La crisi dell'abilismo algoritmico: decostruire il reclamo Aon-ACLU e l'imperativo della governance Deep AI

Il momento di svolta nella gestione del capitale umano

Nel maggio 2024, il panorama dell'intelligenza artificiale nelle risorse umane è cambiato radicalmente quando l'American Civil Liberties Union (ACLU) ha presentato un reclamo formale alla Federal Trade Commission (FTC) contro Aon Consulting, Inc..¹ Questa azione amministrativa, sostenuta dall'Autistic Self-Advocacy Network e da altri gruppi per i diritti civili, segna una svolta decisiva ponendo fine all'era dell'ottimismo algoritmico incontrollato.² Per oltre un decennio, i fornitori di tecnologie di assunzione hanno commercializzato le loro piattaforme come "esenti da bias", promettendo che sofisticati modelli di machine learning avrebbero potuto eliminare i pregiudizi soggettivi insiti nel reclutamento umano.² Tuttavia, le accuse contro gli strumenti proprietari di Aon—ADEPT-15, vidAssess-AI e gridChallenge—rivelano una discrepanza critica tra la promessa di neutralità algoritmica e la realtà della discriminazione tecnica.¹

Il reclamo sostiene che Aon abbia intrapreso pratiche di marketing ingannevole dichiarando che i suoi prodotti "migliorano la diversità" e non hanno "alcun impatto negativo", mentre in pratica questi strumenti tendono a escludere candidati qualificati in base alla razza e alla disabilità.² Nello specifico, l'ACLU sostiene che le valutazioni esaminino tratti come "positività", "consapevolezza emotiva" e "vivacità" che non solo non sono essenziali per molti ruoli lavorativi, ma fungono da proxy diretti per criteri diagnostici clinici associati all'autismo e a varie condizioni di salute mentale.² Per una società di consulenza AI di livello enterprise come Veriprajna, questo incidente evidenzia un fallimento sistemico nel settore: l'affidamento a tecnologie di "wrapper" superficiali che non tengono conto delle profonde relazioni causali tra dati comportamentali e caratteristiche protette.¹

Le implicazioni di questo reclamo vanno ben oltre Aon. Servono da monito per l'intero ecosistema aziendale sul fatto che la difesa della "scatola nera"—sostenere che uno strumento sia equo solo perché addestrato su "big data"—non è più giuridicamente o eticamente sostenibile.⁶ I regolatori, guidati dalla FTC e rafforzati dalla Equal Employment Opportunity Commission (EEOC), stanno spostando l'attenzione dalle linee guida volontarie all'applicazione rigorosa dei requisiti di comprova empirica.⁶ Qualsiasi dichiarazione di equità deve ora essere supportata da prove empiriche, rigorose e trasparenti.⁶

Decostruzione architetturale della suite di valutazione Aon

Per comprendere il fallimento delle attuali narrazioni sul "senza bias", è necessario analizzare l'architettura tecnica degli strumenti identificati nel reclamo. Questi strumenti rappresentano lo "stato dell'arte" nell'AI psicometrica, rendendo la loro vulnerabilità ai bias verso la disabilità particolarmente istruttiva per il settore.¹⁰

ADEPT-15: Il proxy algoritmico della personalità

L'Adaptive Employee Personality Test (ADEPT-15) è una valutazione algoritmica identificata nella sua forma attuale come Versione 7.1.¹⁰ Viene commercializzato come un test di personalità avanzato basato su 50 anni di ricerca psicometrica, che utilizza un database massivo di 350.000 item unici per valutare 15 costrutti di personalità.¹² Tecnicamente, ADEPT-15 è un Computer Adaptive Test (CAT). A differenza dei tradizionali questionari statici, un CAT adatta la difficoltà e il contenuto delle domande in tempo reale in base alle risposte precedenti del candidato.¹⁰ Ciò ha lo scopo di aumentare la precisione della misurazione e ridurre l'"affaticamento da test", ma introduce uno strato di complessità algoritmica in grado di oscurare percorsi discriminatori.¹⁰

