29 DICEMBRE 2025 · CASI STUDIO · 11 MIN

Progetto pratico di Digital HR: reclutare e candidarsi nell’era dell’intelligenza artificiale 

Indice

  1. Il contesto e la sfida: il paradosso del gatekeeper algoritmico
  2. Il progetto: metodologia e obiettivi della ricerca 
  3. La strategia pratica: analisi, definizione e creazione
  4. Implementazione delle tattiche di ottimizzazione
  5. Conclusioni: oltre la dicotomia uomo-macchina
  6. Roadmap futura: verso la trasparenza informativa

ABSTRACT

Questo elaborato documenta il progetto di ricerca e l’esperienza formativa condotta da Francesco Renelli nell’ambito del workshop “Reclutare e candidarsi nell’Era dell’IA“. L’obiettivo primario era esplorare l’impatto dei sistemi ATS (Applicant Tracking System) sul mercato del lavoro, analizzando la dualità tra l’efficienza algoritmica richiesta dalle aziende e le strategie di adattamento necessarie ai candidati. La metodologia applicata è stata mista: ricerca qualitativa tramite interviste a Head Hunter, reverse-engineering tecnico degli algoritmi di parsing e sperimentazione diretta con strumenti di AI Generativa per la “CV Optimization”. Il progetto ha evidenziato una saturazione tecnologica del mercato: con il 98% delle aziende Fortune 500 che utilizzano ATS, la capacità di “scrivere per l’algoritmo” (ATS Literacy) è divenuta una competenza fondamentale. I risultati del workshop dimostrano che, nonostante l’automazione scarti il 75% dei CV prima della lettura umana , il modello vincente rimane quello ibrido “Human + Machine”, dove la tecnologia filtra ma l’autenticità umana converte.

Il contesto e la sfida: il paradosso del “gatekeeper” algoritmico

Il contesto

La trasformazione digitale dell’ultimo decennio ha ristrutturato ontologicamente l’accesso alle opportunità professionali. Al centro di questa rivoluzione c’è l’ATS, un software passato dall’essere un archivio passivo a un “gatekeeper” attivo. Lo scenario globale mostra una saturazione totale: tra il 97% e il 99% delle aziende Fortune 500 utilizza questi sistemi per gestire l’high-volume hiring.
Anche in Italia il trend è in accelerazione: il 67% delle aziende utilizza o pianifica di utilizzare l’IA nel recruiting, con Zucchetti che si afferma come leader di mercato grazie alla compliance GDPR nativa.

La sfida

La sfida centrale affrontata dal progetto è stata demistificare il “Black Hole” dei CV. Si stima che il 75% dei curriculum venga scartato automaticamente dagli algoritmi per motivi tecnici (parsing failure) o semantici (mancanza di keyword), senza mai raggiungere un occhio umano. Il progetto di Francesco Renelli ha quindi cercato di rispondere a una domanda critica: come può un candidato mantenere la propria autenticità umana pur dovendo codificare la propria esperienza nel rigido linguaggio richiesto dalla macchina?

Il progetto: metodologia e obiettivi della ricerca

La metodologia

Per la realizzazione del workshop, è stata adottata una metodologia di ricerca su tre livelli, supportata dall’analisi di documenti tecnici e test sul campo:

  1. Analisi tecnica e di mercato: Mappatura dei principali vendor (Workday, SAP, Taleo) e
    studio del funzionamento dei parser OCR e NLP.
  2. Ricerca qualitativa (Interviste): Dialogo diretto con professionisti del settore, tra cui
    Lorenzo Altamura (Associate Partner & Head Hunter presso Human Value), per ottenere il punto di vista di “chi filtra”.
  3. Sperimentazione pratica (Laboratorio): utilizzo di strumenti di “Counter-Technology”
    (come Kickresume, Teal, Jobscan) per simulare lo scoring dei CV e testare l’efficacia delle ottimizzazioni.
Il "buco nero" dei CV
La definizione dell’obiettivo

L’obiettivo operativo era fornire una “ATS Literacy”: una competenza pratica che permettesse ai partecipanti di comprendere le logiche di ranking e scoring degli algoritmi (da 0 a 100). L’obiettivo finale era dimostrare che superare la soglia di scarto del 50% è possibile attraverso un’ottimizzazione strutturale consapevole.

