A Rippling decide quais modelos de IA um funcionário pode chamar lendo os atributos desse funcionário no sistema de RH. O registro de emprego é a fonte: cargo, departamento, nível, gestor. Se o organograma diz que você é engenheiro backend sênior no time de plataforma, o gateway libera sua requisição para o modelo caro. Se diz que você mudou para o suporte no mês passado, o gateway bloqueia.
Isso foi lançado em agosto de 2026, na mesma quinzena em que a Coinbase publicou um ano de reconstrução da própria entrevista de engenharia em torno da supervisão de IA, e em que um experimento de campo pré-registrado com mais de 70 mil candidatos reportou uma entrevistadora de IA superando entrevistadores humanos em ofertas, em início efetivo no cargo e em retenção após um mês. Três artefatos, três empresas, nenhuma coordenação. Os três moveram um pedaço da autoridade sobre IA para dentro do sistema de pessoas.
O Filtro de Contratação Agora Testa Supervisão
A Coinbase relata que o código gerado por IA passou de 5,7% de tudo que foi mergeado no primeiro trimestre de 2025 para mais de 50% no quarto trimestre de 2025, chegando ao que a empresa chama de “aproximadamente 100%” hoje. Humanos continuam revisando tudo. O processo de entrevista precisou ser reconstruído para acompanhar, e o raciocínio no post é incomumente direto: “Queremos que a régua pela qual entrevistamos reflita a régua pela qual operamos. Não dá para contratar engenheiros para trabalhar ao lado da IA se ainda estamos selecionando pela capacidade de trabalhar sem ela.”
A rubrica resultante avalia Fluência em IA em três dimensões: Uso, Aplicação e Compreensão dos Limites. As duas primeiras qualquer empresa adivinharia. A terceira é a dimensão de governança. Ela pergunta se o candidato identifica implicações de privacidade e segurança naquilo que o modelo produziu, e se aplica julgamento humano como guarda-corpo em vez de aceitar a saída. É uma competência de controle sendo testada na porta de entrada, antes de a pessoa ter qualquer acesso a sistema.
A Coinbase também fez algo que a maioria dos times de contratação nunca faz: mediu o próprio processo. Uma análise interna encontrou 84% de correlação entre duas etapas de entrevista, que é a maneira educada de dizer que uma delas era redundante. A redundante foi cortada. Novos contratados respondem pesquisas de pulso aos 45 e aos 90 dias, com a meta declarada de que 100% deles mantenham ou melhorem sua nota de Fluência em IA depois da entrada. A implantação rodou em três fases: piloto no frontend no segundo semestre de 2025, backend em janeiro de 2026, e toda a empresa em março de 2026.
Um líder de engenharia citado no post enquadra a economia disso: “Quando o custo de construir vai a zero, o custo de identificar o que construir, verificar que está correto e colocar em produção com segurança se torna o fator limitante.” Se isso vale, o filtro de contratação é o primeiro lugar onde a capacidade de verificação da organização é definida. Tudo o que vem depois herda esse limite.
A Própria Entrevistadora Virou um Modelo
O experimento nas Filipinas é a peça que vai incomodar. Em um estudo de campo pré-registrado de 2025 (SSRN abstract 5395709), mais de 70 mil candidatos a vagas de atendimento ao cliente de nível de entrada foram randomizados: 20% para um entrevistador humano, 60% para uma entrevistadora de IA e 20% com direito de escolha. Os candidatos entrevistados por IA tiveram 12% mais chance de receber oferta, 18% mais chance de efetivamente começar no cargo e 17% mais chance de ainda estarem empregados um mês depois. Entre os que puderam escolher, 78% escolheram a IA.
Duas ressalvas pesam de verdade aqui. A primeira: humanos tomaram a decisão de contratação em todos os braços do experimento. O modelo conduziu a conversa e não assinou nada. A segunda: o texto da MeasuringU observa que as perguntas da entrevista por IA eram “majoritariamente fechadas, factuais, de verificação, coisas como tempo de deslocamento, adequação salarial, disponibilidade e dados de contato”. Isso é triagem, e triagem é justamente a tarefa estruturada o bastante para um modelo ir bem.
A fronteira aparece em outro ponto da mesma linha de pesquisa. O NN/Group testou dez pesquisadores experientes contra dois moderadores de IA e considerou a IA adequada para entrevistas estruturadas e ainda inadequada para as semiestruturadas. E 419 profissionais de pesquisa assinaram cartas contrárias ao uso de IA em pesquisa qualitativa, o que é um sinal forte sobre onde os praticantes acreditam que a competência termina.
Já argumentamos que modelos correlacionados de contratação criam monocultura algorítmica, e esse risco continua de pé. O que o desenho randomizado acrescenta é inconveniente: em retenção, em escala, numa tarefa de triagem estruturada, o modelo teve desempenho superior. Uma posição de governança apoiada em “a entrevistadora de IA é pior” precisa agora de outra fundação. A posição defensável trata de escopo e de quem assina.
Política de Gasto Ancorada no Organograma
Os números da própria Rippling, autodeclarados e sem metodologia publicada, descrevem o problema que gerou o produto. O gasto com tokens de IA crescia 80% mês a mês, numa trajetória rumo a 40% do orçamento de headcount de P&D no primeiro ano e 90% no ano seguinte. Entre 10% e 15% dos funcionários respondiam por cerca de 60% do gasto. Um engenheiro sozinho gastava US$ 50 mil por mês.
