A máquina recomenda, a empresa responde: os limites da demissão por algoritmo

Sistemas preditivos podem organizar sinais de desempenho e risco, mas desligamentos exigem governança própria, auditoria contínua e responsabilidade humana que não seja apenas formal.

Juliana ReisEditora de dados e insights

02 de outubro de 2026 · 09:01· 13 min de leitura

756curtidas1,4 milleituras

Compartilhar

A automação chegou aos recursos humanos por etapas. Primeiro, organizou currículos, jornadas, metas e avaliações; depois, passou a estimar rotatividade, produtividade, aderência a escalas e probabilidade de descumprimento de indicadores. Quando esses sistemas começam a influenciar quem recebe advertência, perde oportunidades ou deixa a empresa, porém, a discussão deixa de ser apenas tecnológica: torna-se uma questão de poder, devido processo interno e responsabilidade empresarial.

A expressão “demissão por algoritmo” simplifica um problema mais amplo. Na maior parte das operações, não existe uma máquina emitindo sozinha a carta de desligamento, mas uma cadeia de recomendações, pontuações e alertas que pode conduzir gestores a uma conclusão aparentemente inevitável. O risco central está justamente nessa zona intermediária, em que a decisão é apresentada como humana, embora tenha sido moldada por critérios que ninguém na ponta consegue explicar, contestar ou auditar.

O desligamento virou um problema de governança de decisões

Empresas adotam ferramentas analíticas porque precisam administrar equipes numerosas, reduzir inconsistências e detectar problemas antes que virem perdas. Em operações com alta dispersão geográfica, turnos variados e grande volume de registros, a promessa de enxergar padrões tem valor legítimo. O erro começa quando uma ferramenta desenvolvida para priorizar atenção passa a funcionar como árbitro de permanência, sem que a organização redesenhe os controles ao redor dessa nova função.

Um desligamento envolve muito mais do que uma correlação estatística. Ele pode afetar renda, reputação profissional, acesso a benefícios e equilíbrio de uma equipe, além de criar exposição trabalhista, reputacional e regulatória para a companhia. Por isso, a pergunta relevante não é se a inteligência artificial pode produzir uma recomendação tecnicamente sofisticada, mas se a empresa possui legitimidade, evidência e processo para transformar essa recomendação em uma decisão adversa.

Esse enquadramento muda a arquitetura de responsabilidade. A área de tecnologia não pode tratar o modelo como um produto entregue e encerrado; recursos humanos não pode receber uma nota como se fosse um laudo; gestores não podem usar o sistema para terceirizar conversas difíceis. Jurídico, compliance, relações trabalhistas, segurança da informação e liderança operacional precisam compartilhar regras claras, sem diluir a obrigação final de decidir.

A governança deve acompanhar o impacto da decisão, e não o rótulo comercial da ferramenta. Um painel de produtividade aparentemente simples pode se tornar um sistema de alto impacto se orientar advertências e desligamentos em escala. Da mesma forma, uma solução comprada como apoio gerencial não fica isenta de controles apenas porque o fornecedor afirma que a palavra final pertence ao cliente.

Como a influência algorítmica entra no processo

O sistema pode atuar antes mesmo de o gestor abrir um processo formal. Ele seleciona quais casos aparecem no painel, define o peso de atrasos, faltas, vendas, avaliações e interações, compara pessoas com grupos de referência e sugere anomalias. Cada escolha altera a percepção do decisor, porque aquilo que não aparece na interface tende a desaparecer também da análise gerencial.

Há três formas recorrentes de influência. Na primeira, o modelo recomenda diretamente uma ação; na segunda, atribui uma pontuação de risco que funciona como atalho para a decisão; na terceira, organiza filas e prioridades, fazendo alguns empregados receberem escrutínio muito maior do que outros. Mesmo quando não existe comando automático, as três modalidades podem produzir efeitos materiais semelhantes.

