IA para relatórios de RH: perguntas sobre dados de pessoas em linguagem simples

Por Kevin Kim · Atualizado em 11 de outubro de 2026

A IA para relatórios de RH significa permitir que as pessoas façam perguntas aos dados de RH em linguagem cotidiana, como "Qual foi a rotatividade voluntária no suporte no último trimestre?", e que um software traduza a pergunta em uma consulta, execute-a sobre dados governados e devolva uma tabela, um gráfico ou uma explicação curta. A técnica por trás disso costuma ser o text-to-SQL: um modelo de linguagem escreve a consulta ao banco de dados para que quem pergunta não precise fazê-lo. Bem feito, elimina a fila de pedidos de relatórios. Mal feito, entrega números errados com toda a confiança, ou o salário de alguém, à pessoa errada.

Este guia é para líderes de RH, responsáveis por people analytics e parceiros de negócios de RH a quem estão mostrando uma demonstração de "converse com os seus dados de RH". Ele cobre como funciona a consulta em linguagem natural, o que muda para dashboards e relatórios recorrentes, como controlar quem pode ver o quê e como conferir se as respostas estão certas. Faz parte da seção IA em RH e se apoia em people analytics e IA.

Fatos Principais

• No benchmark de text-to-SQL BIRD (12.751 pares de pergunta e SQL sobre 95 bancos de dados grandes, 33,4 GB), engenheiros de dados e estudantes de banco de dados humanos alcançam 92,96% de acurácia de execução. O melhor modelo do ranking geral marcou 82,95% no conjunto de teste em 7 de setembro de 2026, cerca de 10 pontos atrás (BIRD leaderboard).
• Quando o BIRD foi apresentado, o melhor modelo testado, o ChatGPT, alcançou 40,08% de acurácia de execução, contra 92,96% dos humanos (arXiv). Os ganhos nos benchmarks foram acentuados, e a distância para os humanos permanece.
• Um artigo de 2022 na Transactions on Data Privacy argumenta que dez é um tamanho mínimo de célula popular no controle de divulgação, mas sem justificativa estatística acima de três, e que não há relação monotônica entre um limite e o risco (Ritchie, Transactions on Data Privacy).
• O AI Risk Management Framework do NIST, lançado em 26 de janeiro de 2023, organiza o trabalho com riscos de IA em quatro funções: Govern, Map, Measure e Manage (NIST).
• O teste do intruso motivado do ICO do Reino Unido pergunta se uma pessoa razoavelmente competente, com acesso a recursos como a internet e registros públicos, poderia identificar alguém a partir de informações supostamente anônimas (ICO).

O que muda quando os relatórios de RH se tornam conversacionais

Os relatórios tradicionais de RH têm três camadas. Os analistas constroem dashboards para as perguntas que conseguem prever. Todo o resto vira um chamado: um diretor quer a rotatividade por faixa de tempo de casa e por gestor, um analista gasta dois dias para levantar e, quando chega, a reunião já acabou.

Em termos do ACE Framework, os relatórios conversacionais ingerem dados estruturados de RH, os analisam com uma consulta e geram uma resposta legível. Três peças fazem isso funcionar:

1. Uma interface de linguagem. Um modelo lê a pergunta usando processamento de linguagem natural e descobre o que está sendo pedido: qual métrica, qual população, qual janela de tempo.
2. Uma camada de tradução. O modelo escreve uma consulta, normalmente em SQL, sobre as suas tabelas de RH. Esta é a etapa de text-to-SQL.
3. Uma camada de dados governada. A consulta roda sobre um conjunto definido de tabelas, métricas e permissões, não sobre a folha de pagamento bruta e os arquivos de casos.

A terceira peça é a que decide se o projeto funciona. Um modelo a quem se pede que adivinhe o que "headcount" significa a partir dos nomes das colunas vai adivinhar de um jeito na terça e de outro na segunda. Uma camada semântica resolve isso. É um dicionário mantido que diz "headcount significa colaboradores ativos com registro de emprego no último dia do período, excluindo trabalhadores contingentes", "a rotatividade voluntária exclui aposentadorias" e "o tempo de casa é medido a partir da data de contratação original". O modelo escolhe entre definições governadas em vez de improvisá-las.

