Valutazione di CV assistita da IA – Vantaggi per le PMI

Autore: Domenico Famà, HR Fractional Manager di YOURGroup.
Gennaio 2026.

  1. PREMESSA

Di recente ho iniziato un processo esplorativo, in cui provo a verificare quale valore aggiunto può darmi una applicazione IA nei vari task in cui di volta in volta si articola la mia attività professionale in ambito HR.
Lo scopo che mi sono dato in questo percorso è quello di accumulare una sufficiente base di conoscenze ed esperienze, per arrivare a standardizzare delle procedure di ausilio-IA in ambito HR con benefici ben definiti.

Questo articolo è il primo con cui condivido alcune di queste esperienze applicative.

  1. INTRODUZIONE

Penso che molti siano familiari con una situazione in cui il team HR è sommerso da CV per quella posizione critica che andava coperta “ieri”, ma deve passare giorni a scremare decine di candidature, rischiando di perdere i migliori talenti per mancanza di accuratezza e velocità. E quando finalmente arrivate alla rosa finale, vi accorgete che alcuni elementi chiave – come le capacità relazionali o il potenziale di crescita – non sono stati valutati o lo sono stati “a sensazione, di pancia”.

Se la vostra azienda sta crescendo e la funzione HR deve evolversi da “ufficio paghe e contratti” a partner strategico del business, avete tre sfide davanti:

  • Velocità: Il mercato del lavoro è competitivo. Chi arriva primo, vince
  • Qualità: Non potete permettervi errori di selezione, soprattutto su ruoli chiave
  • Oggettività: Gli stereotipi, consci o inconsci che siano, costano caro in termini di attrattività, costi e tempi per la chiusura delle selezioni ed efficacia delle assunzioni.

Questo articolo nasce da un’esperienza concreta: ho utilizzato l’Intelligenza Artificiale per analizzare tre candidature finaliste per una posizione di HR Specialist in ambito Selezione, non per cercare modalità con cui sostituire il giudizio umano, ma per potenziarlo con nuovi strumenti: l’IA può aiutarvi su tutti e tre i fronti, ma non se pensate di sostituire i vostri HR con un algoritmo.

Le conclusioni sono state molto incoraggianti, vediamole assieme.

Nel prossimo paragrafo le sintetizzo in forma grafica come Linea Guida per le PMI: potete leggerla in modo a sé stante fermandovi al paragrafo C, oppure approfondire anche gli elementi su cui si basa nei paragrafi D, E, F.

  1. LINEA GUIDA PER PMI ALLA SELEZIONE ASSISTITA DA IA

L’IA non è una bacchetta magica, ma un moltiplicatore di efficacia. 
Se state cercando di far evolvere la vostra funzione HR da operativa a strategica, questo è il momento giusto per sperimentare. Iniziate da un progetto pilota, misurate i risultati, e scalate gradualmente. La selezione può essere uno di questi ambiti-pilota.
I vostri competitor probabilmente lo stanno già facendo.

L’esperienza applicativa oggetto di questo articolo evidenzia i vantaggi concreti per le PMI (sezione C.1) ed allo stesso tempo le condizioni: Cosa Fare e Cosa Non Fare, che vanno soddisfatte per ottenerli (C.2). 
Il primo passo concreto per le PMI, già in questo 2026, non è acquistare SW costosi e complessi, ma cominciare con l’investire in competenze del personale (C.3). 
Col crescere delle competenze, sarà possibile ottenere dall’uso di una IA vantaggi addizionali, molto più importanti della iniziale efficienza operativa (C.4).

C.1       Vantaggi concreti per le PMI

1.       Efficienza operativa

  • Riduzione dei tempi di screening di un fattore almeno 10X;
  • Liberare risorse HR per attività strategiche.

2.       Standardizzazione dei processi

  • Criteri di valutazione espliciti e documentabili;
  • Riduzione degli stereotipi inconsci (età, genere, provenienza).

3.       Decisioni data-driven

  • Punteggi oggettivi su cui basare le scelte;
  • Tracciabilità per audit e compliance.

4.       Visione strategica

  • Costruire una pipeline di talenti per future esigenze;
  • Identificare potenziale di crescita oltre la posizione aperta.

C.2       Condizioni per il successo

Cosa Fare

  • Un HR esperto al commando. L’IA è uno strumento, non un sostituto. Servono almeno 3-5 anni di esperienza in selezione per interpretare correttamente gli output.
  • Qualità delle fonti. Job Description chiare e dettagliate, CV strutturati: Garbage in, garbage out.
  • Prompt ben costruiti. Non basta chiedere “valuta questo CV”. Servono istruzioni specifiche, criteri espliciti, format di output definiti.
  • Monitoraggio continuo. L’IA va verificata nel tempo con indicatori di performance (es. tasso di successo delle assunzioni, neutralità rispetto a genere/età ecc.).

