Nel 2024 tre ricercatori del MIT hanno raccolto i risultati di 106 esperimenti in cui persone, sistemi di intelligenza artificiale e coppie persona-IA svolgevano lo stesso compito. La domanda era semplice: lavorare insieme conviene? La risposta media è stata scomoda. Le coppie persona-IA hanno fatto meglio delle persone da sole, ma in media peggio del migliore dei due preso singolarmente (Vaccaro, Almaatouq e Malone, 2024).
Il dato non dice che l'IA è inutile, né che le persone sono d'intralcio. Dice che mettere uno strumento potente in mano a qualcuno non basta per ottenere il meglio di entrambi. Conta come le persone lo usano: quando delegano, quando controllano, quando decidono di fare da sole. È di questo che parla l'espressione human in the loop, e il motivo per cui conviene prenderla sul serio.
Cosa vuol dire tenere l'uomo nel circuito
L'espressione si usa da decenni nell'ingegneria dei sistemi di controllo (all'inizio degli anni Ottanta si parlava già di man in the loop): indica un processo automatico in cui una persona interviene in punti precisi per verificare, correggere o fermare. Applicata all'IA generativa nel lavoro d'ufficio, viene spesso ridotta a un passaggio formale: qualcuno rilegge il testo prima di inviarlo.
Gli studi citati in questo articolo suggeriscono che questo passaggio, da solo, non basta. Chi approva senza avere gli strumenti per giudicare firma, ma non supervisiona. Perché il controllo umano aggiunga valore servono tre condizioni: conoscere il compito abbastanza da riconoscere un errore, sapere dove lo strumento tende a sbagliare, avere il tempo e l'abitudine di verificare. Sono competenze. E come tutte le competenze si possono misurare e allenare.
Quanto aiuta l'IA, e a chi
I benefici sono documentati da studi rigorosi. In un esperimento pubblicato su Science, 453 professionisti laureati hanno svolto compiti di scrittura tipici del loro lavoro: chi poteva usare ChatGPT ha impiegato il 40% di tempo in meno e ha prodotto testi giudicati migliori del 18% (Noy e Zhang, 2023). In un'azienda di software con oltre 5.000 operatori di assistenza clienti, l'introduzione di un assistente basato su IA ha aumentato in media del 15% i casi risolti in un'ora, con un miglioramento di circa il 30% per gli operatori meno esperti o con risultati più bassi; per i più esperti e capaci ci sono stati solo piccoli guadagni di velocità e un leggero calo della qualità (Brynjolfsson, Li e Raymond, 2025).
Uno degli studi più citati è quello condotto con 758 consulenti di Boston Consulting Group. Su 18 compiti realistici, chi usava GPT-4 ha completato il 12,2% di compiti in più, il 25,1% più rapidamente e con una qualità superiore di oltre il 40%. Ne hanno beneficiato tutti, ma di più chi partiva da risultati più bassi: rispetto al proprio punteggio in un compito iniziale, i consulenti della metà inferiore sono migliorati del 43%, quelli della metà superiore del 17% (Dell'Acqua et al., 2023).
Numeri come questi spiegano la fretta di molte aziende. Ma lo stesso studio contiene il risultato più utile per chi deve decidere come introdurre l'IA.
La frontiera frastagliata
Ai consulenti di BCG è stato dato anche un caso aziendale costruito in modo che GPT-4 sbagliasse l'analisi: partendo da un foglio di dati finanziari e dalle interviste ai dirigenti di un'azienda, bisognava consigliare al CEO su quale marchio puntare. I dati sembravano completi, ma la risposta giusta emergeva solo da dettagli contenuti nelle interviste. Chi lavorava senza IA ha dato la risposta corretta in circa l'84% dei casi, chi usava l'IA tra il 60% e il 70%: in media 19 punti percentuali in meno. Eppure i valutatori hanno giudicato le raccomandazioni di chi usava l'IA di qualità superiore, anche quando la risposta era sbagliata. Per chi deve controllare il lavoro è un'insidia in più: un testo ben scritto non è una prova di correttezza. Gli autori parlano di frontiera tecnologica frastagliata: compiti che a una persona sembrano di difficoltà simile cadono da parti opposte del confine tra ciò che l'IA fa bene e ciò che sbaglia, e il confine non è sempre evidente, nemmeno per professionisti esperti.