La valutazione utilizza un formato a "scelta forzata", presentando coppie di affermazioni (ad es. "Lavoro bene con le altre persone" o "La gente dice che sono equilibrato") e richiedendo al candidato di selezionare il proprio grado di accordo.¹⁰ Sebbene questo design miri a mitigare il "bias di desiderabilità sociale"—la tendenza dei candidati a indovinare la risposta "corretta"—aumenta inavvertitamente il carico cognitivo e i requisiti di elaborazione sensoriale per chi sostiene il test.⁵

Costrutto psicometrico (ADEPT-15)	Polarità definite da Aon	Stile di interazione principale
Determinazione	Rilassato vs. Focalizzato	Approccio ai compiti
Struttura	Visione d'insieme vs. Attenzione ai dettagli	Elaborazione cognitiva
Cooperatività	Indipendente vs. Orientato al team	Allineamento sociale
Sensibilità	Stoico vs. Compassionevole	Reattività emotiva
Umiltà	Orgoglioso vs. Umile	Percezione di sé
Concettuale	Pratico vs. Astratto	Risoluzione dei problemi
Flessibilità	Costante vs. Flessibile	Gestione del cambiamento
Padronanza	Esecuzione vs. Miglioramento	Acquisizione di competenze
Autocontrollo	Appassionato vs. Calmo	Regolazione dello stress
Positività	Preoccupato vs. Fiducioso	Prospettiva
Consapevolezza	Isolato vs. Autoconsapevole	Comprensione interpersonale
Ambizione	Appagato vs. Ambizioso	Spinta al successo
Potere e leadership	Collaboratore vs. Controllore	Stile di leadership
Assertività	Cauto vs. Socialmente audace	Iniziativa sociale
Vivacità	Riservato vs. Estroverso	Energia sociale

Il punto di fallimento tecnico identificato dall'ACLU è che questi 15 costrutti non sono tratti di personalità neutrali nel contesto della neurodiversità.⁴"Vivacità", "Consapevolezza" e "Positività" sono tratti che si allineano strettamente con le performance sociali neurotipiche.²Quando un algoritmo penalizza una risposta "riservata" o "isolata", sta funzionalmente selezionando la neurotipicità piuttosto che la competenza lavorativa.²

vidAssess-AI: La performance della neurotipicità

La piattaforma vidAssess-AI integra il modello di personalità ADEPT-15 in un formato di colloquio video asincrono.¹⁰ Lo strumento registra le risposte dei candidati a domande predefinite e utilizza algoritmi di elaborazione del linguaggio naturale (NLP) e di sintesi vocale per l'assegnazione del punteggio.¹⁷ Aon sostiene che ciò produca un report "legalmente difendibile" valutando i candidati rispetto a "criteri rilevanti per il lavoro" collegati al loro modello di personalità.¹⁷

Tuttavia, l'uso dell'AI nell'analisi video introduce ciò che i ricercatori chiamano "abilismo emergente".⁵I modelli NLP sono addestrati su enormi set di dati che riflettono prevalentemente schemi linguistici, prosodia e strutture sintattiche neurotipiche.¹⁶ Per un candidato con autismo, la cui voce potrebbe presentare un'intonazione piatta o pause atipiche, o per un candidato con ADHD che potrebbe mostrare strutture narrative non lineari, il motore NLP dell'AI può interpretare tali caratteristiche come "mancanza di sicurezza" o "disorganizzazione".²⁰

Inoltre, il reclamo dell'ACLU sottolinea che vidAssess-AI di Aon valuta le risposte associando il contenuto delle parole pronunciate—frasi e vocabolari specifici—ai costrutti di personalità in ADEPT-15.¹⁰ Ciò crea una "doppia penalizzazione" per le persone neurodivergenti: vengono giudicate non solo sul contenuto della loro risposta, ma su una versione interpretata dalla macchina della loro personalità, espressa attraverso un filtro linguistico distorto.²²

gridChallenge: La gamification delle barriere cognitive

Il terzo strumento della suite, gridChallenge (Versione 3.0), è una valutazione cognitiva "gamificata" incentrata sulla memoria di lavoro.¹⁰ Richiede ai candidati di eseguire complessi compiti di memoria—come identificare la posizione dei cerchi evidenziati—svolgendo contemporaneamente "compiti distrattori" come valutazioni di simmetria.¹⁰ Aon promuove questi elementi gamificati sostenendo che aumentino il "coinvolgimento del candidato", ma per gli individui con disturbi dell'elaborazione sensoriale o ADHD, questi elementi di disturbo possono causare un sovraccarico sensoriale che compromette le prestazioni in un modo del tutto slegato dalle loro effettive capacità cognitive professionali.¹⁶

