Em debate, Nubank, Uber e Stone mostram como a IA está redesenhando o RH

Para boa parte das empresas, falar sobre inteligência artificial no RH ainda envolve discutir o futuro – seja ele próximo ou distante. Há questionamentos sobre quais tarefas poderão ser automatizadas, quais ferramentas devem ser adotadas e como os profissionais precisarão se preparar para trabalhar com a tecnologia. No Nubank, no Uber e na Stone, porém, algumas dessas discussões já deixaram o campo das hipóteses – como ficou claro num debate no Native AI ‘26, evento realizado pela Comp em São Paulo em 28 de setembro.

As três empresas vêm experimentando diferentes formas de aplicar IA à operação de People, da triagem de currículos ao atendimento de funcionários, passando por pesquisas de clima, gestão de performance e análise de dados. Em comum, há uma conclusão: colocar inteligência artificial sobre processos existentes é apenas uma parte da transformação. Em alguns casos, é preciso primeiro questionar o próprio processo.

“Não basta só colocar IA na mão das pessoas”, resumiu Suzana Kubric, CHRO do Nubank, durante o evento. Para ela, a tecnologia pode democratizar o conhecimento e ampliar a capacidade dos profissionais, mas não elimina a necessidade de conhecimento técnico, julgamento e desenho de soluções.

No Nubank, essa mudança começou antes da popularização da IA generativa. Há cerca de três anos, a empresa decidiu importar para a área de Pessoas uma lógica de gestão de produtos. Na prática, foram integrados profissionais de produto, design e tecnologia em squads multidisciplinares. A equipe passou a mapear a jornada do funcionário, identificar problemas, testar pilotos e medir os resultados das soluções. Hoje, segundo Suzana, cerca de 20% do quadro de RH do banco é formado por profissionais de produto, design e tecnologia.

A estrutura acabou se tornando uma espécie de infraestrutura para a transformação com IA: quando a tecnologia ganhou escala, essas pessoas já estavam dentro da área e ajudaram a redesenhar os workflows. A mudança também alterou a maneira de pensar sobre as soluções do RH. Em vez de começar pela pergunta sobre qual ferramenta deveria ser criada, o Nubank passou a partir da dor do usuário.

Um dos exemplos citados por Suzana foi um programa de reconhecimento que acabou sendo descontinuado porque, apesar de parecer uma boa ideia inicialmente, produziu o efeito contrário ao esperado: os indicadores de reconhecimento e engajamento caíram. “Um dos princípios de produto que a gente aplica é que você tem que se apaixonar pelo problema e não se apaixonar pela solução”, disse Suzana.

Menos fotografia, mais acompanhamento

Diretor de People para a América Latina da Uber, Rafael Arroyo trouxe à tona uma experiência de utilização da IA para criar diagnósticos mais frequentes e contextuais sobre a organização. Durante os nove anos em que trabalhou na Amazon, Arroyo acompanhou uma mudança nas pesquisas de clima da companhia. Em vez de depender apenas de levantamentos semestrais ou anuais, a empresa passou a utilizar perguntas específicas diariamente, selecionadas com auxílio de IA de acordo com a área, liderança ou situação que estava sendo analisada.

A ideia é identificar mais rapidamente onde existe um problema e quais perguntas precisam ser feitas para entendê-lo. Na Uber, onde hoje existem pesquisas de liderança e de clima, Arroyo pretende levar parte dessa lógica para o acompanhamento da saúde organizacional. O motivo é simples: uma fotografia feita seis meses atrás pode não representar mais a empresa. “A Uber de hoje é diferente da que existia um mês atrás”, afirmou, lembrando que mudanças recentes na organização alteram rapidamente o contexto. Para ele, a IA pode ajudar a acompanhar essa dinâmica, mas não substitui o julgamento humano.

A experiência anterior de Arroyo também produziu uma lição mais incômoda sobre o uso de IA em RH. Na Amazon, uma ferramenta utilizada para ajudar na triagem de currículos incorporava os critérios definidos pelos gestores para identificar bons candidatos. O problema apareceu quando a equipe percebeu que esses critérios carregavam os próprios vieses dos gestores.

Na prática, os candidatos selecionados começaram a reproduzir o perfil das pessoas que aqueles gestores já costumavam contratar: homens, brancos, cisgêneros, americanos e formados nas melhores universidades. “Não basta apenas você soltar a IA para fazer as coisas por você”, afirmou Arroyo. “É preciso acompanhar o que ela está fazendo, ajustar o curso e, quando necessário, interromper o sistema.”

O caso ajuda a explicar por que, para os executivos, a adoção de IA no RH não pode ser confundida com delegação. Quanto mais autonomia é dada à tecnologia, maior precisa ser a capacidade da organização de acompanhar seus resultados e identificar quando ela está produzindo uma resposta inadequada.

