A Crise do Capacitismo Algorítmico: Desconstruindo a Denúncia Aon-ACLU e o Imperativo para a Governança de Deep AI

O Momento Decisivo na Gestão de Capital Humano

Em maio de 2024, o cenário da inteligência artificial em recursos humanos mudou fundamentalmente quando a American Civil Liberties Union (ACLU) apresentou uma denúncia formal à Federal Trade Commission (FTC) contra a Aon Consulting, Inc..¹ Essa ação administrativa, apoiada pela Autistic Self-Advocacy Network e outros grupos de direitos civis, marca o fim decisivo da era do otimismo algorítmico desenfreado.² Por mais de uma década, fornecedores de tecnologia de contratação comercializaram suas plataformas como "livres de viés", prometendo que modelos sofisticados de aprendizado de máquina poderiam eliminar os preconceitos subjetivos inerentes ao recrutamento humano.² No entanto, as alegações contra as ferramentas proprietárias da Aon—ADEPT-15, vidAssess-AI e gridChallenge—expõem uma desconexão crítica entre a promessa de neutralidade algorítmica e a realidade da discriminação técnica.¹

A denúncia alega que a Aon se envolveu em marketing enganoso ao afirmar que seus produtos "melhoram a diversidade" e "não têm impacto adverso", enquanto, na prática, essas ferramentas provavelmente descartam candidatos qualificados com base em raça e deficiência.² Especificamente, a ACLU sustenta que as avaliações avaliam traços como "positividade", "consciência emocional" e "vivacidade", que não são apenas não essenciais para muitas funções de trabalho, mas funcionam como proxies diretos para critérios de diagnóstico clínico associados ao autismo e a várias condições de saúde mental.² Para uma consultoria de IA de nível empresarial como a Veriprajna, esse incidente destaca uma falha sistêmica na indústria: a dependência de tecnologias superficiais do tipo "wrapper" que falham em considerar as relações causais profundas entre dados comportamentais e características protegidas.¹

As implicações dessa denúncia vão muito além da Aon. Ela serve como um alerta para todo o ecossistema empresarial de que a defesa da "caixa-preta"—afirmar que uma ferramenta é justa porque foi treinada em "big data"—não é mais legal ou eticamente sustentável.⁶ Os órgãos reguladores, liderados pela FTC e respaldados pela Equal Employment Opportunity Commission (EEOC), estão mudando seu foco de diretrizes voluntárias para a aplicação rigorosa de requisitos de comprovação.⁶ Qualquer alegação de imparcialidade agora deve ser respaldada por evidências rigorosas, transparentes e empíricas.⁶

Desconstrução Arquitetural da Suíte de Avaliação da Aon

Para entender a falha das narrativas atuais "livres de viés", é necessário analisar a arquitetura técnica das ferramentas identificadas na denúncia. Essas ferramentas representam o "estado da arte" atual na psicometria baseada em IA, tornando sua vulnerabilidade ao viés de deficiência particularmente instrutiva para a indústria.¹⁰

ADEPT-15: O Proxy de Personalidade Algorítmica

O Adaptive Employee Personality Test (ADEPT-15) é uma avaliação algorítmica identificada em sua forma atual como Versão 7.1.¹⁰ Ele é comercializado como um teste avançado de personalidade baseado em 50 anos de pesquisa psicométrica, utilizando um banco de dados massivo de 350.000 itens exclusivos para avaliar 15 constructos de personalidade.¹² Tecnicamente, o ADEPT-15 é um Teste Adaptativo Computadorizado (CAT). Diferente de pesquisas estáticas tradicionais, um CAT ajusta a dificuldade e o conteúdo das perguntas em tempo real com base nas respostas anteriores do candidato.¹⁰ Isso visa aumentar a precisão da medição e reduzir a "fadiga do teste", mas introduz uma camada de complexidade algorítmica que pode ocultar caminhos discriminatórios.¹⁰

