Una macchina analizza in pochi secondi centinaia di profili, confronta migliaia di dati, individua anomalie che un osservatore potrebbe non vedere e produce una prima sintesi dei risultati prima ancora che un assessor abbia terminato di rileggere i propri appunti.
Poi arriva il momento di decidere.
Davanti a quei dati c’è una persona reale, con una storia professionale, un ruolo, delle aspettative e comportamenti che hanno assunto significato dentro situazioni precise. Da quella valutazione potrebbero dipendere un percorso di sviluppo, una selezione interna o una decisione organizzativa capace di incidere sul suo futuro professionale.
A quel punto la velocità di elaborazione smette di essere la questione più interessante. La domanda diventa molto più impegnativa: quanto siamo disposti ad affidare all’intelligenza artificiale quando ciò che stiamo valutando riguarda le persone?
L’ingresso dell’AI nei processi di assessment apre possibilità che fino a pochi anni fa sarebbero sembrate difficili da immaginare. La capacità di elaborare grandi quantità di informazioni, confrontare fonti differenti e individuare ricorrenze può rafforzare molte fasi del processo valutativo, riducendo i tempi e aumentando la sistematicità delle analisi.
Proprio questa potenza introduce però un rischio che merita particolare attenzione: la possibilità di delegare progressivamente alla tecnologia attività che richiedono una competenza professionale specifica, senza essere sufficientemente preparati a verificarne i risultati.
L’AI può amplificare la capacità analitica dell’assessor, ma non può sostituire il rigore metodologico necessario per attribuire significato ai comportamenti osservati.
Il rischio maggiore quindi è quello di utilizzarla senza possedere le competenze necessarie per comprenderne, verificarne e governarne il contributo.
Non tutte le applicazioni dell’AI hanno lo stesso significato
Quando parliamo di intelligenza artificiale nell’assessment, rischiamo di considerare come equivalenti applicazioni che svolgono funzioni molto differenti.
Un conto è utilizzare un sistema per organizzare le informazioni raccolte durante le prove. Un altro è chiedergli di individuare anomalie nelle valutazioni. Un altro ancora è affidargli il compito di attribuire un livello di maggiore o minore efficacia alle capacità di una persona.
Possiamo distinguere tre forme principali di contributo.
La prima riguarda il supporto operativo. L’AI può organizzare documenti, sintetizzare informazioni, predisporre bozze di report e facilitare attività che richiedono tempo, senza intervenire necessariamente sul contenuto del giudizio valutativo. Anche in questi casi rimangono indispensabili verifiche di accuratezza, completezza e riservatezza.
La seconda riguarda il supporto analitico. La tecnologia può mettere in relazione dati provenienti da strumenti differenti, individuare ricorrenze, evidenziare discrepanze e segnalare situazioni che meritano un approfondimento. Il suo contributo consiste nell’ampliare le possibilità di analisi, ma richiede che i dati siano pertinenti e che i risultati vengano interpretati correttamente.
La terza riguarda il supporto valutativo, quando il sistema propone interpretazioni dei comportamenti, classificazioni o livelli di capacità. È il terreno più delicato, perché l’AI non si limita a organizzare le evidenze, ma contribuisce direttamente alla formulazione di un giudizio sulla persona.
In questo caso diventano particolarmente importanti la validazione del sistema, la verificabilità delle conclusioni e una supervisione professionale effettiva.
La distinzione è fondamentale perché il livello di responsabilità cresce con l’impatto che l’elaborazione tecnologica può avere sulla valutazione.
Utilizzare l’AI per scrivere una bozza di report non equivale ad affidarle la responsabilità di stabilire quanto una persona possieda una determinata capacità.
L’AI entra nell’assessment molto prima della valutazione
Il contributo dell’intelligenza artificiale può iniziare già nella fase di progettazione, quando l’organizzazione deve definire quali capacità osservare e quale domanda dovrà guidare l’intero percorso.
Sistemi avanzati possono analizzare rapidamente job description provenienti da fonti differenti, confrontare profili professionali e individuare competenze che stanno acquisendo rilevanza in determinati mercati.
