Lo screening dei candidati tramite IA merita attenzione
Questione di conformità: La legge sull’IA del Colorado impone trasparenza e responsabilità ai datori di lavoro che utilizzano IA nella selezione.
Trasparenza dell'IA: Molti candidati non sanno che i sistemi di IA hanno influenzato le loro candidature o valutazioni.
Divario interpretativo: I dipartimenti HR spesso fanno fatica a spiegare i modelli di punteggio dell’IA e le loro implicazioni per l’assunzione.
Responsabilità del fornitore: Secondo le recenti normative, i datori di lavoro sono responsabili per gli esiti negativi degli strumenti di IA, non i fornitori.
Cambio di governance: Le organizzazioni devono dare priorità all'esplicabilità e alla documentazione nei processi di assunzione tramite IA per garantire la conformità.
Da qualche parte nella pipeline di assunzione, un candidato è stato escluso da un sistema che il tuo team non riesce a spiegare completamente. Potresti avere un accordo con un fornitore, una dashboard e un punteggio. Quello che la maggior parte delle organizzazioni non ha è una risposta chiara alla domanda che le nuove normative sull’IA ora impongono effettivamente di saper fornire: perché.
Questa differenza tra ciò che fa veramente l’IA nel processo di assunzione aziendale e ciò che candidati e regolatori possono realmente vedere è ora un tema di conformità. Il Colorado AI Act, una delle prime leggi di questo tipo negli Stati Uniti, è entrato in vigore a febbraio e richiede ai datori di lavoro che utilizzano sistemi di IA ad alto rischio nelle decisioni occupazionali di informare i candidati e fornire loro un meccanismo per correggere i dati o presentare ricorso contro un esito negativo.
Per molti dipartimenti HR, soddisfare questo requisito significa dover spiegare sistemi che nemmeno loro capiscono fino in fondo.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Il mercato degli strumenti di assunzione basati sull’IA si è ampliato significativamente negli ultimi anni. I fornitori offrono piattaforme di screening, valutazioni automatiche dei colloqui e modelli predittivi di idoneità ai datori di lavoro che devono gestire grandi volumi di candidature.
L’argomentazione commerciale è l’efficienza, ma i numeri reali raccontano una storia più complessa. Le candidature su LinkedIn sono aumentate di oltre il 45% anno su anno nel 2025, con circa 11.000 candidature che arrivano sulla piattaforma ogni minuto. Allo stesso tempo, il 64% dei recruiter ha segnalato un aumento di candidature simili, generate dall’IA, nello stesso periodo, il che ha ampliato il carico di lavoro di screening invece di ridurlo. Gli strumenti progettati per filtrare il volume, in parte, lo stanno generando.
Tatiana Teppoeva, ex data scientist di Microsoft e Boeing che ora consiglia le organizzazioni sui rischi legati all’assunzione tramite IA, osserva questa dinamica ripetersi costantemente presso i clienti aziendali.
Molti team HR comprendono le affermazioni dei fornitori, ma hanno una visibilità limitata su come vengono generati i risultati dello screening o su quali segnali dei candidati vengano effettivamente pesati. Quando i candidati chiedono perché sono stati esclusi, le organizzazioni spesso faticano a tradurre un punteggio fornito dal vendor in una spiegazione chiara e pertinente rispetto al lavoro.
Nella sua esperienza, la lacuna è ben definita: le organizzazioni sono in grado di descrivere più facilmente il punteggio prodotto da uno strumento che non spiegare cosa rappresenti in termini di effettiva capacità lavorativa.
Questa opacità ha un costo misurabile dal lato dei candidati. Un sondaggio su 1.066 persone in cerca di lavoro negli Stati Uniti, condotto da Enhancv nell’aprile 2026, ha rilevato che il 68,5% non è mai stato informato che l’IA abbia avuto un ruolo nella loro valutazione e solo il 9,7% ha dichiarato che il datore di lavoro lo aveva esplicitamente comunicato.
Quasi un terzo ha dichiarato di aver rinunciato a una posizione piuttosto che completare uno screening unidirezionale tramite IA, e la distribuzione non è risultata omogenea. Quasi l’80% dei ruoli abbandonati prevedeva una retribuzione inferiore ai 100.000 dollari. I candidati con meno opportunità sono quelli più esposti a sistemi che non possono vedere e ai quali non hanno acconsentito.
Un Black Box con un Accordo di Fornitura
Il problema dell’responsabilità non riguarda solo l’opacità, anche se questa ne fa parte. Molte piattaforme di screening operano come sistemi black box o quasi, in cui la logica di pesatura del modello non è visibile nemmeno al datore di lavoro, figurarsi al candidato.
Anche quando i fornitori offrono funzionalità di spiegabilità, la spiegazione vista da un recruiter potrebbe essere una versione semplificata di un processo sottostante molto più complesso. Un responsabile HR può leggere il risultato, ma spesso non può indagare su come sia stato prodotto.
Questo conta ancora di più su larga scala. Un’azienda che gestisce decine di migliaia di candidature all’anno prende molte decisioni consequenziali tramite un sistema che il proprio team potrebbe non essere in grado di controllare. Gli obblighi di notifica e ricorso della legge del Colorado impongono l’apertura di questo tema. Se un candidato chiede perché è stato respinto, chi risponde e con quali informazioni?
