Avaliações pré-admissionais com IA: como funcionam, validade e risco jurídico

Por Kevin Kim · Atualizado em 11 de outubro de 2026

Uma avaliação pré-admissional com IA é um teste feito por um candidato a uma vaga (um jogo, uma simulação de trabalho, uma entrevista em vídeo gravada ou um exercício de habilidades) cujas respostas são pontuadas por um modelo de aprendizado de máquina que prevê o desempenho da pessoa em um cargo. O resultado costuma ser uma nota, um ranking ou uma faixa de aprovado/reprovado que alimenta uma decisão de contratação. O teste só vale tanto quanto duas coisas: se a nota realmente prevê o desempenho no trabalho (validade) e se ele trata grupos de candidatos com equidade (impacto adverso).

Esta página é para diretores de RH, líderes de aquisição de talentos e gestores de contratação a quem essas ferramentas estão sendo oferecidas ou que já as usam. Ela explica como funciona a pontuação, o que a pesquisa diz sobre quais tipos de avaliação preveem o desempenho, como o impacto adverso é medido e de onde vem a exposição jurídica. São informações gerais, não aconselhamento jurídico. Para o quadro mais amplo do recrutamento, comece pelo hub de IA no recrutamento.

Fatos Principais

• Pelas Uniform Guidelines dos EUA, uma taxa de seleção de qualquer grupo inferior a quatro quintos (80%) da taxa do grupo de maior taxa é, em geral, tratada como evidência de impacto adverso, embora diferenças menores ainda possam contar (29 CFR 1607.4(D)).
• Uma nova estimativa de 2022 da validade dos métodos de seleção colocou as entrevistas estruturadas em r = 0,42, os testes de conhecimento do cargo em 0,40, os testes de amostra de trabalho em 0,33 e a capacidade cognitiva em 0,31 (HumRRO sobre Sackett et al., 2022).
• A cidade de Nova York exige uma auditoria de viés de uma ferramenta automatizada de decisão de emprego no prazo de um ano antes do uso, um resumo público e um aviso aos candidatos, e a aplicação da regra começou em 5 de julho de 2023 (NYC DCWP).
• O EU AI Act 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 proíbe o reconhecimento de emoções em ambientes de trabalho, proibição em vigor desde fevereiro de 2025 (European Commission).

O que conta como avaliação pré-admissional com IA

A categoria abrange quatro formatos, e eles diferem em quanto a IA está fazendo.

A pontuação simples (contar respostas corretas em relação a um gabarito) não é realmente IA. A parte de IA entra quando um modelo aprende quais padrões de resposta tratar como bons, ou quando ele lê resultados abertos como fala e escrita.

Como funciona a pontuação

A maioria das avaliações com IA segue as mesmas quatro etapas, que correspondem aos estágios Ingest, Analyze e Predict do ACE Framework.

1. Captura. A plataforma registra o comportamento bruto: cliques, tempos de resposta, respostas, um vídeo, uma transcrição, código enviado.
2. Extração de características. Os dados brutos se tornam características mensuráveis, como a precisão sob pressão de tempo, quantas palavras um candidato usou ou os temas abordados em uma resposta.
3. Pontuação pelo modelo. Um modelo treinado associa as características a uma nota. O treinamento exige um "critério", isto é, uma medida de sucesso no trabalho, como avaliações de gestores ou resultados de vendas de pessoas que já estão no cargo.
4. Faixas e roteamento. A nota é convertida em uma posição ou faixa (recomendado, revisar, não recomendado), e o candidato é encaminhado para a etapa seguinte.

Dois detalhes decidem se o resultado é confiável. Primeiro, o que o modelo foi treinado para prever. Se o critério é "pessoas que contratamos e mantivemos", o modelo aprende as suas preferências passadas, defeitos incluídos. Segundo, se as características do modelo estão relacionadas ao cargo. Uma característica que apenas se correlaciona com o sucesso nos seus dados históricos pode representar em silêncio a idade, o gênero ou uma deficiência.

O caso de advertência mais conhecido é um modelo de recrutamento que a Amazon construiu, que pontuava candidatos de uma a cinco estrelas depois de aprender com cerca de dez anos de currículos, na maioria de homens. Ele penalizava currículos que continham a palavra "women's" e rebaixava formadas de duas faculdades só para mulheres, e os executivos perderam a confiança nele e desfizeram a equipe (relatório da Reuters, publicado pela Euronews). Era uma ferramenta de currículos, não uma avaliação, mas o mecanismo é idêntico: aprender com um passado enviesado e reproduzi-lo em escala.