La convergenza tra psicometria e diagnostica clinica

L'affermazione legalmente ed eticamente più rilevante nel fascicolo dell'ACLU è che le domande di Aon "rispecchiano da vicino le diagnosi di autismo e salute mentale". Ciò suggerisce che le valutazioni della "personalità" sul posto di lavoro si siano trasformate in una forma occulta di "visita medica", costituendo una violazione diretta dell'Americans with Disabilities Act (ADA).⁴

Mappando i costrutti di ADEPT-15 rispetto a strumenti clinici standard come l'Autism Spectrum Quotient (AQ) e i criteri del DSM-5, la sovrapposizione diventa innegabile.²⁵ L'AQ, una misura di autovalutazione di 50 item, valuta i tratti in cinque aree: abilità sociali, cambio di attenzione, attenzione ai dettagli, comunicazione e immaginazione.²⁵

Dominio clinico (AQ/DSM-5)	Aspetto ADEPT-15 corrispondente	Rischio discriminatorio
Abilità sociali / Reciprocità	Vivacità / Assertività	Penalizzazione della comunicazione "riservata" tipica dell'ASD.
Cambio di attenzione	Flessibilità / Costanza	Esclusione di individui che preferiscono la routine o una concentrazione profonda.
Attenzione ai dettagli	Struttura	Sovrastima o sottostima dell'iper-focalizzazione sui dettagli.
Comunicazione / Pragmatica	Consapevolezza	Errata interpretazione della difficoltà nel "leggere tra le righe".
Regolazione emotiva	Autocontrollo / Positività	Patologizzazione dell'affettività piatta o di risposte legate all'ansia.

Quando uno strumento guidato dall'AI come ADEPT-15 pone domande che rispecchiano criteri clinici (ad es. "Mi concentro intensamente sui dettagli" o "Preferisco lavorare da solo"), crea un "percorso nascosto" tra la condizione di disabilità del candidato e l'esito dell'assunzione.⁵Se l'algoritmo è addestrato a favorire candidati "socialmente audaci" e "flessibili", escluderà sistematicamente e matematicamente gli individui autistici senza dover mai chiedere informazioni sulla loro diagnosi.⁵

Il cambio di paradigma normativo: dall'etica all'enforcement

L'azione della FTC contro Aon non è un evento isolato; è la pietra angolare di un più ampio intervento normativo noto come "Operation AI Comply".⁶Questa iniziativa segnala che le agenzie federali non si accontentano più dell'"AI Responsabile" come semplice slogan di responsabilità sociale d'impresa (CSR). Al contrario, stanno applicando il rigore del diritto dei consumatori e dei diritti civili ai prodotti algoritmici.⁶

FTC: Sezione 5 e il mandato contro l'inganno

L'arma principale della FTC è la Sezione 5 dell'FTC Act, che proibisce "atti o pratiche sleali o ingannevoli".⁴Nel contesto dell'AI, la FTC ha chiarito che "sopravvalutare le capacità di AI o altre funzionalità di un prodotto senza prove adeguate è ingannevole".⁹ L'agenzia ha già intrapreso azioni contro aziende come DoNotPay, sanzionata con una multa di $193,000 per dichiarazioni non comprovate sui suoi servizi legali di AI, e Rytr, presa di mira per il suo ruolo nella generazione di recensioni false.⁶