Il lavoro della Teppoeva si concentra proprio su quella che lei definisce "il layer dell’interpretazione", ovvero lo spazio tra un segnale di assunzione generato dall’IA e una decisione umana. La prima domanda che pone alle organizzazioni che già utilizzano uno strumento di screening è perché: "Perché questo candidato ha ricevuto un punteggio basso anche se sembrava forte al team di assunzione? Perché un altro candidato ha ottenuto un punteggio elevato ma poi è finito in un percorso di miglioramento delle prestazioni?"
La maggior parte delle organizzazioni, dice, non sa rispondere a queste domande. Hanno il punteggio, ma non le motivazioni che ci sono dietro.
Le organizzazioni si affidano frequentemente ai risultati generati dal fornitore senza mantenere un quadro interno chiaro per interpretare o documentare tali risultati," afferma. "Questo può rendere difficile spiegare come sia stato applicato il giudizio umano o come si sia arrivati alla decisione finale.
Quando una decisione viene contestata, quella lacuna diventa una responsabilità.
La responsabilità ricade sul datore di lavoro
La tempistica della regolamentazione mette anche in evidenza un problema relativo alle modalità con cui gli strumenti di selezione del personale basati su AI sono stati tipicamente acquisiti. Le decisioni su quale piattaforma utilizzare sono spesso guidate dai team di talent acquisition orientati ai volumi, mentre il team legale, di conformità e talvolta la direzione HR sono meno coinvolti nella valutazione di ciò che effettivamente fa lo strumento.
La legge del Colorado cambia questa prospettiva. Ai sensi della SB 205, la responsabilità per risultati negativi derivanti dall’uso di AI ad alto rischio nell’ambito lavorativo ricade sul datore di lavoro e non sul fornitore. È l’azienda che utilizza lo strumento a rispondere dei suoi risultati.
Jimmy Hurff, COO e co-fondatore di Brightmove, un fornitore di applicant tracking system, sostiene che le conversazioni durante la fase di acquisto riflettano esattamente questo problema.
I datori di lavoro sembrano concentrati soprattutto sull’integrazione delle funzionalità e sui volumi dei candidati. I nostri potenziali clienti controllano principalmente le caratteristiche di integrazione, ma raramente si concentrano sulla qualità del flusso di candidati e sull’automazione della valutazione e del punteggio.
Le domande che contano di più secondo il quadro normativo del Colorado, come la spiegabilità, la verificabilità, i processi di ricorso, di solito non vengono poste durante la valutazione degli strumenti.
Brightmove ha pubblicato una Responsible AI Policy come risposta diretta alla SB 205, e Hurff afferma che la legge ha portato a una riflessione più ampia su tutto il panorama dei fornitori. Sottolinea inoltre dove, secondo lui, dovrebbe andare la discussione normativa: verso uno standard federale unico, piuttosto che lasciare la conformità alle singole leggi statali, cosa che a suo avviso darebbe ai fornitori un mandato più chiaro da seguire.
Il problema della documentazione diventa più grave quando candidati con modalità di comunicazione diverse da quelle su cui il sistema è stato addestrato—per via di disabilità, neurodivergenza o provenienza linguistica—sono valutati da strumenti che non riescono a tener conto del contesto. Teppoeva descrive il problema di fondo.
"Un segnale può essere rilevato con precisione e tuttavia essere interpretato in modo errato", dice.
Quando un candidato contesta un risultato, la maggior parte delle organizzazioni è in grado di riprodurre l’output. Non sono in grado di spiegare la decisione e di rado dispongono di una documentazione che dimostri che ciò che è stato misurato fosse effettivamente rilevante per il ruolo.
L’EEOC segue questo ambito almeno dal 2021, anno in cui ha avviato la propria iniziativa sull’intelligenza artificiale e l’equità algoritmica nella selezione. Le linee guida del 2023 hanno chiarito che i datori di lavoro non possono delegare la responsabilità degli esiti discriminatori a fornitori terzi.
La legge del Colorado va oltre, aggiungendo obblighi di trasparenza e di ricorso che la maggior parte dei processi di selezione aziendale non era strutturata per soddisfare.
Cosa devono sapere i leader HR
Questo crea, praticamente, una superficie di rischio regolamentare che molti responsabili HR non hanno mappato. Potrebbero avere un accordo con il fornitore. Potrebbero avere un'idea generale di cosa faccia lo strumento. Ma la documentazione su come il modello è stato addestrato, su cosa sta ottimizzando e su come sono registrate e recuperabili le decisioni per eventuali ricorsi spesso è più scarsa di quanto oggi richiedano le normative.
Teppoeva inquadra il cambiamento con termini che i leader HR riconosceranno da altre discussioni sulla conformità.
Le nuove normative stanno spostando la conversazione da “Funziona lo strumento?” a “Possiamo spiegare e difendere come è stato usato?”
Coloro che trattano la selezione AI come una decisione di acquisto piuttosto che come un tema di governance continua sono più esposti quando un candidato o un ente regolatore pone una domanda a cui lo strumento non sa rispondere.
In parte la questione si risolverà grazie alla pressione esercitata dai clienti. Se i clienti aziendali iniziano a richiedere documentazione sulla spiegabilità e tracciabilità degli audit come parte della selezione del fornitore, saranno i fornitori stessi a produrla. Ma questo processo è lento e, nel frattempo, in Colorado e altrove, i candidati vengono filtrati da sistemi la cui logica non può essere pienamente spiegata dagli stessi datori di lavoro.
La discussione che i leader HR devono affrontare non riguarda solo il fatto che gli strumenti di screening AI funzionino. Si tratta piuttosto di capire se le organizzazioni che li utilizzano siano davvero in grado di giustificare ciò che fanno.
