Feature Ideas

APY layer per integrazione third parties: Dev Key generation Swagger Documentazione

Recommended actions (prioritised) Immediate — add AI transparency disclosure Show a clear notice on the intelligence radar section: "These scores are generated automatically using AI based on endorsements received. They are indicative and may not reflect your actual abilities."Add user controls for intelligence scoring Allow users to hide their intelligence radars from public view (or opt-out of computation entirely). This is the minimum for Art. 14 human oversight.Add AI-specific consent layer in ConsentGate Before computing/displaying intelligence scores, request explicit consent to AI profiling, separate from the general privacy policy.Provide score explainability Show which tags drove which dimension score. The blending formula (40% tag / 60% AI) should be disclosed, even in simplified form.Add a dispute/correction mechanism Allow users to flag inaccurate scores and request a manual review or score suppression.Conduct a DPIA A Data Protection Impact Assessment is mandatory for systematic profiling of individuals at scale.Verify the OpenAI DPA Confirm OpenAI is listed as a data processor in your privacy policy and that input data (tags, texts) is not used for model training.

Se un dipendente contesta un gap salariale, l’onere della prova è dell’azienda. Se l’azienda non può dimostrare con criteri oggettivi perché una persona guadagna più di un’altra, la discriminazione è presunta per legge. Quindi la domanda per Replay non è: “Come aiutiamo HR?” La domanda corretta è: Qual è il minimo sistema dati che permette all’azienda di dimostrare che le differenze salariali sono fondate su criteri neutrali? Il vero oggetto della normativa: Job Evaluation SystemLa direttiva non parla di performance review, parla di Job Evaluation System. Significa che ogni ruolo deve avere un valore oggettivo documentato. Non puoi più dire: “È più bravo”“Ha più esperienza”“Il mercato paga così” Serve una struttura formale di valutazione del lavoro e il modello più usato in Europa è il Point-Factor Job Evaluation System. Ogni ruolo riceve punti su 4 dimensioni obbligatorie: Skills EffortResponsibilityWorking Conditions Cosa la normativa obbliga a documentare Per essere compliant servono 5 elementi documentali: Job Architecture Tutti i ruoli devono essere raggruppati in categorie di lavoro di pari valore Esempio: Category A Junior knowledge rolesCategory B Operational specialistsCategory C Managerial rolesCategory D Strategic leadership Questa classificazione è la base per confrontare salari. Point-Factor Evaluation Ogni ruolo riceve punti su ogni dimensione: Factor Level Points Skills Level 3 30 Effort Level 2 20 Responsibility Level 4 40 Working Conditions Level 1 10 Totale: 100 punti Due ruoli con punteggio simile devono avere salari comparabili. Criteria Documentation Ogni livello deve essere definito in modo scritto: Responsibility Level 4Responsible for budget allocation exceeding €1M or team leadership exceeding 10 people. Non può essere una valutazione soggettiva. Salary Band Mapping Ogni range salariale deve essere collegato a range di punti: Points Salary Band 0-40 Entry 41-70 Specialist 71-100 Manager 101+ Executive Traceability Ogni decisione deve essere ricostruibile. Se promuovi qualcuno devi dimostrare: quale criterio è cambiatoquale punteggio è cambiato e perché Il punto critico della direttiva: Soft Skills la direttiva afferma esplicitamente che: le competenze relazionali non devono essere sottovalutate rispetto alle competenze tecniche. Storicamente succedeva questo: Engineering skill = valutata moltoPeople management = valutata poco Ma molte competenze gender F stanno qui con skill inerenti a comunicazione, mediazione, coordinamento, empatia, gestione conflitti Se non sono formalizzate, il sistema diventa gender biased. In pratica le soft skill devono diventare criteri formalizzati. Esempio: Conflict Management Level 1: Handles interpersonal disagreements occasionally.Level 2: Regularly mediates conflicts inside team.Level 3: Manages cross-department conflict resolution.Level 4: Designs conflict resolution frameworks. Questo è esattamente il tipo di cosa che Replay può tracciare meglio dei sistemi HR tradizionali. Replay non può sostituire il Job Evaluation System, non è quello il suo ruolo, Replay può diventare il motore di evidenze comportamentali. In termini legali: Replay produce evidenze documentali distribuite nel tempo: Responsibility dimension: richiede evidenza di leadership. Replay può mostrare, ad esempio: 27 micro-endorsement su leadership6 recommendation su mentoring12 milestone su gestione team Quindi l'azienda può dire: Il ruolo ha punteggio Responsibility Level 4 perché l'individuo dimostra leadership distribuita nel tempo. Questo diventa evidenza difendibile. Cosa Replay deve implementare MINIMO per supportare la direttiva Il minimum regulatory layer deve includere solo ciò che serve per la difendibilità normativa. MINIMUM FEATURE SET (Compliance Layer) -> 1 Job Role Registry Database ruoli aziendali. Campi minimi: job titlejob categorydepartmentjob levelsalary band-> Job Evaluation Matrix Per ogni ruolo: Factor / Score / Evidence Skills Effort Responsibility Working Conditions Replay non assegna lo score ma può allegare evidenze. -> Evidence Engine Ogni endorsement deve poter essere collegato a: skilleffortresponsibilityworking conditionEsempio endorsement: Tag: leadershipmentoringcoordinationMapped to: Responsibility factor. -> Soft Skill Taxonomy Replay deve avere un vocabolario strutturato. Non basta tag liberi. Serve una mappa di soft skill riconducibili ai 4 fattori della direttiva. -> Evidence Timeline Ogni evidenza deve essere: timestampedcontestualizzataattribuita a un emittenteServe perché la direttiva richiede documentazione verificabile. -> Pay Gap Evidence Export Quando un'azienda deve produrre report: Replay deve poter generare: Employee Evidence Report, contenente: job categoryskill evidenceleadership evidencerecognition distribution Questo diventa allegato al report gender pay gap.

