I modelli AI di frontiera ottengono tra il 64% e l'82% quando una domanda sul feedback dei dipendenti ha una risposta chiara e verificabile. Quando il compito richiede di soppesare segnali incompleti, emotivamente carichi e dipendenti dal contesto per arrivare a una singola conclusione difendibile, i migliori scendono al 33% (PYX Labs, 2026).
Quella seconda categoria ha un nome nella vostra azienda. Si chiama decidere chi viene promosso.
Sei manager su dieci usano già l'AI per prendere decisioni sui propri collaboratori diretti: aumenti, promozioni, riduzioni di personale, licenziamenti (Resume Builder, 2025). La curva della capacità e la curva dell'utilizzo puntano in direzioni opposte, e quasi nessuno ha tracciato la linea tra le due.
Che cosa ha misurato davvero il benchmark PYX-Voice
Il 15 luglio 2026 PYX Labs — un laboratorio di ricerca sponsorizzato da Perceptyx — ha rilasciato PYX-Voice, il primo benchmark costruito specificamente per valutare quanto bene i modelli AI di frontiera comprendano il feedback dei dipendenti. Sette modelli leader di OpenAI, Google, Anthropic e xAI sono stati testati su 84 compiti reali di employee listening e valutati rispetto a 208 criteri definiti da psicologi del lavoro e delle organizzazioni (I-O) e da specialisti di comportamento organizzativo (Perceptyx, 2026).
I criteri di valutazione sono il punto centrale. Consegnare a un modello un foglio di calcolo con le risposte a un sondaggio è banale. Definire come sia fatta una lettura corretta di quei dati — che cosa concluderebbe uno psicologo I-O competente e che cosa si rifiuterebbe di concludere — è la parte difficile, ed è la parte che nessun benchmark AI generalista verifica.
Il risultato principale non è stato che i modelli sono scadenti. Non lo sono. L'affidabilità è calata in modo netto e prevedibile man mano che aumentava il carico interpretativo del compito (PYX Labs, 2026). Il modello più forte del gruppo ha superato il 76% complessivo. Ogni modello testato — senza eccezioni — ha registrato la sintesi come la propria capacità più debole.
Questa coerenza conta più dei punteggi assoluti. Una debolezza condivisa da ogni modello di quattro laboratori diversi non è un problema di fornitore che si risolve con un acquisto. È una proprietà del compito.
Il precipizio è esattamente dove sta la posta in gioco
Il profilo di performance del benchmark si sovrappone quasi perfettamente a una distinzione che la maggior parte dei responsabili operativi già fa intuitivamente, ma che raramente impone negli strumenti.
I modelli hanno reso al meglio dove il feedback si ordina con chiarezza in temi ben definiti: domande di performance enablement su obiettivi, strumenti, metriche, risorse. Sono problemi di categorizzazione travestiti da questioni di risorse umane. Esiste una risposta giusta, la risposta è verificabile e il modello la trova.
Le prestazioni sono peggiorate su temi ampi e sfumati — cambiamento, innovazione, quella categoria diffusa di commenti che dice che qualcosa non va senza dire che cosa. Qui il modello deve tenere insieme più segnali parziali e contraddittori e produrre un giudizio. I punteggi sono scesi fino al 33% (PYX Labs, 2026).
Vale la pena citare la descrizione che il benchmark stesso dà del fallimento, perché nomina il meccanismo e non il sintomo: "Il cedimento avviene specificamente quando devono soppesare segnali incompleti, emotivi o dipendenti dal contesto e risolverli in una conclusione chiara" (HR Dive, 2026).
Rileggete quella descrizione e chiedetevi che cosa sia una decisione di promozione. È informazione incompleta, emotivamente carica, fortemente dipendente dal contesto, risolta in una conclusione chiara. Il benchmark non ha testato la gestione della performance. Ha testato esattamente l'operazione cognitiva di cui la gestione della performance è fatta.
