0 cumulative citations
View corpus contextData-driven HR brings efficiency and insight but fuels surveillance and dehumanization; a systematic review of 68 studies documents a tension between algorithmic optimization and worker agency and proposes a three-level Responsible Datafication Framework to restore human protagonism in people management.
DATAFICAÇÃO NA GESTÃO DE RECURSOS HUMANOS: Uma revisão sistemática de literatura sobre implicações organizacionais
openalex
review_meta
n/a evidence
7/10 relevance
Full text
usable extracted full text
DOI
Source
PDF
A PRISMA-guided systematic review of 68 articles finds that datafication in HRM produces a structural paradox—enhancing decision-support and efficiency while increasing surveillance, control, bias, and risks of dehumanization—and proposes a three-level Responsible Datafication Framework to balance human agency and algorithmic governance.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
0 cumulative citations
View corpus contextHuman Resource Management, as well as other organizational units, are in full technological evolution, and the incorporation of data analysis, known as datafication, emerges as a significant trend. This study investigates the implications of this datafication in Human Resource Management, exploring its potential to optimize and challenge organizational processes. Through a literature review, we analyzed 68 articles, the research aimed to identify the implications of the application of datafication in people management. The results reveal that, although data analysis promotes efficiency and provides valuable insights, it also raises concerns related to information security, the potential dehumanization of labor relations, and the risk of excessive surveillance. It is concluded that the technological evolution of HRM demands a parsimonious approach that maximizes the benefits of datafication without neglecting the ethical and human aspects of people management.
Summary
Main Finding
A dataficação na Gestão de Recursos Humanos (GRH) cria um paradoxo estrutural: ao mesmo tempo que amplia eficiência, previsibilidade e capacidade decisória organizacional, intensifica riscos de vigilância, controle algorítmico, perda de agência humana e desumanização dos trabalhadores. Mitigar esse paradoxo exige protagonismo humano na governança dos sistemas algorítmicos e a adoção do Framework proposto de Dataficação Responsável, integrado em níveis Tecnológico, Organizacional e Humano.
Key Points
- Corpus: Revisão Sistemática da Literatura (RSL) de 68 artigos indexados em Scopus e Web of Science.
- Quatro temas centrais identificados na literatura:
- Suporte à decisão orientada por dados (People Analytics / HRA) — ganhos em eficiência e alinhamento estratégico.
- Qualidade e segurança de dados — validade, integridade e riscos de privacidade são condicionantes críticos da utilidade algorítmica.
- Controle e vigilância algorítmica — monitoramento contínuo reduz autonomia e pode afetar comportamento pró-social.
- Desumanização e objetificação — risco de tratar trabalhadores como insumos mensuráveis, com impactos sobre bem‑estar e colaboração.
- Ambiguidade inerente: as mesmas tecnologias que geram visibilidade e previsibilidade também concentram poder informacional e potencializam vieses.
- Tecnologias apontadas como mitigadoras (com limitações práticas): blockchain (rastreabilidade/auditoria), criptografia homomórfica (privacidade durante processamento).
- Proposta teórica-prática: Protagonismo Humano na GRH e o Framework de Dataficação Responsável (níveis Tecnológico / Organizacional / Humano) para alinhar inovação e valores éticos.
Data & Methods
- Tipo de estudo: Artigo original (Revisão Sistemática da Literatura) com abordagem qualitativa.
- Protocolo: PRISMA (Moher et al., 2015); método de análise centrada no conceito (Fisch & Block, 2018; Webster & Watson, 2002).
- Fontes: Scopus e Web of Science.
- Amostra analisada: 68 artigos selecionados segundo critérios descritos pelos autores (busca e filtragem nas bases citadas).
- Abordagem analítica: síntese crítica dos conceitos emergentes e proposição de um framework sociotécnico para governança responsável.
Implications for AI Economics
- Produtividade vs. Externalidades: Dataficação pode elevar produtividade e eficiência (ganhos técnicos), mas gera externalidades negativas (redução de bem‑estar, atenção, confiança) que afetam o capital humano e produtividade de longo prazo — modelagens econômicas devem incluir custos sociais e de governança.
- Poder de mercado e rendas de dados: Concentração de dados favorece oligopólios tecnológicos; economias baseadas em dados criam rendas de controle informacional que afetam concorrência e distribuição de surplus. Políticas de competição e regulação de dados tornam‑se centrais.
- Mercado de trabalho e barganha salarial: vigilância algorítmica e transparência unilateral dos empregadores reduzem poder de negociação dos trabalhadores, podendo pressionar salários e condições; estudos de microdados e experimentos naturais são necessários para quantificar esses efeitos.
- Avaliação custo‑benefício e regulação: decisões de adoção de IA/algoritmos em GRH exigem análises econômicas que ponderem ganhos de eficiência contra custos de privacidade, perda de capital social e risco de vieses — justificando regulamentações (auditoria algorítmica, requisitos de explicabilidade).
- Investimento em bens complementares: retorno da dataficação depende de investimentos complementares em governança, capital humano e segurança de dados; modelos de adoção tecnológica deveriam incorporar custos de implementação de controles (blockchain, criptografia, auditoria).
- Distribuição e bem‑estar: implicações distributivas (desigualdade entre trabalhadores com diferentes habilidades e exposições à vigilância) sugerem necessidade de políticas públicas para proteção laboral, treinamento e transferência de competências.