A avaliação utiliza um formato de "escolha forçada", apresentando pares de declarações (por exemplo, "Trabalho bem com outras pessoas" ou "As pessoas dizem que sou sensato") e exigindo que o candidato selecione a intensidade de sua concordância.¹⁰ Embora esse design tenha o objetivo de mitigar o "viés de desejabilidade social"—a tendência de os candidatos adivinharem a resposta "correta"—ele inadvertidamente aumenta a carga cognitiva e os requisitos de processamento sensorial para quem realiza o teste.⁵

Constructo Psicométrico (ADEPT-15)	Polaridades Definidas pela Aon	Estilo Central de Interação
Impulso	Relaxado vs. Focado	Abordagem de Tarefas
Estrutura	Visão Ampla vs. Foco em Detalhes	Processamento Cognitivo
Cooperatividade	Independente vs. Orientado para Equipe	Alinhamento Social
Sensibilidade	Estoico vs. Compassivo	Reatividade Emocional
Humildade	Orgulhoso vs. Humilde	Autopercepção
Conceitual	Prático vs. Abstrato	Resolução de Problemas
Flexibilidade	Consistente vs. Flexível	Gestão de Mudanças
Domínio	Fazer vs. Aprimorar	Aquisição de Habilidades
Compostura	Apaixonado vs. Calmo	Regulação do Estresse
Positividade	Preocupado vs. Esperançoso	Perspectiva
Consciência	Isolado vs. Autoconsciente	Percepção Interpessoal
Ambição	Satisfeito vs. Empenhado	Impulso para Conquistas
Poder	Contribuidor vs. Controlador	Estilo de Liderança
Assertividade	Cauteloso vs. Socialmente Ousado	Iniciativa Social
Vivacidade	Reservado vs. Extrovertido	Energia Social

O ponto de falha técnica identificado pela ACLU é que esses 15 constructos não são traços de personalidade neutros no contexto da neurodiversidade.⁴"Vivacidade", "Consciência" e "Positividade" são traços que acompanham de perto o desempenho social neurotípico.²Quando um algoritmo penaliza uma resposta "reservada" ou "isolada", ele está funcionalmente selecionando para neurotipicidade em vez de competência profissional.²

vidAssess-AI: O Desempenho da Neurotipicidade

A plataforma vidAssess-AI integra o modelo de personalidade ADEPT-15 em um formato de entrevista em vídeo assíncrona.¹⁰ A ferramenta grava as respostas dos candidatos a perguntas predefinidas e, em seguida, utiliza Processamento de Linguagem Natural (PLN) e algoritmos de transcrição de voz para texto para pontuação.¹⁷ A Aon afirma que isso produz um relatório "legalmente defensável" ao pontuar candidatos em relação a "critérios relevantes para o trabalho" vinculados ao seu modelo de personalidade.¹⁷

No entanto, o uso de IA na análise de vídeo introduz o que os pesquisadores chamam de "capacitismo emergente".⁵Os modelos de PLN são treinados em conjuntos massivos de dados que refletem predominantemente padrões de fala, prosódia e estruturas linguísticas neurotípicas.¹⁶ Para um candidato com autismo, cuja fala pode incluir entonação plana ou pausas atípicas, ou para um candidato com TDAH que possa exibir estruturas narrativas não lineares, o mecanismo de PLN da IA pode interpretar isso como "falta de confiança" ou "desorganização".²⁰

Além disso, a denúncia da ACLU observa que o vidAssess-AI da Aon pontua as respostas associando o conteúdo das palavras faladas—frases e vocabulários específicos—com os constructos de personalidade no ADEPT-15.¹⁰ Isso cria uma "dupla penalização" para indivíduos neurodivergentes: eles são julgados não apenas pelo conteúdo de sua resposta, mas por uma versão de sua personalidade interpretada por máquina, expressa por meio de um filtro linguístico tendencioso.²²

gridChallenge: A Gamificação de Barreiras Cognitivas

A terceira ferramenta da suíte, gridChallenge (Versão 3.0), é uma avaliação cognitiva "gamificada" focada na memória de trabalho.¹⁰ Ela exige que os candidatos realizem tarefas complexas de memória—como identificar a localização de círculos destacados—enquanto executam simultaneamente "tarefas distratoras", como avaliações de simetria.¹⁰ A Aon comercializa esses elementos gamificados como uma forma de aumentar o "engajamento do candidato", mas para indivíduos com distúrbios de processamento sensorial ou TDAH, esses distratores podem levar a uma sobrecarga sensorial que degrada o desempenho de uma forma não relacionada à sua real capacidade cognitiva profissional.¹⁶

