O USO DA INTELIGÊNCIA ARTIFICIAL EM RECRUTAMENTO E SELEÇÃO: IMPACTOS NA PRODUTIVIDADE DO RH E NA PERCEPÇÃO DE JUSTIÇA DOS CANDIDATOS

THE USE OF ARTIFICIAL INTELLIGENCE IN RECRUITMENT AND SELECTION: IMPACTS ON HR PRODUCTIVITY AND ON CANDIDATES’ PERCEPTION OF FAIRNESS

REGISTRO DOI: 10.70773/revistatopicos/794919971

RESUMO
Este artigo analisa o que a literatura científica publicada entre 2021 e 2026 permite afirmar sobre os efeitos do uso da inteligência artificial (IA) no recrutamento e seleção sobre a produtividade do setor de recursos humanos e o que ela permite inferir sobre a justiça dos processos seletivos e a experiência dos candidatos. Realizou-se uma revisão bibliográfica integrativa nas bases SciELO e SPELL, com descritores em português, inglês e espanhol. Dos 74 registros identificados, 17 eram duplicados e 42 foram excluídos na leitura de títulos e resumos, resultando em 15 estudos: sete primários, cinco secundários e três análises jurídico-normativas, avaliados quanto à qualidade metodológica e examinados por Análise de Conteúdo. Os resultados indicam que os ganhos de produtividade são relatados por gestores, recrutadores e fornecedores, sobretudo na triagem de currículos, mas nenhum estudo primário os mensurou com indicadores objetivos. Quanto à justiça, nenhum estudo investigou diretamente os candidatos; as evidências disponíveis, provenientes de profissionais de RH, decisores e análises normativas, apontam riscos de viés algorítmico, baixa transparência e redução do contato humano, além de preferência pela manutenção da decisão final com pessoas. Conclui-se que a literatura sustenta a IA como apoio às etapas operacionais do processo seletivo, mas ainda não permite afirmar ganhos mensurados de produtividade nem efeitos sobre a percepção de justiça dos candidatos.
Palavras-chave: inteligência artificial; recursos humanos; recrutamento e seleção; produtividade; justiça organizacional.

ABSTRACT
This article analyzes what the scientific literature published between 2021 and 2026 allows us to state about the effects of using artificial intelligence (AI) in recruitment and selection on human resources productivity, and what it allows us to infer about the fairness of selection processes and candidate experience. An integrative literature review was carried out in the SciELO and SPELL databases, using descriptors in Portuguese, English and Spanish. Of the 74 records identified, 17 were duplicates and 42 were excluded after reading titles and abstracts, resulting in 15 studies: seven primary, five secondary and three legal-normative analyses, which were appraised for methodological quality and examined through Content Analysis. The results indicate that productivity gains are reported by managers, recruiters and vendors, especially in résumé screening, but no primary study measured them with objective indicators. Regarding fairness, no study directly investigated candidates; the available evidence, from HR professionals, decision-makers and normative analyses, points to risks of algorithmic bias, low transparency and reduced human contact, as well as a preference for keeping the final decision with people. It is concluded that the literature supports AI as an aid to the operational stages of selection, but does not yet allow us to state measured productivity gains or effects on candidates’ perception of fairness.
Keywords: artificial intelligence; human resources; recruitment and selection; productivity; organizational justice.

1. INTRODUÇÃO

A crescente digitalização dos processos organizacionais tem impulsionado a adoção de tecnologias baseadas em inteligência artificial (IA) em diversas áreas da gestão, incluindo a gestão de pessoas (Dima et al., 2024). No recrutamento e seleção (R&S), essas ferramentas têm sido utilizadas para triar currículos, analisar perfis e ranquear candidatos, com a promessa de tornar os processos seletivos mais ágeis e menos custosos (Tuffaha; Perelló-Marín; Suárez-Ruz, 2021; Prikshat et al., 2023).

No Brasil, o tema ganhou fôlego recente. Vidal et al. (2026) identificaram um aumento expressivo de publicações nacionais sobre IA em recrutamento e seleção, com pico em 2024, e observaram que a maior parte desses estudos se concentra nos ganhos de eficiência. Ao mesmo tempo, os autores registram que ética, viés, diversidade e experiência do candidato recebem atenção muito menor. Essa assimetria é relevante porque a adoção da IA levanta questões sobre transparência, reprodução de vieses e desumanização das interações com candidatos (Chen, 2023).

Uma dificuldade adicional é que o termo "inteligência artificial" costuma ser usado de forma ampla, abrangendo desde sistemas que aprendem a partir de dados até plataformas digitais que apenas organizam etapas do processo seletivo. Sem essa distinção, conclusões sobre a IA podem ser extraídas, na verdade, de estudos sobre tecnologias digitais em geral.

Diante desse contexto, este estudo busca responder à seguinte questão: o que a literatura científica publicada entre 2021 e 2026 permite afirmar sobre os efeitos do uso da inteligência artificial no recrutamento e seleção sobre a produtividade do setor de recursos humanos e o que ela permite inferir sobre a justiça dos processos seletivos e a experiência dos candidatos? A formulação distingue deliberadamente o que pode ser afirmado com base em evidências do que só pode ser inferido, uma vez que, como se verá, a literatura reúne poucos dados mensurados de produtividade e nenhum estudo com os próprios candidatos.