Il Sole24 ha un network di aziende, che potrebbero darsi rating e reputation, ha senso che si possa fare fra aziende?

Sviluppo di un modulo separato da hostare che in maniera sicura permetta di legger e scrivere sulla blockchain replciando quello che avevamo prima, oppur ein alternativa, quick and dirty collegarsi a quello esistente, fino a fine 2026

Costruire un servizio esterno che dato un profilo linkedin, ritorni un JSON con le informazioni che servono a noi. Metà delle cose si possono vedere direttamente dalla homepage: I TOS di linkedin vietano lo scraping a nastro e permettono 50 view di profile per ogni account free non oltre. Caso d'uso: L'user collega il suo account linkedin, da cui sappiamo qual è il suo profilo. Il robottino screenshott ail profilo e estrate i dati:prende le raccomandazioni e le trasforma in badgeGuarda alcuni dati qualitativi, quanti post fa, quanti follower ha e contribuisce al reputation layer con delle milestoneOptional - Il robottino prende posizioni e lavori e autocompleta il profilo

L'utente vede un widget con tre consigli, che cliccati portano in una sezione nuova del profilo, dove vengin presentati dei cosnigli pratici su quali aspetti migliorare. Visto che l'AI non prevede il mostrare e beautificare insulti e commenti brutti, tutte le parti negative che la gente scrive , diventano consigli ad hoc per migliorare che l'utenet può visualizzare, senza essere esposto a critiche e commenti negativi che sono dolorosi

TEST

📄 Architettura del Report Individuale Compliance-Ready 1️⃣ Sezione Identificativa (Non Sensibile) Informazioni minime: Nome e CognomeRuolo attualeFunzione aziendaleLivello contrattualeAnzianità nel ruolo ⚠️ Non inserire: Genere nel report pubblicoStato familiareInformazioni personaliIl genere può esistere solo in dataset aggregati aziendali per analisi gap, non nel report individuale condivisibile. 2️⃣ Profilo Reputazionale Strutturato A. Soft Skill Radar (6 Assi) Esempio: Leadership Accountability Collaboration Execution Learning Agility Strategic Thinking Ogni asse presenta: Score normalizzato 0–100 Numero contributori Accuracy Index Distribuzione temporale B. Endorsement Evidence Summary Formato sintetico: Numero totale microendorsement Numero verified contributor Numero milestone certificate Periodo coperto Nessuna citazione testuale diretta, salvo consenso esplicito. 3️⃣ Milestone Certificate Layer Sezione chiave per compliance. Elenco milestone certificate con: Titolo milestone Data Issuer verificato Categoria (Delivery, Team, Innovation, Governance etc.) Evidenza sintetica Questo crea: Tracciabilità documentale di merito. 4️⃣ Allineamento al Sistema di Valutazione Aziendale Fondamentale per gender gap compliance. Il report deve mappare le soft skill su: Job Architecture aziendale Livelli di responsabilità Parametri di compensazione Esempio: Asse | Media livello | Score individuo | Deviazione Questo permette confronto oggettivo intra-level. 5️⃣ Compensation Contextual Transparency (Non assoluta) La direttiva non impone pubblicazione stipendio individuale. Deve invece includere: Range salariale della posizione Posizionamento percentuale nel range (es. 62° percentile) Criteri oggettivi di posizionamento Esempio: "Il posizionamento retributivo è determinato da: anzianità, complessità ruolo, milestone certificate, performance output." Nessun confronto diretto uomo/donna nel report individuale. Il confronto è solo aggregato HR. 📊 Forma e Modalità Il report deve avere tre versioni: Versione Individuale (Portabile) PDF firmato digitalmenteScaricabileNon modificabile Versione HR Aggregata Dashboard comparativa per: Ruolo Livello FunzioneGenere (solo HR) Con alert automatico su gap >5%. Versione Pubblica Ridotta Mostra solo: Soft skill radarMilestoneAccuracy index Nessun dato retributivo. 🔐 Principi Fondamentali di Compliance Neutralità algoritmica Il modello di scoring non deve usare genere come variabile. Tracciabilità Ogni score deve essere spiegabile. Auditabilità Log di modifica e endorsement consultabile. Periodicità Report aggiornato annualmente o semestralmente. Separazione soft vs output Le milestone qualitative non sostituiscono KPI.

