Quatro alunos da Escola Superior de Atividades Imobiliárias escrevem-nos sobre as novas perspectivas e possibilidades que a introdução da inteligência artificial pode trazer à área dos recursos humanos da gestão de empresas. Texto de Alexandre Sanches – https://orcid.org/0009-0008-3676-2724, Aida Pereira – https://orcid.org/0009-0001-7801-2568, Diogo Crespo – https://orcid.org/0009-0001-9105-3444 e Alexandre Leitão – https://orcid.org/0009-0008-5325-7631, Escola Superior de Atividades Imobiliárias, Portugal. Orientação: Professora Doutora Fernanda Santos Mendes – https://orcid.org/0000-0003-2128-9918

RESUMO

Este estudo incide sobre o impacto crescente da Inteligência Artificial (IA) e da automação nos processos de Gestão de Recursos Humanos (GRH) das organizações. Analisa-se como estas tecnologias emergentes estão a redefinir as práticas da GRH, com particular enfoque no recrutamento, formação e gestão do capital humano.

Foi empregue uma metodologia que integra uma análise quantitativa, derivada de dados recolhidos através de um inquérito estruturado em escala Likert, e uma revisão sistemática da literatura. Esta abordagem dupla permitiu avaliar perceções sobre a implementação da IA em GRH e identificar tendências e padrões emergentes nos estudos recentes.

Os resultados evidenciam que a IA e a automação contribuem para uma maior eficiência nos processos de recrutamento e seleção, promovendo uma maior igualdade na identificação e progressão de talentos. Registou-se também um impacto positivo no desenvolvimento de competências e na formação profissional, sublinhando a importância de estratégias adaptativas para o desenvolvimento contínuo dos colaboradores.

Confrontamo-nos com desafios éticos e de privacidade relativos ao uso da IA nos RH. Salienta-se a necessidade de práticas robustas para a proteção dos dados dos funcionários e a prevenção de vieses e discriminação em algoritmos. A importância da intervenção humana nas decisões automatizadas é realçada, assegurando a manutenção de justiça e ética, bem como a necessidade de requalificação profissional face às alterações tecnológicas.

O estudo conclui que, apesar dos desafios, a IA e a automação oferecem oportunidades sem precedentes para a inovação na GRH. As organizações que integram estas tecnologias com os elementos humanos do trabalho estão mais bem preparadas para um futuro dinâmico e avançado tecnologicamente.

Palavras-chave: Inteligência Artificial; Automação; Gestão de Recursos Humanos; Recrutamento e Seleção; Formação Profissional; Desafios Éticos; Proteção de Dados; Viés em Algoritmos; Intervenção Humana; Requalificação Profissional.

INTRODUÇÃO

Num mundo onde a transformação digital tem vindo a acelerar, as organizações estão a recorrer cada vez mais à Inteligência Artificial (IA) e à automação para otimizar os seus processos e aumentar a eficiência operacional. No âmbito dos Recursos Humanos (RH), esta evolução é particularmente impactante nos processos de recrutamento e seleção, onde a promessa de um processo mais ágil, justo e livre de preconceitos se concretiza através do uso destas tecnologias. Este artigo explora as várias facetas desta transformação, desde a melhoria dos métodos de contratação até à previsão e ao desenvolvimento de carreiras, destacando tanto os avanços possibilitados pela IA e automação como os desafios éticos e morais inerentes à sua adoção.

À medida que a Quarta Revolução Industrial avança, deparamo-nos com uma nova era organizacional, onde a IA e a automação estão a transformar radicalmente os processos de RH. Estas tecnologias emergentes oferecem oportunidades sem precedentes para remodelar as práticas tradicionais de recrutamento e seleção, formação e desenvolvimento de colaboradores, e até mesmo redefinir as profissões dentro do âmbito de RH.

Este artigo abordará o potencial transformador da IA na gestão de talentos e experiência dos colaboradores, enquanto considera os desafios éticos e de privacidade surgidos com a tecnologia. Investigaremos a interseção entre humanos e máquinas, explorando como a requalificação profissional pode acompanhar as mudanças no mercado de trabalho e permitir uma coexistência harmoniosa entre trabalhadores e automação. A pesquisa objetiva fornecer insights para uma adaptação estratégica na era digital, destacando que a IA pode ter um impacto tão significativo no futuro quanto a eletrificação no passado.

METODOLOGIA

O objetivo desta pesquisa foi explorar profundamente o impacto da IA e automação nos processos da GRH dentro de organizações. Para alcançar este objetivo, adotou-se uma metodologia mista que englobou tanto a recolha de dados quantitativos por meio de um inquérito direcionado quanto uma análise qualitativa através de uma revisão sistemática da literatura relevante.

Inquérito Quantitativo

Desenvolveu-se um inquérito estruturado com uma série de afirmações centradas na IA e automação em GRH. Solicitou-se aos participantes que avaliassem cada afirmação usando uma escala Likert de cinco pontos, formulada especificamente para manter a neutralidade das afirmações, de forma a reduzir possíveis vieses. A análise das respostas envolveu o cálculo de médias, desvios padrão e quartis para cada item, proporcionando uma visão quantitativa detalhada sobre o impacto percebido da IA e automação em GRH.

Revisão Sistemática da Literatura

Paralelamente ao inquérito, conduziu-se uma revisão sistemática de literatura, focando em estudos publicados nos últimos dez anos. O objetivo foi a contextualização da implementação da IA e automação nos GRH, identificando padrões emergentes e tendências relevantes. A revisão obedeceu a critérios rigorosos de inclusão e exclusão, com uma ênfase particular em estudos que intersectam especificamente a IA e a GRH. A seleção inicial foi baseada na análise de títulos e resumos, seguida de uma avaliação mais detalhada dos artigos completos.

Utilizou-se um conjunto de termos-chave como “Inteligência Artificial”, “Automação”, “Gestão de Recursos Humanos”, “Digitalização em RH”, “Futuro dos RH” , “Impactos da Automação” e “Eficiência nos RH” combinados de forma estratégica para capturar um amplo espectro de publicações relevantes.

Limitações do Estudo

Reconhecem-se algumas limitações ao estudo, incluindo o potencial viés de seleção na amostra do inquérito e a restrição temporal dos estudos incluídos na revisão sistemática. Além disso, os resultados são condicionados pelas limitações inerentes aos métodos de recolha e análise de dados utilizados.

A combinação de dados quantitativos e qualitativos proporcionou uma base sólida para uma análise compreensiva do impacto da IA e automação nos GRH. Esta abordagem integrada permitiu não apenas entender as tendências atuais, mas também capturar as perceções e experiências dos colaboradores num campo que está em constante transformação e evolução.

REVISÃO DE LITERATURA

Impacto da IA e da Automação nos Processos de Recrutamento e Seleção

A introdução da Inteligência Artificial (IA) e da automação tem representado uma mudança substancial nos processos de recrutamento e seleção, afetando significativamente a eficiência e a justiça nestas áreas. Hemalatha, Kumari, Nawaz & Gajenderan (2021) destacam a evolução dos processos de recrutamento com a IA, notando que tecnologias como Processamento de Linguagem Natural^[1], Visão por Computador^[2], Automação e Augmentação^[3] têm um impacto positivo significativo. Este impacto se reflete na economia de tempo e custos, aumento da precisão, eliminação de viés e melhoria na eficiência dos processos de recrutamento e seleção.

Além disso, Kshetri (2021) aponta que a implementação da IA na gestão de recursos humanos (HRM) melhora a eficiência dos processos de recrutamento e seleção. Esta melhoria não se limita apenas à eficiência operacional, mas também inclui a redução de vieses, que tem um efeito positivo no desenvolvimento e na retenção de funcionários. Isso sugere que a IA não apenas otimiza processos, mas também contribui para práticas de recrutamento mais justas e equitativas.

Por fim, Goncalves, Anastasiadou & Santos (2022) observam que algoritmos como K-means^[4], clustering hierárquico^[5], redes neurais artificiais^[6] e redes neurais convolucionais^[7] são atualmente utilizados para apoiar o processo de recrutamento. Estes algoritmos ajudam a reduzir a carga de trabalho e a manter padrões de responsabilidade elevados, indicando uma abordagem mais eficiente e precisa na seleção de candidatos.

