Scovai Scovai
Hiring 2026-11-18 1 min read

A foto gerada por IA elevou as pontuações desse candidato — e baixou as dos doze candidatos reais na mesma fila.

DSL

Dr. Sarah Liu

A foto gerada por IA elevou as pontuações desse candidato — e baixou as dos doze candidatos reais na mesma fila.

Doze candidatos reais. Processos idênticos, fotos idênticas, qualificações idênticas em cada condição. A única coisa que mudava era o que o avaliador tinha visto nos perfis intercalados entre eles. Quando esses outros perfis tinham fotos geradas por IA, os doze candidatos reais avançavam para entrevista em 72,5% das vezes. Quando os mesmos perfis tinham fotos comuns, em 77,4% (Cornell, Flórida e Penn, arXiv 2610.22553, 2026).

Nada nessas doze pessoas mudou. As suas probabilidades, sim.

É este o resultado em que um responsável de operações deve parar. A maior parte do debate sobre fotos geradas por IA na seleção trata-as como um problema de honestidade do candidato: alguém retocou a foto, importa-nos? A experiência aponta para algo menos confortável. O custo não recai sobre o candidato que usou a imagem sintética. Recai sobre todos os que são avaliados depois dele, e nada num registo de triagem comum mostra que isso aconteceu.

O que a experiência testou realmente

O estudo é uma simulação de recrutamento pré-registada, com 570 adultos norte-americanos a avaliar candidatos para um único cargo, Customer Success Associate (arXiv 2610.22553, 2026). Cada avaliador pontuou primeiro os mesmos quatro candidatos de referência. Depois foi atribuído aleatoriamente a uma de três condições em que oito perfis eram associados a:

  • rostos reais não modificados,
  • versões retocadas desses mesmos rostos, calibradas por um filtro de melhoria de um só toque para o consumidor, ou
  • rostos gerados por IA.

Entre esses oito estavam intercalados doze candidatos reais de teste, idênticos nas três condições. As qualificações escritas foram mantidas fixas em cada posição de perfil. Sem nomes, sem localizações.

O desenho separa duas perguntas que a investigação sobre seleção costuma misturar. Primeiro: um rosto sintético muda a forma como aquele candidato é pontuado? Segundo: ver rostos sintéticos muda a forma como o avaliador pontua a pessoa real seguinte? Os autores dizem com clareza qual lhes interessava: a questão principal «era se as imagens mudavam a forma como os participantes avaliavam os candidatos reais que se seguiam».

O candidato com a foto gerada por IA ganhou pouco. Os candidatos reais pagaram.

O efeito direto: pequeno e misto

Os perfis com rosto gerado por IA obtiveram pontuações um pouco melhores. A empregabilidade subiu b = 0,162 numa escala de 1 a 7 (P = 0,015) e a confiabilidade b = 0,130 (P = 0,047). Mas o resultado que importa operacionalmente, avançar para entrevista, não se moveu de forma significativa: 84,8% nos perfis com rosto gerado por IA contra 82,5% com rostos reais, um odds ratio de 1,218 com P = 0,265 (arXiv 2610.22553, 2026).

Assim, o candidato que submete a foto sintética compra uma avaliação ligeiramente mais calorosa e nenhuma vantagem fiável na entrevista.

O efeito a jusante: consistente e significativo nos três resultados

Quem se moveu foram os doze candidatos reais idênticos. Os avaliadores que tinham visto rostos gerados por IA pontuaram-nos mais baixo em empregabilidade (b = −0,146, P = 0,042) e em confiabilidade (b = −0,172, P = 0,007), e avançaram-nos menos vezes para entrevista: odds ratio de 0,768, P = 0,037, ou seja, a diferença de 72,5% contra 77,4% da frase inicial. Os valores P unilaterais pré-especificados, ajustados por Holm, foram 0,037, 0,037 e 0,011 (arXiv 2610.22553, 2026).

A diferença de cerca de cinco pontos é uma subtração minha de duas taxas publicadas. A medida de efeito que os autores sustentam é o odds ratio.

