Esempi di IA nelle Risorse Umane: 11 Casi Reali di Intelligenza Artificiale al Servizio dei Team HR

Per il team People, ciò significava affrontare le criticità di lunga data nell’abilitazione delle performance, in particolare riguardo alla modalità con cui i dipendenti definivano e monitoravano i propri obiettivi.

Nonostante l’automazione già esistente, la definizione degli obiettivi in Zapier risultava incoerente e impegnativa. I dipendenti faticavano a formulare obiettivi misurabili e allineati, e i manager non avevano sufficiente visibilità sulla qualità tra i reparti.

I tradizionali framework di definizione degli obiettivi non avevano attecchito e i dipendenti, spesso a corto di tempo, tendevano a disimpegnarsi dal processo, rischiando disallineamenti e risultati più deboli in termini di performance.

L’approccio IA

Emily Mabie, responsabile di Zapier per l’enablement dei manager, ha costruito un sistema end-to-end basato sull’IA a supporto della definizione degli obiettivi: dal coaching individuale all’analisi delle tendenze su scala di team. Il progetto sfruttava tecnologie IA tramite cinque strumenti nativi di Zapier, integrati in meno di due settimane:

1. Chatbot di coaching IA: ospitato su una pagina web creata da Zapier, il bot guidava i dipendenti attraverso il framework AMP proprietario di Zapier. L’IA forniva suggerimenti in tempo reale, promemoria ed esempi, tutti coerenti con le aspettative di Zapier per obiettivi flessibili e ad alto impatto. Questo ha ridotto le attività HR ripetitive migliorando il coinvolgimento.
2. Raccolta dati automatizzata: le conversazioni venivano depurate dai dati personali (PII) e riversate in un database Zapier Table tramite un workflow personalizzato, creando così un repository centralizzato rispettando la privacy. Questi dati si sono rivelati preziosi per analisi continue.
3. Agente IA backend: un agente Zapier analizzava tutte le chat registrate usando machine learning per evidenziare punti di abbandono e individuare aree deboli sugli obiettivi (ad es. vaghezza, disallineamento). Questa analisi ha fatto emergere pattern invisibili con la sola revisione manuale.
4. Livello di reporting per i manager: l’agente forniva costanti insight di coaching affinché il team L&D potesse ottimizzare l’abilitazione alla definizione degli obiettivi, trasformando le conversazioni in strategia e sostenendo il miglioramento continuo della formazione. I leader aziendali potevano ora visualizzare metriche chiare sull’andamento qualitativo degli obiettivi.
5. Strategia di distribuzione e adozione: promozione tra pari tramite Slack, referenti interni in ogni dipartimento e comunicazioni chiare sul "cosa ci guadagni" hanno portato al 91% di partecipazione nel primo ciclo (oltre 800 utilizzi unici del chatbot), dimostrando il successo dell’adozione IA.

I risultati

• 91% di partecipazione alla definizione degli obiettivi tramite chatbot AI—un netto aumento rispetto al coinvolgimento dei dipendenti con i sistemi precedenti.
• Oltre 800 conversazioni di definizione degli obiettivi analizzate, portando a miglioramenti misurabili nella specificità e nell’allineamento degli obiettivi.
• Miglioramento della qualità degli obiettivi nei diversi cicli: obiettivi più misurabili, strategici e chiaramente allineati agli obiettivi di reparto e aziendali, con un impatto diretto sui parametri di performance dei dipendenti.
• Implementazione completa dal pilota alla scala in meno di due settimane grazie alla cultura sperimentale di Zapier e alla sua infrastruttura low-code.

Conclusione Esecutiva

Non si è trattato semplicemente di sostituire un modulo con l’AI, ma di creare un ciclo di feedback. Zapier ha integrato l’AI in tutto il percorso: coaching, analisi, miglioramento e rafforzamento della cultura. Ha funzionato non perché l’AI facesse tutto, ma perché i professionisti HR hanno progettato l’esperienza con empatia, contesto e chiarezza.

Allarme Rosso

Anche sistemi AI ben realizzati possono fallire se la struttura sottostante è debole. Zapier lo ha imparato in prima persona quando il framework iniziale per la definizione degli obiettivi ha deluso, pur avendo un chatbot tecnicamente solido. Il passaggio a un modello AMP più semplice e intuitivo ha portato risultati migliori. Morale: la potenza dell’AI dipende ancora da un design intelligente.

Consiglio Pratico (con suggerimenti)

L’AI non è una scorciatoia verso risultati migliori—è un bisturi, non un martello. Come ha detto Mabie:

Non l’abbiamo costruito perché l’AI era di moda. L’abbiamo fatto perché il processo di definizione degli obiettivi era rotto. Le persone erano frustrate dal processo, non dallo scopo—e l’AI ci ha dato il modo di renderlo più semplice, veloce e davvero utile.

Se vuoi replicare il successo di Zapier:

• Parti da una struttura solida. L’AI non può aggiustare una base difettosa. Scegli una struttura semplice e flessibile che funzioni per il tuo team.
• Progetta per il feedback. Sfrutta l’AI per raccogliere abbandoni, punti di confusione e successi e adatta rapidamente il processo.
• Valorizza la cultura interna. I promotori tra pari e la promozione nativa su Slack superano sempre le imposizioni dall’alto.
• Possiedi i tuoi strumenti. La struttura interamente nativa e low-code di Zapier ha mantenuto bassi i costi e rapido il ciclo di iterazione.

Prima vs Dopo: Zapier + Definizione Obiettivi con AI

Area di Focus	Prima dell’AI	Dopo l’AI
Qualità degli Obiettivi	Obiettivi incoerenti, vaghi o allineati male; i framework non venivano mantenuti	Aumento tangibile di chiarezza, specificità e allineamento agli obiettivi organizzativi grazie al coaching AI
Partecipazione	Tassi variabili di inserimento obiettivi; difficile monitorare il coinvolgimento	91% di partecipazione, oltre 800 sessioni registrate guidate dal chatbot
Insight Abilitanti	Nessun dato centralizzato per analizzare i punti di forza o abbandono	L’agente AI ha fornito cicli di feedback su qualità degli obiettivi, punti critici e pattern di adozione
Velocità di Implementazione	I nuovi strumenti richiedevano mesi di change management	Rollout completo dalla progettazione alla scala in meno di due settimane con forte supporto interno
Carico Amministrativo	Revisione manuale degli obiettivi e impatto poco chiaro degli sforzi abilitanti	L’agente AI ha analizzato costantemente i risultati e suggerito aggiustamenti strategici per migliorare gli esiti

2. Flowable

Una delle prime tre banche mondiali di gestione patrimoniale stava affrontando uno dei processi più complessi del private banking: la verifica della provenienza dei fondi (SOW - Source of Wealth). Prima di poter acquisire un nuovo cliente ad alto patrimonio, era necessario dimostrare—spesso con rigore estremo—che il suo denaro fosse pulito, legittimo e tracciabile. Questo implicava l’analisi di centinaia di pagine di documentazione, registri pubblici, operazioni societarie e storie finanziarie.

Il flusso di lavoro era manuale, ripetitivo e lento. Continuo scambio tra consulente e addetto alla due diligence, che spesso portava la procedura a durare 5–6 settimane. Il cliente ne risultava frustrato, con tassi di abbandono pari al 25–30% già in questa fase iniziale.

L’approccio AI

La banca risolveva un problema dal lato del cliente, ma la difficoltà era nei workflow interni, che creavano anche un’esperienza lavorativa negativa. Hanno scelto Flowable, che ha implementato una sofisticata architettura AI agentica alimentata da algoritmi di machine learning per automatizzare la due diligence SOW. La trasformazione si è sviluppata in due fasi:

Fase 1: Agenti AI Specializzati — Flowable ha distribuito agenti dedicati per estrarre dati dai PDF, incrociare registri pubblici (ad esempio, validare l’exit di un fondatore tramite copertura mediatica), classificare le storie lavorative e riassumere traiettorie finanziarie tramite elaborazione del linguaggio naturale.

Fase 2: Sistema Agente Orchestrato — Un livello di orchestrazione basato sui casi ha coordinato oltre 28 agenti AI per gestire flussi di lavoro end-to-end. Questi agenti includevano moduli specializzati per confrontare i guadagni storici, verificare la tracciabilità degli asset e valutare la conformità regionale, il tutto entro rigorosi limiti di permesso sui dati.

Fondamentale, Flowable ha assicurato checkpoint "human-in-the-loop" (HITL) nelle fasi chiave decisionali. Nessun agente poteva approvare o respingere un caso senza un controllo finale da parte di professionisti umani, mantenendo fiducia e conformità.

I Risultati

Secondo Micha Kiener, CTO e co-fondatore di Flowable:

• Il churn dei clienti si è ridotto dal 25–30% a meno dell'1% nella fase SOW, rappresentando un significativo risparmio sui costi grazie a una migliore fidelizzazione.
• Il tempo di elaborazione è precipitato da 40–45 giorni a soli 1–2 giorni in media.
• Il 95% del flusso di lavoro SOW è ora completamente autonomo, liberando consulenti clienti e responsabili della due diligence per occuparsi di attività che richiedono giudizio umano.
• Nessuna resistenza all’adozione—anzi, i dipendenti l'hanno accolta come un miglioramento atteso da tempo di una funzione gravosa, dimostrando una fluida adozione dell'AI.

