Uso De Ia Na Seleção De Talentos: Um Instrumento De Mitigação Do Turnover Baseado Em Causas Voluntárias E Involuntárias

A gestão de pessoas na contemporaneidade atravessa um processo de  metamorfose estrutural, impulsionado pela transição do modelo operacional para o  estratégico. No âmago desta evolução, o fenômeno do turnover (rotatividade de pessoal)  emerge como um dos indicadores mais críticos da saúde organizacional. Segundo  Chiavenato (2020), o turnover não se limita à simples flutuação de entradas e saídas de 

colaboradores; ele representa a perda de capital intelectual, a descontinuidade de  processos e custos financeiros e pedagógicos que podem comprometer a sustentabilidade  de instituições públicas e privadas.  

Em regiões de fronteira e zonas de difícil provimento, como o município de  Oiapoque/AP, a retenção de talentos assume contornos de desafio logístico e psicossocial.  Pesquisas anteriores no Instituto Federal do Amapá (IFAP) indicam que a instabilidade  do corpo funcional — o chamado turnover docente — possui correlação direta com os  índices de evasão discente (SOUZA et al., 2025), criando um ciclo vicioso que afeta o  desenvolvimento regional. Diante desse cenário, a necessidade de novas metodologias de  recrutamento e seleção torna-se imperativa.  

Nesse contexto, a Inteligência Artificial (IA) surge como uma tecnologia  disruptiva no campo do People Analytics. De acordo com Marler e Boudreau (2017), a  aplicação de algoritmos preditivos na gestão de recursos humanos permite às  organizações migrar de uma postura reativa para uma postura antecipatória, utilizando  dados históricos e comportamentais para prever tendências de abandono. Ulrich (2019)  reforça que o "RH 4.0" deve utilizar a tecnologia não para desumanizar o processo, mas  para refinar a compreensão sobre as necessidades humanas e o alinhamento de  expectativas entre o indivíduo e a organização.  

Este artigo apresenta os resultados de uma tecnologia social e pedagógica  desenvolvida no âmbito da disciplina de Inovações em Aplicação de Pessoas, ministrada  para o curso Técnico em Recursos humanos do IFAP Campus Oiapoque. A metodologia  aqui exposta foi inteiramente construída pelos discentes, que utilizaram a Inteligência  Artificial para mapear gatilhos de rotatividade voluntária e involuntária, culminando na  criação de um Barema de Risco Preditivo. O objetivo deste trabalho é demonstrar como  o uso da IA, aliado à validação empírica realizada por estudantes em contexto de fronteira,  pode servir como um instrumento robusto de mitigação do turnover nas fases de pré-seleção. 

FUNDAMENTAÇÃO TEÓRICA  

2.1. Da Gestão de Pessoas Tradicional ao RH 4.0 

A gestão de pessoas evoluiu de um departamento meramente cartorial para uma  unidade estratégica de inteligência. Conforme Dutra (2002), o foco contemporâneo reside  no desenvolvimento de competências que agreguem valor tanto ao indivíduo quanto à  organização. Com a ascensão da Transformação Digital, surge o conceito de RH 4.0, onde  o uso de Big Data e Inteligência Artificial permite uma análise profunda do  comportamento organizacional.  

A evolução para o RH 4.0 exige que decisões sejam baseadas em evidências e  dados (Big Data), reduzindo vieses cognitivos (MARLER; BOUDREAU, 2017). O  turnover pode ser voluntário (iniciativa do colaborador) ou involuntário (iniciativa da  organização). Em Oiapoque, o turnover voluntário é potencializado pelo isolamento e  custo de vida (LUCENA, 1995). A inovação proposta utiliza a IA para mapear gatilhos  de ruptura antes da contratação, focando no que Ulrich (2019) define como o papel  estratégico do RH na criação de valor e resiliência organizacional.  

2.2. Taxonomia do Turnover: Causas Voluntárias e Involuntárias  

O turnover é um fenômeno complexo e multifatorial. Lucena (1995) e Chiavenato  (2020) classificam-no em duas grandes esferas:  

I. Turnover Voluntário: Quando a iniciativa de desligamento parte do colaborador.  Em regiões como o Oiapoque, esse índice é potencializado por fatores como o  choque cultural, o isolamento geográfico e a percepção de custo de vida elevado  frente à remuneração.  

II. Turnover Involuntário: Quando a organização decide pelo desligamento,  geralmente devido ao baixo desempenho técnico ou à falta de adaptação às soft  skills (habilidades comportamentais) exigidas pela cultura institucional.  

