Barb Hyman, fundadora e CEO da Sapia.ai – Série de Entrevistas

Barb Hyman, fundadora e CEO da Sapia.ai, é uma líder empresarial experiente cuja carreira abrange direito, consultoria de gestão, marketing, aprendizagem e desenvolvimento, recursos humanos e tecnologia. Ela começou sua carreira como advogada na Herbert Smith Freehills antes de migrar para a consultoria na Boston Consulting Group, onde avançou para o cargo de líder de projeto e, posteriormente, retornou em funções seniores supervisionando aprendizagem e desenvolvimento, RH e marketing em toda a Austrália. Hyman também atuou como Chefe de Marketing e Patrocínio no Museum of Contemporary Art em Sydney e como Diretor Executivo Geral de People & Culture no REA Group. Ela fundou a Sapia.ai em 2018, aproveitando sua experiência em liderança organizacional e gestão de talentos para repensar como as empresas avaliam e contratam pessoas usando inteligência artificial.

Sapia.ai é uma empresa de tecnologia de recrutamento impulsionada por IA, focada em avaliação estruturada e conversacional de candidatos. Sua plataforma utiliza entrevistas baseadas em chat para avaliar candidatos de forma consistente e em larga escala, ajudando empregadores a avaliar habilidades e adequação enquanto reduz a dependência da triagem tradicional de currículos e de outros sinais que podem gerar viés. A Sapia.ai afirma que sua tecnologia já avaliou mais de 10 milhões de candidatos e combina ciência de avaliação estruturada com inteligência de talentos impulsionada por IA, feedback personalizado ao candidato e integrações com sistemas de rastreamento de candidatos e de recursos humanos existentes. A empresa também enfatiza explicabilidade, justiça e conformidade corporativa, com sua plataforma mais ampla abrangendo entrevistas de IA, análise de cargos, agendamento de entrevistas, inteligência de talentos e coaching de carreira impulsionado por IA.

Antes de fundar a Sapia.ai, você construiu uma carreira que abrange consultoria na Boston Consulting Group, direito, marketing, aprendizagem e desenvolvimento, e eventualmente liderança de People & Culture no REA Group. Quais experiências dessa trajetória o convenceram de que o recrutamento precisava ser repensado fundamentalmente, e qual problema você originalmente se propôs a resolver com a Sapia.ai?

A forma atual como avaliamos as pessoas está quebrada — especialmente no recrutamento.

Confiamos nos currículos. Não vemos a pessoa completa. Tomamos nossas decisões mais consequentes — quem contratar, quem promover — com base em intuição e indicadores substitutos. A contratação por espelho está generalizada: desde quando a escola ou universidade que alguém frequentou se tornou um indicativo de inteligência? Não é. É um indicativo de privilégio.

Parte disso está relacionada à minha história pessoal. Sou imigrante e sei que caí em uma categoria privilegiada de imigrantes: sou branca e tenho um nome que as pessoas acham fácil de pronunciar. Venho de uma família em que ninguém foi à universidade; meu pai era comerciante. Mesmo assim, tive oportunidades extraordinárias e, depois de cinco carreiras, aqui estou. Quando penso nos dois bilhões de trabalhadores no mundo, reflito sobre quantos deles possuem exatamente o talento, a motivação e o pensamento crítico pelos quais sou reconhecida, mas nunca são vistos porque estamos cegos pelo prisma de nossa própria experiência. O viés é um atalho útil para tomar uma decisão rápida, e é exatamente por isso que o recrutamento continua a recompensar os já favorecidos. Nunca me pareceu justo ou racional.

A outra metade da história veio da consultoria. Depois do meu MBA, entrei em um mundo onde nunca se entra em uma sala de reunião e se faz uma recomendação sem uma pesquisa real por trás. E ainda assim, a decisão de maior risco que qualquer empresa toma (quem entra, quem lidera, quem molda a cultura) ainda é feita com base na intuição, ou em um indicativo tão tênue quanto o nome da universidade. As pessoas não estão no balanço patrimonial, mas, especialmente em serviços profissionais, elas são o ativo. Essa desconexão me pareceu absurda.

O currículo em si não mudou fundamentalmente desde que Leonardo da Vinci inventou o formato. A Wikipedia lista mais de 180 vieses humanos documentados. Um terço dos candidatos norte‑americanos que finalizam uma candidatura a emprego ficam sem resposta dois meses depois. Nada disso é um problema de talento: o talento está distribuído igualmente, mas a oportunidade não.

