Per diverso tempo il dibattito sull’intelligenza artificiale applicata alle Risorse Umane si è concentrato prevalentemente sulle opportunità: riduzione dei tempi di selezione, automazione delle attività amministrative, analisi delle competenze, supporto alla formazione, previsione del turnover, workforce planning, performance management.

Era inevitabile; ogni nuova tecnologia viene inizialmente osservata attraverso ciò che promette di fare. Oggi, però, siamo entrati in una fase diversa.

L’intelligenza artificiale non è più soltanto oggetto di sperimentazione. È già presente, con livelli di maturità molto differenti, nei processi di molte organizzazioni. E proprio l’esperienza accumulata sta facendo emergere una questione che considero più rilevante della tecnologia stessa: molte imprese sono tecnicamente pronte ad acquistare strumenti di AI, ma non necessariamente organizzativamente pronte a utilizzarli bene.

I dati aiutano a comprendere la dimensione del fenomeno. Una rilevazione Gartner su 110 responsabili HR ha evidenziato che il 95% delle organizzazioni intervistate aveva implementato l’AI in qualche forma nell’anno precedente. Tuttavia, soltanto una su cinque dichiarava di aver ottenuto un valore significativo o trasformazionale.

SHRM, sulla base delle risposte di 1.908 professionisti HR, arriva a una conclusione altrettanto interessante: il 56% delle funzioni HR che utilizzano l’intelligenza artificiale non misura formalmente il successo degli investimenti effettuati e soltanto il 16% utilizza il ROI come parametro di valutazione. Il dato forse più significativo è però un altro: nel 52% delle organizzazioni analizzate HR non è coinvolta nella definizione della strategia o della visione complessiva sull’intelligenza artificiale. 

Il punto, quindi, non è più stabilire se l’AI entrerà nelle Risorse Umane, ma con quali regole, su quali dati, all’interno di quali processi e sotto la responsabilità di chi.

L’AI è tanto affidabile quanto lo sono i problemi che le chiediamo di risolvere

Uno degli equivoci più diffusi consiste nell’associare automaticamente l’elaborazione algoritmica all’oggettività, ma non è così. 

L’intelligenza artificiale può elaborare quantità di informazioni che nessun essere umano riuscirebbe ragionevolmente a gestire, può riconoscere pattern, individuare correlazioni, classificare profili e formulare previsioni.

Ma continua a dipendere dalla qualità delle domande che le poniamo e dei dati sui quali lavora.

Il recente studio dell’International Labour Organization AI in human resource management: The limits of empiricism individua proprio qui uno dei principali punti di debolezza nell’utilizzo dell’AI in ambito HR. L’analisi riguarda recruiting, compensation, scheduling e performance management e richiama tre elementi essenziali: la qualità dell’obiettivo assegnato al sistema, la qualità dei dati e il modo in cui il sistema è programmato. Obiettivi poco definiti, dati incompleti o distorti e scarsa trasparenza possono compromettere l’utilità stessa dello strumento. 

Pensiamo a un caso molto semplice. Un’azienda decide di utilizzare i propri dati storici per identificare le caratteristiche dei dipendenti che, negli ultimi dieci anni, sono diventati manager. Il sistema individua alcune ricorrenze: determinate esperienze funzionali, una mobilità internazionale, una certa anzianità, un particolare percorso professionale.

Il risultato può essere statisticamente impeccabile, ma la domanda da porre è se ill modello sta riconoscendo il talento oppure sta semplicemente imparando come l’azienda ha selezionato il talento in passato. 

La differenza è sostanziale. Se determinate persone hanno avuto storicamente minore accesso ai progetti internazionali, alle posizioni più visibili o ai percorsi di successione, quei dati incorporano già le conseguenze delle decisioni organizzative precedenti.

A quel punto l’algoritmo non inventa necessariamente una discriminazione e si limiia a trasformare il passato in un criterio per decidere il futuro.

Prima dell’algoritmo viene il processo

C’è poi una questione che, a mio avviso, riguarda direttamente il mestiere delle Risorse Umane. L’AI viene spesso introdotta con l’obiettivo di aumentare l’efficienza, ma efficienza e qualità del processo non sono la stessa cosa.

Prendiamo una selezione che prevede troppi passaggi, criteri di valutazione poco definiti e responsabilità poco chiare. Un sistema di AI può ridurre drasticamente il tempo necessario allo screening dei candidati. Il processo diventa più veloce, ma non necessariamente migliore.

