Previsão de rotatividade de colaboradores com IA: sinais, modelos e ética

Por Kevin Kim · Atualizado em 11 de outubro de 2026

A previsão de rotatividade (turnover) de colaboradores é o uso de aprendizado de máquina para estimar, a partir de dados de RH e de trabalho, a probabilidade de cada colaborador ou equipe sair dentro de um período definido, para que os gestores atuem sobre as causas antes que um pedido de demissão chegue. O resultado costuma ser uma probabilidade ou uma faixa de risco. É uma previsão, não um veredito, e a forma como você a usa importa mais do que o modelo que a produz.

Este guia é para líderes de RH, responsáveis por people analytics e gestores a quem estão oferecendo um dashboard de "risco de saída", ou que pensam em construir um. Ele cobre como os modelos funcionam, os sinais em que se apoiam, por que a acurácia é mais limitada do que um número de destaque sugere e as linhas éticas que vale traçar antes que alguém veja uma pontuação. Faz parte da seção IA em RH e se apoia em people analytics e IA.

Fatos Principais

• Os empregadores dos EUA registraram 3,1 milhões de pedidos de demissão em agosto de 2026, uma taxa de 1,9% no mês (BLS JOLTS). Sair em um único mês é um evento raro, e é por isso que prever é difícil.
• Uma revisão sistemática de 2024 em Expert Systems with Applications abrangeu 52 estudos publicados de 2012 a abril de 2023, encontrou mais de 20 técnicas de aprendizado de máquina em uso e apontou salário e horas extras como os fatores preditivos mais críticos (Expert Systems with Applications, via UAEU).
• Um estudo de 2019 da Universidade de Campinas treinou um classificador com os registros de 8.724 colaboradores de uma empresa real de bebidas no Brasil e relatou 79% de acurácia geral nos dados de teste (UNICAMP).
• Segundo o Artigo 22 do GDPR, as pessoas têm o direito de não ficar sujeitas a uma decisão baseada exclusivamente em tratamento automatizado, incluindo a definição de perfis, que as afete significativamente, e os controladores devem oferecer pelo menos a intervenção humana e uma forma de contestar (EUR-Lex).
• A Comissão Europeia lista as ferramentas de IA para emprego e gestão de trabalhadores como de alto risco, com essas regras valendo a partir de 2 de dezembro de 2027, e lista o reconhecimento de emoções em locais de trabalho como prática proibida (European Commission).

Como os modelos de rotatividade funcionam

Nos termos do ACE Framework, um modelo de rotatividade ingere dados estruturados de RH, analisa o histórico de quem ficou e de quem saiu e prevê uma probabilidade para as pessoas que ainda não saíram. É o padrão de pontuação (scoring) apontado para a sua própria força de trabalho, muitas vezes com uma camada de anomalias que sinaliza uma mudança brusca em uma equipe.

A mecânica é simples de descrever:

1. Escolha uma janela. "Esta pessoa vai sair nos próximos 6 meses?" é uma pergunta mais clara do que "Ela vai sair?"
2. Monte um histórico. Para cada retrato do passado, registre o que você sabia sobre a pessoa na época e se ela saiu na janela seguinte.
3. Treine. Um modelo aprende quais padrões do retrato costumavam anteceder uma saída. As técnicas mais comuns são regressão logística, árvores de decisão, florestas aleatórias e árvores com gradient boosting. Pesquisas mais recentes usam aprendizado profundo sobre históricos de carreira, como um artigo de janeiro de 2025 no arXiv que prevê a rotatividade em várias empresas com um conjunto de dados do mundo real (arXiv).
4. Pontue a força de trabalho atual. Todos os que continuam empregados recebem uma probabilidade.
5. Explique. Um sistema útil também diz quais fatores elevaram a pontuação, para que uma pessoa decida se o motivo é real e solucionável. Essa é a ideia por trás da IA explicável.

Dois pontos de enquadramento evitam muita confusão. Primeiro, trata-se de análise preditiva sobre um conjunto de dados pequeno e desbalanceado, que se comporta de forma muito diferente de prever cliques ou compras. Segundo, uma previsão descreve correlação. Um modelo pode aprender que pessoas sem promoção há três anos costumam sair sem dizer se uma promoção as teria mantido.

Sinais preditivos comuns

A maioria dos modelos se apoia em algumas famílias de dados. A tabela as agrupa conforme sua utilidade e sua sensibilidade.