AI na Formação e Desenvolvimento dos Empregados

A Inteligência Artificial (IA) está a desempenhar um papel fundamental na transformação dos programas de formação e desenvolvimento de carreiras, personalizando a aprendizagem e auxiliando na identificação de lacunas de competências e projeções de trajetórias de carreira. Esta mudança é evidenciada por várias pesquisas no campo dos recursos humanos (RH).

Zel & Kongar (2020) destacam que a IA, incluindo chatbots^[8] e assistentes virtuais, pode melhorar significativamente a experiência digital dos funcionários em várias etapas, desde o recrutamento até o desenvolvimento da carreira e o envolvimento dos funcionários. Além disso, Maity (2019) observa que a IA está a liderar os processos de formação e desenvolvimento nas organizações, com um foco particular na aprendizagem personalizada e no alto envolvimento dos funcionários. Esta abordagem personalizada é crucial para atender às necessidades individuais dos funcionários e para o alinhamento com os objetivos da organização.

Por outro lado, Arora, Prakash, Mittal & Singh (2021) enfatizam que a IA tem um papel importante nas funções de RH, especialmente em termos de formação e desenvolvimento, melhorando a proficiência e a produtividade dos funcionários. (Boudi, Wakrime, Toub, & Haloua, 2022). mencionam que a IA é capaz de prever etapas relevantes da carreira dos funcionários com base nos seus perfis e trajetórias dentro da empresa, utilizando frameworks como Multi State-Actor^[9] e Aprendizagem por Reforço Profunda^[10]. Este aspeto da previsão da carreira é especialmente valioso na personalização da trajetória de desenvolvimento profissional.

Além disso, Jaiswal, Arun & Varma (2021) apontam que a adoção da IA exige que os funcionários desenvolvam as suas competências em áreas como análise de dados, capacidades digitais, cognição complexa, tomada de decisão e aprendizagem contínua. Isto indica que a IA não só oferece suporte à formação e desenvolvimento, mas também impulsiona a necessidade de desenvolvimento contínuo das competências dos funcionários para acompanhar as mudanças tecnológicas.

Substituição do Trabalhador Humano por IA, Automação e Robôs

A substituição do trabalho humano por IA, automação e robôs representa uma mudança significativa no mercado de trabalho e em diferentes setores, trazendo implicações profundas tanto para a força de trabalho quanto para as estruturas organizacionais.

Pandit & Naseem (2022) apontam que os avanços em IA, aprendizagem de máquina e robótica podem levar a um desemprego em massa, sendo que certos postos de trabalho estão mais propensos à eliminação. Os impactos financeiros desta automação variam entre os setores, com quase 50% das ocupações a enfrentar alto risco de automação na próxima década, segundo Xu, Yang, Rizoiu & Xu (2022). Isto implica que a automação, embora traga eficiências, também apresenta desafios em termos de segurança no emprego e potencial deslocamento de trabalhadores.

Vermeulen, Kesselhut, Pyka & Saviotti (2018) observam que, apesar do potencial de perda de empregos devido à automação em alguns setores, a criação de empregos em setores de manufatura e áreas complementares pode compensar esse impacto. Isto sugere que a transição para um ambiente de trabalho mais automatizado não necessariamente resulta numa perda líquida de empregos, mas sim numa mudança nas competências exigidas e nos tipos de empregos disponíveis.

Freeman & Furman (2018) destacam a importância de políticas focadas em tornar a tecnologia amplamente inclusiva para aumentar a produtividade. A IA e a robótica, ao melhorar a eficiência e a produtividade, beneficiam bilhões de pessoas, mas requerem políticas que garantam uma distribuição equitativa desses benefícios. Este ponto ressalta a necessidade de considerar a relação homem-máquina no ambiente de trabalho e garantir que a tecnologia seja utilizada de maneira que beneficie a sociedade como um todo.

Furman & Seamans (2018) acrescentam que a IA e a robótica têm o potencial de aumentar o crescimento da produtividade, mas os efeitos no trabalho podem ser mistos, com algumas ocupações e indústrias a saírem beneficiadas enquanto outras enfrentam disrupções no mercado de trabalho. Isto implica que a adoção de tecnologias avançadas não é um fenómeno homogéneo, mas sim, um que varia significativamente entre diferentes campos e setores.

“Os decisores políticos devem pensar em formas de aumentar a taxa de inovação e adoção da IA, bem como maneiras de facilitar a transição para os trabalhadores que são prejudicados pelos ajustes na economia” (Furman & Seamans, 2019, p. 15)

Desafios Éticos e de Privacidade no Uso da IA em RH

O uso da IA nos RH introduz desafios éticos e preocupações com a privacidade que são essenciais para a gestão responsável de dados dos funcionários. Estas preocupações manifestam-se principalmente na recolha, uso e gestão de dados, bem como no equilíbrio entre a privacidade dos empregados e a conformidade legal.

Saari & Scherbaum (2020) identificam que a aplicação da IA nos RH traz consigo desafios éticos e de privacidade, especialmente no que diz respeito à recolha de dados e ao consentimento dos funcionários. Apontam para o panorama legal em constante mudança e os riscos associados a falhas de sistema e à adequada proteção da privacidade dos dados. Banja (2020) complementa esta visão, destacando os riscos inerentes à utilização e reutilização de dados no contexto dos RH.

Al Shazly, Ferraro & Bennet (2020) discutem os desafios éticos relacionados à recolha de dados, à extração de informações e ao tratamento dos dados como uma commodity. Indicam que sistemas baseados em algoritmos podem levar a um desequilíbrio, priorizando a conformidade (compliance) em detrimento da integridade pessoal dos funcionários. Esta preocupação é ecoada por Leicht-Deobald et al. (2019), que enfatizam o risco de que o foco na conformidade legal possa superar as considerações sobre a privacidade individual dos empregados.

No que diz respeito à legislação, Milossi, Alexandropoulou-Egyptiadou & Psannis (2021) destacam que os Regulamentos Gerais de Proteção de Dados Europeus (GDPR) tratam diretamente dos desafios éticos na IA. O GDPR enfatiza o consentimento do titular dos dados, os princípios de proteção de dados e os direitos do titular dos dados, promovendo uma arquitetura de ‘privacidade por design’. Esta legislação é um passo crucial para garantir que o uso da IA nos RH seja conduzido de maneira ética e responsável.

Riscos de Viés e Discriminação em Algoritmos

Os algoritmos, especialmente na aprendizagem de máquina e IA, apresentam riscos de perpetuação de vieses e discriminação, o que levanta sérias preocupações éticas e operacionais. As organizações enfrentam o desafio de mitigar estes riscos para promover a equidade nas suas aplicações de IA.

Fazelpour & Danks (2021) destacam que algoritmos podem introduzir vieses em domínios sensíveis como saúde, serviços sociais, educação, contratação e justiça criminal. Salientam a necessidade de uma abordagem filosófica e consideração de várias fontes de viés para abordar de forma eficaz estas questões. Este enfoque sugere que a mitigação de viés em algoritmos requer não apenas ações técnicas, mas também uma compreensão profunda das implicações sociais e éticas dos vieses.

Roselli, Matthews & Talagala (2019) apontam que as empresas podem atenuar e gerir os vieses nos algoritmos de IA por meio de três classes gerais: mapeamento da intenção comercial, gestão da distribuição das amostras de treino dos data-sets^[11] e análise das amostras de inputs individuais. Isto implica que uma abordagem sistemática e abrangente é necessária para identificar e corrigir vieses em diferentes estágios do desenvolvimento de algoritmos.

Doneda & Almeida (2016) discutem a importância da governança algorítmica para abordar riscos como manipulação algorítmica, viés, censura, discriminação social e violações de privacidade. Enfatizam que a garantia da integridade de algoritmos complexos é crucial para prevenir vieses indesejados. Além disso, Lai, Oliveira, Hou, Yanushkevich & Shmerko (2020) propõem uma nova técnica de raciocínio probabilístico para avaliar o risco de vieses em Sistemas de Suporte à Decisão Cognitiva, destacando o uso de biometria facial em postos de controlo de segurança como um exemplo prático.

Transformação dos Papéis nos RH e a Requalificação Profissional

A automação e a IA estão a induzir uma transformação significativa nos papéis dos departamentos de RH, impulsionando a necessidade de requalificação profissional para se adaptarem às novas exigências e competências requeridas por estas tecnologias.