Un dettaglio merita attenzione. Il gruppo che, oltre allo strumento, aveva ricevuto materiali (video e documenti) sull'uso dei prompt ha fatto peggio di chi aveva solo lo strumento: 24 punti percentuali di risposte corrette in meno rispetto a chi lavorava senza IA, contro 13, una differenza al limite della significatività statistica. Gli autori osservano che fuori dalla frontiera i consulenti si sono affidati troppo all'IA, e che chi ha ottenuto risultati peggiori tendeva ad adottarne le risposte senza metterle in discussione. Il dato suggerisce che saper usare lo strumento e sapere quando non fidarsene siano due competenze diverse.
Gli autori hanno poi analizzato come avevano lavorato i consulenti che, pur usando l'IA, avevano risolto correttamente questo compito, e hanno individuato due stili: i "centauri", che dividono il lavoro assegnando ogni parte all'IA o a sé stessi secondo i punti di forza di ciascuno, e i "cyborg", che integrano l'IA in modo continuo, alternandosi con lei anche all'interno della stessa attività. In entrambi i casi resta alla persona la scelta di cosa delegare e di cosa verificare.
Un problema noto da quarant'anni
Niente di questo è nuovo per chi studia il rapporto tra persone e automazione. Nel 1983 la psicologa cognitiva Lisanne Bainbridge descriveva le "ironie dell'automazione": chi progetta l'automazione lascia all'operatore i compiti che non riesce ad automatizzare, a partire dalla gestione delle situazioni anomale, mentre l'operatore perde la pratica che servirebbe per gestirle, perché le abilità si deteriorano se non vengono usate. Togliendo le parti facili del lavoro, l'automazione può rendere più difficili quelle difficili; e più un sistema di controllo è avanzato, più può diventare cruciale il contributo dell'operatore umano (Bainbridge, 1983).
Nel 2010 Raja Parasuraman e Dietrich Manzey hanno passato in rassegna gli studi su come le persone usano sistemi automatici e di supporto alle decisioni, in aviazione, sanità, controllo di processo e ambito militare. Hanno descritto due fenomeni collegati: la compiacenza, cioè controllare un sistema automatico meno di quanto servirebbe, soprattutto quando si è impegnati in altri compiti, fino a non accorgersi dei suoi errori; e il bias da automazione, cioè seguire un suggerimento sbagliato della macchina (errore di commissione) o non intervenire perché la macchina non ha segnalato nulla (errore di omissione). Entrambi colpiscono principianti ed esperti, come i piloti. La compiacenza non si elimina con la semplice pratica, e negli studi esaminati il bias da automazione non è stato prevenuto né dalla formazione né da istruzioni esplicite a verificare i suggerimenti. Ha aiutato invece, almeno in parte, sperimentare in prima persona durante l'addestramento gli errori dello strumento (Parasuraman e Manzey, 2010).
Le stesse dinamiche si vedono oggi con l'IA generativa. Un'indagine di Microsoft Research e Carnegie Mellon su 319 lavoratori della conoscenza che usano l'IA generativa almeno una volta alla settimana ha trovato che più le persone ritengono l'IA capace di svolgere un compito, meno pensiero critico dichiarano di applicare, mentre chi ha più fiducia nelle proprie capacità ne applica di più, anche se lo vive come più faticoso. Secondo i partecipanti, lo sforzo si sposta: dalla raccolta di informazioni alla loro verifica, dalla soluzione dei problemi all'integrazione delle risposte dell'IA, dall'esecuzione del compito alla sua supervisione (Lee et al., 2025).
La conseguenza pratica è importante. Un corso che si limita a spiegare i rischi dell'IA, o a raccomandare di verificare, rischia di non bastare: sembra contare di più l'esperienza diretta di come e quando lo strumento sbaglia.
Cosa distingue le collaborazioni che funzionano
Torniamo alla meta-analisi del MIT. Dietro la media negativa c'è molta variabilità, e i fattori che la spiegano sono istruttivi. Nei compiti di decisione, dove si tratta di scegliere tra alternative, le coppie persona-IA hanno perso terreno; nei compiti di creazione di contenuti (testi, immagini) il risultato medio è stato invece positivo, anche se, con pochi studi disponibili, non distinguibile statisticamente da zero; la differenza tra i due tipi di compito risulta comunque significativa. Il fattore più forte è stato però un altro: quando la persona, da sola, era più brava dell'IA, la combinazione ha superato entrambe; quando l'IA era più accurata della persona, la combinazione ha fatto peggio dell'IA da sola. L'ipotesi degli autori è che le persone più competenti sappiano anche decidere meglio quando fidarsi del proprio giudizio e quando del suggerimento della macchina (Vaccaro, Almaatouq e Malone, 2024).