Também importa distinguir previsão de causalidade. Um sistema pode identificar que determinado padrão está associado à queda de desempenho, mas não demonstrar por que ela ocorreu nem se o empregado tinha controle sobre as circunstâncias. Escala mal dimensionada, equipamento defeituoso, território comercial mais difícil, deficiência de treinamento ou tratamento desigual pela liderança podem aparecer no dado como falha individual.

““Se a revisão humana recebe apenas a pontuação final e um botão de confirmação, ela não é uma salvaguarda; é uma etapa administrativa.””

A automação também pode criar uma profecia autorrealizável. Uma pessoa classificada como de alto risco pode perder escalas favoráveis, contas estratégicas, acesso a treinamento ou confiança da liderança; depois, seu desempenho cai e confirma a previsão original. Sem registro das intervenções posteriores à pontuação, a companhia pode interpretar como precisão do modelo aquilo que foi, em parte, consequência do próprio uso do modelo.

• Inventariar todos os sistemas que classificam, ranqueiam ou priorizam trabalhadores, mesmo quando não foram comprados como ferramentas de desligamento.
• Mapear quais dados entram no cálculo, quem os produz, com que atraso são atualizados e quais grupos podem ser medidos de maneira desigual.
• Identificar em que pontos a recomendação altera escalas, metas, advertências, promoções, treinamento ou acesso a oportunidades.
• Registrar quem pode visualizar, contestar, modificar e aprovar cada resultado, incluindo intervenções informais feitas fora do sistema.
• Classificar o impacto real de cada uso e aplicar controles mais rigorosos às decisões que podem resultar em sanção ou perda do emprego.

Os números e sinais que merecem acompanhamento

A qualidade de um modelo não pode ser resumida a uma taxa geral de acerto. Médias podem esconder diferenças relevantes entre unidades, funções, regimes de trabalho e grupos com condições distintas de medição. Para decisões de desligamento, a empresa precisa observar não apenas desempenho estatístico, mas também estabilidade, qualidade dos dados, frequência de contestação e efeitos produzidos no ambiente de trabalho.

O primeiro conjunto de sinais está na entrada. Registros ausentes, sistemas de ponto instáveis, metas alteradas durante o período e avaliações subjetivas de chefias podem contaminar o resultado antes de qualquer processamento avançado. A auditoria deve procurar assimetrias: trabalhadores externos podem ter menos dados; pessoas em licença podem parecer menos produtivas; equipes com sistemas antigos podem acumular falhas que não existem em unidades mais digitalizadas.

O segundo conjunto aparece na saída. Convém acompanhar a distribuição das pontuações, o volume de recomendações adversas, a taxa de reversão após revisão humana e a concentração de desligamentos por unidade, gestor, função e modalidade de trabalho. Mudanças abruptas depois de uma atualização do sistema, de uma nova fonte de dados ou de uma alteração de metas são alertas que exigem investigação antes de novas decisões.

O terceiro conjunto mede o processo decisório. Quanto tempo o gestor dedica à revisão? Que evidências adicionais consulta? Em quantos casos discorda da ferramenta e por quê? Uma taxa de concordância quase total pode indicar excelente precisão, mas também pode revelar viés de automação, pressão por velocidade ou uma interface desenhada para dificultar a discordância.

A taxa de reversão não deve ser tratada como falha do gestor ou do modelo por definição. Quando bem documentada, ela mostra que a revisão humana está ativa e ajuda a localizar dados inadequados, regras mal calibradas e situações que o sistema não compreende. O objetivo não é maximizar concordância, mas garantir que cada decisão adversa sobreviva a um exame independente, contextual e reproduzível.

• Desempenho do sistema separado por função, unidade, jornada e grupos sujeitos a condições distintas de medição.
• Falsos alertas e casos em que a recomendação adversa foi revertida após análise de contexto.
• Concentração de decisões por gestor, inclusive diferenças persistentes entre líderes com equipes comparáveis.
• Incidentes de dados, alterações de versão e mudanças de política que afetem variáveis ou pesos.
• Reclamações internas, pedidos de revisão, saídas voluntárias e sinais de queda de confiança após a adoção da ferramenta.
• Tempo entre a geração do alerta, a revisão humana, a comunicação e a decisão final.

