MarketingEm junho, muita empresa troca o logo pelas cores do arco-íris e publica sobre pertencimento. É um gesto que importa. Mas há uma pergunta menos confortável que as hashtags do mês não respondem: os sistemas que essa empresa usa nos outros onze meses do ano reconhecem as mesmas pessoas que ela celebra agora?
A pergunta não é retórica. Por trás de boa parte da adoção de inteligência artificial no RH existe uma promessa silenciosa, a de que a máquina seria mais justa do que a gente, sem cansaço e sem preconceito. A ideia é sedutora e perigosamente incompleta. A IA não decide do zero. Ela aprende com dados históricos, e dados históricos carregam as decisões humanas de antes, com todos os vieses que essas decisões tinham. Para pessoas LGBTQIAP+, que foram por muito tempo invisíveis ou indesejadas nos dados das organizações, isso tem uma consequência específica e pouco discutida: o algoritmo tende a não enxergá-las, a classificá-las errado ou, no pior caso, a expô-las.
Computadores são binários, pessoas não
O problema começa numa decisão de engenharia que parece neutra e não é: a maioria dos sistemas que lidam com gênero foi construída em torno de duas caixas, masculino e feminino. Formulários de cadastro, bases de RH, ferramentas de análise. Tudo organizado num binário que não comporta quem existe fora dele.
A pesquisa é clara sobre o efeito disso. O pesquisador Os Keyes, em um estudo de 2018 que ficou conhecido como The Misgendering Machines, mostrou que as tecnologias de reconhecimento automático de gênero partem do binário masculino e feminino e deduzem o gênero de traços físicos. O resultado é que esses sistemas estão praticamente fadados a errar com pessoas trans e a simplesmente não comportar pessoas não binárias. Não é um bug a ser corrigido com mais dados. É uma limitação da própria forma como a tecnologia foi concebida: ela essencializa o gênero como algo fixo e visível, e nega existência a quem não cabe nessa moldura.
No ambiente de trabalho, isso deixa de ser abstrato. Um sistema que só aceita dois gêneros obriga uma pessoa não binária a se declarar errada para conseguir se cadastrar. Uma plataforma que não suporta nome social força uma pessoa trans a aparecer pelo nome de registro em cada e-mail, cada certificado, cada lista de presença, repetindo todos os dias um apagamento que a empresa, no discurso, diz combater. São detalhes técnicos para quem os programa. Para quem os vive, é a diferença entre ser reconhecido e ser corrigido.
O viés que vem do dado, não do código
Vale entender por que isso acontece mesmo quando ninguém programou nada discriminatório. Todo sistema de IA é feito de dois ingredientes: o modelo e os dados com que ele aprende. O modelo pode ser sofisticadíssimo, mas só sabe o que os dados ensinam. E os dados de uma organização são um retrato do passado dela, com tudo o que esse passado teve de desigual e de invisível.
O estudo Gender Shades, de Joy Buolamwini e Timnit Gebru, demonstrou isso com força ao auditar sistemas comerciais de análise facial: as taxas de erro eram muito maiores para mulheres de pele escura do que para homens de pele clara, porque os dados representavam bem um grupo e mal os outros. A tecnologia funcionava pior justamente para quem já era menos visto. Para pessoas LGBTQIAP+, o problema se soma. Quem nunca apareceu de forma íntegra nos dados, por medo, por exclusão ou por falta de espaço para existir, vira um ponto cego para o sistema. E ponto cego, na prática, é gente recebendo menos atenção, menos recomendação, menos oportunidade, sem que ninguém tome uma decisão explícita sobre isso.
Quando o algoritmo tenta adivinhar quem você é
Existe um degrau ainda mais perigoso, que é o sistema deixar de classificar e passar a inferir. Em 2018, um estudo de Stanford, de Michal Kosinski e Yilun Wang, publicado em um periódico de psicologia, afirmou que redes neurais conseguiam detectar orientação sexual a partir de imagens de rosto. O trabalho foi amplamente contestado, tanto na metodologia quanto na ética, e o próprio autor reconheceu o risco de uso indevido. O que ficou dele não foi a validade científica. Foi o alerta.
Porque o que esse tipo de tecnologia ameaça é concreto. Uma ferramenta que se propõe a deduzir orientação sexual ou identidade de gênero a partir de dados é, na prática, uma máquina de expor pessoas que talvez não tenham escolhido se expor. Em muitos lugares do mundo, e em muitos ambientes de trabalho, ser identificado como LGBTQIAP+ contra a própria vontade não é um constrangimento. É um risco real de discriminação, de perseguição, às vezes de violência. Quando a empresa coleta e cruza dados sem cuidado, ou contrata um fornecedor que faz isso, ela pode estar construindo, sem perceber, uma infraestrutura capaz de revelar o que cada pessoa tinha o direito de decidir contar ou não.
Onde isso aparece no RH e na aprendizagem
No dia a dia corporativo, o viés raramente chega com aviso. Ele se acumula em decisões pequenas e técnicas.
