Il cinquantaquattro per cento dei responsabili del talento afferma oggi che i CV, le candidature e la preparazione ai colloqui generati dall'IA hanno reso più difficile valutare le reali competenze di un candidato — e lo dichiara mentre oltre il 90% di loro riferisce di usare l'IA in tutto il sourcing e lo screening, ma meno del 5% definisce i risultati trasformativi (ManpowerGroup, 2026). Lette insieme, queste tre cifre non raccontano "l'IA ci sta aiutando ad assumere". Raccontano questo: avete passato due anni ad automatizzare un lato dell'imbuto, i vostri candidati hanno passato gli stessi due anni ad automatizzare l'altro, e l'effetto netto sulla cosa che conta davvero — capire chi sa fare il lavoro — è andato all'indietro.
È la trappola in cui si trovano oggi la maggior parte delle operazioni di assunzione del mid-market. L'istinto, quando lo screening sembra rotto, è comprare un applicant tracking system migliore o aggiungere un altro filtro IA. I dati di ManpowerGroup ed Everest Group dicono che quell'istinto punta allo strato sbagliato. Non è un problema di strumenti. È un problema di segnale, e nessuna quantità di automazione dello screening ripara un segnale reso falsificabile su larga scala.
Entrambi i lati dell'imbuto automatizzati contemporaneamente
Partite dalla simmetria, perché è la parte che quasi nessuno considera. Quando avete adottato l'IA per fare sourcing, ranking e screening, avete dato per scontato che gli input dall'altro lato restassero costanti — che un CV portasse più o meno le stesse informazioni del 2022. Non è così. Ora il candidato ha la vostra stessa classe di strumenti. L'IA generativa scrive il CV, adatta la lettera di presentazione al vostro annuncio, redige le risposte alle vostre domande di screening e prova il colloquio.
Lo studio ManpowerGroup/Everest Group — un sondaggio su 80 leader C-suite, CHRO e senior della talent acquisition negli USA e nel Regno Unito — mette un numero sulla conseguenza: il 54% riferisce che il comportamento dei candidati assistito dall'IA rende più difficile valutare accuratamente le reali competenze (ManpowerGroup, 2026). È una maggioranza di leader senior delle assunzioni che vi dice che l'input si è degradato. Entrambi i lati si sono automatizzati insieme, e la corsa agli armamenti si è chiusa dove di solito si chiudono le corse agli armamenti — molta più spesa da entrambe le parti, e nessun vantaggio duraturo per nessuno.
Il segnale non è diventato più rumoroso — è diventato falsificabile
C'è qui una distinzione cruciale che cambia cosa fare al riguardo. Il problema non è che ci sia più rumore nell'imbuto. È che lo strato del CV e della candidatura è ora gonfiabile dall'IA — e una volta che un segnale può essere fabbricato a basso costo, classificare i candidati su di esso smette di misurare ciò che vi interessa.
Pensate a cosa ottimizza davvero il vostro sistema di screening IA. Valuta e classifica i candidati sulla forza della loro candidatura scritta: le parole chiave, la formulazione, l'apparente corrispondenza con la descrizione del ruolo. Quando quello strato scritto era prodotto dallo sforzo del candidato, era un proxy debole ma reale di diligenza e adeguatezza. Quando è prodotto da un modello in nove secondi, il ranking premia sempre più la fluenza nel prompting — quanto bene il candidato (o il suo strumento) ha decodificato il vostro annuncio — anziché l'adeguatezza al ruolo. Ricevete comunque una lista ordinata, nitida e sicura. Solo che sta misurando la variabile sbagliata. È la modalità di fallimento più pericolosa nella selezione: non un sistema che si rompe in modo visibile, ma uno che continua a produrre output sicuri dopo che la cosa che misura è silenziosamente diventata priva di significato.
È anche il motivo per cui "meno del 5% trasformativo" non è un problema di maturità che un altro trimestre di adozione risolve (ManpowerGroup, 2026). Non potete estrarre un risultato trasformativo da uno strato il cui segnale è stato svuotato. Più potenza di screening applicata a un input falsificabile produce solo un ordinamento del rumore più rapido e più sicuro.
Il problema di volume nascosto sotto
Il problema di segnale cavalca sopra un problema di volume, e i due si sommano. Poiché candidarsi è ora quasi gratuito, il numero di candidature si è staccato dall'interesse genuino. Un recruiter ha riferito di un ruolo di business analyst che storicamente avrebbe attirato dalle 100 alle 150 candidature e che questa volta ne ha raccolte oltre 2.000 — un balzo da 13 a 20 volte per una singola posizione (The Irish Times, 2026). Non è un'ondata di interesse qualificato. È l'output meccanico di candidati che usano la stessa automazione che usate voi.
Il costo ricade sul tempo del vostro team. Nello stesso reportage, un sondaggio di Greenhouse ha rilevato che il 38% dei recruiter passa ora metà del proprio impegno a filtrare candidature spazzatura, spam e del tutto non qualificate (The Irish Times, 2026). Sommate questo al problema del segnale e ottenete il quadro completo: più candidature che mai, ognuna un indicatore più debole che mai, e un team di recruiting che brucia metà della sua capacità per separare il volume generato dalle macchine dall'intenzione umana. Comprare più IA di screening per elaborarlo più velocemente non riduce il problema. Lo industrializza.
