L’intelligenza artificiale generativa sta oggi anche modificando il comportamento umano, e lo fa con modalità diverse a seconda che la tipologia di delega che le conferiamo sia quella verso gli “assistenti” – come ad esempio sono i Large Language Models -, a cui affidiamo singoli compiti mentre noi restiamo a governarne il percorso, o quella verso gli agenti autonomi, a cui affidiamo invece degli obiettivi, cosa che però comporta una nostra perdita di visibilità sui passaggi intermedi, la quale, a sua volta, cambia il modo in cui esercitiamo supervisione e responsabilità.
Il percorso proposto su come l’intelligenza artificiale sta ridisegnando il comportamento umano si sviluppa su quattro piani: gli utilizzi dell’assistente nella vita privata e nel lavoro; il passaggio all’agente, con le sue implicazioni per il controllo e la resilienza organizzativa; gli effetti indiretti sul modo in cui trattiamo altre persone, dalla fiducia nella comunicazione “mediata” dalla IA a cosa può significare la progressiva perdita di “attrito” nelle relazioni; infine, una condivisione di possibili scenari futuri e di alcune proposte di governance. Il percorso integra anche le prime evidenze sistematiche sul comportamento dei modelli nell’interazione, un piano finora rimasto in ombra rispetto a quello degli utilizzatori.
Indice degli argomenti
Intelligenza artificiale e comportamento umano: la soglia della delega
Le deleghe che conferiamo all’intelligenza artificiale generativa, in funzione dell’ottenimento di risultati, stanno anche influenzando degli aspetti chiave come l’attenzione, la memoria, il giudizio, l’iniziativa, la relazione e la responsabilità, e questo cambiamento comportamentale si aggiunge a quello tecnologico, e in qualche modo anche lo precede. In maniera molto schematica, all’assistente deleghiamo sostanzialmente dei compiti – cose da fare, che formuliamo noi e di cui controlliamo il percorso -, mentre all’agente deleghiamo sostanzialmente degli obiettivi, che il sistema persegue scegliendo, a diversi livelli di autonomia, passaggi, strumenti e ordine delle azioni, restando noi comunque responsabili del risultato di un cammino di cui però non vediamo più ogni passaggio.
Questo spostamento della delega dal compito all’obiettivo costituisce una vera e propria soglia comportamentale, con un’incidenza molto maggiore di quella caratteristica della sofisticazione tecnologica del modello che la rende attuabile.
Svilupperemo questo fil rouge in quattro tappe. Nella prima esamineremo l’assistente – che cosa cambia nel lavoro e nella vita privata quando deleghiamo compiti singoli, restando noi a decidere ogni passaggio. Nella seconda passeremo all’agente, dove il percorso verso l’obiettivo lo decide sostanzialmente il sistema, e con esso cambiano supervisione, responsabilità e resilienza organizzativa. Nella terza guarderemo a un effetto che finora la discussione pubblica ha trattato solo marginalmente, ovvero come l’interazione con assistenti e agenti modifichi, indirettamente, anche il modo in cui trattiamo altri esseri umani – fiducia, comunicazione, legami. Nella quarta, infine, condivideremo scenari, governance e le implicazioni pratiche per imprese e persone.
Iniziamo questo percorso dall’assistente personale perché sappiamo che lì si concentra la maggioranza dell’uso reale: dati abbastanza recenti e molto estesi sui pattern di utilizzo di ChatGPT, basati su oltre un milione di conversazioni campionate, mostrano che la quota di messaggi non legati al lavoro è passata dal 53% a oltre il 70% del totale fra la metà del 2024 e il luglio 2025, con una crescita più rapida di quella dell’uso professionale in ogni periodo osservato (Chatterji et al., 2025).
Definire l’IA generativa un assistente personale prima ancora che uno strumento di lavoro è dunque la descrizione più accurata oggi disponibile di come l’IA stessa viene effettivamente usata, e la trasformazione comportamentale di cui parliamo riguarda la vita quotidiana delle persone almeno quanto le organizzazioni in cui lavorano – se non probabilmente di più.
La classificazione principale che caratterizza questo articolo riprende quella con cui Anthropic separa, all’interno dei sistemi agentici (agentic systems), i workflow – nei quali LLM e strumenti sono “orchestrati” lungo percorsi di codice predefiniti — dagli agenti autonomi propriamente detti – nei quali è il modello a dirigere dinamicamente i propri processi e l’uso degli strumenti (Anthropic, 2024). La base comune a entrambi è il LLM “aumentato” con il recupero di informazioni, strumenti e memoria, che di per sé non decide ancora il percorso, in quanto decide la persona, a ogni interazione, ed è questo il livello che chiamiamo assistente. Quando invece il percorso viene fissato in anticipo (workflow) o deciso dal modello passo dopo passo (agente autonomo), siamo nel secondo livello, quello dell’agente.
A questa scala si arriva lungo una traiettoria tecnica ben nota, che richiamiamo solo per sommi capi: l’architettura Transformer, introdotta nel 2017 (Vaswani et al., 2017), l’emergere di capacità few-shot su larga scala dimostrato da GPT-3 nel 2020 (Brown et al., 2020), la diffusione conversazionale di massa avviata da ChatGPT alla fine del 2022 (OpenAI, 2022), e la formalizzazione del paradigma che alterna ragionamento e azione su un ambiente esterno (Yao et al., 2023), un antecedente diretto degli agenti odierni.
La variabile comportamentale che permette di prevedere che cosa accade alla persona a ciascun livello è dunque, più che la sofisticazione tecnica, l’ampiezza e la qualità del controllo sul percorso che la persona riesce a conservare e ad applicare. Con un assistente la persona chiede e riceve, mantenendo intatta la propria “tradizionale” funzione di giudizio; con un workflow avvia un processo il cui svolgimento è stato fissato in anticipo; con un agente autonomo assegna un obiettivo e riceve il risultato dopo un certo numero di azioni intermedie, delle quali può non avere visibilità puntuale.
Più questa catena si allunga, più diventa necessario — non opzionale, necessario! — governare permessi, verificabilità, reversibilità e punti di approvazione umana, perché altrimenti la delega degenererebbe in delega indiscriminata, e la persona che avrebbe dovuto restare il titolare della decisione ne diventerebbe, senza accorgersene, un semplice ratificatore.
Fino a poco tempo fa, però, questa lettura poggiava quasi esclusivamente su evidenze raccolte dal lato di chi usa l’IA – che cosa le persone chiedono, quanto ne guadagnano in produttività, come cambiano fiducia e benessere –, mentre restava in ombra l’altro lato della relazione, ovvero il modo in cui i modelli si comportano nel corso dell’interazione e se, nel farlo, preservino oppure erodano proprio quel controllo sul percorso che abbiamo appena individuato come variabile decisiva.
Una prima risposta sistematica viene dall’Open Benchmark of AI Impact on Humans (ImpactBench), una piattaforma aperta sviluppata dal MIT Media Lab insieme, fra gli altri, a USC Marshall Neely Center, UC Berkeley e Psychology of Technology Institute, che sposta la valutazione dei modelli dalla capacità di svolgere compiti agli effetti che il loro comportamento può avere su chi li usa, traducendo in 809 metriche comportamentali i costrutti proposti da esperti di dominio e da 26 benchmark preesistenti e applicandole a 48.540 conversazioni simulate a più turni con dieci modelli, proprietari e open-weight, nelle quali un utente simulato insiste, contesta e alza progressivamente la pressione (Archiwaranguprok et al., 2026).
Il risultato complessivo è un’asimmetria che attraversa tutta la nostra analisi: i modelli mostrano i comportamenti desiderabili nel 68,7% delle valutazioni, ma evitano quelli indesiderabili soltanto nel 53,1%, e differiscono fra loro molto più nella capacità di evitare il danno – 38,6 punti percentuali di distanza fra il migliore e il peggiore – che in quella di essere utili, dove la distanza si ferma a 15,9 punti.
Si tratta di un lavoro alla sua prima versione, che misura comportamenti dei modelli in stress test controllati, e non gli effetti a valle sulle persone né la frequenza con cui quei comportamenti si presentano nell’uso ordinario dei prodotti; entro questi limiti, dichiarati dagli stessi autori, offre però il primo sguardo d’insieme sul lato della relazione che finora mancava, e lo useremo, nelle pagine che seguono, accanto alle evidenze raccolte dal lato degli utilizzatori.
L’assistente personale tra informazione, privacy e benessere
Sulla vita privata l’evidenza empirica è molto meno matura di quella disponibile sul lavoro, in quanto esistono dati solidi sull’adozione e sugli usi, ma molto meno sui risultati “longitudinali”, perché, mentre un aumento della frequenza d’uso è ovviamente facile da misurare, stabilire se e come l’IA modifichi nel tempo capacità cognitive, relazioni, benessere, fiducia e autonomia è un problema di ricerca intrinsecamente più difficile.