O controlo que faz disto um efeito de imagem sintética, não de retoque

A condição retocada transforma um resultado interessante num resultado útil. A exposição a fotos retocadas não produziu qualquer efeito a jusante: a empregabilidade foi 5,26 em ambas as condições, o avanço 78,2% contra 77,4%, a confiabilidade 5,23 contra 5,22 (arXiv 2610.22553, 2026).

O retoque convencional, o que todos os perfis do LinkedIn já têm, não deslocou a linha de base. O conjunto gerado por IA deslocou.

Por que as fotos geradas por IA na seleção são um problema de lote, não de candidato

Leia o resultado como alguém de operações, não como um eticista. A unidade do dano não é o candidato. É a fila.

A probabilidade de um candidato chegar à entrevista moveu-se vários pontos consoante quem mais estivesse na pilha do avaliador, enquanto o seu próprio processo se mantinha constante. Na maioria dos processos de triagem das médias empresas, a composição do lote não é uma variável controlada. As candidaturas chegam pela ordem em que o portal de emprego as entrega, os recrutadores trabalham-nas por sessões, e ninguém regista que imagens um avaliador viu antes de pontuar determinado candidato. Isso faz da mistura de imagens uma entrada não controlada numa decisão que se espera que consiga defender.

Não é a primeira vez que o contexto do avaliador pesa mais do que aquilo que é avaliado. Num programa de entrevistas por IA em produção, estudado em 2.611 gravações, um revisor pontuou os mesmos lotes 0,79 desvios-padrão abaixo de outro, e essa diferença de severidade foi suficiente para achatar uma melhoria real de 0,53 DP do sistema subjacente (Zhang, Liu e Esposito, arXiv 2610.07003, 2026). Outro cenário, a mesma lição: uma pontuação transporta informação sobre o avaliador e o contexto de avaliação, além do sujeito, e a maioria das organizações só audita o sujeito.

Por que a sua verificação de impacto adverso não o vai ver

O controlo instintivo contra o viés na triagem nos Estados Unidos é a regra dos quatro quintos: uma taxa de seleção de um grupo inferior a quatro quintos da taxa do grupo mais alto é, em geral, considerada pelas agências federais evidência de impacto adverso (29 CFR 1607.4(D), Uniform Guidelines).

Duas razões pelas quais esse teste é cego a este efeito. Esta é a minha inferência a partir do estudo, não um resultado do estudo.

A razão é demasiado pequena para disparar o limiar. 72,5% sobre 77,4% dá cerca de 0,94, bem acima do limiar de 0,8. Uma mudança real e estatisticamente significativa no avanço passa o filtro padrão com folga.

O grupo afetado não é um grupo demográfico. Os candidatos prejudicados não partilham nada além da sessão em que foram revistos. A análise de impacto adverso decompõe os resultados por características protegidas; não tem coluna para «foi avaliado depois de uma foto sintética». Se a mistura de imagens de um lote se correlacionar com quem se candidata por que canal, ou a que hora, o efeito pode surgir mais tarde como uma disparidade demográfica sem explicação e sem causa visível.

Para as equipas com operação na UE, o calendário não é urgente, mas está fixado: os sistemas de recrutamento e avaliação de candidatos enquadram-se no anexo III, e o artigo 113.º alterado aplica-lhes o regime de alto risco a partir de 2 de dezembro de 2027 (EU AI Act, artigo 113.º). Uma entrada não documentada numa pontuação humana é uma posição frágil para defender em qualquer regime de auditoria, seja qual for a data que se lhe aplique.

O que o estudo não mostra

O artigo é cuidadoso com os seus limites, e uma leitura credível tem de os transportar.