Onde os planos de controle costumam falhar

O primeiro fracasso é confundir consentimento genérico com legitimidade. Uma cláusula ampla em política de privacidade ou contrato de trabalho não resolve a falta de clareza sobre finalidade, critérios e consequências. A empresa precisa justificar por que cada dado é necessário, por quanto tempo será mantido e se existe uma alternativa menos invasiva para alcançar o mesmo objetivo gerencial.

O segundo é adotar a revisão humana apenas no papel. Um gestor sobrecarregado, avaliado pela rapidez com que fecha casos e exposto somente à nota final dificilmente fará uma análise independente. Para ser real, a revisão exige tempo, acesso às evidências, autoridade para discordar e proteção contra metas que premiem a confirmação automática.

O terceiro é auditar o fornecedor, mas não o uso. Certificações, relatórios técnicos e cláusulas contratuais são importantes, porém não mostram como a ferramenta interage com metas locais, práticas de liderança e dados produzidos pela própria empresa. Um modelo razoável pode se tornar perigoso quando aplicado fora da finalidade original, alimentado por registros ruins ou conectado a incentivos inadequados.

O quarto é buscar explicações genéricas depois da decisão. Frases como “baixo desempenho” ou “combinação de fatores” não permitem verificar se os registros estavam corretos nem se situações semelhantes receberam tratamento semelhante. A explicação precisa apontar os fatores relevantes, as evidências consideradas, os limites do sistema e o papel efetivo desempenhado pelas pessoas que decidiram.

O quinto é permitir que a pontuação contamine o histórico do trabalhador sem prazo ou contexto. Alertas antigos podem continuar influenciando avaliações mesmo depois de corrigidos, enquanto inferências incertas ganham aparência de fato ao serem copiadas entre sistemas. Regras de retenção, correção e exclusão devem alcançar tanto os dados originais quanto os relatórios, perfis e decisões derivados deles.

Um plano de execução para os próximos 90 dias

Nos primeiros 30 dias, a prioridade deve ser descobrir onde a automação já influencia decisões. A companhia pode criar um grupo temporário com RH, jurídico, compliance, tecnologia, segurança e operações para inventariar fornecedores, planilhas, painéis e regras internas. Enquanto o levantamento ocorre, usos de maior impacto que não tenham documentação mínima devem ser suspensos ou limitados a triagem, sem efeito disciplinar automático.

Esse inventário precisa produzir um mapa de decisão, não apenas uma lista de softwares. Para cada fluxo, a empresa deve registrar finalidade, população afetada, fontes de dados, responsável pelo modelo, responsável pelo processo, pontos de intervenção humana e consequências possíveis. Também deve indicar dependências com sistemas de ponto, remuneração variável, controle de acesso, atendimento ao cliente e gestão de metas.

Entre o 31º e o 60º dia, entra a avaliação de impacto. A organização deve testar qualidade dos dados, coerência dos critérios, diferenças entre grupos e sensibilidade a mudanças pequenas nas variáveis. Casos históricos podem ser revistos com cuidado para identificar padrões de erro, mas a validação não deve transformar decisões passadas em verdade objetiva, sobretudo quando os próprios registros refletem vieses gerenciais.

Nessa fase, contratos também precisam ser reabertos. A empresa deve assegurar acesso a documentação técnica suficiente, histórico de versões, comunicação prévia de alterações, suporte a auditorias e regras de responsabilização por falhas. Restrições de segredo comercial não podem impedir explicações a trabalhadores, autoridades ou instâncias internas de revisão; se impedirem, a ferramenta não é adequada a uma decisão de alto impacto.

Do 61º ao 90º dia, o foco passa à operação. A companhia deve instituir alçadas, formulários de justificativa, prazos de revisão, canal de recurso e monitoramento periódico, além de treinar gestores com casos concretos. Um comitê pode definir política e acompanhar padrões, mas a responsabilidade por cada desligamento deve permanecer identificável em uma pessoa com autoridade real, nunca atribuída abstratamente ao colegiado.

