C’è una storia che le organizzazioni si raccontano da decenni. Dice che chi lavora bene viene riconosciuto. Che le opportunità si distribuiscono secondo il merito. Che il sistema, alla fine, premia i più capaci.
È una storia rassicurante. Ed è, in larga parte, falsa.
Il problema che nessuno nomina
In quasi ogni organizzazione esiste un mercato invisibile degli incarichi. Non è regolato da criteri trasparenti.
Si muove attraverso conversazioni informali, relazioni di fiducia consolidate, visibilità nei contesti giusti al momento giusto.
Chi conosce le persone che decidono, chi è presente nelle stanze che contano, chi sa come vendersi nei canali non ufficiali — questa persona ottiene gli incarichi migliori, i progetti a maggiore visibilità, le opportunità di crescita.
Il resto aspetta di essere “chiamato”.
La ricerca accademica chiama questo meccanismo cumulative social inequality: le disuguaglianze iniziali di accesso si amplificano nel tempo attraverso nove meccanismi distinti, che operano a livello individuale, diadico, reticolare e organizzativo.
In parole semplici: chi parte avvantaggiato tende a ricevere sempre più opportunità, non perché sia più bravo, ma perché il sistema è costruito per riprodurre se stesso.
Non si tratta di malafede.
Si tratta di come funzionano le reti informali di potere nelle organizzazioni.
La meritocrazia come mito razionalizzato
Le università si presentano come istituzioni meritocratiche.
Le aziende di consulenza anche.
Eppure la letteratura mostra che le reti sociali informali facilitano la progressione di carriera in modo sistematico, che esistono doppi standard nella valutazione dei candidati, e che le strutture informali influenzano quelle formali indipendentemente dal modello di governance adottato.
Il paradosso è sottile: più un’organizzazione si racconta come meritocratica, più rischia di nascondere i meccanismi reali di distribuzione del potere. La narrazione meritocratica non descrive la realtà — la legittima.
Nel contesto delle società di consulenza, questo si traduce in qualcosa di molto concreto: gli incarichi si distribuiscono secondo chi conosce chi, chi è visibile a chi decide, chi riesce a posizionarsi nelle conversazioni informali.
Il risultato è una concentrazione strutturale del carico e delle opportunità su poche persone, spesso le stesse nel tempo.
👉 Se vuoi continuare questa conversazione oltre la newsletter, sarò felice di conoscerti meglio in call e ascoltare cosa sta succedendo nella tua realtà: ecco il mio booking
Quando l’algoritmo riproduce il bias: il caso Amazon
Prima di parlare di algoritmi come soluzione, è necessario fare i conti con il loro fallimento più noto.
Nel 2014 Amazon costruì un sistema di intelligenza artificiale per automatizzare la selezione dei candidati. L’idea era attraente: eliminare la discrezionalità umana, premiare le competenze oggettive, trovare i migliori talenti tra migliaia di candidature.
Il risultato fu il contrario.
Il sistema, addestrato su dieci anni di curriculum prevalentemente maschili — riflesso della dominanza maschile nel settore tech — imparò che i candidati maschi erano preferibili.
Penalizzava i curriculum che contenevano la parola “women’s” e declassava le candidate di college femminili.
Amazon abbandonò il progetto nel 2017.
La lezione è fondamentale: un algoritmo addestrato su dati storici non produce equità — riproduce e amplifica i bias già presenti nel sistema.� Se il passato era iniquo, l’algoritmo apprende l’iniquità e la rende sistematica, scalabile, invisibile.
Questo è il rischio reale. Non l’algoritmo in sé, ma l’algoritmo cieco alla propria genealogia.
Quando l’algoritmo libera il talento nascosto: il caso Unilever
Eppure esiste un’altra storia.
Quella di organizzazioni che hanno usato la logica algoritmica non per automatizzare decisioni passate, ma per rendere visibile il talento che il sistema informale stava sistematicamente ignorando.
Unilever aveva un problema di hiring.
Non una carenza di talenti, ma una carenza di visibilità sul talento già presente in casa.
Ha risposto costruendo InnerMobility, un internal talent marketplace alimentato da AI: i dipendenti costruivano profili di competenze, i manager pubblicavano bisogni a breve termine, il sistema li connetteva.
I risultati documentati sono significativi:
- Il tempo di assunzione si è ridotto del 75%
- Sono stati risparmiati oltre £1 milione in costi di selezione
- La piattaforma è stata estesa a 30.000 dipendenti in 90+ Paesi
Con una forza lavoro al 50:50 di genere, il 67% delle opportunità interne è stato assegnato a dipendenti donne — non per quota, ma perché il sistema basato sulle competenze, rimuovendo i bias di assegnazione, ha fatto emergere talento femminile che il mercato informale teneva invisibile.
Lo stesso modello ha portato Unilever a riorientare 500.000 ore di lavoro su oltre 3.000 progetti critici, con un miglioramento del 41% nella produttività complessiva.
