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

Per il team People, ciò ha significato affrontare sfide di lunga data nell'abilitazione delle performance, in particolare su come i dipendenti definiscono e monitorano gli obiettivi.

Nonostante l'automazione precedente, le pratiche di definizione degli obiettivi in Zapier erano incoerenti e gravose. I dipendenti faticavano a formalizzare obiettivi misurabili e allineati, e i manager non avevano visibilità sulla qualità tra i vari dipartimenti.

I framework tradizionali per la definizione degli obiettivi non attecchivano e i dipendenti, spesso a corto di tempo, finivano per disinteressarsi al processo, rischiando disallineamenti e risultati di performance inferiori.

L'Approccio IA

Emily Mabie, responsabile dell'abilitazione manageriale di Zapier, ha costruito un sistema end-to-end alimentato dall'IA per supportare la definizione degli obiettivi — dal coaching individuale all'analisi delle tendenze a livello di team. Il progetto ha sfruttato tecnologie IA attraverso cinque strumenti nativi di Zapier, integrati in meno di due settimane:

1. Chatbot di Coaching IA: Ospitato su una pagina web realizzata da Zapier, il bot guidava i dipendenti attraverso il framework AMP proprietario di Zapier per la definizione degli obiettivi. L'IA forniva suggerimenti, promemoria ed esempi in tempo reale, tutti basati sulle aspettative di Zapier per la progettazione di obiettivi ad alto impatto e flessibili. Questo ha ridotto le attività HR di routine migliorando al contempo l'engagement.
2. Raccolta Dati Automatizzata: Le conversazioni venivano private delle informazioni personali identificabili (PII) e inserite in un database Zapier Table tramite un workflow personalizzato, creando un archivio centralizzato dei dati dei dipendenti garantendo la privacy. Questi dataset sono diventati preziosi per le analisi continue.
3. Agente IA Backend: Un agente Zapier analizzava tutte le chat registrate utilizzando l'apprendimento automatico per individuare punti di abbandono e identificare aree deboli negli obiettivi (es. vaghezza, disallineamento). Queste analisi rivelavano pattern invisibili a una revisione manuale.
4. Livello di Reporting Manageriale: L'agente forniva insight di coaching continuo per permettere al team L&D di ottimizzare l'abilitazione alla definizione degli obiettivi, trasformando i dati delle conversazioni in strategia e sostenendo il miglioramento continuo dei programmi formativi. I leader aziendali potevano finalmente vedere metriche chiare sulle tendenze qualitative degli obiettivi.
5. Strategia di Distribuzione & Adozione: Promozione tra pari su Slack, ambasciatori interni per ogni dipartimento e messaggi chiari su "cosa ci guadagni tu" hanno portato al 91% di partecipazione già nel primo ciclo (oltre 800 utilizzi unici del chatbot), dimostrando un'adozione dell'IA realmente efficace.

I Risultati

• 91% di partecipazione all'impostazione degli obiettivi tramite chatbot AI—un netto aumento rispetto all'interesse degli utenti sui sistemi precedenti.
• Oltre 800 conversazioni di definizione degli obiettivi analizzate, portando a miglioramenti misurabili nella specificità e nell'allineamento degli obiettivi.
• Aumento della qualità degli obiettivi tra i vari cicli: gli obiettivi sono diventati più misurabili, più strategici e più chiaramente in linea con quelli dei dipartimenti e dell'intera azienda, migliorando direttamente le metriche di performance dei dipendenti.
• Implementazione totale dalla fase pilota alla piena scala in meno di due settimane, grazie alla cultura della sperimentazione di Zapier e all’infrastruttura low-code.

Riepilogo Esecutivo

Non si è trattato solo di sostituire un modulo con l’AI, ma di creare un ciclo di feedback. Zapier ha integrato l’AI in tutto il percorso di definizione degli obiettivi: 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.

Bandiera Rossa

Anche i migliori sistemi AI falliscono se il framework sottostante è debole. Zapier l’ha scoperto in prima persona quando il loro modello di definizione degli obiettivi iniziale ha dato risultati scarsi nonostante il chatbot fosse tecnicamente valido. Passando a AMP, un modello più semplice e intuitivo, hanno ottenuto risultati migliori. Morale della storia: il potenziale dell’AI dipende ancora da un design intelligente.

La verità (con consiglio)

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

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

Se vuoi replicare il successo di Zapier:

• Parti da una base solida. L’AI non può riparare fondamenta difettose. Scegli una struttura semplice e flessibile che funzioni per il tuo team.
• Progetta per il feedback. Usa l’AI per captare abbandoni, punti di confusione e successi, quindi adatta velocemente.
• Sfrutta la cultura interna. I campioni tra pari e la promozione tramite Slack superano sempre i diktat dall’alto.
• Gestisci i tuoi strumenti. Il sistema interamente nativo e low-code di Zapier ha permesso di mantenere i costi bassi e iterare velocemente.

Prima e Dopo: Zapier + AI per la Definizione degli Obiettivi

Area di Focalizzazione	Prima dell’AI	Dopo l’AI
Qualità degli Obiettivi	Obiettivi incoerenti, vaghi, poco allineati; i framework non venivano mantenuti	Aumento evidente della chiarezza, specificità e allineamento agli obiettivi organizzativi grazie al coaching AI
Partecipazione	Tassi di invio obiettivi variabili; difficile tracciare il coinvolgimento	91% di partecipazione, con oltre 800 sessioni di definizione degli obiettivi guidate dal chatbot registrate
Insight di abilitazione	Nessun dato centralizzato per analizzare cosa funzionava o dove si perdevano le persone	L’agente AI restituiva cicli di feedback sulla qualità degli obiettivi, punti critici e pattern di adozione
Velocità di rollout	I nuovi strumenti richiedevano solitamente mesi di change management	Rollout completo, dalla progettazione alla piena adozione, in meno di due settimane grazie al forte supporto tra pari e da parte della leadership
Carico amministrativo	Revisione manuale degli obiettivi e impatto poco chiaro delle azioni di abilitazione	L’agente AI analizzava costantemente i risultati e suggeriva adattamenti strategici per migliorare gli outcome

2. Flowable

Una delle prime tre banche globali nel wealth management stava affrontando una delle procedure più complesse nella private banking: la verifica della provenienza dei fondi (Source of Wealth, SOW). Prima di poter accogliere un nuovo cliente ad alto patrimonio, la banca doveva accertare—spesso con grandissima accuratezza—che il denaro fosse pulito, legittimo e tracciabile. Questo comportava l’analisi di centinaia di pagine di documenti, atti pubblici, operazioni aziendali e storici finanziari.

Il flusso di lavoro era manuale, ripetitivo e lento. Richiedeva un continuo scambio di informazioni tra il consulente clienti e l’addetto alla due diligence, allungando spesso la procedura a 5–6 settimane. L’esperienza del cliente risultava frustrante, portando a tassi di abbandono anche del 25–30% già in questa fase iniziale.

L’approccio AI

Seppur il problema sembrasse a carico del cliente, in realtà nasceva da flussi interni che rendevano complicata anche l’esperienza dei dipendenti. Insieme a Flowable, la banca ha adottato un’architettura AI agente molto sofisticata, 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 implementato agenti dedicati per estrarre dati da PDF, incrociare dati con registri pubblici (ad es. validando l’uscita di un fondatore con copertura mediatica), classificare storici occupazionali e riassumere traiettorie finanziarie tramite elaborazione del linguaggio naturale.

Fase 2: Sistema Agentico Orchestrato — Uno strato di orchestrazione basato sui casi ha coordinato oltre 28 agenti AI per gestire flussi di lavoro end-to-end. Questi agenti comprendevano moduli specializzati per confrontare i guadagni storici, verificare la tracciabilità degli asset e valutare la conformità regionale—il tutto entro rigidi limiti di autorizzazione dei dati.

Fondamentale, Flowable ha garantito "human-in-the-loop" (HITL) in punti di controllo chiave del processo decisionale. Nessun agente poteva approvare o respingere un caso senza una revisione finale da parte di professionisti umani, mantenendo sia la fiducia che la conformità.

I Risultati

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

• La perdita di clienti è scesa dal 25–30% a meno dell'1% nella fase SOW, rappresentando importanti risparmi grazie a una maggiore fidelizzazione.
• I tempi di elaborazione sono crollati 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 officer per la due diligence affinché si concentrino su 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 un'adozione fluida dell'AI.