  • O estímulo foi deliberadamente extremo. Os rostos gerados por IA foram escolhidos por elevada atratividade avaliada, com média de 5,75 em 7, contra 2,99 dos rostos reais do mesmo conjunto. Os autores escrevem que o efeito a jusante «não deve ser assumido como descrevendo a produção comum de todos os geradores».
  • O mecanismo é desconhecido. Nas palavras dos autores, «a experiência diz-nos que a exposição importou, não porquê». As imagens geradas e as retocadas não estavam igualadas em atratividade, pelo que a origem da imagem não fica separada da intensidade do tratamento. Qualquer história sobre regularidade sintética versus pura atratividade é especulação.
  • Sem relação dose-resposta. A análise de transporte pré-especificada não encontrou efeito cumulativo à medida que os avaliadores viam mais imagens sintéticas. «Quanto mais fotos de IA, pior» não tem suporte.
  • Um cargo, uma sessão, apenas avaliadores norte-americanos, recrutados online. Um recrutador real, com contexto do domínio e um cargo familiar, pode comportar-se de forma diferente, num sentido ou noutro.
  • Sinais de subgrupo não são afirmações. O efeito a jusante distingue-se de zero entre os avaliadores homens e surge alguma heterogeneidade raça-por-exposição, mas as interações formais de género não foram significativas e essas análises não eram pré-especificadas (arXiv 2610.22553, 2026).

Nada disto inverte o ponto operacional. Dimensiona-o. Não precisa de acreditar que o efeito é grande no seu processo para aceitar que é uma entrada que hoje não consegue ver.

O que um responsável de operações deve fazer neste trimestre

A boa notícia é que este é um dos raros resultados de viés com um remédio barato e mecânico.

Tire os rostos da superfície de pontuação

Se uma foto não é um requisito da função, não deve estar no ecrã onde um revisor pontua um candidato. Oculte as imagens na fase de pré-seleção do seu ATS, ou elimine-as na entrada. Isto remove de uma só vez o efeito direto e o contraste a jusante e, com esta evidência, não custa nada em sinal: o estudo manteve as qualificações constantes, e os rostos de outros candidatos ainda assim moveram o resultado.

Registe o que cada revisor viu, não apenas o que decidiu

Se as fotos tiverem de continuar visíveis em algumas funções, registe as sessões de triagem: que candidatos um revisor pontuou, em que ordem, numa só sessão. Sem esse registo não poderá testar depois os efeitos de contexto, nem responder a um auditor que pergunte por que dois candidatos semelhantes tiveram resultados diferentes.

Audite por sessão e por fila, não apenas por demografia

Acrescente lote, revisor e sessão como dimensões da sua revisão trimestral de triagem. A evidência sobre a severidade dos avaliadores sugere que encontrará efeitos de revisor antes de efeitos de imagem; ambos são mais baratos de apanhar num painel do que numa disputa.

Seja preciso sobre o que um filtro de IA faz com as imagens

Há um pormenor do artigo fácil de perder. Os autores tentaram uma versão da experiência com avaliadores de IA e abandonaram-na no piloto: os modelos multimodais de ponta sabiam identificar o conteúdo da imagem quando questionados diretamente, mas «não incorporavam de forma consistente essa informação visual nos juízos de contratação» (arXiv 2610.22553, 2026). Um primeiro passo automatizado pode, portanto, não reagir de todo à imagem, enquanto o revisor humano a jusante reage. O desenho defensável especifica que o rosto não é entrada de pontuação em nenhuma fase, nem para o modelo nem para as pessoas. É o padrão que a Scovai define para o seu entrevistador, que pontua apenas a substância, nunca o tom, o sotaque ou o rosto; qualquer que seja a sua plataforma, escreva a regra equivalente e verifique que se cumpre.

A decisão deste trimestre

O candidato com a foto sintética ganhou pouco. As doze pessoas revistas depois dele perderam cerca de cinco pontos de probabilidade de entrevista por algo que nunca esteve no seu processo. As fotos geradas por IA na seleção não são uma questão de honestidade do candidato; são uma questão de saber se o seu processo de triagem controla as suas próprias entradas.

Escolha: retirar os rostos do ecrã de pré-seleção antes de abrir o próximo ciclo de contratação, ou começar a registar as sessões de triagem para poder provar que a fila não decidiu. Não fazer nenhuma das duas significa que as probabilidades de um candidato dependem de quem se candidatou imediatamente antes, e não conseguirá demonstrar o contrário.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.