L'intelligenza artificiale può sostituire il giudizio umano nelle assunzioni?
I dati forniscono una risposta precisa e in qualche modo scomoda. La combinazione algoritmica dei dati relativi alle assunzioni supera costantemente le prestazioni degli esperti umani che prendono la stessa decisione basandosi su un giudizio olistico e non strutturato. Non si tratta di una nuova scoperta frutto dell’intelligenza artificiale moderna. È una questione di ricerca che gli psicologi del lavoro studiano fin dagli anni ’50, e i dati indicano la stessa direzione da decenni. Ciò che l’intelligenza artificiale ha cambiato sono la portata e la sofisticazione degli algoritmi disponibili, non la conclusione di fondo su quale approccio produca decisioni più accurate.
La domanda che l’IA ha ereditato
Molto prima che esistesse l’apprendimento automatico, gli psicologi del personale si ponevano una domanda specifica: quando si combinano più elementi informativi su un candidato, quali i punteggi dei test, le valutazioni dei colloqui e le verifiche delle referenze, per giungere a un’unica decisione di assunzione, è meglio che sia un esperto a valutare le prove in modo olistico, oppure che le stesse informazioni vengano combinate utilizzando una formula statistica prestabilita?
Si tratta del cosiddetto dibattito tra previsione meccanica e previsione clinica. Per previsione clinica si intende il processo attraverso il quale un esperto esamina le informazioni disponibili e formula un giudizio olistico. Per previsione meccanica si intende invece la combinazione delle stesse informazioni mediante una regola statistica prestabilita, che esclude la ponderazione soggettiva delle prove da parte dell’esperto nella fase finale di sintesi. I moderni strumenti di selezione del personale basati sull’intelligenza artificiale rappresentano, in questo contesto, una forma sofisticata di previsione meccanica.
Cosa emerge dai dati
Kuncel, Klieger, Connelly e Ones (2013) hanno condotto una meta-analisi esaustiva volta a confrontare specificatamente la combinazione di dati meccanici e clinici nelle decisioni relative alla selezione e al ricovero. I risultati ottenuti si sono distinti per la loro coerenza. La combinazione meccanica dei dati ha superato il giudizio olistico degli esperti di oltre il 50% nella previsione degli esiti rilevanti, e tale vantaggio si è mantenuto nei diversi tipi di decisioni e dati esaminati nella loro analisi.
La spiegazione di questo risultato non sta nel fatto che gli algoritmi siano più intelligenti degli esperti, bensì nel fatto che la combinazione meccanica sia più coerente. Gli esperti umani, anche quelli altamente qualificati, attribuiscono un peso incoerente alla stessa prova quando valutano candidati diversi, influenzati dalla stanchezza, dall’umore, dall’ordine in cui vengono esaminate le informazioni e da innumerevoli piccoli fattori situazionali che non hanno nulla a che vedere con le effettive qualifiche del candidato. Una formula fissa applica ogni volta la stessa ponderazione, eliminando questa specifica fonte di errore.
Perché questa scoperta viene spesso interpretata in modo errato
Il confronto tra i risultati meccanici e quelli clinici viene spesso interpretato erroneamente come una prova del fatto che gli algoritmi dovrebbero sostituire completamente il giudizio umano nelle assunzioni. Si tratta di un’interpretazione che va ben oltre quanto effettivamente dimostrato dalla ricerca.
La conclusione di Kuncel et al. (2013) riguarda specificatamente la fase di combinazione, ovvero il momento in cui più elementi di informazione già raccolti vengono valutati congiuntamente per giungere a una decisione finale. Non si esprime in merito alla validità, all’equità o alla completezza dei dati sottostanti che vengono combinati. Un algoritmo che combini meccanicamente input distorti o non validi produrrà inevitabilmente output distorti o non validi. La combinazione meccanica migliora la coerenza nella valutazione delle prove, ma non trasforma input scadenti in prove valide.
Inoltre, tale conclusione non affronta la questione di chi debba decidere quali dati raccogliere in primo luogo, come tali dati debbano essere interpretati nel contesto, né come gestire situazioni realmente nuove che una formula fissa non è stata concepita per prevedere. Queste rimangono responsabilità dell’uomo, indipendentemente da come venga eseguita la fase finale di combinazione.
L'intelligenza artificiale non risolve un processo difettoso, ma lo accelera
Il dottor Luke Treglown, direttore della ricerca e sviluppo in materia di intelligenza artificiale e valutazione presso Deeper Signals, sottolinea un aspetto correlato. L'uso di algoritmi per identificare e classificare i candidati non è un'idea nuova, osserva, in particolare nel contesto della raccomandazione dei candidati basata sull'intelligenza artificiale. Ciò che l'intelligenza artificiale ha cambiato sono la portata e la velocità con cui opera questa pratica già esistente.