O AI Spend Console foi o que construíram, e o desenho importa mais do que o número de economia. O gateway deles aplica três coisas no momento da requisição: teto mensal em dólares por ferramenta, roteamento automático para LLMs aprovados e política de acesso a modelo ancorada em atributos do funcionário. O gasto caiu para 10-15% do orçamento de headcount. Eles também nomearam 20 “AI Captains” pela organização, e o resumo que fizeram do exercício vale guardar: “A restrição criou a inovação.”
O terceiro ponto de aplicação é o que merece uma pausa. Política de acesso a modelo ancorada em atributos do funcionário significa que a decisão de permissão é função do dado de RH. Quando alguém troca de time, o acesso a modelos muda, porque o registro de emprego mudou. Quando a classificação de um prestador está errada no HRIS, as permissões dele estão erradas no gateway. O organograma virou entrada de política avaliada em tempo de requisição.
Uma coisa que a Rippling explicitamente não faz: o cruzamento entre gasto e resultado, rodado contra notas de avaliação de desempenho e volume de PRs, apenas reporta. Nada é bloqueado com base nisso. Essa contenção é a decisão certa hoje, e é também exatamente o lugar onde alguém menos cuidadoso vai cruzar a próxima linha.
A Direção do Movimento
Escrevemos antes que governança de crédito é o template que funciona para política de gasto com IA. Naquele modelo, o financeiro concede a autoridade: um limite, um aprovador, uma fatura. O que estes três artefatos mostram é outro concedente. Quem é contratado, quem avalia essa pessoa e em quais modelos ela pode gastar são decisões tomadas hoje por dados que vivem no sistema de pessoas.
Quase ninguém governa esse sistema como plano de controle. O dado de HRIS foi desenhado para exatidão de folha, relatório de headcount, elegibilidade de benefícios e obrigações acessórias. Foi construído com as tolerâncias que esses usos permitem. Um campo de departamento desatualizado por três semanas depois de uma transferência é erro de arredondamento num relatório de headcount. É defeito de autorização num gateway de modelos. Título de cargo em texto livre, editado à mão por parceiros de negócio de RH, serve bem para um organograma e é perigoso como predicado de política. Registros de prestadores e fornecedores que nunca foram feitos para carregar permissões agora as carregam.
O modo de falha é discreto. Uma promoção concede silenciosamente acesso a um modelo de fronteira sem teto de gasto. Uma transferência preserva silenciosamente um acesso que deveria ter caído. Nenhum dos dois gera alerta, porque o sistema de RH não sabe que virou um sistema de autorização. A lógica que aplicamos a agentes como headcount, com OKRs e orçamento roda ao contrário aqui: o sistema de pessoas começou a tomar decisões de máquina antes de alguém lhe dar controles de máquina.
O Que Fazer Neste Mês
Puxe a lista de atributos que seu gateway de IA, roteador de modelos ou plataforma de agentes lê do HRIS. Se ninguém conseguir produzir essa lista em dez minutos, esse já é o achado, e o resto deste exercício é teórico até a lista existir.
Depois, para cada atributo dela, responda quatro perguntas. Quem pode alterar esse campo, e essa pessoa sabe que ele concede acesso a modelo? Quanto ele pode ficar desatualizado, medido em dias entre o evento real e a atualização do registro? O que acontece no valor nulo ou padrão, e isso falha liberando? Uma mudança nesse campo fica registrada onde um time de segurança olharia, ou só na trilha de auditoria do RH?
Leve a mesma lista a quem é dono do seu processo de entrevista. Se o seu processo de contratação agora avalia competência de supervisão de IA, como o da Coinbase avalia, essa rubrica é um controle. Ela merece histórico de versões, dono nomeado e revisão periódica, como merece uma política de acesso. Se uma IA conduz qualquer parte dessa triagem, escreva quais perguntas ela pode fazer e quem assina a decisão, e trate a fronteira entre trabalho estruturado e semiestruturado como a linha que os resultados do SSRN de fato sustentam.
Organizações que passaram os últimos dois anos construindo governança de IA para engenharia vão achar a conversa com o RH mais difícil, porque os donos são outros, o vocabulário é outro e as premissas de qualidade de dado foram definidas por um conjunto de requisitos muito diferente. Comece assim mesmo. A fonte de permissão já se moveu.
Fontes
- Coinbase. “Interviewing Engineers in the AI Era: Lessons from a Year of Rebuilding.” Julho de 2026.
- MeasuringU, Jeff Sauro, Lucas Plabst e Jim Lewis. “Can We Trust AI to Moderate UX Interviews?.” Agosto de 2026.
- Rippling, Whitney Zack e Catalina Zhao. “Introducing AI Spend Console.” Agosto de 2026.
A Victorino ajuda organizações a auditar os atributos de RH que as plataformas de IA já tratam como entrada de autorização: contato@victorino.com.br | www.victorino.com.br
Todos os artigos do The Thinking Wire são escritos com o auxílio do modelo LLM Opus da Anthropic. Cada publicação passa por pesquisa multi-agente para verificar fatos e identificar contradições, seguida de revisão e aprovação humana antes da publicação. Se você encontrar alguma informação imprecisa ou deseja entrar em contato com o editorial, escreva para editorial@victorino.com.br . Sobre o The Thinking Wire →
Se isso faz sentido, vamos conversar
Ajudamos empresas a implementar IA sem perder o controle.
Agendar uma Conversa