A Convergência da Psicometria e dos Diagnósticos Clínicos

A alegação legal e eticamente mais significativa na denúncia da ACLU é que as perguntas da Aon "acompanham de perto diagnósticos de autismo/saúde mental". Isso sugere que as avaliações de "personalidade" no local de trabalho evoluíram para uma forma disfarçada de "exame médico", o que seria uma violação direta do Americans with Disabilities Act (ADA).⁴

Ao mapear os constructos do ADEPT-15 em relação a ferramentas clínicas padrão, como o Quociente do Espectro Autista (AQ) e os critérios do DSM-5, a sobreposição torna-se inegável.²⁵ O AQ, uma medida de autorrelato de 50 itens, avalia traços em cinco áreas: habilidades sociais, alternância de atenção, atenção a detalhes, comunicação e imaginação.²⁵

Domínio Clínico (AQ/DSM-5)	Aspecto Correspondente no ADEPT-15	Risco Discriminatório
Habilidades Sociais / Reciprocidade	Vivacidade / Assertividade	Penalizar a comunicação "reservada", típica do TEA.
Alternância de Atenção	Flexibilidade / Consistência	Descartar indivíduos que preferem rotina ou foco profundo.
Atenção a Detalhes	Estrutura	Supervalorizar ou subvalorizar o hiperfoco em detalhes.
Comunicação / Pragmática	Consciência	Interpretar erroneamente a dificuldade em "ler nas entrelinhas".
Regulação Emocional	Compostura / Positividade	Patologizar o afeto embotado ou respostas relacionadas à ansiedade.

Quando uma ferramenta orientada por IA como o ADEPT-15 faz perguntas que espelham critérios clínicos (por exemplo, "Eu me concentro intensamente em detalhes" ou "Prefiro trabalhar sozinho"), ela cria um "caminho oculto" entre a condição de deficiência do candidato e o resultado da contratação.⁵Se o algoritmo for treinado para favorecer candidatos "socialmente ousados" e "flexíveis", ele excluirá de forma sistemática e matemática indivíduos autistas, sem nunca precisar perguntar sobre o diagnóstico deles.⁵

A Mudança de Paradigma Regulatório: Da Ética para a Aplicação da Lei

A medida da FTC contra a Aon não é um evento isolado; é a pedra angular de uma repressão regulatória mais ampla conhecida como "Operation AI Comply".⁶Essa iniciativa sinaliza que as agências federais não estão mais satisfeitas com a "IA Responsável" como um mero jargão de responsabilidade social corporativa (RSC). Em vez disso, estão aplicando os rigores da lei de proteção ao consumidor e dos direitos civis aos produtos algorítmicos.⁶

FTC: Seção 5 e o Mandato contra o Engano

A principal arma da FTC é a Seção 5 do FTC Act, que proíbe "atos ou práticas desleais ou enganosos".⁴No contexto da IA, a FTC esclareceu que "superestimar as capacidades de IA ou outras capacidades de um produto sem evidências adequadas é enganoso".⁹ A agência já tomou medidas contra empresas como a DoNotPay, que enfrentou uma multa de $193,000 por alegações infundadas sobre seus serviços jurídicos de IA, e a Rytr, que foi visada por seu papel na geração de avaliações falsas.⁶

A mensagem para provedores de soluções de Deep AI como a Veriprajna é clara: toda alegação de desempenho "livre de viés" deve ser comprovada com evidências empíricas.⁶A FTC alertou explicitamente que os fornecedores não podem "enterrar a cabeça na areia" em relação ao impacto disparatado de suas ferramentas.²A não realização de auditorias rigorosas de viés pode levar a proibições permanentes de vender oportunidades de negócios ou implantar software de alto risco.²⁹