O que eu pretendi corrigir com a Sapia não foi apenas uma decisão — foi a partir da experiência de procurar um emprego. Minha equipe ri de mim por isso, mas sempre considerei o recrutamento como um namoro. É um relacionamento. Você passará mais tempo com as pessoas do seu trabalho do que com seu parceiro. Então, por que tomar essa decisão com algo menos rigoroso — os dados — que exigimos para todas as outras decisões importantes?

Você argumentou que a maioria das organizações aborda a adoção de IA como um projeto de eficiência quando deveria começar como um projeto de confiança. Como a “confiança” se manifesta na prática, e como as empresas devem medi‑la ao lado de métricas mais tradicionais, como produtividade, economia de custos e adoção?

Aprendi isso como CHRO: se você não for transparente sobre o motivo da mudança, a confiança será a primeira vítima. E acredito que a maioria das empresas inverte a lógica da adoção de IA. Elas medem o ganho de produtividade, por exemplo, as horas economizadas, o custo por contratação, mas nunca param para medir o que realmente determina se tudo isso se mantém: se as suas pessoas confiam em como você está usando a IA e por quê.

A confiança é o substrato da sua cultura. Não é uma métrica suave que fica ao lado das reais — é o que sustenta as métricas reais. Pense nisso como você pensa em qualquer relacionamento. Alta confiança lhe dá graus de liberdade. Baixa confiança torna tudo menor, menos resiliente, menos relaxado. E ninguém faz o seu melhor trabalho quando não se sente seguro. As organizações não são diferentes.

No entanto, grande parte do que foi feito com IA no local de trabalho realmente armou os próprios dados das pessoas contra elas, por exemplo vasculhando as redes sociais de alguém para inferir se é uma boa contratação, um bom risco ou um risco ruim. Eu realmente não consigo imaginar a reunião em que essa decisão foi tomada, nem como alguém acreditou que isso não corroeria a cultura assim que as pessoas descobrissem.

Portanto, se você leva a sério a adoção de IA, a confiança deve ser uma métrica desde o primeiro dia, ao lado da produtividade e das economias de custo. Pergunte às pessoas diretamente: você entende por que estamos usando isso? Você acredita que está sendo usado de forma justa? Se não puder responder sim a ambas, os ganhos de eficiência que você celebra são emprestados de uma cultura que você está silenciosamente desgastando.

Uma das maiores preocupações em torno da IA na contratação é que os modelos podem aprender com dados históricos de emprego e potencialmente reforçar os mesmos preconceitos humanos que as organizações estão tentando eliminar. Como as empresas podem impedir que a IA simplesmente automatize os preconceitos de contratação existentes, e quais salvaguardas devem ser incorporadas a esses sistemas desde o início?

Esse é exatamente o ponto em que a maioria das conversas sobre IA na contratação falha e a razão pela qual eu construí a Sapia da maneira que fiz. Se você treina um modelo com dados históricos de contratação (quem foi contratado, quem foi promovido, quem recebeu a primeira entrevista), não está removendo o viés, está industrializando‑o. Você está ensinando uma máquina a replicar cada decisão de contratação espelhada, cada avaliação de “adequação cultural”, cada atalho baseado em intuição que lhe deu a força de trabalho que você já tem. Isso não é inovação. É viés em escala, apenas mais rápido e com uma aparência de objetividade que torna mais difícil contestá‑lo.

Portanto, a salvaguarda precisa começar antes do algoritmo. Não treinamos com currículos, fotos, nomes, universidades ou quaisquer dos proxies tradicionais que correlacionam privilégio em vez de potencial. Se a entrada carrega o viés, nenhuma quantidade de modelagem inteligente a jusante corrige isso. É o problema de “lixo entra, lixo sai”, exceto que o lixo são décadas de preconceito humano disfarçadas de currículo.

A segunda parte é contra o que você realmente mede o modelo. Não basta dizer “a IA funciona”, é preciso testar continuamente o impacto adverso em gênero, etnia, idade, deficiência, todas as características protegidas que podem ser mensuradas, e não como uma auditoria pontual antes do lançamento. O viés não é um bug que se corrige uma única vez. É algo que você deve monitorar continuamente, da mesma forma que observaria qualquer sistema que tome decisões consequenciais sobre a vida das pessoas.

E, em terceiro lugar — este é o ponto que as pessoas ignoram — você precisa de olhares externos. Auditorias independentes, de terceiros, dos seus modelos, metodologia publicada, transparência real sobre o que o sistema faz e não faz. Se você só aceita que sua ferramenta de contratação baseada em IA seja verificada pelas pessoas que a construíram e que têm motivação financeira para defendê‑la, você não resolveu realmente o problema de confiança, apenas o deslocou.