Per un HR o un assessor questo significa poter disporre di una quantità di informazioni molto più ampia rispetto al passato, integrando la conoscenza interna dell’organizzazione con ciò che sta accadendo nel mondo del lavoro.
Anche l’individuazione delle competenze emergenti può beneficiare di questa capacità di analisi, soprattutto quando nuovi ruoli e trasformazioni tecnologiche modificano rapidamente ciò che viene richiesto alle persone.
Il passaggio successivo richiede però una lettura professionale.
Una competenza che compare con frequenza crescente nei dati può rappresentare un reale bisogno evolutivo oppure essere semplicemente una nuova etichetta applicata a comportamenti già conosciuti.
Anche la sua misurabilità deve essere verificata: occorre capire quali comportamenti la descrivano e quali strumenti possano osservarla con sufficiente affidabilità.
L’AI può ampliare il campo delle informazioni disponibili, mentre la progettazione dell’assessment continua a dipendere dalla capacità di scegliere quali informazioni abbiano davvero senso per quella specifica organizzazione.
La domanda organizzativa, il modello di capacità e i criteri di osservazione non possono essere sostituiti da una proposta tecnologicamente convincente ma metodologicamente poco fondata.
Quando la macchina vede ricorrenze che l’occhio umano può perdere
Una delle applicazioni più interessanti riguarda la possibilità di utilizzare l’intelligenza artificiale come supporto all’analisi delle evidenze.
Durante un percorso di assessment vengono raccolti punteggi, annotazioni degli assessor e comportamenti osservati in prove differenti, generando una quantità di informazioni che può diventare molto significativa quando aumentano partecipanti e strumenti.
L’AI può aiutare a individuare incoerenze tra valutazioni, segnalare ricorrenze e mettere in evidenza anomalie che meritano un approfondimento.
Nella calibration, per esempio, può mostrare che un assessor tende sistematicamente ad attribuire valutazioni più severe rispetto agli altri oppure che una determinata capacità presenta divergenze frequenti tra prove differenti.
Questo contributo può diventare una sorta di specchio critico del processo valutativo, offrendo agli assessor informazioni aggiuntive sulle quali confrontarsi.
Ma proprio qui occorre introdurre una distinzione fondamentale: la precisione con cui un sistema elabora un dato non garantisce la validità del significato che attribuiamo a quel dato.
Immaginiamo che durante una prova di gruppo un sistema rilevi con precisione la frequenza degli interventi di ciascun partecipante.
Il dato potrebbe essere corretto. Una persona è intervenuta quindici volte, un’altra soltanto cinque.
Ma che cosa ci dice questa informazione sulla capacità di influenzamento?
Molto poco, se non conosciamo il contenuto degli interventi, il modo in cui sono stati formulati, le reazioni degli interlocutori e il contributo effettivamente prodotto nella dinamica di gruppo.
Una persona può intervenire frequentemente senza riuscire a orientare il confronto. Un’altra può intervenire poche volte e contribuire in modo decisivo alla costruzione di una soluzione condivisa.
Il sistema può aver misurato correttamente ciò che era tecnicamente rilevabile, senza aver necessariamente misurato la capacità che ci interessa comprendere.
L’intelligenza artificiale può misurare con grande precisione ciò che è stato definito come dato. Ma la precisione del dato non garantisce, da sola, la validità della valutazione.
È una distinzione che ogni assessor dovrebbe avere ben presente prima di utilizzare un output tecnologico come evidenza.
L’intelligenza artificiale può aiutarci a vedere i bias, ma anche i suoi vanno osservati
Nel precedente articolo abbiamo visto quanto i bias possano incidere sull’assessment, soprattutto quando l’impressione generale prodotta da una persona influenza la lettura dei singoli comportamenti.
Proprio su questo terreno l’intelligenza artificiale può offrire strumenti utili.
Sistemi di analisi possono identificare ricorrenze di severità o indulgenza nelle valutazioni, evidenziare anomalie nei punteggi e segnalare differenze sistematiche che meritano attenzione.
La presenza dell’algoritmo, tuttavia, introduce un’altra forma di vigilanza.
Ogni sistema lavora a partire da dati, criteri e scelte progettuali che incorporano una determinata rappresentazione della realtà.