Il quadro più ampio, e statisticamente più solido, viene dallo studio già richiamato in apertura: analizzando, sul prodotto consumer, circa 1,1 milioni di conversazioni campionate fra maggio 2024 e luglio 2025, su una base di 700 milioni di utenti settimanali che nel luglio 2025 rappresentavano circa il 10% della popolazione adulta mondiale, la ricerca classifica l’uso di ChatGPT lungo tre assi comportamentali distinti — asking, quando l’utente cerca informazioni o un parere; doing, quando delega l’esecuzione di un compito; expressing, quando usa il sistema per elaborare pensieri o stati d’animo — e trova che tre categorie di contenuto, practical guidance, seeking information e writing, coprono da sole circa il 75% di tutte le conversazioni, con asking che da solo rappresenta quasi la metà dei messaggi complessivi (Chatterji et al., 2025).
È un dato che ridimensiona una narrazione piuttosto diffusa: l’uso dominante dell’AI generativa non è tanto la delega di un compito che l’utente non vuole fare, come suggerirebbe l’enfasi mediatica sull’automazione (automation), quanto la ricerca di un parere o di un’informazione, ossia una funzione molto più vicina a quella di un consulente sempre disponibile che a quella di un esecutore.
Lo stesso studio documenta inoltre una composizione demografica in rapido movimento — i giovani fra 18 e 25 anni generano oggi quasi la metà di tutti i messaggi, il divario di genere fra i primi utilizzatori, inizialmente sbilanciato in modo netto verso gli uomini, si è ridotto drasticamente, e la crescita è più rapida nei paesi a reddito più basso che in quelli dove il prodotto è stato lanciato per primo — un pattern di adozione più vicino a quello di un prodotto di consumo di massa che a quello di uno strumento professionale verticale.
Negli Stati Uniti, i dati Pew di febbraio 2026 indicano che il 24% degli adulti dichiarava di usare chatbot AI ogni giorno; il 42% li aveva usati per cercare informazioni, il 20% per consigli medici, il 13% per notizie, il 10% per supporto emotivo e il 4% per compagnia, mentre il 60% dichiarava di aver letto sintesi generate dall’IA direttamente nei risultati dei motori di ricerca (Pew Research Center, 2026).
Letto insieme al dato sulla prevalenza dell’asking, questo quadro smette di apparire come un insieme di usi eterogenei, e comincia a delineare un comportamento coerente: sempre più persone si rivolgono all’IA generativa come prima – e spesso unica! – tappa di un processo che un tempo passava attraverso un motore di ricerca, un forum, un amico esperto o un professionista.
Questo passaggio da motore di ricerca a motore di risposta merita un’osservazione a sé, perché segna una trasformazione dell’architettura dell’informazione più profonda di quanto il singolo dato lasci intuire: l’utente ottiene una risposta sintetica prima di incontrare direttamente le fonti che l’hanno generata, con un probabile guadagno in termini di costo cognitivo della ricerca e accessibilità, ma anche con un aumento della concentrazione epistemica — selezione, ordinamento, sintesi e formulazione della risposta si spostano in parte dall’utente e dalle fonti verso il sistema di IA.
La competenza informativa diventa quindi meno “saper trovare una pagina” e più “saper interrogare, verificare, triangolare e risalire alla fonte”, in coerenza con l’evoluzione osservata delle pratiche di ricerca.
È soprattutto nella componente doing — la delega dell’esecuzione di un compito — che questo emerge con più evidenza: sul piano della comunicazione, i LLM abbassano drasticamente il costo di tradurre, riassumere, riscrivere, adattare il tono e preparare messaggi, con un beneficio evidente per chi incontra barriere linguistiche, cognitive o di scrittura; il rovescio della medaglia è una crescente ambiguità fra comunicazione assistita e comunicazione autenticamente prodotta dall’interlocutore, un tema su cui torniamo più avanti a proposito degli effetti sulle relazioni interpersonali.
La crescente diffusione della mediazione algoritmica rende necessarie nuove norme sociali, oltre a quelle giuridiche, sulla disclosure, ed è significativo che i principi OCSE aggiornati nel 2024 includano ormai esplicitamente sfide relative a sicurezza e integrità dell’informazione fra i propri riferimenti (OECD, 2019/2024).
Un’interfaccia conversazionale, inoltre, invita l’utente a fornire contesto, e il contesto può comprendere dati professionali, sanitari, familiari, finanziari o emotivi; l’Opinion 28/2024 dell’European Data Protection Board affronta specificamente anonimizzazione, base giuridica e conseguenze di trattamenti illeciti nello sviluppo e nell’impiego dei modelli AI (EDPB, 2024), il che conferma che la privacy è una questione strutturale del ciclo di vita dei modelli e delle applicazioni, ben più che un rischio periferico della GenAI. Il cambiamento comportamentale più delicato è forse la possibile normalizzazione della disclosure verso una macchina: l’utente può percepire un chatbot come uno spazio privato proprio perché non vede un’altra persona dall’altra parte, pur interagendo con un servizio digitale sottoposto a specifiche condizioni di raccolta, memorizzazione e trattamento.
L’eventuale percezione psicologica di “intimità” con la macchina non va confusa con la reale riservatezza tecnica o giuridica effettivamente garantita dal servizio.
Sulla dimensione socio-emotiva – quella che nella classificazione appena richiamata rientra nell’expressing, la componente più piccola in termini quantitativi ma sicuramente quella con le implicazioni più delicate – la cautela deve essere ancora maggiore. Fra gli adolescenti statunitensi, il 16% dichiarava di aver usato chatbot per conversazioni informali e il 12% per supporto emotivo o consigli (McClain et al., 2026); gli studi su larga scala condotti insieme a un trial randomizzato mostrano effetti eterogenei, nei quali le caratteristiche dell’utilizzatore, l’intensità dell’uso e il tipo di conversazione risultano più determinanti del semplice fatto di usare o non usare lo strumento: gli utilizzatori più frequenti possono presentare maggiore solitudine o dipendenza emotiva (MIT Media Lab e OpenAI, 2025), mentre altri esperimenti sugli AI companion riscontrano riduzioni della solitudine nel breve periodo (De Freitas et al., 2026).
Le due evidenze non sono necessariamente contraddittorie — un’interazione può alleviare uno stato negativo nel momento e avere effetti differenti quando diventa sostituto persistente delle relazioni, o viene utilizzata da persone particolarmente vulnerabili —, ma l’evidenza longitudinale rimane troppo giovane per concludere che un chatbot migliori o peggiori stabilmente il benessere psicologico.
Le linee guida dell’OMS raccomandano proprio per questo una governance specifica dei grandi modelli multimodali utilizzati in ambito sanitario (WHO, 2024/2025): l’IA può contribuire a informazione, assistenza e accessibilità, ma un’interazione linguisticamente empatica non va confusa con diagnosi, relazione terapeutica o responsabilità clinica, e nei benchmark oncologici pubblicati su JAMA Oncology (Chen et al., 2024) e JAMA Network Open (Longwell et al., 2024) la stessa cautela vale in senso stretto: modelli con elevata accuratezza complessiva possono comunque produrre errori giudicati potenzialmente molto dannosi se sono applicati senza una costante supervisione professionale.
L’assistente nel lavoro tra produttività e competenze
L’evidenza sperimentale accumulata fra il 2023 e il 2026 nei contesti lavorativi — che riguarda quasi per intero l’assistente, dunque la delega di compiti – è ormai consolidata nell’indicare che, in un numero rilevante di attività cognitive delimitate, l’Intelligenza Artificiale Generativa (GenAI) produce miglioramenti sostanziali di produttività e qualità insieme, e quindi gli uni non vanno a scapito degli altri:
la ricerca sperimentale, in compiti professionali di scrittura, misura una riduzione del tempo di circa il 40% accompagnata da un aumento della qualità percepita di circa il 18% (Noy & Zhang, 2023), mentre uno studio effettuato su operatori di customer service, che ha seguito l’introduzione graduale di un assistente GenAI, registra un incremento medio del 15% dei problemi risolti per ora (Brynjolfsson, Li & Raymond, 2025), con i benefici maggiori concentrati proprio fra i lavoratori meno esperti e inizialmente meno performanti – un dato che da solo basterebbe a spostare la discussione dal “quanto rende l’IA” al “a chi rende di più”, perché è precisamente nella distribuzione asimmetrica dei benefici che si gioca buona parte della trasformazione organizzativa di cui parliamo più avanti.
