# A IA em RH não é coisa da Unilever. É coisa de PME > Da Unilever às PME: replicar os workflows enterprise em 4 semanas com €500/mês Source: https://www.electe.net/pt/posto/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi Site guide: https://www.electe.net/pt/llms.txt Todas as semanas, ao falar com empresas na Europa, ouço a mesma frase: **“A IA em RH é para os grandes. Nós não somos a Unilever.”** É um mito caro. A realidade: os mesmos padrões que fazem as enterprises poupar milhões hoje são replicáveis por uma PME com **€100-500/mês**, usando ferramentas freemium, um pouco de automação e os dados que já possui. ## **Enterprise vs PME: a diferença é muito menor do que parece** A Unilever processa 250.000 candidaturas/ano com IA e poupa €1M. Uma startup de 50 pessoas implementa internamente um mini-workflow automatizado e poupa 10–15 horas/semana investindo €100–200/mês. Não é preciso a tecnologia enterprise. É preciso a lógica: automatizar, padronizar, prever. _(Estes são os custos das licenças de software para implementação DIY. A configuração requer 20–100 horas de trabalho interno único, dependendo da complexidade.)_ ## Os dados confirmam A Mastercard gerou $21M com o seu talent marketplace de IA. Mas também uma PME pode obter uma redução de –75% no tempo de screening com automações Zapier a partir de €20/mês. Os modelos open source (Random Forest, XGBoost) atingem 85–95% de accuracy na previsão do turnover usando apenas dados HRIS. ## Custo de entrada: despencou A IA em RH hoje começa a partir de €0: - CV parsing → gratuito - Modelos preditivos → open source - Automações → Zapier/Make a partir de €20/mês - ATS → freemium Com 20–40 horas de configuração interna, uma PME pode construir um sistema que: - elimina 15–20 horas/semana de trabalho manual - identifica os colaboradores em risco antes que saiam - acelera o time-to-hire em 40–60% _A complexidade diminui. As oportunidades aumentam._ ## 📊 Caso real: PME industrial da Lombardia (120 colaboradores) Um modelo preditivo DIY identificou 3 colaboradores de alto risco que não estavam no radar de RH. Ao intervir em 2 deles, a Empresa evitou €90 mil em custos de turnover. Investimento total no ano 1: €5.000. ROI: 1.700%. Configuração concreta (3 semanas): - Exportação histórica do HRIS (3 anos): OverTime, Salary, LastPromotion, Satisfaction survey, Exit data - Treino do modelo Random Forest com 180 exits passados + 300 colaboradores ativos - Variáveis mais preditivas identificadas: OverTime >12h/semana, estagnação de promoção >3 anos, satisfaction score <6/10 Resultado: o modelo sinalizou 3 colaboradores com 85%+ de probabilidade de exit em 6 meses. Dois deles não tinham dado qualquer sinal evidente de risco (“estáveis há 8+ anos, nenhum sinal de descontentamento”). Análise manual pós-sinalização: - Colaborador A: horas extra constantes (15h/semana) + nenhuma promoção há 4 anos → oferta externa recebida - Colaborador B: salário 18% abaixo do mercado + satisfaction 5/10 → estava a explorar o LinkedIn ativamente - Colaborador C: já tinha decidido mudar de emprego para seguir um novo percurso profissional → decisão confirmada na exit interview Intervenção: aumento salarial +12% (A e B) + plano de carreira por escrito + redução de horas extras. A e B retidos. **C não era retível.** _“Já tínhamos os dados no HRIS há anos. Foram necessárias 8 horas de um data analyst para extrair o CSV e rodar o script Python. O valor não estava na tecnologia sofisticada, mas em olhar para os dados que já tínhamos.” — HR Manager_ A pergunta não é “podemos pagar por isso?” A pergunta é: você tem 20–40 horas para implementá-lo? Se sim, o retorno é praticamente garantido — em qualquer escala. ## Como as PMEs podem replicar a IA enterprise (sem orçamento enterprise) **O workflow da Unilever decomposto: o que acontece realmente em cada etapa** O processo de recrutamento com IA da Unilever para o Future Leaders Programme é o gold standard do setor. Lançado em 2016, reduziu o time-to-hire de 4-6 meses para 4 semanas, processando 1,8 milhões de candidaturas anuais para 30.000 posições. ### Etapa 1 → Candidatura via LinkedIn (10-15 minutos) O candidato conecta diretamente o perfil do LinkedIn sem CV tradicional. Essa escolha ampliou o talent pool de 840 para 2.600 universidades representadas. ### Etapa 2 → Pymetrics Games (20-30 minutos) 12 jogos neurocientíficos medem 91 traços cognitivos e emocionais: atenção, tomada de decisão, tolerância ao risco, reconhecimento de emoções, resiliência. O sistema compara o perfil com o benchmark dos top performers. 