Gli autori propongono di progettare processi in cui ciascuno svolga le parti del compito in cui è più bravo. Presentando lo studio, Malone ha suggerito di lasciare all'IA la ricerca di base, il riconoscimento di schemi, le previsioni e l'analisi dei dati, e alle persone la capacità di cogliere le sfumature e il contesto. Per farlo bisogna sapere, reparto per reparto e ruolo per ruolo, dove si trova oggi questo equilibrio.
Cosa può fare un'organizzazione
Dalla ricerca emergono alcune indicazioni concrete per chi vuole introdurre l'IA mettendo le persone al centro.
- Partire da una misura. Prima di formare, conviene sapere come le persone usano già l'IA: quanto, per quali compiti, con quanta fiducia, con quali abitudini di verifica.
- Formare per ruolo e su compiti veri. La frontiera frastagliata cambia da un compito all'altro, e quindi da un ruolo all'altro: chi scrive offerte commerciali, chi analizza dati e chi gestisce clienti incontra rischi diversi. Una formazione utile lavora sui compiti reali di ciascun ruolo e allena a riconoscere quando lo strumento sta sbagliando, non solo a scrivere prompt migliori.
- Proteggere le competenze di base. L'ironia descritta da Bainbridge vale anche in ufficio: se l'IA svolge sempre le parti di routine, le persone perdono la pratica che serve per controllarla. Alternare lavoro assistito e lavoro autonomo sui compiti critici mantiene viva la capacità di giudizio.
- Misurare di nuovo dopo qualche settimana. Il gradimento a fine corso dice poco. Quello che conta è se, a distanza di tempo, sono cambiati i comportamenti: più verifica dove serve, più delega dove è sicuro farlo, fiducia più vicina all'affidabilità reale dello strumento.
Anche la normativa va in questa direzione
Dal 2 febbraio 2025 l'articolo 4 dell'AI Act europeo chiede a chi fornisce e a chi utilizza sistemi di IA di occuparsi dell'alfabetizzazione in materia di IA del proprio personale. Il Regolamento (UE) 2026/1744, in vigore dal 27 luglio 2026, ha riformulato l'articolo: oggi chiede di adottare misure che sostengano lo sviluppo di queste competenze, tenendo conto delle conoscenze, dell'esperienza e del contesto di lavoro delle persone, precisando che non impone di garantire un livello specifico di alfabetizzazione per alcuna persona. In pratica è un obbligo di mezzi, non di risultato. La Commissione europea chiarisce che non servono certificati e che basta tenere traccia interna delle iniziative svolte: per un'azienda, poter mostrare da dove è partita, cosa ha fatto e cosa è cambiato è il modo più convincente per documentarle.
L'uomo al centro, in pratica
Mettere l'uomo al centro dell'adozione dell'IA non significa rallentarla né diffidarne. Significa sapere cosa le persone sanno fare oggi con questi strumenti, dove si fidano troppo e dove troppo poco, e lavorare su quello con metodo. Le aziende che otterranno di più dall'IA saranno quelle in cui le persone sanno quando affidarsi allo strumento e quando no.
Fonti
- Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. doi.org/10.1016/0005-1098(83)90046-8
- Brynjolfsson, E., Li, D. e Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942, doi.org/10.1093/qje/qjae044. Versione di lavoro: NBER Working Paper 31161 (2023).
- Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. e Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013 (2023); versione pubblicata (2026) su Organization Science, doi.org/10.1287/orsc.2025.21838
- Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R. e Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI '25. doi.org/10.1145/3706598.3713778
- Noy, S. e Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi.org/10.1126/science.adh2586
- Parasuraman, R. e Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381–410. doi.org/10.1177/0018720810376055
- Vaccaro, M., Almaatouq, A. e Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303. doi.org/10.1038/s41562-024-02024-1
- Regolamento (UE) 2024/1689 (AI Act), articolo 4, come modificato dal Regolamento (UE) 2026/1744 (Omnibus digitale sull'IA). eur-lex.europa.eu/eli/reg/2026/1744/oj