Le aziende che usano l'AI per decidere chi licenziare: come funziona l'algoritmo che valuta le tue performance

Immagina di arrivare in ufficio un lunedì mattina e trovare una notifica sul tuo smartphone aziendale: il tuo contratto è terminato. Nessun colloquio, nessuna conversazione con il tuo responsabile, nessuna spiegazione articolata. Solo un messaggio generato automaticamente, firmato in senso figurato, da un sistema di intelligenza artificiale che ha analizzato i tuoi dati di performance negli ultimi mesi e ha concluso che non sei abbastanza produttivo. Non è fantascienza: è già successo, in aziende reali, a lavoratori reali.

Amazon, IBM, UPS, Klarna, Workday: sono solo alcune delle grandi corporation che hanno introdotto sistemi algoritmici per monitorare, valutare e in alcuni casi raccomandare o eseguire decisioni di licenziamento. Il fenomeno, ancora poco conosciuto al grande pubblico, sta ridisegnando in modo silenzioso e profondo il rapporto tra lavoratori e datori di lavoro.

• 43% delle grandi aziende usa AI per le valutazioni del personale
• 76% dei lavoratori non sa di essere monitorato da algoritmi
• 2x più veloce: il tempo medio di decisione con AI rispetto ai manager umani

Come funziona un algoritmo di valutazione delle performance

Al cuore di questi sistemi c'è un motore di machine learning che raccoglie, aggrega e analizza enormi quantità di dati provenienti da fonti diverse. Contrariamente a quanto si potrebbe pensare, l'AI non "guarda" semplicemente i risultati di vendita o il numero di pratiche evase: il perimetro di sorveglianza è molto più ampio e pervasivo.

I dati alimentati all'algoritmo possono includere:

• Produttività quantitativa: obiettivi raggiunti, velocità di esecuzione dei compiti, tassi di errore, volumi di lavoro elaborati per ora
• Comportamento digitale: tempo trascorso su applicazioni specifiche, attività sulla intranet aziendale, frequenza di accesso ai sistemi, orari di login e logout
• Comunicazioni interne: analisi del sentiment nelle email e nei messaggi su Slack o Teams, frequenza delle interazioni con colleghi e manager, tono e lunghezza delle risposte
• Dati di presenza: puntualità, frequenza delle assenze, rispetto degli orari in contesti di smartworking tracciati via badge virtuale o VPN
• Feedback a 360°: valutazioni di colleghi e superiori, risultati di survey interne, recensioni ricevute da clienti
• Segnali predittivi: pattern comportamentali storici correlati, nei dati dell'azienda, a precedenti casi di underperformance o dimissioni volontarie

Tutti questi dati vengono fusi in un punteggio composito, spesso chiamato performance score o risk index, che posiziona ogni dipendente su una scala. Chi si trova stabilmente nella fascia bassa della distribuzione finisce nel mirino del sistema.

Come si costruisce il "profilo di rischio" di un dipendente

Nelle aziende più sofisticate, il sistema va ben oltre il semplice conteggio delle ore o dei compiti svolti. I modelli di AI di nuova generazione costruiscono un profilo longitudinale del lavoratore, confrontandolo sia con i propri dati storici sia con quelli aggregati dei colleghi con ruoli simili.

Le fasi del processo algoritmico

• Raccolta dati in tempo reale: sensori, software di monitoraggio, log di sistema e strumenti HR alimentano continuamente il modello
• Normalizzazione e pulizia: i dati vengono standardizzati per essere comparabili tra reparti, ruoli e sedi geografiche diverse
• Addestramento del modello: il sistema impara dai dati storici quali pattern precedono un calo di performance o una separazione dal lavoro
• Scoring continuo: ogni dipendente riceve un punteggio aggiornato con frequenza variabile (giornaliera, settimanale o in tempo reale)
• Generazione di raccomandazioni: il sistema segnala ai responsabili HR i profili "a rischio" o, in alcuni casi, avvia automaticamente le procedure

