La selezione dei CV tramite IA è davvero equa?
Non automaticamente, ma può esserlo, e una risposta onesta è più utile di entrambi gli estremi presenti nell’attuale dibattito. La selezione dei curriculum basata sull’intelligenza artificiale non diventa equa semplicemente perché è più coerente rispetto a un valutatore umano, né diventa intrinsecamente di parte semplicemente perché si avvale dell’apprendimento automatico.
Cosa fa realmente lo screening dei CV basato sull'intelligenza artificiale
Gli strumenti di selezione dei CV basati sull’intelligenza artificiale utilizzano in genere l’elaborazione del linguaggio naturale per estrarre informazioni dai curriculum e dalle candidature, quali competenze, esperienza e qualifiche, per poi assegnare un punteggio o classificare i candidati in base a criteri che il modello ha imparato ad associare a un profilo idoneo. Questi strumenti risultano interessanti perché sono in grado di elaborare un numero di candidature di gran lunga superiore a quello che un reclutatore umano potrebbe esaminare manualmente e, almeno in teoria, possono applicare gli stessi criteri in modo coerente a ogni singola candidatura.
La questione dell’equità non riguarda il fatto che questi strumenti siano coerenti. La coerenza di per sé non garantisce l’equità. Un modello che applica un criterio di parte in modo coerente a tutti i candidati non è più equo di un valutatore umano che applica lo stesso pregiudizio in modo incoerente. Potrebbe addirittura essere peggiore, poiché il pregiudizio ora influisce su tutti i candidati allo stesso modo, su una scala molto più ampia.
C’è anche un secondo aspetto da considerare. Boyce, Hickman e Boyce (2026) riportano che, secondo le stime, il 40% dei candidati utilizza già l’intelligenza artificiale per personalizzare il proprio curriculum. Ciò significa che l’intelligenza artificiale è sempre più presente in entrambe le fasi del processo, influenzando i documenti che vengono poi esaminati dai sistemi di selezione basati sull’intelligenza artificiale.
Cosa emerge effettivamente dalla ricerca
Zhang et al. (2023) hanno dimostrato un aspetto davvero importante: le differenze di punteggio tra sottogruppi nella selezione basata sull’apprendimento automatico non sono fisse né inevitabili. La loro ricerca ha dimostrato che i modelli progettati esplicitamente con un duplice obiettivo — massimizzare l’accuratezza predittiva e, al contempo, minimizzare le differenze tra i gruppi — possono ridurre i divari tra i sottogruppi rispetto ai modelli ottimizzati esclusivamente per la previsione. Un lavoro correlato, frutto dello stesso progetto di ricerca, ha rilevato che il sovracampionamento deliberato di candidati con punteggi elevati provenienti da gruppi sottorappresentati nei dati di addestramento può anch’esso ridurre l’impatto negativo nel modello risultante.
Si tratta in entrambi i casi di scelte progettuali attive e deliberate, non di qualcosa che avviene automaticamente quando un’organizzazione adotta l’apprendimento automatico. Se lasciato libero di ottimizzarsi esclusivamente in base all’accuratezza predittiva sui dati storici, un modello non ha alcuna ragione intrinseca per ridurre le differenze tra i sottogruppi e, a seconda dei modelli presenti in tali dati storici, potrebbe facilmente riprodurli o amplificarli.
Tale rischio non è ipotetico quando si utilizzano soluzioni di IA già pronte all’uso. In una rassegna sull’uso dell’IA nei processi di selezione, Boyce, Hickman e Boyce (2026) segnalano che i modelli di linguaggio di grandi dimensioni (LLM) tendono ad attribuire un punteggio inferiore ai curriculum che presentano un indicatore di appartenenza a un gruppo minoritario rispetto a curriculum altrimenti equivalenti. Tra gli esempi figurano un nome tipico di una minoranza o un riconoscimento legato a una disabilità, e i semplici prompt più accessibili agli utenti comuni sono particolarmente suscettibili di produrre risultati distorti.
Ciò si ricollega direttamente al quadro più ampio delineato nella rassegna di Hunkenschroer e Luetge (2022) sull’etica del reclutamento basato sull’IA, trattata in modo più approfondito nel nostro post sulla parzialità algoritmica. L’effettivo impatto dell’IA sull’equità nelle assunzioni è ancora un tema irrisolto nella ricerca e dipende in larga misura dalle scelte di implementazione, non dalla semplice presenza dell’IA nel processo.
Il compromesso che vale la pena comprendere
Incorporare l'equità in un modello come obiettivo esplicito ha un costo. Quando un modello viene ottimizzato per ridurre le differenze tra i sottogruppi e, al contempo, massimizzare la previsione, può produrre ciò che i ricercatori definiscono “previsione differenziale”, ovvero una relazione tra il modello e l’esito che sta cercando di prevedere che non è identica in tutti i gruppi.
Questo non è necessariamente un motivo per evitare una progettazione attenta all’equità. È piuttosto un motivo per essere trasparenti riguardo al compromesso, anziché fingere che non esista. Le organizzazioni che implementano sistemi di selezione del personale basati sull’intelligenza artificiale dovrebbero comprendere che l’equità e la pura ottimizzazione predittiva non sono sempre perfettamente allineate, e che un fornitore responsabile dovrebbe essere in grado di spiegare esattamente in che modo il proprio modello bilancia questi due aspetti, anziché affermare di aver massimizzato entrambi senza alcun compromesso.
Cosa determina effettivamente se la selezione dei CV tramite IA sia equa
Se l'equità fosse un obiettivo esplicito della progettazione. Chiedete direttamente a qualsiasi fornitore se, durante lo sviluppo del modello, siano state misurate e affrontate le differenze tra i sottogruppi e quali tecniche specifiche, come quelle studiate da Zhang et al. (2023), siano state utilizzate a tal fine.