Un modello addestrato su popolazioni poco rappresentative o costruito attraverso criteri non adeguatamente verificati può riprodurre distorsioni e presentarle con l’apparenza dell’oggettività matematica.
Esiste inoltre un rischio particolarmente insidioso, conosciuto come automation bias: la tendenza ad attribuire eccessiva fiducia ai risultati prodotti da un sistema automatico.
Un assessor potrebbe essere portato ad accettare un livello di capacità suggerito dall’AI con minore spirito critico rispetto a una valutazione formulata da un collega.
Il risultato tecnologico può apparire più neutrale, più preciso e quindi più autorevole.
Ma la tecnologia non è automaticamente immune dagli errori che caratterizzano il giudizio umano.
Anzi, può introdurne di nuovi.
Il problema diventa ancora più delicato quando l’assessor non possiede le conoscenze necessarie per riconoscere un’interpretazione debole o una conclusione non sufficientemente sostenuta dalle evidenze.
L’AI non elimina il rischio di errore valutativo. Può modificarne la natura e, se utilizzata senza controllo, renderlo persino meno riconoscibile.
Prima di fidarsi dell’AI, bisogna valutarla
Quando introduciamo uno strumento in un percorso di assessment, ci chiediamo se sia coerente con la finalità del processo, quali capacità permetta di osservare e quanto siano affidabili le informazioni che produce.
La stessa attenzione dovrebbe essere riservata ai sistemi di intelligenza artificiale.
Non basta che un sistema generi risposte convincenti o produca valutazioni apparentemente coerenti.
Occorre comprendere come è stato costruito, su quali dati opera, quali compiti è in grado di svolgere e quali limiti presenta rispetto alla popolazione che intendiamo valutare.
Un sistema che propone livelli di capacità sulla base delle trascrizioni di colloqui, per esempio, dovrebbe essere verificato rispetto a criteri osservativi definiti e confrontato con valutazioni professionali indipendenti.
Dovremmo chiederci se riesce a distinguere i comportamenti effettivamente emersi dalle interpretazioni, se produce risultati sufficientemente stabili e se mostra distorsioni ricorrenti rispetto a determinati gruppi o situazioni.
Un altro aspetto fondamentale riguarda la tracciabilità.
Quando l’AI propone una valutazione, dovrebbe essere possibile risalire alle evidenze sulle quali quella proposta si fonda, distinguendo le informazioni originali dalle elaborazioni generate dal sistema.
Non tutte le applicazioni richiedono lo stesso livello di validazione.
Un sistema utilizzato per uniformare il linguaggio di un report presenta rischi differenti rispetto a uno che contribuisce ad attribuire punteggi o a formulare raccomandazioni di selezione.
Ma il principio rimane lo stesso: la fiducia deve essere proporzionata alla qualità delle verifiche effettuate e alle conseguenze che l’utilizzo dello strumento può produrre.
L’AI non deve soltanto supportare l’assessment. Quando contribuisce alla valutazione delle persone, deve essere essa stessa oggetto di una verifica metodologica.
La calibration può diventare più ricca, senza diventare automatica
La calibration rappresenta uno degli spazi nei quali la collaborazione tra assessor e AI può produrre risultati particolarmente interessanti.
L’intelligenza artificiale può organizzare le evidenze raccolte, mettere in relazione i punteggi provenienti da prove differenti e segnalare rapidamente le aree nelle quali le valutazioni mostrano minore convergenza.
Il confronto tra assessor può così partire da una base informativa più strutturata.
Una divergenza può essere individuata immediatamente e collegata alle osservazioni disponibili, permettendo al gruppo di concentrare l’attenzione proprio sui punti nei quali il giudizio richiede maggiore approfondimento.
La sintesi finale conserva però una natura interpretativa.
Comprendere perché un comportamento sia emerso in una prova e sia risultato meno evidente in un’altra richiede conoscenza del contesto, capacità di argomentazione e confronto professionale tra chi ha osservato direttamente la persona.
La presenza dell’AI potrebbe introdurre un rischio ulteriore: quello di trasformare il suggerimento del sistema in un punto di riferimento al quale gli assessor tendono ad adeguarsi.
