Si parla sempre più spesso di talent scarcity. Con questa definizione si indica la difficoltà delle aziende nel trovare sul mercato persone che possiedano le competenze necessarie per ricoprire determinati ruoli. 

Parliamo di uno squilibrio tra le competenze richieste dalle organizzazioni e quelle effettivamente disponibili. Il fenomeno è particolarmente evidente nei settori tecnologici, dove l’evoluzione rapida di AI, dati e automazione rende alcune competenze molto richieste e, al tempo stesso, difficili da reperire.   

Andiamo ad analizzare nel dettaglio alcune strategie per ovviare a questo problema, ormai riconosciuto dai più.

La ricerca del candidato perfetto è inefficace

Nel mercato del lavoro tecnologico, il problema non è sempre trovare una persona competente; sempre più spesso, infatti, è trovare una persona che possieda, contemporaneamente, tutte le competenze richieste da un ruolo:

• esperienza senior;
• conoscenza approfondita del settore;
• padronanza delle tecnologie più recenti;
• capacità di leadership e ottime soft skill. 

In alcuni casi, una combinazione del genere semplicemente non è disponibile sul mercato libero; in altri esiste, ma a un costo che rende l’assunzione poco sostenibile.

La conseguenza è che la scarsità di talenti non può essere affrontata soltanto rendendo la selezione più lunga o aumentando il numero di candidature. Se il profilo ideale non esiste, insistere nella ricerca del candidato perfetto rischia semplicemente di trasformare un problema di competenze in un problema di tempo e di costi.

I dati descrivono un fenomeno ormai strutturale. Secondo il Talent Shortage Survey 2026 di ManpowerGroup, una ricerca che ha coinvolto oltre 39.000 datori di lavoro in 41 Paesi, il 72% delle aziende intervistate a livello globale dichiara di avere difficoltà a trovare i talenti qualificati di cui ha bisogno; in Italia la percentuale è del 70%. 

Il World Economic Forum arriva a una conclusione complementare: entro il 2030 il 39% delle competenze oggi considerate fondamentali dovrebbe cambiare o diventare obsoleto. Il problema, quindi, non riguarda soltanto la disponibilità di persone sul mercato, ma anche la velocità con cui cambia ciò che le aziende chiedono loro di saper fare.

La risposta passa allora da un cambio di prospettiva: non chiedersi soltanto dove trovare il candidato che possiede già tutte le competenze necessarie, ma come organizzare il lavoro affinché quelle competenze possano essere costruite, distribuite e integrate.

Hiring for Potential e Adjacent Skills

Il primo cambiamento riguarda il modo stesso in cui si definisce un candidato adatto: un processo di selezione tradizionale tende a partire da una lista di requisiti come anni di esperienza, linguaggi di programmazione, framework, certificazioni, conoscenza di determinati strumenti. Più la posizione è specialistica, più la lista tende ad allungarsi. 

Il rischio è trasformare la job description in una sorta di filtro che elimina candidati potenzialmente validi perché non possiedono già una specifica combinazione di competenze.

L’alternativa è assumere anche per potential e per adjacent skills: valutare cioè non soltanto ciò che il candidato sa già fare, ma quanto rapidamente può imparare ciò che ancora gli manca.

È un approccio coerente con una delle idee centrali della moderna talent strategy: in un ambiente che cambia rapidamente, le competenze attuali non sono necessariamente un buon indicatore delle competenze che serviranno domani. Nel lavoro di Fernández-Aráoz sul potenziale, questo concetto viene espresso attraverso una domanda molto diversa da quella tradizionale: non soltanto “Che cosa sa fare questa persona oggi?”, ma “Quanto è capace di imparare ciò che dovrà fare domani?”

Anche i dati del World Economic Forum vanno nella stessa direzione. Tra le competenze destinate a crescere maggiormente entro il 2030 figurano non soltanto AI e big data, cybersecurity e technological literacy, ma anche creative thinking, resilienza, flessibilità, agilità, curiosità e lifelong learning.