• Dias 1 a 30: inventariar sistemas e fluxos, classificar impacto, limitar usos sem controles e nomear responsáveis.
• Dias 31 a 60: executar avaliação de impacto, testar dados e resultados, revisar contratos e desenhar explicações compreensíveis.
• Dias 61 a 90: implantar alçadas, recurso independente, trilhas de auditoria, treinamento e painel de monitoramento.
• Ao final do ciclo: apresentar à liderança riscos residuais, decisões de continuidade e orçamento necessário para correções.

Gente e cultura definem se a salvaguarda funciona

Governança algorítmica não se sustenta apenas com política escrita. Se líderes são premiados por cortar custos rapidamente, reduzir quadro ou evitar discordâncias com a matriz, qualquer sistema de risco pode virar instrumento de confirmação. Incentivos, metas e desenho de cargos precisam ser revistos para que a análise cuidadosa não seja tratada como atraso operacional.

O treinamento deve ir além de explicar botões. Gestores precisam reconhecer viés de automação, diferença entre correlação e causa, limitações de dados e situações em que o sistema não deveria ser utilizado. Também devem aprender a conversar sobre evidências, receber contestação sem retaliar e documentar por que aceitaram ou rejeitaram uma recomendação.

A participação dos trabalhadores melhora a qualidade do controle. Canais seguros podem revelar falhas que uma auditoria estatística não identifica, como metas impossíveis, sensores defeituosos, pausas não registradas ou manipulação de escalas. Dependendo do ambiente e das relações coletivas aplicáveis, representantes internos e entidades de trabalhadores também podem contribuir para definir limites, transparência e mecanismos de revisão.

A proteção a quem questiona o sistema é especialmente importante. Se contestar uma pontuação for percebido como falta de colaboração, o canal de recurso existirá apenas formalmente. A empresa deve separar o ato de pedir revisão da avaliação comportamental, monitorar retaliações e garantir que erros confirmados sejam corrigidos em todos os bancos de dados relacionados.

A cultura desejável não é hostil à tecnologia. Ela entende que modelos podem ampliar consistência e revelar problemas invisíveis, mas exige proporcionalidade quando a consequência é severa. A maturidade aparece quando a organização aceita reduzir velocidade, renunciar a determinada variável ou abandonar um uso lucrativo porque não consegue explicá-lo e controlá-lo adequadamente.

O que fica para a liderança

A decisão de desligar não se torna neutra porque foi transformada em pontuação. Dados carregam condições de trabalho, escolhas de gestão e limitações de medição; modelos adicionam outras escolhas ao selecionar variáveis, objetivos e grupos de comparação. A responsabilidade empresarial começa pelo reconhecimento de que eficiência analítica não elimina julgamento, apenas o desloca para etapas menos visíveis.

Conselhos e diretorias devem tratar o tema como risco corporativo, e não como detalhe de RH. Isso implica conhecer os usos de maior impacto, receber indicadores de contestação e disparidade, exigir planos de correção e definir quais aplicações são incompatíveis com os valores e a exposição da companhia. O patrocínio executivo é necessário sobretudo quando controles reduzem velocidade ou contrariam promessas comerciais de fornecedores.

A melhor governança separa claramente recomendação, decisão e recurso. O sistema pode ajudar a localizar casos; uma pessoa qualificada avalia contexto e evidências; outra instância, independente, examina a contestação. Essa divisão não elimina erros, mas cria condições para detectá-los antes que se consolidem em dano trabalhista, perda de confiança e deterioração operacional.

Algoritmos podem organizar evidências, mas não podem absorver a responsabilidade moral, gerencial e jurídica de um desligamento. A empresa preparada é aquela que consegue interromper a automação, explicar o caminho decisório, corrigir dados e apontar quem, de fato, respondeu pela escolha.

No fim, a questão estratégica não é decidir entre gestão humana e gestão orientada por dados. É construir um sistema em que a informação amplie a capacidade de julgamento sem esconder quem exerce poder sobre quem trabalha. Quando não consegue demonstrar esse equilíbrio, a organização não possui apenas um problema de algoritmo: possui um problema de governança.