EEOC: A ADA e a Cláusula de "Acomodação Razoável"

A EEOC reforçou que os empregadores são legalmente responsáveis por qualquer discriminação causada pelas ferramentas de IA que adquirem de fornecedores.¹Sob a ADA, um empregador não pode usar um critério de seleção que descarte ou tenda a descartar um indivíduo com deficiência, a menos que esse critério seja "relacionado ao trabalho e consistente com a necessidade comercial".²³

Requisito Regulatório	Implicação Empresarial	Responsabilidade Potencial
Comprovação de Alegações de IA	Deve provar assertivas de "livre de viés" com dados.	Multas da FTC, danos à marca, proibições.
Acomodação Razoável	Deve permitir que candidatos optem por não participar de triagens por IA.	Ações judiciais da EEOC, litígios de ação coletiva.
Transparência / Lógica de Inferência	Deve explicar por que um algoritmo rejeitou um usuário.	Multas a nível estadual (por exemplo, NYC LL 144).
Dever de Auditar	Auditorias anuais e independentes de viés são obrigatórias.	Penalidades por não conformidade regulatória.

As recentes audiências públicas da EEOC sobre "Navegando pela Discriminação no Emprego em IA" enfatizaram que os sistemas automatizados são uma "nova fronteira dos direitos civis".³¹ A comissão garantiu com sucesso centenas de milhões de dólares em reparações monetárias para vítimas de discriminação no ano fiscal de 2024, e o viés algorítmico é agora uma das principais prioridades de fiscalização.⁸

Por que os "Wrappers" Falham: A Distinção entre Deep AI e IA Superficial

O incidente da Aon serve como uma prova crítica para o posicionamento da Veriprajna: o modelo de "wrapper de LLM" é fundamentalmente incapaz de atender aos padrões empresariais modernos de justiça e segurança. Um wrapper simplesmente passa dados por um modelo de fundação existente (como o GPT-4) e apresenta a saída.³² No entanto, os modelos de fundação não são neutros; eles herdam o "viés de dados históricos" da internet.³⁴

O Loop de Viés Recursivo

Os modelos de aprendizado de máquina são treinados em dados históricos de contratação, que frequentemente refletem décadas de preferências neurotípicas e raciais.¹⁶ Quando um modelo de IA é implantado, suas decisões são usadas para informar futuros conjuntos de treinamento, criando um "loop contínuo" onde grupos marginalizados permanecem sub-representados.¹⁶ Um simples wrapper não consegue quebrar esse loop porque carece da "representação causal" necessária para distinguir entre as verdadeiras qualificações para o cargo e o "ruído" que se correlaciona com características protegidas.³⁶

Capacitismo Emergente em Grandes Modelos de Linguagem

Pesquisas na Duke University demonstraram que LLMs associam sistematicamente termos neurodivergentes a conotações negativas.⁵ Por exemplo, a frase "Eu tenho autismo" é frequentemente vista por esses modelos como mais negativa do que "Eu sou um assaltante de banco".⁵Quando esses mesmos modelos de linguagem alimentam ferramentas de contratação por meio de um wrapper de API, eles incorporam essas associações discriminatórias ao processo de recrutamento sem que o desenvolvedor jamais tenha tido essa intenção.⁵

Estrutura da Veriprajna para a Integridade de Deep AI

Para ir além das armadilhas do ADEPT-15 da Aon e do paradigma de "wrapper", a Veriprajna emprega uma estratégia técnica em múltiplas camadas que integra inferência causal, desenviesamento adversarial e design de interação neuroinclusivo.³⁶

1. Aprendizado de Representação Causal (CRL)

A Veriprajna utiliza CRL para identificar e remover os caminhos ocultos pelos quais o viés flui.³⁶ A IA tradicional depende de correlação, mas a correlação é onde a discriminação se esconde. O CRL identifica os "recursos estruturais" do perfil de um candidato enquanto controla as informações sensíveis.³⁶

