Numa experiência de campo da Harvard Business School, 228 avaliadores analisaram 48 candidaturas reais com o apoio de um grande modelo de linguagem. Quando o modelo dava uma recomendação seca — aceitar ou rejeitar, sem raciocínio —, a qualidade das decisões melhorava face a um referencial de peritos independentes. Quando a mesma recomendação chegava envolvida numa justificação escrita persuasiva, essa melhoria desaparecia, apesar de os avaliadores seguirem a IA com mais frequência (Lane et al., Harvard Business School, 2025).
Mais adesão. Nenhum resultado melhor. Se opera um filtro de IA em qualquer ponto da sua operação — listas curtas de candidatos, seleção de fornecedores, revisões de etapa —, essa combinação devia fazê-lo parar, porque a funcionalidade que a maioria dos fornecedores vende como mecanismo de segurança é precisamente a que piorou o desempenho humano.
A experiência que inverte o pressuposto da explicabilidade
O estudo — The Narrative AI Advantage?, HBS Working Paper 25-001 — testou três condições sobre candidaturas reais de inovação em fase inicial: avaliação humana isolada, humano mais recomendação caixa-negra do modelo, e humano mais a mesma recomendação acompanhada de uma explicação narrativa. Cada decisão foi pontuada contra um referencial de peritos independentes, pelo que "qualidade" aqui não é confiança autodeclarada. É exatidão medida face a um padrão que os avaliadores não podiam ver.
O braço caixa-negra venceu. O braço com explicação não superou o desempenho apenas humano, apesar de os avaliadores se apoiarem mais no modelo nessa condição. A leitura dos investigadores é direta: as explicações narrativas suprimem as correções produtivas ao substituírem a verificação independente por texto persuasivo.
Vale a pena deter-se nesta formulação. Toda a justificação da IA explicável no apoio à decisão assenta na ideia de que uma justificação permite a um humano auditar a máquina. O que esta experiência conclui é que a justificação substitui a auditoria. Uma prosa fluida e bem estruturada é lida como prova e não como uma afirmação que ainda exige verificação. O avaliador deixa de avaliar a candidatura e passa a avaliar o argumento — que o modelo já otimizou para convencer.
Uma nota sobre a antiguidade, porque determina o peso a atribuir: o documento de trabalho não é recente. Regressou à conversa operacional através de uma síntese da Harvard Business Review de agosto de 2026 que o integrou num quadro mais amplo, de quatro fases, sobre onde a IA ajuda e onde prejudica ao longo de um pipeline de inovação (Harvard Business Review, 2026). A experiência é evidência amadurecida com nova aplicação, não uma manchete recente. Isso é um argumento para a levar mais a sério, não menos.
Adesão assimétrica: porque é o caminho da rejeição que quebra
O mecanismo tem nome no artigo — adesão assimétrica — e é o resultado operacionalmente decisivo.
Os avaliadores não seguiam a IA explicada de forma uniforme. Seguiam-na desproporcionadamente quando recomendava rejeição. As recomendações de aceitação continuavam a ser questionadas; as de rejeição eram largamente aceites. O resultado foi um aumento substancial de falsos negativos, concentrado exatamente nos casos-limite onde o juízo humano deveria justificar o seu custo.
Há uma razão psicológica simples para a assimetria, e não exige que os avaliadores sejam descuidados. Contrariar uma rejeição significa comprometer o próprio nome com um candidato contra o qual a máquina argumentou, por escrito, com razões. Contrariar uma aceitação não custa nada — o pipeline segue e outra pessoa olhará mais tarde. Assim, a explicação aumenta o preço pessoal de um sentido da discordância e deixa o outro inalterado. A adesão não se distribui uniformemente porque o risco também não.
Transponha agora isto para o funil de recrutamento de uma empresa de 200 pessoas. O seu filtro de IA processa 400 candidaturas para uma vaga. Apresenta recomendações de rejeição com justificações de dois parágrafos. O seu recrutador, a trabalhar a fila em volume, concorda com quase todas — o raciocínio é coerente, específico e superficialmente verificável. O filtro não se limitou a filtrar o pipeline. Transferiu silenciosamente a decisão de aceitar ou rejeitar do seu recrutador para um modelo, enquanto a documentação de processo continua a afirmar que a decisão foi humana.
Os falsos negativos são o único erro que o seu funil não consegue ver
Eis porque esta falha específica é pior do que a dimensão do efeito sugere.
Os erros de triagem são de dois tipos, e as suas métricas só veem um. Um falso positivo — um candidato fraco que avança — acaba por aparecer como contratação errada, período experimental falhado, vaga reaberta. É doloroso, visível e imputável. Um falso negativo — um bom candidato rejeitado — não produz qualquer vestígio. Não há coorte para medir, nem entrevista de saída, nem rubrica de custo. A pessoa vai para outro lado, tem bom desempenho lá, e o senhor nunca fica a saber.
Assim, um filtro de IA que desloca a sua distribuição de erros para os falsos negativos parecerá, em todos os painéis que tem, estar a funcionar. O tempo de triagem cai. A produtividade do recrutador sobe. A qualidade das contratações mantém-se, porque os candidatos que efetivamente contratou continuam adequados. A degradação é real e estruturalmente invisível.
