Ser AI-native de fato: o que muda quando o RH para de automatizar e começa a repensar

Ser AI-native de fato e a coragem de redesenhar o RH

Se inteligência artificial domina as conversas sobre o futuro do trabalho, o assunto seguinte é o papel cada vez mais estratégico do RH nas organizações. A promessa, porém, não é nova. Há anos a área busca ocupar um espaço mais estratégico dentro das empresas. O que muda agora é a oportunidade criada pelo avanço da tecnologia. A IA torna possíveis transformações que antes esbarravam em custo, escala e capacidade tecnológica. O problema: a maioria das empresas acredita estar muito mais avançada nessa jornada do que realmente está.

Essa foi uma das principais provocações trazidas por Pedro Bobrow, cofundador e CHRO da Comp, durante o último Humanship MeetUp, realizado na Casa Comp, em São Paulo. Ao discutir o tema “O que é ser AI-native: cinco níveis de maturidade organizacional na adoção de IA”, Bobrow propôs uma mudança de perspectiva. Maturidade em IA não se mede pela quantidade de tecnologia utilizada, mas pela capacidade de redesenhar como a organização opera e toma decisões.

O próprio termo AI-native, reconheceu, começa a ficar saturado. Hoje, ele pode descrever tanto alguém que usa ChatGPT ou Claude para revisar um texto quanto uma organização capaz de reunir contexto, recomendar decisões e aprender continuamente com seus resultados.

Entre esses dois extremos, existe uma diferença fundamental.

Afinal, muitas empresas já utilizam IA no dia a dia, criam agentes, automatizam tarefas e incorporam novas ferramentas às suas rotinas. Mas, na visão de Bobrow, continuam apenas acelerando a forma antiga de trabalhar.

A verdadeira maturidade não está em adicionar inteligência artificial aos processos existentes, mas em questionar se esses processos ainda deveriam existir da mesma forma. A tecnologia deixa de ser apenas um mecanismo de eficiência para se tornar uma oportunidade de redefinir como a organização trabalha.

No RH, essa mudança começa por uma pergunta que atravessou toda a conversa: para quem estamos otimizando? E a resposta de Bobrow é direta. “Não adianta otimizar para o RH. Tem que otimizar para o colaborador.”

Essa inversão de perspectiva talvez seja a principal mudança trazida pela IA para a área de Pessoas.

Onde a sua organização realmente está?

Foi para responder essa pergunta que Pedro apresentou um framework de cinco níveis de maturidade organizacional na adoção de IA. Mais do que classificar empresas, o modelo ajuda a entender como a inteligência artificial deixa de ser apenas uma ferramenta de produtividade para se tornar parte da forma como a organização pensa, decide e opera.

Bobrow foi direto sobre por que esse mapa importa: apesar de partirem de pontos diferentes, quase todas as empresas cometem os mesmos erros na tentativa de amadurecer. “A gente vê que quase todas estão seguindo um mesmo caminhozinho e caindo nas mesmas armadilhas quando elas tentam se maturar nisso”, disse.

Nível 1 – IA como produtividade individual.

Cada profissional utiliza inteligência artificial para trabalhar melhor. Os ganhos existem, mas permanecem concentrados nas pessoas.

Nível 2 – IA como produtividade do time.

Agentes, automações e fluxos passam a ser compartilhados pelas equipes. A organização ganha eficiência, mas continua executando essencialmente os mesmos processos. É o nível em que a maioria das empresas fica presa, segundo Bobrow: cada time cria seus próprios agentes para resolver problemas pontuais, sem que essas soluções conversem entre si, o que ele descreve como “diversas micro soluções isoladas”. O resultado engana, parece avanço, mas não é: “Você não está mudando de forma de trabalho, está efetivamente sendo um pouco mais produtivo.”

Nível 3 – IA como sistema operacional contextualizado.

A IA deixa de atuar em tarefas isoladas e passa a reunir contexto, conectar informações e compreender como aquela área trabalha. É aqui que a organização começa, de fato, a operar de maneira diferente.

Nível 4 – IA como inteligência para decisões.

O papel do humano se inverte: em vez de tomar a decisão do zero, ele passa a aprovar, editar ou rejeitar o que a própria camada de IA já propõe, com base em como as pessoas de melhor julgamento da organização historicamente decidiram. O objetivo é fazer a qualidade de todas as decisões convergir para o nível das melhores lideranças.

Nível 5 – IA como inteligência adaptável.