Un punteggio del 33% su un compito di giudizio non è un assistente leggermente più debole. È il lancio di una moneta con una voce sicura di sé.
E la modalità di fallimento è peggiore di quanto il punteggio suggerisca, perché l'output appare identico nei due casi. Un modello che sintetizza male il feedback dei dipendenti non restituisce un errore né un segnale di bassa confidenza. Restituisce un paragrafo fluido, ben strutturato e del tutto plausibile sul morale del team. Il manager che rilegge non ha alcun segnale per distinguere il caso all'82% dal caso al 33%. PYX Labs ha inoltre registrato casi rari ma significativi di modelli che producevano output statistici inventati, o che non rispettavano i vincoli del set di dati sottostante — una cifra nel riassunto che nei dati non c'era mai stata (HR Dive, 2026).
La fluidità non è calibrazione. Nulla nel livello di presentazione peggiora quando peggiora il ragionamento.
Dove si stanno già prendendo decisioni sulle persone con l'AI
Ora accostate quel profilo di capacità al comportamento reale dei manager.
Resume Builder ha intervistato 1.342 manager statunitensi con collaboratori diretti a fine giugno 2025. Il sessanta percento usa strumenti AI per prendere decisioni sulle proprie persone. Tra chi lo fa: il 78% li usa per determinare gli aumenti, il 77% per le promozioni, il 66% per le riduzioni di personale e il 64% per i licenziamenti (Resume Builder, 2025).
Altri tre numeri dello stesso sondaggio definiscono con precisione il problema di governance.
Più di un manager su cinque dichiara di lasciare spesso che sia l'AI a prendere la decisione finale senza alcun intervento umano. Due terzi dei manager che usano l'AI per gestire le persone non hanno ricevuto alcuna formazione formale in merito. E solo il 32% dichiara di aver ricevuto una formazione formale sull'uso etico di questi strumenti (HR Dive, 2025).
Il rischio è la fiducia, non l'utilizzo
Più di sette su dieci dei manager che usano l'AI per gestire i propri team si sono detti fiduciosi che la tecnologia prenda decisioni eque e prive di pregiudizi sui dipendenti (HR Dive, 2025).
Oltre il settanta percento fiducioso. Trentatré percento di capacità sul versante interpretativo. Quel divario è l'intera esposizione, e non si chiude con modelli migliori: si chiude con una delimitazione migliore.
Attenzione a che cosa questo non è. Non è un argomento per dire che i manager sono avventati o che l'AI non abbia posto nella gestione della performance. I manager che delegano l'estrazione di temi su 400 risposte aperte a un sondaggio stanno facendo la scelta giusta: quello è il compito all'82%, e farlo a mano è uno spreco della settimana di una persona senior. Il problema è che la stessa interfaccia, la stessa casella di prompt e lo stesso permesso istituzionale coprono entrambi i compiti — e solo uno dei due è sicuro.
Le ragioni per non sopravvalutare tutto questo
Tre avvertenze, dette con chiarezza, perché il riflesso di scontare entrambe le fonti è in parte meritato.
PYX Labs è sponsorizzato da Perceptyx, che vende tecnologia di employee listening. Un benchmark che conclude che interpretare il feedback dei dipendenti è più difficile di quanto sembri — e richiede competenza I-O — è commercialmente conveniente per un'azienda che vende competenza I-O. Prendetene nota, poi mettetelo a confronto con il fatto che metodologia, numero di compiti e criteri di valutazione del benchmark sono dichiarati e i risultati sono stati pubblicati per intero, incluso dove i modelli hanno reso bene.
Resume Builder è un'azienda di servizi per curriculum, e il suo studio è un sondaggio online auto-riportato. "Il sessanta percento dei manager usa l'AI per decisioni sulle persone" misura ciò che i manager dicono di fare, in un sondaggio in cui dire di sì non costa nulla. Trattate la direzione come solida e i decimali come morbidi.
E PYX-Voice è un singolo benchmark, uscito poche settimane fa, non ancora sottoposto a replica indipendente. Un solo benchmark è un indizio, non una prova.