A inovação proposta pelos alunos do IFAP consistiu em utilizar a IA para mapear  20 causas específicas (como estagnação de carreira, burnout e resistência à mudança),  permitindo que a organização antecipe qual desses gatilhos possui maior probabilidade  de ser ativado em cada candidato.  

2.3. Comparativo Metodológico: Tradicional vs. Preditivo (IFAP Oiapoque)  

Para compreender o avanço da metodologia desenvolvida na disciplina de  Inovações em Aplicação de Pessoas, o quadro abaixo estabelece um comparativo com as  práticas convencionais de mercado: 

Tabela Comparativo Práticas Convencionais x Uso de IA  

Dimensão 

Foco da Análise 

Ferramenta de Coleta 

Metodologias  

Tradicionais (Ex: Seleção  por Competências) 

Experiência passada e  formação técnica  (currículo). 

Entrevistas subjetivas e  testes psicológicos  genéricos. 

Metodologia Preditiva  com IA (Alunos IFAP) 

Potencial de permanência e  resiliência contextual.  

Questionário situacional  baseado em gatilhos reais  de turnover. 

Processamento de Dados Julgamento qualitativo do  recrutador.  

Padronizada (mesmos  

Processamento algorítmico  via IA com Barema de  Risco (0-16 pts). 

Customizada para as  

Visão Regional 

critérios para qualquer  capital). 

especificidades da fronteira  e custo de vida local. 

Fonte: Do autor (2026)  

Enquanto metodologias como a de Ulrich (2019) focam no alinhamento  estratégico geral, a metodologia proposta pelos discentes do curso de Recursos humanos  introduz o conceito de Resiliência de Fronteira. Ela reconhece que um candidato  tecnicamente brilhante pode ser um "risco de turnover alto" se sua pontuação no Barema  indicar baixa tolerância ao isolamento ou necessidade imediata de autonomia extrema,  fatores que muitas vezes colidem com a realidade organizacional local.  

2.4. A IA como Instrumento de Humanização e Retenção  

Pode parecer paradoxal, mas o uso da IA nesta metodologia visa a humanização  do processo. Ao identificar candidatos com "Risco Moderado", a organização não precisa  excluí-los, mas pode preparar um plano de Onboarding (integração) específico.  Conforme Silva (2025), no estudo prévio sobre o IFAP, a falta de suporte inicial é um dos  maiores causadores de desistência. A metodologia preditiva permite que o RH saiba  exatamente onde o novo colaborador precisará de mais apoio para não abandonar o cargo,  transformando a IA em um escudo contra a frustração profissional.  

3. METODOLOGIA  

A presente pesquisa caracteriza-se como um estudo de natureza aplicada, com  abordagem mista (quanti-qualitativa), utilizando o método de Design Science Research  (DSR). Segundo Dresch, Lacerda e Antunes (2015), o DSR busca projetar e desenvolver 

artefatos para resolver problemas organizacionais complexos, indo além da mera  observação teórica.  

A metodologia foi integralmente operacionalizada pelos discentes do curso  Técnico em Recursos humanos do IFAP Campus Oiapoque, no âmbito da disciplina de  Inovações em Aplicação de Pessoas, seguindo um fluxo de trabalho estruturado em quatro  etapas distintas:  

3.1. Fase 1: Diagnóstico e Taxonomia do Turnover via IA  

O ponto de partida foi o reconhecimento de que a rotatividade não é um dado  homogêneo. Utilizando modelos de linguagem de Inteligência Artificial, os alunos  processaram bases de dados teóricas e tendências de mercado para realizar a mineração  de 20 causas críticas de desligamento. Estas causas foram categorizadas em dois blocos:  

 Turnover Voluntário: Mapeamento de gatilhos como estagnação de carreira,  burnout, desequilíbrio entre vida e trabalho e falta de adaptação cultural.  

 Turnover Involuntário: Mapeamento de fatores como baixo desempenho  técnico, resistência a novas tecnologias (mudança) e problemas de assiduidade.  

3.2. Fase 2: Validação Empírica em Contexto de Fronteira  

Para garantir que a IA não gerasse dados genéricos, foi aplicada uma pesquisa de  campo em Oiapoque/AP através da ferramenta Google Forms. O objetivo foi submeter  os 20 motivos listados à percepção de respondentes locais (especialistas e gestores). Esta  etapa permitiu filtrar quais variáveis eram, de fato, incidentes na região. Fatores como  "Custo de Vida" e "Isolamento Geográfico" foram validados como preditores de alta  relevância, ajustando a inteligência do projeto à realidade socioeconômica da fronteira  franco-brasileira.  