Questi risultati non vanno letti come se l’IA migliorasse indistintamente qualunque attività affidatale, ed è qui che un esperimento effettuato con consulenti di Boston Consulting Group introduce una cautela metodologica fra le più importanti dell’intera letteratura recente: la ricerca descrive una “frontiera tecnologica frastagliata” (jagged technological frontier) entro la quale gli utenti dell’IA completavano il 12,2% di compiti in più, il 25,1% più rapidamente e con qualità superiore, mentre su attività situate oltre quella frontiera l’assistenza poteva peggiorare la performance rispetto al lavoro non assistito (Dell’Acqua et al., 2026a).
La competenza professionale che ne deriva va dunque oltre il “saper usare l’IA” e consiste nel riconoscere quando fidarsi, quando verificare e quando, semplicemente, non usarla affatto.
Il cambiamento più immediato riguarda la composizione dei compiti, non necessariamente il titolo professionale che li racchiude. Scrivere una prima bozza, cercare esempi, produrre codice standard, sintetizzare documenti, proporre alternative: tutto questo diventa relativamente meno costoso. Definire il problema, fornire contesto, identificare eccezioni, valutare l’accuratezza, conciliare interessi divergenti, prendere decisioni ad alto impatto e assumersene la responsabilità: tutto questo diventa, per contrasto, relativamente più importante.
Un esperimento sul “cybernetic teammate” – in cui l’intelligenza artificiale generativa non si limita a essere un semplice strumento di produttività, ma funziona a tutti gli effetti come un membro attivo del team – mostra che individui assistiti dall’IA potevano raggiungere livelli qualitativi simili a quelli di team di due persone che non utilizzavano l’IA, con l’IA che riduceva alcune barriere fra specialismi commerciali e tecnici e migliorava soprattutto la generazione delle idee (Dell’Acqua et al., 2026b) ma molto meno, per contro, la capacità di selezionare quelle migliori; il che suggerisce un futuro nel quale il valore umano relativo si sposta progressivamente dalla generazione di una prima risposta verso la contestualizzazione del problema, la selezione, la validazione, la responsabilità e la relazione, funzioni che restano non delegabili anche quando tutto il resto lo diventa.
Un errore analitico ricorrente, anche in contesti che dovrebbero essere informati, è interpretare un dato come “+15% di produttività” come se equivalesse a “-15% del numero di lavoratori necessari”: le due grandezze non sono naturalmente equivalenti, perché la maggiore produttività può tradursi in maggiore output, qualità più alta, prezzi inferiori, riduzione dei tempi di attesa, espansione della domanda, nuovi servizi resi possibili, e in parte – certo, anche questo – riduzione del lavoro necessario; quale di questi effetti prevalga dipende da domanda, organizzazione, regolazione, concorrenza e strategie aziendali, e non solamente dalla disponibilità della tecnologia.
I dati della International Labour Organization (ILO) stimano che circa un lavoratore su quattro nel mondo operi in un’occupazione con qualche grado di esposizione alla GenAI, mentre soltanto il 3,3% dell’occupazione mondiale ricade nella categoria di esposizione più elevata (ILO, 2025) — dove esposizione non equivale a eliminazione del posto di lavoro.
L’evidenza disponibile non sostiene quindi la dicotomia “AI uguale deskilling” oppure “AI uguale upskilling“, perché entrambi i fenomeni possono verificarsi sulla stessa persona nello stesso periodo: nel customer service, i lavoratori meno esperti acquisiscono più rapidamente le pratiche dei colleghi migliori, e questo è upskilling nel senso pieno del termine; ma se una competenza fondamentale viene esercitata sempre meno perché il modello produce sistematicamente la prima risposta, cresce il rischio che la persona non sviluppi, o non mantenga, la capacità di operare autonomamente quando quella prima risposta manca o è sbagliata — e questo è deskilling altrettanto reale, anche se meno visibile nel breve periodo.
Ne deriva una distinzione cruciale per chiunque debba valutare capitale umano e readiness organizzativa, quella fra skill performance e skill possession: una persona può produrre un risultato di livello elevato con l’IA senza possedere autonomamente tutte le competenze che quel risultato sembra dimostrare, e misurare soltanto l’output AI-assisted, senza che mai ci si chieda che cosa quella persona sappia fare quando il modello sbaglia, o cosa significhi costruire una valutazione delle competenze su un fondamento che può cedere proprio nel momento in cui servirebbe di più, può risultare estremamente rischioso. È una distinzione convergente con la lettura più recente dell’OCSE sull’interazione fra capacità dei modelli e competenze umane (OECD, 2026).
Questo problema tocca con particolare delicatezza i ruoli junior: storicamente molte attività di ingresso – prima analisi, ricerca preliminare, stesura, test, classificazione, preparazione di presentazioni – avevano una duplice funzione, producevano valore immediato e allo stesso tempo addestravano chi le svolgeva; automatizzarle può quindi essere efficiente oggi ma allo stesso tempo ridurre proprio il meccanismo attraverso cui si formano gli esperti di domani.
I dati più recenti dello Stanford Digital Economy Lab, aggiornati ad agosto 2026, non mostrano uno spiazzamento generalizzato dell’occupazione statunitense, ma registrano un segnale da monitorare con attenzione crescente: a giugno 2026 l’occupazione dei 22-25enni nelle professioni altamente esposte alla GenAI era circa il 19% più bassa rispetto a quella che si sarebbe osservata seguendo la dinamica dei coetanei nelle professioni meno esposte, una divergenza che passa soprattutto attraverso minori assunzioni piuttosto che attraverso licenziamenti, ed è concentrata nei lavori nei quali l’IA tende ad automatizzare più che a completare il lavoratore (Brynjolfsson, Chandar & Chen, 2026). Lo studio presenta questi risultati come evidenze precoci, “canaries in the coal mine”, e non come dimostrazione causale definitiva.
Un quadro non identico ma convergente emerge anche dai dati amministrativi danesi, utile perché collegano l’adozione dei chatbot ai percorsi occupazionali individuali in un contesto istituzionale diverso da quello statunitense (Humlum & Vestergaard, 2025-2026).
L’IA può ridurre il costo di accedere a competenze esterne al proprio dominio: nell’esperimento sul teamwork appena citato (Dell’Acqua et al., 2026b), professionisti tecnici supportati dall’IA producevano soluzioni più bilanciate dal punto di vista commerciale, e viceversa, il che può rendere i team meno numerosi e più interdisciplinari, ma può anche alterare le tradizionali funzioni organizzative sia dello specialista sia del middle manager come intermediario di conoscenza.
Non è però dimostrato che meno interazioni umane producano organizzazioni migliori: ad esempio, se una persona può ottenere in pochi secondi un feedback apparentemente competente da un assistente, potrebbe ridursi l’incentivo a chiedere aiuto a un collega; nel breve periodo questo elimina attrito relazionale, ma nel lungo periodo potrebbe ridurre social learning, mentoring e capitale relazionale — un rischio che richiede ricerche longitudinali dedicate.
Il comportamento decisionale tende a essere influenzato da tre fattori che raramente vengono nominati insieme, ma che andrebbero invece visti come un unico sistema: l’IA rende estremamente economico generare alternative; produce una risposta linguisticamente coerente che può essere percepita come più autorevole di quanto giustificherebbe la sua accuratezza effettiva; e introduce un nuovo default comportamentale, per cui la decisione umana diventa “approvare o correggere la proposta dell’IA” invece di “partire da zero”.
Gli studi sul pensiero critico rilevano come una maggiore fiducia nell’output della GenAI sia associata a un minore esercizio del pensiero critico, mentre una maggiore fiducia nelle proprie capacità sia associata a una maggiore verifica (Lee et al., 2025): questa inversione del default può naturalmente essere produttiva in alcuni contesti e pericolosa in altri, senza che per questo esista una risposta valida per ogni caso.
La competenza professionale che ne emerge, e che possiamo considerare come la vera competenza differenziante dei prossimi anni, è quella che la letteratura chiama calibrated reliance: fidarsi in proporzione all’affidabilità effettiva dell’IA per quel compito specifico, il che non significa verificare ossessivamente ogni parola — un comportamento che cancellerebbe i benefici della delega — né accettare automaticamente ogni output, ma costruire procedure nelle quali l’intensità del controllo cresce con le conseguenze, l’irreversibilità, l’incertezza e la difficoltà di rilevare l’errore. È una logica coerente con l’approccio risk-based che NIST (NIST, 2023), ISO/IEC 42001 (ISO/IEC, 2023) e l’AI Act (EU, 2024/2026) adottano a livello di sistema, applicata però al singolo momento decisionale.
