Perché la migliore AI per le retribuzioni prevede sempre il controllo umano

L'intelligenza artificiale consente di rendere le decisioni retributive più rapide, eque e coerenti, ma solo se affianca il giudizio umano anziché sostituirlo. Per i leader delle Risorse Umane, i CHRO e i professionisti del settore compensation, un approccio collaborativo all'intelligenza artificiale significa che i tuoi manager sono più preparati, le decisioni retributive maggiormente giustificabili e i tuoi collaboratori hanno maggiore fiducia nel fatto che a prendere la decisione finale siano ancora le persone che li conoscono.

Questo articolo è il secondo della nostra serie sull'AI intenzionale, basata sul whitepaper di beqom, *Modellazione intenzionale*, e fa seguito al primo articolo dedicato all'AI giustificabile. Questo testo approfondisce il secondo pilastro: il principio secondo cui l'AI supporta le persone, mentre le decisioni spettano esclusivamente a queste ultime.

Perché l'IA non può semplicemente prendere decisioni retributive in modo automatico?

Questa è una delle domande più frequenti tra i leader che valutano l'adozione dell'IA nell'HR, e la risposta parte dal contesto. Le decisioni in materia di compensation si basano su informazioni che nessun sistema di IA può desumere interamente dai soli dati. Pensiamo a un dipendente ad alto potenziale a cui è stato affidato uno stretch assignment, a un collaboratore che ha assunto informalmente le responsabilità di un manager durante un'assenza, a un candidato il cui valore di mercato si sta evolvendo più rapidamente di quanto mostrano i dati delle indagini retributive. Questi fattori sono reali e rilevanti, ma non risiedono in un database. Fanno parte del patrimonio di conoscenze dei manager e dei professionisti HR che lavorano ogni giorno a stretto contatto con le persone.

La regolamentazione introduce un ulteriore livello di complessità. L'AI Act dell'UE, che entrerà in vigore progressivamente tra il 2026 e il 2027, prevede espressamente la supervisione umana per le applicazioni di IA ad alto rischio, e le decisioni retributive rientrano chiaramente in questa categoria. Le aziende che affidano la decisione finale a un algoritmo si espongono a un rischio normativo che aumenterà con il progressivo irrigidimento di queste leggi.

C’è poi la questione della responsabilità, che è forse la più importante di tutte. Quando una decisione retributiva si rivela errata o viene contestata, la giustificazione "ha deciso l'algoritmo" non soddisfa un dipendente, un'autorità di regolamentazione o un consiglio di amministrazione. L'attribuzione chiara della decisione finale a una persona è ciò che rende la responsabilità reale e difendibile.

Cosa dovrebbe fare l'IA e cosa dovrebbero fare le persone?

La corretta suddivisione delle responsabilità è uno dei framework di maggior valore che i leader della compensation definiscono prima di implementare l'IA. Come afferma Lesli Jennings, Senior Managing Director di WTW, nel whitepaper AI Intenzionale di beqom, la vera opportunità consiste nel "superare i processi di compensation una tantum per passare a un sistema continuo in cui i dati di mercato, i cambiamenti di ruolo, i segnali di equità e le esigenze dei talenti alimentano costantemente la decisione successiva". L'IA è ciò che rende possibile questo sistema continuo, ma sono le persone a renderlo affidabile.

Un sistema collaborativo ben progettato suddivide il lavoro in questo modo:

• L'IA gestisce l'aggregazione dei dati, il riconoscimento dei pattern, la modellazione degli scenari, l'analisi del divario retributivo e le raccomandazioni preliminari.
• I manager apportano una conoscenza contestuale: la consapevolezza delle circostanze individuali, delle dinamiche di team e dei segnali qualitativi di performance che i dati non riescono a cogliere.
• La funzione HR garantisce la governance, l'interpretazione delle policy e la verifica finale dei risultati prima della loro comunicazione.
• Le funzioni di compliance e legali beneficiano dell'audit trail generato dal sistema, senza doverlo creare manualmente.

Questa suddivisione non rallenta i processi. Elimina l'onere dei calcoli manuali per i manager e l'HR, garantendo che le persone più vicine a ciascuna decisione ne mantengano la responsabilità.

In che modo l'IA collaborativa cambia il ruolo dei manager?

Una delle preoccupazioni spesso sollevate dai responsabili HR è che l'IA elimini l'elemento umano dalle conversazioni sulle retribuzioni, facendo sentire i manager semplici esecutori di ordini anziché leader. Un modello di IA collaborativa ben progettato fa l'esatto contrario.

Gestendo la preparazione dei dati e le raccomandazioni preliminari, l'IA libera i manager dal lavoro sui fogli di calcolo che attualmente domina i cicli di merito. Invece di passare ore a calcolare il posizionamento di ciascun dipendente rispetto ai valori medi delle fasce retributive, i manager possono dedicare quel tempo alle conversazioni che contano: spiegare le decisioni, collegare la retribuzione alle performance e rispondere alle domande dei singoli con empatia e contestualizzazione.