Um segundo caso mostra um fornecedor corrigindo o rumo. A HireVue disse em janeiro de 2021 que havia removido a análise facial de suas avaliações em vídeo, explicando que a análise da linguagem havia se tornado mais preditiva e que a análise visual já não agregava valor significativo (SHRM). A lição para quem compra é perguntar que sinais um modelo usa e recusar sinais que você não consiga ligar ao cargo.

Validade: a nota prevê o desempenho no trabalho?

A validade é a pergunta que mais importa e menos se faz. Uma avaliação válida produz notas que se correlacionam com o desempenho posterior no trabalho. A correlação é expressa como r, em que 0 significa nenhuma relação e 1 significa previsão perfeita. Os métodos de seleção reais ficam bem abaixo de 1.

As Uniform Guidelines dizem que a validade deve se apoiar em uma análise de informações do cargo, normalmente uma análise de função, e descrevem três tipos de evidência: relacionada ao critério (as notas se correlacionam com o desempenho), de conteúdo (o teste amostra conteúdo real do cargo) e de construto (ele mede um traço definido que se relaciona ao cargo). As diretrizes também observam que a validade de conteúdo não é adequada para traços abstratos como inteligência ou personalidade (29 CFR 1607.14). Isso importa para as ferramentas baseadas em jogos, que em geral alegam medir traços.

Sobre quais métodos preveem melhor, uma reanálise de 2022 amplamente citada, de Sackett e colegas, reduziu estimativas anteriores, que segundo eles haviam sido infladas por correção excessiva da restrição de amplitude. Seus números revisados: entrevistas estruturadas r = 0,42, testes de conhecimento do cargo 0,40, biodata com chave empírica 0,38, testes de amostra de trabalho 0,33 e capacidade cognitiva 0,31 (resumo da HumRRO). Três conclusões se seguem para os gestores:

• Métodos baseados no cargo real tendem a se sair bem. Amostras de trabalho e testes de conhecimento do cargo se parecem diretamente com o trabalho.
• Até os melhores métodos são preditores moderados. Nenhuma nota deve ser tratada como um veredito sobre uma pessoa.
• A alegação do fornecedor precisa corresponder ao seu cargo. Um estudo de validação com atendentes de call center diz pouco sobre o cargo de gerente de engenharia. Os próprios padrões de transportabilidade das diretrizes existem por esse motivo.

O ponto desta pesquisa não é que a pontuação por IA seja melhor ou pior que a tradicional. É que o formato e sua ligação com o cargo importam mais do que o rótulo "IA". Uma amostra de trabalho pontuada por IA herda os pontos fortes da amostra de trabalho; um jogo pontuado por IA sem análise de função por trás não herda nada.

Impacto adverso e a regra dos quatro quintos

Impacto adverso significa que um procedimento de seleção elimina um grupo em uma taxa visivelmente maior do que outro, tenha ou não alguém tido essa intenção. As Uniform Guidelines dos EUA dão uma regra prática para identificá-lo. Uma taxa de seleção de qualquer grupo racial, de sexo ou étnico inferior a quatro quintos (80%) da taxa do grupo de maior taxa é, em geral, considerada evidência de impacto adverso. Uma taxa acima desse limite, em geral, não é. O mesmo parágrafo acrescenta que diferenças menores ainda podem ser impacto adverso, sobretudo quando são significativas em termos estatísticos e práticos, e que diferenças baseadas em números pequenos podem não ser confiáveis (29 CFR 1607.4(D)).

Um exemplo hipotético mostra a aritmética. Digamos que 200 candidatos do Grupo A fazem uma avaliação e 100 passam, uma taxa de 50%. O Grupo B tem 100 candidatos e 30 passam, uma taxa de 30%. Divida 30% por 50% e você obtém 0,60, abaixo da linha de 0,80, então o resultado é sinalizado para revisão. Se, em vez disso, 42 dos 100 tivessem passado, a razão seria 0,84 e o alerta não seria acionado apenas pela regra.