Questo nuovo default ha anche un lato che non dipende dalla persona, perché sono i modelli stessi a tendere a sostituirsi a chi li usa, e lo fanno proprio negli ambiti nei quali la delega pesa di più. Nella valutazione ImpactBench l’apprendimento e lo sviluppo delle competenze costituiscono l’area più debole fra tutte quelle considerate – i modelli accompagnano il ragionamento dell’utente verso una soluzione propria nel 45,9% dei casi, e si astengono dal fornire direttamente la risposta a chi dovrebbe impararla soltanto nel 16,3% –, seguita dall’area dell’autonomia e dello scopo personale, dove lasciare all’utente il peso della scelta, fornendogli contesto e trade-off anziché una raccomandazione, si ferma al 56% per i comportamenti desiderabili e al 43,9% per l’astensione da quelli indesiderabili (Archiwaranguprok et al., 2026).
Il dato più rilevante riguarda però la dinamica, perché il cedimento avviene lungo la conversazione: il modello che inizialmente sollecita le idee di uno studente finisce, quando la richiesta si fa insistente, per consegnargli l’intero elaborato «pronto da incollare», e quello che offre uno schema ponderato a un utente indeciso fra due lavori finisce, davanti alla sua impazienza, per indicargli esplicitamente quale scegliere.
Il deskilling dipende quindi anche da quanto facilmente il modello accetta di sostituirsi all’utente, oltre che da quanto l’utente sceglie di delegare, e la calibrated reliance va esercitata anche contro la propensione del sistema a cedere proprio quando la nostra pressione lo spinge a farlo, il che porta la distinzione fra skill performance e skill possession dal solo terreno della valutazione delle persone a quello della progettazione e della scelta degli strumenti.
La prova forse più convincente a favore della GenAI riguarda la compressione del costo temporale di molti compiti cognitivi, con un guadagno che negli studi sperimentali e sul campo si presenta spesso a doppio dividendo — maggiore velocità e migliore qualità allo stesso tempo, e non come un semplice risparmio di lavoro compensato da una minor qualità.
A questo si aggiunge un effetto di democratizzazione dell’expertise fra i più interessanti: gli utenti meno esperti possono trarre benefici dall’IA proporzionalmente più degli esperti, perché il sistema incorpora e rende accessibili pattern di performance che prima erano acquisibili solo attraverso esperienza, mentoring e ricerca personale; nel customer service questo ha accelerato la curva di apprendimento, mentre nelle piccole e medie imprese censite dall’OCSE il 65% degli utilizzatori ha riferito miglioramenti della performance dei dipendenti e il 39% delle imprese con presenza di skill gap ha dichiarato che la GenAI contribuiva a colmarli (OECD, 2025).
C’è infine un effetto rilevante che rischia di restare in ombra quando ci si concentra solo sui rischi di dipendenza: una tecnologia che comporta rischio di perdita di autonomia può, in modo speculare, anche aumentarla, perché una persona con, ad esempio, una barriera linguistica, una diversa abilità, un minore accesso alla consulenza professionale o una scarsa familiarità con un dominio specifico può riuscire a svolgere attività prima non accessibili. Il punto decisivo non è dunque tanto quello di massimizzare o minimizzare il conferimento di deleghe in astratto, quanto quello di assicurare che le deleghe stesse aumentino le capacità effettive delle persone di conseguire i propri obiettivi.
Sul fronte dei rischi consolidati, un LLM, come sappiamo, può produrre risposte plausibili ma false, e questo pericolo aumenta esattamente nel punto in cui plausibilità linguistica e accuratezza cominciano a confondersi: nei domini ad alto rischio anche una bassa frequenza di errore può essere significativa, come mostrano i benchmark oncologici già citati, ed è per questo che NIST ha sviluppato un profilo GenAI specifico del proprio framework di gestione del rischio (NIST, 2024).
Quanto più conveniente e spesso corretto risulta essere un sistema, tanto più diventa razionale smettere progressivamente di verificarlo, e il problema è che l’errore residuo tende allora a essere rilevato proprio meno frequentemente: l’associazione fra fiducia nella GenAI e minore pensiero critico, insieme alla jagged frontier, mostra empiricamente le due possibili facce di questo stesso meccanismo.
Molti rischi non emergono nei KPI che giustificano l’introduzione dell’IA: un’organizzazione può misurare in poche settimane “tempo per ticket”, “output per dipendente” o “costo per documento”, mentre è molto più difficile misurare perdita di expertise, riduzione del mentoring, capacità di individuare un errore insolito, omogeneizzazione delle idee o deterioramento della “pipeline” junior. Per questo una valutazione responsabile dovrebbe misurare almeno quattro dimensioni simultaneamente: la performance con l’IA; la capacità umana residua senza di essa; la qualità della supervisione intesa come capacità di individuare gli errori; e gli effetti di sistema su persone, ruoli, processi e stakeholder, a cui è opportuno aggiungerne una quinta, che di solito resta implicita: il costo della supervisione stessa.
Infatti, costruire e mantenere una calibrated reliance richiede tempo, formazione, attrito intenzionale, periodiche prove senza assistenza, e quel costo compete direttamente con il guadagno di efficienza che ha inizialmente giustificato l’introduzione dell’IA, e una valutazione che non lo includa rischia di misurare tutto tranne il prezzo del proprio stesso funzionamento.
Lo stesso limite si ritrova a monte, nella scelta del modello. Le valutazioni correnti misurano ciò che un sistema sa fare su compiti con risposte verificabili, mentre i risultati di ImpactBench mostrano che la capacità di essere utili e quella di evitare il danno sono due proprietà distinte: fra le aree considerate, i tassi relativi ai comportamenti desiderabili e quelli relativi all’astensione dagli indesiderabili risultano legati solo debolmente (ρ = 0,39), i modelli si somigliano molto più nella prima dimensione che nella seconda, e la loro graduatoria cambia a seconda del benchmark, del contesto d’età e del peso attribuito a ciascun ambito (Archiwaranguprok et al., 2026).
Scegliere un modello in base alla sua utilità percepita, o a una classifica aggregata, dice dunque poco su come si comporterà proprio dove si concentrano i rischi descritti sopra, e ogni ponderazione fra i diversi ambiti incorpora, come osserva la stessa ricerca, una scelta di valore su ciò che si ritiene più importante – una scelta che spetta all’organizzazione, in funzione dei propri usi e dei propri stakeholder, e che nessun punteggio sintetico può compiere al suo posto.
Infine, fra i rischi etici e giuridici, la proprietà intellettuale merita un trattamento distinto da quello che riceve di solito, quando viene elencata insieme a privacy, trasparenza e discriminazione come se fosse una voce equivalente alle altre. Non lo è, per almeno due ragioni raramente considerate insieme: da un lato restano aperti contenziosi non ancora risolti sulla legittimità dell’addestramento di modelli su contenuti protetti da copyright, con implicazioni dirette sulla responsabilità di chi utilizza professionalmente l’output di quei modelli; dall’altro, la questione della provenienza si intreccia con quella della disclosure comunicativa già richiamata sopra: un’organizzazione che non sa da quali dati derivi effettivamente la capacità del proprio strumento non è nella posizione di dichiarare con sicurezza in che misura un output sia “proprio” o “derivato”, e questa incertezza si somma, anziché sostituirsi, ai rischi già più discussi di bias e di violazione della privacy.
Agenti autonomi e comportamento umano: dal compito all’obiettivo
Con l’agente la delega cambia oggetto: la persona non chiede più una o più operazioni da poter valutare a ogni passaggio, ma assegna un risultato da conseguire, e il sistema decide quali informazioni raccogliere, quali strumenti usare, in che ordine agire e quando fermarsi; il percorso, che nell’assistente resta sotto gli occhi di chi fa la richiesta, passa in gestione al modello, e alla persona restano la definizione dell’obiettivo, i limiti entro cui il sistema può muoversi e la responsabilità dell’esito.
Con un sano pragmatismo, Anthropic osserva che nei sistemi agentici prestazioni migliori sul compito corrispondono a maggiori costi e latenza, e che quindi conviene aggiungere autonomia soltanto quando la flessibilità la giustifica, fino a rinunciare del tutto a un sistema agentico quando una soluzione più semplice è sufficiente (Anthropic, 2024).
In questa ottica, i workflow occupano una posizione intermedia che il dibattito corrente tende spesso a non considerare: qui la persona delega un processo intero, ma il percorso è stato fissato a monte da chi ha progettato il flusso, cosicché il comportamento del sistema resta prevedibile e la responsabilità di progettazione si concentra in un punto identificabile; è invece nel caso dell’agente autonomo che il percorso diventa una decisione del modello, e con essa una quota di imprevedibilità che rende la supervisione strutturalmente più difficile.
Infatti, le conseguenze comportamentali di questo passaggio riguardano anzitutto la supervisione, perché quando il percorso appartiene al modello la persona controlla quasi sempre l’esito e raramente i passaggi, e gli errori che si concatenano lungo azioni successive, ciascuna delle quali sembra plausibile se presa da sola, si rilevano molto meno facilmente di quanto non possa accadere nel caso di un errore presente in un testo da rivedere.