98% dos candidatos completam essa fase (vs 50% nos processos tradicionais). ### Etapa 3 → Video Interview HireVue (30 minutos) Vídeo assíncrono. Desde 2021 a análise facial foi eliminada: baixo poder preditivo (0,25%-4%) e viés. A IA analisa apenas o conteúdo semântico e os padrões de fala. Filtra até 80%. ### Etapa 4 → Discovery Center Day 3.500 finalistas entre 250.000 candidaturas. 800 contratações anuais. **Resultados documentados:** -75% no tempo do recrutador, £1M economizados/ano, +16% de diversidade na força de trabalho, paridade de gênero alcançada, offer acceptance de 64% para 82% ✅ _A inteligência artificial revela conexões, oportunidades e caminhos que nenhum processo manual é capaz de trazer à luz. O que estava oculto torna-se evidente._ ## 2. A tecnologia por trás dos talent marketplaces internos O Internal Talent Marketplace é a forma mais evoluída de IA para mobilidade interna. A Gloat coleta skills a partir de autodeclaração, histórico profissional e sinais de mercado, com ontologia dinâmica. **Caso Mastercard "Unlocked"** Resultados: $21M em economia, 900.000 horas desbloqueadas, 62% de adoção, +80% de satisfação, +30% de retenção. **Caso Schneider Electric "Open Talent Market"** 60% de adoção em 2 meses, 360.000 horas desbloqueadas, $15M+ em economia, NPS 60. ## 3. As variáveis que realmente preveem o turnover O modelo IBM Watson utiliza 35 variáveis. As mais preditivas: - OverTime - JobSatisfaction - YearsSinceLastPromotion - MonthlyIncome - JobInvolvement 📊 **Precisão típica:** - Random Forest: 84-87% - XGBoost/CatBoost: 85-95% - Logistic Regression: 75-80% `import pandas as pd` `from sklearn.model_selection import train_test_split` `from sklearn.ensemble import RandomForestClassifier` `# Carrega dataset IBM HR Analytics (gratuito no Kaggle)` `df = pd.read_csv('IBM-HR-Attrition.csv')` `y = df['Attrition'].map({'Yes': 1, 'No': 0})` `X = pd.get_dummies(df.drop('Attrition', axis=1))` `# Train model` `X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)` `rf = RandomForestClassifier(n_estimators=40)` `rf.fit(X_train, y_train)` `# Top 5 variáveis preditivas` `importances = pd.Series(rf.feature_importances_, index=X.columns)` `print(importances.nlargest(5))` Este código funciona no Google Colab gratuitamente. Output típico: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany como top predictors. ## A economia das ferramentas: de €0 a €500/mês (DIY) O panorama de ferramentas para IA em RH se democratizou. O investimento de entrada caiu de €50.000+ para €0-500/mês **para quem implementa internamente**. Estes são os custos das ferramentas de software a configurar, não serviços chave na mão. **Stack freemium (€0/mês - configuração autónoma):** - ATS: Breezy HR (nível gratuito 1 posição ativa) - Entrevista em vídeo: myInterview (básico gratuito) - Assessment: TestGorilla (teste gratuito estendido) - CV parsing: pyresparser (open source) - Modelo preditivo: Python + scikit-learn (open source) - Analytics: Google Sheets + template **Stack PME 10-50 colaboradores (€100-300/mês - implementação interna):** - LinkedIn Recruiter Lite: €170/mês - Zapier/Make: €20/mês (requer configuração de workflow) - pyresparser: gratuito - Modelo Python: gratuito (requer competências básicas de Python) **Stack PME 50-200 colaboradores (€500-1.500/mês - equipa interna):** - ATS completo: €200-400/mês (configuração + manutenção) - Plataforma de assessment: €150-300/mês - Dashboard de analytics: €100-200/mês - Automações avançadas: €50-100/mês **Esclarecimento crítico:** estes orçamentos são **custos de licenças de software**, não incluem o tempo de implementação. São necessárias competências básicas (configurar o Zapier, executar scripts Python, ler documentação de API). Para empresas com 10-50 colaboradores: 20-40 horas de trabalho para a configuração