Três cuidados mantêm a regra útil em vez de perigosa:

• É uma heurística de triagem, não um porto seguro. Passar no teste dos 80% não significa que uma ferramenta seja lícita, e reprovar não significa que seja ilícita. Ele dá início a um exame mais detalhado.
• Aplique-a em todas as etapas. Teste a taxa geral de aprovação e também cada avaliação, nota de corte e faixa. Uma avaliação que parece boa no agregado pode concentrar o dano em uma nota de corte.
• O impacto adverso aciona uma pergunta de validade. Pelos padrões técnicos, procedimentos com correlações baixas, mas grande impacto adverso, passam por revisão rigorosa, e os usuários devem considerar se há outros procedimentos com validade maior ou igual (29 CFR 1607.14). Em palavras simples: se duas ferramentas preveem igualmente bem e uma elimina mais pessoas de um grupo protegido, use a outra.

Onde está a exposição jurídica

Os empregadores respondem pelas ferramentas que compram. As regras abaixo são resumidas em alto nível e mudam com frequência, então confira o texto atual com o jurídico em cada lugar onde você contrata.

Legislação federal antidiscriminação dos EUA. As Uniform Guidelines acima se aplicam aos procedimentos de seleção em geral, inclusive os pontuados por IA. O Americans with Disabilities Act acrescenta uma questão separada: a orientação do Departamento de Justiça diz que jogos online e avaliações de personalidade devem medir apenas as habilidades relevantes para o cargo que pretendem medir, e não habilidades sensoriais, manuais ou de fala comprometidas, e que o empregador deve oferecer um teste acessível ou outros ajustes quando um teste eliminaria alguém capaz de fazer o trabalho. Ela também diz que o empregador continua responsável quando a tecnologia discriminatória vem de outra empresa (orientação sobre IA do ADA.gov).

Cidade de Nova York. A Local Law 144 abrange as ferramentas automatizadas de decisão de emprego. A ferramenta deve passar por uma auditoria de viés no prazo de um ano antes do uso, as informações sobre a auditoria devem ser públicas e os candidatos devem receber um aviso. A cidade diz que o aviso é devido 10 dias úteis antes do uso da ferramenta, e que começou a fazer valer a lei em 5 de julho de 2023 (NYC DCWP).

Illinois. O Artificial Intelligence Video Interview Act, em vigor desde 1º de janeiro de 2020, exige que os empregadores que usam IA para analisar entrevistas em vídeo deem aviso, expliquem como a IA funciona e quais características ela avalia, obtenham o consentimento prévio do candidato (applicant), limitem quem vê o vídeo e destruam as cópias em até 30 dias após uma solicitação (resumo da SHRM). Uma emenda separada ao Illinois Human Rights Act, em vigor desde 1º de janeiro de 2026, proíbe o uso de IA em contratações e outras decisões de emprego de modo que discrimine grupos protegidos, proíbe o uso do CEP como proxy deles e exige aviso aos colaboradores (Crowell & Moring).

União Europeia. A Comissão lista as ferramentas de IA para emprego e gestão de trabalhadores como de alto risco, com o software de triagem de CVs como exemplo. Os sistemas de alto risco enfrentam obrigações de gestão de riscos, qualidade dos conjuntos de dados, registros, documentação e supervisão humana, e, para emprego, elas valem a partir de 2 de dezembro de 2027 pelas emendas do AI Omnibus. O reconhecimento de emoções em ambientes de trabalho está proibido desde fevereiro de 2025 (European Commission). Qualquer avaliação em vídeo que infira emoções a partir do rosto ou da voz é, portanto, um problema para a contratação na UE.

Outros estados dos EUA têm regras próprias ou pendentes sobre IA na contratação, e algumas foram adiadas ou reduzidas repetidamente. Trate qualquer lista de verificação de compliance, inclusive esta, como um ponto de partida.

Exemplos reais por função

O mesmo formato de avaliação funciona de modo diferente conforme o cargo.

