Architettura Reasoning-First

Nel 2026 l'HR-tech fa quasi la stessa scommessa, quasi all'unanimità: gli agenti LLM sostituiranno l'abbinamento nel recruiting entro il 2027. Josh Bersin lo presenta come lo strato superiore (Layer 4) dello stack di talent intelligence. La scommessa è ovvia e quasi di consenso.

Io scommetto contro.

Non perché sia contro l'IA: lavoro con l'IA ogni giorno lavorativo, e nel prodotto che descriverò ogni riga di codice è stata scritta tramite Claude, nessuna di mio pugno. Ma perché oltre 135.000 offerte e 1,1 M di messaggi Telegram passati dal mio sistema da aprile 2026 mi hanno mostrato il contrario: un nucleo deterministico reasoning-first + l'LLM come supporto (non come sostituto) vince in precisione, latenza, costo e conformità all'AI Act dell'UE. Questo saggio spiega perché.

Chi sono e perché scrivo

Ho iniziato con la SEO nel 2006: vent'anni a osservare come contenuto + struttura + algoritmi di recupero determinano i risultati di miliardi di ricerche al giorno. L'abbinamento nell'HR-tech è costruito allo stesso modo: contenuto (descrizioni, CV) + struttura (ruoli, stack, livelli) + recupero → risultato.

TD-CRM v2 è un CRM di recruiting per il mercato IT della CSI: oltre 135.000 offerte (oltre 61.000 aperte), 1,1 M di messaggi Telegram elaborati, ~1.990 canali monitorati, 14 aree, 15 paesi. Autoclassificato pubblicamente come ad alto rischio secondo l'AI Act dell'UE, allegato III n. 4. E non costruito da un ingegnere: io non scrivo codice. Definisco l'architettura e il prodotto; Claude genera l'implementazione, il modello che Karpathy ha chiamato «agentic engineering» a marzo 2026. Replit ha raggiunto una valutazione di $3B a settembre 2025 con lo stesso modello. Non sono il primo a costruire così; lo dico solo apertamente.

Ecco perché ho deciso di scrivere contro il quasi consenso. Quando guardi 135.000 offerte non dall'alto ma mettendoci le mani, emerge una cosa semplice: la stragrande maggioranza dell'abbinamento si decide in modo deterministico: stack, livello, modalità, geografia, fascia salariale. L'LLM serve davvero per interpretare testo disordinato, non per la decisione in sé. Eppure il settore mette l'LLM nella decisione. Vent'anni di SEO mi hanno insegnato come va a finire quando metti uno strato sfocato dove servono riproducibilità e spiegabilità. Per me non è un argomento teorico sulle tendenze: è quello che vedo ogni giorno nei miei dati.

Dove sbaglia la scommessa del settore

L'abbinamento LLM-first è la scommessa sbagliata su quattro assi: precisione, costo, conformità normativa, tracciabilità.

Precisione. L'abbinamento sfocato con LLM porta con sé una variabilità intrinseca tra una chiamata e l'altra: la stessa coppia candidato/offerta ottiene punteggi diversi tra un'esecuzione e l'altra. Va bene per un chatbot; è un difetto in un abbinamento la cui decisione entra in un registro di audit.

Costo. Una chiamata all'LLM per tentativo × migliaia di abbinamenti al giorno = migliaia di dollari al mese che un'azienda senza ricavi non può sostenere. L'abbinamento deterministico per campi ha un costo marginale quasi nullo.

Conformità normativa. L'AI Act dell'UE, allegato III n. 4, entra in applicazione ad agosto 2026. I sistemi ad alto rischio devono registrare le decisioni con la motivazione di ciascuna. Registro LLM-first: «abbinato perché l'ha detto il modello». Registro reasoning-first: «sovrapposizione di stack 8/12, Senior (7 anni), Da remoto (sì), stipendi compatibili. Punteggio 0,84». Uno dei due esiste in un registro di audit. L'altro no.

Tracciabilità per la due diligence. Il legale dell'acquirente chiede «come è stato fatto esattamente questo abbinamento?». LLM-first è opaco; reasoning-first è spiegabile per costruzione. Segnale di mercato: Eqtble → Paradox (feb. 2025): la people analytics senza dati di livello professionale viene classificata come HR-tech. Stessa logica: l'approccio sfocato con LLM senza regole tracciabili non è HR-tech serio.

Una precisazione per non combattere contro un uomo di paglia: l'LLM non è «cattivo». Il problema è l'LLM nel livello sbagliato.

Qual è l'architettura giusta

Reasoning-first significa che ogni decisione che deve essere difendibile (abbinamento, punteggio, ranking) passa prima da regole deterministiche. L'LLM si usa SOLO dove una regola deterministica non è possibile (interpretazione di testo libero), dove l'incertezza è esplicita (punteggio di confidenza + percorso degradato) e dove l'output non porta direttamente a una decisione finale. In TD-CRM il punteggio di abbinamento è una formula esplicita (sovrapposizione di stack + livello + ruolo + modalità di lavoro + stipendio), non «modello, valuta la corrispondenza».