Per il Management

Progettando un sistema di orchestrazione specifico per il dominio, con trasparenza, controlli e chiarezza dei ruoli, questa istituzione ha recuperato ricavi persi, trattenuto i migliori clienti e liberato le persone per attività a maggior valore aggiunto, migliorando radicalmente l’esperienza dei dipendenti. I leader aziendali hanno visto un ROI immediato dall’investimento nelle tecnologie AI.

Bandiera Rossa

Senza una governance robusta, l’AI agente può divenire una black box, generando rischi di conformità, allucinazioni e perdita di fiducia. Flowable ha ottenuto l’appoggio del management costruendo un livello di case management con permessi dati rigorosi, tracciabilità e auditabilità.

Parliamoci chiaro (con Consiglio)

L'AI agente non è plug-and-play—è architettura. Se vuoi davvero integrare l’AI in flussi regolamentati e critici:

• Sviluppa soluzioni orizzontali, non a silos: mira al processo end-to-end intero, non solo a frammenti.
• Dai priorità alla governance: traccia ogni input/output, definisci i limiti degli agenti, metti i permessi sui dati in sicurezza.
• Human-in-the-loop non è opzionale, è una funzione di sicurezza e un pilastro di fiducia. Come sottolinea Kiener:

La gente pensa che automatizzare significhi togliere le persone dal processo, ma è il contrario. Il segreto è sapere esattamente dove serve ancora il giudizio umano. La nostra AI si occupa delle incombenze, ma sono le persone a prendere le decisioni che contano.

Prima vs Dopo: Banca Privata Globale + Flowable

Area di Focus	Prima dell’AI	Dopo l’AI
Tempo di Verifica SOW	5–6 settimane per cliente; lunghi scambi tra consulenti e responsabili della due diligence	1–2 giorni in media grazie a gestione autonoma AI al 95%
Churn Clienti	25–30% abbandono per ritardi e richieste di informazioni ripetute	<1% churn durante onboarding; processo fluido, rapido, di grande fiducia
Carico di Lavoro	Estrazione manuale dei documenti, continue richieste di chiarimento, poco riutilizzo	Oltre 28 agenti AI orchestrati per estrarre, validare, riassumere ed evidenziare solo le eccezioni
Rischio di Governance	Uso iniziale di strumenti agent aperti senza tracciabilità né controllo sui dati	La piattaforma case-based di Flowable ha imposto permessi dati, tracciabilità e supervisione umana

3. Maya AI per il Recruiting

Un importante assicuratore vita si trovava ad affrontare colli di bottiglia nel reclutamento, tipici degli ambienti con assunzioni ad alto volume. Gli specialisti HR spendevano troppo tempo a vagliare manualmente i curriculum, contattare candidati, gestire profili non idonei e organizzare follow-up—spesso su piattaforme scollegate come ATS, LinkedIn, email e portali lavoro.

Il processo era ripetitivo, incoerente e soggetto a interruzioni, con tempi lunghi per arrivare ai colloqui e frequenti "no show" dei candidati che sovraccaricavano i recruiter e allungavano i tempi di assunzione, incidendo sia sull’esperienza dei nuovi assunti che sull’efficienza HR generale.

L’AI in Azione

L’assicuratore ha implementato Maya, una piattaforma AI conversazionale e di automazione dei workflow che utilizza il natural language processing per gestire il primo step della pipeline di recruiting. Maya è stata configurata per:

• Raggiungi automaticamente i candidati con messaggi conversazionali e personalizzati tramite SMS, email o moduli personalizzati.
• Valuta e qualifica i candidati in base a criteri predefiniti, tra cui l’analisi dei curriculum e domande specifiche per il ruolo utilizzando algoritmi di apprendimento automatico—automatizzando essenzialmente lo screening dei CV su larga scala.
• Pianifica colloqui tramite AI, in base alla disponibilità dei recruiter, e invia promemoria automatici per ridurre le assenze, aiutando a ottimizzare uno dei compiti HR più dispendiosi in termini di tempo.
• Fornisci ai recruiter riassunti strutturati dei candidati, segmentando quelli idonei da quelli non idonei con le motivazioni per entrambi, consentendo decisioni più guidate dai dati e una migliore analisi della qualità dei candidati.
• Adatta tono e personalità (informale vs formale) in base al brand aziendale e alla natura del ruolo.

Il setup ha richiesto due settimane, durante le quali Maya è stata adattata alle sfumature dei processi di selezione dell’azienda e ai requisiti di conformità, dimostrando un’adozione rapida dell’AI.

I Risultati

Maya ha prodotto notevoli guadagni di efficienza e di conversione già nelle prime settimane dal lancio:

• Il tasso di assunzione ha raggiunto il 70% dei candidati gestiti da Maya attraverso le agenzie dell’organizzazione.
• Il costo per colloquio è sceso da $37 a $13—una riduzione del 65% in due mesi, permettendo di allocare meglio le risorse su altre iniziative e generando risparmi consistenti.
• Il tempo per il colloquio si è ridotto da 5–7 giorni a 1 giorno, migliorando drasticamente la velocità d’assunzione e l’esperienza dei candidati.
• Il 92% dei candidati pensava di interagire con un essere umano, non con l’AI, a dimostrazione della sofisticazione del processamento del linguaggio naturale.
• Maya si è occupata integralmente dello screening sia dei candidati idonei sia di quelli non idonei, liberando i recruiter per dedicarsi esclusivamente ai candidati di alto livello e a funzioni HR strategiche.

Sintesi per i dirigenti

L’AI conversazionale riguarda il coinvolgimento preciso. Maya ha trasformato un processo manuale e caotico nella parte alta dell’imbuto in un flusso snello e ad alta conversione, lasciando ai recruiter ciò che sanno fare meglio: costruire relazioni umane e concludere ottime assunzioni, migliorando al contempo il coinvolgimento complessivo durante il recruiting.

Bandiera rossa

I sistemi umani possono ancora essere il collo di bottiglia. Maya ha qualificato con successo i candidati, ma in alcuni casi i recruiter non hanno effettuato il follow up, perdendo così delle opportunità. L’AI necessita del supporto di processi efficienti lato recruiter, responsabilità e programmi di formazione aggiornati.

Parliamoci chiaro (con un consiglio)

Shivam Ramphal, co-fondatore di Maya AI, dà sempre lo stesso consiglio ai clienti, indipendentemente dal loro obiettivo.

Diciamo sempre ai clienti: non liberate l’AI fino a quando non sapete che aspetto ha il successo. Se non avete chiare le vostre mete o siete sopraffatti dal volume, l’AI amplificherà solo questo. Ma se siete focalizzati, diventa un super-potenziante.

AI come Maya può migliorare radicalmente le prestazioni di assunzione, ma solo se gli umani fanno la loro parte.

• Definisci obiettivi di assunzione realistici prima di usare l’AI nelle assunzioni. Non chiedere 10.000 lead se ti servono solo 5 assunti.
• Forma l’AI come un dipendente: includi cosa deve dire, cosa non deve dire e se dev’essere formale o più personale.
• Usa l’AI per integrare, non per sostituire: il compito di Maya è lo screening—i recruiter devono comunque essere presenti e concludere l’assunzione.

Lead Smarter in the Age of AI

Join the People Managing People community for access to exclusive content, practical templates, member-only events, and weekly leadership insights—it’s free to join.

Sign up with:

LinkedInGoogleMicrosoft

Or sign up with email:

Name*

First name Last name

Business email*

LinkedIn profile

Seniority*

Select an optionExecutive / C-suiteVPDirectorManagerIndividual ContributorOther

Company's AI adoption maturity*

Select an optionExploring opportunitiesRunning pilotsScaling adoptionEmbedded in the business model

This field is hidden when viewing the form

Job title

This field is hidden when viewing the form

Department

Select an optionExecutive LeadershipOperationsPeople & CultureTechnologyFinanceMarketingSales & Business DevelopmentProduct & InnovationCustomer SuccessLegal & ComplianceOther

This field is hidden when viewing the form

Company size

Select an option1–5051–200201–1,0001,001–5,0005,001–10,00010,000+

This field is hidden when viewing the form

Industry

Select an optionTechnology / SoftwareProfessional Services / ConsultingFinancial ServicesHealthcare & Life SciencesManufacturing & IndustrialRetail & Consumer GoodsMedia & CommunicationsGovernment & Public SectorEducationNonprofit / NGOEnergy & UtilitiesOther

This field is hidden when viewing the form

Company website

By submitting this form, you agree to receive our newsletter, and occasional emails related to People Managing People. You can unsubscribe at any time. For more details, please review our privacy policy.