Anche il metodo di selezione deve cambiare. Se ciò che interessa è la capacità di apprendere, una prova puramente nozionistica misura soprattutto ciò che il candidato ha già memorizzato. Un test più efficace può invece chiedergli di affrontare una tecnologia o una libreria che non conosce, fornendogli una documentazione minima, e osservare come costruisce il percorso per arrivare alla soluzione. La domanda diventa quindi meno “conosci X?” e più “come ti comporti quando X non la conosci ancora?”.

Nel concreto, possiamo elencare almeno tre aspetti che dovrebbero andare incontro a una rapida evoluzione.

1. Dalla corrispondenza esatta dello stack all’attitudine all’apprendimento

Quando una competenza è particolarmente rara, richiedere la corrispondenza perfetta con lo stack tecnologico rischia di restringere inutilmente il bacino dei candidati. 

Diventa più utile valutare la capacità di apprendere rapidamente e di trasferire competenze già acquisite a un contesto nuovo. 

Per esempio, un’azienda che cerca un senior developer con esperienza specifica in un determinato framework potrebbe considerare anche un candidato che non abbia mai utilizzato quest’ultimo, ma che abbia una solida esperienza con framework analoghi, conosca bene i principi di progettazione software e abbia già dimostrato di sapersi aggiornare autonomamente. 

In questo caso, la domanda diventa “Quanto rapidamente può arrivare a usarlo in modo efficace?”.

2. Assumere profili affini capaci di colmare rapidamente il divario

Cosa si intende con competenze adiacenti? Invece di pretendere che il candidato possieda già l’intero pacchetto richiesto, poniamo il caso di un’azienda che abbia bisogno di uno specialista in AI applicata al settore finanziario. 

Per esempio, quest’azienda potrebbe valutare un machine learning engineer con una forte esperienza tecnica ma senza una conoscenza specifica del settore bancario. Se il candidato possiede già competenze solide in machine learning, analisi dei dati e modellazione, la conoscenza dei processi finanziari può essere sviluppata attraverso un percorso intensivo di formazione e affiancamento. 

Allo stesso modo, un professionista esperto di cybersecurity potrebbe passare rapidamente a un nuovo ambiente cloud se possiede già una solida comprensione delle architetture di sicurezza, anche senza conoscere in modo approfondito quella specifica piattaforma.

L’obiettivo è quindi identificare il gap tra ciò che il candidato sa fare e ciò che il ruolo richiede, e chiedersi se quel gap sia realistico da colmare in poche settimane o mesi.

3. Sostituire le prove nozionistiche con test sull’apprendimento

Se si vuole misurare il potenziale di apprendimento, anche il processo di selezione deve cambiare. 

Un test che chiede al candidato di ricordare comandi, sintassi o caratteristiche di una tecnologia misura soprattutto conoscenze già acquisite; un esercizio costruito su una tecnologia sconosciuta permette invece di osservare come la persona affronta un problema nuovo. 

Per esempio, durante un colloquio si può fornire al candidato la documentazione di una libreria che non ha mai utilizzato e chiedergli di realizzare, in un tempo prestabilito, una piccola funzionalità. Il selezionatore può osservare come cerca le informazioni, quali domande pone, come interpreta la documentazione, come procede per tentativi e come reagisce quando la prima soluzione non funziona.

In questo modo il test non misura soltanto quanto il candidato sa già, ma soprattutto come impara quando non sa ancora.

Ridisegnare ruoli e flussi di lavoro

Quando una singola persona non può realisticamente possedere tutte le competenze necessarie, una seconda possibilità è smettere di cercare di concentrare quelle competenze in un unico ruolo.

Un ruolo definito come “Senior AI Engineer” può, per esempio, incorporare contemporaneamente responsabilità di sviluppo, architettura, conoscenza del settore, gestione del progetto, mentoring e relazione con il cliente. Ma non è detto che tutte queste attività debbano essere svolte dalla stessa persona.

Il ruolo può essere scomposto: 

• le decisioni architetturali più complesse possono rimanere nelle mani di una figura senior; 
• l’implementazione può essere distribuita tra professionisti mid-level e junior; 
• attività ripetitive possono essere automatizzate; 
• la conoscenza del dominio può provenire da specialisti interni; 
• alcune componenti possono essere affidate a partner esterni. 

Vediamo alcune situazioni possibili in maggior dettaglio.

