Prima di procedere
In un panorama lavorativo globale dominato dalla necessità di processare volumi immensi di dati, l'integrazione dell'intelligenza artificiale nei processi di selezione del personale è diventata una prassi consolidata per le grandi multinazionali. Tuttavia, una recente e approfondita indagine condotta dalla prestigiosa Stanford University ha sollevato interrogativi inquietanti sulla reale equità di questi sistemi automatizzati. Lo studio ha analizzato un database colossale di 4 milioni di candidature presentate presso 156 grandi datori di lavoro tra il dicembre 2018 e il dicembre 2022, mettendo in luce come gli strumenti di valutazione basati su algoritmi tendano a penalizzare in modo sistematico e sproporzionato i candidati appartenenti a minoranze etniche, in particolare neri e asiatici.
Il fulcro della ricerca si è concentrato sulla piattaforma Pymetrics, uno dei leader mondiali nelle cosiddette "game-based assessments", ovvero valutazioni basate su test ludici online. Questi strumenti sono progettati per misurare tratti cognitivi e comportamentali come la propensione al rischio, la velocità di reazione, la memoria di lavoro e l'empatia. Nonostante l'obiettivo dichiarato di queste tecnologie sia quello di rimuovere i pregiudizi umani inconsci, i dati della Stanford University suggeriscono una realtà opposta: gli algoritmi sembrano aver codificato e amplificato nuove forme di discriminazione statistica. Secondo i ricercatori, circa un decimo delle posizioni lavorative esaminate mostrava un impatto negativo significativo sui candidati afroamericani, mentre per i candidati di origine asiatica il pregiudizio si manifestava in un caso su venti. Questo fenomeno crea una barriera invisibile ma estremamente efficace che impedisce l'accesso alle fasi successive del colloquio, quelle in cui finalmente interviene un essere umano.
Uno degli aspetti più allarmanti emersi dall'analisi riguarda la natura sistemica e ripetitiva di questi rifiuti. Gli studiosi hanno identificato l'esistenza di 42 modelli algoritmici identici o estremamente simili utilizzati da diversi datori di lavoro per ruoli analoghi. Ciò significa che un candidato respinto da un'azienda ha un'altissima probabilità di essere scartato automaticamente anche da tutte le altre società che utilizzano lo stesso fornitore di software, come Pymetrics o HireVue. Si assiste dunque alla creazione di una sorta di "lista nera algoritmica" involontaria, dove il 4% dei candidati che ha presentato domanda per almeno dieci posizioni diverse è stato sistematicamente bocciato da ogni singolo software, una percentuale significativamente superiore a quella che si otterrebbe con una selezione casuale. Questa omogeneità dei criteri di selezione riduce drasticamente le opportunità di impiego per talenti che non rientrano nei rigidi parametri definiti dai dati storici delle aziende.
Le grandi corporation, spesso con fatturati superiori ai 5 miliardi di dollari, adottano queste tecnologie per gestire la mole insostenibile di curricula, ma il costo sociale di questa efficienza è elevatissimo. I candidati riferiscono di trascorrere ore impegnati in test psicometrici e giochi digitali, con la frustrante consapevolezza che le loro reali competenze professionali potrebbero non essere mai nemmeno visualizzate da un reclutatore umano. Il sistema di Pymetrics, ad esempio, confronta i risultati dei test dei nuovi candidati con i profili dei "top performer" già presenti in azienda. Se i migliori dipendenti attuali riflettono una mancanza storica di diversità, l'algoritmo non farà altro che cercare cloni di quei dipendenti, perpetuando all'infinito lo status quo e precludendo l'ingresso a profili innovativi o provenienti da contesti differenti. Questo meccanismo di "mirroring" trasforma l'intelligenza artificiale in uno specchio che riflette i pregiudizi del passato anziché in una finestra sulle opportunità del futuro.
Sebbene i ricercatori della Stanford University abbiano precisato che i risultati potrebbero non applicarsi universalmente a tutti i sistemi di screening algoritmico, poiché l'approccio ludico di Pymetrics differisce dall'analisi testuale dei curricula, il segnale inviato al mercato del lavoro è chiaro. Nel 2026, la necessità di una regolamentazione più stringente e di una maggiore trasparenza sugli algoritmi di assunzione è diventata una priorità per i governi di tutto il mondo, compresi gli Stati Uniti e l'Unione Europea. La sfida tecnologica dei prossimi anni non sarà solo quella di rendere l'intelligenza artificiale più veloce o intelligente, ma di renderla intrinsecamente giusta, garantendo che il merito e il talento non vengano oscurati da un codice binario difettoso. Senza un intervento correttivo, il rischio è quello di consolidare una società in cui l'accesso al lavoro è determinato da parametri opachi, rendendo il sogno della mobilità sociale un obiettivo irraggiungibile per chiunque non si adatti perfettamente al modello predefinito dalla macchina.
