L’AI sa davvero riconoscere il talento? La lezione del Mondiale 2026

di Marco Ceruti ed Edoardo Ares Tettamanti*

SoccerBench è un progetto di ricerca di LumenIA che abbiamo condotto insieme nell’ambito dell’Istituto Italiano per l’Intelligenza Artificiale: 31.964 previsioni valutate, raccolte da 25 modelli messi di fronte al Campionato del Mondo 2026: ventuno hanno simulato il torneo prima del fischio d’inizio, venti lo hanno seguito partita per partita. Il calcio, per noi, era un modo per osservare qualcosa che altrove è difficilissimo misurare: come questi sistemi giudicano gli esseri umani. Perché un Mondiale offre ciò che una valutazione aziendale non offre quasi mai: un giudizio espresso prima, e un verdetto oggettivo dopo. Quello che abbiamo trovato riguarda da vicino chiunque usi, o pensi di usare, l’AI nella selezione, nelle performance review o nello sviluppo dei talenti.

Partiamo dal dato più netto. Nel torneo si sono registrati 15 autogol, il record assoluto per un Mondiale: dal portiere marocchino Yassine Bounou al tunisino Ellyes Skhiri, dallo svizzero Miro Muheim all’australiano Cameron Burgess. Nelle 31.964 previsioni raccolte, i modelli ne hanno pronosticato esattamente zero. Nemmeno uno.
Quindici autogol nella realtà, un record, e nessuno previsto in 31.964 pronostici.

Non è una lacuna di conoscenza calcistica: qualunque modello sa perfettamente cosa sia un autogol e quanto sia frequente. È che il suo modo di ragionare non contempla il caso in cui una persona, sotto pressione, faccia qualcosa contro il proprio stesso interesse. L’autogol è l’errore umano per eccellenza: involontario, psicologico, catastrofico nel momento sbagliato. E nell’universo mentale di questi sistemi semplicemente non esiste. Un mondo dove nessuno si autoinfligge un danno è un mondo più ordinato di quello vero.

Chi valuta le persone di mestiere sa che è esattamente il contrario. Metà del lavoro consiste nel capire la parte imprevedibile: chi si blocca quando la posta sale, chi rende meglio nell’emergenza, chi commette l’errore che nessuna scheda di valutazione avrebbe anticipato. Un sistema che non riesce nemmeno a immaginare l’errore autoinflitto parte con un handicap serio quando gli si chiede di giudicare comportamenti umani reali.

Il secondo risultato è più sottile e, per il mondo HR, più preoccupante. Riguarda cosa succede quando i fatti smentiscono l’aspettativa. Alla vigilia del torneo, Lamine Yamal era il nome più caldo del calcio mondiale: i modelli gli attribuivano in media quasi sette contributi offensivi tra gol e assist. Yamal ha chiuso il Mondiale con un gol segnato. Partita dopo partita, i modelli avevano nel prompt la prova che non stava segnando, e la loro stima non è scesa: è passata da 6,85 a 7,10. Ogni partita a secco veniva trattata come se rendesse più probabile la successiva.

Nello stesso torneo, Jude Bellingham faceva il percorso opposto. Partito da una stima di 5,45, ha segnato con continuità dal centrocampo, sette gol e più volte migliore in campo, e i modelli hanno alzato la previsione a 7,05, avvicinandosi molto ai suoi otto contributi reali. La differenza tra i due casi è l’intera questione.
Bellingham conferma le attese e i modelli si correggono verso la realtà. Yamal le smentisce e la stima sale comunque.

L’aggiornamento del giudizio, in questi sistemi, è asimmetrico: l’evidenza positiva su una persona famosa viene recepita, quella negativa viene ignorata o addirittura ribaltata. Tradotto in una performance review, significa che la persona in calo conserva il proprio alone positivo mentre declina, e che il giudizio resta ancorato a com’era ieri anziché a com’è oggi. Vale anche al contrario, in modo più silenzioso: Michael Olise ha chiuso il torneo con sette assist, record del Mondiale, e i modelli lo avevano stimato a due, correggendosi appena a tre pur avendo i dati sotto gli occhi. Meno una persona è già raccontata, meno l’evidenza a suo favore riesce a spostare il giudizio.

Portiamo questi due casi dentro un processo di selezione. Il candidato che l’AI sopravvaluta è quello che arriva come Yamal: un curriculum importante, nomi di aziende riconoscibili, grande visibilità, numeri storici eccellenti. Sulla carta è straordinario, e lo screening automatico lo promuove. Ma il curriculum non dice in che momento della carriera si trova quella persona: magari dall’ultima esperienza è uscita male, da tempo non produce nulla di significativo, non ha rinnovato le proprie competenze ed è in una fase discendente. L’AI legge il passato e non sa interpretare il presente: non collega le date, i passaggi, il significato che sta dietro a certe scelte professionali. E non può valutare ciò che nel curriculum non c’è per definizione: l’inserimento nel team, la sinergia con le persone che ci sono già, le soft skill.

Il candidato che l’AI scarta, invece, assomiglia a Olise: uno storico ancora povero, semplicemente perché è all’inizio. Quella del Mondiale era solo la sua seconda grande stagione. È il profilo junior con una traiettoria verticale, la persona che ha cambiato settore e sta esplodendo nel nuovo ruolo, il talento interno che cresce più in fretta di quanto il suo track record documenti. Un filtro automatico sui CV interpreta quella crescita come un’anomalia destinata a rientrare, non come una nuova norma. Così i talenti in rampa di lancio non arrivano nemmeno al colloquio: proprio le persone su cui si costruisce il futuro di un’organizzazione, al costo più basso.