Conclusioni per i Dirigenti

Progettando un sistema di orchestrazione specifico per il settore, con trasparenza, controlli e chiarezza dei ruoli, questa istituzione ha recuperato ricavi persi, fidelizzato i clienti principali e liberato il personale per attività di maggior valore, migliorando decisamente l’esperienza lavorativa. I leader aziendali hanno visto un ROI immediato dall'investimento in tecnologie AI.

Bandiera Rossa

Senza una solida governance, l’AI agentica può diventare una scatola nera, favorendo rischi di non conformità, allucinazioni e perdita di fiducia. Flowable ha ottenuto il sostegno della leadership costruendo uno strato di gestione dei casi con autorizzazioni dati rigorose, tracciabilità e auditabilità.

Parliamoci Chiaro (con Consiglio)

L'AI agentica non è plug-and-play—è architettura. Se vuoi usare l’AI per flussi di lavoro regolamentati e ad alto impatto:

• Costruisci soluzioni orizzontali, non a silos, che coprano un processo completo, e non solo frammenti.
• Dai priorità alla governance: traccia ogni input/output, definisci i confini degli agenti e proteggi i permessi sui dati.
• Human-in-the-loop non è opzionale: è una funzione di sicurezza e un pilastro di fiducia. Come spiega Kiener:

Le persone pensano che l'automazione significhi eliminare il ruolo umano dal processo, ma è l’esatto opposto. Il segreto è sapere esattamente dove serve ancora il giudizio umano. La nostra AI si occupa delle attività ripetitive, ma sono gli umani a prendere le decisioni che contano.

Prima e Dopo: Banca Privata Globale + Flowable

Area di Focus	Prima dell’AI	Dopo l’AI
Tempo di verifica SOW	5–6 settimane per cliente; confronti lenti tra consulenti e addetti alla due diligence	1–2 giorni di elaborazione media con 95% delle attività gestite in autonomia dall’AI
Abbandono Clienti	Dropout 25–30% a causa di ritardi e continue richieste di informazioni	<1% di perdite durante l’onboarding; processo fluido, efficiente e con alta fiducia
Carico di Lavoro	Estrazione manuale di documenti, chiarimenti ripetuti, scarso riutilizzo	Oltre 28 agenti AI orchestrati per estrarre, validare, riassumere ed escalare solo le eccezioni
Rischio di Governance	L’iniziale uso di strumenti agent aperti mancava di tracciabilità e controllo sui dati	La piattaforma di Flowable basata sui casi ha imposto permessi dati, audit trail 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 di assunzione ad alto volume. I professionisti HR dedicavano tempo eccessivo a esaminare manualmente i curriculum, contattare candidati, gestire candidature non qualificate e i follow-up, spesso su piattaforme scollegate come sistemi ATS, LinkedIn, email e portali lavoro.

Il processo era ripetitivo, incoerente e soggetto ad abbandoni, con tempi per ottenere un colloquio troppo lunghi e candidati che non si presentavano, mettendo a dura prova la capacità dei recruiter e rallentando le tempistiche di assunzione, con conseguenze sull’esperienza dei nuovi assunti e sull’efficienza delle funzioni HR principali.

L’Intervento dell’AI

L'assicuratore ha implementato Maya, una piattaforma AI conversazionale e di automazione workflow che utilizza il natural language processing per gestire il canale di recruiting in ingresso. Maya è stata configurata per:

• Raggiungi automaticamente i candidati con messaggi personalizzati e conversazionali tramite SMS, e-mail o moduli personalizzati.
• Valuta e qualifica i candidati in base a criteri predefiniti, inclusa la lettura dei curriculum e la formulazione di domande specifiche per il ruolo utilizzando algoritmi di apprendimento automatico—automatizzando essenzialmente lo screening dei CV su larga scala.
• Pianifica colloqui tramite l'IA, basandoti sulla disponibilità dei selezionatori, e invia promemoria automatici per ridurre le assenze, aiutando a ottimizzare uno dei compiti HR più impegnativi in termini di tempo.
• Offri riepiloghi strutturati dei candidati ai selezionatori, segmentando i candidati idonei e non idonei con le relative motivazioni, consentendo decisioni più guidate dai dati e una migliore analisi della qualità dei candidati.
• Adatta il tono e la personalità (informale vs. formale) in base al brand aziendale e alla natura del ruolo.

L'implementazione ha richiesto due settimane, durante le quali Maya è stata adattata alle particolarità dei processi di selezione e ai requisiti di conformità aziendali, dimostrando una rapida adozione dell'IA.

I Risultati

Maya ha generato notevoli guadagni di efficienza e conversione già dopo poche settimane dal suo impiego:

• Tasso di assunzione raggiunto al 70% tra i candidati processati da Maya nelle agenzie dell'organizzazione.
• Il costo per colloquio è sceso da $37 a $13—una riduzione del 65% in due mesi, consentendo una migliore allocazione delle risorse su altre iniziative e generando risparmi significativi.
• Il tempo per fissare un colloquio è crollato da 5–7 giorni a 1 giorno, migliorando drasticamente la velocità di selezione e l'esperienza dei potenziali dipendenti.
• Il 92% dei candidati riteneva di interagire con una persona reale, non con un'IA, a dimostrazione del livello avanzato dell'elaborazione del linguaggio naturale.
• Maya ha gestito pienamente lo screening sia dei candidati idonei che di quelli non idonei, liberando i selezionatori per occuparsi esclusivamente dei profili di qualità e delle funzioni HR strategiche.

Risultato Executive

L'IA conversazionale riguarda il coinvolgimento mirato. Maya ha trasformato un processo manuale e caotico di acquisizione in un workflow snello e ad alto tasso di conversione, permettendo ai recruiter di fare ciò che sanno fare meglio: instaurare relazioni umane e concludere grandi assunzioni, migliorando al tempo stesso il coinvolgimento complessivo dei dipendenti nel processo di selezione.

Attenzione (Red Flag)

I sistemi umani possono ancora rappresentare il collo di bottiglia. Maya ha qualificato con successo i candidati, ma in alcuni casi i selezionatori non hanno seguito le procedure, portando a opportunità perse. L'IA deve essere supportata da una forte abilitazione dei recruiter, responsabilità e programmi di formazione aggiornati.

Parliamoci chiaro (con Consiglio)

Shivam Ramphal, co-fondatore di Maya AI, offre ai clienti sempre lo stesso consiglio, a prescindere dagli obiettivi che vogliono raggiungere.

Diciamo sempre ai clienti: non adottate l'IA finché non avete chiaro cosa significhi successo. Se non avete obiettivi precisi o siete sopraffatti dal volume, l'IA amplificherà solo questo problema. Ma se siete focalizzati, diventa un super potenziatore.

L'IA come Maya può concretamente migliorare le prestazioni di selezione, ma solo se la componente umana fa la sua parte.

• Definisci obiettivi di selezione realistici prima di adottare l'IA per il recruiting. Non chiedere 10.000 contatti se servono solo 5 assunzioni.
• Forma l'IA come un dipendente: includi cosa dovrebbe dire, cosa non dovrebbe dire e quanto essere formale o personale.
• Utilizza l'IA come supporto, non come sostituto: il compito di Maya è lo screening—i recruiter devono comunque intervenire e portare a termine le assunzioni.

Guida con intelligenza nell'era dell'IA

Unisciti alla community di People Managing People per accedere a contenuti esclusivi, modelli pratici, eventi riservati ai membri e approfondimenti settimanali sulla leadership—l'iscrizione è gratuita.

Sign up with:

LinkedInGoogleMicrosoft

Or sign up with email:

Name*

First name Last name

Seniority*

Select oneExecutive / C-suiteVPDirectorManagerIndividual ContributorOther

Business email*

Create Password*

This field is hidden when viewing the form

LinkedIn profile

This field is hidden when viewing the form

Company's AI adoption maturity*

Select an optionExploring opportunitiesRunning pilotsScaling adoptionEmbedded in the business model

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

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

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'IA	Dopo l'IA
Efficienza del recruiter	I recruiter esaminavano manualmente, contattavano e seguivano ogni candidato	Maya ha gestito tutte le comunicazioni e lo screening iniziali; i recruiter hanno visto solo i candidati idonei
Tempo per l’Intervista	5–7 giorni dalla candidatura alla pianificazione 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 del Candidato	Comunicazione frammentata; alto abbandono dei candidati	Il 92% dei candidati pensava che Maya fosse umana; maggiore presenza ai colloqui ed esperienza più fluida
Coinvolgimento del recruiter	Alto carico di lavoro, poca leva	I recruiter si sono concentrati solo sui profili di valore, aumentando efficacia e motivazione
Tasso di Assunzione	Non chiaro, conversione lenta	Tasso di assunzione al 70% tra i candidati processati da Maya

4. Onboarding con Tonkean

Un team HR di un’azienda globale stava avendo difficoltà a offrire un onboarding rapido e personalizzato, soprattutto per i lavoratori temporanei come i collaboratori esterni. I processi HR manuali facevano sì che spesso ci volessero oltre 20 giorni (e talvolta più di 30) solo per fornire ai nuovi assunti tutti gli strumenti, gli accessi e i sistemi necessari, ritardando la produttività e vanificando lo scopo di un’assunzione rapida.