1. Scomporre il ruolo senior

Quando un’azienda non riesce a trovare una figura senior che riunisca tutte le competenze richieste, può essere più efficace scomporre il ruolo in più responsabilità e distribuirle tra persone diverse.

Per esempio, invece di cercare un unico Senior AI Engineer che sappia progettare l’architettura, sviluppare il prodotto, conoscere il settore e coordinare il team, l’azienda potrebbe affidare le decisioni architetturali a un profilo senior, la conoscenza del dominio a uno specialista interno e parte dello sviluppo a due professionisti mid-level. 

In questo modo non è necessario trovare una persona che eccella contemporaneamente in ogni dimensione: si costruisce un team nel quale le competenze complementari vengono distribuite tra più persone.

Immaginiamo, ancora, un’azienda che sta sviluppando una piattaforma digitale, in cerca di un unico Product Manager senior che abbia contemporaneamente esperienza di prodotto, competenze di analisi dei dati, conoscenza del settore e capacità di coordinare il team.

Invece di aspettare mesi per trovare un profilo così completo, potrebbe distribuire queste responsabilità: il Product Manager si concentra su strategia e priorità, un data analyst supporta le decisioni basate sui dati e uno specialista di settore contribuisce alla conoscenza del mercato. 

2. Alleggerire i Senior con l’AI e l’automazione

Un’altra possibilità consiste nell’aumentare la capacità produttiva dei professionisti senior, eliminando attraverso AI e automazione una parte delle attività ripetitive che assorbono il loro tempo. 

Un Senior Software Engineer, per esempio, può utilizzare strumenti di AI per generare una prima versione del codice, creare test o documentare le API, concentrandosi poi sulle decisioni architetturali e sulla revisione finale. Un Senior Financial Analyst può invece automatizzare la raccolta dei dati e la produzione dei report ricorrenti, dedicando più tempo all’interpretazione dei risultati e alle decisioni strategiche. 

Il principio è particolarmente rilevante in un contesto di talent scarcity: secondo ManpowerGroup, il 13% delle aziende italiane indica AI e automazione tra le strategie utilizzate per compensare la carenza di personale. Il World Economic Forum, inoltre, rileva che l’86% dei datori di lavoro considera AI e information processing una tecnologia destinata a trasformare la propria organizzazione entro il 2030.

3. Finanziare percorsi intensivi per i Mid interni

Un’ultima strada può essere la formazione interna. Un’azienda manifatturiera che abbia bisogno di sviluppare competenze di project management internazionale, per esempio, potrebbe individuare alcuni professionisti mid-level che già coordinano piccoli progetti ma non hanno ancora esperienza nella gestione di iniziative complesse. 

Invece di cercare direttamente un project manager senior sul mercato, potrebbe finanziare un percorso intensivo con formazione specifica, certificazione, affiancamento a un manager esperto e responsabilità progressivamente maggiori su un progetto reale. 

Dopo alcuni mesi, l’azienda avrebbe sviluppato internamente una competenza che inizialmente non possedeva, partendo però da persone che conoscevano già prodotti, processi e cultura aziendale.

Outsourcing strategico e Staff Augmentation

Non tutto, però, deve necessariamente essere costruito all’interno. Quando il talento è estremamente raro, l’outsourcing può diventare uno strumento di progettazione organizzativa, non semplicemente una soluzione per ridurre i costi.

1. Mantenere e appaltare

Un’azienda può mantenere internamente il core IP, le decisioni architetturali e la conoscenza strategica del prodotto, affidando invece all’esterno moduli verticali, attività altamente specialistiche o fasi di scaling infrastrutturale. In questo modello, partner tecnologici e team dedicati diventano un’estensione temporanea o permanente della capacità interna. 

Una fintech, per esempio, può conservare internamente la propria tecnologia per la valutazione del rischio e le logiche che costituiscono il cuore del prodotto, utilizzando invece fornitori specializzati per attività come la verifica dell’identità, i pagamenti o l’infrastruttura cloud. Così facendo, l’azienda mantiene il controllo sulle competenze che rappresentano il proprio core business, mentre utilizza risorse esterne per accelerare lo sviluppo o gestire attività altamente specialistiche senza dover costruire internamente ogni competenza.