- Agenda de pesquisa em AI Economics:
- Medir empiricamente efeitos da dataficação sobre produtividade, rotatividade, saúde mental e colaboração.
- Estimar rendas de dados e impactos sobre concentração de mercado.
- Avaliar eficácia de tecnologias de proteção (blockchain, homomorphic encryption) e regimes regulatórios em reduzir externalidades.
- Modelos dinâmicos que integrem feedbacks entre adoção algorítmica, comportamento dos trabalhadores e desempenho organizacional.
- Estudos de custo‑benefício de requisitos de auditoria, transparência e participação humana na decisão algorítmica.
Referência do artigo resumido: Assi, I. L. & Vieira, A. M. (2026). Dataficação na Gestão de Recursos Humanos: uma revisão sistemática de literatura sobre implicações organizacionais. Gestão & Regionalidade, v. 42, e202610034. DOI: 10.13037/gr.vol42.e202610034.
Assessment
Paper Typereview_meta
Evidence Strengthn/a — This is a systematic literature review and conceptual synthesis rather than an original empirical study testing causal hypotheses; the paper synthesizes existing qualitative and conceptual findings rather than producing new causal evidence.
Methods Rigormedium — Authors report following PRISMA and Tranfield et al. protocols and analyze 68 articles from Scopus and Web of Science using a concept-centered synthesis; these are strengths. However, the supplied text omits full reproducible details (search strings, exact inclusion/exclusion criteria, screening flowchart, coding/reliability procedures, date ranges and language limits), limiting assessment of completeness and potential selection bias.
SampleCorpus of 68 peer‑reviewed articles identified from Scopus and Web of Science; analyzed qualitatively via a concept-centered systematic literature review (PRISMA-guided). The supplied excerpt does not specify search terms, date range, languages included, or whether conference/gray literature were considered.
Themeshuman_ai_collab governance org_design inequality
GeneralizabilityLimited to literature indexed in Scopus and Web of Science (likely excludes gray literature, some conference proceedings and non-indexed regional journals)., Findings synthesize diverse theoretical and empirical work rather than producing new empirical estimates—limits ability to generalize about magnitudes or causal impacts., Potential language, temporal, or geographic biases not reported (e.g., dominance of English-language or Global North studies)., Organizational focus on HRM contexts limits direct applicability to macroeconomic outcomes or other sectors.
Claims (8)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| A revisão sistemática identificou quatro temas centrais nas implicações da dataficação na gestão de recursos humanos: suporte à decisão baseada em dados, qualidade e segurança dos dados, controle e vigilância algorítmica, e desumanização. Governance And Regulation | mixed | Temas e implicações organizacionais da dataficação na gestão de recursos humanos |
Reading fidelity
high
Study strength
medium
|
n=68
|
| A dataficação na gestão de recursos humanos apresenta um paradoxo estrutural: pode aumentar a eficiência e a agilidade organizacional, mas também intensificar a vigilância, a subjugação humana e a desumanização. Organizational Efficiency | mixed | Eficiência organizacional e riscos de vigilância e desumanização no trabalho |
Reading fidelity
high
Study strength
medium
|
n=68
|
| A centralização de bases de dados e ferramentas algorítmicas em sistemas de informação de recursos humanos pode ampliar o conhecimento organizacional, mas simultaneamente intensifica os desafios de privacidade e segurança dos dados. Ai Safety And Ethics | mixed | Conhecimento organizacional, privacidade e segurança de dados de recursos humanos |
Reading fidelity
high
Study strength
medium
|
n=68
|
| Quando os trabalhadores percebem que são gerenciados por algoritmos opacos, demonstram menor propensão a valorizar o aconselhamento da máquina ou a compartilhar conhecimento. Team Performance | negative | Aceitação do aconselhamento algorítmico e compartilhamento de conhecimento pelos trabalhadores |
Reading fidelity
high
Study strength
medium
|
n=68
|
| O monitoramento algorítmico intensivo e o controle detalhado do tempo e das atividades profissionais reduzem a autonomia dos trabalhadores e podem prejudicar seu bem-estar e satisfação. Worker Satisfaction | negative | Autonomia, bem-estar e satisfação dos trabalhadores |
Reading fidelity
high
Study strength
medium
|
n=68
|
| A dataficação pode aprimorar habilidades e competências por meio da interação com a inteligência artificial, mas também pode empobrecer a capacidade de análise crítica humana ao reduzir a complexidade das tarefas. Skill Acquisition | mixed | Desenvolvimento de habilidades e capacidade de análise crítica dos trabalhadores |
Reading fidelity
high
Study strength
medium
|
n=68
|
| Problemas de qualidade dos dados, incluindo dados imprecisos ou incompletos, podem ampliar os impactos sociais e econômicos de decisões enviesadas. Decision Quality | negative | Precisão e qualidade das decisões algorítmicas de recursos humanos |
Reading fidelity
high
Study strength
medium
|
n=68
|
| O artigo propõe o Framework de Dataficação Responsável na GRH, estruturado em níveis tecnológico/algorítmico, organizacional/de governança e humano/relacional, para alinhar inovação algorítmica, valores humanos e estratégia organizacional. Governance And Regulation | positive | Governança ética e responsável da dataficação em recursos humanos |
Reading fidelity
high
Study strength
speculative
|
n=68
|