O objetivo geral é analisar, por meio de uma revisão bibliográfica integrativa, as evidências disponíveis sobre a produtividade do RH e sobre a justiça dos processos seletivos que utilizam IA, distinguindo o tipo e a força dessas evidências. Especificamente, busca-se: identificar as aplicações de IA descritas nos estudos e diferenciá-las de outras tecnologias digitais; classificar as evidências de produtividade conforme tenham sido relatadas, estimadas ou mensuradas; examinar o que os estudos permitem inferir sobre justiça e experiência do candidato; e propor diretrizes para uma adoção responsável da IA no recrutamento e seleção.

O estudo justifica-se pela crescente oferta de soluções de IA às organizações brasileiras, muitas vezes por empresas especializadas, as chamadas HR techs (Avelar; Silva; Saraiva, 2021), e pela lacuna nacional de estudos sobre ética e experiência do candidato (Vidal et al., 2026). Além desta introdução, o artigo apresenta a fundamentação teórica, a metodologia, os resultados e sua discussão e as considerações finais.

2. FUNDAMENTAÇÃO TEÓRICA

2.1. Delimitação Conceitual: Inteligência Artificial, Automação e ATS

Neste artigo, adota-se a definição do Regulamento (UE) 2024/1689, segundo o qual um sistema de IA é um sistema baseado em máquina, concebido para operar com diferentes níveis de autonomia, que pode apresentar capacidade de adaptação após a implantação e que infere, a partir das informações que recebe, como gerar resultados como previsões, conteúdos, recomendações ou decisões (União Europeia, 2024). O elemento central dessa definição é a capacidade de inferência: o sistema não apenas processa e cruza dados segundo regras fixas, mas deriva desses dados resultados que podem influenciar decisões (Román Castro, 2025).

A partir dessa definição, quatro tipos de tecnologia são distinguidos no recrutamento e seleção. A automação convencional executa tarefas segundo regras definidas previamente, como publicar vagas em vários portais, enviar mensagens padronizadas ou agendar entrevistas, sem inferência. Os sistemas de rastreamento de candidatos (Applicant Tracking Systems, ATS) organizam o processo seletivo, centralizam currículos e acompanham cada etapa; eles podem ou não incorporar funções de IA, de modo que nem todo ATS é um sistema de IA. A triagem algorítmica compara currículos e perfis com os requisitos da vaga e ranqueia candidatos, com uso de técnicas como processamento de linguagem natural ou aprendizado de máquina. Por fim, os modelos preditivos e os sistemas especialistas estimam a adequação ou o desempenho provável de um candidato a partir de dados históricos ou de regras derivadas do conhecimento de especialistas (Matute-Pinos; Bojorque-Chasi, 2021).

Essa distinção é importante porque os benefícios e os riscos variam conforme o tipo de tecnologia. Ganhos de organização e agilidade podem resultar de automação convencional ou de um ATS sem IA, enquanto os riscos de viés algorítmico e de opacidade estão associados principalmente à triagem algorítmica e aos modelos preditivos, que tomam ou sugerem decisões a partir de padrões aprendidos (Chen, 2023).

2.2. Inteligência Artificial na Gestão de Pessoas

Dima et al. (2024) destacam que a IA altera não apenas as atividades de RH, mas também os papéis dos profissionais de RH, dos gestores de linha e dos próprios empregados. Prikshat et al. (2023) propõem compreender esse fenômeno como uma gestão de RH "aumentada" pela IA, na qual a tecnologia apoia, e não necessariamente substitui, o julgamento humano. A adoção dessas ferramentas depende de fatores organizacionais, como a disponibilidade de dados de qualidade e a preparação das equipes (Tabor-Błażewicz, 2023), e o campo de estudo reúne contribuições da administração, da computação, da psicologia e do direito (Abu Orabi et al., 2024).

No recrutamento e seleção, a literatura associa a IA à triagem automatizada de currículos e à análise preditiva de perfis, com a expectativa de reduzir o tempo necessário para identificar candidatos compatíveis com as vagas (Tuffaha; Perelló-Marín; Suárez-Ruz, 2021). Essas expectativas, contudo, precisam ser distinguidas dos resultados efetivamente observados, o que constitui um dos focos desta revisão.

2.3. Produtividade do RH e Níveis de Evidência

A produtividade no contexto da gestão de pessoas relaciona-se à capacidade do setor de executar suas atividades de maneira eficiente, otimizando tempo, recursos e resultados (Prikshat et al., 2023). No recrutamento e seleção, costuma ser expressa por indicadores como tempo de contratação, custo por contratação e qualidade das contratações.

Para avaliar o que a literatura efetivamente demonstra, este artigo distingue três níveis de evidência sobre produtividade. Ganhos relatados são aqueles descritos por participantes, como gestores, recrutadores ou fornecedores de tecnologia, a partir de suas percepções. Ganhos estimados são aqueles projetados por meio de simulações, modelos ou cálculos, sem observação direta em processos reais. Ganhos mensurados são aqueles aferidos com indicadores objetivos, preferencialmente comparando a situação antes e depois da adoção da tecnologia ou entre grupos com e sem IA. Essa distinção evita tratar como resultado comprovado aquilo que a literatura apenas sugere.

2.4. Ética, Transparência e Viés Algorítmico

Embora frequentemente percebidos como imparciais, os sistemas de IA não produzem decisões neutras. Chen (2023) atribui o viés algorítmico no recrutamento a duas fontes principais: a limitação dos dados que alimentam os sistemas e os vieses dos próprios projetistas dos algoritmos. Quando esses dados refletem desigualdades históricas, a IA tende a reproduzi-las e até ampliá-las.

