Nel 2025 quattro ricercatori hanno pubblicato su PNAS una serie di esperimenti su oltre 4.400 persone con una domanda molto specifica: cosa pensano gli altri di te quando dichiari di aver usato l’AI per fare il tuo lavoro?
Il risultato è coerente in tutti e quattro gli studi. Chi dichiara di usare strumenti di AI viene valutato come più pigro, meno competente, meno diligente e meno rimpiazzabile in senso positivo. E nell’esperimento sulla selezione del personale, i valutatori che non usavano AI erano meno propensi ad assumere candidati che dichiaravano di usarla. Il segno si invertiva solo quando il valutatore era a sua volta un utente abituale.
Quindi la domanda “come sfrutto l’AI al lavoro” ha una componente che quasi nessuna guida affronta: non riguarda solo cosa ottieni dallo strumento, ma cosa succede quando si viene a sapere che lo hai usato.
Il risultato pratico: l’AI si usa di nascosto
Questa penalità sociale ha una conseguenza misurabile. Nel Work Trend Index di Microsoft e LinkedIn del 2024, che è un’indagine aziendale e va letto come tale, non come un esperimento, il 78% di chi usa AI al lavoro dichiarava di portarsi strumenti propri, non forniti dall’azienda. E poco più della metà ammetteva di essere riluttante a dire che aveva usato l’AI per i compiti più importanti.
I due dati insieme descrivono uno schema che chiunque lavori in un’azienda media riconosce: lo strumento è ovunque e ufficialmente non c’è.
Le conseguenze non sono solo di reputazione. Se l’uso è sommerso, non esistono linee guida su cosa si può incollare in una chat, nessuno verifica gli output critici, e le competenze non si trasmettono tra colleghi perché nessuno ammette di avere qualcosa da insegnare.
Il pendolo: prima ci fidiamo troppo poco, poi troppo
C’è una letteratura precedente all’AI generativa che descrive bene quello che sta succedendo, e vale la pena conoscerla perché evita due errori opposti.
Da un lato Berkeley Dietvorst, Joseph Simmons e Cade Massey hanno documentato nel 2015 quella che hanno chiamato avversione all’algoritmo: dopo aver visto un modello statistico sbagliare, le persone smettono di usarlo e tornano al proprio giudizio, anche quando il modello continua a essere più accurato di loro. Un errore umano viene perdonato, un errore della macchina no.
Dall’altro Jennifer Logg, Julia Minson e Don Moore hanno trovato nel 2019 il fenomeno opposto, che hanno chiamato apprezzamento dell’algoritmo: a parità di consiglio, le persone lo seguono di più se credono che venga da un algoritmo piuttosto che da una persona.
I due risultati non si contraddicono, dipendono da quanto sai del compito. E insieme spiegano il pendolo che si osserva oggi in ufficio: rifiuto categorico finché non funziona, delega totale appena sembra funzionare.
Il secondo estremo ha un nome tecnico e una letteratura corposa. Raja Parasuraman e Dietrich Manzey, in una rassegna del 2010 su Human Factors, chiamano compiacenza da automazione la riduzione del monitoraggio che si verifica quando un sistema automatico si è dimostrato affidabile. Linda Skitka e colleghi avevano già mostrato nel 1999 che l’automazione produce due tipi di errore distinti: errori di omissione (non ti accorgi di quello che il sistema non ha segnalato) e errori di commissione (segui una segnalazione sbagliata contro l’evidenza disponibile).
Entrambi diventano più probabili quanto più il sistema è affidabile. Non meno.
L’ironia dell’automazione
Il pezzo più utile di questa letteratura ha quarant’anni. Nel 1983 Lisanne Bainbridge pubblicò su Automatica un articolo di poche pagine intitolato Ironie dell’automazione, che descrive un meccanismo che la retorica corrente ignora del tutto.
L’argomento è questo. Quando si automatizza un lavoro si automatizzano le parti facili e regolari, perché sono quelle automatizzabili. All’operatore umano restano solo le eccezioni, cioè i casi più difficili. Ma la competenza necessaria a gestire i casi difficili si costruiva proprio facendo, ripetutamente, i casi facili. Togliendo la pratica ordinaria si erode la capacità di affrontare quella straordinaria, e la si erode proprio nelle persone a cui viene chiesto di intervenire quando il sistema si rompe.
È l’obiezione più seria alla frase più ripetuta di questi anni, quella secondo cui l’AI ti libera dai compiti a basso valore per lasciarti quelli ad alto valore. Nella misura in cui il compito ad alto valore si imparava facendo quello a basso valore, la promessa contiene un problema.
Automatizzare la prima versione è comodo. Il costo è che, dopo un po’, non riconosci più una brutta prima versione.