Os dashboards também mudam. Em vez de quarenta gráficos fixos, você mantém um conjunto menor de gráficos confiáveis para o conselho e para o ritmo mensal e deixa as pessoas fazerem perguntas de acompanhamento por cima: "Detalhe isso por localidade", "Exclua os estagiários", "Compare com o ano passado". Os relatórios programados podem acrescentar uma explicação, uma frase sobre o que se moveu e um alerta quando um número sai da sua faixa normal. Esse é o padrão que um agente de relatórios segue: coletar em horário programado, montar o relatório, sinalizar anomalias e enviá-lo às pessoas certas.

Qual é, de fato, a acurácia do text-to-SQL?

Melhor do que era, e ainda não o bastante para confiar às cegas. Os números ajudam a calibrar.

O BIRD é um benchmark muito usado, construído a partir de bancos de dados bagunçados de aparência real, com perguntas que exigem conhecimento do negócio para serem respondidas. No lançamento, em 2023, o melhor modelo testado acertou cerca de 40% das perguntas em acurácia de execução, enquanto os humanos acertaram 92,96% (arXiv). O ranking atual mostra o melhor modelo geral com 82,95% no conjunto de teste em 7 de setembro de 2026, ainda cerca de dez pontos abaixo dos humanos (BIRD leaderboard). É um salto grande e uma distância real.

Leia isso com cuidado. A acurácia de um benchmark mede se a consulta devolve o mesmo resultado que uma consulta de referência. Os seus dados de RH trazem problemas que um benchmark não tem:

• Palavras ambíguas. "Colaboradores" pode incluir prestadores de serviço. "Último trimestre" pode ser fiscal ou civil. "Gestor" pode ser o gestor direto ou o chefe no organograma.
• Histórico bagunçado. Reorganizações, recontratações, mudanças de nome e correções retroativas complicam contagens simples.
• Terminologia que difere de empresa para empresa. "Rotatividade lamentada" ou "alto desempenho" existem apenas nos seus documentos de política.
• Erros silenciosos. Uma consulta errada que roda não gera erro. Devolve um número plausível. É a mesma família de falha da alucinação de IA, exceto que a resposta inventada chega formatada como um gráfico.

Portanto, a conclusão prática não é "não use". É "torne confiáveis as perguntas fáceis e torne a resposta inspecionável". Mostre ao usuário a consulta, as definições usadas e os filtros aplicados, para que uma pessoa possa ver que "rotatividade" significou apenas saídas voluntárias.

Exemplos reais por função

Parceiro de negócios de RH. Antes de uma revisão trimestral, um HRBP pergunta: "Quais equipes de operações tiveram rotatividade anualizada acima de 15%, e há quanto tempo estavam aqui as pessoas que saíram?" A ferramenta devolve uma tabela. O HRBP nota que duas equipes pequenas dominam o resultado e pede os números por faixa de tempo de casa. O acompanhamento leva um minuto, não um chamado.

Líder de recrutamento. "Quantos dias levou para preencher as vagas de engenharia abertas no primeiro semestre, e em que ponto os candidatos desistiram?" A resposta cruza os dados do sistema de acompanhamento de candidatos e do HRIS. O líder vê que a desistência fica entre a triagem do gestor da vaga e a entrevista presencial e leva o assunto ao gestor para correção.

Analista de remuneração. "Mostre a posição na faixa salarial por nível de cargo para a organização de vendas." Esta pergunta toca em dados sensíveis, então é um bom teste do controle de acesso. O analista com direitos sobre remuneração a recebe. Um gestor de linha que faz a mesma pergunta recebe os números da própria equipe, ou uma recusa.

Parceiro de finanças. "Qual é o nosso headcount por centro de custo no fim do mês, comparado com o orçamento?" O valor aqui é a consistência: o RH e as finanças veem o mesmo número porque ambos usam a mesma definição na camada semântica.

