Pular para o conteúdo
Edição 02: o que a IA muda na aquisição de talentos

AI-native HR Memo · Issue 02

O que a IA muda de verdade na contratação

O funil de recrutamento fica mais rápido, mas essa é a parte menos interessante. Quando sourcing e triagem custam quase nada, o gargalo vira o julgamento e o pipeline inteiro se reorganiza. A tese aplicada à aquisição de talentos.

  • Chris Gerlach

Publicado em 13 de julho de 2026

Editorial

Desde que comecei a me interessar por RH, já li bastante coisa. Cheguei por um caminho lateral: comecei a carreira como investidor cobrindo teses de HRtech, não como operador de RH, o que tem seus prós (uma visão macro mais ampla) e contras (nenhuma vivência como operador de RH). Uma coisa me marcou desde o começo dos meus estudos sobre RH: as decisões de pessoas que mais moldam uma empresa (quem ela contrata, quem ela promove) costumam ser as tomadas com mais viés humano, contratando pela impressão e promovendo quem joga melhor o jogo político, não quem entrega mais valor real. Fechar essa distância é boa parte do que nós, da Zivo, fazemos desde então.

Diria com segurança que quase tudo o que se escreve sobre IA no recrutamento descreve um funil parecido, só que rodando mais rápido: mais sourcing, triagem mais ágil, currículos lidos em segundos. Isso é real, mas é a parte menos interessante do que está acontecendo. A primeira edição deste memo defendeu que a IA muda aquilo de que a área de RH é feita: a cadência, os dados, a cobertura e o papel do humano dentro dela. Aquele era o caso geral; esta edição coloca a tese para trabalhar em uma subárea, a aquisição de talentos.

O recrutamento foi construído para otimizar velocidade e volume por um motivo: as horas do recrutador eram o gargalo. Toda decisão que veio depois disso, dos filtros por palavra-chave às revisões por amostragem ao time-to-fill como a métrica que importava, era um contorno para a atenção humana escassa. Quando o custo de sourcing e triagem cai para perto de zero, o gargalo se desloca para a frente do funil, para a única coisa que computação barata (ainda) não resolve: o julgamento sobre fit e qualidade da contratação. O pipeline inteiro então se reorganiza em torno de onde a restrição está agora.

Para onde o gargalo vai: aquisição de talentos antes e depois da IA
O trabalho humano deixa de ser tocar o funil e passa a ser responder pelo julgamento.

Daí saem três consequências, e nenhuma delas é sobre velocidade.

A primeira: o recrutamento finalmente consegue otimizar o número que sempre quis. O time-to-fill sempre foi só uma proxy, a métrica que o recrutamento conseguia medir enquanto a que importava (a qualidade da contratação) ficava fora de alcance, porque o ciclo era longo e manual demais para fechar. Quando um agente faz o sourcing e o ciclo avança um passo além, um candidato é contratado e performa bem três ou seis meses depois, o sinal de como é uma boa contratação para aquela posição volta sozinho. O pipeline fica mais direcionado com o tempo, sem ninguém recalibrá-lo à mão.

A segunda: a triagem para de casar palavras-chave e passa a avaliar toda a população de candidatos contra o que de fato previu sucesso naquela posição. É exatamente aí que o viés é auditado e removido, ou amplificado em silêncio e em escala, a depender de você conseguir ver como o modelo decidiu. É por isso que a explicabilidade deixa de ser um item de checklist de compliance e vira um requisito de desenho.

A terceira é mais discreta e fácil de não ver. O mesmo grafo de habilidades que alimenta o sourcing externo também indexa as pessoas que já estão dentro da empresa, então cada vaga aberta pode ser comparada com candidatos internos antes mesmo de ser divulgada. “Internal-first” deixa de ser uma política de mobilidade que todo mundo endossa (mas quase ninguém segue) e vira o caminho padrão, porque o match mais rápido e mais barato normalmente já é um colaborador.

Nada disso é teoria para nós. Fazemos recrutamento na Zivo sem um time dedicado de recrutadores. As lideranças fazem a própria busca e as próprias entrevistas, e a IA faz o trabalho operacional pesado. Tudo sobre como contratamos vive em um único documento que se aprimora sozinho e que a IA lê como contexto, da nossa filosofia de talentos à nossa política de remuneração. As avaliações são binárias (um 0 ou um 1), sem ficar em cima do muro; nenhum entrevistador vê o parecer de outro antes de enviar o seu; e, depois de cada etapa, a IA rascunha a avaliação a partir da transcrição para o entrevistador editar, aprendendo com cada edição. As ofertas são geradas a partir da nossa tabela salarial, e tudo o que foge do padrão vem para mim.

Agora, olhe onde o humano fica em tudo isso. As partes operacionais que consumiam a maior parte da semana caem, e o trabalho que importa sobe em vez de desaparecer: para construir relacionamentos, vender a oportunidade, as conversas que decidem uma contratação e o julgamento sobre fit. Esse julgamento é a disciplina que acumula. Cada vez que um de nós edita uma avaliação rascunhada pela IA ou aprova uma shortlist, essa decisão ou termina naquela contratação, ou volta para afiar a próxima recomendação, e só o segundo tipo faz as contratações do próximo trimestre serem melhores que as deste.

