Il potenziale umano che gli algoritmi non vedono nei CV (e come mostrarglielo)

Possiamo usare l’intelligenza artificiale per arricchire le competenze soft a nostra disposizione, ma dobbiamo esplicitare le assunzioni che usiamo e tenere aperti i modelli di comportamento: oggi il rischio è che ci restituisca invece una porzione ridotta degli esseri umani.

Quando un algoritmo di selezione scarta il curriculum di una persona rientrata dopo tre anni di cura di un genitore con Alzheimer, non sta semplicemente sbagliando. Sta codificando un’idea molto precisa di cosa conti come competenza: continuità lavorativa, traiettorie lineari, ruoli formali riconosciuti dal mercato. Tutto il resto – la capacità di coordinare medici e badanti, gestire emergenze notturne mantenendo la lucidità, negoziare con burocrazie ostili – viene letto come rumore, come un buco nel CV da giustificare.

Il paradosso è che quella persona ha probabilmente sviluppato alcune delle competenze soft più ricercate dalle aziende: leadership in contesti di alta incertezza, gestione di risorse scarse, tenuta emotiva sotto stress prolungato. Ma il sistema non le vede, perché non sa dove guardare.

Negli ultimi anni l’intelligenza artificiale ha imparato a riconoscere volti, tradurre lingue, predire strutture proteiche. Sempre più spesso le chiediamo anche di valutare qualcosa di molto più sfuggente: le nostre competenze soft: capacità di guidare, collaborare, ascoltare, innovare. È una tentazione forte: se riusciamo a trasformare queste qualità in numeri, possiamo usarle nelle selezioni, nella formazione, nella gestione dei talenti.

Ma c’è un rischio altrettanto forte: congelare in un codice una visione ristretta di cosa conta davvero, e lasciare fuori intere categorie di persone, ruoli, storie. In parallelo, però, un filone della ricerca in neuroscienze del comportamento sta mostrando un’altra possibilità: usare il machine learning non come giudice oggettivo, ma come strumento interpretativo. Non per chiudere i modelli, ma per aprirli.

IA come microscopio del comportamento, non come oracolo

Nel lavoro sperimentale sugli animali, nuovi strumenti automatici analizzano ore di video, stimano la postura, segmentano il flusso in micro-azioni: esplora, si immobilizza, si gratta, annusa. Gli algoritmi individuano strutture temporali che l’occhio umano non coglie, e questo sta cambiando idee consolidate sul modo in cui gli organismi prendono decisioni.

Eppure, i ricercatori più attenti ricordano una cosa essenziale: non esiste un’unica maniera “naturale” di tagliare il comportamento in unità. Decidere dove finisce un’azione e ne inizia un’altra, cosa considerare rumore e cosa variazione significativa, è già un’ipotesi teorica.

L’IA, in questo quadro, funziona come un microscopio: amplifica dettagli, evidenzia pattern, rende visibile ciò che prima era invisibile. Ma non decide da sola cosa stiamo guardando. Il significato di ciò che vediamo dipende dalle assunzioni con cui abbiamo preparato il campione, impostato i parametri, etichettato i dati.

Nedah Nemati e Matthew Whiteway scrivono su The Transmitter che gli algoritmi di segmentazione comportamentale incorporano assunzioni filosofiche su cosa costituisce “comportamento”, e queste scelte di design determinano non solo quali pattern l’algoritmo può rilevare, ma anche quali aspetti del comportamento resteranno sistematicamente invisibili.

Se riportiamo questo ragionamento nel mondo delle competenze soft, la domanda diventa: quali assunzioni stiamo codificando quando chiediamo a un algoritmo di dirci chi è “collaborativo”, “resiliente”, “adatto alla leadership”?

Tassonomie strette: il problema nascosto nei dati di training

Tutti i sistemi di valutazione delle competenze soft partono da una tassonomia: un elenco di capacità con relative definizioni e indicatori osservabili. Le più utilizzate – il modello delle Big Five, il framework delle competenze emotive di Goleman, le griglie di leadership organizzativa – sono state costruite principalmente su popolazioni di manager e professionisti in contesti aziendali occidentali, tra gli anni Ottanta e Duemila.