Outro aspecto é a limitada transparência dos modelos, o chamado problema da "caixa-preta" (black box): os critérios usados para classificar candidatos permanecem pouco compreensíveis para gestores e candidatos, o que reduz a confiança e dificulta a contestação das decisões (Tabor-Błażewicz, 2023). No Brasil, o tratamento de dados pessoais de candidatos está sujeito à Lei Geral de Proteção de Dados Pessoais, que estabelece princípios como finalidade, transparência e não discriminação (Brasil, 2018). Na União Europeia, os sistemas de IA destinados ao recrutamento e à seleção foram classificados como de alto risco e sujeitos a obrigações específicas (União Europeia, 2024).

2.5. Justiça nos Processos Seletivos e Experiência do Candidato

Para compreender como os candidatos avaliam os processos seletivos, a literatura recorre à teoria da justiça organizacional. Gilliland (1993) propôs que a percepção de justiça depende tanto do resultado obtido (justiça distributiva) quanto da forma como o processo é conduzido (justiça procedimental). Entre as regras de justiça procedimental descritas pelo autor estão a relação dos instrumentos com o cargo, a oportunidade de o candidato demonstrar suas competências, a consistência na aplicação dos critérios, o fornecimento de retorno, a explicação das decisões, a comunicação nos dois sentidos e a qualidade do tratamento interpessoal.

Esse modelo é útil para esta revisão por dois motivos. Primeiro, permite identificar quais regras a IA tende a fortalecer, como a consistência, e quais tende a fragilizar, como a explicação e o tratamento interpessoal. Segundo, deixa claro que a percepção de justiça é, por definição, uma avaliação feita pelos candidatos, de modo que só pode ser medida diretamente junto a eles. Estudos com recrutadores, gestores ou fornecedores permitem apenas inferências sobre ela.

3. METODOLOGIA

3.1. Caracterização da Pesquisa

Esta pesquisa é de natureza básica, com abordagem qualitativa e caráter exploratório e descritivo (Gil, 2017). O método adotado foi a revisão bibliográfica integrativa, que permite reunir estudos com diferentes delineamentos e sintetizar de forma crítica o conhecimento disponível sobre um tema (Souza; Silva; Carvalho, 2010). A revisão seguiu as seis etapas propostas por Mendes, Silveira e Galvão (2008): elaboração da questão de pesquisa; definição dos critérios e busca na literatura; definição das informações a extrair; avaliação dos estudos incluídos; interpretação dos resultados; e apresentação da síntese. O registro do processo de seleção seguiu, de forma adaptada, as recomendações do PRISMA 2020 (Page et al., 2021).

3.2. Bases, Descritores e Estratégia de Busca

As buscas foram realizadas em 10 de novembro de 2026 em duas bases de acesso aberto: a SciELO (Scientific Electronic Library Online), que reúne periódicos da América Latina, da Espanha, de Portugal e da África do Sul, e a SPELL (Scientific Periodicals Electronic Library), mantida pela Associação Nacional de Pós-Graduação e Pesquisa em Administração (ANPAD). Em ambas, aplicou-se o recorte de 2021 a 2026. Os descritores foram definidos em português, inglês e espanhol e abrangem tanto o recrutamento quanto a seleção, com o uso de termos equivalentes a "seleção de pessoal" e "contratação".

Na SciELO, a busca foi feita em todos os índices com a expressão: ("inteligência artificial" OR "artificial intelligence" OR "inteligencia artificial") AND (recrutamento OR recruitment OR reclutamiento OR "seleção de pessoal" OR "seleção de pessoas" OR "processo seletivo" OR "personnel selection" OR "employee selection" OR "selección de personal" OR hiring OR "recursos humanos" OR "gestão de pessoas" OR "human resource"). Os termos genéricos de seleção, como selection e selección, foram usados apenas em expressões compostas, porque, isolados, recuperam grande número de estudos de outras áreas, como seleção de variáveis e seleção de espécies. A busca retornou 38 registros.

Na SPELL, que não aceita a disjunção de termos dentro de um mesmo campo, a busca foi feita no campo resumo, restrita a documentos do tipo artigo, combinando "inteligência artificial" com cada um dos seguintes termos: recrutamento (4 registros), seleção (14), "processo seletivo" (1), contratação (3), "recursos humanos" (5), "gestão de pessoas" (5) e candidatos (4). As combinações de "artificial intelligence" com recruitment, selection, hiring e "human resource" não retornaram registros. Somadas, as combinações totalizaram 36 registros, o que resulta em 74 registros nas duas bases.

Obras de referência sobre IA e gestão de pessoas que não foram recuperadas pelas buscas, como Dima et al. (2024), Prikshat et al. (2023), Chen (2023), Abu Orabi et al. (2024), Tabor-Błażewicz (2023) e Tuffaha, Perelló-Marín e Suárez-Ruz (2021), foram utilizadas apenas na fundamentação teórica e na discussão, sem integrar o corpus analisado. Essa separação evita o viés de seleção que decorreria da inclusão de trabalhos escolhidos previamente pelos autores.

3.3. Critérios de Elegibilidade

Foram incluídos estudos publicados entre 2021 e 2026, em português, inglês ou espanhol, com texto completo disponível, que tratassem da IA aplicada ao recrutamento e seleção, ainda que no contexto mais amplo da gestão de pessoas. Para fins desta revisão, considerou-se que um estudo trata de IA quando a tecnologia analisada atende à definição apresentada na seção 2.1 ou quando os próprios autores a identificam como IA e descrevem funções de triagem algorítmica, aprendizado de máquina, processamento de linguagem natural, modelos preditivos ou sistemas especialistas. Estudos sobre ATS ou plataformas digitais foram incluídos apenas quando os autores associavam explicitamente essas ferramentas à IA, e essa condição foi registrada na análise.