Ciò che il modello è stato addestrato a prevedere. Un modello addestrato sulla base dei candidati che in passato sono stati intervistati o assunti tenderà a riprodurre gli schemi presenti in quei dati storici. Un modello addestrato su un risultato definito con maggiore precisione e pertinente alla mansione ha maggiori possibilità di evitare questo fenomeno.
Se le differenze tra i sottogruppi vengono verificate su base continuativa, e non solo al momento del lancio. Nel corso del tempo, man mano che un modello viene applicato a nuove popolazioni, possono emergere o mutare effetti negativi, anche se inizialmente il modello era risultato equo nei test iniziali.
Se le caratteristiche alla base delle decisioni del modello siano effettivamente rilevanti ai fini lavorativi. Un modello che valuta positivamente i curriculum basandosi in parte su caratteristiche correlate a caratteristiche protette, quali determinate scuole, quartieri o interruzioni lavorative, non diventa equo semplicemente perché presenta un buon punteggio complessivo di accuratezza predittiva.
Come Deeper Signals affronta la questione
In Deeper Signals, la valutazione dei candidati si basa su test psicometrici convalidati e trasparenti, anziché su modelli di apprendimento automatico addestrati a valutare il testo non strutturato dei curriculum.
La "Core Drivers Diagnostic" e la "Core Values Diagnostic" vengono sottoposte a test per verificare la presenza di impatti negativi in base a genere, età ed etnia come parte integrante del loro processo di convalida, con tutti i rapporti documentati e disponibili per la revisione. Laddove la piattaforma Deeper Signals utilizza algoritmi di abbinamento professionale, come l’assegnazione dei candidati ai profili di ruolo, si applica direttamente il principio dimostrato da Zhang et al. (2023). L’equità deve essere verificata e progettata appositamente, non data per scontata. Questo è il motivo per cui la ricerca condotta dalla stessa Deeper Signals sulla profilazione professionale assistita dall’IA ha incluso un’analisi formale dell’impatto negativo su tutti i gruppi demografici prima dell’implementazione.
Domande frequenti
La selezione dei CV tramite IA è sempre più soggetta a pregiudizi rispetto a quella effettuata da esseri umani?
No, e non è nemmeno automaticamente più equa. Zhang et al. (2023) hanno scoperto che i modelli di apprendimento automatico possono ridurre le differenze tra sottogruppi rispetto ai modelli ottimizzati esclusivamente per la previsione, ma ciò richiede che l’equità sia un obiettivo esplicito della progettazione, non un presupposto.
Che cos’è la previsione differenziale e perché è importante?
La previsione differenziale indica che la relazione tra un modello e l’esito che esso prevede non è identica in tutti i gruppi demografici. Può verificarsi quando si utilizzano tecniche di progettazione attente all’equità, e le organizzazioni dovrebbero comprendere questo compromesso anziché dare per scontato che un modello abbia ottimizzato perfettamente sia l’equità che l’accuratezza allo stesso tempo.
Il sovracampionamento dei candidati sottorappresentati nei dati di addestramento può effettivamente ridurre il bias?
Una ricerca correlata al numero speciale di Zhang et al. (2023) ha rilevato che il sovracampionamento dei candidati con punteggi elevati appartenenti a gruppi sottorappresentati nei dati di addestramento può ridurre l’impatto negativo nel modello risultante, sebbene si tratti di una tecnica specifica tra le tante e non di una soluzione universale applicabile a ogni contesto.
Cosa dovrei chiedere a un fornitore di servizi di selezione dei CV basati sull'intelligenza artificiale in merito all'equità?
Chiedete se durante lo sviluppo del modello sono state misurate e affrontate in modo esplicito le differenze tra i sottogruppi, quali tecniche specifiche sono state utilizzate, come si comporta il modello sui dati relativi ai candidati della vostra organizzazione e con quale frequenza viene verificata nuovamente l'equità dopo l'implementazione.
La rimozione delle informazioni demografiche dai curriculum prima della selezione tramite IA risolve il problema dell’equità?
Non del tutto. I modelli di apprendimento automatico possono imparare a dedurre indirettamente le informazioni demografiche attraverso variabili proxy, quali i nomi delle scuole frequentate, gli hobby o le interruzioni lavorative, anche quando i campi demografici espliciti vengono rimossi. Verificare gli esiti effettivi del modello alla ricerca di differenze tra sottogruppi è più affidabile che dare per scontato che la rimozione dei campi elimini il rischio.
Ultima revisione a cura del dott. Reece Akhtar — giugno 2026
Riferimenti
Boyce, A. S., Hickman, L. e Boyce, C. E. (2026). Il futuro della selezione grazie all’intelligenza artificiale. In N. Schmitt e A. M. Ryan (a cura di), The Oxford handbook of personnel assessment and selection (2ª ed.). Oxford University Press. https://doi.org/10.1093/9780197809013.003.0018
Zhang, N., Wang, M., Xu, H., Koenig, N., Hickman, L., Kuruzovich, J., Ng, V., Arhin, K., Wilson, D., Song, Q. C., Tang, C., Alexander, L., & Kim, Y. (2023). Ridurre le differenze tra sottogruppi nella selezione del personale attraverso l'applicazione dell'apprendimento automatico. Personnel Psychology, 76(4), 1125–1159. https://doi.org/10.1111/peps.12593
Hunkenschroer, A. L., & Luetge, C. (2022). Etica del reclutamento e della selezione basati sull’intelligenza artificiale: una rassegna e un programma di ricerca. Journal of Business Ethics, 178(4), 977–1007. https://doi.org/10.1007/s10551-022-05049-6
