No segundo dia do AI Experience Brasil, a Workhub acompanhou na Arena Nós Transformamos a palestra “A IA que decide não conversa: Machine Learning como serviço, quem constrói o modelo e responde por ele todo dia”, com Carlos Relvas e Valéria, da Wicogno.
Em um evento dominado por IA generativa, agentes e assistentes conversacionais, a dupla puxou a atenção para um território menos visível e muito mais antigo: o machine learning aplicado a decisões de negócio. O recado vale para qualquer liderança que trabalha com dados, incluindo quem lidera RH e people analytics.
A IA que conversa e a IA que decide
Valéria abriu com um pouco de história. O primeiro experimento de machine learning surgiu em 1959, com uma máquina que aprendia novas jogadas de damas em vez de apenas seguir uma programação fixa. Em 1989, nasceu o primeiro modelo de crédito baseado em machine learning. A IA conversacional só se popularizou em 2022, com o ChatGPT.
A provocação veio em seguida. Mesmo com toda a popularidade da IA generativa, quem decide se um crédito é aprovado, se uma transação é fraude ou se um cliente está prestes a ir embora continua sendo, na maior parte das empresas, um modelo preditivo. Ao pedir que a plateia levantasse a mão, Valéria mostrou o contraste: quase todo mundo usa IA generativa no trabalho, e bem menos gente tem modelos preditivos apoiando decisões. Segundo dado citado por ela, apenas 4% das empresas com mais de dez pessoas usam esse tipo de modelo.
Para o RH: a conversa sobre IA na área de pessoas costuma girar em torno de assistentes, chatbots e geração de conteúdo. Mas as decisões de maior impacto, como prever saídas, planejar quadro ou priorizar ações de retenção, pedem outro tipo de abordagem, baseada em dados históricos e modelos que aprendem com eles.
Decisões recorrentes, com custo de erro conhecido
Os exemplos apresentados ajudam a entender onde esses modelos fazem diferença. Em um caso de varejo, um modelo passou a prever todas as madrugadas o risco de falta de cada produto em cada ponto de venda, considerando demanda, estoque e prazo de entrega de cada região. Em crédito, modelos de aprovação e limite reduziram a inadimplência mantendo a mesma taxa de aprovação. Em um aplicativo de fidelidade, um modelo identificava quais pessoas usuárias tinham mais risco de abandonar o serviço nos meses seguintes e, junto com o risco, apontava o motivo principal, como uma reclamação recente ou uma mudança de endereço.
O ponto em comum entre os casos é claro: são decisões que se repetem muitas vezes, com dados históricos disponíveis e um custo de erro que a empresa consegue medir. Valéria resumiu os verbos que caracterizam esse tipo de decisão: aprovar, ofertar, priorizar ou bloquear. Decisões pontuais, que acontecem uma vez, não alimentam um modelo, porque ele precisa de volume para aprender.
Para o RH: a lógica do caso de fidelização é muito próxima da análise de turnover. Um modelo que indica quem tem maior risco de saída e por quê pode orientar conversas de retenção mais cedo. A explicação do motivo importa tanto quanto o risco: um número sem contexto não ajuda nenhuma liderança a agir.
Todo modelo nasce para morrer
O ponto mais forte da palestra veio de Carlos, com uma frase que ficou na plateia: todo modelo nasce para morrer. Modelos perdem desempenho ao longo do tempo, e a velocidade varia conforme o problema. Em fraude, a degradação é rápida, porque quem frauda aprende a contornar o modelo.
As causas vão de grandes mudanças externas a pequenas alterações internas. Carlos citou a pandemia, que afetou de uma hora para outra um modelo de crédito voltado a padarias, lanchonetes e restaurantes. Mencionou também as variações da Selic e o crescimento das apostas online, que alteraram o comportamento de crédito de muita gente. Mas lembrou que muitas vezes a mudança vem de dentro: um novo canal de aquisição, uma parceria, uma campanha regional ou uma regra nova podem mudar o perfil da população analisada sem que ninguém perceba.
Para o RH: modelos de pessoas sofrem exatamente o mesmo efeito. Um modelo de turnover treinado antes da adoção do trabalho híbrido, de uma reestruturação ou de uma mudança na política de remuneração pode estar tomando decisões com base em um mundo que já não existe.
O custo do erro que ninguém vê
Carlos chamou atenção para o problema mais grave: muitos modelos seguem em operação sem que ninguém acompanhe seu desempenho. A empresa só percebe quando o resultado piora. Em crédito, por exemplo, o efeito de uma aprovação feita hoje só aparece cerca de três meses depois, quando se descobre se a pessoa pagou ou não. Até lá, o modelo pode ter aprovado muita gente que não deveria.