Cosa non fare

  • Non delegate tutto all’IA. Il colloquio umano resta insostituibile.
  • Non ignorate i limiti. L’IA può avere bias ereditati dall’addestramento, o intrinseci ai prompt ed alle fonti.
  • Non saltate la revisione umana. Specie nella rosa finale ogni output va verificato.

C.3       Il primo passo: Formazione

Per le medie imprese che vogliono innovare la funzione HR, il primo investimento da fare non è in software costosi, ma in competenze.

Raccomandazione pratica: Inserire nel piano formativo 2026 un corso di 12-16 ore sull’utilizzo pratico dei Large Language Models (LLM) per tutti i professionisti HR. Non serve diventare data scientist, ma capire:

  • Come costruire prompt efficaci,
  • Come valutare criticamente gli output dell’IA,
  • Come integrare l’IA nei processi esistenti.

C.4       Oltre il CV: Il futuro della selezione assistita da IA

Questa è solo un punto di inizio. Le prossime tappe includono:

  • Analisi “multicanale”: Integrare video-interviste, test di personalità (es. Hogan), ecc. per una selezione via via più efficace,
  • Sentiment analysis: Valutare anche le dimensioni più emotive di attitudine e motivazione alla posizione per cui si presentano, incrementando le probabilità di retention, almeno nel breve e medio termine;
  • Matching predittivo: Confrontare la “logica interna” di un percorso professionale con l’evoluzione strategica dell’azienda nei prossimi 2-3 anni, per una verifica del fondamento di lungo termine della relazione professionista-azienda.

Quest’ultimo punto è cruciale per chi vuole costruire una gestione del personale basata sulle competenze: non si tratta solo di coprire una posizione oggi, ma di capire se quel talento crescerà con voi domani.

  1. IL CASO APPLICATIVO – ANALISI DI CV

Per effettuare l’analisi tramite i loro CV delle tre candidature in questione, oltre alla usuale tecnica di lettura ed interpretazione esperta di uno specialista nella selezione, ho utilizzato anche una applicazione IA (nello specifico: NotebookLM della suite Google, nella sua versione gratuita) in un processo a tre step:

  1. Innanzi tutto ho chiesto alla IA di valutare ciascuno dei tre CV rispetto alla Jod Description (JD) della posizione aperta, assegnando uno score a ciascuna candidatura. Lo scopo era quello di stimarne il Grado di Allineamento alla JD. Ho chiesto alla IA di esplicitare anche i criteri con cui avrebbe effettuato la valutazione (ne ha scelti 4: Tipo di Formazione; Esperienze; Porzione gestita del processo di selezione; Conoscenze linguistiche e tecnologiche), di fornire in sintesi indicazioni sulle valutazioni effettuate e di evidenziare eventuali Competenze Aggiuntive, rispetto a quelle richieste dalla JD, possedute da ciascun candidato/a.
  1. Sulla base delle Competenze Aggiuntive dei candidati, ho chiesto che venisse valutato il Grado di Fruibilità delle candidature rispetto ad uno spettro più ampio di attività HR (a). Ho aggiunto anche la richiesta di una stima delle Capacità Relazionali, per quanto deducibile dai soli CV (b). 
  1. Infine, ho chiesto alla IA di fare una graduatoria fra i tre candidati considerando i tre indicatori: (1) Allineamento alla JD, con peso 50%; (2) Grado di Fruibilità in HR, peso 20%; (3) Capacità relazionali (presunte), peso 30%, e di indicazioni sui relativi punti di forza in uno scenario di utilizzo in azienda.

(a)   Insieme di attività HR indicate, oltre alle attività da specialista di recruiting, tendenti a delineare un profilo più da Generalista HR: (i) contrattualistica, (ii) on boarding, (iii) compensation, (iv) formazione, (v) gestione della prestazione.


(b)   Al pari di tutti gli altri elementi di valutazione di una candidatura rispetto ad una JD, quanto deducibile da un CV essendo sostanzialmente di natura presuntiva va naturalmente approfondito/ verificato almeno nel corso di colloquio.

  1. SINTESI DEI RISULTATI

Per fornire un esempio di output ottenibile da una analisi di questo tipo con assistenza IA, nel seguito riporto gli output sintetici e complessivi generati dall’applicazione nella fase finale del processo di analisi descritto al punto B. 