A estrutura utiliza um Modelo Causal Estrutural (SCM) para formalizar as dependências. Se representa um atributo protegido (por exemplo, neurodivergência), representa os atributos do candidato e representa o resultado da contratação, a Veriprajna projeta modelos para garantir "invariância intervencional".³⁶ Isso significa que a representação usada para a decisão final é matematicamente isolada de , de modo que:

Ao garantir que a decisão não se altere mesmo se o atributo for hipoteticamente modificado, podemos fornecer uma garantia matemática de equidade contrafactual.³⁶

2. Desenviesamento Adversarial

A mitigação de viés durante o processamento (in-processing) é alcançada por meio de treinamento adversarial.³⁹ Nessa arquitetura, um modelo primário (o "Preditivo") é treinado para identificar o melhor candidato, enquanto um modelo secundário (o "Adversário") é treinado para tentar adivinhar a característica protegida do candidato a partir das representações de dados internas do Preditivo.³⁷

Se o Adversário tiver sucesso, isso significa que o Preditivo ainda está usando informações protegidas como proxy para o desempenho. O sistema então "penaliza" o Preditivo por meio de uma função de perda adversarial, forçando-o a "desaprender" os padrões tendenciosos.³⁶ Essa técnica é particularmente eficaz para remover vieses na análise de vídeo e em avaliações de personalidade nas quais sinais comportamentais poderiam servir como proxies para deficiência.³⁹

3. Auditoria de Equidade Contrafactual

A VerityAI não apenas audita a equidade a nível de grupo (por exemplo, "10% de todas as contratações são pessoas com deficiência?"); nós auditamos a "equidade individual" por meio de simulação contrafactual.³⁸ Isso envolve gerar variações sintéticas dos dados de um candidato real—alterando apenas seu atributo sensível e mantendo todas as outras variáveis constantes—para garantir que a recomendação da IA permaneça consistente.³⁸

Estratégia de Mitigação	Meta Técnica	Impacto na Equidade
CRL / Modelagem Estrutural	Isola caminhos causais de influência.	Previne a discriminação por variáveis proxy.
Treinamento Adversarial	Minimiza vazamentos preditivos.	"Remove" informações protegidas da lógica do modelo.
Análise Contrafactual	Garante consistência a nível individual.	Garante "tratamento igualitário" para candidatos similares.
Regularização Consciente da Equidade	Adiciona "penalidades" para resultados tendenciosos.	Força o modelo a priorizar a paridade junto com a precisão.

Projetando para a Neuroinclusão: O "Modelo Social" da IA

A denúncia contra a Aon destaca que a maior parte da tecnologia de contratação é construída sobre um modelo de "déficit médico" da deficiência—enxergando traços neurodivergentes como "problemas" a serem rebaixados na pontuação.⁴⁴ A Veriprajna defende uma abordagem de "Neurodiversidade de Precisão", que encara as diferenças neurológicas como manifestações naturais da diversidade cerebral humana.⁴⁴

Elasticidade Temporal e Multimodal

Avaliações padrão de IA frequentemente penalizam candidatos por tempos de resposta lentos ou pistas não verbais atípicas.⁵Uma solução de Deep AI deve implementar "elasticidade temporal"—reconhecendo que um tempo de resposta maior em uma entrevista em vídeo pode ser função da velocidade de processamento cognitivo ou da ansiedade, e não falta de competência.²⁰

A arquitetura da Veriprajna prioriza "pipelines de fusão multicanal" alinhados a linhas de base individuais.⁴⁵ Isso significa que a IA aprende como é o padrão "normal" para aquele candidato específico durante os estágios iniciais da entrevista, em vez de compará-lo a uma "média neurotípica".⁴⁵

O Mandato do "Caminho Alternativo"

Para cumprir com a ADA e padrões éticos, a IA empresarial deve incluir mecanismos de "Humano no Circuito" (HITL) e de "Opção de Exclusão" (Opt-Out).²¹ Todo convite de entrevista ou avaliação automatizada deve incluir uma opção clara para solicitar uma alternativa humana ou uma "Acomodação Razoável" sem penalidade.²¹