This field is hidden when viewing the form

Reg Wall Module

InlineBottom BarFooterLanding PagePop UpSidebarSSO

Prima e dopo: Maya AI + Globe Life

Area di Focus	Prima dell’AI	Dopo l’AI
Efficienza dei recruiter	I recruiter esaminavano, contattavano e seguivano ogni candidato manualmente	Maya gestiva tutta la comunicazione e lo screening iniziali; i recruiter vedevano solo i candidati idonei
Tempo per il colloquio	5–7 giorni dalla candidatura alla programmazione del colloquio	1 giorno dal primo contatto alla conferma del colloquio
Costo per colloquio	$37 in media	$13 per colloquio in 2 mesi – riduzione dei costi del 65%
Esperienza dei candidati	Comunicazione frammentata; alto tasso di abbandono dei candidati	Il 92% dei candidati pensava che Maya fosse umana; maggiori presenze e esperienza più fluida
Coinvolgimento dei recruiter	Carico di lavoro elevato, poco rendimento	I recruiter si focalizzavano solo sui candidati da intervistare, aumentando efficacia e morale
Tasso di assunzione	Non chiaro, conversione lenta	70% di assunzioni tra i candidati processati da Maya

4. Onboarding con Tonkean

Un team HR globale di un'azienda internazionale aveva difficoltà a fornire un onboarding rapido e personalizzato, soprattutto per i lavoratori contingenti come i collaboratori esterni. I processi HR manuali comportavano spesso tempi superiori a 20 giorni (e talvolta oltre 30) soltanto per fornire a nuovi assunti tutti gli strumenti, gli accessi e i sistemi necessari, rallentando la produttività e vanificando lo scopo di un’assunzione rapida.

Inoltre, la qualità dell’onboarding era incoerente, generica e gravava sia sui manager che sui nuovi dipendenti con compiti logistici e un sovraccarico di informazioni, impattando negativamente sulla employee experience e sull’engagement fin dal primo giorno.

Si chiedeva ai dipendenti di "auto-gestire" i materiali di onboarding tramite intranet o portali di formazione, spesso senza abbastanza contesto o una struttura adeguata per supportare un'effettiva integrazione.

L’approccio con l’IA

L’azienda ha collaborato con Tonkean, una piattaforma che orchestra le operazioni HR utilizzando agenti di intelligenza artificiale e algoritmi di machine learning. Per l’onboarding, Tonkean:

• Monitora i trigger negli strumenti HRIS (come Workday o Rippling) per rilevare nuove assunzioni, cambi di titolo di lavoro o anniversari.
• Automatizza i workflow per avviare in modo proattivo sequenze di onboarding personalizzate sulla base del ruolo, della sede e del team del dipendente.
• Genera contenuti di onboarding su misura attingendo da risorse interne non strutturate, come presentazioni, documenti HR, guide ai benefit e trascrizioni di corsi, tramite elaborazione del linguaggio naturale, trasformando dati sparsi in esperienze formative coerenti (questo è anche un tipico vantaggio delle piattaforme di apprendimento esperienziale).
• Utilizza agenti IA per interagire con i manager via Slack o Teams e co-creare piani personalizzati per i primi 30/60/90 giorni in linguaggio naturale, consentendo decisioni più data-driven sullo sviluppo e la crescita professionale del dipendente.
• Abilita interazioni con agenti live tramite risposte email o portali integrati, così che i nuovi assunti possano porre domande come "Dove mi iscrivo ai benefit?" e ricevere risposte approvate, accurate e contestuali in tempo reale sulla base dei dati personali e dei sistemi HR aziendali.
• Gestisce FAQ (ad esempio, maternità, finestre di iscrizione) in modo anonimo tramite interfacce conversazionali, per ridurre la frizione e proteggere la privacy dei dipendenti.

L’IA è stata impiegata sia in modo proattivo (attivando i piani) che reattivo (rispondendo alle domande), creando un'esperienza per i dipendenti fluida, personalizzata e di alta qualità, riducendo al contempo le attività HR ripetitive.

Risultati ottenuti

• Il tempo di onboarding per i collaboratori esterni è passato da 20–30 giorni a meno di 5 giorni in media.
• I dipendenti hanno riportato che l’onboarding è risultato altamente personalizzato, come se "3-4 persone ci avessero lavorato sopra"—anche se gran parte del lavoro era gestito dall’IA.
• Punteggi CSAT (Customer Satisfaction) più alti per l’onboarding grazie a maggiore chiarezza, tempestività e integrazione nella cultura aziendale, con riflessi diretti sull’engagement.
• Cambiamento di percezione verso l’IA: da risparmiatrice di tempo a moltiplicatrice della qualità—il maggiore ROI non era la velocità, ma una employee experience nettamente superiore senza bisogno di aumentare i team HR.

Il takeaway per i dirigenti

L’orchestrazione abilitata dall’IA ha trasformato l’onboarding da semplice checklist manuale a percorso strategico, scalabile e umano. Combinando integrazione dati, agenti generativi e design human-in-the-loop, questa azienda ha fornito esperienze di onboarding personalizzate su vasta scala, migliorando produttività, performance e retention fin dal primo giorno.

Attenzione

Un messaggio forte e chiaro: non basta aggiungere l’IA sopra i vecchi processi! L’aspettativa errata è il rischio più grande. L’IA richiede di ripensare come definire "accuratezza", responsabilità e successo.

E non aspettarti risultati deterministici: spesso l’IA fornirà risposte diverse ma ugualmente valide. I professionisti HR devono evolvere il modo in cui testano e approvano gli output.

Parliamoci chiaro (con qualche consiglio)

Sagi Eliyahu, cofondatore e CEO di Tonkean, ha dichiarato:

Quando hai nuovi assunti che arrivano da oltre 10 paesi, in diversi dipartimenti, e metà sono collaboratori esterni, è praticamente impossibile gestire l’onboarding manualmente in modo efficace. Quello che abbiamo riscontrato qui non è stata solo velocità, ma un onboarding che sembrava davvero pensato per il tuo ruolo, la tua sede, il tuo team. E la maggior parte era gestito dall’IA.

L’onboarding personalizzato è un elemento di differenziazione strategica. Se vuoi:

• Ridurre il tempo di inserimento dei collaboratori esterni da 30 giorni a 5…
• Offrire automaticamente informazioni sui benefit specifici per regione o ruolo…
• Generare piani personalizzati 30/60/90 senza sovraccaricare i manager…

Allora:

• Integra l'orchestrazione nei flussi di lavoro esistenti (email, Slack, HRIS — non solo nuovi strumenti)
• Concentrati sulla qualità, non solo sull'efficienza — l'IA consente di ottenere entrambe
• Carica preventivamente il sistema con contenuti in formati diversi (presentazioni, trascrizioni, documenti)
• Permetti alle Risorse Umane di gestire le "risposte approvate" e addestrare gli agenti IA con limiti contestuali
• Allinea HR, IT e leadership su una nuova definizione di "funziona come previsto"

Prima vs Dopo: Anonymous Enterprise + Tonkean

Area di interesse	Prima dell'IA	Dopo l'IA
Tempi di onboarding	20–30+ giorni per completare l'onboarding totale dei collaboratori	<5 giorni tempo medio di completamento per l'onboarding dei collaboratori
Qualità dell'onboarding	Materiale generico, disconnesso, nuovi assunti spesso costretti ad orientarsi autonomamente tra i materiali	Piani selezionati dall'IA e personalizzati per ruolo, sede, team; percepito "come se ci avessero lavorato 3–4 persone"
Carico sul manager	I manager creavano manualmente i piani di onboarding, spesso saltati o fatti di fretta	Promemoria via Slack/Teams per co-creare aree di focus per i primi 30 giorni
Accesso alle informazioni	I dipendenti dovevano cercare nei portali intranet o scrivere alle HR	Agenti IA fornivano risposte approvate e contestuali, istantaneamente e in modo anonimo
Efficienza	Alto impegno manuale e costi di formazione	Lettura della documentazione sostituita da agenti interattivi che utilizzano contenuti reali dell'organizzazione (presentazioni, manuali, ecc.)
Scalabilità	Esperienze incoerenti per i nuovi assunti, soprattutto a livello internazionale	Onboarding coerente e scalabile in tutte le sedi e i ruoli

5. CogNet + Trasformazione BPO alimentata dall'IA

Uno dei clienti BPO di CogNet — un'agenzia di staffing nazionale — era bloccato in un ciclo di riconciliazione finanziaria costoso, lento e manuale.

Ogni mese, il cliente vendeva le sue fatture a un partner di finanziamento. Ma prima che potessero ricevere il denaro, il fondo richiedeva una riconciliazione dettagliata tra quanto si aspettava di pagare (in base agli accordi precedenti) e quanto in realtà doveva pagare — un classico esempio di discrepanza tra record interni delle fatture e rendiconti in formati esterni.

Il problema? Il team interno riconciliava manualmente PDF da milioni di righe e fogli Excel mal strutturati, utilizzando un contabile pagato oltre $90,000/anno in retribuzione totale. Solo la riconciliazione occupava oltre 16 ore al mese, solo per identificare le discrepanze. A ciò si aggiungeva il tempo impiegato a rincorrere le differenze, causando ritardi nei flussi di cassa e riducendo la disponibilità del team finanziario per analisi di maggior valore.

Tra gli altri clienti e funzioni, CogNet ha riscontrato lo stesso schema: persone altamente qualificate bloccate in "lavori ripetitivi" importanti ma poco trasformativi per le funzioni HR di base o per altre operazioni aziendali.

L'approccio IA

CogNet ha adottato un approccio "Texas Two-Step" sfruttando machine learning ed elaborazione del linguaggio naturale per ottimizzare questo processo fondamentale:

Fase 1: BPO Cost Arbitrage
Il cliente ha inizialmente trasferito il lavoro di riconciliazione "così com'è" a CogNet, dove analisti offshore potevano svolgere lo stesso lavoro manuale a un costo molto inferiore (~$11.50/ora). Questo da solo ha ridotto i costi da $692.31 a $184 per ciclo di riconciliazione — un risparmio del 276%.