Ainda, segundo Bobrow, um estágio aspiracional, em que a inteligência artificial aprende continuamente com os resultados das próprias decisões e evolui ao longo do tempo.

Talvez o insight mais importante do framework esteja justamente no ponto em que acontece a ruptura. Os dois primeiros níveis tornam pessoas e equipes mais produtivas. A partir do terceiro, deixa de mudar apenas a forma como as pessoas trabalham. É a própria organização que passa a trabalhar de outra maneira.

O RH estratégico não nasce da automação

Durante anos, falar em RH estratégico significou reduzir a carga operacional da área. Automatizar processos era o caminho para liberar tempo e permitir uma atuação mais próxima do negócio. Bobrow propõe uma leitura diferente.

Em entrevista concedida à Humanship após o encontro, definiu o RH estratégico de forma bastante objetiva: “Para mim, ser estratégico é gerar impacto para o negócio, para os colaboradores, para os líderes e para a empresa como sociedade.”

Essa definição desloca o papel da tecnologia. Automatizar continua sendo importante, mas deixa de ser o objetivo. Passa a ser apenas o meio.

O verdadeiro salto acontece quando a IA ajuda o RH a tomar melhores decisões, criar melhores experiências e gerar mais valor para as pessoas. Bobrow propõe algumas perguntas:

• Como eu faço o trabalho de workforce planning, que é a alocação dos meus recursos da forma que maximiza a probabilidade de entregar resultado para o negócio?
• Como eu estou capacitando os meus gestores de verdade, e não fazendo vídeos de compliance que eu tenho que fazer porque eu sou uma empresa grande?
• Como é que eu estou criando fluxos de performance que eu realmente estou trazendo à tona quem não está performando bem e recompensando quem está performando bem? E não um processo burocrático para isso.

“Isso não é uma questão de automatizar o que já existe. É uma questão de pensar no usuário final e falar: como eu gero valor para essas pessoas?”, defendeu Bobrow.

O primeiro usuário do RH não é o RH

Essa mudança de perspectiva fica evidente quando olhamos para os processos da área. Durante muito tempo, o RH desenhou fluxos pensando na eficiência da própria operação. Formulários, aprovações, sistemas e políticas foram criados para facilitar o funcionamento da área.

A IA oferece uma nova oportunidade: questionar se esses fluxos ainda fazem sentido. Em vez de perguntar “como automatizamos esse processo?”, a pergunta mais importante vira outra: esse processo ainda deveria existir dessa forma?

É essa mudança de pergunta que diferencia uma organização que apenas utiliza IA de uma organização verdadeiramente AI-native.

Quando o processo não termina

Bobrow utilizou cases da experiência da própria Comp para ilustrar essa mudança, e é nesse ponto que o framework sai da teoria e ganha forma prática.

• No recrutamento

No recrutamento, o problema de partida era conhecido: custo por contratação alto, turnover involuntário próximo de 18% nos primeiros 90 dias, e líderes diferentes avaliando candidatos com critérios diferentes, cada um em boa-fé, mas sem alinhamento entre si. A resposta da Comp não começou pela ferramenta. Começou por repensar a etapa mais frágil do processo: a definição do perfil ideal.

Antes, isso acontecia numa reunião de briefing rápida com o recrutador, em que, na prática, “eu não estou determinando qual que é o candidato ideal”, como reconheceu Bobrow. Agora, o gestor manda áudios, textos e exemplos de perfis de referência de forma assíncrona. A partir desse material, a IA monta o que Bobrow chama de dossiê: uma versão digital do candidato ideal, construída ao combinar os atributos de quem já performa bem no time com o contexto dado pela liderança.

Esse dossiê alimenta as etapas seguintes. Um modelo de sourcing traduz o perfil em listas de candidatos reais, buscados em fontes públicas como LinkedIn, sempre com o racional explicado, por que aquela pessoa entrou na lista. Um modelo de screening cruza cada candidato com dados de mercado de remuneração, para checar se o pacote cabe no orçamento, e com o histórico de contratações anteriores de perfil parecido, para aprender com quem deu certo. O resultado prático, segundo Bobrow: o tempo de trabalho efetivo por vaga caiu de trinta para seis horas, e o turnover foi para 8%.