Come usarla senza perdere il mestiere
- Decidi in anticipo cosa non delegherai mai. Metti per iscritto due o tre attività che continuerai a fare a mano perché sono quelle su cui poggia il tuo giudizio professionale. È la contromisura diretta all’ironia di Bainbridge.
- Distingui il primo abbozzo dal risultato. L’AI è utile a portarti dalla pagina bianca a qualcosa da criticare. Il valore che aggiungi è la critica, non l’abbozzo.
- Verifica ogni fatto verificabile. Nomi, cifre, citazioni, riferimenti normativi. È la categoria dove il modello è più convincente e meno affidabile: il perché è spiegato in AI generativa.
- Non incollare dati riservati in strumenti non approvati. È il rischio concreto dell’uso sommerso. Se in azienda non c’è una politica chiara, chiederla è un gesto professionale, non un’ammissione di colpa.
- Sii trasparente sul processo, non sullo strumento. Alla luce dello studio PNAS, dire “ho usato ChatGPT” e dire “ho fatto una prima ricognizione, poi verificato le fonti e riscritto” comunicano cose molto diverse, e la seconda è anche più informativa.
- Misura i tuoi tempi reali. La percezione del tempo risparmiato è inaffidabile. Due settimane di annotazioni valgono più di qualsiasi impressione.
- Investi nella parte che non si sta livellando. Capire il contesto, dire di no, decidere in condizioni ambigue. Ne ho scritto in pensiero critico.
Cosa ne penso: la penalità passerà, il rischio di disimparare no
Penso che la penalità sociale documentata dallo studio PNAS sia una fase, e che sparirà quando l’uso diventerà maggioritario tra i valutatori: lo suggerisce già il dato secondo cui i valutatori utenti non penalizzavano. Ma nel frattempo è reale, ed è un fatto da tenere presente quando si scrive una candidatura o si consegna un lavoro a un cliente.
Trovo anche che il consiglio più diffuso, “usa l’AI per i compiti noiosi”, sia più ambiguo di come suona. Alcuni compiti noiosi sono davvero solo noiosi. Altri sono noiosi e sono anche l’unico posto in cui si accumula esperienza. Distinguere tra i due è un lavoro che nessuno può fare al posto tuo, perché dipende dal tuo mestiere.
Qui vado oltre i dati, quindi prendila come un’intuizione: fra dieci anni la differenza tra professionisti non sarà quanta AI usano, ma quanto sono capaci di funzionare quando lo strumento dà una risposta sbagliata con perfetta sicurezza.
Domande frequenti
Devo dire al mio capo che uso l’AI? Dipende dalla politica aziendale, che va rispettata. Sul piano della percezione, lo studio PNAS suggerisce che il modo in cui lo dici conta: descrivere il processo e la verifica è diverso da nominare lo strumento e basta.
Usare l’AI mi rende meno competente? La ricerca non dice questo. L’argomento di Bainbridge dice qualcosa di più sottile: se smetti di praticare i compiti ordinari, si atrofizza la capacità di gestire quelli straordinari. È un rischio gestibile, non un destino.
Perché a volte mi fido troppo dei risultati? È compiacenza da automazione, documentata molto prima dei modelli linguistici. Cresce con l’affidabilità percepita del sistema, il che la rende più pericolosa proprio quando lo strumento è buono.
L’AI sostituirà il mio ruolo? La domanda merita più spazio di un paragrafo. L’ho affrontata in AI e lavoro, con i numeri di Frey e dell’OCSE che misurano cose diverse.
Da dove comincio concretamente? Da un compito ricorrente, definito e verificabile, per due settimane, misurando i tempi. Le indicazioni operative sono in come usare ChatGPT sul lavoro e scrivere prompt efficaci.
Fonti
- Reif, J. A., Larrick, R. P., & Soll, J. B. (2025). Evidence of a Social Evaluation Penalty for Using AI. PNAS, 122(19). I quattro esperimenti su oltre 4.400 partecipanti.
- Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775-779. L’argomento sull’erosione della competenza.
- Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114-126.
- Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, 151, 90-103.
- Parasuraman, R., & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381-410.
- Skitka, L. J., Mosier, K. L., & Burdick, M. (1999). Does Automation Bias Decision-Making? International Journal of Human-Computer Studies, 51(5), 991-1006. Errori di omissione e di commissione.
- Parasuraman, R., & Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors, 39(2), 230-253.
- Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. Le strategie centauro e cyborg.
- Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3-30.
- Microsoft & LinkedIn (2024). Work Trend Index Annual Report. I dati su strumenti portati dai dipendenti e reticenza a dichiararne l’uso. Indagine aziendale, non studio controllato.
Questo articolo è stato scritto seguendo il processo descritto in come scriviamo. Se trovi un dato riportato male, scrivimi: lo correggo e lo segnalo in fondo all’articolo.