Bussler & Davis (2002) ressaltam que a automação nas funções dos RH, como gestão de folhas de salários, avaliações de desempenho, formação e pesquisas salariais, está a promover inovações e a melhorar a eficiência operacional. Esta evolução, contudo, requer uma requalificação dos profissionais para atender às novas exigências impostas por estas mudanças tecnológicas. A capacidade de adaptação a novos sistemas e processos é, portanto, essencial para os profissionais dos RH.

Pulyaeva, Kharitonova, Kharitonova & Shchepinin (2019) observam que a automação nos RH facilita a recolha, armazenamento e o processamento dos dados pessoais, bem como a realização de estimativas de negócios e o acesso a recursos de formação contínua. Embora isto possa resultar em reduções de custos, também implica novas necessidades de requalificação profissional. Magoro & Phahlane (2019) adicionam que a automação nos processos dos RH pode levar a desafios, como a desarticulação da equipa e resistências à adoção de novas formas de trabalho automatizadas, enfatizando a importância da gestão de mudanças.

Oswal, Ateeq & Mathew (2021) destacam que a IA no recrutamento melhorou a precisão, a produtividade e as experiências personalizadas para candidatos e funcionários, transformando o papel dos profissionais dos RH. Sublinham que as empresas que conseguem combinar competências humanas, como empatia e resiliência às mudanças, com o uso prudente da automação e requalificação, estarão mais bem posicionadas para liderar a força de trabalho do futuro. Card & Nelson (2019) reforçam esta visão, sugerindo que a integração de competências humanas e tecnológicas é fundamental para uma gestão eficaz dos RH na era da automação.

Decisões “Cegas” da IA e Limitações em Questões Humanas

A Inteligência Artificial (IA) apresenta limitações significativas na compreensão de contextos e nuances humanas, o que gera preocupações sobre viés, discriminação e responsabilidade em decisões automatizadas. A intervenção humana surge como um componente crucial para melhorar a tomada de decisão da IA, equilibrando as suas capacidades com a compreensão humana.

Kanuck (2019) salienta que os algoritmos de aprendizagem de máquina carecem da habilidade de compreender contextos ou nuances humanas, o que torna a intervenção humana necessária em processos de decisão críticos, como jurisprudência e sistemas de votação. Porayska-Pomsta & Rajendran (2019) adicionam que a IA na tomada de decisão carece de flexibilidade individual, julgamentos relevantes contextualizados, empatia e julgamentos morais complexos, que são fundamentais para promover inclusão, diversidade e equidade.

Jarrahi (2018) destaca que, embora a IA possa estender a cognição humana ao lidar com complexidades, os seres humanos oferecem uma abordagem mais holística e intuitiva, especialmente ao lidar com incertezas e ambiguidades na tomada de decisões organizacionais. Esta perspetiva sugere que a combinação da IA com a intervenção humana pode oferecer uma abordagem mais equilibrada para a tomada de decisões.

Tabrez e Hayes (2019) observam que os sistemas de suporte à decisão baseados em IA são limitados na explicação da lógica subjacente às suas decisões, o que pode limitar a confiança e compreensão humana em cenários colaborativos. Esta limitação sublinha a importância da transparência e da capacidade de explicação nas aplicações de IA.

Çelikok, Oliehoek & Kaski (2022) discutem a capacidade da IA em melhorar o processo de tomada de decisão ao inferir objetivos e restrições humanas, utilizando modelos Bayesianos^[12] e Processos de Decisão Markovianos Parcialmente Observáveis (POMDPs^[13]) adaptativos. No entanto, para que as ações da IA sejam aceitáveis para os seres humanos, é necessário um alinhamento de crenças, o que pode ser um processo complexo e dispendioso.

Moralidade e Ética da IA

A moralidade e a ética na IA são aspetos cruciais que abrangem desde a programação de parâmetros éticos em algoritmos, até à compreensão e limitações da empatia artificial, além dos desafios no desenvolvimento de uma IA ética.

Dyakov (2019) enfatiza que os algoritmos de IA deverão atender a certos critérios éticos para serem implementados e usados de maneira moralmente responsável. A integração de valores morais, sociais e legais no design da IA e nos algoritmos de deliberação é essencial para garantir um comportamento ético e fortalecer a compreensão e confiança em sistemas autónomos. Dignum (2017) reforça esta perspetiva, destacando a importância de incorporar valores éticos no desenvolvimento da IA para assegurar que as decisões tomadas por sistemas autónomos sejam moralmente responsáveis e socialmente aceitáveis.

Siau & Wang (2020) abordam a ética da IA com foco no desenvolvimento de princípios éticos, diretrizes e regulamentações para enfrentar desafios éticos e morais em tecnologias baseadas em IA. Esta abordagem visa criar sistemas de IA que sejam éticos e que respeitem normas morais e sociais. No entanto, Jobin, Ienca & Vayena (2019) apontam que existem desafios relacionados às diferentes interpretações e implementações destes princípios éticos globais, o que poderá levar a discrepâncias na aplicação da ética na IA.

Impacto da IA na Experiência do Empregado e na Cultura Organizacional

A introdução da IA nas organizações tem um impacto significativo e multifacetado na experiência dos empregados e na cultura organizacional. Este impacto estende-se ao envolvimento, bem-estar e satisfação dos funcionários, reformulando a maneira de como estes interagem com os processos de trabalho e percecionam o seu ambiente de trabalho.

Malik, Budhwar, Patel & Srikanth (2020) observam que as aplicações de IA em RH, como bots^[14] e assistentes virtuais, não apenas melhoram a eficiência e o custo-eficácia dos RH, mas também enriquecem a experiência dos funcionários. Isto leva a um aumento no comprometimento e satisfação dos funcionários, além de contribuir para a redução de comportamentos de rotatividade. Nguyen & Malik (2021) acrescentam que a qualidade do serviço providenciado pela IA eleva a satisfação do funcionário, influenciando positivamente a sua satisfação geral no trabalho.

Dutta & Mishra (2021) destacam que os assistentes virtuais baseados em IA podem criar um clima de confiança e justiça no local de trabalho, resultando em resultados positivos para os funcionários, como um maior envolvimento e satisfação. Além disso, Saxena & Mishra (2023) afirmam que a capacidade de previsão da IA pode aumentar a satisfação no trabalho dos funcionários, tornando os processos de RH mais produtivos e aumentando o envolvimento dos funcionários.

Wijayati et al. (2022) apontam que a IA afeta positivamente o desempenho e o envolvimento dos funcionários no trabalho. Enfatizam que a liderança de mudança desempenha um papel crucial na obtenção de sucesso em organizações que passam por mudanças rápidas, sugerindo a importância de uma gestão efetiva durante a implementação da IA.

Análise, Predição e Tomada de Decisão Baseada em Dados nos RH

A IA tem desempenhado um papel significativo na tomada de decisões no âmbito dos RH, fornecendo análises e previsões avançadas. No entanto, a implementação da IA nos RH não está isenta de limitações e desafios.

Mujtaba e Mahapatra (2019) destacam que, embora a IA possa tornar as tarefas dos RH mais eficientes e aparentemente menos tendenciosas, ainda existe o risco de carregar vieses humanos. Para combater isso, é crucial definir o que constitui justiça e desenvolver métodos e ferramentas apropriadas para promover algoritmos justos. Também Cappelli e Yakubovich (2019) apontam para desafios adicionais na gestão de RH com IA, como a complexidade, a limitação de conjuntos de dados (data-sets) e questões de responsabilidade. Sugerem que o aperfeiçoamento pode vir através do raciocínio causal, amostragem aleatória e a incorporação de contribuições dos funcionários.

Sharm (2021) fornece exemplos de como a IA revolucionou práticas de gestão de RH, incluindo recrutamento, envolvimento dos funcionários, compensação, benefícios e folhas de pagamentos, melhorando significativamente a tomada de decisão. No entanto, Malik, Tripathi, Kar e Gupta (2021) indicam que a adoção da IA pode oferecer tanto experiências positivas quanto negativas para os funcionários, levantando preocupações como a segurança da informação e os desafios das transformações digitais.

Rana (2018) aborda os limites da previsibilidade e precisão da IA nos RH. Enquanto a IA melhora os processos de tomada de decisão e desempenha um papel complementar, ela não substitui os profissionais de RH. A precisão e a previsibilidade da IA podem ser desafiadoras, exigindo cuidado na sua implementação.

Futuro da IA e Automação nos RH

O futuro da IA e da automação nos RH apresenta um panorama de transformações significativas, com projeções e tendências que indicam mudanças profundas na gestão dos recursos humanos nas organizações.