Ciò che sopravvive a tutte e tre le avvertenze è la forma del risultato: la capacità cala man mano che sale il carico interpretativo, in modo uniforme tra i laboratori, mentre l'utilizzo è massimo esattamente dove il carico interpretativo raggiunge il picco. Nessun incentivo commerciale ha fabbricato quell'inversione. Ci vorrebbe una fortuna piuttosto strana perché il bias dello sponsor e quello del sondaggio finissero per puntare nella stessa direzione.
Che cosa significa in un'azienda da 50 a 500 dipendenti
Su scala enterprise il problema viene assorbito dal processo. C'è un comitato per le retribuzioni, una sessione di calibrazione, un HR business partner che legge lo stesso feedback in modo indipendente e una funzione legale che chiederà come si è arrivati a una decisione di licenziamento.
Con 200 persone ci sono un manager, un foglio di calcolo e una scadenza.
Non è una critica alle operations del mid-market: è la realtà strutturale che rende questo risultato più urgente qui che in un'azienda da 20.000 persone. Il mid-market ha lo stesso accesso all'AI, uno strato di revisione più sottile e una tolleranza materialmente minore per una causa di licenziamento illegittimo. Lo strumento è arrivato; il processo di calibrazione che ne coglierebbe gli errori no.
C'è anche un effetto cumulativo che vale la pena nominare. Un modello che legge male il feedback sfumato non sbaglia a caso. Favorisce sistematicamente il leggibile rispetto al significativo: il reclamo scritto con chiarezza rispetto a quello sfumato, il dipendente che si esprime bene rispetto a quello reticente, il tema con una parola chiave rispetto al tema che non ce l'ha. Fate girare tutto questo in sordina per due cicli di promozioni e non avrete commesso un errore. Avrete installato un pregiudizio con tanto di tracciato documentale.
Tracciate la linea in questo trimestre
Dividete il lavoro per verificabilità, non per strumento
Il confine utilizzabile non è "AI per l'HR, sì o no". È: l'output può essere verificato rispetto alla fonte in meno di un minuto? Raggruppare 300 commenti in temi — verificabile, delegatelo. Ordinare due candidati per un unico posto in promozione sulla base del loro feedback — non verificabile, tenetelo umano. Mettete per iscritto questo test e inseritelo nelle linee guida per i manager, perché in questo momento due terzi dei vostri manager che usano questi strumenti non hanno ricevuto alcuna formazione formale (Resume Builder, 2025).
Nominate le quattro decisioni che l'AI non può chiudere
Aumenti, promozioni, riduzioni di personale, licenziamenti. Per ciascuna, richiedete una motivazione umana documentata che non citi un riassunto AI come propria evidenza. Non costa nulla e affronta direttamente quell'uno su cinque che oggi lascia decidere il modello senza supervisione.
Verificate un ciclo all'indietro
Prendete l'ultimo ciclo di performance o di retribuzione. Fate a ogni manager una sola domanda: dove ha toccato l'AI questo processo, e che cosa avete verificato? Non state cercando violazioni. State cercando la mappa onesta di dove questo già accade — che, nella maggior parte delle aziende mid-market che ho osservato, è più avanti di quanto il gruppo dirigente supponga.
Una decisione in questo trimestre
Prendete la decisione sulle persone a più alta posta in gioco che i vostri manager hanno preso negli ultimi novanta giorni e chiedetevi se un riassunto generato dall'AI sia stato da qualche parte nella catena delle evidenze. Se c'era, ponete la seconda domanda: qualcuno avrebbe potuto capire, dal solo output, se quel riassunto fosse del tipo all'82% o del tipo al 33%?
Se la risposta è no, non avete un problema di AI. Avete una delega senza perimetro — e la soluzione è una riga in un documento di policy, non un modello migliore.
Sei manager su dieci hanno già superato quella linea. Quasi a nessuno di loro è stato detto dove fosse.