Essa assimetria acumula-se no mesmo sentido de outro risco bem documentado na mesma camada. Investigação de Stanford que analisou milhões de candidaturas em empregadores que usam um filtro algorítmico partilhado concluiu que, quando muitas organizações assentam em lógicas de avaliação correlacionadas, um candidato rejeitado por uma é sistematicamente rejeitado pelas restantes — um efeito de monocultura que transforma o ponto cego de um único modelo em exclusão à escala do mercado (Stanford HAI, 2026). Combine os dois resultados e o quadro afina-se: lógicas de rejeição correlacionadas entre empregadores, mais um empurrão interno para aceitar as recomendações de rejeição, significam que é no caminho da rejeição que se concentram tanto o dano invisível como o sistémico.
O argumento a favor das explicações e o seu limite real
A objeção óbvia: não é possível remover as explicações. Reguladores, auditores e cada vez mais os próprios candidatos esperam uma razão. As obrigações de notificação adversa, as regras emergentes de transparência da IA e a simples correção profissional apontam no mesmo sentido.
Essa objeção está certa e não colide com o resultado — porque diz respeito a um público diferente.
As explicações servem duas funções inteiramente distintas que os fornecedores empacotam numa única funcionalidade. A primeira é a prestação de contas: um registo auditável do porquê de uma decisão, revisto a posteriori por uma função de compliance, por um regulador ou pela pessoa visada. A segunda é o apoio à decisão: texto mostrado a um avaliador humano no momento do juízo, destinado a ajudá-lo a decidir. O resultado de Harvard acusa o segundo uso, não o primeiro.
Pode registar integralmente o raciocínio do modelo, torná-lo recuperável para auditoria e anexá-lo a qualquer notificação adversa — sem o mostrar ao avaliador antes de este formar a sua própria opinião. Nada numa obrigação de transparência exige que a justificação seja a primeira coisa que o seu recrutador lê. Agrupar as duas coisas é um pressuposto de design de produto, não um requisito legal.
Há uma segunda defesa das explicações, mais estreita, que merece ser nomeada: ajudam quando o humano pode verificar as afirmações de forma independente. Se a justificação diz "sem certificação SOC 2" e o seu revisor pode confirmá-lo em dez segundos, a explicação é um ponteiro para um facto. Se diz "evidência limitada de apropriação estratégica", é uma interpretação disfarçada de constatação, e não há nada para verificar. A verificabilidade é a linha divisória — a mesma distinção que separa as tarefas em que os profissionais confiam nos agentes daquelas em que não confiam, em que a confiança depende de o resultado ter uma métrica objetiva de avaliação, mais do que da capacidade do modelo subjacente (MIT Technology Review, 2026).
O que mudar no seu filtro de IA neste trimestre
Quatro movimentos, por ordem de custo.
1. Audite onde as explicações surgem por defeito. A maioria das ferramentas de triagem, sourcing e avaliação de fornecedores mostra o texto da justificação ao lado da recomendação sem expor qualquer opção de configuração. Apure, ferramenta a ferramenta, se o raciocínio pode ser suprimido no ponto de decisão e mantido no registo. Se a resposta for não, isso é uma questão de compras para a próxima renovação — e uma questão concreta.
2. Teste o modo apenas-veredicto no caminho da rejeição. Não em todo o funil — no caminho da rejeição. Mostre a recomendação e o documento subjacente, retenha a narrativa até o avaliador registar um juízo e só depois a revele. É uma alteração de sequência, não uma remoção, e costuma ser configurável na interface de revisão mesmo quando a saída do modelo não é.
3. Instrumente as taxas de reversão nos dois sentidos. Registe com que frequência os seus avaliadores revertem recomendações de aceitação face às de rejeição. Um rácio saudável é aproximadamente simétrico. Se a sua equipa reverte 15 % das aceitações e 2 % das rejeições, mediu a adesão assimétrica na sua própria operação — e passa a ter o único número que torna o problema visível para quem detém o orçamento.
4. Amostre a pilha dos rejeitados. Retire 20 candidatos ou fornecedores rejeitados por trimestre e peça a um segundo avaliador que os aprecie às cegas, sem a saída da IA. É um controlo pequeno e monótono que gera os únicos dados sobre falsos negativos que alguma vez terá. Sem ele, está a gerir uma classe de erro para a qual não tem instrumento.
O achado subjacente aos quatro movimentos é incómodo face à direção que o mercado está a tomar. Todos os roteiros de filtros de IA estão a acrescentar explicações mais ricas e conversacionais. A melhor evidência de campo disponível diz que quanto mais rica a explicação, mais ela substitui o juízo que está a pagar a um humano para exercer — e que essa substituição atinge com mais força as decisões que nunca voltam para lhe dizer que estavam erradas.
Antes da próxima renovação da sua ferramenta de triagem, faça ao fornecedor uma única pergunta: posso desligar a explicação no ponto de decisão e mantê-la no registo de auditoria? Se a resposta for não, não está a comprar apoio à decisão. Está a comprar conformidade, e a pagar a um avaliador para a ratificar.