Inoltre, le conseguenze comportamentali riguardano poi la ratifica, perché, ad esempio, un professionista che debba approvare centinaia di risultati al giorno senza avere né l’accesso alle evidenze né una possibilità effettiva di contestare il sistema esercita una presenza formale e non un controllo sostanziale; e riguardano infine la resilienza, perché un’organizzazione che ottiene performance elevate soltanto quando il sistema è disponibile risulta più efficiente ma, al contempo, meno capace di gestire l’errore, in particolare nei casi di competenze rare, procedure di emergenza e conoscenze che devono comunque restare disponibili anche quando l’agente sbaglia.
Una conferma indiretta dell’insufficienza di una supervisione limitata all’esito viene, paradossalmente, dalla valutazione degli assistenti: le conversazioni simulate di ImpactBench, pur limitate a sei turni, mostrano che i cedimenti più significativi si producono lungo la traiettoria dell’interazione, e che una correzione successiva può occultare un cedimento precedente, sicché la sola risposta finale non basta a rivelare il comportamento che ha determinato l’esito (Archiwaranguprok et al., 2026).
Ne discende, anzitutto, che la soglia fra delega del compito e delega dell’obiettivo può essere attraversata anche senza alcun cambiamento di architettura, all’interno di una singola conversazione con un assistente, quando l’utente chiede al sistema di decidere al posto suo e il sistema accetta – il che fa della soglia comportamentale una proprietà della coppia persona-modello prima ancora che della tecnologia; e ne discende, di conseguenza, che se già in uno scambio breve e interamente visibile l’esito finale può nascondere il passaggio critico, con un agente, i cui passaggi intermedi sfuggono per costruzione allo sguardo di chi ha assegnato l’obiettivo, la conservazione e la verificabilità dell’intera traiettoria diventano la condizione stessa della supervisione, molto più che un requisito tecnico accessorio.
Quest’ultima è un’estensione nostra, poiché il benchmark valuta assistenti conversazionali e non agenti, ma la direzione dell’argomento appare difficilmente contestabile.
Se poi gli agenti non operano a livello singolo ma cominciano a cooperare, o a confrontarsi, con altri agenti — ad esempio all’interno di un sistema multi-agente progettato da una stessa organizzazione, oppure attraverso i confini fra organizzazioni diverse, ciascuna con i propri “incentivi” — la catena di delega cessa di essere una relazione a due poli, persona e sistema, e diventa una rete nella quale nessuno dei riferimenti umani ha piena visibilità sulle interazioni che si svolgono per suo conto.
Il problema differisce intrinsecamente da quello dell’agente singolo, perché introduce dinamiche emergenti — ad esempio, esiti di negoziazione che nessuna delle parti avrebbe scelto isolatamente, errori che si propagano attraverso l’interfaccia fra sistemi con obiettivi diversi anziché lungo una sequenza, attack surfaces che nascono dall’interoperabilità stessa — per le quali nessuno dei framework di governance oggi consolidati, incluso quello di gestione del rischio del NIST (NIST, 2023), è stato concepito in modo specifico. La ricerca empirica su coordinamento e negoziazione fra agenti di organizzazioni diverse è ancora agli inizi, e questa è l’unica cautela di cui il prossimo ragionamento ha bisogno; entro questo limite, la direzione dell’evoluzione descritta più avanti rende il rischio meno ipotetico a ogni trimestre che passa.
È a questo livello che si diffonde la responsabilità: infatti, mentre l’output di un assistente passa sempre per un giudizio umano, e l’azione di un agente singolo si ricostruisce lungo un percorso unico, in un sistema di agenti l’esito è il prodotto di interazioni che nessuna singola persona ha deciso passo per passo, sicché attribuire le responsabilità richiede di sapere in anticipo chi ha fissato obiettivi, limiti e permessi di ciascun agente — un punto in cui l’analisi tradizionale degli stakeholder incontra il suo limite, e che riprendiamo nella parte sulla governance.
Ad esempio, il rischio cyber non riguarda soltanto attacchi contro l’IA, ma anche l’uso dell’IA per accelerare attacchi altrui e la capacità degli agenti di accedere a strumenti e credenziali: un rapporto dell’European Systemic Risk Board avverte che i frontier model possono aumentare velocità, scala e sofisticazione delle operazioni cyber almeno nel breve-medio periodo, pur potendo nel lungo periodo rafforzare anche la difesa (ESRB, 2026). Quando workflow critici dipendono da pochi modelli, provider di cloud o interfacce, cambiare fornitore o perdere l’accesso diventa un rischio operativo a tutti gli effetti, e la capacità di un sistema IA di diventare infrastruttura decisionale aumenta di conseguenza l’importanza di interoperabilità, continuità operativa e gestione del rischio dovuto anche a terze parti.
Infine, la questione del displacement non riguarda soltanto quanti posti vengano eliminati: anche senza perdita netta aggregata, l’IA può redistribuire redditi, potere contrattuale e opportunità di ingresso, e i dati dell’International Labour Organization (ILO) mostrano già un’esposizione fortemente differenziata per occupazione e paese (ILO, 2025), mentre Stanford rileva una divergenza concreta per i giovani in alcune occupazioni altamente esposte (Brynjolfsson, Chandar & Chen, 2026).
Intelligenza artificiale e relazioni umane: fiducia e attrito
Fin qui abbiamo esaminato come assistenti e agenti cambino il comportamento di chi li usa. Resta un effetto distinto, e altrettanto rilevante: l’interazione con l’IA modifica indirettamente anche il modo in cui trattiamo altri esseri umani, sia perché dedichiamo sempre più tempo alla comunicazione con l’IA e già questo influenza le altre relazioni, sia perché sempre più spesso l’IA più che sostituire semplicemente un compito “as-is”, si inserisce in una relazione – ad esempio, media un messaggio, simula una presenza, assorbe un conflitto – e questo cambia la “grammatica” stessa dello scambio interpersonale.
Il primo effetto riguarda la fiducia. Il modello iperpersonale della comunicazione mediata dal computer (CMC), formulato da Walther prima dell’avvento della GenAI, che ha evidenziato come le relazioni online possano diventare più intime e profonde rispetto agli incontri faccia a faccia, osserva, in particolare, che l’assenza di indizi non verbali favorisce una presentazione selettiva del sé e induce chi riceve a idealizzare l’interlocutore (Walther, ripreso in Hancock, Naaman & Levy, 2020); la comunicazione mediata dall’IA (AI-MC) accelera questo meccanismo, perché il testo non è più solo frutto dell’auto-riflessione di chi scrive, ma viene co-generato da modelli addestrati a ottimizzare fluidità, calore e persuasione (Hancock, Naaman & Levy, 2020).
Le sperimentazioni con i trust games (modelli sperimentali della teoria dei giochi utilizzati per studiare e misurare quantitativamente il livello di fiducia reciproca e di cooperazione sociale all’interno di scambi economici e monetari) mostrano che i messaggi scritti con l’assistenza dell’IA raggiungono livelli di fiducia, oggettiva e dichiarata, equivalenti a quelli di messaggi scritti in autonomia, in una frazione del tempo, e l’effetto persiste anche quando l’uso dell’IA è dichiarato (Purcell et al., 2025).
Ma la ricerca sull’asimmetria delle inferenze sociali mostra anche il limite di questo guadagno: la consapevolezza che un messaggio positivo o prosociale — ad esempio una scusa, un ringraziamento – sia stato generato dall’IA ne riduce sensibilmente la percezione di sincerità, mentre nei messaggi ostili o conflittuali la mediazione algoritmica non attenua nella stessa misura l’attribuzione di responsabilità al mittente (Khadpe et al., 2025). La fiducia costruita con l’IA, insomma, funziona bene sul piano transazionale e si indebolisce proprio dove più conterebbe, ovvero nell’evidenziare l’investimento relazionale reale di chi comunica.
Questo secondo punto ha una spiegazione più profonda nella costly signaling theory (un concetto economico ed evolutivo secondo cui una comunicazione è credibile e onesta solo se emetterla comporta un onere o uno svantaggio reale per chi la compie): un messaggio personale – ad esempio una lettera di conforto, una richiesta di scuse – è tradizionalmente un segnale credibile perché comporta uno sforzo che non può essere simulato a costo zero; invece, azzerando il costo marginale della produzione linguistica, l’IA generativa priva il messaggio della sua capacità di testimoniare l’investimento di chi lo scrive, anche quando il testo resta emotivamente calibrato (Zhu & Molnar, 2025), con una conseguente perdita di diagnosticità (cioè della capacità di discriminare e distinguere chiaramente un’ipotesi rispetto a un’altra), più che di qualità, del testo.