L’applicazione ha così differenziato i candidati secondo le dimensioni richieste:

  • Candidato 1 emerge come il candidato più forte grazie alla perfetta combinazione tra il percorso di studi richiesto e una sensibilità relazionale probabilmente superiore, fondamentale per la gestione dei candidati e del clima aziendale. Le doti relazionali emergono dal background nel volontariato e dalla capacità di adattare la comunicazione ai diversi interlocutori, rendendolo un profilo ideale per la consulenza interna
  • Candidato 2 rappresenta la scelta migliore qualora l’azienda necessiti di una figura che, oltre al recruiting, sappia gestire in autonomia la complessità normativa e amministrativa (CCNL, inquadramenti e formazione finanziata). La capacità relazionale è declinata verso la gestione del clima aziendale e dei conflitti/dinamiche di gruppo, tipica di un HR Specialist interno.
  • Candidato 3 si distingue per la competenza nell’uso di strumenti tecnologici avanzati (gestionali) e per la capacità di gestire l’accoglienza dei nuovi inseriti (on boarding), rendendola molto efficace operativamente. Il focus relazionale è più orientato alla gestione degli stakeholder (Business Manager) e alla rappresentanza aziendale durante gli eventi 

Il prompt chiedeva all’applicazione IA di restituire anche in forma tabellare (c) la sua valutazione sintetica, e complessiva dei tre elementi: Grado di Allineamento alla JD della posizione aperta; Grado di Fruibilità nella funzione HR; Capacità Relazionali. In Tabella 1 il risultato ottenuto.

(c)   Quando si richiede un output tabellare, il prompt deve specificare la struttura della tabella richiesta, ad esempio: <<… per ogni candidatura restituire l’outpu della analisi richiesta in forma di tabella come: INDICATORE|PUNTEGGIO|DESCRIZIONE SINTETICA VALUTAZIONE…>>

TABELLA 1 

Va rilevato che le due descrizioni confluiscono nell’essenziale, sebbene siano evidenti alcune differenze. Ad esempio, per il Candidato 2 nella prima descrizione, più “testuale”, la fruibilità viene specificato su un ambito “normativo e amministrativo”, mentre nella descrizione tabellare si fa riferimento anche ad una fruibilità su “compensation ed on boarding”. 

Pertanto, a parte l’eventuale utilizzo parallelo di due forme di rappresentazione, che può complicare il lavoro di sintesi, vale sempre la raccomandazione che ogni output di IA, per quanto siano adeguati il prompt e la base di conoscenze su cui la IA viene fatta lavorare, ove fattibile esige sempre una revisione umana esperta (molto difficile nello screening di un gran volume di CV, obbligatoria a mio parere nella fase finale di valutazione di una rosa limitata di candidati).

  1. CONSIDERZIONI GENERALI E CONCLUSIONE

F.1        Grado di accordo fra valutazioni umane-esperte e IA

Per ognuna delle tre fasi descritte nel paragrafo B, le conclusioni che ho tratto col “metodo classico” di valutazione dei CV (valutazione esperta) si sono rivelate sostanzialmente allineate a quelle della IA.
Vale la pena sottolineare che su questo allineamento sostanziale ha influito la richiesta di valutare le Capacità Relazionali delle candidature (per quanto rilevabile dai loro CV): la loro assenza avrebbe prodotto valutazioni e quindi graduatorie differenti. Questo deve suonare come monito per quelle organizzazioni che valutano solo gli aspetti tecnico professionali, trascurando le dimensioni predittive dei comportamenti in ambito organizzativo, o relegandole ad una dimensione istintiva, “di pancia”, in cui gli effetti degli stereotipi individuali del valutatore sono del tutto fuori controllo.

Naturalmente, una valutazione più accurata del grado di convergenza fra le valutazioni “Umana-esperta” e “IA-assisted” necessita di una sperimentazione più ampia, anche col coinvolgimento di più valutatori umani esperti. Una considerazione questa che può essere utile per confrontare fra loro eventuali applicazioni commerciali dedicate a questa tipologia di compiti (porre in graduatoria più candidature, sia rispetto alla JD di una posizione organizzativa, sia fra di loro), approfondendo come sono state “addestrate” e validate.

F.2        Pro e contro fra le due modalità di valutazione

La valutazione esperta può essere trasposta in una procedura per semi automatizzarla (sequenza di fasi e loro descrizione), ma la base di conoscenze ed esperienze del valutatore esperto rimane in genere opaca e scarsamente condivisibile, anche fra valutatori di pari seniority nel ruolo. Questo ha impatto sulla ripetibilità e stabilità delle valutazioni.

