L'IA può davvero ascoltare i candidati?

Le aziende stanno sperimentando l'uso dell'intelligenza artificiale per trovare e contattare i candidati più adatti. Questo metodo, chiamato "active sourcing", combina quattro fasi: ricerca automatica, estrazione delle competenze, abbinamento dei profili e messaggi personalizzati. L'idea è che l'IA scandagli milioni di profili online, identifichi le skill più richieste e proponga offerte su misura. Ma c'è una domanda importante: chi controlla queste decisioni? Il concetto di "contestabilità" indica la possibilità per le persone coinvolte di intervenire, correggere o contestare le scelte dell'algoritmo. In pratica, un candidato dovrebbe poter chiedere perché è stato selezionato o escluso, e l'azienda dovrebbe spiegare il ragionamento dell'IA. Questo approccio migliora la trasparenza e riduce i rischi di discriminazione. Tuttavia, ci sono sfide: i dati usati dall'IA possono essere incompleti o distorti, e le decisioni automatiche possono sembrare opache. Per rendere il sistema più etico, gli esperti propongono di inserire punti di verifica umana, audit periodici e interfacce che mostrino chiaramente i criteri di valutazione. In futuro, studi sperimentali valuteranno quanto queste misure migliorino la fiducia dei candidati e la qualità delle assunzioni. L'obiettivo è creare un recruiting più giusto, dove la tecnologia supporta, ma non sostituisce, il giudizio umano.

Il framework di active sourcing si basa su algoritmi di machine learning supervisionato e non supervisionato. Nella fase di ricerca attiva, i crawler web estraggono dati da piattaforme professionali, social network e repository di progetti open source. Questi dati vengono normalizzati e indicizzati per consentire un rapido recupero. L'estrazione delle competenze utilizza tecniche di NLP (Natural Language Processing) come il Named Entity Recognition (NER) e il Topic Modeling per identificare skill hard e soft presenti nei profili. Per il matching, si impiegano modelli di embedding semantico, ad esempio BERT o Word2Vec, che trasformano descrizioni di lavoro e profili in vettori di alta dimensionalità. La similarità coseno tra questi vettori determina la corrispondenza. La contestabilità richiede che questi modelli siano interpretabili: si possono utilizzare metodi di Explainable AI (XAI) come LIME o SHAP per generare spiegazioni locali su come una determinata skill ha influito sul punteggio finale. Inoltre, è fondamentale implementare un meccanismo di feedback loop, dove i candidati possono segnalare errori o bias, e questi input vengono reintegrati nel training set per ridurre la deriva del modello. Dal punto di vista etico, è necessario garantire la conformità al GDPR, anonimizzando i dati sensibili e ottenendo il consenso informato per il loro utilizzo. Infine, audit periodici da parte di comitati interdisciplinari (etica, diritto, data science) possono verificare la coerenza delle decisioni con i principi di equità e non discriminazione.