Os estudos da revisão de 2024 apontam salário e horas extras como os fatores mais fortes, o que combina com a intuição: são registrados de forma confiável, mudam ao longo do tempo e se conectam a motivos reais de saída. Os sinais no fim da tabela são os que exigem mais cuidado. Idade e distância do trajeto podem representar discretamente características protegidas. O rastro digital, como padrões de mensagens ou de navegação, é ao mesmo tempo impreciso e corrosivo para a confiança e, na UE, inferir emoções no trabalho é expressamente proibido.

Se você quer saber o que é realista alimentar em um modelo, comece por fundamentos de dados de RH para IA. A maioria dos projetos de rotatividade que fracassam fracassa na qualidade dos dados, não nos algoritmos.

Limites de acurácia que você precisa entender

Um fornecedor que cita "90% de acurácia" está dizendo muito pouco. Eis o porquê.

Sair é raro, então a acurácia lisonjeia. O BLS registrou uma taxa de pedidos de demissão de 1,9% em agosto de 2026. Mesmo ao longo de um ano, a maioria dos colaboradores fica. Um modelo que prevê "todos ficam" acerta na maior parte do tempo e não serve para nada. A acurácia precisa ser substituída por medidas que se importem com quem sai: precisão (das pessoas sinalizadas, quantas saíram), recall (das pessoas que saíram, quantas foram sinalizadas) e AUC.

Os falsos alarmes superam os acertos. Eis uma ilustração hipotética, não um resultado medido. Tome 1.000 colaboradores, dos quais 150 sairão neste ano. Um bom modelo identifica 105 dos 150 (recall de 70%) e sinaliza por engano 170 dos 850 que ficam (20% de falsos alarmes). São 275 pessoas sinalizadas, e apenas 105 delas, cerca de 38%, de fato saem. Um gestor que olha essa lista está olhando, na maior parte, para pessoas que teriam ficado.

Números publicados não são portáteis. O estudo da empresa brasileira de bebidas relatou 79% de acurácia geral em uma força de trabalho real de 8.724 pessoas. Resultados de uma empresa, um período e um conjunto de campos raramente se transferem, e alguns estudos publicados são construídos sobre arquivos de RH de amostra sintéticos, que dizem pouco sobre forças de trabalho reais. Avalie qualquer modelo com o seu próprio histórico.

O mundo muda. Um modelo treinado antes de uma reorganização, de um congelamento salarial ou de um boom de contratações aprendeu uma força de trabalho diferente da que você tem agora. As pontuações se desviam, e um modelo que ninguém retesta continua parecendo confiável enquanto piora.

Previsão não é causalidade. Mesmo uma boa pontuação só diz onde olhar. A causa se descobre conversando com as pessoas.

Exemplos reais por função

Parceiro de negócios de RH (HRBP). Um parceiro revisa o risco por equipe a cada trimestre, não pontuações individuais. Um grupo de engenharia mostra risco elevado, com muitas horas extras e nenhuma promoção em dois anos. O parceiro leva o assunto ao diretor como um problema de carga de trabalho e de trilha de carreira, sem apontar nenhum indivíduo.

Gestor de operações da linha de frente. Em uma unidade com turnos, a volatilidade das escalas e os padrões de horas extras não pagas preveem saídas. O gestor corrige as escalas e limita os turnos noturnos consecutivos. O valor do modelo foi apontar para o processo de escalas, não para algum trabalhador.

Equipe de remuneração. O modelo sinaliza continuamente pessoas muito além do último aumento em um cargo em que o salário de mercado subiu. A remuneração usa isso para conduzir uma revisão salarial direcionada, uma ação clara e defensável, com uma justificativa simples.

Liderança de vendas. Mostra-se a um diretor de vendas que representantes que ficam abaixo da meta por dois trimestres seguidos saem em taxas maiores. A resposta é coaching e revisão de território mais cedo, não uma advertência ao representante.

Jurídico e privacidade. O departamento jurídico confirma quais dados podem ser usados legalmente, que aviso os colaboradores recebem e se é necessária uma avaliação de impacto à proteção de dados. Essa equipe deve estar na sala antes do piloto, não depois.

A ética de agir sobre uma pontuação de risco de saída

Uma pontuação cria um novo tipo de informação sobre uma pessoa que ela não forneceu e que talvez nem saiba que existe. A forma como você a trata é o verdadeiro teste.

Não deixe que ela toque decisões sobre pessoas. Uma pontuação de risco nunca deve reduzir o acesso de alguém a promoções, projetos, treinamento ou aumentos sob a teoria de que a pessoa vai sair de qualquer jeito. Isso transforma uma previsão em uma profecia autorrealizável. Pode também ser ilegal: o Artigo 22 do GDPR limita decisões baseadas exclusivamente em tratamento automatizado que afetem significativamente as pessoas, e o EU AI Act trata a IA de emprego como de alto risco. Se você opera nos EUA ou em outro lugar, as regras diferem e continuam mudando, então busque aconselhamento jurídico para cada jurisdição.