Come osserva Tom Hellier di WTW nel whitepaper AI Intenzionale di beqom, è proprio qui che risiede il valore umano: "comunicare con empatia: gestire in prima persona i colloqui sulla retribuzione per garantire che il messaggio recepito includa la spiegazione del 'perché', al di là del semplice calcolo". L'IA genera il numero. Solo un manager può farlo percepire come equo.

Cosa accade quando l'intelligenza artificiale e il giudizio umano divergono?

In un sistema collaborativo ben progettato, questa è una funzionalità, non un problema. Quando un manager modifica una raccomandazione dell'IA, questa azione viene registrata, documentata e resa disponibile per la revisione. Con il tempo, i pattern di queste azioni diventano segnali preziosi: possono indicare che una policy è obsoleta, che i dati di mercato richiedono un aggiornamento o che un team o una funzione specifici presentano dinamiche uniche di cui il modello deve tenere conto.

Questo ciclo di feedback contribuisce a migliorare l'IA collaborativa nel tempo. L'IA apprende dal modo in cui le persone rispondono ai suoi suggerimenti, mentre le persone imparano osservando dove la propria intuizione si allinea ai dati e dove invece diverge.

Si tratta di un notevole miglioramento rispetto ai processi puramente manuali, in cui le motivazioni alla base delle singole decisioni vengono raramente documentate e le incongruenze ricorrenti rimangono invisibili finché non emergono come problemi di equità retributiva.

L'approccio "mantenere l'essere umano al centro" rallenta i cicli di compensation?

Questa è una preoccupazione concreta per i team di compensation, costantemente sotto pressione per agire rapidamente. La risposta dipende da come è progettato il sistema. Quando l'IA si occupa della preparazione analitica, raccogliendo tutti i dati rilevanti in una raccomandazione chiara e verificata, la fase di revisione umana diventa più rapida e mirata, non più lenta.

I manager esaminano una raccomandazione disponendo di un quadro completo, anziché dover ricostruire autonomamente questo contesto. L'HR approva i risultati in base a criteri chiari, anziché verificare manualmente i calcoli. L'intervento umano è più snello perché la fase gestita dall'IA è più completa.

Il report sui trend retributivi di beqom ha rilevato che il 56% degli intervistati ritiene le funzionalità di IA "molto importanti" per automatizzare le comuni procedure retributive. Il modello collaborativo migliora questa automazione: sfrutta la rapidità dell'IA preservando, al contempo, il giudizio umano, cosa che rende le decisioni finali maggiormente giustificabili.

In che modo l'intelligenza artificiale collaborativa supporta gli obiettivi di parità retributiva?

L'equità salariale è un ambito in cui la combinazione di analisi dell'IA e supervisione umana si rivela particolarmente efficace. L'IA fa emergere schemi che potrebbero sfuggire alle persone, come i divari legati a genere, etnia, anzianità di servizio o area geografica, che rimangono invisibili quando si esaminano i dati nei fogli di calcolo. Tuttavia, individuare un divario e decidere come affrontarlo sono due cose totalmente diverse.

Il giudizio umano è fondamentale per comprendere le ragioni di un divario,che potrebbe, ad esempio, riflettere un problema strutturale nella job architecture, un andamento storico nella classificazione di determinati ruoli o essere un elemento che richiede un intervento correttivo immediato. L'IA rileva il segnale. Le persone lo interpretano e agiscono di conseguenza.

Ecco perché l'IA collaborativa è fondamentale per un progresso sostenibile dell'equità salariale, non solo per la compliance. Apporta un rigore basato sui dati in un ambito in cui le incoerenze sono storicamente difficili da individuare, garantendo che le decisioni che influenzano la carriera delle persone rimangano in mani umane.

Costruire un modello di IA collaborativo in un'azienda

Il primo passo consiste nel fare chiarezza sui casi in cui il giudizio umano non è negoziabile. Qualsiasi decisione che influisce direttamente sulla retribuzione base, sui bonus, sulle promozioni o sul percorso di carriera di una persona deve prevedere una fase documentata di approvazione umana. L'IA supporta e prepara questa fase, ma non deve bypassarla.

Il secondo passo consiste nel semplificare questa collaborazione. Se il passaggio dai suggerimenti dell'IA alla revisione umana è macchinoso, ad esempio se i manager devono utilizzare molteplici sistemi, reinserire i dati o dedicare tempo a decifrare l'operato dell'IA, i vantaggi si vanificano. La migliore IA collaborativa è invisibile: lavora in background e presenta un suggerimento chiaro e operativo che il manager esamina e applica in pochi minuti.

beqom è progettato esattamente per questo modello. La sua piattaforma combina dati retributivi governati, modellazione basata su ML e la guida dell'IA in un processo unico; in questo modo i manager ottengono la preparazione necessaria, l'HR mantiene la supervisione e ogni decisione è supportata da un audit trail completo.