La strategia pratica: analisi, definizione, creazione 

Il progetto si è articolato analizzando il processo di reclutamento come un flusso di dati che deve superare diversi ostacoli tecnologici e umani.

Fase 1: analisi dell’ecosistema tecnologico

In questa fase si è analizzato chi domina il mercato. È emersa una chiara distinzione tra strumenti di gestione come Workday (37-39% del mercato), noti per la loro rigidità e la richiesta di account dedicati e strumenti “Best-of-Breed” come Greenhouse o iCIMS, focalizzati sulla Candidate Experience. Un punto cruciale emerso dall’intervista con Lorenzo Altamura è la distinzione tra ATS e LinkedIn Recruiter: quest’ultimo non è un giudice automatico ma un motore di ricerca che lascia l’interpretazione al recruiter, restituendo liste di 700-1000 profili da filtrare manualmente.

Fase 2: definizione dei meccanismi di scarto

Si è proceduto a definire come la macchina legge il candidato. Il processo tecnico identificato avviene in tre step:

  1. Parsing: L’estrazione del testo tramite OCR. Qui avviene il primo scarto se la
    formattazione è complessa (colonne, grafici).
  2. Tokenization: La scomposizione del testo in unità minime.
  3. Semantic matching: L’analisi non solo delle parole chiave esatte, ma del contesto (es.
    associare “Scrum” a “Project Management”).
Fase 3: creazione della “counter-technology” per il candidato

Il progetto ha identificato e testato gli strumenti AI che i candidati possono usare per “combattere ad armi pari”. L’analisi comparativa ha evidenziato:

  • Kickresume: Eccellente per il design bilanciato e l’AI writing.
  • Teal / Jobscan: Fondamentali per l’analisi “Side-by-Side” tra CV e Job Description.
  • Rezi: Focalizzato sulla compliance tecnica pura, sacrifica l’estetica per la leggibilità
    macchina.
Come funziona la counter-technology

Implementazione delle tattiche di ottimizzazione

Sulla base della ricerca, il workshop ha proposto tattiche specifiche per aggirare eticamente il sistema.

Igiene della formattazione (parsing success)

Per evitare l’invisibilità tecnica, la regola aurea emersa è la semplicità.

  • Azione: eliminare tabelle, colonne multiple, icone e font non standard.
  • Motivazione: il parser legge il codice, non l’estetica. Un layout a colonna singola
    garantisce che il testo venga estratto nell’ordine corretto.
Keyword optimization contestuale

Non basta inserire parole a caso (Keyword Stuffing), pratica ormai penalizzata.

  • Tattica: integrare le parole chiave della Job Description in frasi di senso compiuto,
    mantenendo una densità del 2-3%.
  • Esempio: se la JD richiede “Project Management”, usare il termine esatto nel profilo
    invece di sinonimi vaghi.
Quantificazione dei risultati (metodo STAR)

Gli algoritmi di People Analytics premiano i dati numerici.

  • Tattica: Utilizzare il metodo S.T.A.R. (Situation, Task, Action, Result) per descrivere le
    esperienze.
  • Risultato: Trasformare “migliorato le vendite” in “incrementato il fatturato del 20% in 6 mesi” aumenta lo scoring di 8-10 punti.
Mitigazione dei bias

Il progetto ha affrontato il tema etico, citando casi come quello di Amazon (2018), dove l’algoritmo penalizzava le donne, o iTutorGroup, multata per discriminazione di età.

