Tecnologia de RH e Talentos

A sua IA de contratação já é um passivo — a única questão é se você já percebeu isso. A fiscalização que estava dormente agora está ativa, uma ação coletiva em andamento atinge a plataforma de HCM mais amplamente adotada no mundo corporativo, e um empregador nacional que avalia candidatos em Nova York, na Califórnia, no Colorado, na União Europeia e em Illinois precisa de uma arquitetura de conformidade, não de um documento de políticas. Nosso trabalho é construir a infraestrutura de equidade e auditoria projetada para fazer a IA de contratação sobreviver à auditoria, ao processo judicial e à próxima lei.

A Virada na Fiscalização da Lei Local 144 de Nova York

O Controlador do Estado de Nova York auditou a fiscalização da Lei Local 144 em dezembro de 2025 e encontrou a lacuna entre o papel e a prática. Entre 32 empresas, a própria agência de proteção ao consumidor da cidade (DCWP) havia identificado exatamente um caso de descumprimento, enquanto os revisores do Controlador encontraram pelo menos 17 possíveis violações na mesma amostra. 75% das ligações de reclamação sobre ferramentas automatizadas de contratação foram encaminhadas incorretamente e nunca chegaram à agência fiscalizadora. A lei é aplicável desde julho de 2023, mas o órgão encarregado de aplicá-la estava, na prática, sem funcionar.

Essa era está chegando ao fim. A DCWP se comprometeu a usar as denúncias apresentadas à EEOC e à FTC como pistas para fiscalização, com penalidades que chegam a US$ 1.500 por violação por dia.

O Mapa de Conformidade Multijurisdicional

Nova York é apenas uma jurisdição. Um empregador nacional enfrenta cinco regimes sobrepostos, cada um com suas próprias definições, prazos e penalidades:

Resolver os conflitos de definição entre esses regimes em uma única arquitetura operacional — e não cinco documentos de políticas separados — é o verdadeiro problema de conformidade.

Mobley v. Workday: por que os contratos com fornecedores não vão protegê-lo

Mobley v. Workday é o caso que todo CHRO deveria estar lendo. Derek Mobley se candidatou a mais de 100 vagas em empresas que usavam os recursos de triagem por IA da Workday e foi rejeitado todas as vezes. Em maio de 2025, um tribunal federal concedeu a certificação condicional da ação coletiva para reivindicações de discriminação por idade em nome de um grupo que se acredita incluir milhões de candidatos a emprego. Em julho de 2025, o escopo foi ampliado para incluir candidatos processados pelos recursos de IA da HiredScore, que a Workday adquiriu em 2024.

O tribunal decidiu que os provedores de serviços de IA podem ser diretamente responsáveis por discriminação no emprego sob a teoria do "agente" (detalhada em nossa pesquisa sobre a responsabilidade de agentes algorítmicos no recrutamento por IA). Isso não é um risco jurídico abstrato — é uma ação coletiva em andamento contra a plataforma de HCM mais amplamente adotada no mundo corporativo.

O Problema Documentado de Viés na Triagem por IA

O problema de viés subjacente é bem documentado:

• Um estudo da Universidade de Washington constatou que as ferramentas de triagem de currículos por IA preferiram nomes associados a pessoas brancas em 85% das vezes em mais de 500 anúncios de vaga.
• Pesquisadores de Stanford constataram que a triagem por IA deu a candidatos homens mais velhos avaliações sistematicamente mais altas do que a candidatas mulheres ou candidatos mais jovens com qualificações idênticas.
• A discriminação por proxy ocorre por meio de sinais que parecem neutros na interface, mas que estão estatisticamente correlacionados com características protegidas: códigos postais mapeiam raça, anos de formatura mapeiam idade, padrões de nome mapeiam origem nacional.

A regra dos quatro quintos, prevista nas Uniform Guidelines on Employee Selection Procedures (UGESP) fornece o teste padrão, mas é apenas um limiar de significância prática. Os tribunais cada vez mais exigem também testes de significância estatística — e realizar qualquer um dos testes requer dados demográficos com um nível de granularidade que a maioria das plataformas de ATS não captura nativamente. Nossa abordagem de engenharia para isolar o viés real dos sinais de confusão é apresentada em nosso whitepaper técnico sobre IA causal para recrutamento justo.

A Consolidação de Plataformas Está Tornando a Auditoria Independente Mais Difícil

O mercado independente de fornecedores de IA para RH está se consolidando em ecossistemas de plataforma nos quais a IA de contratação, o ATS e os dados de HCM ficam todos por trás do mesmo muro:

• A Workday adquiriu a Paradox por US$ 4,5 bilhões em outubro de 2025 e a HiredScore em março de 2024, criando uma pilha integrada de IA de contratação com triagem conversacional, pontuação de candidatos e inteligência de talentos em uma única plataforma.
• A SAP adquiriu a SmartRecruiters por mais de US$ 1,5 bilhão em janeiro de 2025.
• A Dayforce fechou o capital em um acordo de US$ 12,3 bilhões com a Thoma Bravo.

Essa consolidação cria um problema de conformidade distinto do habitual aprisionamento a fornecedores (vendor lock-in). Quando a sua ferramenta de monitoramento de viés vem do mesmo fornecedor da IA de contratação que ela monitora, a auditoria não é independente. Quando os seus dados demográficos residem na arquitetura de tenant do fornecedor, com os controles de acesso dele, você não consegue executar a análise interseccional que a LL144 e a FEHA exigem sem passar pela API dele. Quando o fornecedor lança uma atualização de modelo, a sua última auditoria de viés fica inválida — mas você pode não receber uma notificação detalhada o suficiente para saber quais critérios de seleção mudaram.

