Gli algoritmi di valutazione del personale stanno cambiando il modo in cui le aziende selezionano, promuovono e formano i dipendenti. Strumenti potenti, ma delicati, che richiedono trasparenza, controlli accurati e solide garanzie di tutela dei lavoratori.
Come funzionano i sistemi algoritmici di scoring del personale
Quando si parla di sistemi algoritmici di scoring del personale non si tratta solo di software “intelligenti”, ma di vere e proprie architetture decisionali. In pratica, l’algoritmo raccoglie e combina una serie di dati sul lavoratore: performance passate, tempi di risposta, risultati di vendita, indicatori di produttività, ma anche informazioni tratte da test attitudinali o valutazioni dei responsabili.
Ogni variabile ottiene un punteggio e un peso. Il modello statistico o di machine learning elabora questi input e restituisce uno score complessivo: un numero, una classe di rischio, una probabilità di successo in un determinato ruolo. Questo punteggio può influenzare selezioni, promozioni, assegnazione di turni o accesso a percorsi di formazione.
Nei sistemi più avanzati entrano in gioco reti neurali e tecniche predittive complesse, difficili da spiegare persino agli esperti. In altri casi si usano algoritmi più semplici, come regressioni o alberi decisionali, spesso più facili da controllare. Un po’ come negli sport di squadra, dove un analista di dati combina statistiche su passaggi, recuperi e tiri per valutare un giocatore, l’azienda costruisce un profilo quantitativo del dipendente, con l’aggravante che qui le decisioni incidono direttamente sulla vita professionale di una persona.
Rischi di bias, discriminazioni indirette e profilazione illecita
Il fascino dei numeri fa dimenticare che gli algoritmi non sono neutrali. I bias possono nascere già nei dati storici usati per addestrare il sistema: se per anni un’azienda ha promosso soprattutto uomini in una certa fascia d’età, il modello tenderà a replicare lo stesso schema, anche senza usare esplicitamente il genere come variabile. È la classica discriminazione indiretta: nessuno lo dichiara, ma l’effetto è quello.
Alcuni sistemi finiscono poi per fare profilazione illecita, combinando dati che non dovrebbero essere usati a fini valutativi: informazioni tratte dai social, dettagli sanitari, indicatori di stress estratti da pattern di comportamenti digitali. Non sempre in modo evidente. A volte è un campo “innocuo” che, incrociato con altri, permette comunque di risalire a categorie sensibili, come l’orientamento religioso o l’appartenenza sindacale.
Le zone grigie sono molte. Pensiamo a un modello che penalizza chi ha avuto assenze prolungate senza distinguere tra un infortunio sportivo e una gravidanza. Oppure a un sistema che associa automaticamente “disponibilità a straordinari” a “affidabilità”, mettendo in svantaggio chi ha responsabilità di cura. Qui il problema non è l’IA in sé, ma la mancanza di governance e di controlli etici seri.
Quale informativa fornire ai dipendenti sui sistemi automatizzati
La prima regola, spesso ignorata, è la trasparenza. Se un’azienda utilizza sistemi di valutazione automatizzata, i dipendenti devono saperlo in modo chiaro, comprensibile e non nascosto in tre righe di un regolamento interno. L’informativa dovrebbe spiegare almeno cinque elementi: quali dati vengono usati, per quali finalità precise, con quali logiche generali, chi accede ai risultati e per quanto tempo saranno conservati.
Non basta dire “usiamo un algoritmo per migliorare i processi HR”. Occorre descrivere, a livello alto ma concreto, se si tratta di uno strumento di supporto alle decisioni dei manager o se incide direttamente su bonus, obiettivi, piani di carriera. E indicare se sono coinvolti fornitori esterni, ad esempio piattaforme di people analytics.
Un dipendente dovrebbe poter capire se è valutato solo in base a dati prodotti sul lavoro (prestazioni, obiettivi, feedback interni) o anche attraverso altre fonti, come questionari psicometrici. Informazioni del genere riducono la diffidenza e permettono, in caso di errori, di contestare i risultati in modo argomentato. Un po’ come quando un atleta chiede di rivedere i dati GPS e i report di carico per capire perché è stato escluso da una gara.