Além disso, a Veriprajna recomenda a transição para "Apenas Áudio" em ferramentas de vídeo.²¹ Ao desativar os recursos de análise facial e focar exclusivamente no conteúdo transcrito das respostas, as empresas podem eliminar 90% do viés contra candidatos neurodivergentes, mantendo a eficiência da transcrição e sumarização baseadas em IA.²¹

Governança Empresarial: O Playbook do NIST AI RMF

A transição de uma cultura de "wrapper" para uma cultura de "Deep AI" exige governança a nível de diretoria. O NIST AI Risk Management Framework (RMF) fornece o padrão para essa transição.⁴⁷

O Checklist de Supervisão Executiva

1.​ Estabelecer um Comitê de IA Responsável: Este deve ser um órgão multifuncional incluindo representantes jurídico, RH, TI e de defesa dos direitos de pessoas com deficiência.⁴⁹

2.​ Realizar Auditorias Anuais de Viés: Devem ser independentes e de terceiros. A dependência de "Model Cards" fornecidos por fornecedores é um risco de responsabilidade legal, como demonstra o caso da Aon.¹

3.​ Implementar "Simulações de Incêndio contra Viés": Assim como as empresas realizam testes de invasão de segurança cibernética, elas devem simular cenários de contratação no "pior caso"—por exemplo, um modelo que nega entrevistas a todos os candidatos autistas—para verificar se as salvaguardas internas detectam a distorção.⁵¹

4.​ Exigir Lógica de Inferência: Os fornecedores devem fornecer o "porquê" por trás de uma decisão de IA.²¹ Se um fornecedor não conseguir explicar a lógica do seu modelo de pontuação, trata-se de um risco "inescrutável" que não deve ser implantado em um ambiente de contratação de alto impacto.²¹

Níveis de Risco e Métricas de Implantação

O NIST define quatro níveis de maturidade em IA, de "Parcial" a "Adaptativo".⁴⁷ Para a contratação empresarial, é necessário um nível de maturidade "Adaptativo". Isso significa que a organização possui um processo sistemático e documentado para rastrear o "desvio discriminatório"—o fenômeno no qual um modelo de IA se torna mais tendencioso ao longo do tempo conforme interage com dados do mundo real.⁴⁷

Função do NIST RMF	Item de Ação para Líderes de RH	Métrica de Sucesso
GOVERNAR	Estabelecer responsabilidade a nível de diretoria pelos resultados da IA.	Zero processos judiciais/reclamações relatados.
MAPEAR	Documentar a finalidade e o contexto de cada ferramenta de IA.	"Lógica de Inferência" clara para cada candidato rejeitado.
MEDIR	Executar auditorias contínuas de viés usando CRL e ferramentas baseadas em CRL.	Disparidade de Paridade Demográfica < 5%.
GERENCIAR	Implementar opções de exclusão para "Acomodação Razoável".	100% de conformidade com solicitações sob a ADA.

Implicações Estratégicas: Por que Isso Importa para a Alta Liderança

A denúncia Aon-ACLU é o "Canário na Mina de Carvão" para a era da IA. Ela prova que os custos da IA "barata" são exponencialmente mais altos do que o investimento inicial em "Deep AI".⁵¹ Uma solução de "wrapper" pode economizar tempo no primeiro trimestre, mas gera passivos legais, financeiros e de reputação massivos que podem destruir o valor da empresa.⁵¹

A Economia de Talentos à Prova de Litígios

Até 2027, a economia global de talentos será avaliada em $30B.³⁷ As empresas que conseguirem provar que suas ferramentas de contratação são "meritocráticas" e "agnósticas a vieses" terão uma vantagem competitiva maciça na atração dos melhores talentos.³⁷ Indivíduos neurodivergentes, em particular, possuem habilidades extraordinárias em reconhecimento de padrões, atenção a detalhes e resolução criativa de problemas.⁵³ Uma empresa que usa uma triagem no estilo da Aon está sistematicamente filtrando justamente os talentos que impulsionam a inovação.²¹

