Colloquio di lavoro 2.0: come nasce un algoritmo di selezione del personale

E il bello è che la selezione «ibrida» (ovvero condotta da macchine e umani fianco a fianco) funziona molto bene, almeno secondo uno studio condotto da Emil Palikot, Ali Ansari e Ada Aka dell’Università di Stanford.

I tre ricercatori hanno provato a utilizzare i più avanzati sistemi di screening basati sull’intelligenza artificiale e a confrontarli con quelli automatizzati più tradizionali.

Il risultato? I candidati selezionati dagli algoritmi di AI sono risultati i migliori: nel 53% dei casi sono stati assunti dagli HR manager umani dopo il colloquio faccia a faccia (contro il 28% di quelli scelti con metodi tradizionali).

Inoltre il trio di Stanford ha dimostrato come l’approccio «conversazionale» dell’AI, con le interviste video, sia molto più efficace con candidati giovani o comunque all’inizio della loro carriera.

Anche la Harvard Business Review conferma come l’utilizzo di software specializzati (Workday, Oracle HCM e Greenhouse per esempio) sia la norma in azienda per assegnare punteggi ai candidati, trovando quelli migliori poi con l’ultimo check umano.

Ma come viene progettato un algoritmo di selezione del personale? Come funziona? Cosa considera nelle sue valutazioni? Quali sono i suoi segreti?

Abbiamo girato queste domande a Rinaldo Festa, CTO di Cosmico, una startup italiana di job matching che anziché acquistare i tradizionali software “generalisti” sul mercato (come HireVue, Pymetrics o iCIMS) ne ha creato uno proprietario particolarmente sofisticato.

«Intanto va premesso come selezionare professionisti sia molto impegnativo - chiarisce Festa - : il talento è un concetto multidimensionale, che comprende non solo l’esperienza pregressa e le competenze dichiarate, ma anche le abilità intrinseche, il potenziale di crescita, la compatibilità culturale e la proattività nell’apprendimento».

In Cosmico vengono raccolte informazioni da varie fonti: curriculum vitae, risposte a questionari sulle competenze, sull’esperienza e sul settore, dati sul comportamento e sull’interazione con piattaforme formative o di sviluppo professionale.

Un aspetto critico è gestire le informazioni autodichiarate nel curriculum o nei test a risposta multipla: queste possono infatti essere soggettive o incomplete.

«Per ottenere una valutazione più affidabile, bisogna integrare questi dati con fonti più oggettive come l’interazione con una piattaforma (tempo speso su contenuti formativi, completamento di test di verifica, partecipazione a sessioni di mentorship), che fornisce indicatori oggettivi di interesse, proattività e acquisizione di conoscenze - sottolinea Festa - ma anche con la formulazione di domande più specifiche e basate su scenari».

«La sfida tecnica principale è poi convertire tutte queste informazioni – testo libero (descrizione ruoli nel Cv), risposte a scelta multipla (livello competenza tool), cifre (anni esperienza) e dati comportamentali (video visti, quiz completati) – in numeri che abbiano un significato matematico», continua Festa.

Per il testo, tecniche avanzate di Natural Language Processing (NLP) e l’uso di «embeddings» (vettori pre-addestrati su grandi quantità di testo) sono cruciali per catturare il significato semantico delle parole e delle frasi. I dati strutturati e comportamentali vengono a loro volta trasformati in valori numerici o categorie codificate.

«Tutte queste caratteristiche numeriche vengono infine combinate (spesso concatenate) per formare un unico vettore che rappresenta il profilo completo del talento: il processo si chiama «Vector Transformation Technology» e permette di convertire dati qualitativi in rappresentazioni vettoriali quantificabili, conservando sfumature importanti».

Una volta che i profili dei talenti sono diventati vettori, il loro confronto e la loro analisi diventano semplici operazioni matematiche.

«Possiamo capire senza problemi quanto due profili sono simili e soprattutto qual è il matching migliore tra posizione e professionista (attraverso il TRS Matching Algorithm), creando un ranking oggettivo dei candidati più adatti per quel ruolo specifico».

L’intervento umano resta però fondamentale.

«L’algoritmo fornisce uno strumento potente per l’analisi e la preselezione, generando misurazioni precise e oggettive. Ma la decisione finale, specialmente nelle fasi di colloquio e valutazione più qualitative (rappresentate nell’Evaluation Framework come fasi di «HR team re-evaluation»), beneficia enormemente dell’intuizione, dell’esperienza e della sensibilità dei professionisti HR», chiarisce Festa.

L’approccio vettoriale, insomma, serve “solo” a facilitare e migliorare il processo decisionale umano. Ma non dovrà mai sostituirlo.