Isso vale inclusive para situações em que o problema não é um viés estatístico, mas uma resposta simplesmente incompatível com a natureza do trabalho de RH. Arroyo contou que uma das primeiras ferramentas de atendimento da Amazon foi interrompida depois que uma pessoa em situação de luto procurou ajuda e recebeu como resposta apenas uma indicação fria para consultar um manual. A experiência levou a empresa a repensar a arquitetura do atendimento. Em vez de imaginar que a IA deveria resolver tudo sozinha, o modelo passou a trabalhar com diferentes níveis: uma primeira camada automatizada, seguida por atendimento central e, quando necessário, a intervenção de um especialista.

Colaborador como cliente

Na Stone, a transformação parte de uma premissa semelhante, mas aplicada à experiência do funcionário. Segundo Fábio Kapitanovas, diretor de pessoas e de operações da empresa, a área decidiu tratar o colaborador como trata um cliente. A companhia criou uma solução de atendimento chamada Gentil. Ela concentra políticas de RH e liderança e permite que funcionários busquem respostas sem precisar necessariamente recorrer a um business partner.

A ideia também aparece no Nubank. Suzana contou que a empresa estabeleceu como um de seus objetivos tornar a experiência do funcionário tão boa quanto a experiência do cliente. Para isso, a área passou a medir suas soluções com métricas de produto, como NPS, e a administrar seu portfólio de soluções de People. A cada trimestre, a liderança avalia os produtos existentes e pode decidir descontinuar algum deles. “Eu mato produto com dor no coração”, afirmou Suzana, explicando que algumas soluções precisam ser encerradas quando não resolvem adequadamente o problema para o qual foram criadas.

O movimento representa uma mudança importante na relação entre RH e seus usuários. Em vez de enxergar a área como responsável apenas por processos, políticas e atendimento, as empresas começam a tratá-la como uma função que desenha experiências e produtos para diferentes públicos internos. Isso também muda o perfil esperado dos profissionais.

O novo profissional de RH

Para Suzana, a transformação aumenta a importância da curiosidade e da capacidade de lidar com ambiguidade. Mais do que simplesmente acumular habilidades técnicas, profissionais de RH precisam ter disposição para aprender continuamente. Além disso, é preciso trabalhar em situações nas quais ainda não existe uma resposta pronta. “Temos de buscar cada vez mais o will em vez do skill”, afirmou. “Ter a vontade, a curiosidade de aprender, de se desenvolver, é cada vez mais importante do que a habilidade em si.”

Kapitanovas, da Stone, descreveu uma mudança parecida por outro ângulo. Para ele, o RH precisa de profissionais menos especializados em uma única disciplina e mais capazes de compreender diferentes áreas do negócio. A experiência do cliente interno exige entender contextos distintos e conectar informações que antes ficavam distribuídas entre especialistas.

Na Uber, Arroyo acrescentou outra característica: resiliência. Em um cenário no qual os ciclos de vida das organizações e dos próprios trabalhos estão mais curtos, o profissional não deveria depender exclusivamente do cargo que ocupa ou da função que exerce naquele momento.

Essa mudança de perfil acompanha outra transformação: a retirada de parte das tarefas repetitivas da rotina de People. Na Stone, atividades operacionais foram automatizadas e a triagem de currículos passou a ser feita com auxílio de tecnologia.

Já na Uber, dúvidas simples sobre benefícios, folha e departamento pessoal podem ser resolvidas por IA, reduzindo o chamado “RH de balcão”. Mas Arroyo aponta um efeito colateral menos óbvio dessa automação: quando a tecnologia facilita a execução de uma tarefa, as pessoas podem começar a criar novas tarefas simplesmente porque agora conseguem fazê-las. Segundo ele, a chegada da IA tornou mais importante discutir papéis, responsabilidades e a distribuição do tempo. “Não sabemos qual é a nossa função depois que a IA chegou”, resumiu.

Para Suzana, a resposta não é eliminar o trabalho humano, mas mudar sua complexidade. No Nubank, por exemplo, a empresa está redesenhando o ciclo de performance e processos relacionados a ofertas e remuneração. A IA pode facilitar partes dessas atividades, mas não elimina a necessidade de profissionais de Compensation, Talent Acquisition ou outras áreas de People.

A difícil conta da produtividade

É justamente aí que aparece uma das questões ainda sem resposta definitiva para os três executivos: como medir o impacto da IA? Kapitanovas defende começar pelo problema. Se existe uma métrica que mostra a situação atual e outra que representa o resultado desejado, a diferença entre as duas pode ajudar a medir o valor produzido pela solução. Ele deu como exemplo o tempo necessário para que um vendedor atinja o nível de performance médio dos demais. Se esse período cai de seis para quatro meses, é possível estimar o impacto financeiro de reduzi-lo ainda mais.