• Suporte ao cliente. Uma simulação em que o candidato responde a três tickets realistas, pontuada por uma rubrica de precisão, tom e uso da política. Fácil de ligar ao cargo, fácil de auditar.
• Vendas. Um role-play gravado em vídeo, pontuado pelo conteúdo (fez perguntas de descoberta, tratou uma objeção) e não por sinais de voz ou faciais. A pontuação baseada em conteúdo é mais fácil de explicar e de defender.
• Engenharia. Uma tarefa de programação cronometrada avaliada com casos de teste, com uma pessoa revisando o raciocínio da solução. Boa para habilidades, silenciosa sobre colaboração.
• Finanças e operações. Um exercício de planilha com gabarito conhecido e algumas decisões de julgamento. Principalmente regras, pouca IA, o que é uma qualidade.
• Cargos horistas de alto volume. Perguntas curtas de julgamento situacional e uma verificação básica de habilidades, usadas para encaminhar candidatos a uma entrevista, nunca para rejeitar sem revisão. A abordagem de contratação baseada em habilidades se encaixa aqui, porque se concentra no que uma pessoa sabe fazer, e não em credenciais.

Como implementar uma avaliação com IA, passo a passo

1. Parta do cargo. Anote as 4 a 6 tarefas críticas e as habilidades por trás delas. Se você não consegue descrever o cargo, não consegue validar um teste para ele.

2. Escolha o mínimo de IA que funcione. Prefira amostras de trabalho e testes de conhecimento ligados a essas tarefas. Acrescente a pontuação por IA apenas onde ela claramente economiza tempo, como na leitura de respostas abertas.
3. Peça evidências ao fornecedor. Solicite o estudo de validação, os tipos de cargo e as populações que ele cobriu, as características que o modelo usa e a auditoria de viés mais recente, com resultados por grupo. Se não houver estudo para um cargo comparável, planeje uma validação local.
4. Defina o papel da nota. Use-a como uma entrada de uma decisão estruturada, não como uma barreira automática. Essa é a prática do desenho human-in-the-loop (pessoa no circuito), e os revisores precisam de autoridade real para substituir a nota.
5. Defina as notas de corte com cautela. Notas de corte mais altas costumam aumentar o impacto adverso. Teste o efeito de cada limite antes de lançar.
6. Planeje as adaptações desde o início. Diga aos candidatos o que é a avaliação e como é pontuada, e ofereça um meio claro de solicitar um formato alternativo.
7. Aplique a verificação dos quatro quintos aos resultados reais. Compare as taxas de aprovação por grupo na avaliação e no funil completo, em uma periodicidade definida, com volume suficiente para significar algo.
8. Cuide dos avisos legais. Confirme as obrigações de aviso, de consentimento e de auditoria em cada lugar onde você contrata e guarde os registros da auditoria e do aviso.
9. Revise e aposente. Reverifique a validade e o impacto pelo menos uma vez por ano e após qualquer mudança no cargo ou no modelo. Descarte as ferramentas que falharem.

Para opções de fornecedores, veja o resumo das melhores ferramentas de avaliação pré-admissional. Se você também está decidindo como a IA tria currículos e entrevistas, veja triagem de currículos com IA e IA em entrevistas.

Erros comuns

• Tratar "com tecnologia de IA" como prova de validade. O rótulo diz como a nota é feita, não se ela prevê alguma coisa.
• Usar jogos de traços sem ligação com o cargo. Se você não consegue explicar por que uma tarefa de memória ou de risco se relaciona com o trabalho, um regulador ou um autor de ação fará a mesma pergunta.
• Deixar a nota rejeitar pessoas automaticamente. A rejeição automática elimina a verificação humana em que a maioria dos arcabouços legais se apoia.
• Testar o viés uma única vez no lançamento. Os grupos de candidatos, as notas de corte e os modelos mudam. Uma auditoria pontual fica desatualizada.
• Ignorar a acessibilidade. Tarefas cronometradas, visuais ou de forte exigência motora podem eliminar pessoas que poderiam fazer o trabalho.
• Confiar no fornecedor. A orientação federal sobre deficiência é explícita: o empregador que usa a ferramenta responde pelo resultado.
• Nenhuma explicação para os candidatos. Se ninguém sabe dizer por que alguém teve nota baixa, você não consegue defender o resultado. É por isso que a IA explicável importa na seleção, e por que viés em IA deve estar em toda conversa com fornecedores.

Próximos passos

Escolha um cargo, anote suas tarefas críticas e compare qualquer avaliação que esteja considerando com elas antes de olhar uma demo. Depois peça o estudo de validação e os resultados de impacto adverso. O mapa completo da seção está no hub de IA no recrutamento, e a visão de toda a função está em IA em RH.