artigo final desta série aborda o lado do comprador da equação: o que os líderes de RH devem exigir quando um fornecedor afirma que seu sistema está tomando decisões de contratação melhores.