Inoltre, la qualità dell’onboarding era incoerente, generica, e caricava manager e nuovi dipendenti di logistica e informazioni in eccesso, impattando negativamente sull’esperienza e il coinvolgimento dei dipendenti già dal primo giorno.

Ai dipendenti veniva richiesto di "autogestirsi" con i materiali di onboarding tramite intranet o portali di formazione, spesso senza il contesto o la struttura necessari per supportare una vera integrazione.

L’intervento dell’IA

L’azienda si è affidata a Tonkean, una piattaforma che orchestra le operazioni HR utilizzando agenti IA e algoritmi di apprendimento automatico. Per l’onboarding, Tonkean:

• Monitorava i trigger negli strumenti HRIS (come Workday o Rippling) per rilevare nuove assunzioni, cambi di ruolo o anniversari.
• Automatizzava i flussi di lavoro per avviare proattivamente sequenze di onboarding personalizzate in base al ruolo, alla sede e al team del dipendente.
• Generava contenuti di onboarding su misura attingendo da asset interni non strutturati come presentazioni, documenti HR, manuali dei benefit e trascrizioni delle formazioni tramite elaborazione del linguaggio naturale, trasformando dati dispersi in esperienze di apprendimento coerenti (questo è anche un vantaggio chiave delle piattaforme di esperienza di apprendimento).
• Utilizzava agenti IA per interagire con i manager tramite Slack o Teams e co-creare piani personalizzati 30/60/90 giorni in linguaggio naturale, permettendo decisioni più basate sui dati nello sviluppo e nelle traiettorie di carriera dei dipendenti.
• Consentiva interazioni live con agenti tramite risposte email o portali integrati così che i nuovi assunti potessero fare domande come "Dove posso iscrivermi ai benefit?" e ottenere in tempo reale risposte approvate, accurate e contestuali attingendo dai dati dei dipendenti e dagli specifici strumenti HR aziendali.
• Gestiva le FAQ (es. maternità, finestre di adesione) in forma anonima attraverso interfacce conversazionali, riducendo la frizione e tutelando la privacy dei dipendenti.

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

I Risultati

• Il tempo di onboarding per i collaboratori esterni è passato da 20–30 giorni a meno di 5 giorni in media.
• I dipendenti hanno segnalato che l’onboarding risultava altamente personalizzato, come se "3–4 persone ci avessero lavorato", anche se in realtà quasi tutto era gestito dall’IA.
• Punteggi CSAT (Customer Satisfaction) più alti rispetto all’onboarding, grazie a maggiore chiarezza, tempestività e integrazione culturale, con un impatto diretto sul coinvolgimento dei dipendenti.
• Percezione dell’IA modificata: da risparmio di tempo a moltiplicatore della qualità; il maggiore ROI non è stato la velocità, ma offrire una migliore esperienza ai dipendenti senza aumentare gli organici.

Riflessioni per il management

L’orchestrazione abilitata dall’IA ha trasformato l’onboarding da una checklist manuale a un percorso strategico, scalabile e centrato sull’individuo. Integrando dati, agenti generativi e progettazione human-in-the-loop, questa azienda ha offerto esperienze di onboarding su misura su larga scala, migliorando produttività, performance e retention fin dal primo giorno.

Bandiera rossa

È importante ribadire: non basta sovrapporre l’IA a vecchi flussi di lavoro! Il maggiore rischio è il disallineamento delle aspettative. L’IA richiede di ripensare come definire “accuratezza”, responsabilità e successo.

E non aspettatevi risposte deterministiche: spesso l’IA offrirà soluzioni diverse—ma ugualmente valide. I professionisti HR devono evolvere il modo in cui testano e approvano i risultati.

Parliamoci chiaro (con consigli)

Sagi Eliyahu, co-fondatore e CEO di Tonkean, ha dichiarato:

Quando hai nuovi assunti provenienti da più di 10 paesi, in diversi dipartimenti, e metà sono collaboratori esterni, è quasi impossibile gestire bene l’onboarding manualmente. Quello che abbiamo visto qui non era solo più veloce, era un onboarding che davvero ti dava la sensazione che qualcuno avesse pensato al tuo ruolo, alla tua sede, al tuo team. E la maggior parte di ciò era gestito dall’IA.

Un onboarding personalizzato è un differenziatore strategico. Se vuoi:

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

Allora:

• Integrare l'orchestrazione nei flussi di lavoro esistenti (email, Slack, HRIS—non solo nuovi strumenti)
• Concentrarsi sulla qualità, non solo sull'efficienza—l'IA consente entrambe
• Precaricare il sistema con diversi formati di contenuti (presentazioni, trascrizioni, documenti)
• Permettere all'HR di gestire le "risposte approvate" e addestrare gli agenti IA con limiti contestuali
• Allineare HR, IT e leadership attorno a una nuova definizione di "funziona come previsto"

Prima vs Dopo: Impresa anonima + Tonkean

Area di Focus	Prima dell'IA	Dopo IA
Tempi di Onboarding	20–30+ giorni per completare l'allestimento dei collaboratori	<5 giorni tempo medio di completamento onboarding per collaboratori
Qualità dell'Onboarding	Generico, disconnesso, spesso i nuovi assunti dovevano orientarsi da soli fra i materiali di onboarding	Piani curati dall'IA personalizzati per ruolo, sede, team; sembrava "che 3–4 persone ci abbiano lavorato"
Carico sui Manager	I manager creavano manualmente i piani di onboarding, spesso saltati o affrettati	Prompt su Slack/Teams usati per co-creare le aree di focus dei primi 30 giorni
Accesso alle Informazioni	I dipendenti dovevano cercare sui portali intranet o inviare email all'HR	Agenti IA fornivano risposte contestuali approvate, istantanee e anonime
Efficienza	Elevato sforzo manuale e carico formativo	La lettura della documentazione è stata sostituita da agenti interattivi che utilizzano contenuti reali dell’organizzazione (presentazioni, manuali, ecc.)
Scalabilità	I nuovi assunti avevano esperienze incoerenti, soprattutto tra sedi differenti	Onboarding coerente e scalabile in tutte le sedi e ruoli

5. CogNet + Trasformazione BPO potenziata dall’IA

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

Ogni mese, il cliente cedeva le proprie fatture a un partner finanziatore. Ma prima che il denaro venisse erogato, la società finanziatrice richiedeva una dettagliata riconciliazione tra quanto si aspettava di pagare (in base ad accordi precedenti) e quanto effettivamente dovuto—un classico disallineamento tra registri interni delle fatture e report in formati esterni.

Il problema? Il team interno riconciliava manualmente PDF da milioni di righe e fogli Excel strutturati male utilizzando un contabile pagato oltre $90.000/anno in compenso totale. Solo la riconciliazione richiedeva oltre 16 ore mensili, semplicemente per individuare le discrepanze. E questo senza considerare il tempo per risolvere le discrepanze, che rallentava il flusso di cassa e riduceva il tempo per attività finanziarie di maggior valore.

In altri clienti e funzioni, CogNet ha notato lo stesso schema: persone altamente qualificate impegnate in "lavori ripetitivi" importanti, ma non trasformativi per l’HR o altre funzioni aziendali.

L'approccio IA

CogNet ha adottato un approccio "Texas Two-Step" sfruttando il machine learning e l’elaborazione del linguaggio naturale per ottimizzare questo processo critico:

Passo 1: Arbitraggio dei costi BPO
Il cliente ha prima trasferito il lavoro di riconciliazione "così com’è" a CogNet, dove analisti offshore potevano eseguire la stessa riconciliazione manuale a un costo molto inferiore (~$11,50/ora). Solo questa mossa ha ridotto i costi da $692,31 a $184 a ciclo di riconciliazione—un risparmio del 276%.