Lo stesso vale per una performance review costruita prevalentemente su giudizi manageriali poco strutturati. Analizzare automaticamente centinaia di commenti non elimina la soggettività originaria di quelle valutazioni.

Oppure consideriamo una job architecture nella quale convivono titoli differenti per ruoli sostanzialmente identici, job description aggiornate in momenti diversi, skill non censite e sistemi informativi non integrati. Un sofisticato modello di skill matching applicato a quella base dati può produrre risultati estremamente precisi.

Il problema è che potrebbe essere preciso rispetto a una rappresentazione sbagliata dell’organizzazione.

È probabilmente questo uno dei principali insegnamenti della prima fase di adozione dell’AI.

Prima di chiedersi quale tecnologia introdurre, bisognerebbe tornare a domande molto più tradizionali:

• Quale problema organizzativo stiamo cercando di risolvere?
• Quale decisione vogliamo migliorare?
• Qual è la qualità dei dati sui quali quella decisione verrà costruita?

E, soprattutto, il processo che vogliamo automatizzare è realmente il processo che vorremmo conservare?

Quando l’algoritmo entra nella decisione HR

Immaginiamo un’azienda che riceva decine di migliaia di candidature ogni anno. Per rendere gestibile il processo introduce uno strumento in grado di attribuire un punteggio ai candidati sulla base delle informazioni disponibili.

Il recruiter decide di esaminare soltanto i profili che superano una determinata soglia: un candidato riceve 72 punti, ma la soglia è fissata a 75 e quindi nessuno leggerà il suo curriculum. Chi ha preso la decisione?

In apparenza la risposta è semplice: il sistema ha attribuito un punteggio, mentre la decisione resta all’azienda. Nella pratica, però, il confine può diventare molto più sottile.

Se nessun essere umano prende materialmente visione dei profili esclusi dall’algoritmo, parlare esclusivamente di “supporto alla decisione” rischia di diventare una semplificazione.

Il Regolamento europeo sull’intelligenza artificiale affronta espressamente il tema della supervisione umana nei sistemi ad alto rischio. Per i deployer, la supervisione deve essere affidata a persone dotate della competenza, della formazione, dell’autorità e del supporto necessari. Per i sistemi utilizzati nei luoghi di lavoro sono inoltre previsti specifici obblighi informativi nei confronti dei lavoratori interessati e dei loro rappresentanti. 

La norma contiene, a mio avviso, un principio manageriale prima ancora che giuridico. Mettere una persona alla fine di un processo automatizzato non significa necessariamente avere mantenuto il controllo umano sulla decisione.

La supervisione è effettiva soltanto quando chi controlla il sistema comprende ciò che sta valutando, può contestarne il risultato e dispone concretamente dell’autorità necessaria per assumere una decisione diversa. È una distinzione destinata a diventare centrale per HR.

Stati Uniti e Italia: due approcci diversi allo stesso problema

Il confronto con gli Stati Uniti è particolarmente utile perché mostra due modi differenti di affrontare l’utilizzo dell’AI nelle decisioni sul lavoro.

Negli Stati Uniti il quadro rimane più frammentato e combina normativa antidiscriminatoria, interventi a livello statale o locale, audit e contenzioso.

New York City rappresenta uno dei casi più conosciuti. La Local Law 144 disciplina l’utilizzo degli Automated Employment Decision Tools. Prima di utilizzare determinati strumenti automatizzati per supportare decisioni di assunzione o promozione, il datore di lavoro o l’agenzia per il lavoro deve assicurarsi che lo strumento sia stato sottoposto a un bias audit nell’anno precedente, rendere disponibili informazioni sui risultati e fornire le comunicazioni previste a candidati o dipendenti interessati. L’enforcement è iniziato il 5 luglio 2023. 

È un modello interessante perché introduce un concetto semplice: prima di utilizzare un algoritmo per scegliere persone, bisogna verificare cosa quell’algoritmo produce sulle persone.

L’approccio europeo è più sistemico. L’AI Act considera ad alto rischio diverse applicazioni dell’intelligenza artificiale relative a occupazione e gestione dei lavoratori e introduce obblighi relativi, tra l’altro, alla governance, alla supervisione umana, all’utilizzo dei dati, alla conservazione dei log e all’informazione dei lavoratori. 