Ele fez uma conta simples para ilustrar. Um modelo que toma 100 mil decisões por mês, perde dois pontos percentuais de acerto e gera um custo de R$ 200 por erro produz uma perda de R$ 400 mil por mês. Esse valor não aparece em nenhuma linha do orçamento. E, segundo ele, dois pontos é uma perda pequena perto do que costuma ver na prática.
Outro risco citado foi o do modelo órfão. Quando a pessoa cientista de dados responsável deixa a empresa, muitas vezes ninguém mais sabe como o modelo funciona, e o retreinamento vira um novo projeto, com novo orçamento, nova equipe e meses de espera.
Para o RH: esse é um ponto de governança que conversa diretamente com a palestra de Andréa Migliori, CEO da Workhub, no mesmo evento: cada modelo precisa de um dono. Sem uma pessoa responsável por acompanhar, questionar e decidir quando ajustar, o modelo continua decidindo sozinho.
Monitorar o resultado e também o que entra
Carlos destacou dois tipos de acompanhamento. O primeiro, mais comum, olha para o desempenho do modelo ao longo do tempo e dispara um retreinamento quando ele cai abaixo de um limite definido. O segundo, bem mais raro no mercado, acompanha diariamente cada uma das variáveis que alimentam o modelo, para identificar problemas antes que eles apareçam no resultado.
O exemplo mais curioso foi o de uma variável de renda. O modelo esperava receber R$ 5 mil e passou a receber R$ 5, porque uma mudança no sistema começou a dividir o valor por mil. Sem monitoramento das variáveis, o erro só seria notado meses depois, quando o desempenho caísse. Com o acompanhamento diário, foi identificado em um dia. Situações parecidas acontecem quando um fornecedor de dados externos altera uma informação sem avisar, ou quando uma campanha muda o perfil de público em algumas cidades.
Carlos também ressaltou que nem toda mudança exige retreinamento automático. Antes de ajustar, é preciso investigar a causa e conversar com a área de negócio para entender se aquela alteração era esperada.
Para o RH: sistemas de RH mudam com frequência. Uma nova estrutura de cargos, uma alteração na forma de registrar desligamentos ou a integração de uma nova base de dados podem distorcer silenciosamente qualquer análise preditiva. Acompanhar a qualidade dos dados de entrada é tão importante quanto acompanhar o resultado.
Quando a IA que decide e a IA que conversa trabalham juntas
No encerramento, Valéria fez questão de dizer que a IA conversacional tem seu lugar, desde que venha depois da IA que decide. No exemplo de cobrança, o modelo preditivo define quem deve ser procurado primeiro, em qual telefone e em qual horário, considerando quem tem mais chance de pagar. Só então um agente conversacional negocia, consulta o contrato, faz a proposta e registra o acordo.
Nessa combinação, o agente assume o trabalho repetitivo, e a pessoa especialista ganha espaço para revisar, aprovar e trazer informações que ajudam a melhorar o próprio modelo.
Para o RH: a mesma lógica serve para a área de pessoas. Um assistente que conversa com as pessoas colaboradoras sobre retenção, carreira ou benefícios será tão bom quanto a análise que vem antes dele. E, em decisões que afetam pessoas, a revisão humana continua indispensável.
Um cuidado extra quando o dado é sobre gente
A palestra tratou principalmente de crédito, varejo e consumo. Ao trazer essa lógica para o RH, vale um alerta que não estava no palco, mas é inevitável: modelos que fazem previsões sobre pessoas colaboradoras lidam com dados pessoais protegidos pela LGPD, podem reproduzir vieses históricos e influenciam decisões sobre carreira e permanência. Transparência sobre o uso dos dados, explicabilidade dos resultados e decisão final humana são condições mínimas para que um modelo de pessoas gere confiança, e não o contrário.
O que levar para a agenda de RH
- Quais decisões recorrentes da área de pessoas poderiam ser apoiadas por modelos preditivos?
- Sabemos quanto custa errar nessas decisões, como uma saída não prevista ou uma contratação mal feita?
- Os modelos que já usamos têm uma pessoa responsável por acompanhar o desempenho?
- Quando foi a última vez que esses modelos foram revisados diante das mudanças da empresa?
- Monitoramos a qualidade dos dados que entram, ou só olhamos o resultado final?
- Nossos modelos explicam o motivo de cada previsão e passam por revisão humana antes de qualquer decisão sobre pessoas?
Na Workhub, essa reflexão reforça algo que vemos todos os dias com dados de comunicação interna: indicadores só geram valor quando alguém acompanha, interpreta e transforma o que eles mostram em decisões.