A justificativa de “foi o algoritmo que fez” não é uma desculpa, mas uma admissão de que você não construiu as salvaguardas desde o início. Lembre‑se de que a IA não elimina a responsabilidade humana pela equidade.

A contratação é uma aplicação de IA incomumente de alto risco porque um algoritmo pode influenciar diretamente a carreira de alguém. Onde as organizações devem traçar a linha entre decisões que podem ser automatizadas e aquelas que devem permanecer sempre sob supervisão humana significativa?

A linha que traço é a seguinte: a IA pode, sem dúvida, ajudá‑lo a ver uma pessoa com mais clareza, mas nunca deve ser quem decide o destino dela sozinha. Há uma diferença real entre ampliar uma decisão e terceirizá‑la. A contratação é um dos poucos contextos em que errar nessa distinção realmente muda a vida de alguém.

Então, onde a automação ganha seu espaço? Na identificação de sinais que os humanos têm dificuldade em perceber de forma consistente e justa, por exemplo ler milhares de respostas de entrevistas sem fadiga, sem ter um dia ruim, sem favorecer inconscientemente o candidato que lhes lembra a si mesmos aos vinte e cinco anos. Essa é uma tarefa que a IA pode fazer melhor do que um gerente de contratação cansado em sua oitava entrevista do dia. Avaliar habilidades comportamentais genuínas, estruturar insights para que cada candidato seja avaliado pelos mesmos critérios, é aí que a máquina agrega valor real, pois não fomos feitos para ser tão consistentes.

A decisão final — quem é contratado, quem é rejeitado, quem recebe uma segunda chance — deve ficar a cargo de um ser humano que possa ser responsabilizado por isso. Não como um selo de aprovação automático sobre qualquer saída do modelo, mas como supervisão real e significativa: alguém que compreenda o que o sistema está medindo, que possa questionar um resultado que pareça errado e que possa anulá‑lo. Se um ser humano não puder contestar de forma significativa a recomendação da IA, isso não é supervisão, mas um álibi humano.

Eu também traçaria um limite para tudo que seja irreversível ou opaco. Se um candidato não consegue obter uma explicação compreensível sobre por que não avançou, o sistema falhou independentemente de quão \”preciso\” ele seja. E se o modelo está tomando decisões que ninguém na empresa pode realmente explicar — incluindo as pessoas que o construíram — isso não é uma ferramenta de contratação, é uma caixa preta com a carreira de alguém dentro dela. O teste que eu daria a qualquer organização é simples: você poderia sentar‑se frente a frente com um candidato que você rejeitou e explicar, em linguagem simples, o porquê? Se a resposta honesta for \”Eu realmente não sei, o modelo decidiu\”, você automatizou a parte errada do processo.

Sapia.ai distingue entre IA generativa usada para conversas abertas e sistemas mais determinísticos usados para pontuar candidatos. Por que essa distinção é importante, particularmente quando as saídas de IA precisam ser consistentes, auditáveis e defensáveis?

As pessoas ouvem \”IA\” e assumem que é uma única coisa, mas na contratação essa confusão é exatamente onde as coisas dão errado. Nós deliberadamente dividimos o trabalho em duas partes, porque conversa aberta e pontuação de alto risco têm requisitos completamente diferentes, e fingir que são a mesma tecnologia é como as empresas acabam com sistemas que não podem explicar, defender ou confiar.

A IA generativa é brilhante na camada de conversação — proporcionando uma troca natural, com sensação humana, com o candidato, fazendo boas perguntas de acompanhamento e tornando a experiência parecida com uma conversa em vez de um formulário. É aí que você deseja flexibilidade, nuance, até um pouco de imprevisibilidade, porque conversas reais não são roteirizadas.

Mas no momento em que você passa de conversar com um candidato para pontuá‑lo, tudo o que você precisa do sistema se inverte. A pontuação precisa ser consistente: a mesma resposta deve receber a mesma avaliação, seja o candidato um ou milésimo, seja numa segunda‑feira de manhã ou numa sexta‑feira à tarde. Ela precisa ser auditável, o que significa que você deve ser capaz de voltar e mostrar exatamente por que um candidato recebeu a pontuação que recebeu, não apenas confiar que o modelo \”entendeu\”. E precisa ser defensável porque a subsistência de alguém está no outro extremo dessa pontuação, e \”o modelo generativo achou que esta era uma boa resposta\” não é uma frase que resiste ao contato com um regulador, um jornalista ou um candidato que quer saber por que não conseguiu o emprego.

