Introduzione

Negli ultimi anni l’intelligenza artificiale è passata da curiosità sperimentale a strumento quotidiano nelle organizzazioni. La domanda, inizialmente “serve a qualcosa?”, si è trasformata in “quanto tempo risparmia?” e ora si concentra su “cosa succede alle persone che la usano otto ore al giorno?”. Questo cambiamento influisce non solo sui compiti, ma anche sui ruoli, sui criteri di valutazione e sul design dei software.

Dati sul divario di adozione

Un’indagine di Anthropics sugli impatti dell’AI sul mercato del lavoro evidenzia un divario sorprendente: per le professioni informatiche e matematiche l’esposizione teorica all’AI raggiunge il 94 %, mentre la copertura osservata nell’uso reale si ferma al 33 %. I sessanta punti di differenza non rappresentano solo una latenza tecnologica, ma lo spazio decisionale in cui le organizzazioni devono scegliere quali attività delegare, quali mantenere, quali controlli introdurre e quali competenze preservare.

Studio MIT Media Lab

Metodologia e risultati

Una ricerca preprint del MIT Media Lab ha coinvolto 54 partecipanti impegnati a scrivere saggi in tre modalità: con assistente conversazionale, con motore di ricerca e senza supporti. I soggetti che hanno utilizzato l’AI hanno mostrato una connettività cerebrale più debole rispetto agli altri gruppi e, a conclusione della sessione, l’83 % di loro non era in grado di citare una singola riga del testo prodotto. Gli autori hanno introdotto il concetto di debito cognitivo.

Due cautele sono necessarie: il lavoro è ancora un preprint non revisionato, con un campione limitato sia per numero sia per caratteristiche demografiche; inoltre, la diminuzione della connettività cerebrale riguarda il momento dell’esecuzione del compito, non una riduzione permanente delle capacità cognitive.

Studio Microsoft Research

Design e ampiezza

Un’indagine più ampia, condotta da Microsoft Research in collaborazione con la Carnegie Mellon University e presentata a CHI 2025, ha coinvolto 319 professionisti in 936 casi d’uso reali. Il risultato principale indica che chi ha più fiducia nell’intelligenza artificiale applica meno pensiero critico, mentre chi ha più fiducia nelle proprie competenze lo applica di più.

Impatto sull’impegno cognitivo

Lo stesso studio mostra che gli utenti di AI riferiscono uno sforzo minore in quasi tutte le attività professionali – comprendere, applicare, analizzare, sintetizzare – ma l’impegno non scompare: si sposta sulla verifica dell’output, sulla sua integrazione contestuale e sul monitoraggio dei risultati. In pratica, la responsabilità di controllare la qualità rimane, ma è concentrata su un numero più ridotto di persone.

Automation bias e automation complacency

Il fenomeno non è nuovo. Già nel 2010 Raja Parasuraman e Dietrich Manzey pubblicavano su Human Factors una sintesi delle ricerche su automation bias e automation complacency, originariamente studiate in aviazione, medicina e ambito militare. Tre conclusioni chiave emergono:

    • Fiducia eccessiva: chi si fida di un sistema affidabile tende a smettere di verificarlo, spesso senza rendersene conto.
    • Universalità: il fenomeno colpisce sia principianti sia esperti e non si risolve con la sola esperienza.
    • Limiti della formazione: indicare alle persone di “controllare” non migliora i controlli; la prevenzione richiede cambiamenti nelle condizioni di lavoro, non solo nelle raccomandazioni.

Il bias peggiora quando la sorveglianza compete per l’attenzione con altre attività, tipico delle giornate frenetiche in azienda.

Il trasferimento del carico di lavoro

Nel contesto aziendale il passaggio da processi lunghi a bozze generate in pochi minuti ha spostato il collo di bottiglia dal tempo di attesa alla verifica dell’output. Una bozza che richiedeva un’ora o due per arrivare a un collega ora può essere prodotta in cinque minuti o meno, ma la revisione richiede ancora attenzione critica. Quando gli strumenti diventano più precisi, il numero di interazioni necessarie diminuisce, ma la quantità di fronti che possiamo aprire contemporaneamente aumenta, amplificando il carico sui revisori.

Condizioni di verifica e pressione

La verifica non avviene in un vuoto emotivo neutro. I revisori possono trovarsi lucidi, ma spesso sono stanchi, sotto pressione o preoccupati di non stare al passo. In tali condizioni, la tendenza a delegare aumenta, soprattutto se l’AI è percepita come infallibile. La pressione può generare pensieri come “se lo dice l’AI sarà giusto”, “non serve capire a fondo”, o “se chiedo dimostrazioni sembrerò incompetente”.

Strategie di mitigazione

Per affrontare il paradosso è necessario intervenire su più livelli:

    • Ridisegnare i flussi di lavoro: separare chiaramente le fasi di generazione automatica da quelle di validazione, assegnando risorse dedicate alla revisione.
    • Implementare controlli contestuali: integrare meccanismi di feedback che richiedano al revisore di spiegare le proprie valutazioni, riducendo la passività.
  • Formazione mirata: non limitarsi a “controllare”, ma insegnare tecniche di critical thinking specifiche per ambienti ibridi