A abordagem da Veriprajna não apenas "evita" o viés; ela "desbloqueia" talentos.³⁷ Ao substituir proxies opacos de "adequação de personalidade" por "verdades neurais" transparentes e lógica causal, permitimos que as empresas construam uma força de trabalho que não é apenas diversa, mas matematicamente otimizada para o desempenho profissional.³⁷

O "Contrato de Confiança"

Em última análise, a política de IA de uma empresa é um "Contrato de Confiança" com seus funcionários e clientes.³² Para manter essa confiança, os líderes devem ir além do hype de marketing da tecnologia "livre de viés" e abraçar a engenharia rigorosa de Deep AI. Isso significa exigir comprovação, conduzir auditorias rigorosas e projetar sistemas que valorizem igualmente o "cérebro padrão" e o "cérebro neurodivergente".³²

A denúncia da Aon é um chamado à ação. É hora de as empresas deixarem de ser "usuárias de IA" e passarem a ser "arquitetas de IA".³³ A Veriprajna está aqui para fornecer as diretrizes para esse futuro—um futuro em que a IA não seja uma barreira para a inclusão, mas o facilitador definitivo do potencial humano.⁵³

Referências citadas

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, acessado em 6 de fevereiro de 2026, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, acessado em 6 de fevereiro de 2026, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, acessado em 6 de fevereiro de 2026, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, acessado em 6 de fevereiro de 2026, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, acessado em 6 de fevereiro de 2026, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, acessado em 6 de fevereiro de 2026, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, acessado em 6 de fevereiro de 2026, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, acessado em 6 de fevereiro de 2026, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, acessado em 6 de fevereiro de 2026, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, acessado em 6 de fevereiro de 2026, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, acessado em 6 de fevereiro de 2026, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, acessado em 6 de fevereiro de 2026, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, acessado em 6 de fevereiro de 2026, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, acessado em 6 de fevereiro de 2026, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, acessado em 6 de fevereiro de 2026, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, acessado em 6 de fevereiro de 2026, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, acessado em 6 de fevereiro de 2026, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, acessado em 6 de fevereiro de 2026, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, acessado em 6 de fevereiro de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, acessado em 6 de fevereiro de 2026, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, acessado em 6 de fevereiro de 2026, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, acessado em 6 de fevereiro de 2026, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, acessado em 6 de fevereiro de 2026, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, acessado em 6 de fevereiro de 2026, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, acessado em 6 de fevereiro de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, acessado em 6 de fevereiro de 2026, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, acessado em 6 de fevereiro de 2026, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, acessado em 6 de fevereiro de 2026, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, acessado em 6 de fevereiro de 2026, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, acessado em 6 de fevereiro de 2026, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, acessado em 6 de fevereiro de 2026, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, acessado em 6 de fevereiro de 2026, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, acessado em 6 de fevereiro de 2026, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, acessado em 6 de fevereiro de 2026, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, acessado em 6 de fevereiro de 2026, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., acessado em 6 de fevereiro de 2026, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., acessado em 6 de fevereiro de 2026, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, acessado em 6 de fevereiro de 2026, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., acessado em 6 de fevereiro de 2026, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, acessado em 6 de fevereiro de 2026, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, acessado em 6 de fevereiro de 2026, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, acessado em 6 de fevereiro de 2026, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, acessado em 6 de fevereiro de 2026, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., acessado em 6 de fevereiro de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, acessado em 6 de fevereiro de 2026, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, acessado em 6 de fevereiro de 2026, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, acessado em 6 de fevereiro de 2026, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, acessado em 6 de fevereiro de 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, acessado em 6 de fevereiro de 2026, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, acessado em 6 de fevereiro de 2026, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, acessado em 6 de fevereiro de 2026, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, acessado em 6 de fevereiro de 2026, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, acessado em 6 de fevereiro de 2026, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, acessado em 6 de fevereiro de 2026, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, acessado em 6 de fevereiro de 2026, https://www.mdpi.com/2673-2688/6/7/143