Coloque 1.919 candidatos norte-americanos diante de dois sistemas de triagem por IA e force uma escolha: o atributo que mais os move não é a taxa de erro. É se um revisor humano decide. Num experimento conjoint pré-registrado publicado em setembro, o envolvimento humano aumentou em 0,272 a probabilidade de um sistema de triagem ser escolhido — estatisticamente indistinguível dos 0,285 obtidos ao reduzir rejeições indevidas de 30% para 10%, com o intervalo de confiança da diferença cruzando o zero (Wang, Sturgis & de Kadt, 2026).
Leia a troca duas vezes. Dois terços das suas rejeições falsas, ou um nome sobre a decisão. Os candidatos precificam as duas coisas quase igual.
Esse resultado é interessante. O próximo é operacionalmente caro, porque a maioria dos caminhos de rejeição no mid-market é construída sobre o seu oposto.
O preço que 1.919 candidatos atribuíram quando a troca era obrigatória
O desenho é a razão para levar isto a sério. Cada respondente fez oito escolhas entre pares de perfis de sistemas de triagem por IA — 30.704 perfis no total — com seis atributos randomizados de forma independente entre si: autoridade de decisão, taxa de erro, explicação, opt-out, recurso e auditoria independente de viés.
A randomização independente é o ponto metodológico. A literatura anterior costuma mover procedimento e desempenho juntos, logo não consegue dizer se os candidatos querem um recurso por si mesmo ou apenas pelos erros que ele corrige. Este desenho separa os dois, e foi pré-registrado antes da coleta dos dados.
A amostra é de pessoas em atividade, não de estudantes: idade média de 36,6 anos, 35,0% desempregados e em busca ativa, e 74,9% já avaliados por IA em algum momento da procura.
Esta é a tabela de preços, expressa como variação na probabilidade de ser escolhido (Wang, Sturgis & de Kadt, 2026):
| Atributo do sistema | Efeito na probabilidade de ser escolhido |
|---|---|
| A IA sugere, o humano decide | +0,287 |
| A IA faz a triagem primeiro, o humano decide | +0,257 |
| Envolvimento humano agregado | +0,272 |
| Recurso disponível | +0,156 |
| Opt-out disponível | +0,129 |
| Explicação disponível | +0,128 |
| Auditoria independente de viés | +0,068 |
| Reduzir a taxa de erro de 30% para 10% | +0,285 |
O envolvimento humano agregado superou o recurso, o opt-out e a auditoria de viés, cada um com p < 0,001. Envolvimento humano, recurso e opt-out superaram cada um a auditoria de viés, de novo com p < 0,001.
Um humano sobre a decisão vale cerca de quatro vezes uma auditoria independente de viés.
O recurso não ficou mais valioso quando o sistema piorou
Este é o achado que inverte a ordem padrão de remediação.
Se as salvaguardas processuais são seguro contra erros — se um recurso vale porque intercepta rejeições indevidas — então o seu valor tem de subir quando as rejeições indevidas se tornam mais frequentes. O experimento testou exatamente isso, com um limite de equivalência pré-registrado de ±0,05.
O valor do recurso não subiu. Nem o do opt-out, nem o da auditoria de viés, nem o da explicação. Recurso e opt-out passaram um limite mais rigoroso de ±0,03; auditoria de viés e explicação passaram o ±0,05 registrado. A previsão da correção de erros não foi confirmada para nenhum deles.
O recurso é o caso mais nítido, porque a sua função corretiva é a mais direta dos quatro. A sua interação com a taxa de erro foi não significativa, com intervalo de confiança de 90% dentro de ±0,03. O atributo dizia aos respondentes que havia reanálise disponível. Não dizia nada sobre o quão bem ela funcionava — e isso bastou, em todas as taxas de erro testadas.
O envolvimento humano foi o único atributo a ficar fora do limite, e os autores são cautelosos quanto a isso: a vantagem era de 0,285 com taxa de erro de 10%, 0,289 a 20% e 0,239 a 30% — não monótona, sensível à escala e não significativa sob logit (p = 0,21). Eles recusam explicitamente ler isso como perda de valor da revisão humana à medida que os erros aumentam. Você também não deveria.
A conclusão utilizável é mais estreita e mais firme: o trabalho de desempenho e o trabalho de procedimento respondem a demandas diferentes, e nenhum dos dois compra o outro. Um empregador que instala um modelo mais preciso retirando o humano da decisão ganha numa dimensão e perde na outra.
Uma auditoria de viés não é algo que um candidato possa invocar
Veja novamente a distância entre recurso (+0,156) e auditoria de viés (+0,068). A leitura dos autores é a frase mais transferível do estudo: a autoridade de decisão define quem decide, recurso e opt-out dão ao candidato algo a invocar, e uma auditoria examina resultados ao longo dos casos sem oferecer a nenhum indivíduo uma via.
São três funções distintas, e os regimes de compliance as tratam de modo muito diferente. A Local Law 144 de Nova York exige uma auditoria de viés mais um aviso explicando como solicitar um processo alternativo — e os regulamentos de aplicação não obrigam o empregador a efetivamente fornecer esse processo (NYC DCWP, 2023). O EU AI Act segue o outro caminho, exigindo supervisão humana de determinados sistemas de recrutamento ao abrigo do Anexo III(4)(a) e dos Artigos 14 e 26(2), enquanto o Artigo 22 do RGPD concede um direito qualificado de não ser sujeito a uma decisão exclusivamente automatizada, com direito a intervenção humana e a contestar o resultado (EU AI Act, 2024).
Se o seu stack de triagem por IA foi construído para satisfazer o primeiro regime, você tem documentação em nível de sistema. Os 1.919 respondentes valorizaram documentação menos do que tudo o mais testado.