A seguir nesta série, a mesma lente sobre desempenho e desenvolvimento.

Mais uma vez, conte para a gente o que achou deste texto. A newsletter melhora a cada resposta sua.

Boa leitura do que vem a seguir,

Chris Gerlach · Cofundador e CEO, Zivo

Spotlight

Gonzalo Parejo · Fundador e CEO, Kamino

Fintech · Série A · São Paulo

Quando uma das áreas da Kamino bate num teto de crescimento, o primeiro movimento do Gonzalo é olhar como aquele time está usando IA e o que está segurando a entrega. A contratação só vem depois.

“Antes da IA, correr e conseguir contratar muita gente era um ótimo sinal. Agora as coisas mudaram completamente. (...) Se aquela área está com restrições fortes de crescimento, a primeira opção que pensamos não é contratar mais gente. Pensamos em como aquele time está de fato usando IA e em como podemos ajudar aquela área a ser mais produtiva.”

Gonzalo Parejo · Fundador e CEO, Kamino

Planejamento de força de trabalho, nivelamento e a forma de ler a entrega de um time foram todos construídos sobre headcount, mas precisam ser repensados quando a medida passa a ser a capacidade de executar.

Reads

Vale ler antes da próxima edição

  • Ramp + Revelio Labs · Paper · 30 de junho

    A New Look at AI's Impact on Jobs

    A Ramp cruzou o gasto real com IA de 21.000 empresas americanas com dados de headcount em um dos primeiros estudos do tipo. A manchete fácil seria “IA cria empregos”: quem adota cresce o headcount em ~10% e as posições de entrada sobem até ~12%. O que importa é o recorte por intensidade: o ganho só aparece entre quem adota com alta intensidade, com investimento sustentado e relevante. As empresas que ficaram em assinaturas de chat e pilotos de projeto não viram mudança relevante (o paper é explícito: “assinaturas corporativas de chat não parecem ser suficientes”). O que gera resultado é profundidade operacional e redesenhar os fluxos de trabalho a partir dos primeiros princípios. Os autores chegam a admitir que não sabem especificamente quais práticas mais impactam o negócio (e, por extensão, o headcount), porque quem descobriu não tem incentivo para contar.

  • PwC · Relatório · Junho

    Two futures for jobs in an AI era

    O Global AI Jobs Barometer da PwC chega a um diagnóstico parecido por outro caminho: as empresas mais expostas à IA contrataram mais e pagaram mais, com um prêmio salarial de cerca de 62% para habilidades em IA e um forte efeito “superstar” (os 20% do topo com +163% de produtividade). As posições júnior mais expostas passaram a exigir julgamento e liderança, antes reservados aos seniores. Cruzado com o paper da Ramp acima, que mostra o headcount de entrada subindo entre quem adota com intensidade, o quadro que se forma é este: a posição de entrada continua existindo, agora com uma régua mais alta de julgamento desde o primeiro dia. Para quem recruta, isso muda o perfil que você procura, o onboarding e o nivelamento.

Demo

Recrutamento de ponta a ponta, humanos só nas decisões

Demo: recrutamento de ponta a ponta, humanos só nas decisões, com Pedro Bobrow

Assista · vídeo

Na nossa leitura, o recrutamento é um dos lugares onde o salto para o N4 aparece com mais clareza: dá para rodar o processo inteiro, da abertura da vaga à carta-oferta, com trabalho operacional quase zero.

No vídeo, Pedro Bobrow (cofundador e CHRO da Zivo) mostra a camada agêntica abrindo a vaga a partir do pedido do gestor, fazendo a triagem com um modelo construído para aquela empresa específica (a ponto de recomendar a candidata para uma posição diferente da que ela aplicou), agendando as entrevistas e montando a oferta a partir da política de remuneração. como juiz, e cada uma vira contexto para a próxima, deixando as recomendações melhores com o tempo.

Alguns dos times de RH parceiros da Zivo já fazem recrutamento nesse nível.

Da Zivo: para estar na sala (e rever depois)

Eventos ao vivo e materiais que valem rever.

Casos reais de RHs AI-native · demo ao vivo com Pedro Bobrow · 21 de julho

Webinar ao vivo · 21 de julho · 11h

Casos reais de RHs AI-native (demo ao vivo)

Demo ao vivo com Pedro Bobrow (cofundador e CHRO da Zivo) mostrando três operações de RH rodando AI-native no nível N4 (inteligência de decisão): uma indústria tradicional (~1.000 pessoas) com desempenho contínuo guiado por recomendações da IA; uma enterprise (5.000+) com operações de RH sob aprovação humana; e uma scale-up de tecnologia (500+) com o funil de recrutamento de ponta a ponta. Ao vivo, com perguntas e respostas. Gravação liberada para todos os inscritos.

Garanta sua vaga →

Essa foi a edição dois.

Se ela valeu o seu tempo, encaminhe para uma pessoa que deveria estar lendo junto.

Receba a próxima edição na sua caixa de entrada.