O monitoramento contínuo exige uma infraestrutura que fique fora da pilha do fornecedor, leia de várias fontes de dados e execute cálculos de equidade no seu cronograma e com a sua metodologia.

A IA Agêntica na Contratação Quebra Todas as Estruturas de Auditoria Existentes

52% dos líderes de talentos planejam implantar agentes de IA com responsabilidade de ponta a ponta pelas etapas do pipeline em 2026. Esses não são chatbots que respondem a perguntas de candidatos. Os sistemas de IA agêntica buscam candidatos autonomamente em vários canais, avaliam qualificações em relação a critérios dinâmicos, enviam abordagens personalizadas, agendam entrevistas e avançam candidatos pelas etapas do pipeline sem um gatilho humano em cada etapa. A Olivia, da Paradox, já lida com mais de 100 conversas simultâneas com candidatos e conclui fluxos de trabalho de triagem em 48 horas que antes levavam uma semana.

O problema de governança é que as estruturas de auditoria de viés existentes pressupõem que um humano acionou a decisão e um modelo produziu uma recomendação. Os sistemas agênticos tomam sequências de decisões em que a saída de um agente alimenta a entrada do próximo. Qual decisão da cadeia causou o impacto adverso? Quem é o tomador de decisão para os fins do Título VII quando nenhum humano revisou as etapas intermediárias? Analisamos esse problema de atribuição de decisão em nossa pesquisa sobre a arquitetura da responsabilização para a IA corporativa.

A OWASP publicou seu primeiro Top 10 para Aplicações Agênticas em março de 2026, identificando riscos como sequestro de objetivos, uso indevido de ferramentas e agentes descontrolados. Mas a metodologia de auditoria de viés para pipelines de contratação autônomos de várias etapas ainda não existe como padrão. As organizações que implantam ferramentas de contratação agênticas sem construir, desde o início, uma arquitetura de atribuição de decisão e de intervenção estão criando um passivo que virá à tona retroativamente quando chegarem os pedidos de produção de provas (discovery) da ação coletiva.

A Contratação Baseada em Competências Não É Automaticamente Justa

A mudança da contratação baseada em credenciais para a baseada em competências é uma das transformações mais significativas na aquisição de talentos. As ferramentas de correspondência de competências por IA afirmam ter 78% de precisão na previsão do desempenho no cargo, e as empresas relatam retenção 25–35% maior no primeiro ano. Mas as ontologias de competências codificam seus próprios vieses (um problema que examinamos em nossa pesquisa sobre a equidade da IA de recrutamento com grafos de conhecimento). Quais experiências contam como demonstração de uma "competência" depende de quem projetou a taxonomia. Se a ontologia der mais peso a certificações formais do que a experiência prática equivalente, ela prejudica candidatos de origens não tradicionais. Se tratar a proficiência em ferramentas específicas (Tableau, Python) como intercambiável com a capacidade analítica subjacente, cria uma falsa precisão na correspondência.

A mobilidade interna agrava isso. A Mastercard relatou uma economia de US$ 21 milhões com um marketplace de talentos com IA que reduziu os custos de recrutamento externo em 30%. Mas a IA de mobilidade interna que recomenda movimentações laterais e atribuições desafiadoras com base em perfis de competências pode consolidar padrões existentes se os dados de competências refletirem quem historicamente teve oportunidades de desenvolvimento, em vez de quem poderia desempenhar a função. O mercado de marketplaces de talentos está crescendo 25% ao ano, rumo a US$ 10 bilhões até 2033. As organizações que constroem esses sistemas agora estão codificando decisões de estrutura da força de trabalho que persistirão por anos.

O Que Construímos para Tecnologia de RH e Talentos

Nossa abordagem é construir a infraestrutura de conformidade e equidade que fica entre a sua IA de contratação (qualquer que seja o fornecedor que você use) e as suas obrigações regulatórias (quaisquer que sejam as jurisdições em que você opera). Este é um trabalho arquitetural, não um trabalho de avaliação — um projeto é dimensionado para produzir sistemas em funcionamento, não apresentações de slides. Um projeto é concebido para produzir:

• Monitoramento de viés multiplataforma que se conecta a Workday, SuccessFactors, Oracle HCM, Greenhouse, Lever e plataformas de ATS independentes por meio de uma camada de dados neutra em relação ao fornecedor.
• Cálculo contínuo de impacto adverso usando tanto a regra dos quatro quintos quanto métodos de significância estatística, com Geocodificação Bayesiana Aprimorada por Sobrenome (BISG) para imputação demográfica quando os dados de autoidentificação forem insuficientes.
• Mapeamento de conformidade multijurisdicional que resolve os conflitos de definição entre a estrutura AEDT da LL144, as regras de ADS da FEHA da Califórnia, o padrão de decisão consequencial da SB 24-205 do Colorado e a classificação de alto risco do Anexo III da Lei de IA da UE em uma única arquitetura operacional.
• Sistemas de trilha de auditoria que capturam a proveniência das decisões ao longo dos pipelines de contratação agênticos, atribuindo cada decisão de triagem, pontuação e avanço à versão específica do modelo, aos dados de entrada e aos critérios de seleção que a produziram.
• Arquitetura de avaliação acessível que avalia competências relevantes para o cargo sem penalizar estilos de comunicação neurodivergentes, comportamentos atípicos em entrevistas ou acomodações relacionadas a deficiências, uma área que abordamos em nossa pesquisa sobre a crise do capacitismo algorítmico na governança de IA.

Nós não vendemos IA de contratação. Nossos projetos são concebidos para tornar a IA de contratação auditável, em conformidade e defensável.