People analytics e IA: dos relatórios de RH às previsões

Por Kevin Kim · Atualizado em 11 de outubro de 2026

People analytics com IA é o uso de modelos estatísticos e de aprendizado de máquina sobre dados da força de trabalho para levar o RH de relatar o que aconteceu a prever o que provavelmente vai acontecer e sugerir o que fazer a respeito. Um painel de quadro de pessoal (headcount) diz que a rotatividade foi de 14% no último trimestre. Um modelo preditivo diz quais equipes provavelmente perderão pessoas no próximo trimestre e quais fatores estão por trás disso. Uma camada prescritiva propõe uma ação, como um ajuste salarial ou uma conversa com o gestor, e estima o seu efeito.

Este guia é para CHROs, diretores de RH e gerentes de RH que já têm painéis e querem saber o que o próximo passo realmente envolve: os estágios, as habilidades, três casos de uso concretos e os limites que decidem se uma previsão é segura para agir. Para a visão mais ampla da IA em todo o RH, comece pelo guia principal, IA em RH.

Fatos Principais

• O modelo de maturidade de people analytics mais conhecido, de Bersin na Deloitte Consulting (2017), tem quatro níveis. A divisão informada das organizações pesquisadas foi de 14% no Nível 1, 69% no Nível 2, cerca de 15% no Nível 3 e 2% no Nível 4 (Lumen Learning, citing Bersin/Deloitte's People Analytics Maturity Model).
• O Nível 4 nesse modelo é definido por ferramentas em tempo real, apoiadas por IA, em que o people analytics é parte integrante das decisões de negócio, de RH e de gestão (mesma fonte).
• Pelas diretrizes federais americanas de seleção, uma taxa de seleção de qualquer grupo racial, de sexo ou étnico abaixo de quatro quintos (80%) da taxa do grupo mais alto é geralmente considerada evidência de impacto adverso, e dados com números pequenos podem não ser confiáveis (29 CFR 1607.4).
• Na cidade de Nova York, os empregadores que usam uma ferramenta automatizada de decisão de emprego precisam de uma auditoria de viés no prazo de um ano do uso, de um resumo público dos resultados e de avisos prévios a candidatos e colaboradores (NYC DCWP).
• A Diretiva de Transparência Salarial da UE exige uma avaliação salarial conjunta quando os relatórios mostram uma diferença salarial média de pelo menos 5% entre mulheres e homens em uma categoria de trabalhadores que o empregador não consegue justificar com critérios objetivos e neutros em termos de gênero e que não corrigiu em seis meses (Directive (EU) 2023/970, Article 10).

As quatro perguntas que a análise pode responder

Toda ferramenta de people analytics responde a uma de quatro perguntas, e a IA muda quais delas você pode se dar ao luxo de fazer.

A maioria das equipes de RH é forte na primeira linha e fraca na terceira e na quarta. Isso não é falha de talento. O trabalho preditivo exige um histórico limpo entre sistemas, e o prescritivo exige evidências sobre quais intervenções de fato mudaram os resultados, algo que a maioria das organizações nunca registrou. O verbete do glossário sobre análise preditiva cobre a técnica de base; aqui o foco é como ela se aplica a dados de pessoas.

O que a IA acrescenta ao kit de ferramentas analíticas tradicional

Os analistas de RH rodam regressões há décadas. A IA não substitui esse trabalho. Ela o amplia de quatro maneiras.

Mais tipos de dados. A análise clássica vive de campos estruturados: tempo de casa, nível, salário, avaliação. Os modelos modernos também usam texto, como comentários de pesquisas de engajamento, anotações de entrevistas de desligamento e descrições de cargo, e conseguem transformá-los em variáveis utilizáveis. Isso torna o feedback não estruturado contável.

Mais variáveis ao mesmo tempo. Uma regressão logística com dez entradas é fácil de explicar. Um modelo de gradient boosting consegue ponderar centenas de sinais que interagem entre si e muitas vezes prevê melhor, ao preço de ser mais difícil de interpretar.