Inoltre, non vanno trascurati gli effetti della sensibilità individuale e degli stereotipi, più o meno consci, da cui siamo sempre affetti come valutatori. 

Un ulteriore elemento critico è la stabilità del metodo in caso di una mole elevata di analisi da effettuare, a causa dell’effetto della stanchezza mentale del valutatore, anche se supportato da una procedura semi automatizzata.

Per converso ed a mio parere, nel caso specifico i contributi positivi della IA sono stati quelli di:

  • maggiore velocità di analisi (efficienza, che può dare benefici concreti in caso di quantitativi elevati di CV da valutare); 
  • resa degli output molto più strutturata, quantitativa e ripetibile (standardizzazione degli output e loro affidabilità al variare della mole di attività – “insensibilità alla fatica da carico di lavoro”);
  • inoltre, la IA può fornire spunti di riflessione nuovi/ diversi/ inattesi anche ad un valutatore esperto (d). Ad esempio utilizzando l’output in forma di podcast con approccio di confronto critico fra due interlocutori – uno degli output utilizzabili in NotebookLM. 

(d)   Almeno sino a che la applicazione IA non sia estremamente vincolata dai prompt e da un insieme di regole imposte (linee guida dettagliate da considerare come fonti a cui attenersi), il che darebbe a sua volta un certo altro tipo di vantaggi quanto alla trasparenza della base di conoscenza utilizzata per le valutazioni ed al grado di controllo su eventuali stereotipi.

Anche con applicazioni IA, a mio parere rimangono punti sempre poco controllabili: (i) la base di conoscenza utilizzata dall’applicazione e (ii) gli eventuali stereotipi importati con l’addestramento. 
A meno di, come già evidenziato poco sopra: (i) addestrare un AI-agent specializzato in questo tipo di compito e (ii) monitorarne nel tempo le prestazioni, con spirito critico ed appositi indicatori, ad esempio indicatori di neutralità (rispetto a genere, etnia/nazionalità, ecc.) o anche per evitare fenomeni come la “deriva di personalità” (“Assistant Axis: quando un modello smette di fare l’assistente”, Fabio Lolli, su
AI4BUSINESS, 28 gen 2026)

F.3       Ulteriori spunti per approfondimenti e conclusioni

L’articolo si basa su analisi e valutazioni effettuate su fonti scritte, costituite da CV e descrizione di posizioni organizzative (JD). 
Oramai le tecnologie disponibili lo rendono possibile, lo stesso processo può essere arricchito dall’utilizzo di altre tipologie di fonte, come video riprese o registrazioni audio (previa specifica autorizzazione esplicita e documentabile dei candidati, valida ai fini del GDPR). Oppure esiti di test di personalità, come quelli Hogan. Il che permetterebbe non solo di approfondire l’analisi, aumentandone la affidabilità, ma di ampliarla potendo far valutare ulteriori indicatori, come ad esempio quelli di una sentiment analysis o delle aree di rischio.

Su un altro versante, nel caso di un CV o di un insieme limitato di CV, ho già citato la possibilità di far analizzare una o più fonti in “modo critico” da una applicazione IA. Se il confronto con la JD di una posizione organizzativa restituisce una conoscenza del tipo “gap analysis”, questa analisi critica può essere utilizzata per individuare la logica interna (per quanto ex post) di un particolare percorso professionale. 

La logica interna di un percorso professionale introduce un ulteriore possibilità di analisi. Infatti, se opportunamente stimolata dagli scenari d’uso di una organizzazione: il suo scenario evolutivo (e), tende a maturare ulteriormente, portando benefici crescenti e coerenti coi bisogni dell’utilizzatore.

(e)        La descrizione dello scenario evolutivo di una azienda va utilizzato o nel testo del prompt di analisi o come fonte per l’analisi. Al momento ho utilizzato questo tipo di analisi sul mio CV, per rapportarne la logica interna agli scenari evolutivi dei bisogni di alcune aziende che ho avuto nel mio parco clienti negli ultimi due anni, e per cui avevo preliminarmente effettuato un assessment organizzativo. Un altro articolo affronterà alcune tematiche dell’uso di applicazioni IA per assessment-assistiti.

Se la verifica del grado di allineamento di un profilo, in termini di conoscenze/ competenze/ esperienze emergente da tutte le fonti acquisibili, rispetto ad una JD è una analisi “statica”, che vale per l’oggi, una analisi del grado di compatibilità fra la logica interna di un percorso professionale e quella evolutiva dell’organizzazione utilizzatrice la definirei una analisi “predittiva”, almeno su un orizzonte di due-tre anni.