Il messaggio per i fornitori di soluzioni Deep AI come Veriprajna è chiaro: ogni affermazione di prestazioni "esenti da bias" deve essere comprovata da evidenze empiriche.⁶La FTC ha esplicitamente avvertito che i fornitori non possono "nascondere la testa sotto la sabbia" riguardo all'impatto disparato dei loro strumenti.²La mancata esecuzione di rigorosi audit sui bias può portare a divieti permanenti di commercializzare opportunità commerciali o di distribuire software ad alto rischio.²⁹

EEOC: L'ADA e la clausola del "Ragionevole Accomodamento"

L'EEOC ha ribadito che i datori di lavoro sono legalmente responsabili di qualsiasi discriminazione causata dagli strumenti di AI acquistati da fornitori terzi.¹Ai sensi dell'ADA, un datore di lavoro non può utilizzare un criterio di selezione che escluda o tenda a escludere una persona con disabilità a meno che tale criterio non sia "correlato al lavoro e coerente con le necessità aziendali".²³

Requisito normativo	Implicazione per l'enterprise	Responsabilità potenziale
Comprova delle affermazioni sull'AI	Obbligo di dimostrare con i dati l'assenza di bias.	Sanzioni FTC, danno al brand, interdizioni.
Ragionevole accomodamento	Obbligo di consentire l'opt-out dallo screening AI.	Cause legali EEOC, class action.
Trasparenza / Logica di inferenza	Obbligo di spiegare il motivo del rifiuto algoritmico.	Sanzioni statali (es. NYC LL 144).
Dovere di audit	Audit indipendenti annuali obbligatori sui bias.	Sanzioni per non conformità normativa.

Le recenti udienze pubbliche dell'EEOC su "Navigare la discriminazione occupazionale nell'AI" hanno sottolineato che i sistemi automatizzati rappresentano una "nuova frontiera dei diritti civili".³¹ La commissione ha ottenuto con successo centinaia di milioni di dollari in risarcimenti finanziari per le vittime di discriminazione nell'anno fiscale 2024, e il bias algoritmico è ora una priorità assoluta di applicazione delle norme.⁸

Perché i "wrapper" falliscono: la distinzione tra Deep AI e Surface AI

L'incidente di Aon costituisce una prova cruciale per il posizionamento di Veriprajna: il modello "wrapper LLM" è fondamentalmente incapace di soddisfare i moderni standard aziendali di equità e sicurezza. Un wrapper si limita a trasferire i dati attraverso un modello di base esistente (come GPT-4) e a presentarne l'output.³² Tuttavia, i modelli di base non sono neutrali: ereditano i "bias dei dati storici" presenti sul web.³⁴

Il ciclo di bias ricorsivo

I modelli di machine learning sono addestrati su dati storici di assunzione, che spesso riflettono decenni di preferenze neurotipiche e razziali.¹⁶ Quando un modello di AI viene distribuito, le sue decisioni vengono utilizzate per alimentare i futuri set di addestramento, creando un "ciclo continuo" in cui i gruppi emarginati rimangono sottorappresentati.¹⁶ Un semplice wrapper non può spezzare questo ciclo poiché è privo della "rappresentazione causale" necessaria per distinguere tra reali qualifiche lavorative e "rumore" correlato a caratteristiche protette.³⁶

Abilismo emergente nei modelli linguistici di grandi dimensioni

Ricerche condotte presso la Duke University hanno dimostrato che i grandi modelli linguistici associano sistematicamente termini legati alla neurodivergenza a connotazioni negative.⁵ Ad esempio, l'affermazione "sono autistico" viene spesso considerata da questi modelli più negativa rispetto a "sono un rapinatore di banche".⁵Quando questi stessi modelli linguistici alimentano strumenti di assunzione tramite un wrapper API, incorporano queste associazioni discriminatorie nel processo di reclutamento senza che lo sviluppatore ne abbia alcuna intenzione.⁵

Il framework di Veriprajna per l'integrità del Deep AI

Per superare le insidie di ADEPT-15 di Aon e il paradigma dei "wrapper", Veriprajna impiega una strategia tecnica multilivello che integra inferenza causale, debiasing avversario e interaction design neuro-inclusivo.³⁶