Onde o revisor humano precisa realmente estar
Um último contraste tem peso real de desenho. Os respondentes preferiram "a IA sugere, o humano decide" (+0,287) a "a IA faz a triagem primeiro, o humano decide" (+0,257) por 0,030, com p < 0,001 — e essa preferência não se moveu com a taxa de erro (variação em toda a faixa +0,005, IC 95% [−0,026, 0,036]).
A diferença entre esses dois níveis é pequena nas palavras e grande na prática: só a primeira permite que um humano veja as candidaturas que a IA teria rejeitado. Os candidatos pagaram um prêmio mensurável por isso.
Os dados comportamentais apontam na mesma direção. Entre candidatos norte-americanos, 38% já desistiram pelo menos uma vez de um processo seletivo justamente por incluir uma entrevista conduzida por IA, e o gatilho de abandono mais citado — apontado por 33% — foi uma entrevista em vídeo pré-gravada pontuada por IA sem nenhum humano presente (Greenhouse, 2026).
Os atributos reforçam-se mutuamente? Apenas de raspão
Seria conveniente se um decisor humano e um recurso se multiplicassem. A evidência disso é fraca. O recurso foi mais valorizado quando já havia um humano envolvido — +0,025, IC 95% [0,004, 0,047] — mas a mesma interação perde significância sob especificação logit no modelo conjunto (p = 0,31). A interação do opt-out foi praticamente nula, em −0,0003.
Trate os atributos como aditivos, não sinérgicos. Você não está comprando um pacote em que um atributo valoriza outro; está comprando quatro coisas distintas que os candidatos precificam a quatro preços distintos. O conselho de sequência que decorre disso é pouco glamouroso: compre primeiro o caro.
A objeção honesta
Três limites, ditos com clareza.
São escolhas declaradas, não candidaturas. Uma escolha hipotética entre pares, sem opção de status quo e sem possibilidade de rejeitar ambas, é um instrumento limpo, não um registro de folha de pagamento. E os atributos foram apresentados como sem custo — o recurso do experimento não tem fila, nem atraso, nem desfecho incerto, e não é o recurso que você operaria de fato.
Um humano nominal não é um humano. Os autores sinalizam o modo de falha óbvio: um revisor no circuito pode aderir à recomendação que deveria conferir. A evidência de campo afia o ponto. Num experimento da Harvard Business School com 228 avaliadores analisando 48 submissões reais, recomendações de IA "caixa-preta" melhoraram a qualidade das decisões, enquanto as mesmas recomendações acompanhadas de uma explicação narrativa não — os avaliadores cumpriam desproporcionalmente as recomendações de rejeição, aumentando os falsos negativos (Lane et al., HBS, 2026). Um humano mais uma justificativa persuasiva pode ser pior do que qualquer um dos dois isolado. Candidatos querem alguém que decida; o seu funil precisa que essa pessoa realmente decida.
Os candidatos vão se candidatar de todo modo, e isso vai induzi-lo ao erro. A intenção de se candidatar a empregadores que usam IA na seleção foi em média 3,24 numa escala de cinco pontos, acima da crença na legitimidade da IA no recrutamento, em 2,85 (p < 0,001), e 7,8% dos respondentes combinavam legitimidade abaixo do ponto médio com intenção de se candidatar acima dele (Wang, Sturgis & de Kadt, 2026). O volume de candidaturas é um indicador imperfeito de que os candidatos aceitam o seu processo como legítimo. Um topo de funil saudável não é prova de consentimento.
O que mudar no caminho de rejeição antes de fechar o trimestre
Quatro movimentos, nenhum deles exige nova linha de orçamento.
- Pare de contabilizar o portal de recursos como trabalho de acurácia. Se o seu plano de remediação para reclamações de confiança dos candidatos é "ajustar o modelo e adicionar um formulário de recurso", você tem duas rubricas respondendo a uma única demanda e nenhuma respondendo à outra. Precifique-as separadamente, porque os candidatos o fazem.
- Mova o humano de supervisionar para decidir — especificamente no lado da rejeição. A versão que rende o +0,287 em vez do +0,257 é um humano que vê o que o modelo teria rejeitado, antes de ser rejeitado. O mecanismo que torna isso durável é uma regra de roteamento, mais do que uma política: pontuações abaixo do piso estatístico da respectiva coorte de cargo e senioridade são roteadas automaticamente para um revisor humano, numa fila que o recrutador responsável pela vaga não pode fechar sozinho. A Scovai documenta publicamente esse roteamento e a ponderação por trás dele na sua página de plataforma, caso queira uma referência concreta.
- Nunca troque a reanálise individual por uma auditoria. Acrescentar uma auditoria em nível de sistema removendo a reanálise individual muda o que um candidato pode fazer, não apenas o que você pode documentar — e troca o atributo valorizado em 0,156 pelo valorizado em 0,068.
- Substitua o volume de candidaturas como métrica de equidade. Instrumente a taxa de desistência na etapa de triagem por IA e a taxa de conclusão em avaliações pontuadas por IA. Essas se movem quando os candidatos objetam. As candidaturas não.
Direitos processuais se justificam por si. Não são uma cobertura contra a sua taxa de erro, e a sua taxa de erro não os substitui. Um revisor humano não é uma salvaguarda que se acrescenta quando o modelo se mostra pouco confiável — por esta evidência, é o que os candidatos estavam precificando desde o início, e o único atributo que nada mais na lista substituiu.
Então abra o seu caminho de rejeição esta semana e encontre a etapa em que aparece o nome de uma pessoa. Se o único nome ali pertence a um formulário, você tem documentação — não uma decisão.
