Na folha de pagamento, os erros de IA mais perigosos parecem corretos

A folha de pagamento é um dos poucos processos empresariais em que cada erro vem acompanhado de um nome, um valor e uma data. Por isso, a IA na folha de pagamento merece uma discussão mais cuidadosa, já que a maior parte do debate se concentra no que a IA detecta. A pergunta mais difícil é o que a IA muda enquanto ninguém está olhando.

Passei dezessete anos na área financeira, primeiro como diretor financeiro e, depois, desenvolvendo uma infraestrutura de folha de pagamento internacional. Ao longo desse período, aprendi a encarar a automação como uma troca: abre-se mão do trabalho manual visível e, em contrapartida, assume-se o comportamento invisível do sistema.

O que a regulamentação realmente exige

De acordo com a Lei de IA da UE, a IA no ambiente de trabalho é considerada de alto risco quando ajuda a tomar decisões sobre uma pessoa: quem é contratado, promovido ou demitido; como o trabalho é distribuído; como o desempenho é avaliado; ou como as condições de trabalho são alteradas. Essas decisões moldam o emprego e a renda de uma pessoa, por isso a empresa que usa a ferramenta precisa manter um ser humano no controle e registrar como cada decisão foi tomada. Por padrão, o cálculo da folha de pagamento não está nessa lista, pois aplicar as tarifas acordadas às horas aprovadas é uma operação aritmética. Ele passa a ser considerado de alto risco quando os dados da folha de pagamento começam a alimentar decisões sobre pessoas ou quando uma ferramenta vendida como solução de “folha de pagamento” começa, discretamente, a tomar essas decisões.

Nos Estados Unidos, o Instituto Nacional de Padrões e Tecnologia (NIST), uma agência federal conhecida por estabelecer padrões técnicos e de segurança, publicou em 2023 uma Estrutura de Gestão de Riscos de IA específica, que as organizações podem adaptar facilmente às próprias circunstâncias. Ela oferece às empresas um ciclo prático de quatro etapas, ao qual voltarei adiante.

Até onde a IA pode chegar com segurança na folha de pagamento hoje

À primeira vista, a IA na folha de pagamento parece um par de mãos mais rápido. No entanto, o superpoder da IA — e, ao mesmo tempo, sua maldição — é a automação impecável, fluida e viciante. Depois que o sistema entra em operação, é difícil perceber e corrigir todas as maneiras como ele afeta seus beneficiários finais: as pessoas no trabalho. É por isso que a IA em RH é considerada de alto risco: ela afeta diretamente os meios de subsistência das pessoas, seu sucesso no trabalho e suas perspectivas de carreira.

A maioria das ferramentas de folha de pagamento percorre um caminho curto. Primeiro, verificam e preparam os dados, fazendo comparações, sinalizando problemas e elaborando documentos. Depois, começam a recomendar ações, sugerindo que um pagamento seja retido ou que uma fatura seja questionada, enquanto uma pessoa toma a decisão. Na terceira etapa, quando a ferramenta age sobre algo que afeta o emprego, a situação ou a renda de alguém, ela deve parar e devolver a decisão a uma pessoa. O problema é que essas etapas se confundem. Na primeira etapa, sinalizar horas incomuns é uma verificação inofensiva de conciliação; na terceira, torna-se uma avaliação de desempenho. O modelo não muda de uma etapa para outra; o que muda é a maneira como uma pessoa usa o resultado que ele produz.

Onde a IA realmente ajuda

Um dos resultados positivos da automação da folha de pagamento é uma redução drástica de erros — de até 78%, segundo Blair McQuillen, da Ignite HCM, uma consultoria de folha de pagamento. Uma ferramenta com IA criada para reduzir erros na folha de pagamento realiza, essencialmente, as seguintes operações para analisar e corrigir esses sistemas:

• A detecção de anomalias ocorre quando algoritmos de aprendizado de máquina comparam a folha de pagamento com registros históricos para identificar aumentos bruscos nos pagamentos, lançamentos duplicados e descontos incomuns.
• A validação de dados em tempo real significa que a IA analisa tanto os dados atuais dos funcionários (por exemplo, registros de presença feitos automaticamente) quanto os sistemas de origem (por exemplo, folhas de ponto), identificando erros de cópia e colagem manual.
• A prevenção preditiva de erros busca prever falhas antes que a folha de pagamento seja finalizada.
• A conformidade também pode ser automatizada, em certa medida, por agentes de IA. Eles monitoram os funcionários e os cálculos da folha de pagamento e alertam o RH imediatamente, até mesmo antes da chegada de uma auditoria trimestral. Permitir que a IA atue como denunciante na área de conformidade exige que suas capacidades sejam definidas sem ambiguidades e que pessoas de verdade participem da tomada de decisões.
• A previsão baseada em IA estima como mudanças organizacionais ou oscilações do mercado afetarão os custos e os orçamentos da folha de pagamento.

De acordo com o OpenLadger Report, uma API de contabilidade integrada com IA, as empresas fecharam as contas financeiras 19% mais rápido e melhoraram em 34% a aderência ao orçamento.

