Como a IA identifica risco de saída de colaboradores

A IA identifica risco de saída cruzando sinais comportamentais, como faltas, atrasos, quebra de desempenho ou ausência de progressão, com padrões de quem já saiu antes. Não lê pensamentos nem prevê o futuro: calcula probabilidades a partir de dados que a empresa já tem. Numa PME, isto costuma significar um modelo simples que atribui uma pontuação de risco a cada colaborador, atualizada todos os meses.

Que sinais é que o modelo usa

Os sinais mais fiáveis não são exóticos. São coisas como aumento de faltas não justificadas, redução no número de horas extra feitas voluntariamente, queda na avaliação de desempenho, tempo desde a última promoção ou aumento salarial, e uso atípico de férias (ou a acumulação excessiva, sinal de desmotivação, ou o gasto repentino de todos os dias, sinal de alguém a preparar a saída). Também conta o histórico da função: cargos com rotatividade histórica mais alta pesam mais no cálculo. Nenhum destes sinais isolado diz muito. Juntos, e comparados com o padrão de quem saiu antes, começam a formar um perfil de risco.

Como funciona na prática, passo a passo

O processo típico numa PME tem três fases. Primeiro, reúne-se o histórico de colaboradores que saíram nos últimos dois ou três anos e olha-se para o que tinham em comum nos seis meses antes de sair. Segundo, constrói-se uma pontuação (de 0 a 100, por exemplo) que combina esses sinais, com pesos diferentes consoante o que mais se repete nos casos passados. Terceiro, essa pontuação corre automaticamente todos os meses sobre os colaboradores atuais e sinaliza os que ultrapassam um limiar definido pela empresa, ajustado ao número de conversas que os gestores conseguem ter. Isto não exige inteligência artificial complexa: um modelo estatístico simples, bem calibrado com os dados da própria empresa, já dá resultados úteis.

Vale a pena para uma empresa com 20 ou 30 pessoas?

Depende do custo de substituição. Faça a conta com os números da empresa: quanto custa substituir um colaborador qualificado, em recrutamento, formação e perda de produtividade, vezes o número de saídas por ano, contra o custo de um sistema de deteção precoce. Para empresas muito pequenas, onde o gestor conhece toda a equipa, muitas vezes compensa mais um processo manual simples, com o gestor de RH a rever trimestralmente os mesmos indicadores numa folha de cálculo, sem necessidade de modelo automatizado.

Isto substitui as conversas de RH com os colaboradores?

Não, e é aqui que a maioria dos projetos falha. O modelo aponta quem merece atenção, mas quem decide o que fazer é sempre uma pessoa. Empresas que tratam a pontuação de risco como uma sentença automática (por exemplo, oferecendo aumentos só a quem o modelo sinala) criam problemas novos: colaboradores a jogar com o sistema, e ressentimento nos que não foram sinalizados mas também mereciam atenção. O uso correto é o inverso: o modelo poupa tempo ao dizer por onde começar as conversas, não substitui a conversa.

Que erros mais comuns aparecem nestes projetos

O erro mais frequente é treinar o modelo só com dados de saídas voluntárias recentes, sem contexto: se a empresa teve uma vaga de saídas por um motivo pontual (mudança de gestão, por exemplo), o modelo aprende esse ruído como padrão normal. O segundo erro é ignorar o enviesamento: se no passado saíram sobretudo pessoas de um departamento ou faixa etária específica, o modelo tende a sinalizar sempre esse grupo, mesmo quando a causa raiz já foi corrigida. O terceiro erro é não rever o modelo: os sinais que previam saídas há três anos podem já não ser os mais relevantes hoje, sobretudo depois de mudanças na política de trabalho remoto ou na estrutura salarial.

Quanto tempo demora a ver resultados

Com dados já organizados, um primeiro modelo funcional fica pronto depressa. Mas os resultados só se veem a sério ao fim de alguns ciclos de avaliação, porque é preciso confirmar se as pessoas sinalizadas como risco alto saíram mesmo, ou se a intervenção resultou. Sem esse período de calibração, o modelo é uma opinião, não uma previsão.

Na SO-MA ajudamos PME a montar este tipo de sistema com os dados que já têm, sem plataformas caras nem promessas vagas: conheça o nosso trabalho em IA.