Passo 2: Orchestrazione con IA
Successivamente, CogNet ha creato uno strato di automazione "human-in-the-loop" utilizzando algoritmi e un Large Language Model (LLM) per confrontare documenti in vari formati (PDF, Excel, CSV) e analizzare i dati dei dipendenti in modo più efficiente.

Invece di chiedere alle persone di individuare a mano le discrepanze riga per riga, il LLM evidenziava i disallineamenti in pochi secondi, consentendo decisioni più rapide e un'analisi dati superiore. Ora, all’analista CogNet bastavano solo 2 ore per verificare ed eventualmente segnalare problemi reali, trasformando un flusso di lavoro da $692 in uno da $30 e dimostrando notevoli risparmi.

Fondamentale, lo strato di orchestrazione di CogNet permette di sostituire diversi agenti IA (ad es. ChatGPT, Claude) a seconda del tipo di compito, rischio normativo (ad es. PHI, dati paghe) e policy del cliente. Questo design modulare ha reso più semplice per i clienti affidarsi all’automazione senza rinunciare alla compliance, gestendo facilmente set di dati differenti.

I Risultati

• Tempo di riconciliazione ridotto da 16 ore a sole 2 ore
• Costo sceso da $692,31 a $30 per ciclo—riduzione del 2.208%
• Velocità di processo aumentata, consentendo di identificare i problemi e recuperare il denaro in 24 ore
• Il contabile senior riassegnato ad attività strategiche come l’analisi della redditività invece che lavori ripetitivi su Excel
• I clienti hanno iniziato a ripensare il BPO non solo come arbitraggio di manodopera, ma come trasformazione dei processi attraverso l’IA per l’HR e oltre

Da qui, CogNet ha replicato questo modello del "risparmio in mille piccoli tagli" su dozzine di flussi di lavoro ad alta frequenza per molti clienti, trasformando il modo in cui i team di HR, paghe e contabilità affrontavano le operazioni in outsourcing.

Punto chiave per i dirigenti

CogNet non si è limitata ad applicare l’IA per ridurre i costi, ma ha ridefinito la proposta di valore del BPO. Combinando un’automazione a basso attrito con una mentalità di servizio, ha aiutato i clienti a recuperare ore di lavoro, ridurre gli sprechi e reinvestire le persone in attività a maggior valore aggiunto.

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

Nota di attenzione

La tecnologia da sola non costruisce fiducia. Un cliente inizialmente si era opposto all’IA per timori legati alla conformità e per la scarsa familiarità con i LLM. La svolta è arrivata con un progetto pilota a bassa fedeltà che ha utilizzato dati fittizi di dipendenti ma ha comunque superato le attività manuali, dimostrando il valore prima di richiedere coinvolgimento.

Parliamoci chiaro (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 rapido per dimostrare valore è migliorare ciò che già funziona. Noi partiamo da ciò che esiste, otteniamo risultati rapidi e poi integriamo l’IA per fare ancora meglio.

Se stai ancora conciliando PDF con fogli Excel e paghi $700 a ciclo per farlo, non hai un problema di persone. Hai un problema di processo.

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

• Inizia trasferendo i processi "così come sono" per liberare talento
• Successivamente inserisci l’automazione, concentrandoti su attività strutturate come confronti, classificazione, smistamento
• Costruisci flussi IA che supportano, non sostituiscono. I casi limite vanno indirizzati alle persone
• Imposta le aspettative: i LLM non restituiscono sempre la stessa risposta, ma spesso restituiscono risultati validi
• Misura il ROI in tempo umano risparmiato, non solo in numero di persone ridotto, tracciando metriche rilevanti

Prima e Dopo: CogNet + Conciliazione Cliente Staffing

Area di Focus	Prima dell’IA	Dopo l’IA
Flusso Conciliazione	Processo manuale di 16 ore usando PDF e fogli Excel	IA segnala discrepanze in pochi secondi, con solo 2 ore di revisione umana
Costo per Conciliazione	$692.31 a ciclo (basato su Staff Accountant a $43/ora)	~$30 a ciclo (workflow offshore + IA abilitata)
Tempistica Flusso di Cassa	Pagamenti ritardati a causa di lunghi cicli di riconciliazione	Risposta in 24 ore che consente una risoluzione delle dispute e riscossione più rapida
Utilizzo Talento	Talenti di alto valore impegnati per ore in copia-incolla e confronti manuali	Lo Staff Accountant passa a reportistica di redditività e analisi finanziaria strategica
Scalabilità del BPO	Scalabilità lineare proporzionale al personale	Scalabilità non lineare grazie all’IA, che consente a CogNet di gestire più flussi senza aumentare il personale analista

6. Customer.io + Flussi di lavoro Slack e GPT potenziati dall’IA

Customer.io, azienda completamente remota operante in oltre 30 paesi, ha scoperto che il suo modello asincrono, seppur produttivo, lasciava i nuovi assunti spaesati. L’onboarding mancava di struttura, e i manager spesso ritardavano nel fornire aspettative chiare e piani di inserimento, impattando negativamente l’esperienza dei dipendenti.

I nuovi assunti descrivevano frequentemente la loro esperienza iniziale come "dover capire tutto da soli," rallentando la produttività e diluendo la cultura—con effetti negativi sia sul coinvolgimento sia sulle prestazioni dei dipendenti.

In assenza di un ufficio centrale o di contatti di persona, l’azienda aveva bisogno di un sistema scalabile che rendesse l’onboarding chiaro e coinvolgente, senza gravare troppo su manager già impegnati né interrompere le altre funzioni HR critiche.

L’approccio IA

Customer.io ha implementato una serie di flussi di lavoro basati su IA, utilizzando il natural language processing per creare struttura e coerenza nell’onboarding pur preservando la flessibilità della cultura remota.

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

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

Questo sistema ha ridotto drasticamente i tempi di creazione dei piani—stima tra il 30 e il 50% in meno—migliorando il raccordo tra nuovi assunti, manager e obiettivi di business, favorendo decisioni più guidate dai dati nello sviluppo dei dipendenti.

2. Abilitazione dei Manager con la Co-Progettazione dei Business Partner

Anziché lasciare libero accesso a ChatGPT, i business partner hanno collaborato con i manager per perfezionare i contenuti di onboarding generati dall’IA, garantendo che tono, aspettative e obiettivi di sviluppo rispecchiassero la cultura di Customer.io. Questo equilibrio tra automazione e cura umana ha aiutato i manager ad adottare il nuovo flusso di lavoro senza sacrificare la fiducia.

3. Costruire una Cultura dell’IA tramite la Visibilità

Per rafforzare l’adozione in tutti i processi HR, Customer.io ha creato un canale Slack dedicato #AI-wins, dove i dipendenti condividono casi di successo—aiutando a normalizzare la sperimentazione e a favorire l’adesione interna. Secondo il monitoraggio interno, ciò ha portato a un tasso di coinvolgimento interno con l’IA superiore al 90%.

I Risultati

• Riduzione del 30–50% del tempo dedicato alla stesura dei piani di onboarding
• Maggiore chiarezza dell’onboarding riflessa nei sondaggi di feedback post-onboarding, con metriche di esperienza dei dipendenti migliorate
• Oltre il 90% dei dipendenti coinvolti attivamente nei flussi di lavoro con l’IA, dimostrando un forte coinvolgimento con la nuova tecnologia
• Maggiore allineamento iniziale tra i nuovi assunti e i risultati aziendali, con conseguente rapidità nel raggiungimento della produttività e prestazioni dei dipendenti migliorate

In Sintesi per i Dirigenti

Customer.io ha aumentato la chiarezza per i manager su larga scala. Integrando i flussi di lavoro GPT in Slack e affiancandoli alla supervisione attenta dei professionisti HR, ha accelerato la produttività dei nuovi assunti senza perdere la sfumatura della gestione delle persone.

Nota di Attenzione

I flussi di lavoro IA, se non 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 dei dipendenti.

Parliamoci Chiaro (con Consigli)

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

I nuovi assunti affermavano: “Sto ancora cercando di orientarmi.” Avevamo bisogno di un modo scalabile per portarli a dire “So cosa significa avere successo.”

L’IA non farà l’onboarding dei tuoi collaboratori al posto tuo—ma può aiutarti a farlo meglio.

• Utilizza GPT per strutturare l’impianto, poi lascia ai manager il compito di aggiungere mentorship e sfumature.
• Non limitarti a fornire ai manager uno strumento—offri anche supporto su come generare prompt ed editare efficacemente, inclusi percorsi di formazione se necessario.
• Comincia in piccolo: i piani di onboarding sono un ambito a basso rischio e ad alto rendimento per sviluppare la competenza IA nelle funzioni HR.