Quando a referência aprende com seus erros

A maioria das soluções de IA para folha de pagamento é vendida com base no aprendizado contínuo. Com o tempo, o sistema aprende como é uma folha de pagamento normal na sua organização e compara cada processamento com esse padrão. Isso é realmente útil, mas também é aí que começa a falha silenciosa.

Um sistema que aprende o que é “normal” com base no histórico também aprende os erros desse histórico. Suponha que um desconto tenha sido aplicado incorretamente durante seis meses. O detector deixa de sinalizá-lo porque, diante de seis meses com o mesmo erro, ele já não parece incomum.

O trabalho internacional torna essa questão ainda mais evidente. Quando se paga a prestadores de serviços em muitos países, moedas e modalidades de pagamento, o que é “incomum” muitas vezes é legítimo: uma etapa de um projeto vinculada a um marco, a mudança do meio de pagamento, um trabalho pontual ou a abertura de uma nova rota de pagamento. Com tempo suficiente, um modelo ajustado para reduzir os falsos positivos começa a suprimir também os verdadeiros.

Quando um pagamento é retido, sinalizado ou ajustado, alguém precisa explicar o motivo: ao prestador de serviços que está esperando receber, a um auditor meses depois e, por fim, a um órgão regulador.

Três maneiras de manter a automação da folha de pagamento auditável

1. Separe as tarefas. Um único assistente que ingere dados, classifica trabalhadores, calcula pagamentos, verifica a conformidade e envia contracheques é conveniente de adquirir e difícil de auditar, pois, quando o resultado está errado, não é possível saber em que etapa ocorreu o erro. Alguns fornecedores de soluções de folha de pagamento já estão adotando arquiteturas multiagente, nas quais componentes separados cuidam da ingestão de folhas de ponto, da classificação dos trabalhadores, do cálculo dos pagamentos, da conformidade e da comunicação, e cada um registra suas ações em uma trilha de auditoria compartilhada. Essa configuração custa mais para montar, mas compensa esse custo na primeira vez que um órgão regulador pergunta como se chegou a determinada decisão. É possível percorrer a cadeia etapa por etapa.
2. Defina níveis de ação conforme a possibilidade de reversão. Um modelo com participação humana, hoje comum na tecnologia de RH, organiza as ações automatizadas em três níveis: execução automática, encaminhamento para análise e bloqueio. Eu definiria os níveis com base em um único critério: o custo de cometer um erro. Ações reversíveis e de baixo risco, como enviar lembretes, solicitar documentos e verificar a formatação, podem ser executadas automaticamente. Ações de risco médio, como reter um pagamento para pedir esclarecimentos ou questionar uma fatura, devem ficar a cargo da IA na preparação das evidências, enquanto uma pessoa toma a decisão. Ações irreversíveis, assim como tudo o que afeta o sustento de alguém, devem ficar fora do alcance da máquina: encerrar uma relação de trabalho, alterar a situação de um trabalhador ou reter um pagamento por motivos de conformidade. O teste que uso consiste em uma pergunta. Se essa ação se revelasse equivocada, seria possível desfazê-la antes que a pessoa afetada percebesse? Se a resposta for não, uma pessoa precisa aprová-la.
3. Estabeleça a governança antes de expandir. A Estrutura de Gestão de Riscos de IA do NIST que mencionei anteriormente se baseia em quatro funções: Governar, Mapear, Medir e Gerenciar. Em termos de folha de pagamento, elas se traduzem em quatro perguntas. Quem é responsável pelo resultado: a equipe da folha de pagamento, o departamento financeiro, a área de conformidade ou o fornecedor? Nos termos do AI Act, as obrigações de quem implementa o sistema cabem à organização que o opera; portanto, “o fornecedor” não é uma resposta válida, por mais que muitos produtos agora exibam um selo de “preparado para o AI Act da UE”. Quais das suas ferramentas realmente usam IA, considerando o quanto de aprendizado de máquina já vem integrado a softwares adquiridos como soluções baseadas em regras? Com que frequência as pessoas substituem a decisão da IA? Esse é um número que eu acompanharia mais de perto, porque uma taxa de substituição próxima de zero raramente significa que o modelo é impecável e, muitas vezes, indica que as pessoas deixaram de conferir os resultados. E qual é o plano alternativo quando o modelo fica indisponível durante o fechamento da folha ou quando seus resultados deixam de ser confiáveis? Alguém da equipe ainda sabe processar a folha de pagamento manualmente? Para os líderes de RH e de folha de pagamento que planejam usar IA em grande escala, vale a pena criar essa estrutura desde o início.

A era da IA oferece às empresas uma oportunidade para fazer o trabalho pouco glamoroso: inventariar as ferramentas com IA, manter registros que capturem o raciocínio, e não apenas os resultados, designar responsáveis por cada decisão automatizada e revisar regularmente as métricas de substituição das decisões da IA.

Quando as obrigações de alto risco entrarem em vigor, a pergunta dos auditores não será “Vocês usam IA?”, mas “Mostre por que este pagamento foi feito, retido ou alterado”. As empresas que conseguirem responder em minutos conseguirão expandir sua automação com sucesso.