Scovai Scovai
Hiring 2026-11-18 1 min read

La foto profilo generata dall'IA ha alzato i punteggi di quel candidato — e ha abbassato quelli dei dodici candidati reali nella stessa coda.

DSL

Dr. Sarah Liu

La foto profilo generata dall'IA ha alzato i punteggi di quel candidato — e ha abbassato quelli dei dodici candidati reali nella stessa coda.

Dodici candidati reali. Fascicoli identici, foto identiche, qualifiche identiche in ogni condizione. L'unica cosa che cambiava era ciò che il valutatore aveva visto nei profili sparsi tra di loro. Quando quegli altri profili avevano foto generate dall'IA, i dodici candidati reali venivano avanzati al colloquio il 72,5% delle volte. Quando gli stessi profili avevano foto ordinarie, il 77,4% (Cornell, Florida e Penn, arXiv 2610.22553, 2026).

Nulla in quelle dodici persone era cambiato. Sono cambiate le loro probabilità.

È questo il risultato su cui un Head of Operations dovrebbe soffermarsi. Gran parte del dibattito sulle foto profilo generate dall'IA nella selezione le tratta come un problema di onestà del candidato: qualcuno ha ritoccato la propria foto, ci interessa? L'esperimento punta verso qualcosa di meno comodo. Il costo non ricade sul candidato che ha usato l'immagine sintetica. Ricade su tutti quelli valutati dopo di lui, e nulla in un normale registro di screening mostra che sia accaduto.

Che cosa ha testato davvero l'esperimento

Lo studio è una simulazione di selezione preregistrata con 570 adulti statunitensi che valutano candidati per un unico ruolo, Customer Success Associate (arXiv 2610.22553, 2026). Ogni valutatore ha prima giudicato gli stessi quattro candidati di ancoraggio. Poi è stato assegnato casualmente a una di tre condizioni, in cui otto profili erano abbinati a:

  • volti reali non modificati,
  • versioni ritoccate degli stessi volti, calibrate su un filtro di miglioramento con un solo tocco per il grande pubblico, oppure
  • volti generati dall'IA.

Tra questi otto erano inseriti dodici candidati reali di test, identici in tutte e tre le condizioni. Le qualifiche scritte erano mantenute fisse per ogni posizione di profilo. Nessun nome, nessuna località.

Il disegno separa due domande che la ricerca sulla selezione spesso confonde. Primo: un volto sintetico cambia il modo in cui viene valutato quel candidato? Secondo: vedere volti sintetici cambia il modo in cui il valutatore giudica la persona reale successiva? Gli autori dicono chiaramente quale domanda li interessava: la loro questione principale «era se le immagini cambiassero il modo in cui i partecipanti valutavano i candidati reali che seguivano».

Il candidato con la foto generata dall'IA ha guadagnato poco. I candidati reali hanno pagato.

L'effetto diretto: piccolo e misto

I profili con un volto generato dall'IA hanno ottenuto punteggi un po' migliori. L'idoneità all'assunzione è salita di b = 0,162 su una scala 1–7 (P = 0,015) e l'affidabilità di b = 0,130 (P = 0,047). Ma l'esito che conta operativamente, l'avanzamento al colloquio, non si è mosso in modo significativo: 84,8% per i profili con volto generato dall'IA contro l'82,5% dei volti reali, con un odds ratio di 1,218 e P = 0,265 (arXiv 2610.22553, 2026).

Quindi il candidato che presenta la foto sintetica ottiene una valutazione leggermente più calda e nessun vantaggio affidabile nell'accesso al colloquio.

L'effetto a valle: coerente e significativo su tutti e tre gli esiti

Ad aver subito variazioni sono stati i dodici candidati reali identici. I valutatori che avevano visto volti generati dall'IA li hanno giudicati più bassi in idoneità all'assunzione (b = −0,146, P = 0,042) e in affidabilità (b = −0,172, P = 0,007), e li hanno avanzati meno spesso al colloquio: odds ratio 0,768, P = 0,037, ovvero il divario 72,5% contro 77,4% della frase d'apertura. I valori P unilaterali prespecificati, corretti con Holm, erano 0,037, 0,037 e 0,011 (arXiv 2610.22553, 2026).