1. Apprendimento delle rappresentazioni causali (CRL)

Veriprajna utilizza il CRL per identificare e rimuovere i percorsi nascosti attraverso cui si insinuano i bias.³⁶ L'AI tradizionale si basa sulla correlazione, ma è proprio nella correlazione che si nasconde la discriminazione. Il CRL identifica le "caratteristiche strutturali" del profilo di un candidato controllando al contempo le informazioni sensibili.³⁶

Il framework utilizza un Modello Causale Strutturale (SCM) per formalizzare le dipendenze. Se rappresenta un attributo protetto (ad es. la neurodivergenza), rappresenta le caratteristiche del candidato e rappresenta l'esito dell'assunzione, Veriprajna progetta modelli per garantire l'"invarianza interventistica".³⁶ Ciò significa che la rappresentazione utilizzata per la decisione finale è matematicamente isolata da , tale per cui:

Garantendo che la decisione non cambi anche se l'attributo viene ipoteticamente modificato, possiamo fornire una garanzia matematica di equità controfattuale.³⁶

2. Debiasing avversario

La mitigazione dei bias durante l'elaborazione (in-processing) viene ottenuta mediante addestramento avversario.³⁹ In questa architettura, un modello primario (il "Predittore") viene addestrato a identificare il miglior candidato, mentre un modello secondario (l'"Avversario") viene addestrato a tentare di indovinare la caratteristica protetta del candidato dalle rappresentazioni interne dei dati del Predittore.³⁷

Se l'Avversario ha successo, significa che il Predittore sta ancora utilizzando informazioni protette come proxy delle prestazioni. Il sistema quindi "penalizza" il Predittore attraverso una funzione di perdita avversaria, costringendolo a "disimparare" i pattern distorti.³⁶ Questa tecnica è particolarmente efficace per rimuovere i bias nell'analisi video e nelle valutazioni della personalità in cui i segnali comportamentali potrebbero fungere da proxy per la disabilità.³⁹

3. Audit di equità controfattuale

VerityAI non esegue audit solo per l'equità a livello di gruppo (ad es. "il 10% di tutti gli assunti ha una disabilità?"); eseguiamo audit per l'"equità individuale" mediante simulazione controfattuale.³⁸ Ciò comporta la generazione di variazioni sintetiche dei dati di un candidato reale—modificando solo il suo attributo sensibile e mantenendo costanti tutte le altre variabili—per garantire che la raccomandazione dell'AI rimanga coerente.³⁸

Strategia di mitigazione	Obiettivo tecnico	Impatto sull'equità
CRL / Modellazione strutturale	Isola i percorsi causali di influenza.	Previene la discriminazione da variabili proxy.
Addestramento avversario	Minimizza le dispersioni predittive.	"Rimuove" le informazioni protette dalla logica del modello.
Analisi controfattuale	Garantisce la coerenza a livello individuale.	Garantisce "pari trattamento" per candidati simili.
Regolarizzazione attenta all'equità	Aggiunge "penalità" per esiti distorti.	Forza il modello a dare priorità alla parità insieme all'accuratezza.

Progettare per la neuro-inclusione: il "modello sociale" dell'AI

Il reclamo Aon evidenzia come la maggior parte delle tecnologie di assunzione sia costruita su un modello di "deficit medico" della disabilità—considerando i tratti neurodivergenti come "problemi" da penalizzare.⁴⁴ Veriprajna sostiene un approccio di "Neurodiversità di Precisione", che vede le differenze neurologiche come manifestazioni naturali della diversità cerebrale umana.⁴⁴

Elasticità temporale e multimodale

Le valutazioni standard di AI spesso penalizzano i candidati per tempi di risposta lenti o segnali non verbali atipici.⁵Una soluzione Deep AI deve implementare l'"elasticità temporale"—riconoscendo che un tempo di risposta più lungo in un colloquio video può dipendere dalla velocità di elaborazione cognitiva o dall'ansia, non da una mancanza di competenza.²⁰

L'architettura di Veriprajna dà priorità a "pipeline di fusione cross-canale" allineate su baseline individuali.⁴⁵ Ciò significa che l'AI apprende cosa sia "normale" per quello specifico candidato durante le fasi iniziali del colloquio, anziché confrontarlo con una "media neurotipica".⁴⁵