Fase 2: Orchestrazione IA applicata
Successivamente, CogNet ha realizzato uno strato di automazione con operatore umano integrando algoritmi e un Large Language Model (LLM) per confrontare documenti in formati diversi (PDF, Excel, CSV) e analizzare i dati dei dipendenti in modo più efficiente.

Invece di chiedere agli umani di individuare le discrepanze riga per riga, il LLM segnalava i problemi in pochi secondi, consentendo decisioni più rapide e una migliore analisi dei dati. Ora, l'analista di CogNet ha bisogno di sole 2 ore per verificare ed evidenziare i problemi reali, trasformando un processo da $692 in uno da $30, con un notevole risparmio di costi.

Crucialmente, lo strato di orchestrazione di CogNet consente di alternare diversi agenti IA (ad es. ChatGPT, Claude) a seconda del tipo di compito, esposizione normativa (ad es. PHI, dati payroll) e policy cliente. Questo design modulare ha reso più semplice per i clienti affidarsi all'automazione senza sacrificare la conformità, gestendo al contempo dataset differenti.

Risultati

• Il processo di riconciliazione è passato da 16 a sole 2 ore
• I costi sono scesi da $692.31 a $30 per ciclo — una riduzione del 2.208%
• La velocità del processo è aumentata, permettendo la segnalazione dei problemi e il recupero del denaro in 24 ore
• Il contabile è stato riallocato su attività strategiche come l'analisi della redditività invece che su lavori ripetitivi in Excel
• I clienti hanno iniziato a ripensare il BPO non più solo come arbitraggio del lavoro, ma come trasformazione di processo tramite IA per HR e oltre

Da lì, CogNet ha replicato questo modello di “risparmi a piccoli tagli” su dozzine di flussi di lavoro ad alta frequenza per molteplici clienti, trasformando il modo in cui i team HR, paghe e contabilità affrontano le operazioni in outsourcing.

Conclusione Esecutiva

CogNet non si è limitata ad applicare l’IA per ridurre i costi, ma ha ridefinito la value proposition della BPO. Combinando un’automazione a basso attrito con una mentalità di servizio, ha permesso ai clienti di recuperare ore, ridurre i costi fissi e reinvestire le persone in attività di livello superiore.

L’innovazione non è stata solo tecnica, ma anche contrattuale. La disponibilità di CogNet a condividere valore tramite pricing basato sulle prestazioni ha aiutato i clienti a passare dalla mentalità di “fornitore” a quella di “partner”, particolarmente importante nell’avvio di nuove iniziative nei processi HR.

Bandiera Rossa

La tecnologia da sola non costruisce fiducia. Un cliente inizialmente ha resistito all’IA per timori di compliance e per la scarsa familiarità con i LLM. Il punto di svolta è arrivato con un pilot a bassa fedeltà, che ha utilizzato dati fittizi di dipendenti e ha comunque superato gli sforzi manuali, dimostrando il valore prima di richiedere un effettivo consenso.

A tu per tu (con Consiglio)

John Sansoucie, CEO di CogNet, ha un consiglio semplice.

La maggior parte delle aziende pensa che l’automazione inizi con una grande trasformazione, ma in realtà il modo più veloce per dimostrare valore è migliorare ciò che già funziona. Noi partiamo da ciò che esiste, otteniamo risultati rapidi e poi introduciamo l’IA per fare ancora meglio.

Se sei bloccato a riconciliare PDF e fogli Excel pagando $700 a ciclo, il problema non sono le persone. Il problema è il processo.

Vuoi scalare l’IA? Ecco cosa ha fatto bene Cognet:

• Inizia spostando i processi “così come sono” per liberare talento
• Inserisci l’automazione dopo, concentrandoti su attività strutturate come confronti, classificazione, instradamento
• Costruisci flussi IA che affiancano invece di sostituire. Dirigi i casi limite alle persone
• Gestisci le aspettative: i LLM non restituiscono sempre la stessa risposta, ma spesso risposte valide
• Misura il ROI nel tempo umano risparmiato, non solo nel numero di risorse eliminate, monitorando le metriche che contano

Prima e Dopo: Cognet + Riconciliazione Cliente Staffing

Area di Intervento	Prima dell’IA	Dopo l’IA
Flusso di riconciliazione	Processo manuale di 16 ore usando PDF e fogli Excel	L’IA segnala incongruenze in pochi secondi, con solo 2 ore di revisione umana
Costo per riconciliazione	$692.31 a ciclo (basato su $43/ora Staff Accountant)	~$30 a ciclo (workflow offshore + abilitato dall’IA)
Tempistiche flusso di cassa	Pagamenti in ritardo per cicli di riconciliazione lunghi	Turnaround di 24 ore consente risoluzioni più rapide delle contestazioni e riscossione cassa
Utilizzo del talento	Professionisti di alto valore impegnati in copia-incolla o confronti a mano	Staff Accountant passato a report di redditività e analisi finanziaria strategica
Scalabilità della BPO	Scala lineare con headcount	Scala non lineare grazie all’IA, permettendo a Cognet di supportare più workflow senza aumentare il personale analyst

6. Customer.io + Flussi di lavoro IA su Slack & GPT

Customer.io, azienda completamente remota attiva in oltre 30 paesi, ha scoperto che il suo modello asincrono, pur essendo produttivo, lasciava i nuovi assunti disorientati. L’onboarding mancava di struttura e spesso i manager tardavano a fornire aspettative chiare e piani di onboarding, con ricadute negative sull’esperienza dei dipendenti.

I neoassunti descrivevano spesso le prime esperienze come “cercare di capirci qualcosa”, rallentando la produttività e diluendo la cultura aziendale—con effetti negativi su engagement e performance dei dipendenti.

Senza una sede centrale o touchpoint in presenza, l’azienda aveva bisogno di un modo scalabile per rendere l’onboarding chiaro e coinvolgente, senza gravare ulteriormente su manager già impegnati o compromettere altre funzioni HR critiche.

L’approccio IA

Customer.io ha implementato una serie di flussi di lavoro guidati dall’IA che sfruttano il natural language processing per creare struttura e coerenza nell’onboarding, mantenendo però la flessibilità della sua cultura remota.

1. Slack + ChatGPT: Piani 30-60-90 giorni mirati per ruolo

Per colmare il gap di chiarezza, il team ha sviluppato un workflow personalizzato mediante ChatGPT integrato con Slack per aiutare i manager a generare rapidamente piani di onboarding 30-60-90 giorni adatti a ciascun ruolo.

Questo sistema ha ridotto drasticamente il tempo di creazione dei piani – stima tra il 30 e il 50% – migliorando l’allineamento tra neoassunti, manager e obiettivi aziendali, sostenendo un approccio più data-driven nello sviluppo dei dipendenti.

2. Abilitazione dei manager con co-progettazione dei business partner

Invece di lasciare ChatGPT senza controllo, i business partner hanno lavorato fianco a fianco con i manager per affinare i contenuti di onboarding generati dall’IA, assicurando che tono, aspettative e obiettivi di sviluppo fossero coerenti con la cultura di Customer.io. Questo equilibrio tra automazione e cura umana ha aiutato i manager ad adottare il flusso di lavoro senza sacrificare la fiducia.

3. Costruire una cultura dell’IA attraverso la visibilità

Per rafforzare l’adozione nei processi HR, Customer.io ha creato un canale Slack dedicato, #AI-wins, dove i dipendenti condividono casi d’uso di successo—aiutando a normalizzare la sperimentazione e incrementare il coinvolgimento interno. Questo ha portato a un tasso di coinvolgimento interno dell’IA superiore al 90%, secondo il monitoraggio interno.

I risultati

• Riduzione del 30–50% del tempo dedicato alla redazione dei piani di onboarding
• Maggiore chiarezza del processo di onboarding riflessa nei sondaggi di feedback post-onboarding, con metriche di esperienza dipendente migliorate
• Oltre il 90% dei dipendenti che utilizzano attivamente l’IA nei propri flussi di lavoro, dimostrando un forte coinvolgimento con la nuova tecnologia
• Migliore allineamento iniziale tra i nuovi assunti e gli obiettivi aziendali, con conseguente riduzione del tempo alla produttività e miglioramento delle prestazioni dei dipendenti

Sintesi per i dirigenti

Customer.io ha aumentato la chiarezza manageriale su larga scala. Integrando i flussi di lavoro alimentati da GPT in Slack e associandoli a una supervisione umana attenta da parte di professionisti HR, hanno accelerato la produttività dei nuovi assunti senza perdere la sfumatura della gestione delle persone.

Campanello d’allarme

I flussi di lavoro guidati dall’IA, se poco raffinati, possono risultare robotici o generici. Customer.io ha evitato questo rischio facendo sì che i business partner co-progettassero i prompt e che i manager revisionassero l’output dell’IA prima di condividerlo con i nuovi assunti, mantenendo l’elemento umano fondamentale per il coinvolgimento del personale.

Parlare francamente (con consigli)

Jen Fong, Chief People Officer di Customer.io, aveva una visione chiara di come l’IA potesse aiutare.

I nuovi assunti dicevano: 'Sto ancora cercando di capirlo.' Avevamo bisogno di un modo scalabile per portarli da lì a 'So come si definisce il successo.'