Il divario di circa cinque punti è una mia sottrazione di due tassi riportati. La misura dell'effetto che gli autori sostengono è l'odds ratio.

Il controllo che lo rende un effetto di immagine sintetica, non di ritocco

La condizione ritoccata trasforma un risultato interessante in uno utile. L'esposizione a foto ritoccate non ha prodotto alcun effetto a valle: l'idoneità era 5,26 in entrambe le condizioni, l'avanzamento 78,2% contro 77,4%, l'affidabilità 5,23 contro 5,22 (arXiv 2610.22553, 2026).

Il ritocco convenzionale, quello che ha già ogni profilo LinkedIn, non ha spostato la linea di base. Il set generato dall'IA sì.

Perché le foto generate dall'IA nella selezione sono un problema di lotto, non di candidato

Leggete il risultato da responsabili operativi, non da eticisti. L'unità del danno non è il candidato. È la coda.

La probabilità di un candidato di arrivare al colloquio si è mossa di diversi punti a seconda di chi altro fosse nella pila del valutatore, mentre il suo fascicolo restava costante. Nella maggior parte dei processi di screening delle medie imprese, la composizione del lotto non è una variabile controllata. Le candidature arrivano nell'ordine in cui le consegna il portale, i selezionatori le scorrono a sessioni, e nessuno registra quali immagini un valutatore abbia visto prima di giudicare un dato candidato. L'immagine diventa così un input incontrollato di una decisione che dovete saper difendere.

Non è la prima volta che il contesto del valutatore pesa più di ciò che viene valutato. In un programma di interviste con IA in produzione, studiato su 2.611 registrazioni, un revisore ha dato agli stessi lotti punteggi inferiori di 0,79 deviazioni standard rispetto a un altro, e quel divario di severità era abbastanza ampio da appiattire un reale miglioramento di 0,53 DS del sistema sottostante (Zhang, Liu e Esposito, arXiv 2610.07003, 2026). Contesto diverso, stessa lezione: un punteggio porta informazioni sul valutatore e sul contesto di valutazione oltre che sul soggetto, e la maggior parte delle organizzazioni verifica solo il soggetto.

Perché il vostro controllo sull'impatto avverso non lo vedrà

Il controllo istintivo contro i bias nello screening negli Stati Uniti è la regola dei quattro quinti: un tasso di selezione per un gruppo inferiore a quattro quinti di quello del gruppo più alto è generalmente considerato dalle agenzie federali evidenza di impatto avverso (29 CFR 1607.4(D), Uniform Guidelines).

Due ragioni per cui quel test è cieco a questo effetto. Questa è una mia inferenza dallo studio, non un risultato dello studio.

Il rapporto è troppo piccolo per far scattare la soglia. 72,5% su 77,4% è circa 0,94, ben oltre la soglia di 0,8. Uno spostamento reale e statisticamente significativo nell'avanzamento supera senza problemi il filtro standard.

Il gruppo colpito non è un gruppo demografico. I candidati penalizzati non hanno in comune altro che la sessione in cui sono stati esaminati. L'analisi dell'impatto avverso scompone gli esiti per caratteristiche protette; non ha una colonna per «è stato valutato dopo una foto sintetica». Se il mix di immagini di un lotto è correlato a chi si candida tramite quale canale, o a che ora, l'effetto può emergere più tardi come divario demografico inspiegato senza causa visibile.

Per i team che operano nell'UE la scadenza non è urgente ma è fissa: i sistemi di reclutamento e valutazione dei candidati rientrano nell'Allegato III, e l'articolo 113 modificato applica loro il regime ad alto rischio dal 2 dicembre 2027 (EU AI Act, articolo 113). Un input non documentato in una valutazione umana è una posizione debole da difendere in qualsiasi regime di audit, qualunque sia la data che vi riguarda.

Che cosa lo studio non dimostra

L'articolo è attento ai propri limiti, e una lettura credibile deve riportarli.