Suzana, porém, foi mais direta sobre as limitações atuais: “A resposta é: não sei”. Segundo ela, o Nubank já testou métricas como número de pull requests e linhas de código por engenheiro, além de horas economizadas com IA. O problema é que essas medidas capturam mais o output do que o resultado – no caso das horas poupadas, dependem ainda de autorrelato, tornando-se uma métrica pouco convincente.

Uma alternativa discutida por ela é a receita por colaborador (ou revenue per employee, em inglês). Suzana contou que, em conversa com o CHRO da OpenAI, ouviu que a empresa abandonou a tentativa de encontrar uma métrica específica de produtividade da IA e passou a acompanhar o novo indicador. Ainda assim, ela considera que nenhuma das métricas disponíveis hoje consegue conectar completamente produtividade e uso de IA.

A dificuldade é semelhante na experiência de Arroyo. Na Amazon, uma das medidas utilizadas era a de custo e receita por colaborador, além da economia de tempo. Mas o executivo ressalta que comparar áreas diferentes por uma mesma proporção de pessoas pode ser injusto, já que as missões e necessidades de cada uma são diferentes. Ou seja: para além de descobrir como usar IA, o RH ainda precisa descobrir como demonstrar que seu uso produziu valor.

O problema da renovação

Existe ainda uma consequência de longo prazo que preocupa os executivos: se a IA assumir parte crescente das tarefas de entrada, como formar os profissionais que, no futuro, deveriam ocupar posições mais seniores? A questão apareceu durante o debate e expôs uma tensão entre eficiência no curto prazo e formação de talentos no longo prazo.

Na Stone, Kapitanovas afirma que os programas de estágio, trainee e aprendizagem continuam sendo necessários para formar profissionais. A empresa ainda não substituiu completamente as funções de entrada por IA e mantém programas destinados a criar a próxima geração de engenheiros e cientistas de dados.

Para Suzana, porém, o problema é maior. Se o trabalho mais tático e repetitivo for progressivamente automatizado, o profissional de entrada terá menos oportunidades de aprender justamente as atividades que permitem desenvolver julgamento e capacidade estratégica. Ela prevê que isso pode se tornar um problema mais sério nos próximos cinco a dez anos: empresas podem optar por contratar profissionais mais seniores para trabalhar com IA e, ao mesmo tempo, deixar de formar a geração que deveria substituí-los.

A resposta, em sua visão, passa por programas de mentoria e shadowing – nos quais profissionais em início de carreira acompanham pessoas mais experientes e aprendem como elas exercem julgamento e tomam decisões. “É um problema que todos nós, conjuntamente, precisaremos ter consciência sobre”, afirmou.

Arroyo levou a discussão um passo além. Para ele, a questão não é apenas empresarial, mas social – e exige intencionalidade. Assim como organizações precisaram criar políticas deliberadas para avançar em diversidade e inclusão, será necessário fazer escolhas conscientes para garantir formação e construção de conhecimento em um mercado de trabalho transformado pela IA.

Quanto custa transformar o RH?

Se a promessa da IA é fazer mais com menos, a transformação não necessariamente começa com redução de custos. A percepção dos três executivos sobre o impacto financeiro foi diferente. Para Arroyo, a adoção de IA possibilitou enxugar estruturas de gestão de pessoas, embora ele faça uma ressalva: o investimento em tecnologia e desenvolvimento de competências nem sempre acompanha a velocidade das reorganizações provocadas pela automação.

No Nubank, o efeito inicial foi justamente o contrário. Suzana afirmou que o headcount diminuiu, mas a empresa passou a contratar profissionais mais caros, como engenheiros, designers e product managers. Além disso, há uma nova despesa que antes não existia na mesma escala: os próprios tokens utilizados pelos sistemas de IA. “Agora a gente tem que administrar as pessoas e… os tokens”, disse. A expectativa, segundo ela, é que a estrutura fique mais cara inicialmente para que os ganhos apareçam posteriormente.

Na Stone, a conta é diferente. Kapitanovas afirmou que a eficiência da operação dobrou nos últimos três anos. Ao mesmo tempo, a empresa passou a olhar não só para o custo de pessoas, mas para o custo combinado de pessoas, software e tokens – e, segundo ele, o custo total caiu no período.

As diferenças entre as três experiências ajudam a mostrar porque talvez seja cedo para tratar a IA como uma simples equação de redução do número de pessoas. Em alguns casos, ela reduz tarefas. Em outros, muda quem executa o trabalho. E, em outros, cria novas necessidades – da engenharia ao produto, passando por dados, governança e formação. É um cenário que gera muitas perguntas, evidentemente. Mas, nas três empresas, parte dessa resposta já deixou de ser uma promessa de futuro e começou a aparecer na operação.