Foram excluídos os registros duplicados e os estudos que tratavam da IA em áreas sem relação com o recrutamento e seleção, como saúde, finanças, esporte, educação e setor público; os que abordavam outras funções de RH, como coaching, bem-estar e avaliação de desempenho, sem implicações para o processo seletivo; e os que tratavam do trabalho em plataformas digitais sem examinar processos de recrutamento e seleção.

3.4. Seleção dos Estudos

A seleção ocorreu em três etapas, sintetizadas na Figura 1. Na primeira, foram removidos 17 registros duplicados: um repetido dentro da SciELO, 15 repetições entre as combinações de busca da SPELL e um artigo presente nas duas bases (Blumen; Cepellos, 2023), restando 57 registros únicos. Na segunda, os títulos e resumos desses registros foram lidos por ambos os autores e confrontados com os critérios de elegibilidade, o que levou à exclusão de 42 registros: 27 por tratarem da IA em outras áreas, 13 por abordarem outras funções de RH e dois por tratarem do trabalho em plataformas digitais. Na terceira, os 15 estudos restantes tiveram o texto completo lido e avaliado, e todos atenderam aos critérios, compondo o corpus final.

Figura 1. Fluxograma de seleção dos estudos

Fonte: Elaboração própria, com base em Page et al. (2021).

3.5. Avaliação dos Estudos e Extração dos Dados

Os 15 estudos foram classificados conforme o tipo de evidência que oferecem: primários, quando produzem dados próprios, por meio de entrevistas, questionários, experimentos ou desenvolvimento de modelos; secundários, quando sintetizam outros estudos, como revisões de literatura, revisões sistemáticas e análises bibliométricas; e jurídico-normativos, quando analisam a IA à luz de leis e regulamentos.

A qualidade metodológica foi avaliada com perguntas adequadas a cada tipo. Para os estudos primários, verificou-se se o objetivo estava claro; se o método, os participantes e o contexto estavam descritos; se a análise dos dados estava explicitada; se os resultados eram sustentados pelos dados apresentados; e se as limitações eram reconhecidas. Para os secundários, verificou-se se as bases, os descritores, o período e os critérios de seleção estavam descritos e se o número de estudos analisados era informado. Para os jurídico-normativos, verificou-se se as normas analisadas eram identificadas e se a argumentação era fundamentada. Os estudos não foram excluídos em razão da avaliação, que serviu para ponderar o peso de cada um na síntese.

Dos estudos incluídos foram extraídos: autoria, ano, base, tipo de evidência, método, participantes, contexto, tecnologia analisada, resultados sobre produtividade, com a classificação do nível de evidência, e resultados sobre ética, justiça e experiência do candidato. Esses dados foram analisados por meio de Análise de Conteúdo (Bardin, 2016) e organizados em duas categorias: (1) eficiência e produtividade; e (2) ética, justiça e experiência do candidato. Em cada categoria, as evidências primárias foram apresentadas separadamente das secundárias e normativas. Os estudos secundários foram usados para contextualizar e confrontar os achados, e não como evidência independente, pois podem incluir pesquisas que também integram o corpus.

4. RESULTADOS E DISCUSSÃO

4.1. Caracterização dos Estudos Selecionados

O corpus reúne 15 estudos: três publicados em 2021, dois em 2022, um em 2023, um em 2024, sete em 2025 e um em 2026. Onze foram recuperados na SciELO e quatro na SPELL. Sete são estudos primários, cinco são secundários e três são análises jurídico-normativas. O Quadro 1 sintetiza seus perfis.

Quadro 1. Caracterização dos estudos integrantes do corpus

Autoria (ano)

Método e participantes

Tecnologia analisada

Tipo de evidência

Avelar, Silva e Saraiva (2021)

Pesquisa documental e entrevistas com gestores de RH usuários de soluções de HR techs

Plataformas digitais diversas, com IA entre as funções citadas

Primário

Cipriano et al. (2021)

Estudo de casos múltiplos em três organizações fornecedoras de soluções de seleção

Softwares de IA para triagem e avaliação de candidatos

Primário

Matute-Pinos e Bojorque-Chasi (2021)

Desenvolvimento de modelo com aprendizado de máquina supervisionado e não supervisionado

Sistema especialista para seleção de pessoas com deficiência

Primário

Puccini et al. (2022)

Estudo de caso com entrevistas semiestruturadas em uma empresa de soluções de RH

ATS, associado à IA pelos autores

Primário

Reddy (2022)

Análise jurídica do direito sul-africano

IA para triagem de perfis em redes sociais

Jurídico-normativo

Blumen e Cepellos (2023)

12 entrevistas com profissionais de R&S do setor farmacêutico de São Paulo

Tecnologias digitais e IA em R&S

Primário

Ruiz-Rivera, Sarmiento-Rojas e Ballesteros-Ricaurte (2024)

Análise bibliométrica e revisão sistemática (PRISMA)

IA em seleção no setor de construção

Secundário

Espinoza-Escobar (2025)

Ensaio jurídico sobre o ordenamento peruano

Sistemas de IA no recrutamento

Jurídico-normativo

Ncube, Sishi e Skinner (2025)

Revisão sistemática (PRISMA) de 51 estudos

IA em práticas de gestão de pessoas

Secundário

Omura e Francisco (2025)

Dois experimentos com 320 decisores dos Estados Unidos

Delegação de decisões de contratação à IA

Primário

Román Castro (2025)

Análise jurídica do direito europeu e espanhol

Sistemas de IA na seleção de pessoal

Jurídico-normativo

Taslim, Rosnani e Fauzan (2025)

Revisão sistemática de 193 artigos com análise de agrupamentos

IA em decisões de RH

Secundário

Valdez Jiménez, Vásquez Martínez e Valdez Jiménez (2025)

Revisão narrativa de literatura

IA e tecnologias digitais em R&S

Secundário

Verdezoto et al. (2025)

Questionário aplicado a gestores de RH de 389 empresas de Guayaquil

Ferramentas de IA em R&S

Primário

Vidal et al. (2026)

Análise bibliométrica de 64 artigos brasileiros

IA em R&S

Secundário

Fonte: Elaboração própria, com base nos 15 estudos selecionados (2026).