Perché un ATS migliore non risolverà il problema
La risposta allettante — un ATS più intelligente, un modello di parsing dei CV più affilato, un'IA che "rileva l'IA" — perde la corsa agli armamenti per costruzione. Ogni rilevatore che schierate è un bersaglio contro cui gli strumenti di generazione si ottimizzano, e gli strumenti di generazione iterano più velocemente e sono usati da milioni di candidati. Impegnereste il vostro budget nel difendere esattamente lo strato che è già stato compromesso.
Il motivo più profondo per cui fallisce è che accetta una premessa errata: che il CV sia il luogo in cui vivono le competenze. Non lo è mai stato del tutto — e ora dimostrabilmente non lo è. La soluzione non è leggere lo strato falsificabile in modo più astuto. È smettere di dare tanto peso allo strato falsificabile e spostare il peso decisionale su input che un candidato non può fabbricare a basso costo su larga scala. È un cambiamento di progettazione nel modo in cui fate screening, non un acquisto.
C'è anche un costo più silenzioso nel restare nella corsa agli armamenti: i rifiuti errati. Quando il vostro ranking premia la fluenza nel prompting, il candidato genuinamente forte ma mediocre nell'auto-promozione — o che ha rifiutato di far passare la propria candidatura da un ottimizzatore — affonda sotto quello che l'ha fatto. Non solo non riuscite a intercettare le candidature gonfiate; state attivamente declassando competenze reali che non si sono preoccupate di manipolare lo strato. In un mercato in cui una singola posizione attira ora migliaia di candidature, quei falsi negativi sono invisibili e irrecuperabili. Non saprete mai quale persona qualificata il vostro segnale falsificabile ha sepolto.
Ripesate verso input che i candidati non possono falsificare su larga scala
Qui la ricerca è insolitamente consolidata, e precede di decenni il panico da IA. Il punto di riferimento è la meta-analisi di Schmidt e Hunter, che sintetizza circa 85 anni di ricerca sulla selezione, secondo cui i test su campioni di lavoro, i colloqui strutturati e le misure di abilità cognitiva sono tra i predittori più forti della performance lavorativa — mentre i segnali vicini al CV, cioè istruzione e anni di esperienza, sono comparativamente deboli (Schmidt & Hunter, 1998). Una valutazione strutturata e rappresentativa del lavoro porta molta più validità predittiva del documento di candidatura — ed era lo strumento migliore anche quando quel documento era scritto onestamente.
L'IA sposta tutto questo da un argomento di buona pratica a uno urgente. I metodi che reggono sono precisamente quelli costosi da falsificare su larga scala. Un modello può generare un CV impeccabile in pochi secondi; non può far sedere il vostro candidato reale a un campione di lavoro rappresentativo e produrre il suo genuino ragionamento in condizioni strutturate. Una valutazione psicometrica validata misura tratti e attitudini che una candidatura levigata semplicemente non rivela. Il segnale che avete perso sullo strato del CV è recuperabile — ma solo spostando la misurazione in un luogo che l'automazione non può raggiungere.
Concretamente, "input che i candidati non possono falsificare su larga scala" significa due cose che un team ops del mid-market può davvero adottare. Primo, un campione di lavoro strutturato: un compito breve, rappresentativo del ruolo, valutato con una griglia coerente, così osservate la persona mentre fa una fetta del lavoro reale invece di leggere la sua affermazione al riguardo. Secondo, una valutazione psicometrica validata: una lettura misurata delle attitudini e dei tratti che predicono la performance nel ruolo, somministrata in condizioni che il candidato non può esternalizzare. Entrambe spostano il segnale decisivo dal documento al comportamento — ed entrambe, notevolmente, sono più difendibili legalmente dello screening del CV perché campionano direttamente il lavoro.
L'unica mossa per questo trimestre
Non dovete strappare via il vostro ATS né riprogettare le assunzioni per agire su questo. Dovete cambiare dove sta il peso decisionale su un ruolo.
Quindi la mossa concreta è ristretta e verificabile: prendete la vostra posizione aperta a più alto volume — quella che affoga in candidature gonfiate dall'IA — e inserite un campione di lavoro rappresentativo più una valutazione validata all'inizio del processo, poi ripesate il vostro ranking così che quei risultati superino il punteggio del CV. Usate lo strato del CV solo per escludere gli evidentemente non qualificati; lasciate che gli input non falsificabili decidano chi avanza. Poi strumentatelo rispetto a un ruolo comparabile lasciato allo screening basato sul CV, e osservate due numeri nell'arco di un trimestre: gli indicatori di qualità dell'assunzione come la velocità di ramp-up e la performance iniziale, e la quota di tempo del recruiter recuperata dal filtraggio della spazzatura.
Se il ruolo ripesato produce assunzioni migliori con meno sforzo di screening sprecato, avrete dimostrato, dentro il vostro stesso imbuto, ciò che indicano i dati di ManpowerGroup: la risposta a un segnale svuotato non è mai stata uno screener migliore per lo strato falsificabile. Era smettere di fidarsi dello strato che i vostri candidati hanno imparato ad automatizzare — e misurare l'unica cosa che ancora non possono. Il 54% che dice di non riuscire più a leggere le competenze ha ragione sul problema. Lo cerca nell'unico posto in cui l'IA ha garantito che non sarebbe più stato.
