Competenze AI: il report Xobin riscrive le assunzioni

Il Human vs AI Skills Report 2026 Mid-Year Edition di Xobin, pubblicato a metà settembre 2026 con dati raccolti fino al 30 giugno 2026, fissa una soglia precisa: il 72% dei gruppi di competenze del suo framework di assunzione 2024 è delegabile all'AI, in tutto o in parte, sotto almeno uno dei modelli testati. Il perimetro è dichiarato: 683 gruppi di competenze, 113 scorecard di leadership da 92 datori di lavoro, migliaia di richieste di assessment tecnico.

Letto come AI skills gap report, il documento descrive i criteri di assunzione, mai i posti di lavoro: il testo stesso precisa che lo studio esclude ogni misura dei ruoli eliminati.

Cosa misura davvero il report

Le fonti sono i registri interni della piattaforma di recruiting Xobin. Il metodo confronta ogni gruppo di competenze con le capacità di più modelli AI e lo classifica come delegabile in tutto, in parte o affatto.

La lettura corretta del 72% richiede una distinzione. Delegazione parziale significa che una persona deve ancora inquadrare il compito, rivedere l'output e gestire le eccezioni, come precisa il report ripreso da HRD America^[1].

Il campione ha un limite dichiarato. Riflette i clienti di una piattaforma di selezione, quindi organizzazioni che già assumono con assessment strutturati. Generalizzare all'intero mercato del lavoro sarebbe un errore di metodo.

La delegabilità cambia per categoria

Il numero aggregato nasconde una dispersione ampia. Il ragionamento analitico e la soluzione di problemi risultano delegabili tra il 90 e il 100%. Le operazioni e l'esecuzione scendono al 28%, mentre leadership e competenze interpersonali restano sotto il 50%.

Questa distribuzione capovolge la gerarchia implicita di molte job description. Per anni l'analisi è stata la competenza premium e l'esecuzione quella commodity. Oggi i modelli coprono la prima e lasciano scoperta la seconda.

La conseguenza per chi assume è diretta. Il valore residuo della persona si concentra dove la delegazione fallisce: nell'inquadrare il problema, nel giudicare l'output e nel gestire ciò che il modello sbaglia.

Le job description cercano direzione, meno esecuzione

Su 35 ruoli tecnici analizzati, la capacità di tradurre requisiti di business in soluzioni tecniche compare in 10-19 job description e richieste di assessment. Si colloca tra le cinque competenze più citate, dietro integrazione AI e automazione e problem solving analitico, presenti ciascuna in 30-35 ruoli.

Il segnale è strutturale: chi assume paga per la traduzione tra bisogno e soluzione, l'atto di direzione che precede l'esecuzione.

Il report legge questa competenza come direzione: la persona definisce cosa serve al business, il modello produce la soluzione, la persona la verifica.

La distanza tra 10-19 e 30-35 racconta anche il ritardo. Quasi tutte le organizzazioni chiedono di integrare l'AI. Circa la metà, o meno, chiede in modo esplicito la competenza che rende quell'integrazione utile al business.

Le scorecard di leadership pesano il 52% sull'intelligenza emotiva

Il dato più netto riguarda la selezione dei leader. Nelle 113 scorecard di 92 datori di lavoro, i criteri di intelligenza emotiva pesano in media il 52% del punteggio totale, più di tutti gli altri criteri sommati.

Il peso ha una logica coerente con la mappa della delegabilità: le competenze interpersonali restano sotto il 50% di delegabilità, quindi il mercato le prezza come scarse.

Resta una cautela. Una scorecard misura ciò che i selezionatori dichiarano di cercare, e la pratica del colloquio può divergere. Lo screening AI applicato a criteri così soggettivi amplifica i bias di selezione che questo desk ha già documentato.

Il test tecnico cambia forma

Nel primo semestre 2024 i test di coding privi di AI pesavano tra il 75 e il 100% delle richieste di assessment tecnico. Nel primo semestre 2026 la quota è scesa tra il 25 e il 50%. I compiti assistiti dall'AI (generare, correggere, spiegare codice) sono saliti da meno del 25% a una fascia tra il 50 e il 75%.

Il report avverte che si tratta di quote sulle richieste, anziché di conteggi assoluti, e che il mix di datori di lavoro può differire tra i due periodi.

Il fondatore di Xobin, Guruprakash Sivabalan, lega la capacità di intercettare gli errori dell'AI al mantenimento delle conoscenze di base. Un'analisi pubblicata su MIT Sloan Management Review^[2] descrive lo stesso rischio come "capability mirage": la competenza apparente prodotta dall'output del modello supera la comprensione reale di chi lo usa. Un assessment che misura l'output e ignora la comprensione seleziona il miraggio.

Ridefinire i criteri è una decisione organizzativa

L'evidenza disegna un gap tra due popolazioni di organizzazioni con sovrapposizione limitata. La prima continua a testare ciò che il modello già fa, e assume persone che competono con l'AI sul terreno dove l'AI vince. La seconda ha spostato il criterio verso direzione, verifica ed eccezione, e assume persone che restano necessarie quando il modello sbaglia.

La differenza tra le due è una condizione organizzativa progettata, mai una scelta individuale del candidato. Il candidato porta le competenze che il mercato gli ha chiesto negli ultimi anni. Il criterio di selezione lo decide l'organizzazione.

Il documento di McKinsey^[3] sulla scalabilità dell'AI agentica arriva a una conclusione parallela dal lato operativo: il ritorno dipende dal ridisegno del lavoro attorno ai sistemi, più che dalla tecnologia in quanto tale. Un criterio di assunzione invariato è la forma più silenziosa di lavoro mai ridisegnato.

Cosa cambia per chi decide

Per il CEO la conversazione da portare al board riguarda la readiness organizzativa: quale quota dei criteri di assunzione misura la capacità di dirigere e verificare l'AI, e quale misura ancora compiti delegabili.

Per il CHRO la priorità è duplice. Riscrivere le job description attorno alla traduzione tra business e soluzione tecnica, e affiancare a ogni assessment assistito dall'AI una prova di conoscenza di base che renda visibile il miraggio di competenza. Il lavoro riguarda anche chi è già in organico: convertire il talento interno verso le competenze di direzione resta la via più efficiente rispetto al mercato esterno.

Per il CFO il dato utile è il costo evitato. Ridisegnare i criteri costa una revisione di scorecard e assessment. Assumere sul criterio sbagliato costa un ciclo intero di selezione, onboarding e sostituzione. Per il Talent & Compensation Committee la metrica da monitorare è la quota di scorecard e job description aggiornate dopo la mappa di delegabilità, con data di revisione.

La design question per chi assume nel 2026 è una: quale parte del lavoro il candidato deve saper fare in autonomia, e quale deve saper dirigere e controllare?