La differenza non è soltanto normativa. Negli Stati Uniti l’attenzione è stata fortemente influenzata dal rischio discriminatorio, dagli audit e dalla litigation. In Europa la logica è maggiormente preventiva: si cerca di governare il rischio prima che la decisione produca le sue conseguenze.

Per una multinazionale questo ha conseguenze molto pratiche. Un software acquistato e utilizzato negli Stati Uniti non può essere semplicemente replicato in una controllata italiana assumendo che il modello di governance possa rimanere identico.

Cambiano il contesto normativo, il sistema delle relazioni industriali, la disciplina della privacy, gli obblighi informativi e, in alcuni casi, persino la legittimità dell’utilizzo di determinate informazioni.

Un esempio italiano: misurare lo stress dei lavoratori

Un caso recente del Garante per la protezione dei dati personali consente di comprendere quanto rapidamente queste questioni stiano diventando concrete anche in Italia.

Nel maggio 2026 l’Autorità è intervenuta rispetto a un servizio basato su modelli linguistici e analisi semantica potenzialmente in grado di analizzare le comunicazioni aziendali e produrre report aggregati sul livello di stress dei dipendenti.

Il Garante ha evidenziato la necessità di impedire al datore di lavoro qualsiasi accesso, anche indiretto, a informazioni riferibili alla sfera emotiva dei singoli lavoratori. Ha inoltre richiamato il divieto, previsto dal quadro europeo, relativo a determinati sistemi destinati a dedurre o analizzare emozioni nei contesti lavorativi. 

Il caso è interessante perché mostra uno dei limiti che le imprese dovranno imparare a governare.

Non tutto ciò che la tecnologia consente di conoscere dovrebbe necessariamente diventare un’informazione aziendale.

È tecnicamente possibile immaginare sistemi capaci di analizzare linguaggio, interazioni, comportamenti e altri segnali per tentare di stimare engagement, stress, propensione alle dimissioni o altri aspetti del comportamento individuale. La domanda, tuttavia, non può essere soltanto: possiamo farlo?

Deve diventare: perché dovremmo farlo, con quale base giuridica, con quale attendibilità e con quali conseguenze sulla persona?

Se l’AI elimina il lavoro junior, dove formeremo i senior?

Esiste poi un effetto meno immediato, ma potenzialmente molto rilevante. Una parte importante delle attività oggi più facilmente automatizzabili coincide con attività tradizionalmente affidate ai professionisti all’inizio della loro carriera. Preparazione di report, ricerche, screening documentale, benchmark, elaborazioni preliminari, stesura di documenti, prime analisi.

Gartner ha rilevato che il 22% dei CHRO intervistati riferiva che almeno un business leader della propria organizzazione aveva già interrotto l’assunzione per alcuni ruoli entry-level a causa dell’automazione legata all’AI. La stessa ricerca sottolinea il rischio di indebolire le pipeline di talento se l’automazione viene tradotta semplicemente nella scomparsa dei ruoli iniziali. 

È un problema che riguarda anche HR. Molti professionisti hanno imparato il mestiere facendo precisamente quelle attività che oggi un sistema può svolgere in pochi secondi.

Leggere decine di curriculum, preparare una comparazione retributiva, partecipare ai colloqui, ricostruire un organigramma, scrivere una prima bozza di policy, analizzare dati prima di presentarli al management: si trattava spesso di attività operative e ripetitive.

Ma erano anche attività attraverso le quali si costruivano esperienza, capacità di giudizio e conoscenza dell’organizzazione. Se eliminiamo quel lavoro, dovremo essere capaci di sostituire anche l’apprendimento che avveniva attraverso quel lavoro.

Altrimenti rischiamo di avere professionisti che arrivano più rapidamente alle attività considerate strategiche, ma con meno occasioni per costruire l’esperienza che consente di svolgerle bene.

Leggi anche: Intelligenza artificiale, come viene usata dalle generazioni di lavoratori

Il punto debole potrebbe essere proprio la governance

C’è infine un dato che dovrebbe interessare direttamente i CHRO. Secondo SHRM, nel 52% delle organizzazioni analizzate HR non partecipa alla definizione della strategia o della visione sull’AI.  È difficile immaginare un paradosso più evidente.