Barboza (2019) destaca que a IA tem o potencial de revolucionar os RH, aumentando a produtividade e eficiência. No entanto, esta evolução também traz preocupações, especialmente em relação à possível redução das taxas de emprego devida à automação. Esta dualidade sugere que, embora a IA ofereça benefícios significativos, é crucial considerar e abordar os possíveis impactos negativos no mercado de trabalho.

Tewari e Pant (2020) reforçam que a IA está a transformar a gestão dos RH, agilizando processos, aumentando a produtividade, a eficiência e com reduções de custos. Esta transformação implica que as organizações precisarão de adaptar as suas práticas de RH para aproveitar ao máximo as vantagens oferecidas pela IA.

Khatri (2020) observa que as organizações precisam de se adaptar a novos conjuntos de competências para se ajustarem aos futuros processos de emprego trazidos pela IA. Isto enfatiza a necessidade de preparação e de desenvolvimento contínuos para que os profissionais dos RH possam gerir efetivamente a transição para ambientes de trabalho mais automatizados. Gikopoulos (2019) adiciona que, embora a integração da IA e da automação nos RH possa aumentar a eficiência e diminuir o viés, manter o “toque” humano continua a ser crucial para o sucesso, ressaltando a importância de equilibrar a tecnologia e a “humanidade”.

Bansal, Agarwal, Bansal e Narayanan (2022) discutem a preparação para as tendências emergentes, apontando que a integração da IA em sistemas de RH poderá beneficiar todas as funções, preparando as organizações para a Indústria 4.0 e 5.0. Esta perspetiva sugere que as organizações deverão estar atentas às inovações tecnológicas e adaptar as suas estratégias para se manterem competitivas.

“Alguns empregos serão perdidos, outros serão criados e quase todos irão mudar” (Furman & Seamans, 2019, p. 4)

“A IA provavelmente será tão fundamental para o futuro da economia como a eletrificação foi há um século” (Furman & Seamans, 2019, p. 17)

DISCUSSÃO

A análise dos dados do inquérito revela uma tendência crescente de integração da IA e da automação na GRH, refletida na média de 3.66 para o desenvolvimento e atualização contínua de conhecimentos relacionados à IA. Este dado é corroborado pela literatura, que considera a IA não apenas como uma ferramenta operacional, mas também como um catalisador para a personalização da aprendizagem e o desenvolvimento de carreiras. Isto implica uma necessidade urgente de estratégias adaptativas e contínuas para o desenvolvimento profissional dos colaboradores, alinhadas com as inovações tecnológicas.

A preparação moderada das organizações para os desafios da era digital, com média de 3.46, sugere uma lacuna entre as oportunidades apresentadas pela automação e a prontidão das organizações para as adotar plenamente. Este aspeto ressalta a importância de abordar as questões de segurança no emprego e requalificação profissional, considerando as transformações no mercado de trabalho impulsionadas pela automação.

Em relação aos desafios éticos e de privacidade, a média de 3.07 para a avaliação do impacto da IA em RH indica uma consciência crescente, mas ainda incipiente, das complexidades éticas e de privacidade associadas ao uso de dados dos empregados. Esta observação está em linha com a literatura, que enfatiza a necessidade de práticas éticas robustas, além de uma governança de dados sólida e transparente.

A discussão sobre o impacto da IA na eficiência da GRH, com média de 3.58, abre espaço para um diálogo crítico sobre o equilíbrio entre eficiência operacional e considerações humanas. A IA, enquanto agente potencializador de eficiência, também traz consigo riscos de viés e discriminação, um ponto crucial destacado na literatura e que requer atenção constante.

A proatividade observada na liderança e nos colaboradores, com média de 3.70, na promoção da digitalização e automatização reflete uma mudança cultural positiva nas organizações. No entanto, a média de 3.38 sobre a clareza da visão futura da IA aponta para a necessidade de uma compreensão mais aprofundada das capacidades e limitações da IA em questões humanas, enfatizando a importância da intervenção humana criteriosa nas decisões automatizadas.

A ênfase contínua na ética da IA, evidenciada pela média de 3.58 sobre o conhecimento aprofundado da IA, alinha-se com a literatura que defende a integração de valores morais e éticos no desenvolvimento da IA. Isto é fundamental para garantir que os avanços tecnológicos estejam alinhados com os valores e necessidades humanos.

A transformação digital, identificada como uma componente fundamental do futuro da GRH com uma média de 3.97, sugere que a IA está a remodelar significativamente a experiência dos empregados e a cultura organizacional. Este fator destaca a necessidade de uma abordagem que equilibre a eficiência operacional com o bem-estar dos colaboradores.

A análise e previsão baseadas em dados, prioridade estratégica com média de 3.55, estão se a tornar indispensáveis para decisões informadas nos RH. A média de 4.06, que aponta para o papel central da IA e da automatização no futuro da GRH, indica uma transformação contínua na gestão dos RH, exigindo uma adaptação estratégica contínua por parte das organizações.

Estes resultados, em conjunto com a literatura, enfatizam a crescente importância e complexidade da integração da IA na GRH, destacando a necessidade de uma abordagem equilibrada e ética que considere benefícios, desafios de privacidade, viés e requalificação profissional.

CONCLUSÃO

Conclui-se que a implementação da IA e da automação está a impulsionar uma transformação significativa nos processos de recrutamento e seleção nos RH, oferecendo benefícios que transcendem a eficiência operacional. Observa-se uma tendência para uma maior equidade na identificação e progressão de talentos, ultrapassando as barreiras convencionais no domínio dos RH.

O uso refletido da IA está a induzir alterações fundamentais na gestão de recursos humanos. Estas alterações não se restringem ao aperfeiçoamento de competências e formação profissional, mas contemplam igualmente uma atenção rigorosa aos aspetos éticos e às preocupações com a privacidade. Este equilíbrio entre inovação tecnológica e integridade ética é crucial para uma implementação responsável da IA.

A presente análise reflete a necessidade emergente dos profissionais dos RH em se adaptarem e recalibrarem as suas competências face às tecnologias emergentes. Ao explorar a interação entre humanos e máquinas no local de trabalho, reconhecem-se desafios significativos, tais como o desemprego tecnológico e a importância vital da intervenção humana em decisões automatizadas para assegurar justiça e ética.

A investigação sugere a necessidade de uma abordagem colaborativa e interdisciplinar no desenvolvimento de uma IA ética, assegurando que os avanços técnicos estejam alinhados com os valores e necessidades humanas.

Por fim, o artigo enfatiza que as organizações devem adotar estratégias que integrem de forma eficaz a tecnologia com os elementos humanos do trabalho. À medida que nos preparamos para um futuro com a IA, uma adaptação proactiva e estratégica é imprescindível. Tal adaptação deve beneficiar tanto as entidades empresariais quanto os seus colaboradores, garantindo uma transição suave para uma nova era de digitalização no ambiente de trabalho.

Nota de Agradecimento:

Gostaríamos de expressar a nossa gratidão à Professora Doutora Fernanda Santos pela sua orientação valiosa e apoio contínuo ao longo deste estudo.

BIBLIOGRAFIA

Abonamah, A., Torre, D., Poulin, M., & Repetto, M. (2022). Explainable Artificial Intelligence in Human Resources: a Computational Study. 2022 International Conference on Data Analytics for Business and Industry (ICDABI), 1-6. https://doi.org/10.1109/ICDABI56818.2022.10041624.

Acemoglu, D., & Restrepo, P. (2018). The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review. https://doi.org/10.1257/AER.20160696.

Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. NBER Working Paper Series. https://doi.org/10.1257/JEP.33.2.3.

Adler, P. (1988). Managing Flexible Automation. California Management Review, 30, 34 – 56. https://doi.org/10.2307/41166513.

Agarwal, V., & Shukla, A. (2022). Chatbot for Interview. International Journal of Recent Technology and Engineering (IJRTE). https://doi.org/10.35940/ijrte.b7092.0711222.

Aghaei, S., Azizi, M., & Vayanos, P. (2019). Learning Optimal and Fair Decision Trees for Non-Discriminative Decision-Making. ArXiv, abs/1903.10598. https://doi.org/10.1609/AAAI.V33I01.33011418.

Al-Alawi, A., Naureen, M., AlAlawi, E., & Al-Hadad, A. (2021). The Role of Artificial Intelligence in Recruitment Process Decision-Making. 2021 International Conference on Decision Aid Sciences and Application (DASA), 197-203. https://doi.org/10.1109/DASA53625.2021.9682320.