Le persone, per fortuna, non sono statiche. Superano le attese, le deludono, sbagliano, si reinventano, perdono e ritrovano fiducia, hanno stagioni straordinarie e anni difficili. Un valutatore che si corregge solo quando i fatti gli danno ragione, che sia umano o artificiale, premia chi ha una buona storia alle spalle e penalizza chi la sta scrivendo adesso. È l’opposto di ciò che serve per gestire il talento.

Il terzo risultato è il più eloquente, e torna al punto di partenza. Il Golden Ball del Mondiale 2026 è andato a Rodri: zero gol, zero assist, un solo premio di migliore in campo. Un centrocampista di sostanza, che ha reso la Spagna impenetrabile per tutto il torneo, un solo gol subito nei novanta minuti in otto partite, dando ritmo e chiudendo gli spazi. Ha inoltre stabilito il record di passaggi completati in una singola edizione del torneo, una statistica che praticamente nessuno racconta a livello individuale. Su 441 valutazioni, i modelli lo hanno scelto quattro volte, contro le 127 di Mbappé.

Su 441 valutazioni: Mbappé 127, Rodri 4. Il vincitore del premio è quasi invisibile ai modelli.
Il motivo è profondo e vale la pena esplicitarlo. Il contributo di Rodri non lascia quasi traccia nei tabellini, e l’AI impara il valore di una persona proprio dalle tracce che quella persona lascia: gol, premi, titoli, menzioni. La leadership silenziosa, il lavoro di collante, la capacità di far rendere meglio gli altri sono per definizione poco documentati, e quindi, per un modello linguistico, quasi invisibili. Non è solo un pregiudizio verso la fama: è un pregiudizio di misurazione, ereditato da un sistema di registrazione dei dati che sa contare i gol e non sa contare il controllo del gioco.

C’è un dettaglio che rende la cosa ancora più chiara. Rodri era uno dei cinque Palloni d’Oro presenti al torneo, insieme a Messi, Ronaldo, Modrić e Dembélé, e le quattro volte in cui è stato scelto arrivano quasi certamente da lì: dall’unico riconoscimento che aveva già trasformato la sua solidità in documentazione scritta. L’unico giocatore difensivo che i modelli hanno saputo vedere è quello che il mondo aveva già premiato. Chi svolge lo stesso ruolo senza aver ricevuto quel timbro, semplicemente, non compare.

È un avvertimento diretto per il mondo HR. Le competenze che tengono insieme un team, come mentorship, affidabilità, capacità di sbloccare il lavoro degli altri, gestione della tensione, sono le più difficili da quantificare e le più facili da trascurare per un sistema automatico. Un’AI usata per valutare o promuovere premierà chi produce output visibili e non vedrà chi crea le condizioni perché gli altri producano: chi tiene insieme il gruppo nei momenti difficili, chi genera benessere e stabilità, chi ottiene risultati che nei report finiscono attribuiti ad altri. In molte organizzazioni sono proprio queste seconde persone a fare la differenza tra un gruppo che funziona e uno che si limita a esistere.

Messi in fila, i tre risultati raccontano una sola cosa. L’intelligenza artificiale ragiona bene sui sistemi, le squadre, gli schemi, le medie, e in modo fragile sugli individui, perché gli individui sono imprevedibili, cambiano nel tempo e portano valore in modi che i dati faticano a registrare. Davanti a una persona, l’AI valuta la reputazione molto più del potenziale.

Non è un argomento contro l’uso dell’AI nelle risorse umane, ma a favore di un uso consapevole. Questi strumenti sono utili per ordinare informazioni, ridurre il lavoro ripetitivo, dare struttura a un processo di valutazione e renderlo più tracciabile. Ma riconoscere il talento che sta emergendo, la leadership che non fa rumore, la persona che sta cambiando proprio in questo momento resta un compito profondamente umano: una valutazione che deve passare people-to-people, da persona a persona.

L’AI può preparare meglio la decisione; non può prenderla al posto di chi conosce le persone. Delegarlo alla macchina significa, oggi, premiare chi è già raccontato e lasciare invisibili proprio le persone che meritano di essere viste. Nel nostro esperimento quella persona si chiamava Rodri, e ha vinto il premio di miglior giocatore del Mondiale. Nelle nostre organizzazioni, quasi sempre, non riceve alcun premio.

Il dataset delle previsioni analizzate nel progetto SoccerBench è aperto e riproducibile.

*Chi sono gli autori

Esperto di intelligenza artificiale, UX design e SaaS, Marco Ceruti ha una formazione in design ed esperienza come consulente, due caratteristiche che gli permettono di trasformare idee in prodotti utilizzati da centinaia di migliaia di utenti nel mondo. Appassionato di AI, combina creatività e governance per sviluppare soluzioni innovative e scalare business digitali su fondamenta solide.

Imprenditore con background in marketing e in formazione manageriale, Edoardo Ares Tettamanti guida la strategia di growth di Intra.FM. È coautore del libro “Cosa me ne faccio dell’Intelligenza Artificiale?”, scritto con l’Osservatorio sulle Prospettive Cliniche dell’Intelligenza Artificiale dell’Università Statale di Milano, di cui è cofondatore e membro. TEDx speaker, ha svolto attività di consulenza per aziende Fortune 500 e istituzioni accademiche.