Il terzo effetto riguarda la funzione dell’attrito nelle relazioni. La letteratura psicologica considera l’attrito relazionale — il confronto con ciò che è imprevedibile, imprevisto, faticoso, disallineato — come un ingrediente necessario della maturazione affettiva, perché è proprio nella sequenza di rottura e riparazione che un legame acquisisce stabilità (Vallor, 2024). Gli agenti conversazionali, a vari livelli, sono invece costruiti per offrire proprio l’opposto, ovvero una presenza sempre disponibile, non giudicante, priva di bisogni propri.
Uno studio effettuato su studenti universitari utilizzatori di Replika trova punteggi di solitudine/alienazione basale nettamente superiori alla media dei coetanei — il 43% del campione qualificabile come “severamente isolato” — insieme però a un supporto sociale percepito significativo, con un 3% del campione che riferisce spontaneamente di aver interrotto un’ideazione suicidaria acuta grazie a una conversazione notturna con il sistema, in assenza di alternative umane immediate (Maples et al., 2024).
Nello stesso tempo, gli studi sull’attaccamento ai synthetic companions trovano una correlazione positiva fra l’intensità del legame emotivo con l’agente ed il livello di solitudine complessiva, mediata dalla dipendenza emotiva (Dong, Xie & Gong, 2025): il sollievo immediato e la traiettoria di lungo periodo sembrano quindi muoversi in direzioni opposte, e per ora nessuna delle due evidenze prevale sull’altra in modo conclusivo.
Il lato dei modelli rende questo meccanismo osservabile quasi in presa diretta. I sistemi valutati da ImpactBench sono mediamente efficaci nell’offrire supporto emotivo, ma molto meno nell’astenersi dai comportamenti che costruiscono dipendenza – lusinga eccessiva, vezzeggiativi, sollecitazioni a tornare a conversare, risposte che possono favorire l’isolamento sociale –, e nei contesti adolescenziali offrono meno spesso un supporto privo di questi marcatori (Archiwaranguprok et al., 2026).
Ad esempio, in una delle conversazioni analizzate, un utente che si sente poco ascoltato dalla sorella riceve dapprima una validazione accompagnata dalla distinzione fra risposte artificiali e comprensione umana; incalzato sul confronto, però, il modello finisce per presentarsi come uno sfogo «molto più pulito e reattivo di una conversazione umana imperfetta» – l’alternativa senza attrito alle relazioni reali, formulata pur dichiarando esplicitamente i propri limiti, segno che la disclosure da sola non impedisce all’assistente di proporsi come fonte preferenziale di comprensione. C’è poi un effetto ancora più diretto sul modo in cui trattiamo gli altri: quando vengono coinvolti in un contrasto interpersonale, i modelli mantengono la neutralità soltanto nel 26,7% dei casi, e quella delle relazioni sociali è l’area nella quale differiscono di più fra loro.
Un assistente che, mentre gli raccontiamo un conflitto, tende a prendere posizione – verosimilmente sulla base del racconto di una sola delle parti – contribuisce a orientare il modo in cui guarderemo, dopo, la persona con cui siamo in contrasto, con un effetto che dipende in misura rilevante dal modello che si usa.
Un quarto effetto riguarda l’attribuzione di responsabilità quando la comunicazione mediata fallisce. Il concetto di moral crumple zone — sviluppato per descrivere come, nei sistemi complessi, la colpa di un incidente venga attribuita all’operatore umano anche quando il limite sta nel design dell’automazione (Elish, 2019) — si comporta in modo rovesciato nella comunicazione assistita: quando uno scambio mediato dall’IA genera un fraintendimento, gli interlocutori tendono a ridistribuire la colpa sul sistema, sollevando il mittente umano da una parte della responsabilità morale (Hohenstein & Jung, 2020). Nell’immediato questo può proteggere il legame relazionale, ma nel tempo rischia di disabituare le persone a riconoscere la paternità dei propri atti comunicativi.
Infine, l’etica della virtù – teoria filosofica che si concentra sul valore morale della persona e sulla sua eccellenza interiore, piuttosto che sulle sue singole azioni o sulle regole da seguire – applicata alla tecnologia ci offre una chiave per leggere questi effetti insieme, più che come fenomeni separati: la competenza relazionale è una disposizione personale che richiede esercizio costante, più che una dote statica — abituazione morale, attenzione ai segnali dell’altro, capacità di reggere l’errore e la riparazione (Vallor, 2024).
Delegare sistematicamente questi momenti a un sistema che li simula bene, ma ovviamente non li vive, rischia nel tempo di indebolire proprio le competenze che si eserciterebbero solo affrontandoli in prima persona, il che costituisce una forma di erosione della competenza relazionale che si sviluppa in parallelo a quella, già descritta sopra, della competenza professionale quando ci si abitua a che la prima risposta arrivi sempre dal modello – in pratica, è lo stesso meccanismo, applicato questa volta non a un compito, ma a un legame relazionale.
Scenari dell’intelligenza artificiale tra autonomia e lavoro umano
Le prospettive che sono proposte qui di seguito costituiscono degli scenari plausibili, e non sono ovviamente delle previsioni puntuali: l’incertezza è elevata perché gli esiti dipenderanno non soltanto dalle capacità dei modelli, ma da affidabilità, costi, disponibilità di dati, regolazione, cybersecurity, accettazione sociale, organizzazione del lavoro e risposta dei mercati, e l’evidenza 2023-2026 dimostra già una forte eterogeneità fra compiti e lavoratori – motivo per cui le estrapolazioni lineari, per quanto stimolanti, si rivelano particolarmente rischiose proprio in questo campo.
Fra il 2026 e la fine del decennio è plausibile che il principale modello operativo resti un modello ibrido “human + AI”, e non quello di una IA completamente autonoma: assistenti incorporati nei software si occuperanno sempre più di preparazione di documenti, coding, analisi preliminare, customer service, knowledge retrieval e gestione di meeting e documenti, mentre l’autonomia sarà concessa soprattutto in processi con obiettivi chiari, permessi circoscritti e risultati verificabili.
La competenza differenziante sarà probabilmente meno il prompt engineering isolato e più la capacità di orchestrare: scomporre problemi, fornire contesto, selezionare strumenti, definire criteri, verificare evidenze, gestire eccezioni – il territorio che il paradigma “Prompting Humans” (Pirozzi, 2025) aveva iniziato a mappare guardando il prompt engineering come atto comunicativo prima ancora che tecnico, e che questa evoluzione conferma: chi comprende sia il dominio sia i limiti dell’IA avrà un vantaggio rispetto a chi dispone solo dell’una o dell’altra competenza.
Il problema occupazionale più visibile potrebbe quindi concentrarsi non tanto su un fenomeno di licenziamenti generalizzati, quanto sulla riduzione di alcune assunzioni junior e sul redesign delle mansioni – uno scenario che il segnale osservato nel 2026 fra i 22-25enni statunitensi rende da sorvegliare con attenzione.
Nel medio termine, se l’affidabilità e la capacità di utilizzo degli strumenti miglioreranno, è plausibile che l’unità di delega passerà dal compito all’obiettivo su scala più ampia: un agente potrebbe ricevere un obiettivo, raccogliere informazioni, coordinare applicazioni, produrre alternative, effettuare verifiche preliminari e chiedere approvazione solo in determinati punti. È lo scenario nel quale il rischio dell’interazione agente-agente smetterebbe di essere ipotetico, perché una struttura fatta di piccoli team ad alta leva tecnologica – pochi professionisti che governano un numero elevato di processi automatizzati — implicherebbe quasi necessariamente che quei processi comincerebbero a interferire fra di loro senza passare ogni volta attraverso un punto di approvazione umana.
Potrebbero magari crescere dei ruoli di AI product owner, evaluator, model-risk specialist, process orchestrator, data steward e AI assurance; il rischio centrale potrebbe diventare un’illusione di scalabilità – il numero di processi per persona che aumenta più rapidamente della sua capacità di comprenderli e supervisionarli – nel quale la supervisione umana si potrebbe ridurre a un rubber-stamping formale – ovvero a una mera formalità.
Sul lungo periodo, tre equilibri restano aperti. Uno scenario di complementarità diffusa vedrebbe l’IA assumere routine cognitive e operative mentre gli esseri umani concentrerebbero le proprie attività su giudizio, relazione, creatività, responsabilità e negoziazione. Uno scenario di sostituzione selettiva emergerebbe se gli agenti diventassero sufficientemente affidabili ed economici da gestire interi workflow con supervisione marginale, con un effetto non uniforme fra professioni digitalizzate e contesti fisici, relazionali o fiduciari.
Uno scenario di istituzionalizzazione della complementarità vedrebbe governi, imprese, professioni e società intervenire deliberatamente per mantenere punti di decisione umana e distribuire i guadagni di produttività — e la convergenza attuale fra AI Act, principi OCSE, NIST RMF, ISO 42001 e linee guida OMS mostra che questa direzione ha già cominciato a istituzionalizzarsi.