Monolite invece di microservizi, di proposito: un fondatore + Claude = nessun team che si faccia carico della complessità dei sistemi distribuiti; un nucleo deterministico ha bisogno di un'unica fonte di verità. Secondo l'ADR-0001: un solo FastAPI + PostgreSQL + Redis + worker arq + SSR. Il «monolite moderno» nello spirito di DHH / 37signals, coerente con l'approccio reasoning-first, non controcorrente fine a se stesso.

Secondo la decisione D10 il sistema si autoclassifica pubblicamente come ad alto rischio (allegato III, n. 4): registro delle decisioni (Loki + logging strutturato), gestione dei rischi, supervisione umana (un recruiter esamina ogni abbinamento, nessuna azione automatica), governance dei dati. L'autoclassificazione anticipa un rilievo della due diligence; la trasparenza crea fiducia.

Coverage gap: una pipeline verticale come asset

LinkedIn è bloccato in Russia da novembre 2016. Lightcast, Revelio Labs e People Data Labs ricavano la maggior parte dei dati da LinkedIn; la loro copertura a est della linea di Riga cala di circa il 40% (mia stima, dalle loro dichiarazioni pubbliche). È strutturale, non temporaneo.

Al suo posto, una pipeline Telegram-MTProto: ~1.990 canali IT della CSI monitorati, 1,1 M di messaggi elaborati. Dati che i fornitori globali fisicamente non possono ottenere (sanzioni, servizi bloccati, accesso tecnico). Marc Casado (a16z, 2019, «The Empty Promise of Data Moats») ha mostrato che la sola scala dei dati non è un fossato solido; la proprietà della pipeline è più difficile da replicare. Il nostro focus sull'IT della CSI è un asset distintivo, non una debolezza forzata.

Ingegneria agentica: chi l'ha costruito e come

Senza giri di parole: TD-CRM v2 è costruito al 100% con Claude. Io non scrivo codice: dirigo l'architettura e il prodotto; Claude genera l'implementazione. Karpathy ha diviso il modello in «vibe coding» (alza il livello minimo per chi non programma) e «agentic engineering» (mantiene l'asticella della qualità). La differenza sono le prove di rigore: 14 ADR in docs/adr/, osservabilità (Loki + Grafana + Prometheus), scansione settimanale delle dipendenze (ADR-0013), un registro delle modifiche pubblico da Conventional Commits, revisione esterna dei percorsi di sicurezza/dati personali prima di un accordo.

Replit ha raggiunto $3B a settembre 2025 con questo modello (ARR da $2,7M → $70M in 12 mesi). Validato dal mercato. Un acquirente lo legge come «un fondatore con rigore + leva dell'IA», non come «qualcosa fatto in vibe coding»; la differenza è la densità di artefatti: questa serie di ADR, il registro delle modifiche, il runbook, l'osservabilità e questo saggio.

Il punto di vista dell'acquirente

Se sei un analista di corporate development in Greenhouse, Workable, iCIMS o Lightcast, questo vale anche per te. Senza giri di parole: TD-CRM non ha ancora ricavi, 0 clienti paganti, $0 di ARR. Non è un target «team + portafoglio clienti», ma tre asset separati.

Primo: la proprietà della pipeline di dati: oltre 135.000 posizioni, 1,1 M di messaggi, ~1.990 canali da aprile 2026; dati che Lightcast/Revelio fisicamente non possono raccogliere. Costruire qualcosa di equivalente = 18–24 mesi + rischio sanzioni + competenze sull'API di Telegram. Secondo: il codice di abbinamento/punteggio basato sul ragionamento, riproducibile nell'infrastruttura dell'acquirente. Terzo: la società Estonia OÜ (T2 2026), giurisdizione UE, nessuna complicazione di origine.

Perché il reasoning-first conta per l'acquirente: l'applicazione dell'AI Act dell'UE da agosto 2026 colpisce i prodotti LLM-first con il problema di adeguarsi a posteriori. Il reasoning-first è già conforme e in produzione: è un'accelerazione, non un adeguamento. Cosa non ottiene l'acquirente: portafoglio clienti (0), brand, team, ARR (0): non incluso nel prezzo. La somma dei tre asset è sotto i $15M.

Chiusura

È una scommessa: un fondatore da solo + Claude come ingegnere agentico + qualche settimana = un'architettura reasoning-first + una pipeline IT della CSI + 14 ADR. La scommessa è che questa combinazione superi gli aggregatori globali LLM-first nell'abbinamento HR-tech entro la fine del 2027. Lo pubblico ora per fissare la scommessa prima del risultato, non dopo.

Se hai una critica argomentata, scrivi. Un'obiezione onesta vale più di un dubbio silenzioso. E niente «richiedi una demo» alla fine: se il saggio non convince da solo, una demo non lo risolverà.