Prima e Dopo: Onboarding Customer.io con l’IA

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 velocemente e più allineati agli obiettivi
Carico dei Manager	Creazione manuale di piani di onboarding dispendiosa in termini di tempo	Tempo ridotto del 30–50% con flussi di lavoro assistiti dall’IA
Cultura di Adozione dell’IA	Fase iniziale di esplorazione	Oltre il 90% dei dipendenti utilizza regolarmente l’IA; monitoraggio tramite Slack
Coerenza dell’Onboarding	I piani variavano molto in tono e dettaglio	Struttura standardizzata con possibilità di perfezionamento umano personalizzabile

7. Landing Point + Flussi di Lavoro IA Integrati

Landing Point, società di reclutamento e staffing, affrontava una sfida comune in termini di produttività: i recruiter perdevano ore ogni settimana in compiti amministrativi manuali. I principali colli di bottiglia erano:

• Formattazione dei CV
• Redazione di bio dei candidati
• Revisione degli annunci di lavoro

Sebbene singolarmente fossero compiti minori, sommati sottraevano 3–4 ore a ciascun recruiter ogni settimana. Allo stesso tempo, alcuni recruiter hanno iniziato a sperimentare con strumenti pubblici di IA generativa, sollevando preoccupazioni sulla sicurezza e sulla privacy dei dati sensibili dei dipendenti.

L’azienda aveva bisogno di una soluzione che aumentasse l’efficienza e rispettasse gli standard di conformità enterprise, ottimizzando i processi HR critici.

La Strategia AI

L’approccio di Landing Point si è concentrato su flussi di lavoro IA integrati e sicuri, alimentati da algoritmi di apprendimento automatico che incontravano i recruiter dove lavoravano quotidianamente:

1. IA Integrata Direttamente nell’ATS

Invece di chiedere ai recruiter di imparare nuovi strumenti, Landing Point ha integrato funzionalità AI potenziate da GPT direttamente nel loro sistema di tracciamento dei candidati (ATS) utilizzando il natural language processing, dando vita di fatto a strumenti HR integrati. Questo ha permesso ai professionisti delle risorse umane di:

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

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

2. Chatbot privato per uso interno

Per fornire ai recruiter un co-pilota AI più completo, il team ha implementato un chatbot personalizzato ospitato nel loro ambiente AWS, protetto da SSO e audit log. I prompt e i risultati venivano archiviati in modo sicuro, e i modelli come OpenAI e Gemini venivano eseguiti senza conservazione dei dati per proteggere quelli dei dipendenti.

Questa "sandbox AI sicura" permetteva ai recruiter di generare note di ricerca o sintetizzare dati sui candidati senza compromettere la privacy, abilitando decisioni più guidate dai dati senza rischi di sicurezza.

3. Binari di sicurezza e governance integrati

I primi casi di allucinazioni AI hanno portato a rafforzare i sistemi di sicurezza. Ad esempio, quando un recruiter ha saltato il passaggio di revisione umana, un cliente ha segnalato competenze dei candidati inesatte. Landing Point ha risposto:

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

Hanno inoltre abbandonato strumenti a basso utilizzo come il generatore di email preimpostate, scegliendo invece di dare priorità agli strumenti che mantenevano la personalizzazione e miglioravano l’esperienza dei dipendenti — elemento fondamentale per mantenere relazioni nel recruiting.

I risultati

• Tempo per invio del primo candidato sceso da 3–6 ore a meno di 30 minuti
• Percentuale di errori nei CV calata da 3–4% a meno dell’1%, migliorando le metriche di qualità
• 3–4 ore per recruiter a settimana liberate da attività manuali di formattazione
• Adozione cresciuta organicamente tramite strumenti integrati e ottimizzazione dei prompt in-app
• Rollout efficiente in termini di costi, con un’infrastruttura AI che costa in media circa $200/mese e 1 ingegnere AI

Da sapere per la dirigenza

Landing Point non si è lasciata tentare da automazioni appariscenti, ma ha puntato sulle vere criticità del flusso di lavoro. Integrando l’AI dove già operavano le persone e costruendo fin da subito sistemi di sicurezza, hanno ottenuto ROI misurabili senza compromettere la fiducia o la privacy dei dati sensibili dei dipendenti.

Questo è un caso di "AI invisibile": basso impatto operativo, basso costo e alta efficacia—dando la possibilità ai recruiter di passare dal formattare i CV a investire tempo nello sviluppo delle relazioni, ottimizzando al contempo processi chiave delle risorse umane.

Bandiera rossa

Se si salta la revisione umana, anche l’AI più ben intenzionata può inserire errori (es: competenze dei candidati allucinate). Un errore nelle prime fasi ha quasi compromesso la fiducia del cliente.

Landing Point ha risolto imponendo la supervisione umana, integrando la raffinazione dei prompt nel processo di QA e rafforzando le aspettative culturali sull’uso dell’AI, assicurando che i professionisti HR restassero responsabili di tutti i risultati forniti.

Consiglio diretto (con suggerimenti)

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

• Gli strumenti sono integrati dove il personale già lavora
• Sicurezza e conformità sono previste fin dall’inizio
• Si correggono i problemi e si eliminano gli strumenti inutilizzati
• La governance non è un ostacolo, ma una disciplina di prodotto

Questa storia non parla di automatizzare il recruiting da cima a fondo. Si tratta di liberare i recruiter umani affinché possano fare ciò che sanno fare meglio: costruire relazioni ed esercitare giudizio. Iniziando presto, concentrandosi sulle criticità operative e imparando sia dai successi che dagli errori, abbiamo dimostrato che l’AI può fare davvero la differenza senza compromettere sicurezza o fiducia.

Prima e dopo: integrazione AI di Landing Point

Area di Interesse	Prima dell’IA	Dopo l’IA
Carico Amministrativo Manuale	I recruiter perdevano 3–4 ore/settimana su biografie, CV e descrizioni di lavoro	Le attività sono ridotte a circa 5 minuti ciascuna; 3–4 ore/settimana risparmiate per recruiter
Sicurezza & Conformità	I recruiter utilizzavano strumenti pubblici in modo occasionale, aumentando i rischi di privacy dei dati	Chatbot completamente sicuro con SSO, log di audit e modello a zero conservazione dei dati
Velocità di Invio	3–6 ore per inviare il primo candidato	I primi candidati vengono presentati in meno di 30 minuti
Accuratezza dei CV	~3–4% di errori, principalmente di formattazione o incompatibilità	<1% di errori, con maggiore soddisfazione di candidati e clienti
Cultura di Adozione	Prime sperimentazioni con poca struttura	Adozione diffusa tramite integrazione con ATS, formazione e governance interna "AI Think Tank"
Costo di Gestione	Non specificato	$200/mese infra e 1 ingegnere AI a supporto del deployment completo

8. Integrity Staffing + ConverzAI "Recruiter Jamie"

Nelle attività di selezione ad alto volume, la velocità è tutto. I candidati che si candidano per ruoli in ambito industriale leggero e magazzinaggio spesso inviano domande a più offerte contemporaneamente, il che significa che i recruiter hanno una finestra molto stretta di poche ore per connettersi in modo significativo prima che i candidati si raffreddino.

Ma i team di recruiting di Integrity Staffing erano bloccati:

• Il pre-screening manuale richiedeva ore ogni giorno
• I recruiter non riuscivano a raggiungere ogni candidato abbastanza velocemente
• I candidati qualificati sfuggivano
• I budget aumentavano per compensare con più pubblicità sui portali di lavoro

Questo portava ad un’esperienza negativa per i candidati, professionisti HR esausti e costi insostenibili. Il team aveva bisogno di un modo per scalare il coinvolgimento personalizzato dei candidati senza aggiungere altri recruiter o affidarsi ad automazioni fredde e generiche che avrebbero ulteriormente danneggiato il coinvolgimento dei dipendenti.

L'approccio con l'IA

Integrity Staffing ha implementato ConverzAI, un recruiter virtuale basato su IA soprannominato "Recruiter Jamie," progettato per avviare su larga scala l’ingaggio in tempo reale dei candidati tramite elaborazione del linguaggio naturale e algoritmi di apprendimento automatico.

