L’IA ha rotto il curriculum, cosa succede ora?
Spunti sul flusso di lavoro: I metodi tradizionali di selezione tendono a esaminare solo una minima parte dei candidati, lasciando la maggioranza esclusa.
Sfida dell’IA: Gli strumenti basati sull’IA aumentano l’efficienza ma non sono in grado di valutare efficacemente la reale capacità dei candidati durante il processo di assunzione.
Costo della candidatura: La facilità di candidarsi ai lavori ha aumentato il volume delle domande, complicando ulteriormente il processo di filtro.
Erosione dei segnali: Gli indicatori tradizionali di selezione stanno perdendo affidabilità, rendendo più difficile identificare i candidati qualificati.
Centratura sulle competenze: Adottare un approccio skills-first potrebbe migliorare le assunzioni, ma l’implementazione rimane una grande sfida.
Per anni, il flusso di lavoro all'interno della maggior parte dei team di selezione del personale ha seguito gli stessi passaggi. Pubblica l'annuncio di lavoro, esamina le migliori candidature, seleziona i candidati più forti, invia al responsabile delle assunzioni i migliori profili.
Per molti anni, questo sistema ha funzionato come metodo per trovare i migliori talenti per l'azienda.
Il problema, come ha spiegato Tim Sackett, CEO di HRUTech.com e autore di The Talent Fix: A Leader's Guide to Recruiting Great Talent, durante l'evento Transform all'inizio di questo mese, è che questa è in gran parte una finzione.
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
Quando un annuncio di lavoro attira 250 o 300 candidature (molti ne ricevono significativamente di più), il recruiter tipico ne esamina 25, forse 30. Solo il 2-3% dei candidati riceve davvero attenzione. Il resto sparisce.
"Diciamo ai nostri responsabili delle assunzioni che stiamo individuando i migliori talenti sul mercato," ha detto. "Ma in realtà, una piccola frazione dei tuoi candidati entra davvero nel processo."
Questa discrepanza tra ciò che promettono i team di selezione e ciò che riescono effettivamente a fare esiste da decenni. L'AI non l'ha creata. Ma a volte l'AI ha reso molto più difficile colmare questa distanza, e gli strumenti che le organizzazioni stanno correndo a implementare rischiano di misurare le cose sbagliate.
Il Problema della Misurazione È Anteriore alla Tecnologia
Leanne Markus, direttrice generale di Centranum Group e psicologa organizzativa che collabora con aziende su modelli di competenze e valutazioni basate sulle competenze, traccia una distinzione che la maggior parte dei processi di selezione tende a unificare. Ovvero, la differenza tra qualifiche, conoscenza e competenza.
Le qualifiche — istruzione, certificazioni, formazione — indicano preparazione e potenziale. I test di conoscenza possono indicare comprensione. Nessuno dei due dimostra in maniera affidabile la capacità di svolgere il lavoro in un contesto reale.
Decenni di studi psicologici dimostrano che la conoscenza specifica del lavoro," afferma Markus. "La capacità di applicarla correttamente nel contesto, è il singolo fattore più predittivo delle prestazioni lavorative.
Il curriculum, per sua natura, misura la prima categoria e in qualche modo accenna alla seconda. Non ha mai misurato la terza.
Le organizzazioni hanno storicamente accettato questo compromesso perché il curriculum era almeno uno strumento pratico di selezione preliminare — un modo per passare da centinaia di candidature a una conversazione gestibile, con l'assunzione che un segnale migliore sarebbe emerso nel colloquio.
Oggi questa assunzione sta crollando da entrambe le parti.
Cosa Sta Analizzando l'AI
Quando l'AI entra nel funnel di selezione, i suoi sostenitori la presentano tipicamente come soluzione al problema del volume. Più candidati esaminati, più velocemente, con meno bias umano nelle fasi iniziali. Quello che non cambia è ciò che viene effettivamente misurato nei processi di selezione guidati dai dati.
L'AI rende la selezione più efficiente, ma non cambia ciò che viene misurato," afferma Markus. "La maggior parte dei metodi di screening, incluse le interviste basate su AI, sono basati su risposte. Sono tutte informazioni auto-dichiarate. L'AI può velocizzare l'elaborazione, ma essenzialmente valuta quanto bene un candidato sa descrivere il lavoro, non se è effettivamente in grado di svolgerlo con successo.