2. Utilizzare partner tecnologici, team dedicati e consulenti o engineer part time

La staff augmentation, cioè le diverse forme di incremento dello staff, consente di combinare competenze interne e competenze esterne, utilizzando partner tecnologici o team dedicati per colmare rapidamente i gap e coinvolgendo consulenti senior o Principal Engineer soltanto nei momenti in cui servono competenze altamente specialistiche. 

Per esempio, un’azienda che sta sviluppando una nuova piattaforma cloud può affidare a un team esterno parte dell’implementazione e dello scaling dell’infrastruttura, mantenendo però internamente le decisioni strategiche; un Principal Engineer, coinvolto anche solo alcuni giorni al mese, può definire l’architettura, verificare le scelte tecniche più critiche e supervisionare il lavoro di un team interno composto da professionisti junior e mid-level. Lo stesso modello può essere applicato a un progetto di cybersecurity: un consulente senior può progettare l’architettura di sicurezza e stabilire gli standard, mentre un team interno più giovane si occupa dell’implementazione quotidiana con il supporto periodico dello specialista. 

In questo modo l’azienda non deve sostenere il costo di un’intera squadra di esperti altamente qualificati per ottenere l’accesso alle competenze più rare: acquista all’esterno l’expertise di cui ha bisogno e mantiene internamente la capacità operativa e la conoscenza del prodotto.

Il cambio di paradigma: verso la Skills-Based Organization

Tutte queste strategie convergono verso un cambiamento più profondo: il passaggio dalla job-based organization alla skills-based organization.

In un’organizzazione tradizionale, si parte dal ruolo: “Abbiamo bisogno di un Senior AI Engineer”.

In una logica skills-based si parte invece dal problema: “Dobbiamo progettare questa architettura, integrare questi sistemi, addestrare questo modello e portare il prodotto in produzione”.

A quel punto si individuano le competenze necessarie per risolvere ciascun problema e si decide dove reperirle: internamente, attraverso formazione, con una nuova assunzione, tramite un consulente oppure attraverso un partner esterno. È una differenza sostanziale. La job description tende a descrivere una persona ideale; il problem-based approach descrive un insieme di problemi da risolvere.

Il World Economic Forum individua proprio nello skills-based hiring e nella workforce planning strumenti per costruire organizzazioni più capaci di adattarsi: scomporre i lavori nelle competenze sottostanti permette di assumere anche per ruoli che potrebbero cambiare rapidamente, concentrandosi sulle capacità che rendono una persona adattabile.

Smettere di ragionare per job description rigide

Sembra intuitivo, ma non lo è: i problemi vengono prima della job description.

Invece di cercare, per esempio, un “Senior Data Scientist con cinque anni di esperienza in Python, esperienza nel settore finanziario e competenze di machine learning”, l’azienda può partire dalle attività concrete: sviluppare un modello predittivo, interpretare i dati, integrarlo nei sistemi esistenti e tradurre i risultati in indicazioni utili al business. 

A quel punto diventa possibile distribuire queste responsabilità tra persone con profili diversi, oppure individuare candidati che non possiedono tutti i requisiti formali ma hanno le competenze necessarie per risolvere una parte significativa del problema. 

Questo approccio amplia il bacino di talenti disponibili e riduce il rischio di escludere persone valide semplicemente perché il loro percorso professionale non corrisponde perfettamente alla descrizione predefinita del ruolo.

I dati parlano chiaro: secondo il paper Skills-Based Hiring: The Long Road from Pronouncements to Practice prodotto dalla Harvard Business School, tra il 2014 e il 2023 il numero annuale di posizioni per cui le aziende avevano eliminato il requisito della laurea è quasi quadruplicato. Ma quando i ricercatori hanno osservato chi veniva effettivamente assunto, hanno trovato un cambiamento molto più limitato: nei ruoli analizzati, eliminare il requisito della laurea aumentava mediamente di circa 3,5 punti percentuali la quota di assunti senza laurea. 