A avaliação de qualidade indicou diferenças relevantes entre os estudos. Entre os primários, o estudo de Omura e Francisco (2025) é o que apresenta maior rigor, com dois experimentos, verificação de manipulação e amostra definida, embora as decisões fossem hipotéticas, o que limita a generalização para processos reais. Blumen e Cepellos (2023) e Cipriano et al. (2021) descrevem com clareza o método e os participantes, mas trabalham com amostras pequenas e intencionais, próprias da pesquisa qualitativa, e, no caso de Cipriano et al. (2021), com a perspectiva de fornecedores das soluções, o que pode favorecer uma visão positiva da tecnologia. Verdezoto et al. (2025) alcançam a maior amostra, mas utilizam um questionário curto, com seis questões fechadas, respondido pelos próprios gestores. Puccini et al. (2022) analisam um único caso, e Avelar, Silva e Saraiva (2021) tratam de tecnologias digitais de forma ampla, nas quais a IA é uma entre várias funções. Matute-Pinos e Bojorque-Chasi (2021) desenvolvem um modelo técnico sem avaliar seus efeitos em processos seletivos reais.

Entre os secundários, Ncube, Sishi e Skinner (2025) e Taslim, Rosnani e Fauzan (2025) descrevem bases, período e número de estudos analisados, e Vidal et al. (2026) informam o corpus de 64 artigos. Ruiz-Rivera, Sarmiento-Rojas e Ballesteros-Ricaurte (2024) seguem o PRISMA, mas com foco em um único setor. A revisão de Valdez Jiménez, Vásquez Martínez e Valdez Jiménez (2025) não descreve protocolo de busca e foi, por isso, considerada de menor peso. Os três estudos jurídico-normativos identificam com precisão as normas analisadas, mas, por sua natureza, não oferecem evidência empírica sobre os efeitos da IA.

Quanto à tecnologia, apenas dois estudos primários analisam inequivocamente sistemas de IA em uso ou em desenvolvimento (Cipriano et al., 2021; Matute-Pinos; Bojorque-Chasi, 2021), e um investiga a disposição de delegar decisões à IA (Omura; Francisco, 2025). Os demais abordam a IA em conjunto com outras tecnologias digitais, como plataformas de HR techs e ATS, cujos efeitos não podem ser atribuídos exclusivamente à IA.

4.2. Categoria 1: Eficiência e Produtividade

Evidências primárias. Os estudos primários convergem ao apontar que o principal efeito percebido da IA sobre a produtividade do RH é a automação das etapas operacionais do processo seletivo, sobretudo a triagem de currículos. Cipriano et al. (2021) constataram que as soluções analisadas têm como principal finalidade automatizar as etapas de cunho operacional, como a triagem curricular e a correção de testes, e os entrevistados relataram economia de tempo nessas atividades. Os autores, contudo, não mensuraram essa economia e observaram que o custo das soluções pode afastar pequenas e médias empresas. Avelar, Silva e Saraiva (2021) identificaram que gestores de RH usuários de soluções de HR techs perceberam economia de tempo e de custo e melhor gestão das informações dos candidatos. Puccini et al. (2022) relataram que o ATS torna os processos mais ágeis e assertivos, ao organizar o processo seletivo desde a divulgação da vaga até sua finalização.

Blumen e Cepellos (2023), a partir de 12 entrevistas com recrutadores, apontaram como vantagens o uso da tecnologia e da IA na triagem de currículos, o ganho de tempo e a redução de custos, além da possibilidade de o RH se tornar mais estratégico. As autoras observaram ainda que a autonomia das filiais de empresas multinacionais condiciona a adoção dessas ferramentas. Em Guayaquil, Verdezoto et al. (2025) registraram que 93,3% dos gestores de RH respondentes declararam usar IA em seus processos seletivos e citaram a otimização dos processos e a melhoria da qualidade das contratações como benefícios, enquanto os custos de implantação foram a barreira mais apontada pelas empresas que não recomendam a tecnologia.

Todos esses ganhos, porém, situam-se no nível de evidência relatado: decorrem de percepções de gestores, recrutadores e fornecedores, sem indicadores como tempo médio de contratação ou custo por contratação medidos antes e depois da adoção da tecnologia. Nenhum estudo primário do corpus apresentou ganhos estimados ou mensurados. Além disso, em três desses estudos os ganhos referem-se a um conjunto de tecnologias digitais, e não apenas à IA (Avelar; Silva; Saraiva, 2021; Puccini et al., 2022; Blumen; Cepellos, 2023).

Evidências secundárias. As revisões confirmam que a eficiência é o benefício mais citado na literatura. Ruiz-Rivera, Sarmiento-Rojas e Ballesteros-Ricaurte (2024) associam a IA à automação de tarefas e à otimização da avaliação de candidatos, e Vidal et al. (2026) mostram que o eixo "eficiência e desempenho" concentra quase metade da produção brasileira sobre o tema. A revisão sistemática de Ncube, Sishi e Skinner (2025), contudo, ressalva que a literatura ainda dispõe de poucas métricas concretas e quantificáveis que comprovem a extensão dos benefícios declarados. Essa ressalva coincide com o que se observou nos estudos primários deste corpus.