La calibration perderebbe così una parte della propria funzione critica.
Non sarebbe più un confronto tra evidenze e interpretazioni indipendenti, ma una discussione condizionata da una valutazione già proposta dalla tecnologia.
Per questo è importante che gli assessor mantengano la capacità di formulare autonomamente le proprie valutazioni e di confrontarle successivamente con gli elementi prodotti dall’AI.
La tecnologia può rendere più visibile ciò che merita di essere discusso. Non dovrebbe decidere al posto degli assessor quale interpretazione debba prevalere.
Report più veloci, oppure report migliori?
La scrittura dei report rappresenta uno degli ambiti nei quali l’intelligenza artificiale mostra già oggi una capacità operativa molto evidente.
Un sistema può organizzare dati provenienti da fonti differenti, produrre bozze coerenti e adattare il livello di sintesi in funzione dell’interlocutore che dovrà utilizzare il documento.
Per organizzazioni che gestiscono numerosi assessment, il vantaggio in termini di tempo può essere considerevole.
La standardizzazione del linguaggio può inoltre ridurre alcune incoerenze formali e aiutare a mantenere una maggiore uniformità tra report prodotti da assessor differenti.
Proprio qui emerge però una questione metodologica importante.
Un report di assessment deve restituire la specificità dei comportamenti osservati e spiegare come quelle evidenze abbiano portato a una determinata valutazione.
Un testo perfettamente scritto può risultare molto povero se restituisce formule generiche applicabili indistintamente a persone diverse.
Esiste anche un rischio più sottile: un sistema generativo può produrre interpretazioni plausibili, ben formulate e coerenti sul piano linguistico, senza che siano effettivamente sostenute dalle evidenze disponibili.
La qualità della scrittura può rendere meno evidente la fragilità del contenuto.
Per questo l’assessor deve verificare ogni affermazione rispetto alle evidenze originali, distinguere ciò che è stato osservato da ciò che è stato inferito e controllare che il report non attribuisca alla persona caratteristiche che il processo non consente di sostenere.
L’AI può contribuire alla costruzione del documento, ma la responsabilità del contenuto rimane professionale.
Un report scritto meglio non è necessariamente un report valutativamente migliore.
Il feedback resta un incontro tra persone
Anche il colloquio di feedback può beneficiare dell’intelligenza artificiale prima e dopo la restituzione.
Un sistema può aiutare l’assessor a preparare l’incontro, suggerire domande collegate alle evidenze emerse e supportare la costruzione di possibili piste di approfondimento sulla base del profilo.
Dopo il colloquio può facilitare la sintesi delle azioni concordate e supportare eventuali attività di follow-up, rendendo più semplice mantenere continuità tra ciò che è stato discusso durante la restituzione e le esperienze di sviluppo successive.
Durante l’incontro, però, accade qualcosa che difficilmente può essere trattato come una semplice elaborazione di informazioni.
Una persona può sorprendersi davanti a un risultato, contestarlo o avere bisogno di tempo per collegarlo alla propria esperienza professionale.
L’assessor deve leggere ciò che accade nella relazione e scegliere come proseguire la conversazione mantenendo insieme rigore e rispetto.
La qualità del feedback dipende dalla capacità di costruire fiducia mentre si affrontano evidenze che possono toccare profondamente la percezione che una persona ha di sé.
L’automazione può preparare l’incontro e accompagnarne il seguito, mentre la relazione rimane il luogo nel quale quelle informazioni acquistano significato.
Più dati non significano automaticamente una valutazione migliore
L’intelligenza artificiale rende tecnicamente possibile analizzare quantità sempre maggiori di informazioni sulle persone.
Proprio questa possibilità apre una questione che riguarda direttamente la responsabilità di chi progetta l’assessment: quali dati servono davvero per rispondere alla domanda organizzativa che abbiamo formulato?
Comportamenti, attitudini e preferenze motivazionali possono riguardare aspetti personali e professionali che richiedono particolare attenzione.