3.3. Fase 3: Desenvolvimento do Questionário de Pré-Seleção  

De posse dos dados validados, os alunos utilizaram a IA para converter as causas  de turnover em perguntas situacionais. Diferente de testes psicológicos tradicionais, estas  perguntas foram desenhadas para simular dilemas reais que o colaborador enfrentará na  organização. Foram estruturadas 8 questões estratégicas abrangendo áreas como:  

 Reação à remuneração frente às responsabilidades;

 Gerenciamento de estresse e prazos apertados; 

 Estratégias de integração e adaptação cultural.  

3.4. Fase 4: Modelagem do Barema de Risco Preditivo  

A etapa final consistiu na criação de um sistema de pontuação (Barema) para  transformar respostas qualitativas em indicadores quantitativos. Para cada questão, os  discentes atribuíram pesos diferenciados (A=0; B=1; C=2), onde a maior pontuação  indica um perfil de risco para a organização.  

O artefato final permite classificar o candidato em três zonas de risco:  1. Baixo Risco (0 a 6 pontos): Candidatos resilientes e adaptáveis.  

2. Risco Moderado (7 a 12 pontos): Perfis que exigem acompanhamento e planos  de integração (Onboarding) específicos.  

3. Alto Risco (13 a 16 pontos): Perfis com alta probabilidade de desligamento  precoce por desalinhamento cultural ou baixa tolerância a frustrações.  

A análise do Barema de Avaliação de Risco, desenvolvido pelos discentes, revela  que a eficácia de um processo seletivo em regiões de fronteira não depende apenas da  aferição de competências técnicas (hard skills), mas da predição de comportamentos  frente às adversidades locais. O instrumento quantifica o que a literatura de gestão  denomina como "Aderência Organizacional e Ambiental".  

O Barema funciona como um tradutor de tendências. Cada uma das 8 questões  situacionais foi desenhada para testar um dos 20 motivos de turnover mapeados  inicialmente pela IA. A pontuação acumulada (0 a 16 pontos) não define um "bom" ou  "mau" profissional, mas sim a compatibilidade do candidato com o ecossistema de  Oiapoque.  

4. RESULTADOS E DISCUSSÃO: DO RH REATIVO AO PREDITIVO  

A implementação da metodologia desenvolvida na disciplina de Inovações em  Aplicação de Pessoas permitiu observar uma mudança significativa na lógica de  recrutamento e seleção. Enquanto o modelo reativo foca no preenchimento imediato de  vagas ociosas, o modelo preditivo, amparado pela Inteligência Artificial, foca na  sustentabilidade do vínculo laboral. 

4.1. A Importância da Ferramenta Frente às Dificuldades Regionais  

O município de Oiapoque apresenta particularidades que tornam os processos  seletivos tradicionais obsoletos. A metodologia proposta pelos alunos de Recursos  humanos do IFAP atua diretamente sobre três pilares críticos:  

1. Mitigação do Custo de Vida e Desistência: O Barema questiona a reação do  candidato à relação remuneração versus mercado. Em uma região onde o custo de  vida é elevado devido à logística, identificar candidatos que priorizam o  crescimento interno e o diálogo (Opção A) em vez da desmotivação imediata  (Opção C) é vital para a saúde financeira da organização.  

2. Adaptação ao Isolamento e Cultura Local: Muitas saídas voluntárias ocorrem  porque o profissional tenta "implantar a cultura da capital" sem observar a  realidade local. O Barema pontua positivamente (0 pts) o candidato que busca  "observar a cultura local para se adaptar", combatendo o turnover causado pelo  choque cultural.  

3. Redução da "Seleção por Desespero": Frequentemente, devido à escassez de  candidatos em áreas remotas, contrata-se qualquer perfil disponível. O uso da IA  e do Barema permite que o gestor tenha uma base científica para dizer "não" a um  candidato tecnicamente apto, mas psicologicamente propenso ao abandono,  evitando que o Campus ou a empresa local entre em um ciclo infinito de novos  recrutamentos e treinamentos perdidos.  