Cosa fa Recruiter Jamie:

• Coinvolge i candidati entro 15 minuti dalla ricezione della loro domanda nell’ATS (Bullhorn)
• Contatta tramite SMS, telefono o email, in base alle preferenze del candidato
• Effettua un pre-screen strutturato su:
  • Esperienza lavorativa
  • Località
  • Disponibilità
  • Attese salariali
  • Esigenze specifiche del ruolo
• Classifica i candidati come:
  • Interessato
  • Non idoneo
  • Da ricontattare
• Instrada i lead qualificati ai recruiter umani, così da concentrare il tempo solo sui candidati già coinvolti, permettendo decisioni più guidate dai dati su dove investire le proprie energie e automatizzando la selezione dei CV più intensa in termini di tempo

Jamie opera durante i normali orari lavorativi (8:00–20:00 locali), ma garantisce un ingaggio 24/7 tramite SMS ed email. Le note vengono registrate direttamente nell’ATS per un passaggio immediato, creando un flusso continuo di dati sui dipendenti a supporto delle funzioni risorse umane.

I responsabili di Integrity Staffing riportano che questo approccio all’adozione dell’IA ha trasformato la loro posizione competitiva nella ricerca di talenti.

I Risultati

Da gennaio 2024 a luglio 2025, Jamie ha coinvolto oltre 66.000 candidati, portando risultati misurabili e multidimensionali su metriche chiave:

• 76% di aumento nelle assunzioni totali
• 80% di incremento di candidati assunti tramite domanda diretta
• 55% di miglioramento nell’efficienza dei recruiter (più assunzioni per recruiter)
• Tempo di risposta dei candidati ridotto da giorni o settimane a meno di 15 minuti, migliorando nettamente l’esperienza dei lavoratori
• Spesa pubblicitaria ridotta di oltre il 75% in alcuni mercati
• Tasso di rinuncia dei candidati inferiore allo 0,5%, segno di forte gradimento del coinvolgimento con IA (Solo 311 su 66.391 candidati hanno rifiutato l’interazione con l’IA)

Considerazione per i Dirigenti

L’IA non solo ha migliorato l’efficienza, ma ha cambiato completamente il ritmo del recruiting. Connettendosi in pochi minuti, Jamie ha ribaltato lo schema: non più inseguire lead freddi, ma dare priorità ai candidati caldi e realmente interessati.

Il risultato? Un'esperienza migliore per i candidati, assunzioni più rapide, costi ridotti e recruiter che svolgono meno compiti ripetitivi e più attività di matchmaking ad alto valore.

Bandiera rossa

All'inizio, i recruiter temevano che Jamie potesse sembrare robotico e ridurre il coinvolgimento dei dipendenti. Ma quando i dati pilota hanno mostrato che l'87% dei candidati era interessato e meno dello 0,5% si opponeva, quello scetticismo è svanito rapidamente.

Ciò che ha fatto cambiare idea è stato dimostrare che l'AI non era una minaccia, ma un compagno di squadra che permetteva ai professionisti HR di brillare.

Parliamoci 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:

• Integrare l’AI nei processi standard (SOP) e non farne un extra opzionale
• Formare i recruiter sin dall’inizio su come collaborare con l’AI tramite programmi di formazione dedicati
• Mantenere i recruiter sempre aggiornati, così da far loro fidare dei passaggi di consegna
• Utilizzare i dati pilota per mitigare lo scetticismo e costruire fiducia interna
• Creare cicli di feedback per migliorare costantemente le interazioni e l'integrazione

Prima vs Dopo: Integrity Staffing + ConverzAI

Area di Focus	Prima dell'AI	Dopo l'AI
Tempo di ingaggio	Giorni (a volte settimane); contatto a freddo	<15 minuti in media dalla candidatura al primo contatto
Conversione candidati	Molti lead si raffreddavano; poche assunzioni da candidati diretti	+80% di assunzioni dirette in più dopo il pre-screening AI
Efficienza recruiter	Tempo speso a rincorrere, contattare a freddo e filtrare manualmente	+55% di aumento della produttività dei recruiter
Volume delle assunzioni	Recruiter sopraffatti dal volume; lacune nel funnel	76% di assunzioni in più grazie a funnel più veloce e filtrato
Sentiment dei candidati	Coinvolgimento incostante; contatti spesso ignorati	87% tasso di coinvolgimento, <0,5% di rifiuto all’interazione con l’AI
Spesa pubblicitaria	Alti costi per i job board per riempire i funnel freddi	Fino al 75% di riduzione dei costi pubblicitari
Carico di lavoro & Stress	Recruiter sovraccarichi, sempre in affanno	Recruiter interagiscono solo con candidati qualificati e interessati
Fiducia & Conformità	Rischio di incoerenza nei contatti e nel pre-screening	Script standardizzati, controllati e integrazione con ATS garantiscono equità

Condizioni di successo

• Coinvolgimento della leadership sin dal primo giorno
• Formazione integrata durante l’onboarding
• Integrazione facile con ATS (Bullhorn) e funzionalità di aggiornamento dati
• Aggiornamenti alle SOP per rendere l’AI lo standard e non l’eccezione
• Cicli di feedback costanti per perfezionare le conversazioni e risolvere i problemi

Trappole da evitare

• Non presumere che i candidati rifiuteranno l’AI—lascia che siano i dati a parlare
• Non sottovalutare la gestione del cambiamento—l’adozione si basa su un cambiamento culturale
• Non far sentire i recruiter sostituiti—rassicura che l’AI 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 rinomata per affrontare sfide aziendali complesse grazie ad applicazioni AI intelligenti e scalabili.

Ma internamente, il team voleva mettere alla prova la propria velocità: sarebbero riusciti a costruire funzionalità pronte per i clienti—basate sull’AI—in meno tempo, con meno risorse e senza compromettere la qualità?

Lo scenario: costruire una funzionalità funzionante per un prodotto di sourcing commerciali che aiuta i clienti a trovare, classificare e analizzare prospetti futuri utilizzando un large language model (LLM). Normalmente, lo sviluppo richiederebbe una settimana (con AI) o un mese (senza). Sarebbero riusciti a farlo in 24 ore?

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

L’AI in azione

FORE ha organizzato un hackathon AI di 24 ore, suddividendo il team completo in gruppi interfunzionali e assegnando a ciascuno un unico obiettivo:

Utilizzare l’AI per costruire una funzionalità funzionante che supporti il deal sourcing con un LLM e presentarla dal vivo a un cliente entro una giornata.

Principali strumenti e metodi AI utilizzati:

• Cursor: ambiente di sviluppo AI-nativo con suggerimenti di codice in linea e preparazione dei commit
• Claude + ChatGPT: per generare piccoli blocchi di codice mirati, analizzare schemi e gestire la logica utilizzando l'elaborazione del linguaggio naturale
• "Mentalità dell'editor": invece di lasciare l'AI agire senza controllo, i team hanno utilizzato l'AI come co-pilota, generando codice in piccoli passi, poi modificando e validando a ogni fase per ottimizzare i risultati
• Requisiti demo live: ogni funzionalità doveva essere testabile, visuale e spiegabile in termini comprensibili per il cliente

I Risultati

• Tempi di sviluppo ridotti da una settimana a un giorno per le funzionalità chiave del prodotto
• 100% delle funzionalità create con AI sono state approvate dal cliente per la piena implementazione
• Velocità di ingegneria aumentata da ~5.000 a 30.000 commit mensili, indice di maggiore produttività senza gonfiare il codice—un miglioramento drastico nei principali indicatori di performance
• I team hanno imparato a fidarsi dell'AI per la rapidità, sviluppando nel frattempo un solido senso critico su quando guidarla o sovrascriverla

Conclusione per i manager

Non sono gli strumenti di AI in sé a velocizzarti, ma la struttura. Fornendo ai team una tempistica rigida, obiettivi delle funzionalità scomposti e piena libertà di usare l'AI come partner creativo, FORE ha sbloccato una delivery rapidissima senza compromessi sulla qualità.

Gli hackathon non sono solo trovate pubblicitarie. Per le piccole aziende, rappresentano motori di apprendimento compressi che fanno scalare le competenze del team e generano valore simultaneamente, rappresentando iniziative strategiche che offrono un ROI immediato.

Bandiera rossa

Il codice generato dall'AI non è infallibile. Nei primi test, strumenti come Claude hanno frainteso riferimenti agli oggetti, creato divergenze negli schemi o "allucinato" livelli di complessità non necessari. Lasciando il modello in esecuzione troppo a lungo senza controllo si producevano commit eccessivi e lacune logiche.