Um sistema de recomendação de trilhas pode aprender que certos perfis seguem certas carreiras e oferecer menos desenvolvimento a quem foge do padrão histórico. Uma ferramenta de análise de potencial pode herdar avaliações de desempenho que já eram enviesadas e rotular como baixo potencial exatamente quem a empresa nunca soube acolher, transformando uma exclusão do passado em uma profecia automatizada sobre o futuro. Um conteúdo de aprendizagem gerado ou curado por IA pode, de forma sutil, assumir um único modelo de pessoa profissional, com um único tipo de família nos exemplos, uma única forma de se relacionar, tornando invisível qualquer trajetória que fuja da norma cisheteronormativa. E o cadastro que só aceita dois gêneros, ou que não suporta nome social, transforma o primeiro contato da pessoa com a empresa em uma negação de quem ela é.
Nenhuma dessas coisas precisa ser intencional para machucar. E como cada uma parece um detalhe isolado, o conjunto passa batido até virar um padrão difícil de reverter.
Por que é mais difícil que o preconceito humano
Existe uma diferença incômoda entre o preconceito de uma pessoa e o de um sistema. O preconceito humano é contestável: dá para questionar um gestor, pedir que ele justifique uma decisão. O viés algorítmico se esconde atrás de três camadas.
A primeira é a escala. Um gestor enviesado afeta quem passa por ele. Um sistema enviesado afeta todo mundo que passa pela empresa, ao mesmo tempo, com consistência. A segunda é a aparência de objetividade. Uma decisão chancelada por um algoritmo soa científica, acima de suspeita, e por isso é menos questionada do que seria a mesma decisão tomada por uma pessoa. A terceira é a diluição da responsabilidade: quando algo dá errado, o RH diz que confiou no fornecedor, o fornecedor diz que entregou o contratado, e quem foi prejudicado fica sem a quem recorrer. Para pessoas LGBTQIAP+, soma-se uma quarta camada, a do risco de exposição, porque um dado mal guardado pode revelar uma identidade que a pessoa não tinha escolhido tornar pública.
O que a regulação já está dizendo
A discussão começou a sair do campo ético e a virar exigência. Na Europa, o AI Act adota uma abordagem baseada em risco e classifica sistemas de IA usados em recrutamento e gestão de pessoas como de alto risco, com obrigações de transparência, supervisão humana e controle de viés. No Brasil, o Marco Legal da Inteligência Artificial, o PL 2338, foi aprovado no Senado em dezembro de 2024 e segue em tramitação na Câmara dos Deputados ao longo de 2026. Ainda não é lei, mas a direção é clara: o texto também parte de uma lógica de risco e prevê direitos como transparência, explicação e contestação de decisões automatizadas. Tratar viés algorítmico como cuidado opcional vai deixar de ser uma escolha.
Inclusão virou também uma questão de engenharia
O ponto não é abandonar a IA. É parar de tratá-la como neutra e assumir a responsabilidade por como ela é construída e alimentada. Na prática, isso muda o trabalho de quem leva inclusão a sério, e várias dessas mudanças são diretamente sobre respeitar quem é LGBTQIAP+.
Significa não obrigar ninguém a se declarar dentro de um binário que não o representa, e dar à pessoa a opção de se autoidentificar. Significa suportar nome social em todos os pontos do sistema, do cadastro ao certificado, para que ninguém seja apresentado pelo nome que abandonou. Significa cuidar do dado sensível com rigor, porque informação sobre identidade de gênero e orientação sexual, vazada ou cruzada sem cuidado, pode expor pessoas a risco real. Significa manter a decisão humana onde a decisão é sensível, usando a IA como apoio e não como juiz final sobre carreiras. E significa tratar design de aprendizagem inclusivo como requisito, não como enfeite: trilhas que consideram contextos e pontos de partida diferentes, conteúdo que representa mais de um tipo de pessoa e de família, sistemas de recomendação calibrados para ampliar o horizonte de quem aprende em vez de confirmar o padrão de sempre.
Uma IA bem desenhada na aprendizagem pode fazer o contrário do que o viés faz. Em vez de estreitar caminhos para quem foge do molde, ela pode reconhecer que cada pessoa parte de um lugar e abrir possibilidade onde antes havia ponto cego. É exatamente assim que a Eduvem trata a IA aplicada à aprendizagem, nunca como uma forma de automatizar decisões sobre pessoas, mas como inteligência para enxergar comportamento e ampliar possibilidade, com design inclusivo como princípio.
A coerência que o discurso sozinho não sustenta
Neste mês do Orgulho, vale encerrar pela parte que costuma ficar de fora das campanhas. O compromisso de uma empresa com pessoas LGBTQIAP+ não se mede pela bandeira que ela hasteia em junho. Mede-se em coisas bem menos visíveis e bem mais reveladoras: se o sistema deixa uma pessoa trans usar o próprio nome, se o cadastro reconhece quem existe fora do binário, se os dados sensíveis estão protegidos de virar instrumento de exposição, se a tecnologia que decide sobre desenvolvimento enxerga ou apaga quem não se encaixa no padrão histórico.
A pergunta que fica não é se a sua empresa usa IA. Quase todas usam ou vão usar. A pergunta é se ela sabe o que o algoritmo aprendeu, e se o que ele aprendeu combina com o que ela diz ser. Porque um sistema mal cuidado pode desfazer, no silêncio de um cadastro ou de uma recomendação, tudo o que a cultura levou anos para construir em voz alta.