Atualização mais rápida. Em vez de um estudo anual, um modelo pode reavaliar a força de trabalho todo mês ou toda semana, de modo que o gestor veja uma mudança de risco antes da carta de demissão.

Acesso em linguagem natural. Um gestor pode fazer uma pergunta em palavras simples e receber um gráfico, o que amplia quem usa os dados. Essa é a camada generativa sobre a preditiva, e traz o seu próprio risco de respostas dadas com convicção, mas erradas.

Nos termos do ACE Framework, o people analytics passa de Analyze (painéis e diagnósticos) para Predict (previsões e pontuações), com um padrão de pontuação e roteamento que envia o caso certo à pessoa certa.

Um modelo de maturidade que você pode citar

O marco mais citado é o modelo de maturidade de people analytics de Josh Bersin e da Deloitte Consulting, publicado em 2017. Seus quatro níveis, com a parcela de organizações pesquisadas que Bersin informou em cada um, estão resumidos na Lumen Learning. A população e o tamanho da amostra não são informados ali, então trate os percentuais como um retrato aproximado da distribuição, e não como um benchmark atual.

Duas coisas são úteis nesse modelo. Primeiro, ele define a maturidade como integração com o negócio, e não apenas sofisticação técnica. Uma equipe de Nível 4 não é a que tem o algoritmo mais elaborado. É aquela cuja análise muda decisões fora do RH. Segundo, ele coloca explicitamente a IA no degrau mais alto, o que significa que a base (Níveis 2 e 3) é um pré-requisito, não um aquecimento opcional.

Uma forma prática de se situar:

• Se seus líderes ainda pedem o mesmo relatório todo mês e ninguém age com base nele, você está no Nível 2, independentemente do software que possui.
• Se você consegue unir dados de RH a dados de receita, clientes ou operações sem um projeto manual, está avançando para o Nível 3.
• Se o resultado de um modelo muda o que os gestores fazem esta semana, e você acompanha se funcionou, está se aproximando do Nível 4.

A qualidade dos dados por baixo decide até onde você consegue subir, e é por isso que o guia irmão sobre fundamentos de dados de RH para IA importa antes de qualquer trabalho com modelos.

Três exemplos práticos

São cenários ilustrativos. Os números são inventados para mostrar a lógica, não extraídos de uma empresa real.

Exemplo 1: risco de rotatividade

O objetivo. Descobrir onde a rotatividade indesejada é provável nos próximos seis meses, cedo o bastante para agir.

Os dados. Tempo de casa, tempo desde a última promoção, posição salarial em relação à faixa, mudanças de gestor, notas de pesquisas de engajamento, histórico de mobilidade interna e, para algumas equipes, indicadores de carga de trabalho.

O modelo. Um classificador treinado com quem saiu e quem ficou gera uma probabilidade de risco por pessoa ou, de forma mais segura, por equipe. O primeiro resultado útil raramente é a nota em si. É a lista de fatores, por exemplo: "as equipes com mudança de gestor no último ano e sem promoção há 30 meses apresentam as maiores taxas de saída."

O que fazer com isso. Use o risco em nível de equipe para priorizar conversas e orçamento, não para rotular indivíduos. Se o risco modelado de uma equipe é alto, uma reunião com o nível acima do gestor (skip-level) e uma revisão salarial para quem está abaixo do ponto médio da faixa são primeiros passos razoáveis. Depois meça: o risco ou as saídas reais caíram em comparação com uma equipe semelhante que não recebeu a intervenção? Essa última etapa é o que transforma previsão em prescrição.

Atenção a. Uma nota compartilhada com um gestor pode virar uma profecia autorrealizável. Se um gestor ouve "alto risco de saída", pode deixar de investir na pessoa, o que torna a saída mais provável. Mantenha as notas individuais dentro do RH ou agregue-as.

Exemplo 2: funil de contratação

O objetivo. Entender onde o funil perde bons candidatos e prever o tempo para preencher as vagas.