Em síntese, a literatura permite afirmar que gestores e recrutadores percebem ganhos de tempo e de organização com o uso da IA e de tecnologias associadas, sobretudo na triagem de currículos. Ela não permite afirmar, com base em dados mensurados, que a IA reduz o tempo ou o custo de contratação, nem quantificar esses ganhos.

4.3. Categoria 2: Ética, Justiça e Experiência do Candidato

Evidências primárias. Nenhum estudo primário do corpus investigou os candidatos. Os dados disponíveis vêm de recrutadores, gestores, fornecedores e decisores, o que permite apenas inferências sobre a justiça percebida pelos candidatos. Ainda assim, esses estudos oferecem indícios relevantes. Blumen e Cepellos (2023) relataram que todos os recrutadores entrevistados se mostraram preocupados com a humanização do processo seletivo e acreditam que a tecnologia pode distanciá-los dos candidatos. As entrevistadas e os entrevistados também consideraram ambígua a relação entre IA e diversidade, pois os algoritmos podem reforçar a escolha de pessoas semelhantes às que já atuam na organização e tornar as equipes mais homogêneas.

Cipriano et al. (2021) encontraram, entre os fornecedores, a crença de que um software corretamente alimentado pode reduzir vieses relacionados a etnia, gênero e orientação sexual, mas também o reconhecimento de que sistemas mal alimentados podem reproduzir discriminações. Verdezoto et al. (2025) registraram que 74,81% das empresas citaram a redução de vieses inconscientes como benefício da IA. Esse dado, porém, expressa a expectativa dos gestores, e não uma redução de vieses verificada nos resultados dos processos seletivos. Em sentido oposto, Matute-Pinos e Bojorque-Chasi (2021) mostram que um modelo de aprendizado de máquina pode ser desenhado com propósito inclusivo, ao apoiar a seleção de pessoas com deficiência com base no potencial de suas habilidades.

O estudo de Omura e Francisco (2025) acrescenta a perspectiva de quem decide. Em dois experimentos com 320 decisores, os autores verificaram que a complexidade de uma tarefa de contratação aumenta a intenção de delegar decisões à IA, mas a análise das respostas abertas revelou preferência por que pessoas tomem a decisão final, com a IA em papel de apoio. Esse resultado é coerente com a regra de explicação e de tratamento interpessoal de Gilliland (1993): a manutenção de uma pessoa responsável pela decisão preserva a possibilidade de explicação e de diálogo.

Evidências secundárias e normativas. As revisões reforçam esses riscos. Ncube, Sishi e Skinner (2025) apontam, além dos vieses, preocupações com a privacidade dos dados e com a vigilância excessiva, e Taslim, Rosnani e Fauzan (2025) identificam a ética da IA, com foco em transparência e justiça, como um dos quatro grandes temas da literatura sobre decisões de RH apoiadas por IA, além de concluírem que o envolvimento das pessoas afetadas é decisivo para a aceitação dessas tecnologias. Vidal et al. (2026) confirmam que a experiência do candidato é o eixo menos estudado da produção nacional.

As análises jurídico-normativas convergem quanto aos riscos e às salvaguardas. Reddy (2022) mostra que a triagem de perfis em redes sociais por IA pode discriminar grupos a partir de dados históricos e de características que funcionam como indicadores indiretos de atributos protegidos, e defende que os candidatos sejam informados previamente, que haja supervisão humana e que os sistemas sejam auditados. Espinoza-Escobar (2025) defende que a regulação parta do direito de acesso não discriminatório ao emprego, e Román Castro (2025) observa que, quanto maior o grau de automação das decisões, mais difícil se torna detectar resultados discriminatórios, razão pela qual o direito europeu classificou esses sistemas como de alto risco.

Em síntese, a literatura permite inferir que a IA pode fortalecer a consistência dos processos seletivos, mas tende a fragilizar a explicação das decisões, a comunicação com os candidatos e o tratamento interpessoal, além de envolver riscos de viés e de violação de privacidade. Ela não permite afirmar como os candidatos efetivamente percebem a justiça desses processos, pois essa percepção não foi medida em nenhum estudo do corpus.

4.4. Discussão e Diretrizes

A comparação entre as categorias mostra que eficiência e justiça não são dimensões independentes. Os mesmos recursos que produzem ganhos percebidos de produtividade, como a triagem automatizada e a padronização dos critérios, concentram os principais riscos éticos, porque transferem para o algoritmo decisões que antes eram tomadas e explicadas por pessoas. A questão relevante, portanto, não é se a IA deve ser adotada, mas em quais etapas e com quais salvaguardas.

Os resultados também revelam uma assimetria nas evidências. Os ganhos de produtividade são relatados com frequência, mas não foram mensurados; os riscos éticos são amplamente discutidos, mas a perspectiva dos candidatos não foi investigada. Tanto o otimismo quanto as preocupações em torno da IA no recrutamento ainda se apoiam mais em percepções e análises teóricas do que em dados empíricos sistemáticos. Além disso, o predomínio de estudos que tratam a IA em conjunto com outras tecnologias digitais indica que parte dos benefícios atribuídos à IA pode decorrer, na verdade, de automação convencional ou da simples organização do processo por plataformas.