Alamsyah, A., & Ginting, D. (2018). Analyzing Employee Voice Using Real-Time Feedback. 2018 4th International Conference on Science and Technology (ICST), 1, 1-6. https://doi.org/10.1109/ICSTC.2018.8528569.

Ali, M., & Rajamani, L. (2012). Automation of decision making process for selection of talented manpower considering risk factor: A data mining approach. 2012 International Conference on Information Retrieval & Knowledge Management, 39-44. https://doi.org/10.1109/InfRKM.2012.6205020.

Alim, S. (2014). An initial exploration of ethical research practices regarding automated data extraction from online social media user profiles. First Monday, 19. https://doi.org/10.5210/fm.v19i7.5382.

Alwabel, A. (2019). Privacy Issues in Big Data from Collection to Use. , 382-391. https://doi.org/10.1007/978-981-15-7530-3_29.

Ashley, D. (2006). Intuitive Technologies Increase Employee Adoption of Human Resource Solutions. Compensation & Benefits Review, 38, 62 – 68. https://doi.org/10.1177/0886368705279240.

Baak, J. (1988). Artificial intelligence systems (expert systems) as diagnostic consultants for the cytologic and histologic diagnosis of cancer. Journal of Cancer Research and Clinical Oncology, 114, 325-334. https://doi.org/10.1007/BF00405845.

Balasundaram, S., & Venkatagiri, S. (2020). A structured approach to implementing Robotic Process Automation in HR. Journal of Physics: Conference Series, 1427. https://doi.org/10.1088/1742-6596/1427/1/012008.

Balcombe, L., & Leo, D. (2022). Human-Computer Interaction in Digital Mental Health. Informatics, 9, 14. https://doi.org/10.3390/informatics9010014.

Banerjee, S., Singh, P., & Bajpai, J. (2018). A Comparative Study on Decision-Making Capability Between Human and Artificial Intelligence. , 203-210. https://doi.org/10.1007/978-981-10-6747-1_23.

Banja, J. (2020). How Might Artificial Intelligence Applications Impact Risk Management?. AMA journal of ethics, 22 11, E945-951 . https://doi.org/10.1001/amajethics.2020.945.

Bansal, S., Agarwal, M., Bansal, D., & Narayanan, S. (2022). Artificial Intelligence Inroads Into HR. Handbook of Research on Innovative Management Using AI in Industry 5.0. https://doi.org/10.4018/978-1-7998-8497-2.ch016.

Barboza, C. (2019). Artificial Intelligence and Hr: The New Wave of Technology. Journal of Advances in Social Science and Humanities, 5, 715-720. https://doi.org/10.15520/JASSH54429.

Baroglio, C., Boissier, O., & Polleres, A. (2018). Special Issue. ACM Transactions on Internet Technology (TOIT), 18, 1 – 4. https://doi.org/10.1145/3195835.

Bayamlıoğlu, E., & Leenes, R. (2018). The ‘rule of law’ implications of data-driven decision-making: a techno-regulatory perspective. Law, Innovation and Technology, 10, 295 – 313. https://doi.org/10.1080/17579961.2018.1527475.

Begum, H., Bhuiyan, F., Alam, A., Awang, A., Masud, M., & Akhtar, R. (2020). Cost reduction and productivity improvement through HRIS. International Journal of Innovation and Sustainable Development. https://doi.org/10.1504/ijisd.2020.10027075.

Bessen, J., Goos, M., Salomons, A., & Berge, W. (2019). Automatic Reaction – What Happens to Workers at Firms that Automate?. MatSciRN: Process & Device Modeling (Topic). https://doi.org/10.2139/ssrn.3328877.

Bouchagiar, G. (2019). The Long Road Toward Tracking the Trackers and De-biasing: A Consensus on Shaking the Black Box and Freeing From Bias. Review of European Studies. https://doi.org/10.5539/res.v11n1p27.

Boudi, Z., Wakrime, A., Toub, M., & Haloua, M. (2022). A Deep Reinforcement Learning Framework with Formal Verification. Formal Aspects of Computing. https://doi.org/10.1145/3577204.

Buck, B., & Morrow, J. (2018). AI, performance management and engagement: keeping your best their best. Strategic HR Review. https://doi.org/10.1108/SHR-10-2018-145.

Buckley, P., Minette, K., Joy, D., & Michaels, J. (2004). The use of an automated employment recruiting and screening system for temporary professional employees: A case study. Human Resource Management, 43, 233-241. https://doi.org/10.1002/HRM.20017.

Bussler, L., & Davis, E. (2002). Information Systems: The Quiet Revolution in Human Resource Management. Journal of Computer Information Systems, 42, 17 – 20. https://doi.org/10.1080/08874417.2002.11647482.

Card, D., & Nelson, C. (2019). How automation and digital disruption are shaping the workforce of the future. Strategic HR Review. https://doi.org/10.1108/shr-08-2019-0067.

Castillo, C. (2019). Algorithmic Bias in Rankings. Companion Proceedings of The 2019 World Wide Web Conference. https://doi.org/10.1145/3308560.3316451.

Çelikok, M., Oliehoek, F., & Kaski, S. (2022). Best-Response Bayesian Reinforcement Learning with Bayes-adaptive POMDPs for Centaurs. , 235-243. https://doi.org/10.48550/arXiv.2204.01160.

Chattopadhyay, P. (2020). A Study on Various Applications of Artificial Intelligence (AI) in the Field of Human Resource Management (HRM). , 63-67. https://doi.org/10.48175/605.

Cheng, L., Liu, F., & Yao, D. (2017). Enterprise data breach: causes, challenges, prevention, and future directions. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 7. https://doi.org/10.1002/widm.1211.

Connolly, R., & McParland, C. (2012). Dataveillance: Employee Monitoring & Information Privacy Concerns in the Workplace. J. Inf. Technol. Res., 5, 31-45. https://doi.org/10.4018/jitr.2012040103.

Damadi, M., & Davoust, A. (2023). Fairness in Socio-technical Systems: a Case Study of Wikipedia. ArXiv, abs/2302.07787. https://doi.org/10.48550/arXiv.2302.07787.

Delecraz, S., Eltarr, L., Becuwe, M., Bouxin, H., Boutin, N., & Oullier, O. (2022). Making Recruitment More Inclusive: Unfairness Monitoring With A Job Matching Machine-Learning Algorithm. 2022 IEEE/ACM International Workshop on Equitable Data & Technology (FairWare), 34-41. https://doi.org/10.1145/3524491.3527309.

Dhanalakshmi, R., & Devi, T. (2020). Adaptive cognitive intelligence in analyzing employee feedback using LSTM. J. Intell. Fuzzy Syst., 39, 8069-8078. https://doi.org/10.3233/JIFS-189129.

DiClaudio, M. (2019). People analytics and the rise of HR: how data, analytics and emerging technology can transform human resources (HR) into a profit center. Strategic HR Review. https://doi.org/10.1108/SHR-11-2018-0096.

Dignum, V. (2017). Responsible Autonomy. , 4698-4704. https://doi.org/10.24963/ijcai.2017/655.

Dilmaghani, S., Brust, M., Danoy, G., Cassagnes, N., Pecero, J., & Bouvry, P. (2019). Privacy and Security of Big Data in AI Systems: A Research and Standards Perspective. 2019 IEEE International Conference on Big Data (Big Data), 5737-5743. https://doi.org/10.1109/BigData47090.2019.9006283.

Doneda, D., & Almeida, V. (2016). What Is Algorithm Governance?. IEEE Internet Computing, 20, 60-63. https://doi.org/10.1109/MIC.2016.79.

Dutta, D., & Mishra, S. (2021). Chatting with the CEO’s Virtual Assistant: Impact on Climate for Trust, Fairness, Employee Satisfaction, and Engagement. AIS Transactions on Human-Computer Interaction. https://doi.org/10.17705/1thci.00156.

Dyakov, V. (2019). Some questions of ethics of artificial intelligence. Military economic bulletin. https://doi.org/10.15862/01scvv319.

Eissa, G., Fox, C., Webster, B., & Kim, J. (2012). A Framework for Leader Effectiveness in Virtual Teams. Journal of Leadership, Accountability, and Ethics, 9, 11-22.

Faqihi, A., & Miah, S. (2022). Designing an AI-Driven Talent Intelligence Solution: Exploring Big Data to extend the TOE Framework. ArXiv, abs/2207.12052. https://doi.org/10.48550/arXiv.2207.12052.