Os dados. Origem, carimbos de data e hora das etapas, recrutador, intervalos no agendamento de entrevistas, resultados de propostas e feedback do gestor da vaga.

O modelo. A análise descritiva muitas vezes encontra sozinha o grande ganho: uma etapa em que os candidatos esperam nove dias por um horário disponível. Um modelo preditivo então projeta o tempo para preencher por função e local, ou estima quais requisições provavelmente vão travar. Isso permite antecipar a prospecção nas mais lentas.

O que fazer com isso. Corrigir a etapa travada, reequilibrar a carga dos recrutadores e planejar o momento das contratações com o financeiro usando faixas de previsão em vez de datas únicas.

Atenção a. Se você usa um modelo para ranquear ou pontuar candidatos, entrou em território regulado. Adote a diretriz americana dos quatro quintos como verificação básica: compare as taxas de seleção entre grupos em cada etapa. Digamos que 40% de um grupo avance e 25% de outro. A razão é 0,625, bem abaixo de 0,8, o que é um sinal para investigar, embora a orientação federal também observe que resultados baseados em números pequenos podem não ser confiáveis (29 CFR 1607.4). Na cidade de Nova York, as ferramentas automatizadas usadas em decisões de contratação ou promoção exigem uma auditoria de viés, um resumo público e aviso prévio (NYC DCWP).

Exemplo 3: equidade salarial

O objetivo. Encontrar diferenças salariais que não são explicadas por função, nível, local, desempenho ou tempo de casa.

Os dados. Salário-base, bônus, nível, família de cargos, local, tempo de casa, nota de desempenho e campos demográficos, quando mantidos de forma lícita.

O modelo. Uma regressão prevê a remuneração a partir de fatores legítimos e depois examina o resíduo por grupo. Se as mulheres da mesma família de cargos, nível e local recebem, em média, alguns pontos percentuais abaixo do que o modelo prevê, esse resíduo é a sua diferença não explicada. O aprendizado de máquina pode agregar valor ao encontrar interações que um modelo simples deixa passar, como uma diferença que só aparece em uma região após uma reorganização.

O que fazer com isso. A análise prescritiva é o passo seguinte natural: modele o custo de fechar as diferenças sinalizadas sob regras distintas (até o ponto médio da faixa, até a previsão do modelo, ao longo de dois ciclos) e escolha uma com o financeiro.

Atenção a. A regulamentação está transformando isso de boa prática em obrigação. Na UE, os empregadores devem informar as diferenças salariais de gênero em um calendário definido pelo porte, e uma diferença de pelo menos 5% em uma categoria de trabalhadores que não seja justificada nem corrigida em seis meses aciona uma avaliação salarial conjunta (Directive (EU) 2023/970). As categorias de trabalhadores devem ser definidas com cuidado. Um modelo que usa em silêncio uma entrada enviesada, como o salário anterior, vai reproduzir a diferença que deveria encontrar.

Os limites que mais importam

As previsões em RH carregam mais risco do que as previsões sobre máquinas ou estoques, porque a unidade pontuada é uma pessoa.

Amostras pequenas. Uma empresa com 400 colaboradores pode ter 40 saídas por ano. Divida isso por departamento, nível e motivo e restam alguns casos por célula. Modelos treinados com amostras minúsculas sofrem sobreajuste e produzem ruído com ar de convicção. As diretrizes federais de seleção fazem a mesma observação sobre os testes de impacto adverso: diferenças baseadas em números pequenos podem não ser estatisticamente significativas (29 CFR 1607.4). As correções práticas são reunir vários anos, prever em nível de equipe ou segmento, informar faixas e estar disposto a dizer "não há dados suficientes".

Proxies de características protegidas. Remover gênero, raça ou idade dos dados não os remove do modelo. O CEP pode representar a etnia, as lacunas de carreira podem representar gênero ou responsabilidades de cuidado, e o ano de formatura pode representar a idade. Teste os resultados por grupo mesmo quando esses campos são excluídos do treinamento e mantenha um registro do que foi testado. O conceito é tratado em viés em IA.