La disponibilità tecnica di nuovi strumenti di analisi potrebbe spingere le organizzazioni a raccogliere informazioni semplicemente perché oggi è possibile farlo, senza chiedersi con sufficiente attenzione quale valore aggiungano alla valutazione.
Il principio di minimizzazione dei dati diventa quindi ancora più importante nell’era dell’AI.
Ogni informazione raccolta dovrebbe avere una finalità chiara e coerente con gli obiettivi dichiarati del percorso, insieme a modalità trasparenti di utilizzo, accesso e conservazione.
La qualità tecnologica di un sistema racconta soltanto una parte della sua adeguatezza.
La domanda metodologica rimane precedente: quell’informazione serve davvero per comprendere la capacità che vogliamo osservare?
Quando l’algoritmo sbaglia, chi risponde della decisione?
Una delle domande più difficili emerge nel momento in cui l’output prodotto dall’intelligenza artificiale contribuisce a una decisione che avrà conseguenze concrete sulla persona.
Il rischio può diventare particolarmente evidente nei processi di selezione, nelle valutazioni di potenziale o nelle scelte legate a ruoli futuri.
L’organizzazione potrebbe essere tentata di attribuire parte della responsabilità al sistema utilizzato, soprattutto quando il funzionamento dell’algoritmo risulta complesso e difficilmente comprensibile a chi prende la decisione finale.
Proprio questa distanza tra output e capacità di comprenderne l’origine rappresenta uno dei punti più delicati.
Anche il quadro normativo europeo richiama l’attenzione sulla necessità di utilizzare l’intelligenza artificiale in modo trasparente, controllabile e rispettoso dei diritti delle persone, soprattutto quando contribuisce a decisioni che riguardano il loro percorso professionale.
Ma il rispetto delle regole, da solo, non garantisce la qualità della valutazione. Occorre che chi utilizza questi sistemi possieda le competenze necessarie per comprenderne il funzionamento, verificarne i risultati e riconoscerne i limiti.
La questione, tuttavia, non è soltanto normativa.
Riguarda il modo in cui organizzazioni e professionisti scelgono di governare strumenti che possono incidere concretamente sulla vita lavorativa delle persone.
Una supervisione umana non può essere considerata effettiva se chi deve esercitarla non possiede le competenze necessarie per comprendere e mettere in discussione il risultato.
Non basta quindi prevedere che un assessor approvi formalmente la valutazione proposta dal sistema.
Occorre che possa verificarla, confrontarla con le evidenze, riconoscerne i limiti e, quando necessario, modificarla o respingerla.
La responsabilità professionale non si esercita semplicemente confermando una conclusione prodotta dall’AI, ma essendo realmente in grado di giudicarne la fondatezza.
Cambia l’AI, ma deve crescere soprattutto la competenza dell’assessor
L’impatto più profondo dell’intelligenza artificiale sull’assessment potrebbe riguardare proprio il ruolo di chi valuta.
Molte attività che richiedevano tempo potranno essere accelerate e una parte crescente dell’elaborazione potrà essere supportata da sistemi capaci di trattare grandi quantità di dati.
Questo cambiamento, però, non rende meno importante il mestiere dell’assessor.
Al contrario, può renderlo più impegnativo.
Per utilizzare l’AI in modo professionale occorre innanzitutto possedere una solida conoscenza dell’assessment: saper definire le capacità, tradurle in comportamenti osservabili, progettare prove coerenti, raccogliere evidenze, distinguere osservazione e interpretazione e formulare valutazioni argomentabili.
Senza queste competenze diventa difficile riconoscere quando un sistema produce un risultato metodologicamente debole.
Pensiamo a un assessor che chieda all’AI di analizzare le annotazioni raccolte durante una prova e di proporre una valutazione della capacità di problem solving, il sistema potrebbe produrre una sintesi convincente, utilizzare un linguaggio professionale e attribuire un livello di capacità apparentemente coerente.
Ma soltanto un assessor che conosce la declaratoria della capacità, i comportamenti attesi e i criteri di valutazione può verificare se quella conclusione sia realmente sostenuta dalle evidenze.
Potrebbe accorgersi, per esempio, che il sistema ha valorizzato la rapidità con cui il partecipante ha proposto una soluzione, trascurando la qualità dell’analisi del problema o la verifica delle alternative.