CHRO. Um resumo semanal programado chega à caixa de entrada: movimentação do headcount, requisições abertas, tendências de ausência e uma nota de que as horas extras em uma unidade ficaram acima da faixa normal por três semanas. O CHRO pode clicar e perguntar por quê.

Autoatendimento do colaborador. Um colaborador pergunta ao assistente de RH quantos dias de férias ainda tem. É uma consulta de uma única pessoa, não uma análise, e pertence ao padrão de autoatendimento do colaborador, com permissões próprias e muito mais restritas.

Controles de acesso: quem pode perguntar o quê

Os dados de RH estão entre os mais sensíveis que uma empresa guarda. Uma interface conversacional facilita o acesso, que é o objetivo, e também facilita os erros. Os controles abaixo não são opcionais.

Acesso baseado em perfis, aplicado na camada de dados. Não confie em um prompt que diga "não mostre salários aos gestores". Os prompts podem ser contornados na conversa. As permissões devem ser aplicadas no banco de dados ou na camada semântica, de modo que a consulta fisicamente não possa devolver linhas ou colunas a que o usuário não tem direito. O gestor vê a sua linha de subordinação. O HRBP vê a sua unidade de negócio. A folha de pagamento vê a remuneração. O modelo herda os direitos de quem pergunta; nunca roda com uma conta de superusuário.

Regras em nível de coluna e de linha. Alguns campos (dados de saúde, registros disciplinares, situação migratória, filiação sindical) devem ser totalmente inalcançáveis pela ferramenta conversacional. Outros (salário) devem ser visíveis apenas de forma agregada, exceto para perfis definidos.

Supressão de células pequenas. Um gráfico que mostra "nota média por gênero em uma equipe de quatro pessoas" identifica indivíduos. A correção habitual é suprimir ou mesclar qualquer grupo abaixo de um tamanho mínimo. Escolha o limite de propósito. Muitas organizações usam dez, mas a pesquisa sobre controle de divulgação argumenta que dez é popular por convenção, que o único limite com base estatística sólida é três e que um limite mais alto não reduz o risco de forma confiável, de modo que a forma como você confere as saídas importa tanto quanto o número (Ritchie, Transactions on Data Privacy). Defina um mínimo, aplique-o de forma consistente e revise-o com a sua equipe de privacidade.

Atenção à diferenciação. Se um usuário pode pedir o "headcount do departamento inteiro" e depois o "headcount excluindo a equipe de uma pessoa", a subtração dos dois revela um grupo pequeno. Suprimir uma célula não basta quando o valor ausente pode ser recuperado a partir dos totais, então podem ser necessários supressão complementar, arredondamento ou categorias mescladas. Limite a taxa e registre as consultas estreitas repetidas.

Limites de anonimato para dados de pesquisas e de sentimento. Os comentários de engajamento são especialmente arriscados porque o texto livre cita pessoas. Informe temas apenas acima de um número mínimo de respondentes e nunca mostre texto literal de um grupo pequeno o bastante para ser identificado.

Teste a reidentificação. O ICO o descreve como um teste do intruso motivado: uma pessoa razoavelmente competente, com acesso a informações públicas, poderia identificar alguém a partir do que você está prestes a divulgar (ICO)? Se um gestor pode combinar um gráfico de uma "equipe de cinco" com o que já sabe, a saída não é anônima.

Registre tudo. Guarde quem perguntou, o que foi perguntado, qual consulta rodou e o que foi devolvido. Os registros de auditoria são o que permite responder a um conselho de trabalhadores, a um regulador ou a um colaborador que pergunta quem consultou os seus dados.

Respeite a lei de proteção de dados. Na UE e no Reino Unido, os dados pessoais devem se limitar ao que a finalidade exige, com a proteção incorporada por padrão, como descrevem os considerandos do GDPR sobre minimização de dados e proteção de dados desde a concepção (EUR-Lex). Quando um fornecedor de modelo processa os dados, verifique onde eles são armazenados, se os prompts são retidos e se são usados para treinamento. Busque orientação jurídica para cada país em que você atua.