  • Lo stimolo era volutamente estremo. I volti generati dall'IA erano selezionati per un'elevata attrattività valutata, con media 5,75 su 7, contro 2,99 dei volti reali nello stesso set. Gli autori scrivono che l'effetto a valle «non va assunto come descrittivo dell'output ordinario di ogni generatore».
  • Il meccanismo è ignoto. Nelle parole degli autori, «l'esperimento ci dice che l'esposizione ha contato, non perché». Le immagini generate e ritoccate non erano allineate per attrattività, quindi la fonte dell'immagine non è separata con nettezza dall'intensità del trattamento. Qualunque storia su regolarità sintetica contro pura attrattività è speculazione.
  • Nessuna relazione dose-risposta. L'analisi di carryover prespecificata non ha trovato alcun effetto cumulativo man mano che i valutatori vedevano più immagini sintetiche. «Più foto IA, peggio è» non è sostenuto.
  • Un solo lavoro, una sola sessione, solo valutatori statunitensi, reclutati online. Un vero selezionatore, con contesto di dominio e un ruolo familiare, potrebbe comportarsi diversamente in entrambe le direzioni.
  • I segnali di sottogruppo non sono affermazioni. L'effetto a valle è distinguibile da zero tra i valutatori uomini, e compare qualche eterogeneità razza-per-esposizione, ma le interazioni formali di genere non erano significative e queste analisi non erano prespecificate (arXiv 2610.22553, 2026).

Nulla di questo ribalta il punto operativo. Lo dimensiona. Non serve credere che l'effetto sia grande nella vostra pipeline per ammettere che è un input che oggi non potete vedere.

Che cosa dovrebbe fare un Head of Operations questo trimestre

La buona notizia è che questo è uno dei rari risultati sui bias con un rimedio economico e meccanico.

Togliete i volti dalla superficie di valutazione

Se una foto non è un requisito del lavoro, non dovrebbe stare sullo schermo in cui un revisore valuta un candidato. Nascondete le immagini alla fase di shortlist nel vostro ATS, oppure eliminatele all'acquisizione. Questo rimuove sia l'effetto diretto sia il contrasto a valle in un colpo solo, e sulla base di questi dati non costa nulla in segnale: lo studio teneva costanti le qualifiche, e i volti di altri candidati hanno comunque spostato l'esito.

Registrate che cosa ha visto ogni revisore, non solo che cosa ha deciso

Se per alcuni ruoli le foto devono restare visibili, registrate le sessioni di screening: quali candidati ha valutato un revisore, in che ordine, in una sola seduta. Senza questa traccia non potrete verificare in seguito gli effetti di contesto, né rispondere a un auditor che chiede perché due candidati simili abbiano avuto esiti diversi.

Fate audit per sessione e coda, non solo per demografia

Aggiungete lotto, revisore e sessione come dimensioni nella vostra revisione trimestrale dello screening. L'evidenza sulla severità dei valutatori suggerisce che troverete prima gli effetti del revisore che quelli delle immagini; entrambi sono più economici da cogliere in una dashboard che in una controversia.

Siate precisi su che cosa fa con le immagini uno screener IA

Un dettaglio dell'articolo si perde facilmente. Gli autori hanno tentato una versione dell'esperimento con valutatori IA e l'hanno abbandonata nel pilota: i modelli multimodali di frontiera sapevano identificare il contenuto delle immagini se interrogati direttamente, ma «non incorporavano in modo coerente quell'informazione visiva nei giudizi di assunzione» (arXiv 2610.22553, 2026). Un primo passaggio automatico potrebbe quindi non reagire affatto all'immagine, mentre il revisore umano a valle sì. Il progetto difendibile stabilisce che il volto non è un input di punteggio in nessuna fase, né per il modello né per le persone. È lo standard che Scovai fissa per il proprio intervistatore, che valuta solo la sostanza, mai tono, accento o volto; qualunque stack usiate, scrivete la regola equivalente e verificate che regga.

La decisione per questo trimestre

Il candidato con la foto sintetica ha guadagnato poco. Le dodici persone esaminate dopo di lui hanno perso circa cinque punti di probabilità di colloquio per qualcosa che non era mai nel loro fascicolo. Le foto generate dall'IA nella selezione non sono una questione di onestà del candidato; sono una questione di se il vostro processo di screening controlla i propri input.

Scegliete: togliere i volti dalla schermata di shortlist prima dell'apertura del prossimo ciclo di assunzioni, oppure iniziare a registrare le sessioni di screening per poter dimostrare che la coda non ha deciso. Non fare nessuna delle due cose significa che le probabilità di un candidato dipendono da chi si è candidato subito prima, e non sarete in grado di dimostrare il contrario.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.