Modelos generativos, por sua natureza, são probabilísticos — ao fazer a mesma pergunta duas vezes você pode obter respostas sutilmente diferentes. Isso é uma vantagem para a conversa e uma séria desvantagem para a pontuação. Na Sapia, usamos sistemas determinísticos para a parte do processo que realmente decide o resultado de alguém. Modelamos situações em que a mesma entrada produz consistentemente a mesma saída, onde podemos rastrear o raciocínio e onde podemos provar que dois candidatos semelhantes são tratados de forma equivalente.

Na verdade, trata‑se de uma separação de responsabilidades: deixe a IA generativa ser ótima em ser semelhante a um humano, e deixe os sistemas determinísticos e auditáveis carregar o peso de uma decisão que precisa ser justa, explicável e defensável sob escrutínio.

A explicabilidade costuma ser discutida como um requisito para IA responsável, mas muitos modelos avançados permanecem difíceis de entender para os usuários. Quanto de explicação um candidato ou funcionário deve razoavelmente esperar quando a IA influenciou uma decisão de contratação?

Acredito que os candidatos merecem mais do que a maioria das empresas atualmente lhes oferece e, honestamente, mais do que a maioria das empresas pensa que pode oferecer. \”O algoritmo decidiu\” é uma admissão de falha disfarçada de sofisticação.

É aqui que eu me posiciono: um candidato deve sempre ser capaz de entender, em linguagem simples, no que foi avaliado e, aproximadamente, por que chegou onde chegou. Não a matemática subjacente, não um extrato dos pesos do modelo. O que eles querem e o que lhes é devido é algo mais próximo do que um bom gestor diria cara a cara: estas são as qualidades que estávamos procurando, aqui você foi forte, aqui você não foi o melhor ajuste desta vez. Esse é um critério totalmente razoável, e qualquer sistema que não consiga atender a isso não deveria tomar decisões sobre a subsistência de alguém em primeiro lugar.

Portanto, para nós, a explicabilidade precisa estar incorporada na arquitetura desde o primeiro dia, porque não se pode explicar o que não se pode rastrear.

Onde eu faria uma ressalva é na ideia de que explicabilidade significa que os candidatos precisam de uma formação técnica sobre como o modelo funciona. Esse é um padrão falso, e frequentemente usado como desculpa quando, na realidade, simplesmente não foi projetado para ser explicado. Um bom médico não lhe explica a bioquímica de um diagnóstico; ele lhe diz o que encontrou e o que isso significa para você. A IA na contratação deve se manter ao mesmo padrão de honestidade legível por humanos.

O teste real é o mesmo que eu aplicaria à supervisão humana: um candidato poderia perguntar \”por que eu não avancei?\” e receber uma resposta que seja específica, honesta e realmente sua. Se a sua IA não consegue produzir essa resposta, você não construiu um sistema explicável. Você construiu um do qual espera que ninguém pergunte.

As empresas frequentemente se concentram em se os funcionários e gestores estão usando uma ferramenta de IA, em vez de se realmente confiam em seus resultados. Que sinais de alerta sugerem que uma organização alcançou a adoção de IA sem alcançar confiança genuína na tecnologia?

A adoção é a métrica mais fácil de falsificar, e é exatamente por isso que tantas empresas a confundem com sucesso. Se eu disser que todos na empresa estão “usando” a ferramenta de IA, isso não diz quase nada sobre se eles acreditam nela — pode simplesmente significar que é obrigatória, ou que é o caminho de menor resistência, ou que ninguém ainda encontrou uma forma de contorná‑la.

O primeiro sinal de alerta é o comportamento de solução alternativa. Se as pessoas estão usando a ferramenta de IA, mas também silenciosamente mantêm o processo antigo em paralelo — verificando manualmente sua saída, mantendo notas separadas, rodando um sistema sombra por precaução — isso indica conformidade com uma política de seguro anexada. Os números de uso parecem ótimos. A verdade é que todos acham que a ferramenta pode estar errada.

O segundo é o silêncio. Em uma cultura realmente confiante, as pessoas questionam o sistema quando algo parece errado: fazem perguntas, contestam, sinalizam resultados que não parecem corretos. Quando a adoção é real, mas a confiança não, ocorre o oposto. As pessoas deixam de questionar porque decidiram que não vale a pena lutar. Esse silêncio é interpretado pela liderança como satisfação. Na realidade, é uma resignação.