inicial. Para 50-200 colaboradores: 60-100 horas distribuídas por 4-8 semanas. A vantagem: uma vez implementado, a manutenção é mínima (2-5 horas/mês) e o ROI é permanente. ## Quick win #1: triagem automática de CVs em 1 dia O parsing automático de CVs é implementável em 6-8 horas combinando ferramentas no-code (Zapier) com um script Python mínimo. **Opção A: Apenas Zapier (sem código, 2-3 horas)** Pipeline completo sem escrever código: 1. **Trigger:** Novo email com anexo recebido em _hr@electe.net_ 2. **Action:** o Zapier Parser extrai automaticamente os dados do CV (name, email, phone, skills) 3. **Action:** cria uma linha no Google Sheet com os dados extraídos 4. **Action:** notifica o recrutador via Slack: "Novo CV recebido: \[nome\] - \[skills\]" 5. **Action:** adiciona o candidato a uma sequência de emails (ex.: "Obrigado, entraremos em contacto") **Custo:** Zapier Professional €20/mês **Tempo de configuração:** 2-3 horas de click-and-configure **Competências necessárias:** nenhum código, apenas familiaridade com interfaces web **Opção B: Zapier + Code by Zapier (Python/JS inline, 4-5 horas)** Se o Zapier Parser não for suficiente, adicione lógica personalizada diretamente no Zapier: 1. Trigger: novo email com anexo 2. **Action: Code by Zapier (Python)** - parsing avançado inline: `# Python executado diretamente no Zapier` `import re` `cv_text = input['cv_text']` `email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]` `phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]` `return {'email': email, 'phone': phone, 'text': cv_text}` 1. Ação: Criar linha no Google Sheet 2. Ação: Notificação Slack 3. Ação: Sequência de e-mail **Custo:** Zapier Professional €20/mês (inclui Code) **Tempo de setup:** 4-5 horas (desenvolvimento + teste de lógica custom) **Skills necessárias:** Python/JavaScript básico **Opção C: pyresparser em servidor externo (parsing máximo, 6-8 horas)** Para CVs muito complexos ou volumes altos (500+ CVs/mês): `# Script em servidor dedicado` `pip install pyresparser` `from pyresparser import ResumeParser` `data = ResumeParser('/path/to/resume.pdf').get_extracted_data()` `# Output: name, email, mobile, skills, college, degree, experience` O Zapier chama o servidor via webhook, recebe o JSON parseado, prossegue com Sheet/Slack/Email. **Custo:** Zapier €20/mês + DigitalOcean €5/mês **Tempo de setup:** 6-8 horas (setup do servidor + deploy) **Skills necessárias:** Python + deployment OU developer externo ⚡ Economia típica: 15+ horas/semana para quem processa 200+ CVs. _O efeito composto da automação: custos fixos baixos, economias crescentes._ ## O playbook em 10 semanas (DIY) **Pré-requisito:** Acesso a recursos técnicos internos (developer, data analyst) ou orçamento de €2.000-3.000 para freelancer que apoie o setup. **Semana 1:** Parsing automático de CV com pyresparser + pipeline Zapier. Primeira economia mensurável: 10-15 horas. **Semana 2:** Auditoria de dados de RH, exportação para Sheets/Airtable, setup de dashboard de métricas-chave (time-to-hire, cost-per-hire, headcount). **Semana 3:** Modelo de previsão de turnover em dataset histórico, treinamento com variáveis disponíveis, validação com o gestor de RH. **Semana 4:** Automações Zapier para workflows repetitivos (agendamento de entrevistas, checklist de onboarding, pedidos de férias). Cálculo final de ROI. **Semanas 5-10:** Iteração e scaling. Adicione complexidade apenas onde o ROI for comprovado. _📥 Quer explorar se esses workflows são aplicáveis ao seu caso?_ _Os templates Google Sheet, os scripts Python e as automações Zapier descritas aqui já estão operacionais. Adapte-os à sua realidade._ ## Conclusão O erro comum é pensar que são necessários orçamento enterprise ou consultores caros. A lógica — automatizar screening, padronizar assessment, prever riscos — é replicável com ferramentas open source e SaaS acessíveis. O valor não está nas ferramentas caras, mas no método. O ROI ultrapassa facilmente 600% no primeiro ano. **Obs.** O código Python e os exemplos Zapier neste artigo já estão funcionando. Copie, adapte à sua realidade, implemente. Não são necessários templates adicionais: você já tem tudo o que precisa para começar.