# L’AI discrimina più degli umani nelle assunzioni: lo dice uno studio di Princeton

URL: https://menteinformatica.it/intelligenza-artificiale/bias-assunzioni-studio-princeton/
Autore: Giorgio Perillo
Aggiornato: 2026-10-01
Categoria: Intelligenza Artificiale

---

Quando un’azienda usa un sistema AI per filtrare i curriculum, non sta necessariamente riducendo i pregiudizi. Secondo uno studio condotto da ricercatori di **Princeton University** e dell’Università di Chicago, i modelli di linguaggio di grandi dimensioni sviluppano stereotipi sui candidati più rapidamente e in modo più marcato rispetto agli esseri umani.

Lo studio è stato presentato a luglio all’ICML di Seoul. I risultati, riportati da MIT Technology Review, riguardano modelli ampiamente usati: **ChatGPT, Claude e Gemini**, con un focus particolare sul modello di ragionamento **o3 di OpenAI**.

## Come funzionava l’esperimento

I ricercatori hanno adattato un classico test psicologico sul formarsi degli stereotipi umani. A ogni modello è stato detto di interpretare un consulente del lavoro per una città fittizia, con il compito di assumere personale per **20 ruoli diversi**, medici, avvocati, assistenti all’infanzia, bidelli, nell’arco di 40 turni.

I candidati appartenevano a quattro gruppi etnici inventati: Tufa, Aima, Reku e Weki. La variabile cruciale: tutti i candidati avevano **la stessa probabilità di riuscire** in qualsiasi ruolo. Non c’era nessuna differenza reale tra i gruppi.

I modelli, però, non lo sapevano. E dopo pochi turni hanno cominciato a segregare i candidati per gruppo etnico, assegnando ciascun gruppo a ruoli specifici sulla base di osservazioni iniziali casuali. Per esempio: se un candidato Aima falliva come medico, il modello smetteva di assumere Aima come medici e li dirottava verso ruoli considerati meno esigenti.

1.83punteggio di segregazione di o3 (massimo possibile: 2). Gli umani si fermano a 0.84

## Il problema è strutturale, non un bug

Sulla scala di segregazione usata nello studio, dove 2 indica che ogni gruppo è stato confinato nel proprio ruolo, **i partecipanti umani hanno ottenuto 0.84**. I modelli AI hanno segnato circa il 65% in più. o3 ha raggiunto 1.83, quasi il massimo.

Ryan Liu, dottorando a Princeton e coautore dello studio, spiega che i modelli di linguaggio sono ottimizzati per generalizzare da pochi esempi, è esattamente quello per cui vengono addestrati, su matematica, codice e problemi logici. In contesti sociali, questa stessa tendenza produce stereotipi rapidi e difficili da correggere.

I modelli con capacità di ragionamento più avanzate, come o3 e DeepSeek R1, hanno mostrato bias ancora più forti.

Dire al modello di essere equo non ha cambiato quasi nulla. Promettere un bonus per le assunzioni diversificate, invece, ha ridotto significativamente i pregiudizi. Anche fornire informazioni personali *rilevanti* sul candidato, età, istruzione, ha aiutato. Dati irrilevanti come il colore dei capelli o la forma dei tatuaggi, invece, hanno fatto ricadere i modelli nella segregazione per gruppo etnico.

## Perché il problema si aggrava con la memoria

Il punto più preoccupante non è il test in sé, ma la direzione in cui si stanno muovendo i modelli commerciali. Le funzioni di **memoria persistente e personalizzazione**, che OpenAI, Anthropic e [Google](https://menteinformatica.it/tag/google/) stanno espandendo attivamente, aumentano la capacità dei modelli di accumulare esperienze passate e trarne conclusioni.

Angelina Wang, informatica a Cornell che non ha partecipato allo studio, osserva che un modello con memoria storica può sovra-indicizzare sui comportamenti già visti, rafforzando i pregiudizi invece di correggerli. Ridurre la memoria non è una soluzione praticabile, perché gli utenti vogliono che i modelli ricordino il contesto.

Il nodo reale è questo: i sistemi AI vengono già usati per filtrare curriculum e condurre colloqui preliminari. Lo studio dimostra che questi sistemi possono sviluppare pregiudizi autonomamente, a partire dall’esperienza accumulata, pregiudizi che nessun essere umano ha insegnato loro esplicitamente. Progettare obiettivi che incorporino valori sociali espliciti, come la diversità nelle assunzioni, sembra l’unica leva che funziona davvero.

**Perché conta:** L’adozione di AI nei processi di selezione del personale è in crescita anche in Europa. Questo studio suggerisce che affidarsi a questi sistemi senza vincoli espliciti di equità non riduce i pregiudizi, li sostituisce con altri, meno visibili e più difficili da contestare.

Fonte: [technologyreview.com](https://www.technologyreview.com/2026/07/20/1140655/ai-biases-hiring-humans/).