Vieses na avaliação de desempenho: quais são e como reduzir

Por que vieses aparecem em avaliações?

Avaliar exige resumir meses de trabalho em uma conclusão. O cérebro faz isso usando memória, comparações, impressões e atalhos. Alguns são úteis; outros introduzem distorções.

Uma meta-análise publicada no Journal of Applied Psychology encontrou influência relevante de halo nas correlações entre dimensões de performance: depois de controlar diferentes fontes de erro, os autores ainda observaram um fator geral substantivo, mas mostraram que o halo inflava correlações intravaliador em avaliações de supervisores e pares.²

Isso é importante porque mostra que uma pessoa receber notas altas em várias dimensões pode refletir tanto desempenho real quanto a tendência de uma impressão global “contaminar” critérios específicos.

Vieses comuns na avaliação de desempenho

Um experimento publicado em 2025 encontrou evidências de influência de informações não relacionadas ao desempenho sobre ratings e investigou efeitos de halo e similaridade entre avaliador e avaliado.³

Como reduzir vieses antes da avaliação começar

• Transforme conceitos em comportamentos observáveis. “Boa comunicação” é abstrato; exemplos de comportamentos reduzem espaço para interpretações muito diferentes.
• Defina a escala com exemplos. O que separa “atende” de “supera” precisa estar claro antes do avaliador abrir o formulário.
• Registre evidências ao longo do período. Feedbacks e entregas documentados diminuem dependência da memória recente.
• Use formulários adequados ao contexto. Critérios irrelevantes obrigam gestores a inventar julgamentos.
• Peça justificativas onde a decisão é mais sensível. Notas extremas e recomendações de promoção, por exemplo, merecem evidência explícita.

A OPM recomenda justamente critérios transparentes, exemplos específicos de comportamento e resultado, treinamento de gestores e documentação contínua como parte de avaliações mais justas.⁴

Calibração ajuda, mas não é vacina contra viés

Discutir avaliações em grupo pode reduzir diferenças de régua e trazer informação que um gestor não possuía. Um estudo experimental anterior encontrou que ratings feitos em grupo foram menos afetados por uma pista prévia de desempenho do que ratings individuais, em determinadas condições.⁵

Mas o grupo também pode reproduzir hierarquia, reputação e conformidade. Por isso, a reunião precisa ter critérios, evidências e facilitação — e não apenas pessoas influentes em uma sala.

Veja o guia completo sobre como estruturar uma calibração de desempenho.

Use dados para encontrar padrões, não para acusar indivíduos

Depois que as avaliações são preenchidas, distribuições e recortes ajudam a localizar perguntas. Uma liderança concentra quase todas as notas no topo? Um grupo recebe avaliações sistematicamente mais baixas? Uma área tem diferença muito grande entre autoavaliação e gestor?

Esses padrões são sinais para investigação. Eles não provam viés por si só. O próximo passo é voltar às evidências, aos critérios e ao contexto antes de concluir que existe tratamento desigual.

IA pode ajudar a investigar vieses — com limites claros

IA é especialmente útil para resumir grandes volumes de respostas, comparar distribuições, destacar discrepâncias e permitir perguntas sobre recortes que seriam trabalhosos manualmente. Isso ajuda o RH a investigar antes do fechamento do ciclo.

Mas um modelo não deveria ser tratado como árbitro de justiça. Dados históricos podem carregar padrões do passado e um alerta estatístico não explica sozinho a causa. A IA deve funcionar como instrumento de investigação, com decisão humana, critérios transparentes e rastreabilidade.

Na Alina, esse é o princípio por trás do uso de IA na calibração: ajudar o RH a encontrar padrões e fazer perguntas melhores, não automatizar a decisão sobre uma pessoa.