Construir um ambiente de trabalho mais equitativo deixou de ser só uma questão de discurso institucional. Hoje existe lei, fiscalização, multa e dado público de sobra para transformar isso em uma prática mensurável. E os números mostram algo importante: boa intenção sozinha não move o ponteiro, mas a combinação certa de transparência, fiscalização e people analytics tem potencial real de mudar resultado.

Um cenário dividido em duas direções

Nos Estados Unidos, boa parte das grandes empresas recuou publicamente de seus programas de diversidade, equidade e inclusão desde 2025, pressionadas por ordens executivas do governo em exercício e por decisões judiciais contrárias a políticas de cota. Amazon e Meta reduziram programas internos, enquanto empresas como Cisco e JPMorgan Chase optaram por manter o investimento, ainda que em alguns casos rebatizando os programas.

No Brasil, o movimento foi o oposto. Segundo o Pacto de Promoção da Equidade Racial, o número de ações afirmativas estruturadas nas empresas analisadas saltou de 9 em 2022 para 199 em 2025, um crescimento de mais de 1.000%. Especialistas atribuem essa divergência principalmente ao contexto demográfico e legal do país, bem diferente do americano.

A regulação está ganhando dentes

O que era debate ético virou, cada vez mais, obrigação legal e risco jurídico concreto.

No Brasil, a Lei da Igualdade Salarial (Lei 14.611/2023) obriga empresas com 100 ou mais funcionários a publicar, duas vezes por ano, um relatório com a diferença de remuneração entre homens e mulheres. Até o início de 2026, o país já tinha passado por cinco edições do relatório, com fiscalização ativa: quase 800 ações fiscalizatórias e mais de 150 autuações só em 2025. Empresas notificadas por desigualdade têm até 90 dias para apresentar um plano de ação corretivo.

Do lado da inteligência artificial, a régua também está subindo. O AI Act da União Europeia classifica sistemas de IA usados em recrutamento e gestão de pessoas como de alto risco, com entrada em vigor prevista para agosto de 2026. No Brasil, o PL 2338 (Marco Legal da IA) segue em tramitação, e a ANPD (Autoridade Nacional de Proteção de Dados) já sinalizou que vai fiscalizar especificamente o viés algorítmico com base no artigo 20 da LGPD (Lei Geral de Proteção de Dados), que garante o direito de revisão de decisões automatizadas. Na Justiça do Trabalho brasileira, o entendimento que vem se consolidando é duro: se a empresa não conseguir provar, por auditoria independente, que seu algoritmo de RH é neutro, presume-se a ilicitude da conduta.

O que os dados do Brasil mostram

O resultado mais recente da Lei da Igualdade Salarial é revelador. No 5º relatório, divulgado em abril de 2026, as mulheres seguiam recebendo em média 21,3% a menos que os homens no setor privado, praticamente o mesmo patamar do primeiro relatório, em 2023. Ou seja: três anos de transparência salarial obrigatória não reduziram a disparidade de forma significativa.

Isso não significa que a lei não sirva para nada. A participação feminina no mercado de trabalho cresceu, com destaque para mulheres negras, pardas e indígenas. Mas o dado deixa claro que só publicar o número não fecha o gap. É preciso um plano de ação de verdade por trás do relatório.

Dicas práticas

O que deu certo:

• Transparência salarial combinada com fiscalização ativa e prazo para plano de ação corretivo. A obrigação de agir em até 90 dias após ser notificada é o que transforma o relatório de constrangimento público em mudança real.
• Painéis de viés que analisam separadamente o desempenho de uma ferramenta por grupo demográfico, permitindo detectar cedo se um algoritmo de recrutamento está aprovando um grupo em taxa desproporcional a outro.
• Auditoria algorítmica documentada, com trilha de decisões e explicabilidade, cada vez mais uma exigência legal e não só uma boa prática. Isso muda o ônus da prova a favor de quem consegue mostrar como e por que o algoritmo decidiu.

O que não deu certo:

• Treinamentos avulsos de “viés inconsciente”, sem continuidade. Pesquisas do sociólogo Frank Dobbin, de Harvard, mostram que esse tipo de treinamento isolado tem pouco efeito educativo e, em alguns casos, gera o efeito contrário ao esperado.
• Modelos de IA que tentam ser “cegos” a atributos como gênero ou raça, sem entender que outras variáveis (como CEP ou tempo de intervalo no currículo) podem ser um substituto indireto para essas mesmas categorias. O caso mais conhecido continua sendo o da Amazon, que precisou abandonar uma ferramenta de triagem de currículos porque ela havia aprendido, sozinha, a penalizar candidaturas de mulheres.
• Recuar da linguagem pública sob pressão, sem tratar a causa raiz. Renomear um programa sem mudar a prática por trás dele tende a gerar mais desconfiança do público interno e externo do que manter o silêncio.

O que ainda está sendo testado:

• Auditoria algorítmica embutida em tempo real no próprio fluxo de contratação, exigida por regulações que ainda não entraram em vigor, como o AI Act europeu. Ainda não há dado de resultado em escala, porque a obrigação é recente demais.
• Frameworks de governança de IA como a norma ISO/IEC 42001, adotados por um número crescente de empresas, mas ainda sem histórico longo o suficiente para provar impacto real na redução de disparidade.
• Sistemas de entrevista por IA, que já mostraram, em estudos recentes, taxas de erro de transcrição de até 22% para candidatos com sotaques não convencionais, um tipo de viés técnico que a maioria das empresas ainda não sabe medir.

Métricas para acompanhar

• Diferença salarial segmentada por cargo e nível hierárquico, não só a média geral da empresa. Uma média geral pode esconder desigualdade real dentro de um mesmo cargo.
• Funil de contratação por etapa (candidatura, entrevista, oferta, contratação) segmentado por grupo demográfico, para identificar em qual etapa exatamente a representação despenca.
• Taxas de promoção e de desligamento segmentadas por grupo, cruzadas com dados de turnover já existentes na empresa.
• Taxa de aprovação por grupo demográfico em cada etapa de uma ferramenta de IA usada em recrutamento, revisada periodicamente, não só na implementação inicial.
• Senso de pertencimento segmentado por grupo, coletado via pesquisa de pulso ou estratégia de Employee Listening, já que representação numérica não garante, sozinha, que a pessoa se sinta incluída no dia a dia.

Para fechar

O cenário político ao redor do tema mudou, e provavelmente vai continuar mudando. Mas a infraestrutura de responsabilização, essa sim, está ficando mais sólida: mais lei, mais fiscalização, mais exigência de prova técnica. Isso é uma boa notícia para quem está falando sério. Empresas que tratarem equidade como dado auditável, e não como discurso, vão conseguir provar seus resultados independentemente de qual for o clima político do momento. E, no Brasil, os números já mostram que dá para avançar mesmo quando o resto do mundo está hesitando.

A Appus atua lado a lado com a sua empresa para entregar uma solução sob medida que permita reunir os dados que você precisa. Com isso, extrair a informação necessária para crescer o seu negócio fica muito mais fácil. Entre em contato para saber mais.