Il mandato del "Percorso Alternativo"

Per conformarsi all'ADA e agli standard etici, l'AI enterprise deve includere un meccanismo "Human-in-the-Loop" (HITL) e un'opzione di "Opt-Out".²¹ Ogni invito a colloqui o valutazioni automatizzate deve includere una chiara opzione per richiedere un'alternativa umana o un "Ragionevole Accomodamento" senza penalità.²¹

Inoltre, Veriprajna raccomanda il passaggio alla modalità "Solo Audio" per gli strumenti video.²¹ Disabilitando le funzioni di analisi facciale e concentrandosi esclusivamente sul contenuto trascritto delle risposte, le aziende possono eliminare il 90% dei bias contro i candidati neurodivergenti, continuando a beneficiare dell'efficienza della trascrizione e della sintesi basate su AI.²¹

Governance enterprise: il playbook NIST AI RMF

Il passaggio da una cultura del "wrapper" a una del "Deep AI" richiede una governance a livello di consiglio di amministrazione. L'AI Risk Management Framework (RMF) del NIST fornisce lo standard per questa transizione.⁴⁷

Checklist per la supervisione esecutiva

1.​ Istituire un Comitato per l'AI Responsabile: deve essere un organo interfunzionale comprendente rappresentanti legali, HR, IT e delegati esterni per i diritti dei disabili.⁴⁹

2.​ Eseguire audit annuali sui bias: devono essere indipendenti e di terze parti. Fare affidamento sulle "Model Card" fornite dai venditori costituisce una responsabilità legale, come dimostra il caso Aon.¹

3.​ Implementare "Simulazioni di emergenza sui bias": proprio come le aziende eseguono penetration test di sicurezza informatica, dovrebbero simulare scenari di assunzione nel "caso peggiore"—ad esempio, un modello che nega colloqui a tutti i candidati autistici—per verificare se le salvaguardie interne rilevano la deviazione.⁵¹

4.​ Esigere la logica di inferenza: i fornitori devono fornire il "perché" alla base di una decisione dell'AI.²¹ Se un fornitore non può spiegare la logica del proprio modello di punteggio, si tratta di un rischio "imperscrutabile" che non dovrebbe essere implementato in un contesto di selezione ad alto rischio.²¹

Livelli di rischio e metriche di implementazione

Il NIST definisce quattro livelli di maturità dell'AI, da "Parziale" ad "Adattivo".⁴⁷ Per le assunzioni aziendali è richiesto un livello di maturità "Adattivo". Ciò significa che l'organizzazione dispone di un processo sistematico e documentato per tracciare la "deriva discriminatoria"—il fenomeno per cui un modello di AI diventa più distorto nel tempo interagendo con i dati del mondo reale.⁴⁷

Funzione NIST RMF	Azione per i leader HR	Metrica di successo
GOVERN (Governare)	Istituire la responsabilità a livello di CdA per gli esiti dell'AI.	Zero denunce/cause legali segnalate.
MAP (Mappare)	Documentare scopo e contesto di ogni strumento di AI.	Chiara "Logica di inferenza" per ogni candidato respinto.
MEASURE (Misurare)	Eseguire audit continui sui bias utilizzando strumenti CRL e basati su CRL.	Divario di parità demografica < 5%.
MANAGE (Gestire)	Implementare opzioni di opt-out per "Ragionevole Accomodamento".	100% di conformità alle richieste ADA.