Stiamo introducendo una tecnologia che modifica ruoli, competenze, modelli organizzativi, modalità di selezione, formazione, performance, workforce planning e potenzialmente la stessa composizione degli organici.

E proprio la funzione che dovrebbe comprendere le conseguenze di questi cambiamenti rischia, in molte realtà, di essere coinvolta soltanto nella fase applicativa.

L’AI non può essere un progetto esclusivamente IT. Non può esserlo neppure esclusivamente Legal: IT deve governare infrastruttura, integrazione e sicurezza. Legal e Privacy devono presidiare il quadro normativo. Il business deve chiarire gli obiettivi.

Ma quando una tecnologia influenza l’accesso al lavoro, lo sviluppo professionale, l’organizzazione delle mansioni o la valutazione della prestazione, la questione diventa inevitabilmente anche HR.

Nelle organizzazioni caratterizzate da una significativa presenza sindacale diventa, inoltre, materia di relazioni industriali. Un algoritmo utilizzato per distribuire i turni, attribuire compiti o misurare una performance non è semplicemente uno strumento informatico.

Può diventare parte del modo in cui l’impresa esercita concretamente il proprio potere organizzativo.

Dall’AI governance alla governance delle decisioni

Per questo ritengo che, soprattutto nelle Risorse Umane, non sia più sufficiente parlare genericamente di AI governance.

Occorre ragionare sulla governance della decisione. Prima dell’implementazione di ogni sistema dovrebbero essere chiarite almeno alcune questioni fondamentali:

• qual è la decisione che stiamo affidando o supportando attraverso l’algoritmo;
• quali dati la alimentano;
• chi conosce realmente i limiti del sistema;
• chi è autorizzato a mettere in discussione l’output;
• chi assume la responsabilità della decisione finale.

Facciamo un ultimo esempio. Un sistema di people analytics attribuisce a un dipendente una probabilità dell’82% di lasciare l’azienda nei dodici mesi successivi.

È un’informazione apparentemente molto utile, ma cosa dovrebbe farne HR?

Informare il manager? Oppure inserire il dipendente in un piano di retention, rivederne la compensation, escluderlo da un progetto pluriennale perché considerato a rischio? Oppure non fare nulla?

La questione non riguarda più soltanto l’accuratezza statistica dell’82%, ma ciò che l’organizzazione farà dopo aver visto quel numero.

Se il manager iniziasse a investire meno su quella persona, affidandole progetti meno importanti o escludendola dalla succession pipeline, la previsione potrebbe addirittura contribuire a produrre l’evento che intendeva prevedere. È questo il punto in cui l’AI smette di essere soltanto analisi e diventa organizzazione.

La vera maturità digitale delle Risorse Umane

L’intelligenza artificiale rappresenta senza dubbio una delle opportunità più importanti che la funzione HR abbia avuto negli ultimi anni.

Può liberare tempo, migliorare la capacità di analisi, consentire decisioni più informate e rendere accessibili competenze che in passato richiedevano strutture molto più grandi.

Ma la fase dell’entusiasmo tecnologico dovrebbe essere progressivamente sostituita da una fase di maggiore maturità manageriale.

Perché l’AI sta facendo emergere problemi che esistevano già: dati poco affidabili, Job architecture incoerenti, processi scarsamente standardizzati, criteri di valutazione difficili da spiegare, responsabilità decisionali non sempre chiare, scarsa misurazione dell’effettivo valore prodotto da alcune iniziative HR.

L’intelligenza artificiale non ha creato queste criticità, ma le sta rendendo più visibili.

E, soprattutto, ci obbliga a formalizzare processi e criteri che per anni molte organizzazioni hanno lasciato prevalentemente all’esperienza e alla discrezionalità delle persone.

Per questo credo che nei prossimi anni la differenza tra aziende mature e immature nell’utilizzo dell’AI non verrà misurata dal numero di strumenti adottati.

Verrà misurata dalla capacità di sapere quali decisioni affidare alla tecnologia, quali mantenere saldamente nelle mani delle persone e quali, semplicemente, non dovrebbero essere automatizzate.

È una responsabilità che riguarda certamente IT, Legal e il business, ma riguarda soprattutto le Risorse Umane.

Perché quando l’intelligenza artificiale entra nelle decisioni sulle persone, il problema non è più soltanto tecnologico. Diventa, prima di tutto, un problema di management.