  • Strategia: consapevolezza del “Blind Recruitment” e monitoraggio dei dati. Il recruiter
    Lorenzo Altamura sottolinea che, sebbene l’AI possa avere bias, “le relazioni umane
    aiutano a smontare molti pregiudizi inconsci, ma anche a crearne altrettanti”, riaffermando il ruolo centrale dell’interazione diretta.
Logo di Job Scan

Conclusioni: oltre la dicotomia uomo-macchina

Il progetto conclude che l’automazione nel recruiting non è una barriera insormontabile, ma un filtro che richiede nuove competenze. I risultati della ricerca confermano che:

  1. L’ATS Literacy è essenziale: saper formattare un CV per la macchina è il prerequisito per
    essere letti dall’uomo.
  2. L’autenticità vince: una volta superato il filtro, come ricorda Altamura, “conta molto di più
    quello che la persona ha fatto davvero e come riesce a raccontarlo dal vivo”.
  3. Il futuro è ibrido: per le multinazionali l’AI sarà pervasiva nei ruoli junior, mentre per le PMI e i ruoli executive continuerà a prevalere la rete e la relazione umana.

Roadmap futura: verso la trasparenza normativa

Il case study proietta lo sguardo verso il 2026-2027, quando l’implementazione completa dell’AI Act europeo cambierà le regole del gioco. Le prossime evoluzioni previste includono:

  • Classificazione ad alto rischio: il recruiting sarà soggetto a obblighi di trasparenza rigorosi.
  • Explainability: le aziende dovranno garantire il “diritto alla spiegazione” (GDPR Art. 22), giustificando le decisioni automatizzate di scarto.
  • Sorveglianza umana: sarà obbligatorio il principio “Human-in-the-Loop”, dove l’uomo
    deve validare le decisioni della macchina.

Il futuro del recruiting, delineato da questo progetto, non eliminerà il fattore umano, ma ne eleverà la funzione: dalla scrematura amministrativa alla valutazione strategica del talento.

CONDIVIDI L'ARTICOLO

A cura di:

Francesco Renelli


Mi chiamo Francesco Renelli e sono laureando in Scienze della Comunicazione presso l’Università di Bologna, con doppio titolo in Comunicazione e Digital Media all’Università di San Marino. Il mio percorso parte dal diploma all’ITET Corinaldesi Padovano di Senigallia, dove ho acquisito competenze fondamentali in organizzazione aziendale cruciali per comprendere i processi gestionali aziendali.

Dal 2022 ho affiancato agli studi esperienze lavorative a contatto con il pubblico, sviluppando capacità di pianificazione, gestione relazioni interpersonali e problem solving operativo in contesti dinamici.
Durante il percorso universitario ho maturato la volontà di costruire una carriera nelle Risorse Umane, appassionandomi al talent management e all’innovazione digitale nel recruiting (sistemi ATS, AI etica).
La mia ambizione è diventare HR Business Partner, valorizzando il capitale umano e allineando persone agli obiettivi strategici aziendali.