Faqihi, A., & Miah, S. (2023). Artificial Intelligence-Driven Talent Management System: Exploring the Risks and Options for Constructing a Theoretical Foundation. Journal of Risk and Financial Management. https://doi.org/10.3390/jrfm16010031.

Fazelpour, S., & Danks, D. (2021). Algorithmic bias: Senses, sources, solutions. Philosophy Compass. https://doi.org/10.1111/PHC3.12760.

Fernandez, J. (2019). The ball of wax we call HR analytics. Strategic HR Review. https://doi.org/10.1108/SHR-09-2018-0077.

Freeman, R., & Furman, J. (2018). The Great AI/Robot Jobs Scare: Reality or … Not Reality of Automation Fear Redux. Proceedings of the 2018 AAAI/ACM Conference on AI, Ethics, and Society. https://doi.org/10.1145/3278721.3278805.

Fu, R., Huang, Y., & Singh, P. (2020). AI and Algorithmic Bias: Source, Detection, Mitigation and Implications. InfoSciRN: Machine Learning (Sub-Topic). https://doi.org/10.2139/ssrn.3681517.

Furman, J., & Seamans, R. (2018). AI and the Economy. Innovation Policy and the Economy, 19, 161 – 191. https://doi.org/10.1086/699936.

Furnham, A. (2005). Why do an attitude survey. . https://doi.org/10.1057/9780230510098_66.

Gikopoulos, J. (2019). Alongside, not against: balancing man with machine in the HR function. Strategic HR Review. https://doi.org/10.1108/SHR-12-2018-0103.

Gil, J., Paoletti, A., & Pichler, M. (2016). A Novel Approach for Learning How to Automatically Match Job Offers and Candidate Profiles. Information Systems Frontiers, 1-10. https://doi.org/10.1007/s10796-019-09929-7.

Goncalves, M., Anastasiadou, M., & Santos, V. (2022). AI and public contests: a model to improve the evaluation and selection of public contest candidates in the Police Force. Transforming Government: People, Process and Policy. https://doi.org/10.1108/tg-05-2022-0078.

Gonzalez, M., Capman, J., Oswald, F., Theys, E., & Tomczak, D. (2019). “Where’s the I-O?” Artificial Intelligence and Machine Learning in Talent Management Systems. Personnel Assessment and Decisions. https://doi.org/10.25035/pad.2019.03.005.

Haiyan, Y., Haiyun, S., & Dafeng, X. (2021). Research on the Dilemma and Countermeasures of Employees’ Right to Privacy Based on Big Data. 2021 2nd International Conference on Big Data and Informatization Education (ICBDIE), 21-28. https://doi.org/10.1109/icbdie52740.2021.00014.

Hemalatha, A., Kumari, P., Nawaz, N., & Gajenderan, V. (2021). Impact of Artificial Intelligence on Recruitment and Selection of Information Technology Companies. 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS), 60-66. https://doi.org/10.1109/ICAIS50930.2021.9396036.

Holton, R., & Boyd, R. (2019). ‘Where are the people? What are they doing? Why are they doing it?’(Mindell) Situating artificial intelligence within a socio-technical framework. Journal of Sociology, 57, 179 – 195. https://doi.org/10.1177/1440783319873046.

Houser, K. (2019). Can AI Solve the Diversity Problem in the Tech Industry? Mitigating Noise and Bias in Employment Decision-Making. ORG: Diversity & Culture (Topic).

Hughes, C., Robert, L., Frady, K., & Arroyos, A. (2019). Managing People and Technology in the Workplace. Managing Technology and Middle- and Low-skilled Employees. https://doi.org/10.1108/978-1-78973-077-720191007.

Jaiswal, A., Arun, C., & Varma, A. (2021). Rebooting employees: upskilling for artificial intelligence in multinational corporations. The International Journal of Human Resource Management, 33, 1179 – 1208. https://doi.org/10.1080/09585192.2021.1891114.

Jarrahi, M. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons. https://doi.org/10.1016/J.BUSHOR.2018.03.007.

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1-11. https://doi.org/10.1038/S42256-019-0088-2.

Jora, R., Sodhi, K., Mittal, P., & Saxena, P. (2022). Role of Artificial Intelligence (AI) In meeting Diversity, Equality and Inclusion (DEI) Goals. 2022 8th International Conference on Advanced Computing and Communication Systems (ICACCS), 1, 1687-1690. https://doi.org/10.1109/ICACCS54159.2022.9785266.

Kanuck, S. (2019). Humor, Ethics, and Dignity: Being Human in the Age of Artificial Intelligence. Ethics & International Affairs, 33, 3 – 12. https://doi.org/10.1017/S0892679418000928.

Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. https://doi.org/10.1016/J.BUSHOR.2018.08.004.

Khatri, S. (2020). Artificial Intelligence and Future Employment. International Journal of Advanced Trends in Computer Science and Engineering. https://doi.org/10.30534/ijatcse/2020/158942020.

Kim, H., Kim, Y., & Kim, M. (2013). An Analytical Study on the Influence of Resistance Factors in Adoption and Diffusion of Innovation as for Introducing ERP Systems into Universities. The e-Business Studies, 18, 129-146. https://doi.org/10.7838/JSEBS.2013.18.1.129.

Knani, M. (2013). Exploratory Study of the Impacts of New Technology Implementation on Burnout and Presenteeism. International Journal of Biometrics, 8, 92. https://doi.org/10.5539/IJBM.V8N22P92.

Kshetri, N. (2021). Evolving uses of artificial intelligence in human resource management in emerging economies in the global South: some preliminary evidence. Management Research Review. https://doi.org/10.1108/mrr-03-2020-0168.

Lai, K., Oliveira, H., Hou, M., Yanushkevich, S., & Shmerko, V. (2020). Assessing Risks of Biases in Cognitive Decision Support Systems. 2020 28th European Signal Processing Conference (EUSIPCO), 840-844. https://doi.org/10.23919/Eusipco47968.2020.9287384.

Lee, C. (2016). The potential of computer-aided applicant pre-screening. RSM Discovery – Management Knowledge, 26, 21-22.

Lee, N. (2018). Detecting racial bias in algorithms and machine learning. J. Inf. Commun. Ethics Soc., 16, 252-260. https://doi.org/10.1108/JICES-06-2018-0056.

Leicht-Deobald, U., Busch, T., Schank, C., Weibel, A., Schafheitle, S., Wildhaber, I., & Kasper, G. (2019). The Challenges of Algorithm-Based HR Decision-Making for Personal Integrity. Journal of Business Ethics, 160, 377 – 392. https://doi.org/10.1007/s10551-019-04204-w.

Magoro, H., & Phahlane, M. (2019). E-HRM: A Proposed theory based on the Social Cognitive Theory(SCT). , 132-142. https://doi.org/10.29007/63k9.

Maity, S. (2019). Identifying opportunities for artificial intelligence in the evolution of training and development practices. Journal of Management Development. https://doi.org/10.1108/JMD-03-2019-0069.

Malik, A., Budhwar, P., Patel, C., & Srikanth, N. (2020). May the bots be with you! Delivering HR cost-effectiveness and individualised employee experiences in an MNE. The International Journal of Human Resource Management, 33, 1148 – 1178. https://doi.org/10.1080/09585192.2020.1859582.

Malik, A., Nguyen, T., & Budhwar, P. (2022). Towards a Conceptual Model of AI-Mediated Knowledge Sharing Exchange of HRM Practices: Antecedents and Consequences. IEEE Transactions on Engineering Management, PP, 1-30. https://doi.org/10.1109/TEM.2022.3163117.

Malik, N., Tripathi, S., Kar, A., & Gupta, S. (2021). Impact of artificial intelligence on employees working in industry 4.0 led organizations. International Journal of Manpower. https://doi.org/10.1108/ijm-03-2021-0173.

Markus, M. (2004). Technochange management: using IT to drive organizational change. Journal of Information Technology, 19, 4-20. https://doi.org/10.1057/palgrave.jit.2000002.

Mehrotra, S., & Khanna, A. (2022). Recruitment Through AI in Selected Indian Companies. Metamorphosis: A Journal of Management Research, 21, 31 – 39. https://doi.org/10.1177/09726225211066220.