La laurea viene spesso utilizzata come proxy di caratteristiche che l’azienda cerca realmente, capacità, perseveranza, competenze di base, ecc. Ma se l’obiettivo è trovare una persona capace di svolgere un determinato lavoro, il metodo più diretto è valutare quelle capacità invece del proxy. 

Si tratta proprio di un esempio eclatante: la trasformazione deve riguardare il processo di selezione, non solo il testo dell’annuncio. Ripensare le competenze richieste non significa semplicemente eliminare alcuni requisiti dalla job description. 

Come tracciare le competenze latenti già presenti in azienda prima di cercare all’esterno

Prima ancora di cercare fuori dall’azienda, inoltre, una mappatura delle competenze può far emergere persone che possiedono capacità non registrate formalmente nella loro job title: un developer che ha già lavorato con un determinato framework, un project manager con competenze tecniche avanzate, un professionista che ha esperienza in un settore diverso ma trasferibile, oppure un mid-level con una forte capacità di apprendimento che può acquisire rapidamente una nuova specializzazione.

La talent scarcity rende quindi importante anche una forma di talent discovery interna. Non è necessariamente vero che l’azienda non possiede la competenza che cerca: potrebbe semplicemente non sapere dove si trova.

Un professionista dell’area commerciale che possiede competenze linguistiche e conoscenze di un mercato estero può rappresentare una risorsa preziosa anche se queste capacità non fanno parte del suo ruolo ufficiale. 

Per individuarle, l’azienda può combinare una mappatura delle competenze con questionari interni, colloqui, assessment pratici e analisi dei progetti svolti, chiedendo ai dipendenti non soltanto quali competenze utilizzano quotidianamente, ma anche quali sanno utilizzare e quali sarebbero interessati a sviluppare. In questo modo è possibile costruire una sorta di inventario dinamico delle competenze disponibili e verificare se il gap che si sta cercando di colmare richiede davvero una nuova assunzione oppure può essere coperto riconfigurando ruoli e responsabilità interne.

Dal candidato perfetto al sistema capace di apprendere

Questa prospettiva modifica anche il significato stesso di “talent shortage”.

Se il 70% delle aziende italiane dichiara difficoltà nel trovare i talenti necessari, come rileva ManpowerGroup, la risposta non può essere soltanto competere per un numero ristretto di candidati sul mercato.

Anche perché la scarsità non è necessariamente destinata a risolversi con l’aumento delle assunzioni. Se le competenze richieste continuano a cambiare, il candidato perfetto di oggi potrebbe non essere il profilo di cui l’organizzazione avrà bisogno tra tre anni.

Il WEF stima che, su un ipotetico gruppo di 100 lavoratori, 59 avranno bisogno di formazione entro il 2030: di questi, 29 potranno essere aggiornati rimanendo nel proprio ruolo e 19 potranno essere riqualificati e spostati verso un altro ruolo all’interno dell’organizzazione. Tuttavia, è improbabile che 11 ricevano la riqualificazione o l’aggiornamento delle competenze necessari, mettendo così sempre più a rischio le loro prospettive occupazionali.

Il dato suggerisce un cambio di prospettiva importante: la formazione non è più soltanto una politica di sviluppo del personale. Diventa una componente della strategia di approvvigionamento del talento.

L’azienda può infatti scegliere tra tre strade: comprare la competenza, costruirla oppure combinarla. Può assumere un esperto quando la competenza è immediatamente necessaria; svilupparla internamente quando esiste una base adeguata; oppure combinare un piccolo nucleo di expertise esterna con una squadra interna da far crescere.

In tutti e tre i casi, l’obiettivo non è trovare una persona che risolva tutto. È progettare un sistema nel quale le competenze necessarie siano disponibili nel momento in cui servono.

La talent scarcity può diventare un’occasione per ripensare il modo in cui il lavoro viene organizzato: scomporre i ruoli, valorizzare competenze adiacenti e potenziale, formare le persone già presenti in azienda, utilizzare AI e automazione per alleggerire le attività più ripetitive e ricorrere a competenze esterne quando servono capacità altamente specialistiche. 

In un mercato in cui le competenze cambiano rapidamente, aspettare che compaia il profilo perfetto può essere meno efficace che costruire le condizioni perché competenze diverse possano combinarsi e crescere all’interno dell’organizzazione.