IBM e altre grandi organizzazioni che hanno adottato approcci simili riportano riduzioni del 30-40% nei costi di hiring esterno e un aumento del 25% nell’engagement delle persone coinvolte nei marketplace interni.
La differenza con il caso Amazon non è tecnologica.
È di design: InnerMobility è stato costruito per guardare avanti — chi ha le competenze per questo lavoro adesso? — non per riprodurre chi è stato selezionato in passato.
Il nodo che le organizzazioni non vogliono affrontare
Tra il caso Amazon e il caso Unilever c’è una distanza che non è misurabile in feature tecnologiche.
È una distanza di intenzione organizzativa.
Un algoritmo che distribuisce incarichi in modo equo è scomodo per chi ha costruito il proprio potere proprio sul controllo discrezionale dell’accesso alle opportunità.
La visibilità totale delle competenze e della disponibilità di ciascuno — uno dei principi fondanti di un Internal Talent Marketplace — ridefinisce le regole del gioco.
Chi non ha costruito la propria influenza sulle relazioni informali, ma sulle competenze reali, guadagna visibilità che prima non aveva.
Chi ha invece occupato nodi decisionali chiave attraverso la gestione discrezionale dell’informazione vede quel vantaggio erodersi.
Questo è il motivo per cui la maggior parte delle organizzazioni che “sperimentano” modelli skills-based li implementa in modo parziale, salvaguardando le aree di maggiore discrezionalità.
Il problema non è la tecnologia. È la volontà politica di ridisegnare le regole di distribuzione del potere.
Il modello: come si costruisce un’organizzazione skills-based equa
Un algoritmo giusto non nasce giusto. Si costruisce con specifiche scelte di design. La ricerca individua alcuni principi fondamentali:
1. Dati prospettici, non retrospettivi.
Il sistema deve valutare cosa una persona sa fare oggi e può imparare domani, non chi ha assegnato incarichi a chi in passato. Questo richiede profili di competenza aggiornati, non archivi di precedenti.
2. Multi-dimensionalità della valutazione.
Il match score tra persona e progetto deve integrare: competenze specifiche, disponibilità effettiva in termini di tempo, seniority, feedback dei clienti e dei colleghi, storico di progetto. Nessuna dimensione da sola è sufficiente — e il peso relativo di ciascuna deve essere esplicito e contestato.
3. Trasparenza algoritmica.
Le persone devono sapere perché vengono o non vengono proposte per un incarico. Un sistema opaco — anche se formalmente equo — non costruisce fiducia. La fairness percepita è tanto importante quanto la fairness reale.�
4. Audit continuo dei pattern.
Se il 60% degli applicanti per un ruolo sono donne ma solo il 10% vengono selezionate, il sistema deve segnalarlo automaticamente come anomalia da investigare.
L’equità non è uno stato statico — è un monitoraggio continuo dei pattern di distribuzione.
5. Supervisione umana non discrezionale.
L’algoritmo propone, gli esseri umani decidono. Ma quella decisione deve essere motivata e tracciata. La discrezionalità deve essere giustificabile, non invisibile.
👉 Se vuoi continuare questa conversazione oltre la newsletter, sarò felice di conoscerti meglio in call e ascoltare cosa sta succedendo nella tua realtà: ecco il mio booking
Dal problema al prototipo: una riflessione dal campo
Lavorando sull’analisi organizzativa di una società di consulenza italiana, è emerso in modo netto un pattern che la letteratura descrive ma che è sorprendente vedere quantificato nei propri dati operativi: una persona concentrava quasi il doppio degli incarichi rispetto alla seconda nella classifica, con un effetto a cascata su disponibilità, carico e opportunità di crescita delle altre risorse.
Il problema non era la capacità di quella persona — era altissima. Il problema era che il sistema di assegnazione degli incarichi era interamente basato su connessioni informali e conoscenza tacita. Non esisteva un luogo dove vedere chi aveva quali competenze, quanto tempo disponibile, quale feedback stava raccogliendo sui progetti in corso.
Da questa lettura è nata la proposta di un Internal Talent Marketplace come motore di allocazione oggettiva: non un tool HR, ma uno strumento di organizational design che rende visibile ciò che il mercato informale teneva opaco.
Un sistema che risponde a una domanda semplice e rivoluzionaria: chi è la persona più adatta per questo progetto, in questo momento, per queste competenze — indipendentemente da chi conosce?
La domanda che vale la pena farsi
Quante opportunità di crescita, nelle organizzazioni in cui lavoriamo, sono distribuite in base a criteri oggettivi e trasparenti?
Quante invece dipendono dalla prossimità alle persone che decidono, dalla visibilità nei canali informali giusti, dall’abilità relazionale di chi sa come muoversi nelle stanze che contano?
Gli algoritmi non sono neutrali. Possono amplificare l’iniquità esistente — come ha dimostrato Amazon — oppure renderla visibile e possibile da contrastare — come ha dimostrato Unilever.
La differenza non è nel codice.
È nella domanda che si fa all’algoritmo: vuoi riprodurre il passato o costruire un futuro più equo?
Quella è una scelta di organizational design. Non di tecnologia.