Se il mix di tag è lo stesso, perchè non andare a riciclare un vecchio badge per fare prima? Adesso il risparmio di tempo è zero, perchè comunque dobbiamo processare l'input, ma in futuro possiamo risparmiarci la generazione dell'immagine riutilizzando un vecchio badge e andare a fare statistiche su quanti badge vengono fuori più spesso oltre che quali tag vengono fuori più spesso

valutare il costo di integrare un multilingua in javascript che lavori frontend

Gli utenti verificati possono esportare un report light della loro pagina pubblica , 2 pagine A4 dove kla prima pagina è il profilo pubblico stampato e la seconda una descrizione testuale dei pro e di quel profilo pubblico achievement e altre informazioni da oroscopo. Il report avanzato a cui hanno accesso gli HR e in Bobino gli Istruttori, prevede anche il testo dei badge assegnati, e le valutazioni negative che possono inserire tutti, ma che possono vedere solo gli HR. i diretti interesssati vedono solo una sintesi AI dei commenti negativi sotto forma di consigli per migliorare TBD.

Ricordarsi di fare un pìù di finetuning del prompt, i tag che devono essere generati devono essere almeno 16 4 - Comportamentali, contribuiscono al radar personale 4 - Attitudinali, contribuiscono al radar di dettaglio professionali 4 - Valoriali - contribuiscono alle cose che ritiene imporanti 4 - Contestuali - contribuiscono alle situazioni affrontate

SSO con linkedin Nessun data pullout si può fare da linkedin :( TO DO: Add LINKEDIN_CLIENT_ID, LINKEDIN_CLIENT_SECRET, LINKEDIN_REDIRECT_URI to env One thing to set: LINKEDIN_REDIRECT_URI in your env must point to /api/adapters/linkedin/callback (and match what's registered in the LinkedIn Developer Console). Build a UI step in account settings for the export-upload path (drag ZIP → parse client-side → POST the CSV strings)Done. route.ts follows this flow:Auth — requireUser(), redirects to /account?linkedin=error if not logged in CSRF — validates state against the li_oauth_state cookie (same cookie the existing auth route sets) exchangeCode(code) — gets the access token runLinkedInApiImport(accessToken) — runs the full adapter pipeline → ImporterTag[] Resolve tags — looks up existing tags by code_name/slug, inserts any missing ones Upsert profile2tag — with conflict target (profile_id, tag_id, tag_source) so re-imports update weights Redirect → /account?linkedin=imported&count=N on success, /account?linkedin=error&msg=... on any failure One thing to set: LINKEDIN_REDIRECT_URI in your env must point to /api/adapters/linkedin/callback (and match what's registered in the LinkedIn Developer Console).

(utenti) Possibilità strutturata di richiedere una raccomandazione a un'altra persona(HR) Possibilità di richiedere una raccomandazione per un candidato, a un referente (lista di email) da lui fornita. Reference check automatizzato e non invasivo Oggi il reference check è: Telefonata informale Non strutturata Bias-driven Non documentata Con Stakeshare: L’azienda può richiedere endorsement strutturati Il collega referente può rilasciare una raccomandazione certificata Il sistema aggrega e pesa i contributiIl processo è tracciato