L’IA non farà l’onboarding delle tue persone al posto tuo—ma può aiutarti a farlo meglio.

• Usa GPT per strutturare l’impianto, poi lascia ai manager il compito di aggiungere mentorship e sfumature.
• Non limitarti a dare ai manager uno strumento—offri supporto su come creare prompt ed editare in modo efficace, inclusi programmi di formazione se necessario.
• Inizia in piccolo: i piani di onboarding sono un ambito a basso rischio e ad alto rendimento per sviluppare competenze nell’uso dell’IA all’interno delle funzioni HR.

Prima vs Dopo: Onboarding con IA in Customer.io

Area di interesse	Prima dell’IA	Dopo l’IA
Chiarezza per i nuovi assunti	Aspettative vaghe; piani di onboarding incoerenti	30-60-90 generati da GPT creati più rapidamente e meglio allineati agli obiettivi
Carico sui manager	Creare piani di onboarding manualmente richiedeva molto tempo	Tempo ridotto del 30–50% con flussi di lavoro assistiti dall’IA
Cultura di adozione IA	Fase iniziale di esplorazione	Oltre il 90% dei dipendenti usa regolarmente l’IA; monitorato tramite canale Slack
Coerenza dell’onboarding	I piani variavano molto per tono e dettagli	Struttura standardizzata con raffinamento umano personalizzabile

7. Landing Point + Flussi di lavoro IA integrati

Landing Point, una società di reclutamento e staffing, si trovava di fronte a una classica perdita di produttività: i recruiter perdevano ore ogni settimana in compiti amministrativi manuali. I principali colli di bottiglia includevano:

• Formattazione dei CV
• Stesura di biografie dei candidati
• Revisione degli annunci di lavoro

Pur sembrando minori singolarmente, queste attività si sommavano, occupando 3–4 ore per recruiter alla settimana. Allo stesso tempo, alcuni recruiter hanno iniziato a sperimentare strumenti pubblici di IA generativa, sollevando dubbi su sicurezza e privacy dei dati sui dipendenti sensibili.

L’azienda aveva bisogno di una soluzione che aumentasse l’efficienza e rispondesse agli standard di conformità di livello enterprise, ottimizzando al contempo i processi HR cruciali.

L’azione dell’IA

L’approccio di Landing Point si è concentrato su flussi di lavoro IA integrati in modo sicuro, alimentati da algoritmi di apprendimento automatico che incontravano i recruiter nel loro ambiente di lavoro:

1. IA integrata direttamente nell’ATS

Invece di chiedere ai recruiter di imparare nuovi strumenti, Landing Point ha integrato funzionalità AI basate su GPT direttamente nel proprio sistema di tracciamento dei candidati (ATS) utilizzando l’elaborazione del linguaggio naturale—creando di fatto strumenti HR integrati. Questo ha permesso ai professionisti delle risorse umane di:

• Formattare i curriculum in circa 3 minuti (contro 10–20 minuti), automatizzando il processo di screening dei CV
• Redigere biografie dei candidati in circa 1 minuto (contro 15 minuti)
• Pulire automaticamente le offerte di lavoro

Il risultato: 3–4 ore risparmiate per recruiter, ogni settimana, permettendo loro di concentrarsi su funzioni HR a maggior valore aggiunto. Questi risparmi di tempo si sono tradotti direttamente in risparmi sui costi, poiché il team poteva gestire volumi maggiori senza aumentare il personale.

2. Chatbot privato per uso interno

Per offrire ai recruiter un assistente AI più ampio, il team ha implementato un chatbot personalizzato ospitato nel proprio ambiente AWS, protetto da SSO e audit log. I prompt e i risultati venivano archiviati in sicurezza, e modelli come OpenAI e Gemini venivano eseguiti senza alcuna conservazione dei dati per proteggere i dati dei dipendenti.

Questa "sandbox AI sicura" ha consentito ai recruiter di generare annotazioni di ricerca o sintetizzare dati sui candidati senza compromettere la privacy, favorendo decisioni più guidate dai dati senza rischi per la sicurezza.

3. Barriere e governance integrate

I primi episodi di "allucinazioni" hanno portato a creare rigidi sistemi di salvaguardia. Ad esempio, quando un recruiter ha saltato un passaggio di revisione umana, un cliente ha segnalato competenze del candidato non accurate. Landing Point ha risposto:

• Raffinando i prompt
• Rendendo obbligatoria la revisione umana
• Testando i flussi di lavoro tramite un "AI Think Tank" interno

Hanno inoltre abbandonato strumenti poco adottati, come un generatore di email predefinite, preferendo concentrarsi su strumenti che mantenessero la personalizzazione e migliorassero l’esperienza dei dipendenti—essenziale per mantenere i rapporti nel recruiting.

I risultati

• Il tempo per la prima presentazione del candidato è sceso da 3–6 ore a meno di 30 minuti
• Il tasso di errori sui CV è sceso dal 3–4% a meno dell’1%, migliorando gli indicatori di qualità
• 3–4 ore per recruiter a settimana liberate da attività manuali di formattazione
• L’adozione si è diffusa organicamente grazie all’integrazione degli strumenti e al tuning dei prompt in-app
• Implementazione economica, con infrastruttura AI a circa ~$200/mese e 1 ingegnere AI

Cosa deve sapere un dirigente

Landing Point non ha inseguito automazioni appariscenti, ma ha mirato ai veri attriti nei flussi di lavoro. Integrando l’AI dove le persone già lavoravano e costruendo barriere fin dall’inizio, hanno ottenuto un ROI misurabile senza compromettere la fiducia o la protezione dei dati sensibili dei dipendenti.

Questo è un caso di "AI invisibile": basso impatto operativo, bassi costi, grande impatto—permettendo ai recruiter di passare dal formattare al creare relazioni, ottimizzando i processi HR strategici.

Bandiera rossa

Se si salta la revisione umana, anche una AI adottata in buona fede può introdurre errori (ad esempio competenze dei candidati non reali). Un errore iniziale ha quasi compromesso la fiducia di un cliente.

Landing Point ha risolto questo imponendo la supervisione umana, includendo la rifinitura dei prompt nel ciclo di controllo qualità e rafforzando le aspettative culturali sull’uso dell’AI, garantendo che i professionisti HR restassero sempre responsabili per ogni risultato.

Dritto al punto (con consigli)

L’AI non sostituirà i recruiter, ma può restituire loro ore di tempo. Secondo Faizel Khan, Lead AI Engineer in Landing Point, funziona solo se:

• Gli strumenti sono integrati dove le persone già lavorano
• Sicurezza e conformità sono presenti dal primo giorno
• Risolvi ciò che non funziona—e metti da parte ciò che non viene usato
• La governance non è un peso, ma una vera disciplina di prodotto

Questa storia non riguarda l’automazione totale del recruiting. Si tratta di liberare i recruiter umani affinché possano fare ciò che sanno fare meglio: costruire relazioni ed esercitare giudizio. Iniziando presto, puntando a ridurre gli attriti interni e imparando sia dai successi sia dagli errori, abbiamo dimostrato che l’AI può avere un impatto misurabile senza compromettere sicurezza o fiducia.

Prima vs Dopo: Integrazione AI di Landing Point

Area di Focus	Prima dell'IA	Dopo l'IA
Carico Amministrativo Manuale	I recruiter perdevano 3–4 ore/settimana su biografie, CV e annunci di lavoro	Attività ridotte a ~5 minuti ciascuna; 3–4 ore/settimana risparmiate per ogni recruiter
Sicurezza & Conformità	I recruiter usavano strumenti pubblici occasionalmente, aumentando i rischi per la privacy dei dati	Chatbot completamente sicuro con SSO, registri di audit e modello a zero conservazione dati
Velocità di Invio	3–6 ore per inviare il primo candidato	I primi candidati vengono inviati in meno di 30 minuti
Accuratezza dei CV	Tasso d'errore ~3–4%, principalmente formattazione o incompatibilità	Tasso di errore <1%, con migliore soddisfazione tra candidato e cliente
Cultura di Adozione	Sperimentazione iniziale con poca struttura	Adozione diffusa tramite integrazione ATS, formazione e governance interna “AI Think Tank”
Costo Operativo	Non specificato	$200/mese per infrastruttura e 1 ingegnere AI a supporto del deploy completo

8. Integrity Staffing + ConverzAI "Recruiter Jamie"

Nell'ambito dell’assunzione su larga scala, la velocità è tutto. I candidati per ruoli logistici e magazzinieri spesso fanno domanda a più offerte contemporaneamente, lasciando ai recruiter solo una piccola finestra di poche ore per instaurare un contatto significativo prima che i candidati si raffreddino.

Ma i team di selezione di Integrity Staffing erano bloccati:

• Il pre-screening manuale impegnava ore ogni giorno
• I recruiter non riuscivano a contattare ogni candidato abbastanza rapidamente
• I candidati qualificati sfuggivano
• I budget aumentavano perché i team compensavano investendo in più annunci sulle job board

Ciò ha portato a un’esperienza negativa per i candidati, professionisti HR esausti e costi non sostenibili. Il team aveva bisogno di una modalità per ampliare l’ingaggio personalizzato dei candidati senza aggiungere altri recruiter o affidarsi ad automazioni fredde e generiche che avrebbero ulteriormente compromesso l’engagement dei lavoratori.