Un assessor poco preparato rischierebbe di accettare la valutazione perché ben formulata.
Un assessor competente sarebbe invece in grado di riconoscerne i limiti, correggerla e utilizzare l’elaborazione tecnologica come supporto al proprio ragionamento.
Alla competenza metodologica deve quindi affiancarsi una nuova capacità di relazione critica con la tecnologia.
Significa saper formulare richieste coerenti con il modello di valutazione, distinguere le evidenze originali dalle interpretazioni generate, riconoscere conclusioni plausibili ma non dimostrate e verificare la tracciabilità del ragionamento.
Significa anche sapere quando un risultato deve essere approfondito, corretto oppure escluso.
L’assessor non deve necessariamente diventare un esperto di sviluppo algoritmico, ma deve comprendere sufficientemente il funzionamento, le possibilità e i limiti degli strumenti che utilizza.
E deve saper riconoscere quando sono necessarie competenze specialistiche ulteriori per verificarne l’affidabilità.
L’AI non riduce la necessità di competenza metodologica dell’assessor. Rende ancora più importante la capacità di esercitare un giudizio professionale indipendente.
Il rischio, altrimenti, è che la tecnologia non venga utilizzata per rafforzare il mestiere, ma finisca per sostituire progressivamente proprio quelle competenze che rendono affidabile la valutazione.
Il futuro dell’assessment sarà probabilmente ibrido
La domanda sul futuro dell’assessment rischia di essere posta male quando viene formulata come una scelta tra intelligenza artificiale e assessor umano.
Le due componenti possono lavorare su dimensioni differenti dello stesso processo e contribuire a migliorare il risultato quando ruoli e responsabilità rimangono chiari.
La tecnologia può aumentare la capacità di analizzare evidenze, rendere più visibili incoerenze e velocizzare attività che oggi assorbono molto tempo.
L’assessor porta la conoscenza del metodo, la capacità di leggere il contesto e la responsabilità di comprendere quale significato attribuire alle informazioni prodotte.
Ma questa collaborazione non si realizza automaticamente.
Richiede sistemi verificati, criteri metodologici espliciti, responsabilità definite e professionisti preparati a esercitare una supervisione reale.
Soprattutto, richiede di evitare che la velocità della tecnologia diventi una scorciatoia per sostituire passaggi valutativi complessi con risposte apparentemente semplici.
Il futuro dell’assessment non dipenderà soltanto dalla capacità dell’intelligenza artificiale di elaborare informazioni sempre più complesse ma dalla nostra capacità di stabilire quali attività affidarle, quali risultati verificare e quali responsabilità mantenere saldamente nelle mani di chi valuta.
Perché il valore dell’AI nell’assessment non si misura da quante decisioni riesce ad automatizzare, ma da quanto contribuisce a rendere le decisioni sulle persone più fondate, trasparenti e responsabili.
La vera evoluzione potrebbe cominciare proprio qui: un assessment nel quale la macchina aiuta a vedere di più, mentre l’assessor diventa ancora più competente nel comprendere, interpretare e valutare ciò che osserva.
Dopo aver approfondito come l’intelligenza artificiale possa contribuire alle diverse fasi dell’assessment, il percorso apre ora un’altra prospettiva.
Una volta raccolte e interpretate evidenze sempre più ricche, come possiamo trasformarle in informazioni capaci di orientare realmente le decisioni HR?
Come possiamo passare dal profilo della singola persona a una lettura della popolazione che aiuti l’organizzazione a comprendere talenti, copertura delle capacità e possibili rischi?
Sarà questo il tema del prossimo articolo, dedicato al passaggio dai risultati dell’assessment alla People Strategy.
Per approfondire il ruolo dell’intelligenza artificiale nei processi di assessment, insieme alle fasi, agli strumenti e ai criteri metodologici che ne guidano la progettazione e la gestione, scopri
“Fare Assessment Oggi” di Angela Gallo.
Una guida pensata per chi vuole trasformare l’assessment in un processo capace di integrare metodo, tecnologia e sviluppo delle persone.