Com base nessa síntese, e respeitando os limites das evidências, propõem-se as seguintes diretrizes. Primeiro, automatizar prioritariamente as etapas operacionais, como triagem inicial, agendamento e correção de testes, e manter a decisão final com profissionais de RH, em linha com a preferência observada por Omura e Francisco (2025). Segundo, revisar os dados usados para treinar os sistemas e auditar periodicamente os resultados por grupo de candidatos (Chen, 2023; Reddy, 2022). Terceiro, informar aos candidatos quando e como a IA é utilizada, coletar apenas os dados necessários à vaga e garantir retorno e um ponto de contato humano ao longo do processo (Gilliland, 1993; Brasil, 2018). Quarto, medir os efeitos da adoção com indicadores objetivos de tempo, custo e qualidade das contratações, acompanhados de indicadores de diversidade e de experiência do candidato, o que permitiria às organizações verificar os ganhos que hoje são apenas relatados.

5. CONSIDERAÇÕES FINAIS

Este artigo analisou, por meio de uma revisão bibliográfica integrativa de 15 estudos recuperados nas bases SciELO e SPELL, o que a literatura publicada entre 2021 e 2026 permite afirmar sobre a produtividade do RH e o que ela permite inferir sobre a justiça dos processos seletivos que utilizam inteligência artificial.

Em resposta à questão de pesquisa, conclui-se que a literatura permite afirmar que gestores, recrutadores e fornecedores percebem ganhos de tempo, de organização e de assertividade com o uso da IA, sobretudo na triagem de currículos, mas não permite afirmar que esses ganhos tenham sido mensurados, pois nenhum estudo primário do corpus os aferiu com indicadores objetivos. Quanto à justiça, a literatura permite inferir que a IA pode favorecer a consistência dos processos, mas tende a fragilizar a explicação das decisões e o contato humano, além de envolver riscos de viés algorítmico e de violação de privacidade. A percepção de justiça dos candidatos, porém, não foi investigada diretamente por nenhum dos estudos.

Os objetivos específicos foram atendidos com a delimitação conceitual entre IA, automação convencional, ATS e modelos preditivos; com a classificação das evidências de produtividade em relatadas, estimadas e mensuradas; com a análise do que os estudos permitem inferir sobre justiça; e com a proposição de diretrizes para uma adoção responsável.

Como limitações, destacam-se a restrição da busca a duas bases de acesso aberto, o que pode ter deixado de fora estudos indexados exclusivamente em bases internacionais de acesso restrito, e o número reduzido de estudos primários, a maioria qualitativa e com amostras pequenas. Também se reconhece que a avaliação de qualidade foi feita pelos próprios autores, sem instrumento padronizado de pontuação.

Sugere-se que pesquisas futuras investiguem diretamente os candidatos, por meio de questionários ou experimentos, para medir a percepção de justiça em processos seletivos com IA; que comparem indicadores de tempo, custo e qualidade das contratações antes e depois da adoção dessas tecnologias; que diferenciem com precisão os efeitos da IA dos efeitos de outras tecnologias digitais; e que ampliem a busca para bases internacionais, como Scopus e Web of Science.

REFERÊNCIAS BIBLIOGRÁFICAS

ABU ORABI, T. et al. The interdisciplinary nature of AI and human resource management: a bibliometric analysis. Human Systems Management, Amsterdam, v. 43, n. 6, p. 845-871, 2024. DOI: https://doi.org/10.3233/HSM-240054.

AVELAR, C. F. P.; SILVA, Y. M.; SARAIVA, H. L. Tecnologia aplicada ao recrutamento e seleção: mudanças divulgadas e resultados percebidos no uso de soluções oferecidas por HR techs brasileiras. Gestão e Sociedade, Belo Horizonte, v. 15, n. 43, p. 4620-4643, 2021. DOI: https://doi.org/10.21171/ges.v15i43.3490.

BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2016.

BLUMEN, D.; CEPELLOS, V. M. Dimensões do uso de tecnologia e Inteligência Artificial (IA) em Recrutamento e Seleção (R&S): benefícios, tendências e resistências. Cadernos EBAPE.BR, Rio de Janeiro, v. 21, n. 2, e2022-0080, 2023. DOI: https://doi.org/10.1590/1679-395120220080.

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário Oficial da União: seção 1, Brasília, DF, 15 ago. 2018.

CHEN, Z. Ethics and discrimination in artificial intelligence-enabled recruitment practices. Humanities and Social Sciences Communications, London, v. 10, art. 567, 2023. DOI: https://doi.org/10.1057/s41599-023-02079-x.

CIPRIANO, G. S. et al. Inteligência artificial nos processos de seleção de RH. Estudos de Administração e Sociedade, Niterói, v. 6, n. 2, p. 8-22, 2021.

DIMA, J. et al. The effects of artificial intelligence on human resource activities and the roles of the human resource triad: opportunities and challenges. Frontiers in Psychology, Lausanne, v. 15, art. 1360401, 2024. DOI: https://doi.org/10.3389/fpsyg.2024.1360401.

ESPINOZA-ESCOBAR, J. H. Elementos clave para la regulación de la discriminación algorítmica en el ordenamiento peruano. Ius et Praxis, Talca, v. 31, n. 2, p. 163-183, 2025. DOI: https://doi.org/10.4067/s0718-00122025000200163.

GIL, A. C. Como elaborar projetos de pesquisa. 6. ed. São Paulo: Atlas, 2017.

GILLILAND, S. W. The perceived fairness of selection systems: an organizational justice perspective. Academy of Management Review, [S. l.], v. 18, n. 4, p. 694-734, 1993. DOI: https://doi.org/10.5465/amr.1993.9402210155.