Parliamoci chiaro (con consigli)

L'AI non sostituisce gli sviluppatori—accelera i bravi ed evidenzia il pensiero disordinato negli altri. Tyler Hochman, fondatore e CEO di FORE Enterprises, ha condiviso alcune lezioni.

Abbiamo imparato continuamente come funzionano gli strumenti. Gli strumenti tendono a complicare troppo le cose, e questo può essere un tranello. Se assegni allo strumento un compito aperto, come implementare questa funzionalità, il risultato non è dei migliori; ma se scomponi il compito in A, B, C e D e controlli ogni passaggio, lavora molto meglio.

Lezioni apprese:

• Non lasciare che l'AI gestisca compiti ampi e poco definiti. Scomponi tutto in parti chiare e testabili.
• Verifica sempre la consapevolezza dello schema. Il modello potrebbe non riconoscere le tue strutture dati subito.
• L’editing umano è fondamentale. L’AI dà il meglio quando il suo output è trattato come una bozza.

Prima e Dopo: FORE Enterprise AI Hackathon

Area di Focus	Prima dell’AI	Dopo l’AI
Velocità sviluppo funzionalità	~1 settimana per funzionalità (o 1 mese senza AI)	1 giorno per funzionalità tramite codice assistito da AI + struttura hackathon mirata
Tasso di approvazione cliente	Variabile, dipende da iterazione e QA	Approvazione 100% delle funzionalità nate dall’hackathon
Produttività di Ingegneria	~5.000 commit mensili	30.000 commit mensili dopo implementazione AI
Costo della sperimentazione	Alto—richiedeva interi sprint di sviluppo	Basso—24 ore di lavoro strutturato di team per funzionalità
Adozione AI nei team	Esplorazione ad hoc; scarsa fiducia nei modelli	Elevata adozione, fiducia e competenza pratica grazie alla collaborazione di team
Gestione del rischio AI	L’AI complica troppo, interpreta male gli schemi	Rischio mitigato tramite prompt guidati e revisione umana step-by-step

10. Smartbridge + Recruiter AI Agent

Un'azienda di medie dimensioni nel settore petrolifero e del gas (500–1.000 dipendenti) stava lottando per assumere in modo efficiente su larga scala. I recruiter spendevano un’enorme quantità di tempo nel sourcing manuale, nella valutazione e nel follow-up dei candidati—spesso affidandosi a euristiche e intuizioni inconsistenti, che introducevano ritardi e bias nel processo di selezione.

Con più recruiter impegnati su alti volumi in diverse sedi, l’azienda si è trovata di fronte a tre esigenze cruciali:

• Ridurre il time-to-hire per evitare perdita di produttività e migliorare l'esperienza dei dipendenti
• Standardizzare le decisioni di assunzione per aumentare la coerenza e minimizzare i bias, prendendo decisioni sempre più data-driven
• Libera le risorse HR per concentrarsi sulla relazione con i candidati—invece di limitarsi all'attività di triage

L’AI Play

Per trasformare il processo, l'azienda si è affidata a Smartbridge, una società di consulenza per la trasformazione digitale, per implementare un co-pilota per recruiter personalizzato alimentato da intelligenza artificiale generativa.

Questo strumento AI agentico è stato progettato per integrarsi direttamente con BambooHR e ATS dell'azienda, garantendo un'integrazione fluida nel flusso di lavoro e la protezione dei dati dei dipendenti. La soluzione ha offerto:

• Screening automatizzato dei candidati attraverso i dati ATS per ottimizzare uno dei compiti HR più dispendiosi in termini di tempo, incluse capacità avanzate di valutazione dei curriculum
• Raccomandazioni contestuali per il follow-up dei recruiter, ordinate per qualità e urgenza, consentendo decisioni più guidate dai dati
• Domande di colloquio standardizzate generate a partire dalle descrizioni delle posizioni tramite tecnologie AI
• Funzionalità di riduzione del bias attraverso criteri uniformi nelle valutazioni dei candidati, migliorando l'equità tramite una attenta analisi dei dati
• Consegna tempestiva delle azioni e degli insight per i recruiter, allineati alle esigenze 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	Manualmente intensivo per settimane	Riduzione del 70%+ del tempo dedicato al recruiting
Time-to-Fill	Spesso in ritardo 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 i recruiter
Bias nello screening	Dipendente dalla valutazione soggettiva	Bias minimo, applicato tramite valutazione strutturata
Adozione degli strumenti dai recruiter	Utilizzo manuale dell'ATS	100% di adozione da parte dei recruiter, con flussi di lavoro integrati

"Ora ogni recruiter lo utilizza—e lo fa con sicurezza. Il sistema fornisce esattamente ciò di cui hanno bisogno, quando ne hanno bisogno," ha dichiarato Rajeev Aluru, Head of AI and Data Science presso Smartbridge.

Conclusioni per il management

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 edile e dei servizi a standardizzare la qualità delle assunzioni, accelerare la velocità di reclutamento e ridurre drasticamente gli sforzi manuali.

Lo strumento è ora parte integrante dell’infrastruttura, non un esperimento secondario, dimostrando il potenziale trasformativo dell’AI per le risorse umane quando adeguatamente integrata nelle funzioni HR.

Allarme Rosso

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

A tu per tu

La tecnologia funziona—ma serve la collaborazione dei recruiter fin dal primo giorno.

• Non cogliete il vostro team alla sprovvista. Coinvolgete i recruiter fin dalle prime fasi di progettazione.
• Fate sentire l’AI come un aiuto, non come una sostituzione. Usatela per raccomandare, non per imporre.
• Tenetela nei loro strumenti. Se l’AI è esterna al sistema di riferimento, non verrà utilizzata.
• Tracciate le prestazioni. Mostrate ai recruiter come li aiuta ad occupare posizioni più velocemente, meglio e in modo più equo.

11. Docebo + AI: Selezione, coinvolgimento e gestione della conoscenza

Docebo, azienda globale attiva nelle tecnologie per l’apprendimento con circa 1.000 dipendenti divisi tra Nord America ed Europa, si è trovata ad affrontare sfide complesse su larga scala per quanto riguarda assunzioni e operatività. I team di acquisizione dei talenti riscontravano difficoltà nella valutazione omogenea dei candidati, nella presa di appunti durante i colloqui e nei ritardi nel trasformare le conversazioni con i responsabili delle assunzioni in decisioni operative.

Allo stesso tempo, i team People revisionavano manualmente migliaia di commenti ai sondaggi sull’engagement ogni mese, rallentando notevolmente la capacità di reagire ai feedback e migliorare il coinvolgimento dei dipendenti. La condivisione interna della conoscenza tra i team era un ulteriore collo di bottiglia, soprattutto durante progetti come la riorganizzazione aziendale.

Docebo necessitava dell’AI non per novità, ma per ottenere chiarezza operativa, decisioni più rapide e una valutazione di qualità superiore dei candidati su scala globale—migliorando, in definitiva, diverse funzioni HR contemporaneamente.

L’approccio AI

Docebo ha implementato l’AI su tre flussi di lavoro HR-critici sfruttando machine learning ed elaborazione del linguaggio naturale:

1. Selezione + Intelligenza nei colloqui

• Granola.ai è stata introdotta per supportare recruiter e responsabili delle assunzioni durante i colloqui, trascrivendo e riassumendo automaticamente le note.
• Questo ha liberato i recruiter dalla necessità di 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 ad eliminare attività HR ripetitive.
• I riepiloghi ora fungono da archivio per capire quali domande hanno portato alle migliori assunzioni—consentendo di perfezionare le strategie di colloquio e prendere decisioni valutative più guidate dai dati, creando dataset preziosi per il miglioramento continuo.

2. Descrizioni di lavoro allineate alla cultura + Profilazione dei candidati

• Sono stati utilizzati strumenti di IA per creare descrizioni di lavoro coerenti con i valori di Docebo, con un conseguente miglioramento della qualità dei candidati e una migliore esperienza per i dipendenti già dal primo contatto.
• I recruiter hanno anche sperimentato tecnologie IA per analizzare contenuti pubblici dei candidati (ad es. post su LinkedIn) per valutare la coerenza con i valori culturali, come le caratteristiche di leadership orientata alle persone.
• Sebbene tali insight non siano stati usati per prendere decisioni finali, hanno fornito indicazioni per le assunzioni della leadership, sostenendo le conversazioni di sviluppo di carriera.