Si crea così una dinamica che merita di essere definita in modo esplicito. I candidati ricorrono sempre più spesso all’intelligenza artificiale per redigere e ottimizzare i propri curriculum, mentre i datori di lavoro utilizzano sempre più spesso l’intelligenza artificiale per vagliare e filtrare quegli stessi curriculum. Il dottor Treglown descrive questo fenomeno come un circolo vizioso “IA contro IA”, in cui i candidati ottimizzano i propri curriculum in funzione degli algoritmi, gli algoritmi valutano i contenuti ottimizzati e diventa davvero difficile capire cosa venga effettivamente valutato nel corso del processo.
L’implicazione più profonda è che l’IA non risolve le sfide fondamentali che hanno sempre determinato la qualità delle assunzioni: se i dati utilizzati siano accurati e pertinenti al lavoro, se siano equi e imparziali e se siano effettivamente in grado di prevedere risultati significativi. La combinazione meccanica, sia essa eseguita tramite una semplice formula o un modello sofisticato, può replicare su larga scala un processo ben progettato con la stessa facilità con cui può replicarne uno difettoso. Se i dati sottostanti o la progettazione sono scadenti, l’IA renderà in modo affidabile le decisioni risultanti peggiori, a una velocità e con un volume maggiori, anziché migliori.
Ciò che l'intelligenza artificiale non è ancora in grado di sostituire
Sulla base delle prove attualmente disponibili, diverse funzioni specifiche del processo di assunzione rimangono più adatte al giudizio umano che alla sostituzione algoritmica.
Stabilire cosa misurare. Decidere quali competenze, caratteristiche o criteri siano effettivamente rilevanti per un ruolo specifico richiede un’analisi del lavoro e una comprensione del contesto organizzativo che un algoritmo non è in grado di generare autonomamente. Si tratta di una decisione umana e organizzativa che precede qualsiasi combinazione algoritmica.
Interpretazione di situazioni realmente nuove o ambigue. Un candidato con un percorso professionale insolito, un background non convenzionale o una situazione che i dati di base non erano stati concepiti per prevedere richiede un giudizio umano che una formula fissa, per definizione, non può fornire in modo flessibile.
Valutare l’imparzialità degli input stessi. Un algoritmo può combinare in modo coerente i dati che gli vengono forniti, ma determinare se tali dati riflettano un segnale legittimo e rilevante per il lavoro o se codifichino pregiudizi storici richiede una supervisione umana continua, test e responsabilità. Quando Stockdale, Hickman e Liu (2026) hanno fatto valutare i colloqui di lavoro da modelli di linguaggio di grandi dimensioni (LLM), i punteggi hanno mostrato differenze consistenti tra i sottogruppi, spesso maggiori di quelle riscontrate nelle valutazioni umane. L’impatto negativo deve quindi essere verificato direttamente, non ignorato solo perché uno strumento funziona bene nel complesso.
Prendere la decisione finale determinante. Anche nei casi in cui la combinazione meccanica superi il giudizio olistico nella valutazione delle prove, le organizzazioni responsabili mantengono la responsabilità umana per la decisione finale in materia di assunzioni, soprattutto alla luce delle implicazioni legali ed etiche in gioco.
Come combinare in modo responsabile il giudizio meccanico e quello umano
L'approccio più valido, avallato dalla letteratura più ampia in materia di selezione, consiste nel ricorrere alla combinazione meccanica per ciò in cui essa eccelle e nel preservare il giudizio umano per ciò in cui esso eccelle, anziché considerare la scelta come una questione di "tutto o niente".
Raccogliere dati attraverso metodi convalidati e strutturati: valutazioni psicometriche convalidate, interviste strutturate con criteri di valutazione prestabiliti e campioni di lavoro pertinenti al ruolo. Combinare tali dati utilizzando una formula convalidata e trasparente anziché un algoritmo opaco di tipo “black-box”, in modo che la fase di combinazione benefici di una coerenza meccanica senza sacrificare la verificabilità. Riservare il giudizio umano all’interpretazione del contesto, alla valutazione di situazioni realmente nuove e all’assunzione della responsabilità finale della decisione.
I recenti dati relativi all’intelligenza artificiale moderna puntano nella stessa direzione. Stockdale, Hickman e Liu (2026) hanno testato modelli linguistici di grandi dimensioni (LLM) nella valutazione di colloqui di lavoro, confrontandoli con valutatori umani. Nel complesso, i punteggi assegnati dagli LLM e dai valutatori umani erano molto simili, e una singola valutazione umana abbinata a una valutazione fornita da un LLM ha raggiunto una validità di criterio paragonabile a quella di una commissione composta da tre valutatori umani.