4.2. A IA como Filtro de Humanidade na Fronteira  

Embora utilize algoritmos, a ferramenta humaniza a gestão ao reconhecer que o  ser humano por trás do currículo tem limites de tolerância ao estresse e ao ambiente. A  metodologia dos discentes do IFAP transforma a "Intuição do Recrutador" em "Métrica  de Retenção". Ao validar os motivos de saída com a comunidade local e transformar isso  em um barema, a disciplina de Inovações em Aplicação de Pessoas entregou uma  tecnologia social capaz de fixar talentos na Amazônia, garantindo que o desenvolvimento  regional não seja interrompido pela rotatividade constante.  

Por fim, um resultado imaterial, porém relevante, é a validação do curso Técnico  em Recursos Humanos como polo de inovação. A discussão reforça que alunos de nível  técnico, quando orientados por metodologias ativas e ferramentas de IA, são capazes de 

entregar soluções de gestão de alta complexidade que superam modelos de consultorias  tradicionais, justamente por unirem o rigor tecnológico à vivência da realidade local do  Amapá.  

4.3. A Ruptura com o Modelo Reativo  

Tradicionalmente, a gestão de pessoas em contextos como o de Oiapoque opera  de forma reativa: o desligamento ocorre (turnover consumado), gera-se um custo  rescisório e inicia-se uma busca urgente por substitutos. Nesse fluxo, a pressa muitas  vezes negligencia o alinhamento cultural, repetindo o ciclo de rotatividade.  

Os resultados desta pesquisa demonstram que, ao utilizar a IA para mapear os 20  motivos de desligamento e transformá-los em um Barema, os discentes criaram um  sistema de alerta antecipado. A discussão central não é mais "por que o funcionário saiu?",  mas sim "qual a probabilidade de este candidato sair dadas as condições X e Y?".  

4.4. Impacto na Sustentabilidade Organizacional  

A transição para o RH Preditivo gera impactos diretos em três frentes discutidas  pelo grupo:  

1. Financeira: Redução do churn rate (taxa de cancelamento de contratos de  trabalho) e dos custos de integração que levam meses para se pagar.  

2. Pedagógica/Operacional: No caso do IFAP, a manutenção de servidores por  períodos mais longos garante a continuidade de projetos de pesquisa e extensão,  como o "Biojoias da Fronteira" e o "EcoFronteira", que dependem de memória  institucional.  

3. Psicossocial: Um ambiente com menor rotatividade apresenta melhor clima  organizacional. O Barema ajuda a selecionar pessoas que, além de competência  técnica, possuem "resiliência de fronteira", diminuindo a sobrecarga de trabalho  daqueles que permanecem na instituição. 

O presente estudo demonstrou que a mitigação do turnover em contextos  geográficos desafiadores, como a fronteira de Oiapoque, exige mais do que processos  seletivos convencionais; demanda uma abordagem preditiva e tecnologicamente  assistida. A metodologia desenvolvida pelos discentes do curso Técnico em Recursos 

humanos do IFAP, no âmbito da disciplina de Inovações em Aplicação de Pessoas, cumpre  esse papel ao transmutar dados subjetivos em indicadores estatísticos de retenção.  

As evidências discutidas revelam que o uso da Inteligência Artificial (IA) foi  determinante para a construção de uma taxonomia precisa de 20 causas de desligamento,  permitindo que o Barema final não fosse apenas um teste de personalidade, mas um  instrumento de Resiliência Contextual. A principal contribuição deste trabalho reside na  capacidade de identificar, ainda na fase de pré-seleção, os "gatilhos de ruptura" que  historicamente elevam a rotatividade em organizações remotas, como o custo de vida e a  falta de adaptação cultural.  

Conclui-se que a transição do RH Reativo para o RH Preditivo oferece benefícios  multidimensionais: reduz os custos financeiros com rescisões e novos recrutamentos,  protege o capital intelectual das instituições e, no caso específico do IFAP, contribui para  a diminuição da evasão discente ao garantir a estabilidade do corpo funcional. A  ferramenta prova que a tecnologia, quando orientada por uma visão humanista e  regionalizada, atua como um escudo contra a precarização dos vínculos laborais.  

Por fim, este artigo ratifica o potencial de inovação do ensino técnico profissional.  A construção de uma solução de alta complexidade por alunos de nível técnico evidencia  que a integração entre Inteligência Artificial e práticas pedagógicas ativas é o caminho  para formar gestores capazes de resolver gargalos históricos da administração. Como  recomendação para trabalhos futuros, sugere-se a aplicação prática deste Barema em  processos seletivos reais do Campus Oiapoque e de empresas locais para a validação  estatística da redução do turnover a longo prazo.