Verificações de acurácia antes de confiar em uma resposta

Trate os seis primeiros meses como a integração de um novo analista: confira o trabalho dele com frequência e depois com menos frequência, conforme ele conquistar a confiança.

O NIST AI Risk Management Framework oferece um vocabulário para isso (NIST). Govern significa que alguém é dono da ferramenta e das suas políticas. Map significa que você listou as perguntas que ela responderá e as que não responderá. Measure significa que você acompanha a acurácia em relação ao seu conjunto de referência. Manage significa que você age quando ela deriva.

Como implementar, passo a passo

1. Comece pelas vinte principais perguntas. Olhe o último ano de pedidos de relatórios. A maioria das organizações descobre que um punhado de perguntas responde pela maior parte da carga: headcount, rotatividade, ritmo de contratação, ausência, tempo de casa. Construa primeiro para elas.
2. Corrija as definições. Concorde, por escrito, sobre headcount, colaborador ativo, saída voluntária, tempo de casa e tempo para preencher a vaga. Se o RH e as finanças discordam, resolva isso antes que uma ferramenta o faça por você. A base está em fundamentos de dados de RH para IA.
3. Construa a camada de dados governada. Exponha visões curadas, não tabelas brutas. Coloque as definições na camada semântica. Exclua os campos que nunca devem ser alcançáveis.
4. Ligue as permissões ao seu sistema de identidade. O acesso baseado em perfis deve vir da mesma fonte de verdade dos perfis do seu sistema de RH, para que uma transferência ou um desligamento mude o acesso no mesmo dia.
5. Defina as regras de supressão e de anonimato. Escolha os tamanhos mínimos de grupo, decida como tratar totais e diferenciação e escreva as regras.
6. Faça um piloto com analistas, não com a empresa toda. Deixe a equipe de people analytics usá-lo primeiro. Ela encontrará mais rápido as perguntas ambíguas e as respostas erradas.
7. Monte o conjunto de referência e monitore-o. Execute-o a cada mudança. Acompanhe a parcela de respostas que os usuários sinalizam.
8. Amplie o acesso em etapas. Parceiros de negócios de RH, depois a liderança de RH, depois gestores com escopo de equipe. Mantenha cada etapa até que a taxa de erro e os testes de acesso estejam adequados.
9. Decida quem é o dono. Alguém precisa ser dono das definições, das permissões e da fila de revisão. IA e o modelo operacional de RH trata de como atribuir isso.
10. Mantenha pessoas no circuito nas decisões sobre pessoas. Uma ferramenta de relatórios descreve. Qualquer coisa que afete um indivíduo, como uma mudança salarial ou um resultado de desempenho, exige uma decisão humana fora da ferramenta.

Para um exemplo de modelo que deve permanecer no nível de equipe, veja previsão de rotatividade de colaboradores com IA.

Erros comuns

• Pular a camada semântica. Se o modelo adivinha o que "rotatividade" significa, você terá uma resposta diferente a cada semana e perderá a confiança rapidamente.
• Dar à ferramenta uma conta de superusuário. O modelo só deve ver o que quem pergunta pode ver.
• Confiar em um prompt para a segurança. "Nunca revele salários" é um pedido, não um controle. Aplique-o na camada de dados.
• Ignorar os grupos pequenos. A falha de privacidade mais comum nos relatórios de RH é um gráfico bonito de uma equipe de três pessoas.
• Medir só a demonstração. A demonstração de um fornecedor usa dados limpos e perguntas amigáveis. Teste com o seu histórico bagunçado e a sua redação ambígua.
• Esconder a consulta. Se as pessoas não veem como um número foi produzido, não conseguem detectar um errado.
• Substituir os analistas em vez de liberá-los. O objetivo é esvaziar a fila de rotina para que os analistas façam o trabalho que exige julgamento: causas raiz, modelagem e aconselhamento.
• Deixar os dashboards se espalharem. O acesso conversacional não elimina a necessidade de um pequeno conjunto de números oficiais e governados.

Quando os seus relatórios estiverem confiáveis, os mesmos dados governados podem sustentar resumos, rascunhos e briefings que citam os números por trás deles.