Non sfuggirà poi che si tratta di una analisi di compatibilità fra competenze richieste nel tempo da una organizzazione e quelle che un percorso professionale può mettere a disposizione nello stesso orizzonte temporale: un elemento importante, fra altri, per dare solido fondamento ad una gestione del personale basata sulle competenze.

F.4       Conclusioni

Efficienza, stabilità, ripetibilità, affidabilità, predittività sembrano essere contributi che una applicazione di valutazione candidature AI-assisted può senz’altro fornire.

Tuttavia, questo valore aggiunto dipende fortemente da alcuni requisiti che l’elemento umano deve garantire, in prima istanza in termini di:

  • controllo delle fonti,
  • qualità dei prompt,
  • monitoraggio delle prestazioni dell’applicazione IA.

Ed in seconda istanza, in caso di utilizzo di un AI-agent specializzato, anche per quanto riguarda l’addestramento.

Ne consegue che l’utilizzo di applicazioni IA nel campo specifico oggi indagato appare senz’altro raccomandabile in via teorica (f), ma esige l’impiego da parte di professionisti HR comunque con un’adeguata seniority nel medesimo campo della selezione (almeno 3-5 anni) e con adeguate competenze ed esperienze aggiuntive nell’utilizzo generale di IA (almeno 1-2 anni), non limitate quindi all’uso di applicazioni specifiche per la selezione. 

Appare quindi necessario inserire nel percorso formativo o di aggiornamento di un qualunque professionista HR, e non solo, un corso di almeno 12-16 ore su utilizzi pratici generali dei modelli LLM di IA.

(f)    Si intende: “fatta salva la valutazione dello specifico prodotto commerciale, o la qualità dello sviluppo proprietario di uno dato AI-agent specializzato nella selezione”.

Nota metodologica sulla redazione dell’articolo – La tematica dell’articolo si basa su una esperienza applicativa specifica, nel campo della selezione del personale, di un modello LLM di IA (NotebookLM). 
Per la redazione iniziale dell’articolo non è stata utilizzata alcuna applicazione IA. Successivamente, è stata sopposta al vaglio della applicazione IA Claude – Sonnet 4.5, per migliorarne la redazione allo scopo di: <<… aumentare l’interesse di una audience costituita principalmente dai vertici di medie aziende italiane in fase di potenziamento della loro funzione HR, e col desiderio di introdurre innovazioni tecnologiche che migliorassero le prestazioni dei loro processi…>>, fra cui anche quelli di gestione del personale. 
Le due versioni sono state quindi sottoposte al vaglio critico di NotebookLM, chiedendone pro e contro ed una graduatoria secondo criteri di: (i) leggibilità, (ii) interesse generato per la tematica, (iii) fiducia generata verso l’autore e (iv) potenziale di attivazione per l’avvio di attività di miglioramento ed innovazione in ambito HR.
La versione prodotta da Claude è risultata la migliore rispetto allo scopo indicato per tutti gli indicatori di prestazione esclusa la fiducia verso l’autore (autorevolezza: 80 punti rispetto ai 90 della versione iniziale), con un punteggio complessivo di 92/100, rispetto a quello di 81,5/100 dell’originale. La versione iniziale veniva infatti considerata dalla IA più adatta come white paper per specialisti che come articolo giornalistico.
Tuttavia ho giudicato i toni della versione “giornalistica” spesso troppo trionfali ed assoluti (nel senso di generalizzabili) ed alcune indicazioni sui livelli di risparmio / miglioramento ottenibili con assistenza IA nella selezione non giustificabili, almeno sulla base della sola esperienza concreta oggetto dell’articolo.
Quindi, per la versione finale qui pubblicata, ho utilizzato solo gli spunti della versione di Claude per le sintesi, in effetti comunicativamente molto efficaci, con cui ho assemblato il paragrafo: “Linea guida per PMI alla selezione assistita da IA”, lasciando invece il resto della versione originale inalterato. 
Un nuovo confronto fra articolo originale rivisto e proposta di Claude evidenzia uno scoring alzatosi sino ad 89,5 per l’articolo rivisto, rispetto al 81,5 iniziale (+8 punti) ed al 92 della proposta di Claude, con unico rilevante svantaggio consistente nella lunghezza per il lettore che vada oltre la sezione C che contiene la linea guida sintetica per le PMI: se volete, un altro esempio possibile di potenziamento, anziché sostituzione, dell’umano grazie ad una IA.