Aziende e strumenti noti

• Workday Peakon: analisi predittiva del turnover e del disengagement dei dipendenti
• Microsoft Viva Insights: monitoraggio dei pattern di comunicazione e collaborazione su Teams e Outlook
• IBM Watson Talent: modello predittivo per identificare dipendenti a rischio di abbandono o underperformance
• Lattice + AI: piattaforma di OKR e performance review con suggerimenti algoritmici ai manager
• Humanyze: analisi delle interazioni fisiche e digitali tramite badge sensorizzati

I rischi nascosti: bias, errori e discriminazioni

Uno dei problemi più gravi dei sistemi algoritmici di valutazione è che tendono a ereditare e a moltiplicare, i pregiudizi presenti nei dati di addestramento. Se storicamente un'azienda ha licenziato più lavoratori part-time, più donne in rientro dalla maternità o più dipendenti anziani, il modello imparerà a considerare queste caratteristiche come fattori predittivi negativi, perpetuando discriminazioni strutturali in forma automatizzata e quasi invisibile.

I rischi principali identificati dai ricercatori includono:

• Bias demografici correlazioni spurie tra caratteristiche protette (genere, età, etnia) e punteggi di performance
• Effetto Goodhart i lavoratori ottimizzano il comportamento per ingannare il sistema (es. tenere il mouse in movimento) piuttosto che lavorare meglio
• Opacità decisionale i dipendenti non sanno perché il loro punteggio è basso né come migliorarlo
• Mancanza di contestualizzazione l'algoritmo non considera eventi personali, malattie, cambiamenti organizzativi o crisi di mercato
• Cascata di errori un dato errato o un sensore difettoso può compromettere l'intero profilo di un lavoratore

Cosa dice la legge: il quadro europeo

L'Unione Europea ha riconosciuto la gravità del fenomeno e ha risposto con due strumenti normativi di rilievo. Il GDPR già prevede, all'articolo 22, il diritto di ogni individuo a non essere sottoposto a decisioni basate esclusivamente su trattamenti automatizzati che producano effetti significativi sulla propria vita compreso il licenziamento. L'AI Act, entrato progressivamente in vigore, classifica i sistemi di AI usati per assumere, promuovere o licenziare lavoratori come ad alto rischio, imponendo obblighi stringenti di trasparenza, supervisione umana e valutazione d'impatto.

Diritti del lavoratore nell'era algoritmica

• Diritto a essere informati dell'uso di sistemi automatizzati nelle valutazioni HR
• Diritto a richiedere una revisione umana di decisioni algoritmiche significative
• Diritto di accesso ai propri dati personali elaborati dal sistema
• Diritto a non essere discriminati da algoritmi che replicano bias storici
• Diritto a conoscere la logica del sistema che ha influenzato la propria valutazione

Il dibattito non è se l'AI entrerà nelle decisioni HR ma come e con quali salvaguardie. I sostenitori di questi sistemi sottolineano che gli algoritmi eliminano le valutazioni soggettive, i favoritismi e i giudizi influenzati da simpatie personali. Un manager umano può licenziare qualcuno perché non gli è simpatico; un algoritmo, in teoria, no. Ma i critici ribattono che questa obiettività è illusoria: gli algoritmi non sono neutri, sono specchi dei dati che li hanno costruiti. E quei dati riflettono decenni di pratiche lavorative imperfette, gerarchie squilibrate e discriminazioni mai pienamente risolte.

Quello che sembra certo è che la posta in gioco è altissima. In un mondo in cui un software può decidere la fine di una carriera senza che nessuno guardi negli occhi il lavoratore, senza che venga ascoltata la sua versione dei fatti, senza che si tenga conto del contesto umano dietro a un dato numerico.

• Le aziende che usano l'AI per decidere chi licenziare: come funziona l'algoritmo che valuta le tue performance
• Finta malattia, da ora sarà più difficile licenziare dopo le condizioni poste da sentenza Cassazione n. 8738/2026
• Sei donna e fai il caffè per tutti in ufficio: la storia (e come è finita) di una lavoratrice incinta a Treviso

• Calcolo Part Time Agevolato