Questo è più importante di quanto sembri, perché i dati di addestramento su cui si basano la maggior parte dei tool di selezione con AI accentuano il problema. Questi sistemi apprendono correlando gli input delle candidature e le decisioni di assunzione con le valutazioni delle prestazioni. Ma le valutazioni formali delle prestazioni hanno poca correlazione con la reale performance lavorativa. L'AI sta apprendendo a replicare un segnale che era già poco affidabile.
Il risultato è un sistema che premia i candidati che sanno descrivere in modo convincente il proprio lavoro, il che, nel 2026, significa candidati che sanno usare l'AI per descrivere in modo convincente il lavoro.
"L'AI può rafforzare schemi che sono coerenti," afferma Markus. "Ma questo non significa che siano validi. In un ambiente a scatola nera, non è chiaro come vengano pesati i vari fattori."
Il problema del volume, a quanto pare, potrebbe non essere quello giusto da risolvere.
L’IA ha amplificato questo problema permettendo alle organizzazioni di gestire volumi ancora maggiori di candidature in ingresso. Ma il vero vincolo non è il volume — è l’accesso.
Il costo di candidarsi è sceso a zero
La portata di ciò che è accaduto dal lato dei candidati non è ancora stata pienamente compresa dalla maggior parte delle funzioni di selezione del personale. Aaron Wang, CEO di Alex AI, ha esposto chiaramente la questione strutturale a Transform: il costo di mercato per candidarsi a un lavoro è ormai quasi nullo.
Un candidato che ha accesso a un qualsiasi principale strumento di IA può candidarsi a centinaia di offerte in una sola notte, personalizzando ogni candidatura sulla base della specifica descrizione del lavoro, del background del responsabile delle assunzioni e dei valori dichiarati dall’azienda.
Gli stessi strumenti possono guidare i candidati attraverso qualsiasi formato di screening incontrato dall’altra parte, comprese le interviste con IA. L’imbuto che un tempo filtrava in base all’impegno ora filtra quasi esclusivamente in base al volume.
Wang ha descritto questa situazione come un’escalation da cui nessuna delle parti può sottrarsi. Ha illustrato uno scenario di un prossimo futuro in cui gli agenti IA dei candidati negoziano e si candidano autonomamente, incontrando all’altro capo sistemi IA aziendali.
"Quel futuro non solo è possibile, ma potrebbe essere probabile", ha detto. Resta aperta la domanda su cosa andrà realmente a misurare un simile sistema.
Per ora, l’effetto pratico è che la candidatura è diventata un segnale ancora meno affidabile. I candidati più adatti a una posizione potrebbero non essere quelli che appaiono meglio sulla carta, soprattutto quando la carta è stata ottimizzata per superare l’ATS.
Segnali costruiti
L’erosione dei segnali affidabili non si limita alle candidature. Sabra Sciolaro, Chief People Officer di FirstUp, indica una parallela frammentazione interna alle organizzazioni che ha implicazioni dirette su come i segnali di assunzione andrebbero interpretati.
In uno studio recente di FirstUp su oltre 3.000 lavoratori negli Stati Uniti e in Canada, tra il 75% e l’89% dei dipendenti in diversi ruoli ha dichiarato di sentirsi coinvolto. Tra il 40% e il 46% degli stessi dipendenti ha affermato che sta considerando attivamente di lasciare il proprio lavoro quest’anno.
L’engagement, così come l’entusiasmo durante un colloquio, è un segnale che può essere simulato. Non predice il risultato finale.
Molti dei segnali su cui le aziende hanno fatto affidamento sono facili da simulare ma non prevedono risultati come trattenimento o performance. I segnali che invece hanno una correlazione più stretta con la performance reale riguardano come le persone gestiscono informazioni complesse e come si adattano rapidamente quando le priorità cambiano — caratteristiche che emergono nel tempo e nel contesto, non in una singola interazione assistita dall’IA.
Questa prospettiva si applica anche a monte. Le caratteristiche che rendono una persona un buon dipendente sono in larga parte le stesse che contano in un candidato, e né un curriculum né uno screening strutturato dall’IA sono strumenti davvero adatti a farle emergere.