Per esempio, buona parte degli indicatori comportamentali utilizzati per misurare “capacità di lavorare in team” presuppone: partecipazione a riunioni formali, comunicazione scritta via email, disponibilità di tempo continuativo, separazione netta tra vita privata e lavoro. Chi lavora su turni, chi combina più impieghi part-time, chi gestisce emergenze familiari imprevedibili, chi lavora in economie informali, semplicemente non genera i segnali che questi sistemi sono stati addestrati a riconoscere.

Se osserviamo con più attenzione, ci accorgiamo che queste tassonomie danno spesso per scontato un certo tipo di corpo, di tempo, di carriera: continuità lavorativa, orari stabili, confini chiari tra “vita privata” e “lavoro”, centralità del ruolo formale. Tutto ciò che non rientra in questo frame rischia di essere letto come rumore: curriculum frammentati, ruoli di cura, lavori informali, percorsi migratori, identità non conformi.

Quando poi affidiamo la valutazione delle competenze a modelli di machine learning addestrati su questi schemi, il cerchio si chiude: l’algoritmo impara a riconoscere come “potenziale” ciò che i nostri sistemi già definiscono tale, e tende a trascurare il resto. Tradotto: non scoprirà mai del potenziale ulteriore.

Un’analisi di circa 133 sistemi di AI risultati ‘biased’ (casi pubblici, in diversi settori, dal 1988 a oggi) ha rilevato che il 44,2% mostra bias di genere e il 25,7% mostra bias sia di genere sia razziale. Una ricerca del 2024 dell’Università di Washington ha rilevato che modelli di text embedding mostravano bias nella selezione di curriculum, favorendo nomi associati a persone bianche nell’85,1% dei casi e nomi associati a donne solo nell’11,1% dei casi.

Il risultato è una straordinaria potenza di calcolo al servizio di mappe concettuali ristrette. A confermare che una tecnologia amplifica una cultura, nel bene e nel male.

Comportamenti Universali: un’altra unità di misura

C’è un modo diverso di cominciare: partire dai comportamenti osservabili, non dalle etichette di competenza. Prima di chiederci se una persona è “leader” o “resiliente”, possiamo osservare come agisce concretamente in situazioni diverse della sua vita.

Prendiamo un esempio: il comportamento che chiamiamo “anticipare i bisogni altrui e riorganizzare sistemi”. Si manifesta in modi diversi a seconda del contesto, ma con una struttura riconoscibile:

• In azienda: un project manager nota che due team continuano a duplicare lavoro perché usano nomenclature diverse per gli stessi file. Senza che nessuno glielo chieda, crea un glossario condiviso e lo inserisce nel workflow. Nei mesi successivi, viene osservato se i tempi di consegna si riducono.
• In famiglia: una figlia che assiste un genitore con demenza si accorge che le crisi comportamentali si intensificano sempre verso sera, quando cambia il turno delle badanti. Ridisegna gli orari in modo che il cambio avvenga durante la passeggiata pomeridiana, momento in cui il genitore è più calmo. Le crisi diminuiscono?
• In contesto migratorio: un rifugiato siriano arrivato in Germania nota che molti connazionali perdono appuntamenti con l’ufficio immigrazione perché non capiscono il sistema di convocazione. Crea un gruppo WhatsApp dove traduce gli avvisi burocratici e manda reminder. Nei mesi successivi, viene osservato se il tasso di appuntamenti mancati nel suo quartiere cala sensibilmente

Questi tre episodi condividono una sequenza comportamentale: (1) osservazione di un pattern problematico che altri non vedono o danno per scontato, (2) diagnosi della causa strutturale, non solo del sintomo, (3) intervento sul sistema, non sul singolo evento, (4) presenza di metriche osservabili che consentono una validazione dei risultati.

Nei framework tradizionali, solo il primo caso verrebbe riconosciuto come “leadership proattiva”: gli altri due resterebbero invisibili ai sistemi di valutazione, anche se dimostrano la stessa competenza applicata in condizioni spesso più difficili, con meno risorse, con maggiore complessità relazionale.

Un’IA allenata a riconoscere questi pattern, anziché solo i segnali tipici dei profili “vincenti” standard, potrebbe allargare di molto la mappa del potenziale umano che siamo in grado di vedere, valorizzare e misurare.