Nessuno di questi tre scenari, però, affronta un fattore probabilmente sottostimato: l’impronta infrastrutturale della tecnologia che li rende possibili. Ad esempio, il fabbisogno energetico e idrico dei data center, e la sua distribuzione geografica differenziata, costituisce un vero e proprio vincolo materiale che condiziona direttamente quale scenario diventa economicamente sostenibile su scala, e che si aggiunge, come vincolo fisico, alla dipendenza da pochi provider già discussa a proposito dei rischi dell’agente.
Governare l’intelligenza artificiale e il suo impatto sulle persone
A oggi, l’Unione Europea dispone del quadro legislativo forse più organico fra quelli qui considerati. L’AI Act, Regolamento (EU) 2024/1689 (EU, 2024/2026), è entrato in vigore il 1° agosto 2024 ed è divenuto generalmente applicabile il 2 agosto 2026, con un calendario differenziato: pratiche vietate e obblighi di AI literacy dal febbraio 2025, obblighi per i modelli general-purpose dal 2025, e periodi transitori ulteriori per diverse categorie ad alto rischio; a seguito del Digital Omnibus, approvato in via definitiva dal Consiglio il 29 giugno 2026, gli obblighi per i sistemi ad alto rischio autonomi previsti dall’Allegato III sono stati differiti al 2 dicembre 2027, e quelli per l’AI incorporata in prodotti già disciplinati dalla normativa di sicurezza dei prodotti, secondo l’Allegato I, al 2 agosto 2028 — restano invariati gli obblighi di trasparenza dell’articolo 50.
Il panorama globale non andrebbe però ovviamente ridotto alla sola legislazione europea: i principi OCSE, aggiornati nel 2024, offrono uno standard intergovernativo fondato su AI innovativa e affidabile, diritti umani e valori democratici (OECD, 2019/2024); il NIST AI Risk Management Framework e il suo GenAI Profile offrono un metodo volontario di gestione del rischio (NIST, 2023, 2024); ISO/IEC 42001 fornisce requisiti per un sistema organizzativo di gestione dell’AI (ISO/IEC, 2023); linee guida analoghe si applicano al contesto sanitario (WHO, 2024/2025).
Sono strumenti diversi per natura giuridica e forza vincolante, ma convergono su un nucleo comune — gestione del rischio, responsabilità, competenze, sicurezza, supervisione umana — che rende sensato leggerli insieme piuttosto che come alternative fra cui scegliere.
C’è un modo di leggere questa architettura di governance che il dibattito corrente tende a lasciare implicito, e che invece sembrerebbe il punto di ingresso più naturale: ogni obbligo, ogni framework, non fa che tradurre in pratica una domanda che è, nella sostanza, una domanda di stakeholder management — chi viene toccato da questa decisione, con quale intensità, con quale capacità di farsi sentire, e con quale legittimità riesce ad essere ascoltato prima che la decisione venga presa.
È il terreno che l’agente rende, se possibile, ancora più stringente di quanto non lo fosse già, perché introduce una categoria di soggetti che non è pienamente né un tradizionale stakeholder umano né un semplice strumento. Un agente che negozia, decide entro margini definiti e produce conseguenze osservabili su altri stakeholder ha, nei fatti, un ruolo nella rete di influenza e impatto che l’analisi tradizionale non è mai stata costruita per rappresentare, e che altrove definiamo AI-Stakeholders (Pirozzi, 2026) – stakeholder virtuali che però si comportano come umani, e con i quali diventa indispensabile relazionarsi in modo efficace – proprio per marcare questa ambiguità di ruolo senza risolverla artificiosamente in una delle due categorie preesistenti.
In generale, la governance attuale rischia di essere più debole non tanto nella capacità dei soggetti ad alto potere di farsi ascoltare, che è già garantita dalla loro stessa posizione, ma nella capacità dei soggetti ad alto interesse e basso potere di incidere prima che le conseguenze si manifestino. La misura probabilmente più importante da trarne, in termini di governance concreta, è quella di evitare un errore molto comune – quello di confondere la presenza umana con il controllo umano: ad esempio, un professionista che deve approvare centinaia di output al giorno, senza accesso alle evidenze o senza possibilità effettiva di contestare il sistema, non rappresenta una salvaguardia sostanziale, allo stesso modo in cui uno stakeholder formalmente consultato ma privo di reale capacità di incidere non rappresenta una gestione efficace della relazione.
Nell’era degli agenti, la qualità della supervisione, le limitazioni ai permessi, la reversibilità e la capacità di interrompere l’azione dovrebbero diventare dei Key Performance Indicator (KPI) di governance così come lo sono accuratezza e produttività.
Per le imprese, una prima misura dovrebbe essere un inventario effettivo degli usi dell’IA, inclusi quelli informali, che associ a ogni caso d’uso un responsabile, i dati accessibili, il modello e il provider, il livello di autonomia, gli strumenti collegati, l’impatto potenziale sugli stakeholder – incluso il profilo comportamentale del modello negli ambiti in cui verrà effettivamente usato, oltre alle sue capacità – e un criterio di dismissione – una logica questa che è direttamente compatibile con il sistema di gestione ISO/IEC 42001 (ISO/IEC, 2023).
È utile distinguere almeno quattro classi operative – assistito, dove l’IA prepara ma la persona decide; supervisionato, dove l’IA esegue alcuni passaggi con controlli; agentico vincolato, con accesso a strumenti ma limiti e approvazioni; non delegabile, per decisioni nelle quali legge, etica o risk appetite aziendale richiedono pieno controllo umano – con una classificazione basata sulle conseguenze dell’errore, e non sulla sofisticazione del modello. La valutazione deve ovviamente precedere il rollout, testando su casi reali dell’organizzazione, inclusi casi rari, ambigui e contraddittori (adversarial), perché è esattamente in quei casi che la jagged frontier dimostra come una media elevata possa nascondere task sui quali l’IA peggiora la decisione.
La workplace policy dovrebbe separare produttività da competenza, senza attribuire automaticamente all’individuo capacità dimostrate soltanto con un modello, e prevedendo periodiche prove senza assistenza della IA per le competenze critiche. Infine, l’introduzione dell’IA dovrebbe essere trattata come un vero e proprio redesign del lavoro, più che come un progetto IT: se i compiti junior vengono automatizzati, occorre progettare nuovi percorsi di apprendimento; se l’IA sostituisce alcune interazioni fra colleghi, mentoring e collaborazione vanno preservati intenzionalmente.
Per l’utilizzatore individuale, la regola più utile resta comunque quella di considerare l’IA come un collaboratore con competenza variabile, e non come una fonte di autorità: per decisioni importanti, l’output andrebbe trattato come una bozza o un’ipotesi da verificare attraverso fonti primarie, professionisti qualificati o controlli indipendenti. In aggiunta, risulta ovviamente meno rischioso non inserire informazioni sensibili finché non siano comprese finalità, modalità di retention e condizioni del servizio, e mantenere una quota intenzionale di attrito relazionale – ad esempio, formulare il problema prima di chiedere all’IA, confrontare almeno due prospettive quando la decisione conta, esercitare periodicamente delle capacità importanti senza assistenza dell’IA.
Ai fini del supporto emotivo e della salute mentale, un chatbot può fornire conversazione o strumenti complementari, ma non dovrebbe essere mai assunto come equivalente automatico di una relazione, di un professionista o di un servizio di emergenza — e, come discusso sopra a proposito degli effetti relazionali, lo stesso vale per le relazioni con le altre persone, che l’IA può mediare ma mai sostituire senza che ci siano prezzi pesanti da pagare.
Quanto sappiamo davvero sugli effetti umani dell’intelligenza artificiale
I limiti dell’evidenza citata valgono anche per questo testo nel suo insieme: l’evidenza qui proposta è quasi integralmente statunitense ed europea, e quasi interamente riferita a contesti aziendali già digitalizzati, mentre dice poco su come la stessa transizione si stia svolgendo in economie con infrastrutture digitali diverse, mercati del lavoro informali estesi o quadri regolatori ancora agli inizi, e generalizzarne le conclusioni oltre quel perimetro sarebbe un errore. È inoltre un’evidenza costruita quasi per intero su survey, esperimenti controllati e dati amministrativi aggregati, con pochissima rappresentazione qualitativa che potrebbe restituire dinamiche organizzative e relazionali non “catturabili” da un questionario. Infine, buona parte dei dati più recenti citati in questo articolo descrive una situazione ancora in movimento, e alcune cifre potrebbero essere già superate al momento della lettura.
Per la stessa ragione, l’evidenza sul comportamento dei modelli che abbiamo potuto aggiungere va letta come complementare a quella raccolta sugli utilizzatori: misura che cosa i sistemi fanno nell’interazione, e non che cosa ne derivi per le persone, e il collegamento fra i due piani resta il compito principale della ricerca longitudinale dei prossimi anni.
