À medida que os empregadores dependem cada vez mais de avaliações pré-contratação para selecionar talentos de linha de frente, um novo estudo da HiringBranch alerta contra uma prática comum: relatar habilidades comportamentais como empatia, escuta ativa e tranquilização como pontuações isoladas. A pesquisa, discutida no episódio mais recente do podcast "You Should Know", sugere que essa abordagem produz apenas correlação moderada com o julgamento humano, enquanto um modelo proprietário combinado gera previsões muito mais fortes de desempenho no trabalho.
O episódio, intitulado "Avaliar Habilidades Uma a Uma Está Custando Melhores Contratações", foi publicado em 26 de agosto de 2026 e apresentado por William Tincup. Conta com Assaf Bar-Moshe, Diretor de Pesquisa e Desenvolvimento da HiringBranch, uma empresa de avaliação com sede em Montreal. A conversa ocorre em um momento em que as empresas repensam como medem representantes de atendimento ao cliente, agentes de vendas e associados de varejo diante das realidades das interações ao vivo com clientes.
Bar-Moshe explicou que o design de avaliação da HiringBranch usa prompts de voz e escrita abertos para avaliar candidatos. A empresa mede quatro pilares do atendimento ao cliente: reconhecimento, tranquilização por meio de linguagem positiva, empatia e escuta ativa. Esses são avaliados por meio de fluxos de conversa e tarefas baseadas em cenários que são calibrados por cliente, região e função.
A pesquisa descobriu que quando essas habilidades são pontuadas separadamente, a correlação com anotadores humanos é apenas moderada. No entanto, quando combinadas em um único modelo, a correlação se fortalece significativamente. Bar-Moshe ilustrou o ponto com um exemplo de varejo: "Se um candidato consegue expressar empatia, mas não consegue resolver o problema corretamente ou compreender a questão corretamente ou tranquilizar o cliente, então essa empatia é legal, mas na verdade é inútil."
Essa abordagem linguística, em vez de testes baseados em personalidade, é central para a metodologia da HiringBranch. Bar-Moshe, um linguista treinado, descreveu o método como uma "análise sociopragmática das palavras que o candidato está realmente dizendo". A equipe da empresa, composta por psicólogos organizacionais e linguistas, usa anos de dados textuais para construir modelos de aprendizado de máquina que preveem empatia, reconhecimento e habilidades relacionadas. Essas previsões são então validadas contra o desempenho no trabalho meses após a contratação.
A calibração é fundamental, pois os pesos de pontuação diferem por cliente, setor e até geografia. Por exemplo, variações regionais em mercados como Vancouver, Toronto e Montreal podem moldar a pontuação para a mesma função. Bar-Moshe também antecipou um recurso de autoatendimento em desenvolvimento que permitiria aos gerentes de contratação construir avaliações a partir de uma biblioteca de fluxos de conversa e habilidades, reduzindo a dependência de descrições de cargo fracas ou genéricas.
O estudo completo estará disponível na guia de pesquisa de IA no site da HiringBranch. As implicações para os empregadores são significativas: ao se afastar da pontuação isolada de habilidades comportamentais, as empresas podem melhorar sua capacidade de selecionar candidatos que possam lidar efetivamente com interações com clientes, reduzindo em última análise a rotatividade e melhorando a qualidade do serviço. Esta pesquisa desafia suposições antigas na avaliação pré-contratação e pode remodelar como a contratação de linha de frente é conduzida em todos os setores.
Para mais insights, o episódio está disponível na página do podcast You Should Know.