Esplicitare le assunzioni: dal mito della neutralità al design trasparente

Perché questo accada, però, serve un cambio di paradigma. Non possiamo permetterci di trattare gli algoritmi come strumenti neutri che “scoprono” automaticamente le competenze.

Ogni sistema che collega comportamenti e competenze soft incorpora scelte precise:

• come definiamo i confini tra un comportamento e l’altro
• quali ruoli di vita decidiamo di osservare e quali no
• quanto peso diamo a ciò che le persone raccontano rispetto a ciò che fanno
• quali lingue, culture, condizioni sociali sono presenti nel set di addestramento

Sono tutte assunzioni che oggi spesso restano implicite, sepolte nei documenti tecnici o, peggio, mai formalizzate davvero.

La proposta che arriva dalla ricerca delle neuroscienze comportamentali è radicale ma liberante: trattare il machine learning come uno strumento per rendere esplicite queste assunzioni, non per nasconderle.

Questo vuol dire, per esempio:

• pubblicare non solo gli output dei modelli, ma anche l’“ontologia” dei comportamenti utilizzata: come sono stati definiti, cosa li distingue, su quali dati sono stati inferiti
• mantenere le tassonomie sempre in evoluzione: riconoscere che l’elenco dei comportamenti predittivi di una certa competenza è una fotografia temporanea, e che può cambiare alla luce dei dati e di nuove prospettive
• dichiarare i limiti di validità: in quali popolazioni, contesti, lingue è stato testato il modello, e dove invece è ancora cieco

Non è un esercizio burocratico, ma un modo etico, trasparente ed efficace per mantenere il sistema aperto a nuove evidenze e a nuove voci.

Modelli flessibili e inclusione: che cosa succede quando allarghiamo le mappe

Immaginiamo un sistema che, anziché partire dall’idea fissa di cosa sia “leadership”, raccolga migliaia di storie di persone nei loro diversi ruoli di vita: come hanno gestito un conflitto familiare, come hanno guidato un gruppo di amici, come hanno organizzato la cura di un genitore anziano, come hanno affrontato uno sfratto o una migrazione.

Su questa base, modelli non supervisionati potrebbero individuare cluster di comportamenti ricorrenti:

• persone che tendono a mediare tra punti di vista opposti
• persone che anticipano i bisogni e ridisegnano organizzazioni informali
• persone che sostengono gli altri nei momenti di stress mantenendo la lucidità
• persone che trasformano vincoli rigidi in soluzioni creative

A questo punto entra in gioco l’interpretazione umana: coach, formatori, esperti di diversi contesti culturali, ma anche le persone stesse che hanno generato i dati, osservano i cluster e li nominano. Li collegano a ciò che chiamano, nella loro lingua quotidiana, autorevolezza, affidabilità, cura, intraprendenza.

La tassonomia dei comportamenti predittivi di competenze soft non è più imposta dall’alto, ma costruita in un dialogo continuo tra pattern algoritmici e significati umani.

In questo processo succedono almeno tre cose importanti:

1. Compaiono comportamenti che i modelli tradizionali non avevano considerato. Per esempio, capacità di “tenere insieme i pezzi” di una famiglia in emergenza come marker di leadership organizzativa.
2. Alcuni confini si spostano: quello che in azienda era visto come “caratteriale” può apparire, alla luce dei dati, come una forma di assertività adattiva.
3. Ruoli e biografie marginalizzate smettono di essere rumore e diventano laboratorio privilegiato di competenze: resilienza, negoziazione, gestione dell’incertezza, cura complessa.

Un loop virtuoso: esperimento, analisi, teoria

Per non restare intrappolati nella prima versione del modello, serve un ciclo continuo esperimento–analisi–teoria.

• Esperimento: cambiamo il modo in cui raccogliamo i dati sui comportamenti. Non solo test standardizzati, ma storie di vita, tracce lasciate nelle piattaforme formative, feedback incrociati da ruoli di vita diversi.
• Analisi: usiamo il machine learning per vedere strutture che non sapevamo di cercare, ma le confrontiamo sempre con l’occhio di osservatori esperti e diversificati. Ci chiediamo: questo cluster cosa racconta davvero? Chi rappresenta? Che cosa lascia fuori?
• Teoria: aggiorniamo e manteniamo aperte le definizioni di competenze e comportamenti, documentiamo i cambiamenti, esplicitiamo le nuove assunzioni. Poi ridisegniamo gli esperimenti, raccogliamo nuovi dati e il ciclo ricomincia.

