Eliminando viés do avaliador humano na avaliação de soft skills

Avaliar soft skills sempre envolveu um problema conhecido: subjetividade. Dois facilitadores observando a mesma simulação de negociação podem discordar sobre se o desempenho foi bom, médio ou fraco — porque cada um aplica, mesmo sem perceber, um padrão ligeiramente diferente do que considera "boa condução".

Por que isso é um problema real, não só teórico

Se a nota de uma pessoa depende de qual avaliador a observou naquele dia, a nota deixa de medir a habilidade da pessoa e passa a medir, em parte, o avaliador. Isso compromete qualquer decisão baseada nesse dado — promoção, plano de desenvolvimento, identificação de gap de competência.

Como avaliação por IA reduz essa variação

Um sistema de avaliação por IA aplica o mesmo critério, definido explicitamente antes da sessão acontecer, para toda pessoa avaliada. Isso não elimina toda subjetividade (o critério em si foi definido por humanos), mas elimina a variação entre "qual avaliador calhou de estar presente" — o critério é fixo, a aplicação é consistente.

A pesquisa que sustenta essa abordagem

Um estudo do Google Research, "Towards Scalable Measurement of Durable Skills", testou um modelo de avaliação por IA para habilidades comportamentais: um "LLM executivo" conduz a conversa para provocar evidência da habilidade, e outro modelo avalia essa evidência contra critérios explícitos. Os resultados mostraram concordância entre avaliadores humanos e avaliação por IA na faixa de Kappa 0,45–0,64, com correlação de Pearson de até 0,88 — comparável à concordância entre dois avaliadores humanos entre si.

Como a huski aplica esse princípio

Cada simulação da huski usa critério explícito e consistente — SPIN Selling e BANT em vendas, clareza e empatia em feedback, condução de mediação em conflito — aplicado da mesma forma independente de quantas pessoas estão sendo avaliadas simultaneamente, o que remove a variável "sorte de qual avaliador pegou minha sessão" da equação.