Explicabilidade. Um líder de RH pode ter de explicar a um colaborador, a um conselho de trabalhadores ou a um regulador por que alguém foi sinalizado. "O modelo disse" não se sustenta. Prefira modelos e ferramentas que mostrem quais fatores levaram a uma nota e documente para que a nota pode e não pode ser usada. O glossário sobre IA explicável explica as opções.

Classificação regulatória. Pelo EU AI Act, os sistemas de IA destinados a recrutamento ou seleção e à gestão de relações de trabalho estão listados no Annex III como de alto risco. O AI Act Service Desk da Comissão dá como exemplo uma ferramenta de correspondência e ranqueamento de vagas e observa que um sistema que faz definição de perfis não pode se valer das exceções do Article 6(3) (EU AI Act Service Desk). Um painel que só conta saídas é diferente de um modelo que ranqueia pessoas para promoção. Saiba qual dos dois você está executando.

Ciclos de retroalimentação. Se um modelo aprende com promoções passadas que já eram enviesadas, ele vai recomendar mais do mesmo. Revise os rótulos de treinamento, não apenas o código do modelo.

Decisões que exigem uma pessoa. Uma nota é um insumo. Mantenha um humano responsável por qualquer decisão que afete a remuneração, a função ou o emprego de alguém, e registre o raciocínio dele. O padrão é descrito em human-in-the-loop (pessoa no circuito), e o AI Risk Management Framework do NIST, lançado em 26 de janeiro de 2023, oferece uma estrutura voluntária (Govern, Map, Measure, Manage) para gerenciar esses riscos (NIST AI RMF). A responsabilidade pela política pertence à governança de IA.

As habilidades de que uma equipe de people analytics precisa

Você não precisa de um laboratório de ciência de dados para começar, mas precisa de uma combinação.

A última linha é a que as organizações pulam. Um gestor que não sabe a diferença entre uma probabilidade e uma previsão vai usar mal as duas. Desenvolver o letramento em IA de parceiros de negócios de RH e de gestores de pessoas é tão importante quanto contratar um analista.

Um caminho sensato dos relatórios às previsões

1. Corrija primeiro a camada descritiva. Uma definição de quadro de pessoal, rotatividade e tempo para preencher, acordada entre RH, financeiro e negócio. Previsões construídas sobre definições inconsistentes amplificam a inconsistência.
2. Escolha uma pergunta de alto valor e baixo risco. Fatores de rotatividade em nível de equipe e o tempo do funil de contratação são bons pontos de partida. Evite decisões em nível individual com consequências jurídicas até que a governança esteja pronta.
3. Comece simples. Um modelo transparente que os gestores entendem vale mais do que uma caixa-preta que eles ignoram. Adicione complexidade somente quando ela trouxer uma melhoria mensurável.
4. Teste a equidade antes do lançamento. Compare os resultados entre grupos, procure proxies e registre o resultado.
5. Decida a ação antes de construir a nota. Se ninguém vai fazer nada diferente quando a nota mudar, não a construa.
6. Meça o impacto. Compare grupos tratados e não tratados e acompanhe o resultado de negócio, não apenas a acurácia do modelo.
7. Revise de forma programada. Os modelos se desviam quando a força de trabalho, o mercado de trabalho ou as suas políticas mudam.

Erros comuns

• Comprar uma ferramenta de previsão antes de limpar os dados. O modelo será fluente e estará errado.
• Pontuar indivíduos quando equipes bastariam. A agregação é mais precisa em amostras pequenas e também mais segura.
• Tratar correlação como alavanca. Se quem trabalha remotamente sai menos, isso não significa que impor o trabalho remoto reduz as saídas.
• Ignorar o parceiro do negócio. Uma análise que o RH adora e o negócio ignora é trabalho de Nível 2 fantasiado de Nível 4.
• Esquecer que os colaboradores são o objeto da análise. Seja claro sobre quais dados você usa, por quê e por quanto tempo os guarda.