Seu Risco de IA em Contratação Não É Independente: A Monocultura Algorítmica

Dez por cento dos candidatos que enviam quatro candidaturas são rejeitados em todas elas. A causa vai além da inadequação ao perfil das vagas: os quatro empregadores rodam variações do mesmo algoritmo de triagem, e esse algoritmo chegou ao mesmo veredito em cada uma. Um estudo de 3,4 milhões de candidatos e 4 milhões de candidaturas em 156 empregadores de 11 setores dá nome a esse modo de falha: monocultura algorítmica em contratação. O ponto inquietante vai além de algoritmos rejeitarem pessoas: eles rejeitam as mesmas pessoas em uníssono, e cada empregador isolado fica cego para isso de dentro do próprio funil.

Essa é a parte da IA em contratação que a conversa sobre governança vem ignorando. Já escrevemos sobre o RH se tornar uma função de governança, e sobre os números da McKinsey que mostram a velocidade com que a IA entra nas operações de pessoas. Esse enquadramento trata a IA de contratação de cada empresa como um risco próprio a gerenciar. O estudo quebra essa premissa. Quando mais de 90% dos empregadores nos EUA dependem de algoritmos para triar candidatos, e um pequeno número de fornecedores abastece a maioria deles, a sua exposição em IA de contratação está correlacionada com a dos seus concorrentes. O sistema que você opera é compartilhado, ainda que pareça seu.

O Que a Rejeição Correlacionada de Fato Provoca

Imagine o mercado de trabalho como um conjunto de portas. Sob decisões independentes, um candidato qualificado rejeitado em uma porta ainda tem chances reais na próxima, porque cada empregador pesa a candidatura de forma diferente. Essa diversidade de julgamento é o que faz o mercado funcionar. É a razão estatística pela qual um bom candidato acaba sendo contratado.

Agora substitua os julgamentos independentes por um único julgamento, copiado. O estudo modela exatamente isso, e o resultado é gritante. O número de candidaturas que alguém precisa enviar para conseguir uma única oferta sobe de cerca de 10 sob decisões independentes para 25 sob monocultura, um aumento de 150%. Os autores validaram isso contra dados reais de auditoria de Kline et al. (2022), então o número se sustenta fora da simulação. O mesmo candidato, as mesmas qualificações, duas vezes e meia o esforço, puramente porque as portas pararam de decidir de forma independente e passaram a decidir juntas.

Para o candidato, isso parece azar repetido. Para o mercado de trabalho, é uma ineficiência estrutural: pessoas qualificadas sem emprego porque o sistema perdeu a diversidade de opinião que lhes daria uma segunda olhada. E para o empregador, a parte que deveria chamar a atenção, significa que a sua rejeição de um candidato deixou de ser uma decisão só sua. Virou um resultado coordenado, alheio à sua intenção e fora do seu campo de observação.

A Superfície de Impacto Desproporcional

A rejeição correlacionada já seria um problema de mercado mesmo se fosse neutra em relação à raça. O estudo mostra que ela carrega viés racial mensurável.

Quando a mesma lógica de triagem é aplicada em escala, os vieses dela também são aplicados em escala. O estudo constatou que 25,87% das candidaturas de candidatos negros e 14,74% das de candidatos asiáticos foram direcionadas a posições que exibiam impacto desproporcional. Esses números são a assinatura sistêmica de poucos algoritmos tomando decisões correlacionadas em um mercado inteiro, e não bugs isolados de fornecedor. Um único modelo enviesado, usado por um empregador, prejudica quem se candidata ali. O mesmo modelo, espalhado por um setor inteiro, codifica esse viés na estrutura de quem é contratado em qualquer lugar.

