Em um funil de recrutamento com automação ou IA, time to hire não deve ser o placar principal. Velocidade mede fricção operacional; qualidade da contratação mede o resultado que aparece depois; e aprovação humana mede se existe um responsável capaz de revisar, contestar e assumir a decisão. O painel fica mais útil quando essas três dimensões são lidas juntas, com definições, denominadores e janelas de observação fixos.
A pressão para medir isso já é concreta. Em pesquisa da SHRM, recrutamento apareceu como a área de RH com maior uso de IA entre as organizações pesquisadas, e economia de tempo foi o benefício mais citado. Ao mesmo tempo, o relatório de recrutamento de 2025 do LinkedIn mostrou forte preocupação com quality of hire e baixa confiança de muitas equipes na capacidade de medi-la bem. Esses levantamentos ajudam a explicar o problema gerencial, mas não provam que uma ferramenta de IA, por si só, cause contratações melhores.
O painel mínimo: três métricas com papéis diferentes
| Métrica | Pergunta que responde | Definição operacional sugerida | Denominador | Risco de interpretação |
|---|---|---|---|---|
| Quality of hire | As pessoas contratadas estão funcionando bem no cargo? | Índice de coorte formado por dois ou três sinais definidos antes da análise, como desempenho no cargo, retenção após uma janela mínima e avaliação estruturada do gestor. | Contratações que já completaram a janela de observação e têm dados válidos para os componentes escolhidos. | Usar só retenção, só satisfação do gestor ou uma avaliação muito precoce e chamar isso de “qualidade”. |
| Time to hire | Quanto tempo o processo leva para converter um candidato ativo em contratação aceita? | Para este painel, conte dias entre um marco de entrada definido no funil ativo e a aceitação da oferta; reporte a mediana e, se possível, o percentil 75. | Contratações aceitas com timestamps válidos no período. | Melhorar o número eliminando candidatos cedo demais, mudando o ponto de início ou misturando vagas de complexidade muito diferente. |
| Cobertura de aprovação humana | As decisões influenciadas por IA passaram por um responsável humano identificável? | Decisões influenciadas materialmente por recomendação, ranking ou triagem de IA que registram revisor humano e desfecho, dividido pelo total dessas decisões. | Todas as decisões do escopo em que a IA materialmente influenciou avanço, rejeição, priorização ou recomendação final. | Confundir “houve um clique humano” com revisão substantiva ou criar um ritual de aprovação automática. |
Uma quarta métrica é útil como diagnóstico, mas não como meta isolada: taxa de override, isto é, a proporção de recomendações da IA que o revisor humano altera. Se ela ficar muito alta, pode haver desalinhamento entre ferramenta e critérios. Se ficar permanentemente próxima de zero, pode haver concordância legítima — ou simples carimbo. O valor precisa ser interpretado por amostragem e contexto, não premiado ou punido sozinho.
Como montar quality of hire sem inventar uma fórmula universal
Quality of hire não tem um denominador universal porque organizações valorizam resultados diferentes. O caminho mais seguro é definir antes do piloto quais sinais representam uma boa contratação e em que momento eles podem ser observados. O próprio material do LinkedIn sobre quality of hire mostra que empresas usam combinações de desempenho, retenção, satisfação do gestor, aderência de habilidades e outros indicadores.
Um desenho simples pode usar três componentes: desempenho no cargo em escala padronizada, retenção após uma janela coerente com o negócio e avaliação estruturada do gestor. Antes de fazer a média, coloque os componentes numa mesma escala e documente os pesos. Se o negócio ainda não consegue medir três itens com qualidade, é melhor começar com dois dados confiáveis do que montar um índice sofisticado com informação fraca.
O denominador é crucial. Uma contratação feita neste mês ainda não pode ser comparada com outra que já completou doze meses se retenção em doze meses fizer parte do índice. Use coortes maduras: por exemplo, todos os contratados de um período que já completaram a janela definida. Isso cria atraso na métrica, mas evita premiar resultados que ainda não existem.
Também evite transformar quality of hire em juízo sobre a pessoa contratada. Desempenho posterior depende de seleção, onboarding, liderança, desenho do cargo, recursos e mudanças de prioridade. O índice serve para monitorar o sistema de contratação, não para provar que uma única etapa do funil causou o resultado.
Time to hire: fixe o relógio antes de tentar acelerá-lo
“Tempo para contratar” só é comparável se o início e o fim forem estáveis. Para este painel, escolha um marco que represente a entrada real do candidato no processo ativo — por exemplo, quando ele passa a elegível para triagem humana ou quando sua candidatura entra formalmente no funil — e encerre na aceitação da oferta. O ponto exato pode variar entre empresas; o importante é não mudá-lo depois de ver o resultado.
Prefira mediana à média como número principal porque poucas vagas muito longas podem distorcer a média. O percentil 75 ajuda a mostrar a “cauda” do processo: se a mediana cai, mas um quarto das contratações continua extremamente lento, o ganho pode estar concentrado apenas nos casos fáceis.
Segmente pelo menos por família de cargo, senioridade e localização quando essas dimensões alterarem materialmente o processo. Misturar estágio júnior de alto volume com posições executivas pode produzir um número agregado elegante e pouco acionável. Registre também regras para pausas de vaga, indisponibilidade do candidato e congelamentos internos; caso contrário, equipes diferentes podem “limpar” o relógio de formas incompatíveis.