Implicazioni strategiche: perché questo è importante per il C-Suite

Il reclamo Aon-ACLU è il "canarino nella miniera di carbone" dell'era dell'AI. Dimostra che i costi dell'AI "a basso costo" sono esponenzialmente superiori rispetto all'investimento iniziale nel "Deep AI".⁵¹ Una soluzione basata su "wrapper" può far risparmiare tempo nel primo trimestre, ma crea enormi responsabilità legali, finanziarie e reputazionali che possono distruggere il valore aziendale.⁵¹

L'economia dei talenti a prova di contenzioso

Entro il 2027, l'economia globale dei talenti raggiungerà un valore di $30B.³⁷ Le aziende in grado di dimostrare che i propri strumenti di assunzione sono "meritocratici" e "agnostici rispetto ai bias" avranno un enorme vantaggio competitivo nell'attrarre i migliori talenti.³⁷ Gli individui neurodivergenti, in particolare, possiedono capacità straordinarie nel riconoscimento di schemi, nell'attenzione ai dettagli e nel problem solving creativo.⁵³ Un'azienda che utilizza un sistema di screening in stile Aon sta sistematicamente filtrando proprio i talenti che guidano l'innovazione.²¹

L'approccio di Veriprajna non si limita a "evitare" i bias; "sblocca" il potenziale dei talenti.³⁷ Sostituendo gli opachi proxy di "adattamento della personalità" con trasparenti "verità neurali" e logica causale, consentiamo alle aziende di costruire una forza lavoro che non è solo diversificata, ma matematicamente ottimizzata per le prestazioni lavorative.³⁷

Il "Contratto di Fiducia"

In definitiva, la politica di AI di un'azienda è un "Contratto di Fiducia" con i propri dipendenti e clienti.³² Per mantenere questa fiducia, i leader devono andare oltre l'hype di marketing della tecnologia "priva di bias" e abbracciare la rigorosa ingegneria del Deep AI. Ciò significa richiedere prove empiriche, condurre audit rigorosi e progettare sistemi che valorizzino allo stesso modo il "cervello standard" e il "cervello neurodivergente".³²

Il reclamo Aon è un invito all'azione. È tempo che le aziende smettano di essere "utenti dell'AI" e inizino a essere "architetti dell'AI".³³ Veriprajna è qui per fornire i progetti tecnici per quel futuro: un futuro in cui l'AI non è una barriera all'inclusione, ma il massimo abilitatore del potenziale umano.⁵³

Opere citate

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, consultato il 6 febbraio 2026, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, consultato il 6 febbraio 2026, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, consultato il 6 febbraio 2026, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, consultato il 6 febbraio 2026, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, consultato il 6 febbraio 2026, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, consultato il 6 febbraio 2026, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, consultato il 6 febbraio 2026, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, consultato il 6 febbraio 2026, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, consultato il 6 febbraio 2026, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, consultato il 6 febbraio 2026, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, consultato il 6 febbraio 2026, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, consultato il 6 febbraio 2026, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, consultato il 6 febbraio 2026, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, consultato il 6 febbraio 2026, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, consultato il 6 febbraio 2026, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, consultato il 6 febbraio 2026, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, consultato il 6 febbraio 2026, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, consultato il 6 febbraio 2026, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, consultato il 6 febbraio 2026, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, consultato il 6 febbraio 2026, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, consultato il 6 febbraio 2026, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, consultato il 6 febbraio 2026, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, consultato il 6 febbraio 2026, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, consultato il 6 febbraio 2026, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, consultato il 6 febbraio 2026, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, consultato il 6 febbraio 2026, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, consultato il 6 febbraio 2026, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, consultato il 6 febbraio 2026, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, consultato il 6 febbraio 2026, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, consultato il 6 febbraio 2026, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, consultato il 6 febbraio 2026, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, consultato il 6 febbraio 2026, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., consultato il 6 febbraio 2026, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., consultato il 6 febbraio 2026, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, consultato il 6 febbraio 2026, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., consultato il 6 febbraio 2026, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, consultato il 6 febbraio 2026, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, consultato il 6 febbraio 2026, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, consultato il 6 febbraio 2026, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, consultato il 6 febbraio 2026, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, consultato il 6 febbraio 2026, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, consultato il 6 febbraio 2026, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, consultato il 6 febbraio 2026, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, consultato il 6 febbraio 2026, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, consultato il 6 febbraio 2026, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, consultato il 6 febbraio 2026, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, consultato il 6 febbraio 2026, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, consultato il 6 febbraio 2026, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, consultato il 6 febbraio 2026, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, consultato il 6 febbraio 2026, https://www.mdpi.com/2673-2688/6/7/143