L’approccio IA

Integrity Staffing ha implementato ConverzAI, il recruiter virtuale basato su IA soprannominato "Recruiter Jamie," progettato per avviare conversazioni coinvolgenti in tempo reale su larga scala, grazie all’elaborazione del linguaggio naturale e algoritmi di machine learning.

Cosa fa Recruiter Jamie:

• Contatta i candidati entro 15 minuti dall'inoltro della candidatura nell'ATS (Bullhorn)
• Li raggiunge via SMS, telefono o email in base alle preferenze del candidato
• Effettua un pre-screen strutturato che copre:
  • Esperienza lavorativa
  • Località
  • Disponibilità
  • Aspettative di retribuzione
  • Esigenze specifiche del ruolo
• Classifica i candidati come:
  • Interessato
  • Non idoneo
  • Da ricontattare
• Inoltra i candidati qualificati ai recruiter umani, che si concentrano così solo sui candidati realmente interessati, facilitando decisioni più guidate dai dati e automatizzando la pre-valutazione dei CV dispendiosa in termini di tempo

Jamie opera durante il normale orario lavorativo (8:00–20:00 locali) ma prosegue con ingaggio via SMS ed email 24/7. Le note vengono registrate direttamente nell'ATS per il passaggio immediato, creando un flusso continuo di dati sui lavoratori a supporto delle funzioni HR.

I leader aziendali di Integrity Staffing riferiscono che questo approccio all’adozione dell’IA ha trasformato la loro posizione competitiva nell’acquisizione dei talenti.

I Risultati

Da gennaio 2024 a luglio 2025, Jamie ha interagito con oltre 66.000 candidati, producendo risultati misurabili e multidimensionali su tutti i principali indicatori:

• Aumento del 76% nel totale delle assunzioni
• Aumento dell'80% nelle assunzioni di candidati diretti
• Miglioramento del 55% nell’efficienza dei recruiter (più assunzioni per recruiter)
• Tempo di risposta dei candidati sceso da giorni o settimane a meno di 15 minuti, migliorando drasticamente l’esperienza del candidato
• Spesa pubblicitaria ridotta di oltre il 75% in alcuni mercati
• Tasso di opt-out dei candidati sotto lo 0,5%, a conferma di un elevato livello di comfort con l’ingaggio tramite IA (Solo 311 su 66.391 candidati hanno rifiutato l’interazione con l’IA)

Considerazioni Executive

L’IA non ha solo migliorato l’efficienza, ma ha cambiato il ritmo stesso della selezione. Collegandosi in pochi minuti, Jamie ha ribaltato la logica: da rincorrere lead ormai freddi a puntare subito sui candidati caldi e motivati.

Il risultato? Un'esperienza migliore per i candidati, assunzioni più rapide, costi ridotti e recruiter meno impegnati in compiti noiosi e più concentrati su abbinamenti di alto valore.

Bandiera Rossa

All'inizio, i recruiter temevano che Jamie risultasse troppo "robotica" e potesse compromettere il coinvolgimento dei dipendenti. Ma quando i dati pilota hanno mostrato che l'87% dei candidati era interessato e meno dello 0,5% si era opposto, quello scetticismo è rapidamente svanito.

Ciò che ha cambiato la situazione è stato dimostrare che l'IA non era una minaccia—ma un alleato che permetteva agli HR di brillare.

Parliamo Chiaro (con Consigli)

Non si è trattato di una vittoria plug-and-play. Il successo è arrivato grazie a una gestione strutturata del cambiamento e a iniziative strategiche:

• Rendere l’IA parte delle SOP—non un extra opzionale
• Formare tempestivamente i recruiter alla collaborazione con l’IA attraverso programmi dedicati
• Mantenere i recruiter informati affinché si fidino delle transizioni
• Utilizzare i dati pilota per disinnescare lo scetticismo e rafforzare la fiducia interna
• Creare cicli di feedback per migliorare continuamente interazioni e integrazioni

Prima vs Dopo: Integrity Staffing + ConverzAI

Area di Focus	Prima dell'IA	Dopo l'IA
Tempo di Coinvolgimento	Giorni (a volte settimane); contatto a freddo	<15 minuti in media dalla candidatura al primo contatto
Conversione dei Candidati	Molti lead si raffreddavano; l’assunzione di candidati diretti era lenta	+80% in più di candidati diretti assunti dopo il pre-screening dell’IA
Efficienza dei Recruiter	Tempo speso a inseguire, chiamare a freddo e filtrare manualmente	+55% di incremento nella produttività dei recruiter
Volume delle Assunzioni	Recruiter sopraffatti dal volume; vuoti nella pipeline	76% di assunzioni in più grazie a un funnel più rapido e filtrato
Sentimento dei Candidati	Coinvolgimento incoerente; contatti spesso ignorati	87% di tasso di coinvolgimento, <0,5% di rifiuto dell'interazione con l’IA
Spesa Pubblicitaria	Spese elevate su job board per rimpiazzare candidate cold	Riduzione dei costi pubblicitari fino al 75%
Carico di Lavoro & Stress	Recruiter sovraccarichi, in difficoltà a mantenere il passo	I recruiter interagiscono solo con candidati qualificati e motivati
Fiducia & Conformità	Rischio di incoerenza nei contatti e nel pre-screening	Script standardizzati e revisionati e integrazione con ATS garantiscono equità

Condizioni di Successo

• Approvazione della leadership fin dal principio
• Formazione inserita nell'onboarding
• Integrazione ATS (Bullhorn) semplice e funzionalità di scrittura bidirezionale
• Aggiornamenti SOP che rendono l’IA standard, non l’eccezione
• Cicli di feedback costanti per perfezionare le conversazioni e affrontare le criticità

Trappole da Evitare

• Non dare per scontato che i candidati respingeranno l’IA—lascia che siano i dati a mostrare le loro preferenze reali
• Non saltare la gestione del cambiamento—l’adozione dipende dal cambiamento culturale
• Non lasciare che i recruiter si sentano messi da parte—ribadire che l’IA li libera per concentrarsi sui loro punti di forza

9. FORE Enterprise + AI Hackathon

FORE Enterprise, architetto di soluzioni AI che serve clienti nei servizi finanziari, franchising sportivi, software, servizi dati e moda di lusso, è noto per affrontare sfide aziendali complesse grazie ad applicazioni AI intelligenti e scalabili.

Ma internamente, il team voleva testare la propria velocità: sarebbero stati in grado di sviluppare funzionalità pronte per i clienti—alimentate dall’IA—in meno tempo, con meno risorse e senza compromessi sulla qualità?

Lo scenario: realizzare una funzionalità operativa per un prodotto di deal-sourcing che aiuti i clienti a trovare, classificare e analizzare potenziali opportunità utilizzando un modello linguistico di grandi dimensioni (LLM). Normalmente, lo sviluppo richiederebbe una settimana (con IA) o un mese (senza). Sarebbero riusciti a farlo in 24 ore?

La risposta è arrivata attraverso un hackathon AI aziendale e i risultati sono stati trasformativi, dimostrando il potenziale delle iniziative AI per accelerare lo sviluppo mantenendo gli standard qualitativi.

L’approccio AI

FORE ha organizzato un hackathon AI da 24 ore, suddividendo l’intero staff in team funzionali incrociati e dando a ciascuno un unico obiettivo:

Usare l’IA per sviluppare una funzionalità operativa che supporti il deal sourcing con un LLM e presentarla dal vivo a un cliente entro una giornata.

Principali strumenti e metodi AI impiegati:

• Cursor: ambiente di sviluppo nativo IA con suggerimenti di codice in linea e preparazione al commit
• Claude + ChatGPT: per generare piccoli blocchi di codice, analizzare schemi e gestire la logica tramite elaborazione del linguaggio naturale
• "Mentalità da editor": anziché lasciare che l’IA agisca senza controllo, i team hanno usato l’IA come co-pilota, generando codice in piccoli step, poi modificando e validando a ogni fase per ottimizzare i risultati
• Requisiti della demo live: ogni funzionalità doveva essere verificabile, visibile e spiegabile in termini comprensibili al cliente

I risultati

• Il tempo di sviluppo si è ridotto da una settimana a un giorno per le funzionalità chiave di prodotto
• Il 100% delle funzionalità create con IA è stato approvato dal cliente per la piena implementazione
• La velocità di ingegnerizzazione è passata da ~5.000 a 30.000 commit mensili, indicando una produttività superiore senza codice gonfiato—un netto miglioramento dei principali indicatori di performance
• I team hanno imparato a fidarsi dell’IA per la velocità, sviluppando allo stesso tempo un giudizio acuto su quando guidarla o sostituirla

Conclusioni per il management

Gli strumenti IA da soli non ti fanno andare più veloce, la struttura sì. Dando ai team una finestra temporale ristretta, obiettivi di funzionalità scomposti e piena libertà di usare l’IA come partner creativo, FORE ha sbloccato una delivery rapida senza compromessi sulla qualità.

Gli hackathon non sono solo trovate pubblicitarie. Per le piccole imprese, sono motori di apprendimento compressi che aumentano le competenze del team e generano valore in breve tempo, rappresentando iniziative strategiche che portano ROI immediato.