Aprovação humana: meça capacidade de revisão, não obediência à IA
Uma etapa humana é útil apenas se a pessoa souber que é responsável, tiver acesso aos elementos relevantes e puder discordar da recomendação automática. O playbook do NIST AI Risk Management Framework recomenda definir papéis e responsabilidades nas configurações humano-IA e estabelecer procedimentos para supervisão de sistemas de IA. O próprio framework também observa que dados sobre a frequência e a justificativa de humanos que sobrepõem resultados de IA podem ser úteis para análise.
Por isso, o painel deve medir cobertura, não “taxa de concordância”. Se a política interna exige revisão humana em toda decisão final influenciada por IA, a cobertura esperada é 100%. Mas aprovação sem evidência mínima não basta. Um registro leve pode incluir responsável, etapa, decisão, código de motivo e, nos casos de override, uma justificativa curta.
A taxa de override deve ser lida em conjunto com amostras qualitativas. Overrides concentrados em uma família de vagas podem indicar critérios mal configurados. Zero overrides por meses em um sistema complexo pode justificar auditoria de rubber-stamping. Nenhum desses padrões, sozinho, prova falha ou sucesso.
Um painel enxuto que um gestor consegue operar
| Indicador | Recorte recomendado | Cadência | Sinal de alerta |
|---|---|---|---|
| Quality of hire de coorte | Família de cargo e senioridade; somente coortes maduras | Mensal ou trimestral, conforme a janela de maturação | Queda persistente depois de controlar mudanças relevantes no mix de vagas |
| Time to hire mediano + P75 | Família de cargo, senioridade e localização quando aplicável | Semanal ou mensal | Mediana melhora, mas P75 piora; ou ganho ocorre junto com aumento de desistências/rejeições precoces |
| Cobertura de aprovação humana | Etapas em que a IA influencia materialmente a decisão | Semanal ou mensal | Decisões sem revisor, responsável genérico ou aprovação em lote sem trilha |
| Taxa de override | Por etapa, tipo de recomendação e família de vaga | Mensal | Mudança abrupta ou padrão extremo sem explicação operacional |
Se houver espaço para um quinto indicador, use uma medida de experiência ou perda de candidatos — por exemplo, desistência após convite para entrevista — porque acelerar internamente não ajuda se o processo aumenta abandono de candidatos qualificados. Ainda assim, mantenha o painel central pequeno; métricas demais criam incentivos conflitantes e dificultam diagnosticar o que mudou.
Como avaliar um rollout de IA sem afirmar causalidade
Comparar “antes” e “depois” é útil para monitoramento, mas é fraco para provar causa. No mesmo período podem mudar volume de vagas, senioridade, remuneração, marca empregadora, tamanho da equipe de recrutamento ou condições do mercado. Para reduzir falsas conclusões:
- mantenha as mesmas definições de início, fim e denominador;
- compare grupos de vagas semelhantes em família, senioridade e localização;
- separe coortes maduras de quality of hire das contratações recentes;
- anote mudanças paralelas no processo, equipe, remuneração e sourcing;
- quando for viável, use piloto controlado ou rollout escalonado em vez de apenas um antes/depois agregado.
Assim, a linguagem correta é “o indicador melhorou após a implantação” ou “o grupo com o novo fluxo apresentou resultado diferente”, não “a IA causou melhora” sem desenho que sustente essa inferência.
Guardrails que não cabem num KPI de velocidade
Automação em seleção também pode criar riscos de acessibilidade e discriminação que não aparecem em time to hire. Nos Estados Unidos, a EEOC mantém orientações sobre IA e deficiência e registra que ferramentas algorítmicas podem excluir candidatos com deficiência de maneira inadequada; a agência também publicou assistência técnica sobre impacto adverso em procedimentos de seleção automatizados. Essas referências são exemplos regulatórios dos EUA, não regras universais para outros países.
Na prática gerencial, isso significa que o painel de performance não substitui revisão jurídica, privacidade, acessibilidade, validação dos critérios de seleção e análise de impactos entre grupos quando isso for permitido e apropriado na jurisdição. Uma contratação pode ser rápida, ter aprovação humana registrada e ainda assim usar um critério ruim.
A regra de decisão que evita “velocidade ruim”
O rollout é promissor quando time to hire melhora sem deterioração consistente nas coortes maduras de quality of hire, enquanto a cobertura de revisão humana permanece conforme a política e os sinais de risco continuam sob controle. Se a velocidade melhora e a qualidade cai, o ganho operacional está comprando um resultado pior. Se a qualidade melhora sem grande redução de tempo, a automação ainda pode ter valor. Se a cobertura humana é perfeita no papel, mas ninguém nunca contesta o sistema, vale revisar se a aprovação é substantiva.
Esse desenho muda a conversa: a pergunta deixa de ser “quantos dias a IA economizou?” e passa a ser “o funil ficou mais eficiente sem perder qualidade de decisão e responsabilidade humana?”. É uma medida mais lenta de construir, porém muito menos vulnerável a premiar atalhos.