Milossi, M., Alexandropoulou-Egyptiadou, E., & Psannis, K. (2021). AI Ethics: Algorithmic Determinism or Self-Determination? The GPDR Approach. IEEE Access, 9, 58455-58466. https://doi.org/10.1109/ACCESS.2021.3072782.

Mökander, J., Morley, J., Taddeo, M., & Floridi, L. (2021). Ethics-Based Auditing of Automated Decision-Making Systems: Nature, Scope, and Limitations. Science and Engineering Ethics, 27. https://doi.org/10.1007/s11948-021-00319-4.

Molnár, G., & Szűts, Z. (2018). The Role of Chatbots in Formal Education. 2018 IEEE 16th International Symposium on Intelligent Systems and Informatics (SISY), 000197-000202. https://doi.org/10.1109/SISY.2018.8524609.

Moniz, A., & Jong, F. (2014). Sentiment Analysis and the Impact of Employee Satisfaction on Firm Earnings. , 519-527. https://doi.org/10.1007/978-3-319-06028-6_51.

Monteith, S., & Glenn, T. (2016). Automated Decision-Making and Big Data: Concerns for People With Mental Illness. Current Psychiatry Reports, 18, 1-12. https://doi.org/10.1007/s11920-016-0746-6.

Moore, A. (2016). Predicting a future where the future is routinely predicted. MIT Sloan Management Review, 58, 18-19. https://doi.org/10.7551/mitpress/11645.003.0006.

Moynihan, J., & Kibat, G. (1994). EDI (electronic data interchange) for human resources saves money and time.. Healthcare financial management : journal of the Healthcare Financial Management Association, 48 1, 72-4, 76-7 .

Mujtaba, D., & Mahapatra, N. (2019). Ethical Considerations in AI-Based Recruitment. 2019 IEEE International Symposium on Technology and Society (ISTAS), 1-7. https://doi.org/10.1109/istas48451.2019.8937920.

Muntés-Mulero, V., & Nin, J. (2009). Privacy and anonymization for very large datasets. Proceedings of the 18th ACM conference on Information and knowledge management. https://doi.org/10.1145/1645953.1646333.

Nakamura, H., & Nakamura, M. (2018). Individual Probabilities of Unemployment Under Automation. ERN: Technology (Topic). https://doi.org/10.2139/ssrn.3259091.

Nakamura, H., & Nakamura, M. (2020). Automation and Employment of Workers with Different Abilities. Labor: Supply & Demand eJournal. https://doi.org/10.2139/ssrn.3576470.

Nguyen, T., & Malik, A. (2021). A Two‐Wave Cross‐Lagged Study on AI Service Quality: The Moderating Effects of the Job Level and Job Role. British Journal of Management. https://doi.org/10.1111/1467-8551.12540.

Ochmann, J., & Laumer, S. (2020). AI Recruitment: Explaining job seekers’ acceptance of automation in human resource management. , 1633-1648. https://doi.org/10.30844/wi_2020_q1-ochmann.

Olhede, S., & Wolfe, P. (2018). The growing ubiquity of algorithms in society: implications, impacts and innovations. Philosophical transactions. Series A, Mathematical, physical, and engineering sciences, 376. https://doi.org/10.1098/rsta.2017.0364.

Oschinsky, F., Stelter, A., & Niehaves, B. (2021). Cognitive biases in the digital age – How resolving the status quo bias enables public-sector employees to overcome restraint. Gov. Inf. Q., 38, 101611. https://doi.org/10.1016/J.GIQ.2021.101611.

Oswal, N., Ateeq, K., & Mathew, S. (2021). Trends in Recruitment Information and Communication System using Artificial Intelligence in Industry 4.0. , 111-118. https://doi.org/10.5220/0010503201110118.

Pandit, S., & Naseem, S. (2022). A composite Literature review on Impact of Artificial Intelligence on Jobs Profiling. 2022 5th International Conference on Advances in Science and Technology (ICAST), 1-6. https://doi.org/10.1109/ICAST55766.2022.10039519.

Pendyala, V., Atrey, N., Aggarwal, T., & Goyal, S. (2022). Enhanced Algorithmic Job Matching based on a Comprehensive Candidate Profile using NLP and Machine Learning. 2022 IEEE Eighth International Conference on Big Data Computing Service and Applications (BigDataService), 183-184. https://doi.org/10.1109/BigDataService55688.2022.00040.

Pérez-Soler, S., Guerra, E., & Lara, J. (2021). Creating and Migrating Chatbots with Conga. 2021 IEEE/ACM 43rd International Conference on Software Engineering: Companion Proceedings (ICSE-Companion), 37-40. https://doi.org/10.1109/ICSE-Companion52605.2021.00030.

Petrican, T., Stan, C., Antal, M., Salomie, I., Cioara, T., & Anghel, I. (2017). Ontology-based skill matching algorithms. 2017 13th IEEE International Conference on Intelligent Computer Communication and Processing (ICCP), 205-211. https://doi.org/10.1109/ICCP.2017.8117005.

Porayska-Pomsta, K., & Rajendran, G. (2019). Accountability in Human and Artificial Intelligence Decision-Making as the Basis for Diversity and Educational Inclusion. Artificial Intelligence and Inclusive Education. https://doi.org/10.1007/978-981-13-8161-4_3.

Prosch, M. (2009). Preventing Identity Theft throughout the Data Life Cycle. Journal of accountancy, 207, 58.

Pulyaeva, V., Kharitonova, E., Kharitonova, N., & Shchepinin, V. (2019). Practical aspects of HR management in digital economy. IOP Conference Series: Materials Science and Engineering, 497. https://doi.org/10.1088/1757-899X/497/1/012085.

Rahate, A. (2018). UrbanAssist: An Interactive Virtual Assistant for Smart Urbanism. International Journal for Research in Applied Science and Engineering Technology, 6, 3835-3841. https://doi.org/10.22214/IJRASET.2018.4634.

Rana, D. (2018). The Future of HR in the Presence of AI: A Conceptual Study. Electronic. https://doi.org/10.2139/ssrn.3335670.

Raveendra, P., Satish, Y., & Singh, P. (2020). Changing Landscape of Recruitment Industry: A Study on the Impact of Artificial Intelligence on Eliminating Hiring Bias from Recruitment and Selection Process. Journal of Computational and Theoretical Nanoscience, 17, 4404-4407. https://doi.org/10.1166/jctn.2020.9086.

Redwan, K., Ahammed, Y., Hridoy, M., Nur, F., & Islam, A. (2020). Employee Culling based on of Online Work Assessment through Machine Learning Algorithm. Global journal of computer science and technology, 23-27. https://doi.org/10.34257/gjcstdvol19is4pg23.

Revell, T. (2017). Workplace AI tells your boss if you’re slacking. New Scientist, 233, 10. https://doi.org/10.1016/S0262-4079(17)30203-8.

Robinson, S., Orsingher, C., Alkire, L., Keyser, A., Giebelhausen, M., Papamichail, N., Shams, P., & Temerak, M. (2020). Frontline encounters of the AI kind: An evolved service encounter framework. Journal of Business Research, 116, 366-376. https://doi.org/10.1016/j.jbusres.2019.08.038.

Roselli, D., Matthews, J., & Talagala, N. (2019). Managing Bias in AI. Companion Proceedings of The 2019 World Wide Web Conference. https://doi.org/10.1145/3308560.3317590.

Rybiński, K., & Tsay, V. (2017). Can Computers Run HR Function at Business Schools?. Labor: Personnel Economics eJournal. https://doi.org/10.2139/ssrn.2960572.

Saari, L., & Scherbaum, C. (2020). From Identified Surveys to New Technologies. , 391-406. https://doi.org/10.1093/oso/9780190939717.003.0024.

Sahay, U., & Kaur, G. (2021). Leveraging AI to Drive Organizational Performance through Effective Performance. 2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), 584-588. https://doi.org/10.1109/I-SMAC52330.2021.9640761.

Salas, J., & Domingo-Ferrer, J. (2018). Some Basics on Privacy Techniques, Anonymization and their Big Data Challenges. Mathematics in Computer Science, 12, 263-274. https://doi.org/10.1007/s11786-018-0344-6.

Samarawickrama, M. (2022). AI Governance and Ethics Framework for Sustainable AI and Sustainability. ArXiv, abs/2210.08984. https://doi.org/10.48550/arXiv.2210.08984.

Saxena, M., & Mishra, D. (2023). Artificial intelligence: the way ahead for employee engagement in corporate India. Global Knowledge, Memory and Communication. https://doi.org/10.1108/gkmc-09-2022-0215.