MATUTE-PINOS, K.; BOJORQUE-CHASI, R. Apoyo a los subsistemas de talento humano, selección y reclutamiento a partir de un sistema experto: caso de estudio. Ingenius, Cuenca, n. 26, p. 41-48, 2021. DOI: https://doi.org/10.17163/ings.n26.2021.04.

MENDES, K. D. S.; SILVEIRA, R. C. C. P.; GALVÃO, C. M. Revisão integrativa: método de pesquisa para a incorporação de evidências na saúde e na enfermagem. Texto & Contexto Enfermagem, Florianópolis, v. 17, n. 4, p. 758-764, 2008. DOI: https://doi.org/10.1590/S0104-07072008000400018.

NCUBE, T. R.; SISHI, K. K.; SKINNER, J. P. The impact of artificial intelligence on human resource management practices: an investigation. SA Journal of Human Resource Management, [S. l.], v. 23, a2960, 2025. DOI: https://doi.org/10.4102/sajhrm.v23i0.2960.

OMURA, S. F.; FRANCISCO, E. R. Hybrid business decisions: does task complexity uplift delegation to artificial intelligence? Revista de Administração Contemporânea, [S. l.], v. 29, n. 6, e250032, 2025. DOI: https://doi.org/10.1590/1982-7849rac2025250032.en.

PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, London, v. 372, n71, 2021. DOI: https://doi.org/10.1136/bmj.n71.

PRIKSHAT, V. et al. AI-augmented HRM: literature review and a proposed multilevel framework for future research. Technological Forecasting and Social Change, New York, v. 193, art. 122645, 2023. DOI: https://doi.org/10.1016/j.techfore.2023.122645.

PUCCINI, L. et al. Impactos da utilização da Applicant Tracking System nos processos de recrutamento e seleção de pessoas: estudo em uma organização do segmento de soluções de recursos humanos. NAVUS – Revista de Gestão e Tecnologia, Florianópolis, v. 12, p. 1-12, 2022. DOI: https://doi.org/10.22279/navus.2022.v12.p01-12.1718.

REDDY, S. The legal issues regarding the use of artificial intelligence to screen social media profiles for the hiring of prospective employees. Obiter, Port Elizabeth, v. 43, n. 2, p. 113-131, 2022.

ROMÁN CASTRO, C. de. Inteligencia artificial: ¿relaciones laborales en riesgo? Revista de Derecho (Coquimbo), Coquimbo, v. 32, 2025. DOI: https://doi.org/10.22199/issn.0718-9753-6674.

RUIZ-RIVERA, A. N.; SARMIENTO-ROJAS, J. A.; BALLESTEROS-RICAURTE, J. A. Artificial intelligence as a supporting tool in staff selection for businesses in the construction sector. Revista Facultad de Ingeniería, Tunja, v. 33, n. 70, e19202, 2024. DOI: https://doi.org/10.19053/01211129.v33.n70.2024.19202.

SOUZA, M. T.; SILVA, M. D.; CARVALHO, R. Revisão integrativa: o que é e como fazer. Einstein, São Paulo, v. 8, n. 1, p. 102-106, 2010. DOI: https://doi.org/10.1590/s1679-45082010rw1134.

TABOR-BŁAŻEWICZ, J. Artificial intelligence adoption in human resources management. In: HAJDAS, M. (ed.). Game changers in management. Wrocław: Publishing House of Wroclaw University of Economics and Business, 2023. p. 30-43. DOI: https://doi.org/10.15611/2023.10.9.02.

TASLIM, W. S.; ROSNANI, T.; FAUZAN, R. Employee involvement in AI-driven HR decision-making: a systematic review. SA Journal of Human Resource Management, [S. l.], v. 23, a2856, 2025. DOI: https://doi.org/10.4102/sajhrm.v23i0.2856.

TUFFAHA, M.; PERELLÓ-MARÍN, M. R.; SUÁREZ-RUZ, E. The role of artificial intelligence in transforming HRM functions: a literature review. In: INTERNATIONAL CONFERENCE BUSINESS MEETS TECHNOLOGY, 3., 2021, Valencia. Proceedings [...]. Valencia: Editorial Universitat Politècnica de València, 2021. p. 195-200. DOI: https://doi.org/10.4995/BMT2021.2021.13696.

UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024, que cria regras harmonizadas em matéria de inteligência artificial (Regulamento da Inteligência Artificial). Jornal Oficial da União Europeia, Luxemburgo, série L, 12 jul. 2024.

VALDEZ JIMÉNEZ, L. A.; VÁSQUEZ MARTÍNEZ, C. R.; VALDEZ JIMÉNEZ, L. Estudio socioeducativo de la transformación del proceso del reclutamiento y selección: de los métodos tradicionales al enfoque 5.0. RIDE – Revista Iberoamericana para la Investigación y el Desarrollo Educativo, Guadalajara, v. 15, n. 30, e818, 2025. DOI: https://doi.org/10.23913/ride.v15i30.2259.

VERDEZOTO, J. D. et al. Proceso de reclutamiento y selección de personal en la era de la inteligencia artificial: retos y oportunidades en la ciudad de Guayaquil, Ecuador. Revista Espacios, Caracas, v. 46, n. 2, p. 110-121, 2025. DOI: https://doi.org/10.48082/espacios-a25v46n02p09.

VIDAL, P. H. L. et al. Inteligência artificial no recrutamento e seleção em organizações: uma análise bibliométrica da produção científica brasileira (2012-2024). Contextus – Revista Contemporânea de Economia e Gestão, Fortaleza, v. 24, e95569, 2026. DOI: https://doi.org/10.36517/contextus.2026.95569.