Use a pontuação para melhorar condições, não para vigiar indivíduos. Os usos mais éticos corrigem as causas que o modelo trouxe à tona: defasagens salariais, sobrecarga, carreiras bloqueadas, um gestor ruim. Os usos menos éticos avisam a um gestor que uma pessoa nomeada está "em risco" para que ele "administre" essa pessoa.

Mantenha as pontuações longe dos gestores diretos por padrão. Visões agregadas por equipe ou departamento dão o insight sem a rotulagem. Se pontuações individuais tiverem de ser usadas, limite quem as vê, registre o motivo e apague-as conforme um cronograma.

Verifique o viés. Compare os erros do modelo entre grupos definidos por gênero, idade, raça, deficiência e condição de cuidador onde você tiver permissão para isso. Um modelo que sinaliza em excesso mulheres na faixa dos trinta anos porque o histórico mostra mais saídas em torno da licença parental está codificando um padrão, não uma verdade. O conceito é explicado em viés em IA.

Seja aberto sobre isso. Diga aos colaboradores quais dados são usados e para quê. A pontuação secreta prejudica a confiança mais rápido do que a maior parte da rotatividade.

Fique longe da vigilância comportamental. Ler mensagens, rastrear a navegação ou inferir o humor para detectar "afastamento" é invasivo, sujeito a erros e, no caso do reconhecimento de emoções na UE, proibido. Se um sinal exige observar as pessoas de perto, é o sinal errado.

Como implementar a previsão de rotatividade passo a passo

1. Defina primeiro a decisão. Escreva o que você faria de diferente se soubesse onde o risco se concentra. Se a resposta for "nada", não construa.

2. Comece pela alternativa barata. Olhe os dados de saída, os temas das entrevistas de desligamento, as notas de engajamento e as taxas de saída por gestor e por faixa de tempo de casa. Muitas organizações encontram os grandes fatores sem nenhum modelo.
3. Audite seus dados. Verifique se você tem registros consistentes de contratações, saídas (separando as voluntárias das involuntárias), histórico salarial, mudanças de cargo e atribuições de gestor ao longo de pelo menos alguns anos. Exclua as saídas involuntárias da variável-alvo.
4. Defina o escopo no nível de equipe. Decida que os resultados são agregados, quem pode ver o quê e quais ações estão dentro dos limites.
5. Escolha o modelo mais simples que funcione. Regressão logística ou um modelo baseado em árvores, com explicações, geralmente basta. Compare-o com uma linha de base simples, como "faixa de tempo de casa mais posição salarial".
6. Teste com honestidade. Treine com dados mais antigos e teste no período mais recente. Informe precisão, recall e AUC, não apenas acurácia, e verifique os erros entre grupos.
7. Faça o trabalho de privacidade. Documente a base legal, faça uma avaliação de impacto onde for exigida e avise os colaboradores.
8. Faça um piloto com um ciclo de revisão humana. Peça que o RH se sente com os gestores para perguntar se os fatores correspondem ao que eles veem. Registre os casos em que o modelo errou.
9. Meça a intervenção, não o modelo. O objetivo é menos saídas lamentadas. Compare equipes tratadas e não tratadas e acompanhe se ações como revisões salariais ou mudanças de carga de trabalho alteraram os resultados.
10. Reteste conforme um cronograma. Reavalie pelo menos uma vez por ano e após qualquer grande mudança organizacional.

Para ver como isso se encaixa em toda a jornada do colaborador, veja IA ao longo do ciclo de vida do colaborador. E para saber quem é responsável pelo quê em uma área de RH que adota isso, veja IA e o modelo operacional de RH.

Erros comuns

• Comprar com base em um número de acurácia de destaque. Peça precisão, recall, os dados usados e como foi testado.
• Prever antes de corrigir os dados. Uma codificação bagunçada das saídas (pedido de demissão versus dispensa versus aposentadoria) arruína a variável-alvo.
• Pontuar indivíduos quando equipes bastariam. Rótulos individuais acrescentam risco e pouco insight.
• Esconder o modelo. Se os colaboradores descobrirem a pontuação secreta, o dano supera qualquer benefício.
• Tratar a pontuação como a causa. O modelo diz onde olhar. As pessoas dizem por quê.
• Agir apenas sobre pontuações altas. Algumas das suas melhores pessoas saem em silêncio com pontuações baixas, e algumas pessoas sinalizadas estão perfeitamente acomodadas.
• Nunca retestar. Um modelo desatualizado é confiante e errado.