3. Analisi del sentimento dei sondaggi di coinvolgimento

• In passato, rivedere migliaia di commenti dei sondaggi mensili di coinvolgimento richiedeva settimane.
• Con la sintesi dell’IA tramite algoritmi di analisi dei dati, i team HR ora potevano individuare temi emergenti e cambiamenti di sentiment in poche ore, permettendo di avviare iniziative reattive più rapidamente.
• È fondamentale sottolineare che ogni commento viene comunque revisionato manualmente da professionisti HR—ma l’IA agisce come filtro iniziale per evidenziare le criticità e ridurre il tempo tra feedback e azione, migliorando drasticamente la reattività nel coinvolgimento dei dipendenti e consentendo analisi predittive sui potenziali rischi di retention.

4. Accesso alla conoscenza interna con Glean

• Glean, uno strumento di knowledge management potenziato dall’IA, è stato implementato per eliminare silos interni e ottimizzare l’accesso alle informazioni—uno degli strumenti HR fondamentali nella tech stack di Docebo.
• I dipendenti possono interrogare Glean per ottenere riepiloghi delle 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 la progettazione organizzativa facendo emergere istantaneamente gli obiettivi e le strutture dei team tramite i dati dei dipendenti. I leader aziendali riferiscono che ciò ha migliorato notevolmente la velocità di pianificazione strategica.

I risultati

• Oltre 2 ore risparmiate per recruiter/intervistatore ad ogni assunzione grazie alla presa di appunti automatica
• Migliaia di commenti ai sondaggi analizzati ogni mese in poche ore anziché in settimane, migliorando la reattività al coinvolgimento dei dipendenti
• Descrizioni di lavoro più rapide e di qualità superiore hanno contribuito a pipeline di candidati migliori e maggior qualità dell’esperienza dei dipendenti
• Migliore calibrazione nelle assunzioni grazie all’analisi retrospettiva delle trascrizioni dei colloqui, consentendo decisioni più guidate dai dati
• Pianificazione organizzativa più rapida grazie ai riepiloghi interni in tempo reale di Glean

“Non vediamo l’IA come un gioco a somma zero. Si tratta di sbloccare il meglio delle nostre persone guadagnando allo stesso tempo efficienza reale e scala.” — Lauren Tropeano, VP of People and Culture, Docebo.

Riflessione esecutiva

L’IA non deve essere rivoluzionaria per essere trasformativa. Il successo di Docebo deriva dall’avere integrato strumenti pratici di IA nei flussi di lavoro esistenti: eliminando attriti nella presa di appunti, sbloccando insight organizzativi e reagendo più rapidamente ai feedback di engagement.

Il loro approccio è stato in egual misura pragmatico e orientato alle persone, con governance ed esperimenti a guidare un’adozione sostenibile in tutte le funzioni HR.

Attenzione

Non tutti gli strumenti di IA forniscono output utilizzabili. Docebo ha dovuto sperimentare diverse piattaforme di presa di appunti prima di trovarne una che cogliesse il giusto livello di sfumatura e differenziazione tra interlocutori. La lezione? Testare prima di scalare, valutando non solo cosa l’IA può fare—ma se ciò che fa è realmente utile per i processi HR.

Parliamoci chiaro (con consigli)

• Partire in piccolo, scalare in modo intelligente: Iniziare con team pilota, raccogliere feedback e poi espandere 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 agire sugli insight dell’IA.
• La governance è fondamentale: Definire i confini di accesso ai dati (ad es. nessun accesso ai sistemi HR sensibili) e chiarezza sull’uso responsabile dei dati dei dipendenti.

Prima e dopo: il percorso di Docebo con l’IA

Area di Focus	Prima dell’IA	Dopo l’IA
Appunti dei colloqui	Trascrizione manuale dopo ogni chiamata; livello di dettaglio e impegno incoerenti	I riassunti di Granola risparmiano oltre 2 ore per ruolo; i responsabili possono concentrarsi sull’ascolto invece che sulla scrittura
Analisi dei sondaggi sul coinvolgimento	Codifica manuale di migliaia di commenti che richiedeva settimane	I riassunti tematici con l’IA permettono cicli feedback-azione quasi in tempo reale
Scoperta dei candidati	Le descrizioni di lavoro spesso perse tra una marea di annunci generici di settore	Annunci di lavoro creati con l’IA in linea con i valori aziendali attraggono candidati più adatti
Ricerca per il design organizzativo	Ore/giorni a scavare tra e-mail e Slack per comprendere la struttura del team	Glean mostra in pochi secondi gli obiettivi del team e gli organigrammi
Valutazione culturale	Visibilità limitata sui comportamenti orientati alle persone dei candidati alla leadership	Le revisioni supportate dall’IA dei contenuti pubblici forniscono segnali indicativi di affinità culturale

5 lezioni chiave dalle prime linee dell’IA nelle Risorse Umane

Dopo aver analizzato decine di implementazioni reali, ecco i punti fondamentali tratti dai team che stanno lavorando concretamente su questi progetti—non in teoria, ma nella pratica:

More Articles

• I tre cambiamenti per passare dall’assistenza AI alla proprietà
• Strategia HR: Una Guida Completa
• Cosa Chiede Davvero Questo Momento ai Leader

1. L’integrazione batte l’invenzione

I progetti di maggiore impatto hanno integrato le tecnologie IA all’interno di strumenti già usati dai team—come Slack, piattaforme ATS o sistemi HRIS. La gestione del cambiamento è stata più agevole, l’adozione dell’IA più rapida e il ritorno sull’investimento più immediato. I professionisti HR hanno potuto sfruttare l’IA per le loro attività senza sconvolgere i processi già esistenti. Piuttosto che introdurre nuovi strumenti HR, le implementazioni di successo hanno potenziato ciò che i team già conoscevano, riducendo le frizioni e accelerando la realizzazione del valore.

2. Il giudizio umano conta ancora

Anche i sistemi di IA più avanzati non prendevano decisioni da soli. Ogni esempio prevedeva un disegno basato sull’interazione umana, rafforzando la fiducia, migliorando i risultati e garantendo equità su selezione, inserimento e valutazione della performance. L’apprendimento automatico e gli algoritmi supportano le decisioni—ma non sostituiscono il giudizio dei professionisti specializzati HR. I leader aziendali che comprendono questo principio vedono l’IA come un potenziamento, non una sostituzione, e costruiscono sistemi più forti e affidabili di conseguenza.

3. L’adozione richiede fiducia—non solo tecnologia

I team che hanno ottenuto risultati con l’IA hanno investito in formazione, trasparenza e storytelling interno. L’adozione dell’IA non è stata solo una sfida tecnica—ma anche culturale. I team dalle prestazioni più elevate hanno fatto percepire l’IA come un collega, non come una minaccia, mantenendo l’engagement dei dipendenti forte durante tutte le iniziative di implementazione. L’adozione di successo dell’IA ha richiesto di affrontare i timori per la sicurezza del lavoro, dimostrare valore attraverso progetti pilota e celebrare pubblicamente i successi per creare slancio.

4. La personalizzazione guida la performance

La velocità conta, ma la qualità conta di più. L’IA ha garantito i ritorni più forti creando esperienze personalizzate e contestuali—per candidati, responsabili o nuovi assunti—migliorando l’esperienza globale dei dipendenti. Dalla redazione dei piani di onboarding all’analisi dei feedback utilizzando i dati dei dipendenti, la specificità si è dimostrata superiore alla mera scala. L’elaborazione del linguaggio naturale ha permesso di scalare questa personalizzazione in molteplici funzioni HR, agevolando percorsi di apprendimento personalizzati, conversazioni sullo sviluppo professionale e comunicazioni su misura. Le implementazioni più efficaci hanno utilizzato analisi dei dati e predittive per anticipare bisogni specifici invece di applicare soluzioni "taglia unica".

5. I piccoli progetti pilota crescono in fretta

La maggior parte delle storie di successo è iniziata con esperimenti a basso rischio e ad alto rendimento: un chatbot per la definizione degli obiettivi, un piano 30/60/90 generato con GPT o lo screening automatizzato dei CV. Una volta che l’impatto è stato dimostrato attraverso metriche chiare di risparmio e efficienza, i team hanno scalato rapidamente—con credibilità e fiducia. Queste iniziative mirate hanno provato il valore dell’IA per l’HR prima di implementare l’IA a livello aziendale per trasformare processi o attività delle Risorse Umane. Iniziare in piccolo ha permesso di testare le tecnologie IA, ottimizzare i prompt, costruire dataset appropriati e sviluppare framework di governance prima di un’estensione generale—incrementando significativamente le probabilità di un’adozione efficace e duratura dell’IA.