É aqui que mora a exposição jurídica. A legislação trabalhista dos EUA tem uma doutrina consolidada de impacto desproporcional: uma prática de contratação neutra na aparência, mas que produz resultados discriminatórios, pode ser ilegal independentemente da intenção. “O algoritmo do nosso fornecedor fez isso” falha como defesa. O empregador responde pelos resultados das ferramentas que adota. Com os algoritmos da HireVue, sozinhos, usados por mais de 60% da Fortune 100, a pergunta para um departamento jurídico deixou de ser hipotética. Se o seu filtro produz impacto desproporcional, e você fica sem como comprovar que testou isso, esse resultado é seu diante de um regulador.

Por Que Isso Fica Invisível de Dentro

A característica que define o risco de monocultura é a invisibilidade para qualquer participante isolado. O seu funil parece saudável. Você recebe candidaturas, o seu filtro as processa, você faz contratações. Toda métrica que você consegue medir fica dentro das suas próprias quatro paredes.

O que escapa à sua medição é a experiência do candidato em todas as portas. Fica oculto para você que o forte candidato rejeitado também levou recusa dos seus três concorrentes mais próximos rodando o mesmo fornecedor. Fica oculto também que o seu filtro e o deles compartilham uma linhagem de treinamento que torna os erros deles os seus erros. A correlação é real, é consequente, e está estruturalmente fora do seu campo de visão. Por isso a monocultura é um problema de governança, que ultrapassa a mera qualidade de modelo. Qualquer ajuste no seu próprio algoritmo deixa intacto o fato de que ele se move em sincronia com o de todos os outros.

A concentração de fornecedores é o mecanismo. Quando um punhado de provedores abastece a triagem da maior parte de um setor, a correlação em todo o mercado vira o estado padrão, e deixa de ser um risco que talvez surja. A diversidade de julgamento precisa ser preservada de propósito, e neste momento quase ninguém a está preservando.

O Que Isso Muda em Como Você Governa a IA de Contratação

Duas mudanças decorrem disso, e ambas vão contra os hábitos atuais de compra.

Primeiro, a fatia de mercado do seu fornecedor passou a ser um dado de risco. O instinto na compra corporativa é escolher o fornecedor dominante porque todo mundo usa, então deve ser seguro. Em IA de contratação, essa lógica se inverte. Quanto mais concentrado o seu fornecedor, mais correlacionadas suas decisões ficam com o resto do mercado, e mais as suas rejeições se acumulam em resultados sistêmicos, expostos juridicamente, que ficam fora da sua observação. A popularidade do fornecedor virou o principal fator de risco na escolha.

Segundo, “nós testamos nosso modelo contra viés” é o escopo errado. A pergunta certa é se você consegue demonstrar julgamento independente nas suas decisões de contratação. Se o seu filtro, o filtro do seu concorrente e um terço do seu setor descendem todos do mesmo modelo de fornecedor, uma auditoria interna de viés da sua instância ignora por completo o efeito sistêmico. Você precisa saber, para além da justiça da ferramenta, se ela toma decisões que são genuinamente suas.

Faça Isto Agora

Descubra qual é a fatia de mercado do seu fornecedor de triagem no seu setor, e trate um número alto como um alerta. Depois rode um diagnóstico no seu pipeline de contratação: dos candidatos que você rejeitou por triagem automatizada no último trimestre, você tem um teste documentado de impacto desproporcional entre grupos protegidos, e conseguiria apresentá-lo a um regulador amanhã?

Diante de uma resposta negativa, você tem uma exposição a impacto desproporcional hoje indefensável, amplificada por cada concorrente rodando a mesma ferramenta. A correção exige mais do que um modelo melhor do mesmo fornecedor: pede uma decisão deliberada sobre onde o julgamento humano reentra no funil, para que as suas rejeições sejam decisões que você tomou, no lugar de resultados que um algoritmo compartilhado produziu em seu nome. A independência precisa ser projetada de volta. A monocultura é o padrão, e o padrão agora é um passivo.

Fontes

Algorithmic Monocultures in Hiring. “Algorithmic Monocultures in Hiring.” Junho de 2026.

A Victorino ajuda empresas a governar IA em contratação e outras funções de alto risco antes que o risco correlacionado vire passivo jurídico: contato@victorino.com.br | www.victorino.com.br