Segnale d’allarme

Il codice generato dall’IA non è infallibile. Nelle prime sessioni, strumenti come Claude fraintendevano i riferimenti agli oggetti, creavano drifting degli schemi o immaginavano livelli di complessità inutili. Lasciare che il modello agisse troppo a lungo senza check point portava a commit superflui e lacune logiche.

Parliamoci chiaro (con consigli)

L’IA non sostituisce gli sviluppatori—accelera quelli bravi e smaschera il pensiero superficiale negli altri. Tyler Hochman, Fondatore e CEO di FORE Enterprises, ha condiviso alcune lezioni.

Abbiamo imparato costantemente come funzionano gli strumenti. Tendono a complicare troppo le cose, il che può essere una trappola. Se dai allo strumento un compito aperto, come implementare una funzionalità, non fa un buon lavoro, ma se il compito viene scomposto in A, B, C e D e si verifica ogni fase, il risultato migliora molto.

Lezioni apprese:

• Non lasciare che l’IA gestisca compiti grandi e aperti. Scomporre tutto in parti chiare e verificabili.
• Validare sempre la consapevolezza dello schema. Il modello potrebbe non riconoscere le tue strutture dati in automatico.
• L’editing umano è fondamentale. L’IA funziona meglio se il suo output viene trattato come una bozza.

Prima e dopo: FORE Enterprise AI Hackathon

Area di interesse	Prima dell’IA	Dopo l’IA
Velocità sviluppo funzionalità	~1 settimana per funzionalità (o 1 mese senza IA)	1 giorno per funzionalità grazie a codice assistito da IA + struttura hackathon mirata
Tasso approvazione cliente	Variabile, dipendente da iterazioni e QA	Approvazione 100% delle funzionalità create all’hackathon
Produttività ingegneristica	~5.000 commit mensili	30.000 commit mensili dopo implementazione IA
Costo della sperimentazione	Elevato—erano necessari interi sprint di sviluppo	Basso—24 ore di lavoro strutturato a team per funzionalità
Adozione IA nel team	Esplorazione ad hoc, bassa fiducia nei modelli	Alta adozione, sicurezza e competenza pratica grazie alla collaborazione
Gestione del rischio IA	L’IA complica, interpreta male gli schemi	Rischio mitigato tramite prompt a step + editing umano

10. Smartbridge + Recruiter AI Agent

Un’azienda di medie dimensioni nei servizi oil & gas (500–1.000 dipendenti) faticava ad assumere in modo efficiente su ampia scala. I recruiter spendevano troppo tempo a cercare, valutare e seguire manualmente i candidati—spesso affidandosi a euristiche e intuizioni poco coerenti che introducevano ritardi e bias nel processo di selezione.

Con più recruiter impegnati su volumi elevati in diverse sedi, l’azienda affrontava tre necessità urgenti:

• Ridurre il time-to-hire per evitare perdita di produttività e migliorare l’esperienza dei dipendenti
• Standardizzare le decisioni di assunzione per migliorare la coerenza e ridurre i bias, rendendo il processo più data-driven
• Liberare i professionisti HR perché si concentrino sulla relazione con i candidati—non solo sul triage

La mossa IA

Per trasformare il processo, l'azienda ha collaborato con Smartbridge, una società di consulenza per la trasformazione digitale, per implementare un co-pilota per i recruiter costruito su misura e alimentato da intelligenza artificiale generativa.

Questo strumento di intelligenza artificiale agentica è stato progettato per integrarsi direttamente con BambooHR e l'ATS dell'azienda, garantendo l'integrazione fluida tra i flussi di lavoro e la protezione dei dati dei dipendenti. La soluzione ha offerto:

• Screening automatico dei candidati attraverso i dati dell'ATS per ottimizzare una delle attività HR più dispendiose in termini di tempo, includendo funzionalità sofisticate di screening dei CV
• Raccomandazioni contestuali per i follow-up dei recruiter, ordinate per qualità e urgenza, consentendo decisioni più guidate dai dati
• Domande standardizzate per i colloqui generate dalle descrizioni delle posizioni con tecnologie AI
• Funzionalità di riduzione dei bias grazie all'applicazione di criteri uniformi nelle valutazioni dei candidati, migliorando le metriche di equità tramite un'attenta analisi dei dati
• Azioni e insight consegnati con tempismo ai recruiter, allineati alle necessità e preferenze specifiche del ruolo—l'AI aiuta a garantire che nulla venga trascurato

I Risultati

I risultati sono stati significativi e verificabili:

KPI	Prima dell'AI	Dopo l'AI
Tempo investito nel recruiting	Intensivo manualmente per settimane	Oltre il 70% di riduzione del tempo speso nel recruiting
Time-to-Fill	Spesso ritardato di 1–2 settimane	Cicli di assunzione ridotti di 1–2 settimane
Coerenza nelle assunzioni	I recruiter usavano euristiche diverse	Standard e insight unificati tra recruiter
Bias nello screening	Dipendente da valutazione soggettiva	Bias minimo, applicato tramite valutazione strutturata
Adozione dello strumento da parte dei recruiter	Utilizzo manuale dell'ATS	100% di adozione da parte dei recruiter, con workflow integrati

"Ogni recruiter lo sta usando ora—e lo fanno con fiducia. Il sistema fornisce esattamente ciò di cui hanno bisogno, quando ne hanno bisogno," ha detto Rajeev Aluru, Head of AI and Data Science presso Smartbridge.

Punti Chiave per i Leader

L’AI non sostituisce i recruiter—li valorizza. Integrando un co-pilota intelligente direttamente negli strumenti ATS esistenti, Smartbridge ha aiutato questa azienda nel settore costruzioni e servizi a standardizzare la qualità delle assunzioni, accelerare la rapidità di collocamento e ridurre in modo drastico lo sforzo manuale.

Lo strumento è oggi parte integrante dell’infrastruttura, non un esperimento accessorio, dimostrando il potenziale trasformativo dell’AI per le HR quando viene integrata correttamente nelle funzioni di gestione delle risorse umane.

Segnale di Pericolo

Se il sistema di AI non è integrato profondamente nei flussi di lavoro esistenti, l’adozione si blocca. Ciò che ha reso efficace questo caso è stata la consegna senza soluzione di continuità degli insight direttamente dentro BambooHR e l’ATS, mantenendo slancio e fiducia nei recruiter.

Parliamoci Chiaro

La tecnologia funziona—ma serve il coinvolgimento dei recruiter fin dal primo giorno.

• Non sorprendere il tuo team. Coinvolgi i recruiter sin dalle prime fasi di progettazione.
• Fai percepire l’AI come un supporto, non come un sostituto. Usala per raccomandare, non per imporre.
• Mantienila nei loro strumenti. Se l’AI vive fuori dal sistema di riferimento, non verrà utilizzata.
• Monitora le prestazioni. Mostra ai recruiter come li aiuta a occupare le posizioni più velocemente, meglio e in modo più equo.

11. Docebo + AI: Assunzione, Engagement e Gestione della Conoscenza

Docebo, azienda globale di tecnologia per l’apprendimento con circa 1.000 dipendenti tra Nord America ed Europa, si è trovata ad affrontare sfide operative e di assunzione complesse su larga scala. I team di acquisizione talenti faticavano con la valutazione coerente dei candidati, la presa di appunti durante i colloqui e i ritardi nel trasformare le conversazioni con i responsabili delle assunzioni in decisioni operative.

Allo stesso tempo, i team People esaminavano manualmente migliaia di commenti dei sondaggi di engagement ogni mese, rallentando notevolmente la loro capacità di agire sui feedback e migliorare l’engagement dei dipendenti. Anche la condivisione della conoscenza interna tra i team era un collo di bottiglia, soprattutto durante progetti come la riorganizzazione aziendale.

Docebo aveva bisogno dell’AI non per novità, ma per ottenere chiarezza operativa, decisioni più rapide e valutazioni più accurate dei candidati in un’azienda distribuita a livello globale—migliorando così contemporaneamente molteplici funzioni HR.

Il Vantaggio AI

Docebo ha implementato l’AI in tre flussi di lavoro critici per le risorse umane utilizzando machine learning ed elaborazione del linguaggio naturale:

1. Assunzione + Intelligence per i Colloqui

• Granola.ai è stato introdotto per supportare recruiter e responsabili delle assunzioni durante i colloqui, trascrivendo automaticamente e riepilogando le note.
• Questo ha liberato i recruiter dal dover trascrivere dopo le chiamate e ha permesso ai responsabili delle assunzioni di concentrarsi sull’ascolto attivo, aumentando equità e coerenza nelle decisioni di assunzione—l’IA aiuta a eliminare compiti HR ripetitivi.
• I riepiloghi ora fungono anche da archivio per capire quali domande portano a ottime assunzioni—consentendo il perfezionamento delle strategie di colloquio e decisioni di valutazione dei candidati più basate sui dati, creando set di dati di valore per il miglioramento continuo.

2. Descrizioni delle posizioni coerenti con la cultura aziendale + Profilazione dei candidati

• Strumenti di IA sono stati utilizzati per redigere descrizioni delle posizioni allineate ai valori di Docebo, portando a un notevole miglioramento della qualità dei candidati e a una migliore esperienza dei dipendenti fin dal primo contatto.
• I recruiter hanno anche sperimentato l’uso di tecnologie IA per analizzare contenuti pubblici dei candidati (ad esempio post su LinkedIn) al fine di valutare l’allineamento ai valori culturali, come le qualità di leadership incentrate sulle persone.
• Sebbene non vengano utilizzati per prendere decisioni finali, questi insight fungono da indicazione per le assunzioni di leadership, supportando le conversazioni sullo sviluppo di carriera.