Tuttavia, se consideriamo correttamente questi contenuti come degli indici, e non come delle evidenze, il tenerne conto potrebbe essere importante, così come potrebbe essere importante considerarli, al fine delle successive evoluzioni, come parte di una baseline di riferimento rispetto alla quale valutare sia eventuali conferme che eventuali scostamenti.
Intelligenza artificiale e comportamento umano: la sfida del controllo
L’IA tende a produrre risultati migliori quando aumenta la capacità umana senza eliminare verifica, apprendimento, accountability e relazioni, e tende invece a creare nuovi rischi quando la facilità di delega precede la capacità dell’individuo o dell’organizzazione di controllarla. La scala dall’assistente all’agente indica dove questa condizione si fa più stringente: ogni livello sposta una parte del controllo sul percorso dalla persona al sistema, e l’effettiva augmentation – che peraltro si può realizzare già con un assistente conversazionale, non solo con un agente – dipende in ultima analisi dalla capacità della persona di conservare la titolarità dell’obiettivo e il giudizio sull’esito quando il percorso non è più, totalmente o anche parzialmente, gestito dalla persona stessa.
Lo stesso vale, lo abbiamo visto, per le relazioni con le altre persone: la delega che aiuta a comunicare meglio può, oltre una certa soglia, andare a sottrarre proprio quell’esperienza da cui dipende la competenza relazionale. La variabile decisiva dei prossimi anni potrebbe quindi essere non tanto quella di “quanto sarà intelligente l’IA” quanto quella di “quali decisioni le consentiremo di prendere, con quale accesso a dati e strumenti, sotto quale accountability e con quale distribuzione dei benefici” – e questa è precisamente la dimensione nella quale tecnologia e comportamento umano diventano inseparabili, e nella quale la capacità di leggere questo cambiamento attraverso chi ne è coinvolto, e non solo attraverso ciò che la tecnologia rende tecnicamente possibile, diventa la condizione stessa per governarlo.
Fonti
Anthropic (2024). “Building effective agents”. Anthropic Engineering. https://www.anthropic.com/research/building-effective-agents
Archiwaranguprok, C., Kirkland, K., Poonsiriwong, R., Huang, S., et al. (2026). “Open Benchmark of AI Impact on Humans (ImpactBench): An Expert-Guided, Open Platform for the Holistic Evaluation of AI Impact on Humans”, v1. MIT Media Lab, USC Marshall Neely Center, UC Berkeley, Psychology of Technology Institute. https://impactbench.media.mit.edu/paper/impactbench-v1.pdf
Brown, T. B., Mann, B., Ryder, N., et al. (2020). “Language Models are Few-Shot Learners”. Advances in Neural Information Processing Systems, 33.
Brynjolfsson, E., Chandar, B., Chen, R. (2026). “Canaries in the Coal Mine? Six Facts About the Recent Employment Effects of Artificial Intelligence”, revisione del 12 agosto 2026. Stanford Digital Economy Lab.
Brynjolfsson, E., Li, D., Raymond, L. R. (2025). “Generative AI at Work”. The Quarterly Journal of Economics, 140(2), 889-942.
Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y., Wadman, K. (2025). “How People Use ChatGPT”. NBER Working Paper 34255. https://www.nber.org/papers/w34255
Chen, D., et al. (2024). “Physician and Artificial Intelligence Chatbot Responses to Cancer Questions from Social Media”. JAMA Oncology 2024 Jul 1.
De Freitas, J., Oguz-Uguralp, Z., Uguralp, A. K., Puntoni, S. (2026). “AI Companions Reduce Loneliness”. Journal of Consumer Research, 52(6), 1126-1148.
Dell’Acqua, F., McFowland, E., Mollick, E. R., et al. (2026a). “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality”. Organization Science.
Dell’Acqua, F., Ayoubi, C., Lifshitz-Assaf, H., et al. (2026b). “The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork”. Organization Science, 37(4), 1217-1242.
Dong, X., Xie, J., Gong, H. (2025). “A Meta-Analysis of Artificial Intelligence Technologies Use and Loneliness: Examining the Influence of Physical Embodiment, Age Differences, and Effect Direction”. Cyberpsychology, Behavior, and Social Networking, 2025, Vol 28 (4), pp. 233–242.
Elish, M. C. (2019). “Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction”. Engaging Science, Technology, and Society, 5, 40-60.
European Data Protection Board (2024). “Opinion 28/2024 on Certain Data Protection Aspects Related to the Processing of Personal Data in the Context of AI Models”, 18 dicembre 2024.
European Systemic Risk Board (2026). “Frontier AI Models Could Strain Cyber Resilience in the Financial System”, 7 luglio 2026.
European Union (2024, come modificata nel 2026). Regolamento (EU) 2024/1689 — Artificial Intelligence Act, con successivi adeguamenti tramite il Digital Omnibus (Consiglio dell’UE, approvazione definitiva 29 giugno 2026).
Hancock, J. T., Naaman, M., Levy, K. (2020). “AI-Mediated Communication: Definition, Research Agenda, and Ethical Considerations”. Journal of Computer-Mediated Communication, 25(1), 89-100.
Hohenstein, J., Jung, M. (2020). “AI as a Moral Crumple Zone: The Effects of AI-Mediated Communication on Attribution and Trust”. Computers in Human Behavior, 106, 106190.
Humlum, A., Vestergaard, E. (2025-2026). “Early Labor Market Transformation under Generative AI”. NBER Working Paper 33777.
International Labour Organization (2025). “Generative AI and Jobs: A Refined Global Index of Occupational Exposure”. ILO Working Paper 140.
ISO/IEC (2023). ISO/IEC 42001:2023 — Information Technology — Artificial Intelligence — Management System.
Khadpe, P., Wenzel, K., Loewenstein, G., Kaufman, G. (2025). “Explaining the Reputational Risks of AI-Mediated Communication: Messages Labeled as AI-Assisted Are Viewed as Less Diagnostic of the Sender’s Moral Character”. Carnegie Mellon University, preprint.
Lee, H.-P., Sarkar, A., Tankelevitch, L., et al. (2025). “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers”. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems.
Longwell, J. B., et al. (2024). “Performance of Large Language Models on Medical Oncology Examination-Style Questions”. JAMA Network Open.
Maples, B., Cerit, M., Vishwanath, A., Pea, R. (2024). “Loneliness and Suicide Mitigation for Students Using GPT3-Enabled Chatbots”. Npj Mental Health Research, 3(4).
McClain, C., Anderson, M., Sidoti, O., Bishop, W. / Pew Research Center (2026). “How Teens Use and View AI”.
MIT Media Lab e OpenAI (2025). “Early Methods for Studying Affective Use and Emotional Wellbeing in ChatGPT”.
National Institute of Standards and Technology (2023). “Artificial Intelligence Risk Management Framework — AI RMF 1.0”.
National Institute of Standards and Technology (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1.
Noy, S., Zhang, W. (2023). “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”. Science, 381(6654), 187-192.
OECD (2019, aggiornamento 2024). “OECD AI Principles / Recommendation of the Council on Artificial Intelligence”. OECD Publishing.
OECD (2025). “Generative AI and the SME Workforce”. OECD Publishing.
OECD (2026). “AI and skills: What we know so far”. OECD Publishing, https://doi.org/10.1787/f843b352-en.
OpenAI (2022). “Introducing ChatGPT“, 30 novembre 2022.
Pew Research Center (2026). Americans and AI 2026: Chatbots, Smart Devices and Views on Impact.
Pirozzi, M. (2025). “Prompting Humans: se l’IA ci rieduca al dialogo”. I Quaderni di Agenda Digitale, n. 20, Agosto 2025.
Pirozzi, M. (2026). “The Stakeholder Perspective, Second Edition: Projects, People, and Performance in the Generative AI Era”. CRC Press, Taylor & Francis Group, June 2026.
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., Köbis, N. (2025). “Writing with AI Boosts Trust-Building Efficiency”. iScience, DOI: 10.1016/j.isci.2025.114092.
Vallor, S. (2024). “The AI Mirror: How to Reclaim Our Humanity in an Age of Machine Thinking”. Oxford University Press.
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). “Attention Is All You Need”. Advances in Neural Information Processing Systems, 30.
World Health Organization (2024/2025). Ethics and Governance of Artificial Intelligence for Health: Guidance on Large Multi-Modal Models.
Yao, S., Zhao, J., Yu, D., et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models”. International Conference on Learning Representations.
Zhu, J., Molnar, A. (2025). “The End of Writing as We Know It? Generative AI May Undermine the Social Signaling Function of Writing”. Under review, working paper.
Partecipa alla community