In questo modo, l’IA non sostituisce il giudizio umano: lo sfida. Non decide al posto nostro cosa sia potenziale umano, ma ci costringe a rivedere e arricchire periodicamente la nostra risposta.

Il nodo irrisolto: scala e interpretabilità

I modelli di language processing di ultima generazione (transformer, large language models) potrebbero in teoria processare narrazioni biografiche su scala massiva ed estrarre pattern comportamentali senza supervisione umana dettagliata. Ma questo introduce un nuovo rischio: che i pattern emergenti riflettano bias presenti nei dati testuali di pre-training (tipicamente, corpus web in inglese con sovra rappresentazione di certi gruppi sociali e linguistici).

Una possibile via d’uscita è l’architettura ibrida: modelli linguistici per l’estrazione automatica di candidati comportamentali, seguita da validazione umana diversificata su campioni stratificati, con cicli iterativi di refinement. Ma questo richiede investimento continuo in interpretabilità, non solo in performance predittiva. E richiede che nei team di validazione siano presenti persone con esperienza diretta dei contesti di vita che vogliamo includere: non basta avere data scientist, servono anche caregiver, migranti, lavoratori informali, persone con disabilità.

Il punto è che non esiste una soluzione puramente tecnica. L’apertura del modello è un processo sociale che usa la tecnologia come strumento di amplificazione, non come oracolo.

Verso un Rinascimento del Potenziale Umano

Se prendiamo sul serio la prospettiva che l’IA serve come strumento interpretativo e non come oracolo, l’uso degli algoritmi nel mondo delle competenze soft smette di essere una partita difensiva sulla “non discriminazione” e diventa un’occasione di allargamento epistemico.

Possiamo rendere visibile il contributo di chi ha biografie spezzate. Possiamo riconoscere competenze maturate in ruoli non pagati o informali. Possiamo imparare da come le persone, in condizioni difficili, combinano comportamenti in modi altamente efficaci.

Ma questo richiede tre condizioni. La prima: esplicitare sempre le assunzioni dei modelli, renderle pubbliche, sottoporle a scrutinio da parte di persone con prospettive diverse. La seconda: costruire cicli continui di aggiornamento, dove nuove evidenze e nuovi contesti modificano le tassonomie, non vengono forzati dentro categorie vecchie. La terza: garantire che nei team che progettano e validano questi sistemi siano presenti le voci di chi vive le esperienze che vogliamo rendere visibili.

Il vero rischio non è che l’IA sia troppo potente, ma che la usiamo per automatizzare – e quindi irrigidire – mappe vecchie, troppo strette, nate in un mondo diverso da quello che abitiamo e non adatte al nostro. Il potenziale sta nella combinazione tra la capacità della macchina di processare pattern a una scala irraggiungibile per noi e la capacità umana di dare significato, ridefinire categorie, integrare prospettive.

Un Rinascimento non è mai solo una rivoluzione tecnologica: è un cambio di sguardo. Se saremo capaci di esplicitare le nostre assunzioni, tenere aperti i modelli e includere davvero tutte le vite e i ruoli nell’addestrare i nostri sistemi, l’IA non sarà una gabbia che rafforza gerarchie esistenti. Potrà diventare, invece, un grande alleato nel compito più urgente che abbiamo: riconoscere, misurare e mettere in circolo il potenziale umano dove finora non abbiamo saputo vederlo.

 

Riccarda Zezza è esperta in neuroscienze comportamentali e fondatrice di Lifeed.io. Autrice del concetto di transilienza – la capacità di trasferire intenzionalmente risorse e competenze tra i diversi ruoli di vita per rafforzare il sé durante le transizioni – conduce ricerche con popolazioni eterogenee tra cui caregiver, genitori di figli neurodivergenti, aging workforce e detenute. Ha scritto MAAM – la maternità è un master (A.Vitullo R.Zezza, BUR – 2014), Cuore Business (Il Sole 24 Ore, 2024) e Cura (FrancoAngeli, 2025)