Diritto alla spiegazione e limiti delle decisioni automatizzate
Quando una scelta che incide in modo significativo sulla carriera di una persona è presa da un sistema automatizzato, entrano in gioco il diritto alla spiegazione e il diritto di opposizione. Il lavoratore non deve accontentarsi di un “lo dice l’algoritmo”. Serve almeno una spiegazione delle logiche principali utilizzate e dei fattori che hanno pesato di più sulla decisione.
Non significa svelare il codice sorgente, ma rendere comprensibile il criterio. Per esempio: il sistema ha dato peso elevato a puntualità, qualità delle consegne e feedback del team, e un peso minore all’anzianità. In alcuni contesti è opportuno fornire anche un riesame umano obbligatorio: un responsabile che verifichi se la decisione automatizzata è coerente con il quadro complessivo.
In molti ordinamenti, le decisioni interamente automatizzate con effetti giuridici o simili sono fortemente limitate o richiedono garanzie aggiuntive. Una promozione negata o un licenziamento basato esclusivamente su uno score algoritmico espone l’azienda a rischi seri. La tecnologia può supportare, ma non sostituire completamente il giudizio umano, soprattutto in ambiti dove contano contesto, storia professionale e dinamiche relazionali.
Impatto del regolamento europeo sull’intelligenza artificiale
Il Regolamento europeo sull’intelligenza artificiale (AI Act) considera diversi sistemi usati nelle risorse umane come ad alto rischio. Questo significa requisiti stringenti già in fase di progettazione: gestione dei dati, qualità degli input, documentazione tecnica, controlli di robustezza e misure per ridurre i bias. Non è un semplice bollino di conformità, ma un cambio di prospettiva sulla responsabilità.
I fornitori di soluzioni HR basate su IA dovranno dimostrare di avere processi strutturati di valutazione dell’impatto e di monitoraggio continuo delle prestazioni del sistema. Le aziende utenti, dal canto loro, non potranno più limitarsi a “fidarsi del fornitore”: dovranno capire cosa stanno adottando, con quali rischi e per quali processi interni.
Particolare attenzione è posta all’uso di dati sensibili, alla tracciabilità delle versioni del modello e alla possibilità di audit da parte delle autorità. Per un reparto HR può sembrare burocrazia in più, ma in realtà significa avere strumenti che, se ben configurati, lasciano una traccia chiara delle decisioni. Un po’ come il protocollo VAR nel calcio: più lavoro per gli arbitri, ma anche più materiale per controllare cosa è successo e perché.
Linee guida pratiche per introdurre sistemi algoritmici compliant
Introdurre sistemi algoritmici in azienda senza esporsi a rischi inutili richiede un approccio graduale. Prima di tutto serve una mappatura dei trattamenti: dove e come l’algoritmo interviene nei processi HR, dalla selezione alla formazione, fino alla gestione delle prestazioni. Poi una valutazione d’impatto sulla protezione dei dati e sui diritti dei lavoratori, con il coinvolgimento del DPO, dell’ufficio legale e di chi segue le relazioni sindacali.
Sul piano tecnico, è prudente preferire soluzioni che prevedano human-in-the-loop: l’algoritmo propone, l’umano decide, con la possibilità di discostarsi dallo score e motivare. Andrebbero previsti test pilota limitati, con monitoraggio di equità e accuratezza, prima di estendere il sistema a tutti i reparti.
Sul piano organizzativo, sono cruciali la formazione dei manager sull’uso corretto dei punteggi e la definizione di canali chiari di reclamo e revisione. Infine, una buona pratica spesso trascurata: coinvolgere i lavoratori, o le loro rappresentanze, fin dalle prime fasi. Ascoltare dubbi e obiezioni permette di correggere rotta prima che l’algoritmo diventi un corpo estraneo, percepito più come strumento di controllo che come supporto alla crescita professionale.