• Na gestão de desempenho

O mesmo raciocínio vale para a gestão de desempenho. Hoje, muitas decisões sobre promoção, reconhecimento ou desenvolvimento ainda dependem da memória dos gestores, ou da percepção construída em momentos específicos, como a reunião de calibração de fim de ano. É um ambiente em que, na experiência de Bobrow, tende a vencer “quem grita mais alto”, não necessariamente quem tem a melhor evidência. Contra esse viés, ele defende algo simples: os dados que já existem dentro da empresa deveriam ser a evidência principal de qualquer decisão de calibração, não a percepção de quem fala mais alto na sala.

Essa visão vem de uma definição mais ampla de dado, que Bobrow repetiu mais de uma vez ao longo do encontro: “dado é tudo aquilo que é dito e tudo aquilo que é feito” dentro de uma empresa. Uma conversa no Slack, uma reunião que alguém não compareceu, um feedback informal sobre uma entrega. Tudo conta. Com esse tipo de contexto acumulado ao longo do tempo, as conversas de performance passam a ser apoiadas por evidências, não apenas por lembranças. E a calibração tende a depender menos de capital político, mais de critério compartilhado.

A IA deixa de servir apenas para acelerar processos. Ela passa a ampliar a qualidade das decisões. O ponto de partida nos três cases não é a tecnologia, é anterior a ela: alguém sentou e tornou explícito, por escrito, o critério que hoje só existe na cabeça de quem decide melhor. O que faz um bom candidato, o que faz uma boa entrega, quando uma solicitação pode ser aprovada sem intervenção humana. Esse exercício de explicitar critério é o que a área de RH pode começar a fazer amanhã. É também o que separa quem consegue, de fato, capturar o valor de uma camada de IA depois e quem só adiciona tecnologia em cima de um processo que continua obscuro.

O limite não é tecnológico. É de método.

Ao longo do encontro, ficou claro que o maior desafio para se tornar uma organização AI-native não está na tecnologia. Está na capacidade de transformar conhecimento em método.

Para que uma inteligência artificial recomende boas decisões, alguém precisa tornar explícitos os critérios que hoje vivem apenas na experiência das melhores lideranças. Em outras palavras, é preciso codificar julgamento. Essa mesma lógica, questionar o método antes de acelerar, apareceu na sessão de perguntas, quando um executivo de uma empresa de data center questionou os riscos de ir rápido demais com IA, principalmente em relação à segurança de dados. Bobrow colocou como critério uma pergunta: “O que são decisões que se eu errar, não tem volta? Vazar um dado, não tem mais volta. Alguém acessar uma coisa que não pode, não tem mais volta.”

Nesses casos, e ele estima que sejam cerca de 5% das decisões de uma empresa, que a Comp mantém processo tradicional, com QA e squads dedicados a autenticação e permissionamento. No resto, o risco vale a pena: “o pior que pode acontecer é o usuário final ficar frustrado”. Sua régua prática resume o critério: “Se você consegue reverter a decisão, não trate mais cinco minutos fazendo.”

É justamente por isso que Bobrow defende que o papel humano não diminui com o avanço da IA. Ele muda. Cada vez menos tempo será dedicado à execução de tarefas repetitivas. Cada vez mais valor estará na capacidade de interpretar contexto, formular boas perguntas, definir critérios e exercer julgamento.

Mais do que uma nova tecnologia, uma nova forma de pensar

Ao fechar a apresentação, Bobrow resumiu o encontro em dois pontos, que funcionam quase como uma síntese de tudo o que veio antes. O primeiro é uma questão de vocabulário: como o termo AI-native hoje serve para descrever quase qualquer coisa, ele defende que cada empresa balize com clareza o que está, e o que não está, tentando extrair da tecnologia, em vez de tratar “usar IA para tudo” como sinônimo de maturidade. O segundo é sobre onde investir: dados, julgamento e um sistema operacional único são as três peças fundamentais da equação e nenhuma delas se resolve sozinha.

Uma consequência prática dessa segunda ideia é que não existe solução de dados única que sirva para a empresa inteira de uma vez. Cada área pensa sua própria unidade de trabalho de um jeito fundamentalmente diferente. Vendas pensa em funil e ICP, engenharia pensa em sprints e entregas, RH pensa em jornada do colaborador, e tentar unificar tudo de saída tende a ser o caminho mais lento, não o mais eficiente.

A maturidade em inteligência artificial não será definida pela quantidade de agentes criados nem pelo número de processos automatizados. Ela vem da coragem de questionar processos que pareciam imutáveis e redesenhar a forma como pessoas trabalham, decidem e criam valor. O caminho, proposto por Bobrow, é abandonar respostas antigas para construir organizações que antes simplesmente não eram possíveis.