Fonti

Bibliografia

  • Altamura, L. (2025). Associate Partner & Head Hunter presso Human Value. Intervista qualitativa.
  • Amazon (2018). Algoritmo di reclutamento con bias di genere. Caso di studio sulla discriminazione algoritmica.
  • Barocas S. – Selbst A. D. (2016). Big Data’s Disparate Impact. In: California Law Review, vol. 104, pp. 671-732.
  • Buolamwini, B., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of the 2018 Conference on Fairness, Accountability, and Transparency.
  • Cappelli P. (2019). Your Approach to Hiring Is All Wrong. In: Harvard Business Review, maggio-giugno 2019, pp. 48-58.
  • Consiglio dell’Unione Europea. (2025). AI Act – Regolamento (UE) 2024/1689 sull’Intelligenza Artificiale.
  • Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters, 10 ottobre 2018.
  • European Commission. (2020). White Paper on Artificial Intelligence: A European Approach to Excellence and Trust.
  • European Commission. (2021). Proposal for a Regulation on Artificial Intelligence (AI Act), Bruxelles.
  • Forrester Research. (2025). The State of AI in Talent Acquisition.
  • Gartner. (2025). Magic Quadrant for Applicant Tracking Systems.
  • Greenhouse. (2025). Piattaforma ATS focalizzata sulla Candidate Experience.
  • Helbing, D. (2019). Will Democracy Survive Big Data and Artificial Intelligence? Springer.
  • iCIMS. (2025). Piattaforma ATS e Talent Management.
  • iTutorGroup. (2021). Caso di discriminazione per età nel recruiting tramite algoritmo AI.
  • Jobscan. (2025). Piattaforma di ATS keyword matching e scoring.
  • Kickresume. (2025). Piattaforma AI per la creazione e ottimizzazione di CV.
  • Koene A. – Perez E. – Ahmed S. – Matus K. – Ansari N. – Moguerza J. – Sugiyama M. et al. (2024). Fairness in AI-Driven Recruitment: Challenges, Metrics, Methods, and Frameworks. Institute of Electrical and Electronics Engineers (IEEE).
  • LinkedIn Recruiter. (2025). Motore di ricerca per il talent sourcing.
  • LinkedIn Talent Solutions. (2025). Global Talent Trends Report.
  • OnlineCV. (2025). Generatore di CV con IA.
  • Parlamento Europeo. (2018). Regolamento Generale sulla Protezione dei Dati (GDPR) –
    Regolamento (UE) 2016/679, Art. 22.
  • Raghavan M. – Barocas S. – Kleinberg J. – Levy K. (2020). Mitigating Bias in Algorithmic Hiring: Evaluating Claims and Practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, pp. 469-481.
  • Renelli, F. (2025). Progetto pratico di Digital HR: Reclutare e Candidarsi nell’Era dell’Intelligenza Artificiale. Workshop di ricerca e formazione.
  • Rezi. (2025). Piattaforma di ottimizzazione CV con focus sulla compliance tecnica.
  • SAP. (2025). Suite di gestione del talento e recruiting.
  • Sánchez-Monedero J. – Dencik L. – Edwards L. (2020). What does it mean to ‘solve’ the problem of discrimination in hiring? Social, technical and legal perspectives from the UK on automated hiring systems. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, pp. 458-468.
  • SHRM. (2024). State of the Profession Report: AI in Recruiting.
  • SmartRecruiters. (2025). AI-Powered Recruiting Platform.
  • Stone D. L. – Deadrick D. L. (2015). Challenges and Opportunities Affecting the Future of Human Resource Management. In: Human Resource Management Review, vol. 25, pp. 139-145.
  • Taleo (Oracle). (2025). Piattaforma ATS enterprise.
  • Talentsoft. (2025). Piattaforma talent management integrato.
  • Tambe P. – Cappelli P. – Yakubovich V. (2019). Artificial Intelligence in Human Resources Management: Challenges and a Path Forward. In: California Management Review, vol. 61, n. 4, pp. 15-42.
  • Teamtailor. (2025). Piattaforma ATS per piccole e medie imprese.
  • Wachter S. – Mittelstadt B. – Floridi L. (2017). Why a Right to Explanation of Automated Decision-Making Does Not Exist in the General Data Protection Regulation. In: International Data Privacy Law, vol. 7, n. 2, pp. 76-99.
  • Workday. (2025). Piattaforma HRIS/ATS enterprise.
  • Zety. (2025). Piattaforma di ottimizzazione CV con intelligenza artificiale.
  • Zhang J. – Chen X. – Wang Y. – Li H. (2024). A Comprehensive Review of AI Techniques for Addressing Algorithmic Bias in Job Hiring. In: Journal of Artificial Intelligence Research, vol. 78, pp. 1245-1289.
  • Zucchetti. (2025). Piattaforma ATS italiana con compliance GDPR nativa.

Sitografia:

Potrebbe interessarti anche