3. Analisi del sentiment delle survey di engagement

• In passato, la revisione di migliaia di commenti alle survey mensili di engagement richiedeva settimane.
• Grazie al riassunto tramite IA e agli algoritmi per l’analisi dei dati, i team HR sono ora in grado di identificare temi emergenti e cambiamenti di sentiment nel giro di poche ore, lanciando così iniziative di risposta più rapidamente.
• Importante: ogni commento continua ad essere esaminato manualmente dagli specialisti HR—ma l’IA funge da filtro iniziale per evidenziare questioni urgenti e ridurre il tempo tra feedback e azione, migliorando drasticamente i tempi di risposta e abilitando analisi predittive su potenziali rischi di retention.

4. Accesso alla conoscenza interna con Glean

• Glean, uno strumento di knowledge management basato su IA, è stato adottato per eliminare i silos interni e ottimizzare l’accesso alle informazioni—uno degli strumenti HR fondamentali nel tech stack di Docebo.
• I dipendenti possono interrogare Glean per ottenere riepiloghi sulle priorità dei dipartimenti, organigrammi e aggiornamenti sui progetti interni, supportando lo sviluppo di carriera attraverso la chiarezza sui percorsi di crescita.
• Ad esempio, il team HR lo ha utilizzato per snellire le attività di design organizzativo, recuperando in tempo reale obiettivi e strutture dei team dai dati dei dipendenti. I business leader segnalano che questo ha migliorato drasticamente la velocità di pianificazione strategica.

I risultati

• Oltre 2 ore risparmiate per recruiter/intervistatore per ogni assunzione grazie all’automazione della presa di note
• Migliaia di commenti alle survey analizzati ogni mese in poche ore invece che settimane, migliorando i tempi di risposta sul coinvolgimento dei dipendenti
• Descrizioni delle posizioni più rapide e di qualità superiore hanno contribuito al miglioramento dei pipeline di candidati e dell’esperienza dei dipendenti
• Migliore calibrazione delle assunzioni grazie all’analisi retrospettiva delle trascrizioni dei colloqui, consentendo decisioni più basate sui dati
• Pianificazione organizzativa più veloce utilizzando i riepiloghi interni in tempo reale di Glean

“Non vediamo l’IA come un gioco a somma zero. Si tratta di liberare il meglio delle nostre persone, ottenendo efficienza reale e capacità di scalare.” — Lauren Tropeano, VP of People and Culture, Docebo.

Conclusione per i dirigenti

L’IA non deve essere rivoluzionaria per essere trasformativa. Il successo di Docebo è nato dall’integrazione di strumenti IA pratici nei flussi di lavoro esistenti: rimozione delle frizioni nella presa di note, accesso facilitato all’insight organizzativo, e azione più rapida sui feedback di engagement.

L’approccio è stato tanto pragmatico quanto incentrato sulle persone, con governance e sperimentazione a guidare un’adozione sostenibile trasversale alle funzioni HR.

Bandiera rossa

Non tutti gli strumenti IA producono risultati utili. Docebo ha dovuto sperimentare varie piattaforme di presa di note prima di trovarne una capace di cogliere le giuste sfumature e distinguere tra i vari interlocutori. Lezione? Bisogna testare prima di scalare e valutare non solo cosa può fare l’IA, ma se ciò che fa è davvero utile per i tuoi processi HR.

A tu per tu (con consigli)

• Inizia in piccolo, scala in modo intelligente: Parti con team pilota, raccogli feedback e poi espandi sulla base del valore dimostrato e di metriche chiare.
• IA ≠ Pilota automatico: I team hanno ancora bisogno di pensiero critico e giudizio umano per interpretare e mettere in pratica gli insight dell’IA.
• La governance è fondamentale: Definisci bene i confini di accesso ai dati (ad esempio nessun accesso ai sistemi HR sensibili) e la chiarezza sul corretto utilizzo dei dati dei dipendenti.

Prima e Dopo: Il percorso IA di Docebo

Area di interesse	Prima dell’IA	Dopo l’IA
Prendere appunti nei colloqui	Trascrizione manuale dopo ogni chiamata; livello di dettaglio ed impegno incostanti	I riepiloghi di Granola fanno risparmiare oltre 2 ore per ruolo; i manager possono concentrarsi sull’ascolto invece che sulla scrittura
Analisi dei sondaggi di coinvolgimento	La codifica manuale di migliaia di commenti richiedeva settimane	I riepiloghi tematici tramite IA permettono cicli di feedback-utilizzo quasi in tempo reale
Ricerca di candidati	Le descrizioni delle posizioni spesso si perdevano tra tanti annunci generici del settore	Annunci di lavoro generati dall’IA e allineati ai valori aziendali attirano candidati più in linea con l’azienda
Ricerca sulla progettazione organizzativa	Ore/giorni a cercare tra email e Slack per comprendere la struttura del team	Glean mostra in pochi secondi gli obiettivi dei team e gli organigrammi
Valutazione culturale	Visibilità limitata sui comportamenti centrati sulle persone dei candidati alla leadership	Le revisioni supportate da IA dei contenuti pubblici forniscono indicazioni sulla compatibilità culturale

5 lezioni chiave dalla prima linea dell’IA nelle Risorse Umane

Dopo aver esaminato decine di implementazioni reali, ecco i principali insegnamenti dai team che stanno già affrontando questo lavoro oggi—non in teoria, ma nella pratica:

More Articles

• I piccoli team stanno buttando via il loro più grande vantaggio nell’IA
• Essere Pronti all’IA è un Motto, Non una Strategia
• Due Conferenze, Un Problema: Quello Che i Costruttori e i CHRO Non Si Stanno Dicendo a Vicenda

1. L’integrazione vale più dell’invenzione

I progetti più efficaci hanno integrato le tecnologie IA negli strumenti che i team già utilizzavano—come Slack, piattaforme ATS o sistemi HRIS. La gestione del cambiamento è stata più fluida, l’adozione dell’IA è avvenuta più rapidamente, e il ritorno dell’investimento è arrivato prima. I professionisti HR hanno potuto leva sull’IA per le Risorse Umane senza stravolgere i processi esistenti. Invece di introdurre nuovi strumenti HR, le implementazioni di successo hanno potenziato quelli già conosciuti alle squadre, riducendo gli attriti e accelerando la generazione di valore.

2. Il giudizio umano conta ancora

Anche i sistemi IA più avanzati non prendevano decisioni da soli. Ogni esempio prevedeva progettazione con presenza umana, rafforzando la fiducia, migliorando i risultati e garantendo equità in assunzione, onboarding e valutazione delle performance dei dipendenti. Apprendimento automatico e algoritmi supportano le decisioni—non sostituiscono il giudizio degli esperti HR. I leader che comprendono questo principio vedono l’IA come supporto e non sostituzione e costruiscono sistemi più solidi e affidabili di conseguenza.

3. L’adozione richiede fiducia, non solo tecnologia

I team che hanno vinto con l’IA hanno investito in formazione, trasparenza e narrazione interna. L’adozione dell’IA non è stata soltanto una sfida tecnica, ma anche culturale. I team con le migliori performance hanno fatto percepire l’IA come un alleato, non una minaccia, mantenendo un forte coinvolgimento del personale durante tutte le iniziative di implementazione. Per adottare con successo l’IA è stato necessario affrontare le preoccupazioni sulla sicurezza del lavoro, dimostrare il valore tramite progetti pilota e celebrare pubblicamente i risultati per creare entusiasmo.

4. La personalizzazione migliora la performance

La velocità conta, ma la qualità conta di più. L’IA ha portato i risultati migliori creando esperienze su misura e contestualizzate—per candidati, responsabili o nuovi assunti, migliorando così l’esperienza complessiva dei dipendenti. Che si trattasse di preparare piani di inserimento o di analizzare feedback sui dati dei dipendenti, la specificità superava la quantità. L’elaborazione del linguaggio naturale consente una personalizzazione su larga scala nei processi HR, supportando percorsi di apprendimento, avanzamento di carriera e comunicazioni personalizzate. Le installazioni più efficaci hanno usato l’analisi dei dati e l’analisi predittiva per anticipare i bisogni individuali, invece di proporre soluzioni uguali per tutti.

5. I piccoli progetti pilota crescono rapidamente

La maggior parte dei casi di successo è partita da sperimentazioni a basso rischio e ad alto impatto: un chatbot per la definizione degli obiettivi, un piano 30/60/90 generato da GPT o lo screening automatico dei CV. Una volta accertata l’efficacia grazie a metriche che dimostravano risparmi e miglioramento dell’efficienza, i team sono cresciuti in fretta—con credibilità e fiducia. Queste iniziative mirate hanno dimostrato il valore dell’IA per le Risorse Umane prima di implementare l’IA in tutta l’azienda per trasformare i processi e le attività HR. Partire in piccolo ha permesso ai team di testare le tecnologie IA, affinare i prompt, creare dataset adeguati e sviluppare un modello di governance prima di un roll-out su larga scala—in questo modo la probabilità di un’adozione dell’IA di successo e sostenuta è aumentata notevolmente.