Resumo Técnico: Confiança no Centro: Desvendando a Adoção de IA na Aquisição de Talentos sob a Perspectiva do Candidato

1. Definição do Problema

A integração da Inteligência Artificial (IA) na aquisição de talentos (TA) transformou o recrutamento de tarefas operacionais rotineiras em funções de tomada de decisão estratégica. Embora os sistemas de IA automatizem a busca, a triagem e a contratação preditiva, sua adoção levanta preocupações éticas e psicológicas significativas entre os candidatos. A literatura existente foca predominantemente nas perspectivas organizacionais e gerenciais, enfatizando a eficiência operacional e a mitigação de vieses, enquanto negligencia amplamente o ponto de vista do candidato.

Os atuais modelos de adoção de tecnologia, como o Modelo de Aceitação de Tecnologia (TAM), baseiam-se fortemente na "Utilidade Percebida" (PU) e na "Facilidade de Uso Percebida" (PEU). No entanto, esses construtos são insuficientes para explicar a adoção em contextos de alto risco e sensíveis, como a contratação, onde dimensões éticas (justiça, responsabilidade, transparência, privacidade) e fatores cognitivos (letramento em IA) desempenham papéis críticos. Além disso, o papel mediador da confiança ao ligar esses fatores éticos e cognitivos à intenção comportamental permanece subexplorado, particularmente em nações em desenvolvimento como a Índia, onde o letramento digital e a confiança institucional variam significativamente.

2. Metodologia

Este estudo emprega um design de pesquisa quantitativo e transversal para validar empiricamente um modelo de Tecnologia de Aceitação (TAM) estendido e adaptado para a aquisição de talentos impulsionada por IA sob a perspectiva do candidato.

• Coleta de Dados: Os dados foram coletados por meio de um questionário estruturado distribuído via amostragem não probabilística (conveniência) no LinkedIn, visando candidatos ativos e profissionais. Um total de 432 respostas válidas foram retidas para análise.
• Instrumento: O levantamento utilizou uma escala Likert de 5 pontos (1 = Discordo Totalmente a 5 = Concordo Totalmente) composta por 44 itens em nove construtos:
  • Construtos TAM: Utilidade Percebida (PU), Facilidade de Uso Percebida (PEU).
  • Construtos Éticos: Justiça Percebida (PF), Responsabilidade Percebida (PA), Transparência Percebida (PTY), Privacidade e Segurança de Dados (PPD).
  • Construto Cognitivo: Letramento em IA (AL).
  • Mediador: Confiança (PTR).
  • Variável Dependente: Intenção Comportamental (BIU).
  • Nota: Os itens para PU, PEU, PF, PTY, PPD e BIU foram adaptados de escalas estabelecidas (ex: Davis, 1989; Shin et al., 2020), enquanto os itens de Letramento em IA e Responsabilidade Percebida foram desenvolvidos pelos pesquisadores com base na literatura.
• Análise: A análise estatística foi realizada utilizando SPSS para estatística descritiva e testes de confiabilidade, e AMOS para Modelagem de Equações Estruturais (SEM). O estudo avaliou a confiabilidade (Alfa de Cronbach, Confiabilidade Composta), validade (Convergente e Discriminante via critério de Fornell-Larcker) e as relações hipotetizadas. Os efeitos de mediação foram testados usando bootstrapping com 5.000 amostras.

3. Principais Contribuições

O artigo avança a literatura sobre a adoção de IA de três maneiras principais:

1. Framework Centrado no Candidato: Ele desloca o foco da eficiência organizacional para a experiência do candidato, desenvolvendo um framework que integra dimensões éticas (princípios FAT, privacidade) e cognitivas (letramento em IA) ao TAM tradicional.
2. O Papel da Confiança: Valida empiricamente a Confiança como um mecanismo psicológico mediador crucial que liga as percepções éticas e o letramento em IA à intenção comportamental.
3. Relevância Contextual: Aborda uma lacuna na literatura sobre a adoção de IA no contexto indiano, uma nação em desenvolvimento onde a exposição digital e as dinâmicas de confiança institucional podem diferir dos contextos ocidentais.

4. Resultados

A modelagem de equações estruturais rendeu os seguintes principais achados:

• Efeitos Diretos na Intenção Comportamental:

  • A Confiança emergiu como o preditor mais forte da intenção comportamental dos candidatos em usar sistemas de TA impulsionados por IA ($\beta = 0,490, p < 0,001$).
  • O Letramento em IA também demonstrou uma associação direta positiva com a intenção comportamental ($\beta = 0,114, p = 0,013$).
  • A Utilidade Percebida ($\beta = 0,219$) e a Facilidade de Uso Percebida ($\beta = 0,130$) mostraram efeitos positivos, porém comparativamente menores, na intenção comportamental.
  • A Responsabilidade Percebida não exibiu uma relação direta significativa com a confiança ou com a intenção comportamental ($p = 0,101$).

• Análise de Mediação (Efeitos Indiretos):

  • A Confiança mediou significativamente a relação entre Justiça Percebida, Transparência Percebida, Privacidade/Segurança de Dados e a Intenção Comportamental.
  • O Letramento em IA mostrou um efeito indireto sequencial significativo na intenção comportamental através do caminho: Letramento em IA $\rightarrow$ Facilidade de Uso Percebida $\rightarrow$ Utilidade Percebida $\rightarrow$ Intenção Comportamental ($\beta = 0,182$).
  • A Responsabilidade Percebida não mostrou um efeito indireto significativo através da confiança (Intervalo de Confiança incluiu zero).

• Confiabilidade e Validade:

  • Todos os construtos demonstraram alta consistência interna (Alfa de Cronbach > 0,93) e validade convergente satisfatória (AVE > 0,5).
  • A validade discriminante foi confirmada, pois a raiz quadrada da AVE para cada construto excedeu as correlações inter-construtos.

5. Significância e Alegações

Os autores afirmam que este estudo fornece uma compreensão abrangente dos fatores que impulsionam a aceitação de IA pelos candidatos na seleção. A significância dos achados reside nas seguintes asserções:

• A Confiança é Primordial: Em cenários de contratação de alto risco, a confiança é um driver mais crítico para a adoção do que as métricas tradicionais de utilidade. Os candidatos estão dispostos a interagir com sistemas de IA principalmente quando confiam na justiça e no tratamento de seus dados pelo sistema.
• Percepções Éticas Impulsionam a Confiança: A justiça percebida, a transparência e a privacidade/segurança não são apenas preocupações isoladas; elas funcionam como antecedentes que constroem a confiança necessária para a adoção. Entre estes, a justiça percebida teve o maior impacto na confiança.
• O Papel do Letramento: O letramento em IA atua como um facilitador cognitivo crucial. Ele reduz a complexidade percebida dos sistemas de IA, aumentando assim a utilidade e a facilidade de uso percebidas, e elevando diretamente a confiança na tecnologia.
• A Responsabilidade "Invisível": O estudo sugere que, embora a responsabilidade seja teoricamente importante, ela pode ser muito abstrata ou obscurecida ("caixa preta" ou black box) para que os candidatos a percebam diretamente, tornando-a menos influente em suas intenções comportamentais imediatas em comparação com fatores tangíveis como justiça e transparência.

O artigo conclui que o design e a implementação responsável de sistemas de recrutamento habilitados por IA devem priorizar mecanismos de construção de confiança, garantir a transparência ética e promover o letramento em IA entre os candidatos, em vez de focar apenas na eficiência operacional.