Il modello pratico che hanno individuato è che l’IA è particolarmente adatta alla selezione preliminare piuttosto che alla decisione finale. Utilizzati per scartare il 25% dei candidati con i punteggi più bassi, i modelli di linguaggio di grandi dimensioni (LLM) hanno mantenuto tutti i candidati che sarebbero stati selezionati dai valutatori umani. Utilizzati come unico organo decisionale nei casi di rapporti di selezione più restrittivi, hanno selezionato solo circa il 41-62% dei candidati scelti dagli esseri umani.
Come Deeper Signals affronta la questione
In Deeper Signals, questa ricerca influenza direttamente la progettazione della piattaforma. Sola, l’assistente di valutazione basato sull’intelligenza artificiale della piattaforma, è stato progettato per supportare il processo decisionale umano piuttosto che per sostituirlo. I meccanismi di controllo di Sola le impediscono espressamente di prendere decisioni in materia di assunzioni, e i suoi risultati sono spiegabili e riconducibili a specifici modelli di valutazione convalidati, anziché funzionare come una scatola nera opaca.
Ciò riflette l’effettivo insegnamento tratto dal confronto tra ricerca meccanica e ricerca clinica. Il valore dell’integrazione meccanica deriva dalla coerenza nella valutazione di dati già convalidati, non dall’eliminazione totale della responsabilità umana. Sola integra in modo coerente e trasparente dati convalidati relativi alla personalità e ai valori, lasciando tuttavia la decisione finale di assunzione, e la responsabilità che ne deriva, alle persone che la prendono.
Domande frequenti
Questa ricerca implica che gli intervistatori umani dovrebbero essere completamente esclusi dal processo di selezione?
No. Il risultato si riferisce specificatamente alla combinazione di dati già raccolti, non all’eliminazione del coinvolgimento umano nel processo di selezione. Le interviste strutturate condotte da persone qualificate rimangono una fonte di dati valida e basata su prove concrete, che può essere combinata in modo automatico con altri input convalidati.
L'intelligenza artificiale nel processo di selezione del personale è sempre più accurata dei reclutatori umani?
Non necessariamente. La combinazione meccanica supera il giudizio umano olistico, in particolare quando si combinano dati validi attraverso una formula convalidata. Un sistema di intelligenza artificiale basato su input non validi, distorti o mal progettati non potrà superare un processo umano ponderato, indipendentemente dalla sofisticatezza del suo algoritmo.
Qual è la differenza tra previsione meccanica e previsione clinica?
La previsione clinica consiste nel giudizio olistico e soggettivo di un esperto che integra le informazioni disponibili su un candidato. La previsione meccanica consiste invece nel combinare le stesse informazioni utilizzando una formula statistica fissa e predeterminata. Kuncel et al. (2013) hanno riscontrato che, in media, la combinazione meccanica risulta più accurata.
Un algoritmo può essere ritenuto legalmente responsabile di una decisione di assunzione?
No. La responsabilità legale per le decisioni in materia di assunzioni spetta all’organizzazione e alle persone che implementano e supervisionano lo strumento, indipendentemente dal grado di automazione del processo. Questo è uno dei motivi principali per cui la supervisione umana degli strumenti di assunzione basati sull’intelligenza artificiale rimane una necessità sia legale che etica.
Le organizzazioni dovrebbero affidarsi agli strumenti di selezione basati sull’intelligenza artificiale senza una revisione umana?
No. Anche gli strumenti algoritmici ben convalidati dovrebbero essere implementati con una supervisione umana costante, verifiche periodiche di equità e una chiara attribuzione di responsabilità per la decisione finale. La ricerca sostiene l’utilizzo della combinazione meccanica come uno degli elementi del processo, non come un sistema decisionale non supervisionato.
Ultima revisione a cura del dott. Reece Akhtar — giugno 2026
Riferimenti
Kuncel, N. R., Klieger, D. M., Connelly, B. S. e Ones, D. S. (2013). Combinazione di dati meccanici e clinici nelle decisioni relative alla selezione e all’ammissione: una meta-analisi. Journal of Applied Psychology, 98(6), 1060–1072.
Stockdale, K., Hickman, L. e Liu, S. (2026). Valutazione dei colloqui di lavoro con modelli linguistici di grandi dimensioni: componenti del disegno di valutazione, analisi di validità e raccomandazioni sulle migliori pratiche. Journal of Applied Psychology. https://doi.org/10.1037/apl0001396