Schemmer, M., Hemmer, P., Kuhl, N., Benz, C., & Satzger, G. (2022). Should I Follow AI-based Advice? Measuring Appropriate Reliance in Human-AI Decision-Making. ArXiv, abs/2204.06916. https://doi.org/10.48550/arXiv.2204.06916.

Schemmer, M., Kühl, N., Benz, C., & Satzger, G. (2022). On the Influence of Explainable AI on Automation Bias. ArXiv, abs/2204.08859. https://doi.org/10.48550/arXiv.2204.08859.

Schenk, A. (2021). Predictably Satisfied: Contributions of Artificial Intelligence to Intra-Organizational Communication. Libraries & Information Technology eJournal. https://doi.org/10.2139/ssrn.3856479.

Schmidpeter, B., & Winter‐Ebmer, R. (2021). Automation, unemployment, and the role of labor market training. European Economic Review. https://doi.org/10.1016/j.euroecorev.2021.103808.

Sebastian, C., & Niculina, V. (2011). Organizational change and current trends in management. Manager Journal, 13, 42-49.

Sen, R., & Borle, S. (2015). Estimating the Contextual Risk of Data Breach: An Empirical Approach. Journal of Management Information Systems, 32, 314 – 341. https://doi.org/10.1080/07421222.2015.1063315.

Sharm, R. (2021). Computer Aided HR in the Era of Artificial Intelligence. , 12, 814-825. https://doi.org/10.17762/TURCOMAT.V12I9.3302.

Shazly, H., Ferraro, A., & Bennet, K. (2020). Ethical Concerns: An overview of Artificial Intelligence System Development and Life Cycle. 2020 IEEE International Symposium on Technology and Society (ISTAS), 33-42. https://doi.org/10.1109/ISTAS50296.2020.9462201.

Siau, K., & Wang, W. (2020). Artificial Intelligence (AI) Ethics: Ethics of AI and Ethical AI. J. Database Manag., 31, 74-87. https://doi.org/10.4018/jdm.2020040105.

Tabrez, A., & Hayes, B. (2019). Improving Human-Robot Interaction Through Explainable Reinforcement Learning. 2019 14th ACM/IEEE International Conference on Human-Robot Interaction (HRI), 751-753. https://doi.org/10.1109/HRI.2019.8673198.

Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial Intelligence in Human Resources Management: Challenges and a Path Forward. California Management Review, 61, 15 – 42. https://doi.org/10.1177/0008125619867910.

Tapia, A. (2004). Resistance or Deviance? A High-Tech Workplace During the Bursting of the Dot-Com Bubble. , 577-596. https://doi.org/10.1007/1-4020-8095-6_31.

Tewari, I., & Pant, M. (2020). Artificial Intelligence Reshaping Human Resource Management : A Review. 2020 IEEE International Conference on Advent Trends in Multidisciplinary Research and Innovation (ICATMRI), 1-4. https://doi.org/10.1109/ICATMRI51801.2020.9398420.

Tolan, S. (2018). Fair and Unbiased Algorithmic Decision Making: Current State and Future Challenges. ArXiv, abs/1901.04730.

Valtonen, L., & Mäkinen, S. (2022). Exploring the Relationships between Artificial Intelligence Transparency, Sources of Bias, and Types of Rationality. 2022 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 1296-1300. https://doi.org/10.1109/IEEM55944.2022.9989994.

Vasantham, S. (2021). The Role of Artificial Intelligence in Human Resource Management. , 8. https://doi.org/10.30726/ESIJ/V8.I2.2021.82013.

Verma, R., & Bandi, S. (2019). Artificial Intelligence & Human Resource Management in Indian IT Sector. Innovation Law & Policy eJournal. https://doi.org/10.2139/ssrn.3319897.

Vermeulen, B., Kesselhut, J., Pyka, A., & Saviotti, P. (2018). The impact of automation on employment: just the usual structural change?. Sustainability, 10, 1661-1688. https://doi.org/10.3390/SU10051661.

Vincent, V. (2021). Integrating intuition and artificial intelligence in organizational decision-making. Business Horizons. https://doi.org/10.1016/J.BUSHOR.2021.02.008.

Wallach, S. (2007). Who’s Info is it Anyway? Employees’ Rights to Privacy and Protection of Personal Data in the Workplace. International Journal of Comparative Labour Law and Industrial Relations. https://doi.org/10.54648/ijcl2007010.

Werenowska, A., & Jaska, E. (2020). USING CHATBOTS IN MARKETING COMMUNICATION. , 153-158. https://doi.org/10.22630/esare.2019.3.20.

Wheatley, S., Maillart, T., & Sornette, D. (2015). The extreme risk of personal data breaches and the erosion of privacy. The European Physical Journal B, 89, 1-12. https://doi.org/10.1140/epjb/e2015-60754-4.

Wijayati, D., Rahman, Z., Fahrullah, A., Rahman, M., Arifah, I., & Kautsar, A. (2022). A study of artificial intelligence on employee performance and work engagement: the moderating role of change leadership. International Journal of Manpower. https://doi.org/10.1108/ijm-07-2021-0423.

Xu, D., Yang, H., Rizoiu, M., & Xu, G. (2022). Being Automated or Not? Risk Identification of Occupations with Graph Neural Networks. , 520-534. https://doi.org/10.48550/arXiv.2209.02182.

Zel, S., & Kongar, E. (2020). Transforming Digital Employee Experience with Artificial Intelligence. 2020 IEEE / ITU International Conference on Artificial Intelligence for Good (AI4G), 176-179. https://doi.org/10.1109/AI4G50087.2020.9311088.

Zwick, T. (2000). Empirical Determinants of Employee Resistance Against Innovations. . https://doi.org/10.2139/ssrn.373945.

Processamento de Linguagem Natural (PLN) é um campo da Inteligência Artificial que se foca na interação entre computadores e linguagem humana. ↑
Visão por Computador é uma disciplina da Inteligência Artificial e Ciência da Computação que permite aos computadores interpretar e processar imagens e vídeos de maneira semelhante à visão humana. ↑
Augmentação, o processo de ampliação ou melhoramento de algo mediante a adição de componentes, recursos ou elementos. ↑
K-means é um algoritmo de clusterização utilizado em análise de dados. Este método agrupa um conjunto de observações em ‘k’ grupos, baseando-se nas características dos dados. ↑
Clustering hierárquico é um método de análise de dados que visa agrupar elementos semelhantes em clusters. ↑
Modelos computacionais inspirados no funcionamento do cérebro humano, utilizados em aprendizagem de máquina e inteligência artificial. ↑
Redes Neurais Convolucionais (CNNs) são um tipo especializado de redes neurais artificiais, projetadas para processar dados que têm uma estrutura em grade, como imagens. ↑
Programas de computador desenvolvidos para simular conversação com utilizadores humanos, empregando texto ou voz. ↑
Multi State-Actor (MuStAc), modelo utilizado na criação de políticas de agentes em inteligência artificial, empregando uma abordagem de treino descentralizada para se adaptar a diversos estados ou cenários. ↑
Técnica avançada de aprendizagem de máquina que combina aprendizagem por reforço com redes neurais profundas. Esta abordagem permite que sistemas computacionais aprendam a tomar decisões otimizadas através de experiências, maximizando uma noção de recompensa cumulativa ao longo do tempo. ↑
Coleções de dados organizados, geralmente estruturados em forma de tabelas, que são utilizados para análise, treino de modelos de aprendizagem de máquina e pesquisa em diversas áreas. Estes conjuntos podem incluir uma ampla gama de informações, desde dados numéricos a textos, imagens e muito mais. ↑
Métodos estatísticos que utilizam o Teorema de Bayes para atualizar a probabilidade de uma hipótese à medida que mais informações são disponibilizadas. Estes modelos são amplamente usados em inferência estatística para estimar parâmetros e fazer previsões, incorporando tanto conhecimento prévio quanto dados observados. ↑
Frameworks utilizados para modelar situações de tomada de decisão sob incerteza, onde o agente não tem acesso completo à informação sobre o estado atual do sistema. Estes modelos são adaptativos, ajustando-se continuamente com base nas novas informações obtidas, facilitando a tomada de decisões otimizadas mesmo em contextos de informação limitada ou ambígua. ↑
Programas informáticos projetados para automatizar tarefas na internet, interagindo com websites e serviços online. ↑