Cosa stanno facendo invece i professionisti
Ben Lamarche, General Manager di Lock Search Group, ha cambiato la fase del processo in cui cerca di individuare segnali reali. Invece di attendere il colloquio programmato per iniziare una vera conversazione, anticipa questa interazione al primo giorno di contatto con il candidato.
La vera conversazione avveniva dopo aver programmato un colloquio. Ora spesso accade già dal primo giorno. L’obiettivo è uscire dalla fase di revisione dei documenti e passare presto alla vera interazione, dove è molto più difficile affidarsi a uno script raffinato.
Quando rivede le candidature, il suo metodo si è spostato su ciò che i CV rivelano negli spazi tra i risultati dichiarati.
L'intelligenza artificiale può aiutare un candidato a scrivere un buon punto elenco. Non può facilmente replicare la consistenza di un’esperienza specifica sotto pressione.
“Quando inizio a fare domande specifiche,” dice Lamarche, “capisco molto rapidamente se è reale o se è stato tutto provato a memoria.”
Sottolinea anche una distorsione che lo screening AI genera su larga scala: i candidati che usano l’AI per ottimizzare la loro presentazione possono avanzare nelle fasi iniziali proprio perché appaiono più brillanti, mentre candidati più riservati ma più capaci vengono esclusi prima che qualcuno con senso critico li veda.
Il problema del segnale non è solo il rumore, è un rumore che favorisce sistematicamente certi stili di presentazione rispetto alla sostanza.
Markus propone un’alternativa più strutturata, che descrive come uno spostamento dalla previsione della performance alla richiesta di prove concrete.
La sequenza che usa con i clienti va dal filtraggio iniziale su qualifiche e requisiti normativi a test di conoscenze specifiche per il ruolo, poi a prove strutturate di competenze applicate tramite esempi di lavoro validati e storici di incarichi svolti, poi a domande mirate che convalidano quelle prove, e infine a una conferma sul ruolo durante l’onboarding e il periodo di prova.
L’ultima fase è più importante di quanto la maggior parte delle organizzazioni le attribuisca. Se lo scopo è validare la competenza nel contesto reale, il periodo di prova vale più di una formalità: è la fase di valutazione più affidabile e la maggior parte delle aziende ha smesso di usarlo come tale.
Dove conduce la logica skills-first
Il movimento skills-first ha conquistato una buona parte dell’attenzione organizzativa negli ultimi anni, anche perché risponde a un problema reale: i titoli e le credenziali sono deboli indicatori di ciò che una persona può realmente fare. Lamarche e Markus riconoscono entrambi che la direzione è quella giusta.
Obbliga le aziende a riflettere meglio su cosa richieda davvero il ruolo, invece di rifugiarsi su lauree o titoli altisonanti,” dice Lamarche. “È un cambiamento positivo.
Ma è sull’implementazione che la cosa si incrina.
Molte implementazioni si basano ancora su tassonomie di competenze molto generiche e sull’auto-valutazione delle stesse. L’approccio skills-first non ha alcun valore se non c’è un legame chiaro tra responsabilità del ruolo, competenze necessarie per sostenerle e un mezzo per validare tutto ciò a livello di compiti concreti. La maggior parte delle organizzazioni non ha costruito quel collegamento. Hanno semplicemente sostituito un gruppo di indicatori deboli con altri, chiamandolo progresso.
Il problema del volume non ha una soluzione semplice. Migliaia di candidati non possono essere selezionati realisticamente tramite simulazioni o prove pratiche. Prima qualcosa deve filtrare il funnel, e per ora quel qualcosa sono revisori umani che guardano una piccola percentuale di candidature o strumenti AI che valutano i pattern linguistici. Nessuno dei due misura ciò che un vero processo di selezione dovrebbe misurare.
Anticipare la valutazione ad alto valore, costruire framework di valutazione specifici del ruolo, trattare la revisione dei documenti come il passaggio poco significativo che è: nulla di tutto ciò è tecnicamente difficile.
È semplicemente più lento e più intenzionale rispetto al pubblicare un annuncio di lavoro e lasciare che un ATS ordini i risultati. In un contesto in cui la rapidità è diventata il parametro predefinito per l'efficienza nel reclutamento, l'approccio intenzionale è difficile da proporre. Tuttavia, al momento, è l'unico modo per scoprire se la persona che stai assumendo è davvero in grado di svolgere il lavoro.