O terceiro alerta é a lacuna entre o que as pessoas dizem em uma pesquisa e o que dizem entre si. Eu ficaria muito mais preocupado com uma empresa cujo painel de adoção oficial está verde em todos os indicadores, mas a conversa real na sala de descanso é “sim, fazemos o que ele diz porque é mais fácil do que discutir” — isso indica uma cultura que não converteu.

E o sinal de alerta mais profundo e o que mais me importa: quando as pessoas deixam de trazer seu próprio julgamento à mesa. Isso é abdicação. Confiança real em uma ferramenta significa que as pessoas ainda se sentem capacitadas a discordar dela quando sua própria expertise indica algo diferente — e se sentem seguras ao fazer isso. Se seus gestores ficaram em silêncio e apenas deferem ao que a IA diz, você criou dependência.

Portanto, o teste real não é “as pessoas estão usando” mas “as pessoas escolheriam continuar usando se fosse opcional, e lhe diriam honestamente quando algo deu errado”. A maioria das empresas nunca fez nenhuma dessas perguntas. Esse costuma ser o indicativo.

Ferramentas de IA para contratação podem potencialmente avaliar candidatos em escala e consistência que recrutadores humanos não conseguem, mas a contratação também envolve contexto e nuance. Onde você acredita que a IA pode superar o julgamento humano hoje, e onde os humanos ainda são essenciais?

A IA pode ser uma ótima ferramenta para avaliar um grande volume de candidatos, independentemente de seus antecedentes e experiências, ao mesmo tempo em que oferece avaliações personalizadas para candidatos com necessidades específicas. Um recrutador humano pode estar mais inclinado a favorecer candidatos de uma universidade de alto ranking ou sem condições de saúde prévias. A IA realiza uma avaliação justa e igualitária de todos os candidatos de uma forma que os humanos não conseguem quando enfrentam centenas de candidaturas. Dito isso, o julgamento humano ainda é essencial para avaliar se um candidato se encaixará na cultura da empresa ou atenderá aos padrões exigidos pelos clientes.

À medida que a IA se incorpora mais profundamente ao recrutamento, coaching, gestão de desempenho e outras decisões de força de trabalho, como a responsabilidade deve ser estruturada quando uma decisão assistida por IA produz um resultado injusto ou incorreto?

A responsabilidade na IA permanece quando os humanos são os tomadores de decisão finais, enquanto o fluxo de recrutamento inclui transparência, explicabilidade e testes rigorosos de viés. Lançamos o modelo FAIR™ para ajudar a promover práticas responsáveis de IA. Ele recomenda:

• Imparcialidade: Testar viés e usar as medidas estatísticas corretas — como a regra dos 4/5, paridade de taxa de erro e outros testes de viés relevantes — para garantir que os resultados sejam justos.
• Validade: Evidências impulsionadas por IA são baseadas em dados reais e vinculadas ao resultado que se pretende prever.
• Explicabilidade: Ter documentação clara e ferramentas para interpretar os resultados, o que a IA identificou sobre um candidato e como isso contribuiu para sua pontuação.
• Inclusividade: Isso significa garantir que os candidatos sejam tratados de forma justa ao longo de todo o processo, desde a candidatura até a tomada de decisão. É uma visão de ponta a ponta da experiência de contratação — incluindo as pessoas, processos, tecnologia e IA trabalhando juntos.

Olhando para o futuro, você espera que a IA se torne principalmente uma camada de tomada de decisão dentro dos sistemas de RH, ou seu papel mais importante será conversacional, ajudando candidatos e funcionários a entender melhor oportunidades, desenvolver habilidades e navegar em suas carreiras?

Mesmo as tecnologias mais avançadas requerem toque humano, julgamento humano e supervisão humana. A IA está lá para apoiar o processo, garantindo que cada candidato tenha uma chance justa e igual de ser considerado para uma posição. Na Sapia, gostamos de chamar isso de “abordagem humana no loop”, onde combinamos inteligência humana e de máquina para criar experiências de chat inteligentes que são preditivas, responsáveis e personalizadas. Para isso, trazemos nossos clientes a bordo, validando constantemente a precisão e a justiça, enquanto ensinamos nossos modelos de IA a evoluir ao longo do tempo.

Nossa abordagem humana também se reflete no que oferecemos aos candidatos. Recentemente lançamos o Phai, um coach de carreira que atua como mentor, oferecendo aos buscadores de emprego orientações personalizadas, mapeamento de pontos fortes e preparação para entrevistas para ajudá-los a enfrentar sua próxima oportunidade com confiança. É uma ferramenta positiva para manter o candidato motivado além do resultado da entrevista.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Sapia.ai.