Il dibattito sull’IA si concentra prevalentemente sulle capacità dei modelli, ma dati recenti su decine di migliaia di utenti confermano che l’insoddisfazione si manifesta in ben circa un caso su cinque non per dei limiti tecnici dei modelli stessi, bensì per un disallineamento tra le aspettative di chi usa la tecnologia e i risultati che la stessa tecnologia è realmente in grado di offrire.
Il valore percepito dell’IA non nasce dalle specifiche dei modelli, ma dall’incontro tra quelle specifiche e le aspettative dell’organizzazione che la adotta: prima di chiedersi cosa può fare l’IA, un’organizzazione consapevole e matura dovrebbe chiedersi cosa davvero si aspetta da essa — e perché, e le organizzazioni che impareranno a farlo saranno quelle che ne ricaveranno il maggiore valore, sia oggi che nel prossimo futuro.
Indice degli argomenti
Il paradosso dell’IA: modelli sempre più potenti, utenti ancora insoddisfatti
Viviamo in un’epoca in cui i modelli di intelligenza artificiale raggiungono alcune prestazioni un tempo ritenute appannaggio esclusivo dell’intelligenza umana: ad esempio, come sappiamo, sistemi addestrati su grandi volumi di testo, immagini e dati di ogni genere sono in grado di generare testi articolati, scrivere codice funzionante, sintetizzare letteratura scientifica, condurre analisi complesse e sostenere conversazioni anche di notevole profondità. Eppure, in modo paradossale, una quota tutt’altro che trascurabile di chi li utilizza rimane insoddisfatta, e questo non perché i modelli siano “tecnicamente” difettosi o inadeguati, ma perché qualcosa, nel rapporto tra chi usa la tecnologia e la tecnologia stessa, non dà i risultati attesi.
Questo paradosso merita attenzione, perché sfida uno degli assunti più diffusi nel dibattito sull’IA: l’idea che il valore di un sistema intelligente dipenda principalmente, se non in maniera determinante, dalle sue capacità tecniche, su cui infatti si concentrano gran parte degli investimenti. Secondo questa logica, migliorare l’IA significa renderla più potente, più precisa, più rapida, più versatile, e, poiché i modelli migliorano a ritmi straordinari — con aggiornamenti che si susseguono a distanza di settimane — ci si aspetta che l’insoddisfazione tenda naturalmente a ridursi: ma la realtà non è affatto così semplice.
Dati recenti raccolti su decine di migliaia di utenti in tutto il mondo (Anthropic, 2026) mostrano con chiarezza che l’insoddisfazione si manifesta in circa un caso su cinque non per limiti tecnici del sistema, ma per un disallineamento di fondo tra ciò che le persone si attendevano e ciò che hanno effettivamente ricevuto: quindi, la delusione non è dovuta alla capacità della tecnologia, ma alla mancata o parziale soddisfazione delle aspettative, e questa distinzione, anche se apparentemente sottile, ha conseguenze enormi su come le organizzazioni dovrebbero approcciare l’adozione dell’intelligenza artificiale.
Questo articolo parte da quel dato per sviluppare una tesi più ampia: il valore percepito dell’IA — e quindi il suo impatto reale sulle organizzazioni — dipende in misura determinante dalla qualità delle aspettative con cui le persone e le istituzioni si avvicinano a questa tecnologia. E poiché le aspettative sono, per definizione, di nostra responsabilità — non dipendono ovviamente dai modelli, ma da noi — occuparsene, e anche averne cura, è principalmente un atto di management, prima ancora che di tecnologia.
Cosa ci dicono i dati sulle aspettative sull’IA
Per comprendere la natura del disallineamento, è utile partire da un quadro empirico: studi recenti (Anthropic, 2026) condotti su larga scala — tra i più estesi mai realizzati in ambito qualitativo — mostrano una fotografia del rapporto tra le persone e l’IA che è allo stesso tempo promettente e problematica. Da un lato, l’IA sta già producendo valore concreto e misurabile nella vita di milioni di persone: accelera operazioni ripetitive, riduce il carico cognitivo, abbatte barriere di accesso alla conoscenza, supporta decisioni complesse. Dall’altro, le aspettative che le persone ripongono nell’interazione con questi sistemi sono spesso disordinate, contraddittorie, o semplicemente mal calibrate rispetto a ciò che la tecnologia oggi è in grado di offrire.
Peraltro è di particolare interesse notare che anche studi precedenti, ma sempre abbastanza recenti (OpenAI, 2025), “oggettivamente” basati su un’analisi comportamentale delle interazioni, cioè su un classificatore automatico che inferisce la soddisfazione o l’insoddisfazione dell’utente osservando il messaggio successivo nella conversazione e distinguendo tra Good, Bad e Unknown, hanno dato dei risultati sorprendentemente simili. In altre parole, nonostante la differenza tra quest’ultima misura implicita della qualità percepita di singole interazioni con ChatGPT e l’autovalutazione esplicita del soddisfacimento delle aspettative degli utenti del caso Claude, il risultato finale è quasi coincidente: nel primo caso, al netto dei casi non classificabili, emerge che circa una risposta su cinque viene percepita negativamente; nel secondo, il 18,9% degli intervistati afferma che l’AI non ha realmente mantenuto quanto sperato. Pertanto, anche cambiando LLM, metodo, oggetto di osservazione e unità di analisi, la quota di insoddisfazione o mancato soddisfacimento resta sostanzialmente stabile intorno a un quinto dei casi.
In particolare, poi, il fenomeno del disallineamento rispetto alle aspettative non è distribuito casualmente, ma emerge con particolare frequenza in contesti dove l’adozione dell’IA è stata guidata da narrazioni esterne più che da valutazioni interne, come, ad esempio, articoli giornalistici che promettono cambiamenti immediati, campagne di marketing che enfatizzano casi d’uso ideali, confronti fra IA e capacità umane che vengono presentati in modo fuorviante, e così via. Chi arriva all’IA con aspettative costruite su queste basi ha già un problema, indipendentemente dalla qualità del modello che andrà a usare.
In aggiunta, si registra anche un effetto inverso, ugualmente problematico: l’esistenza di aspettative eccessivamente basse, spesso alimentate da letture “apocalittiche” o dalla diffidenza verso le novità tecnologiche, fa sì che le persone che si avvicinano all’IA convinte che si tratti di uno strumento inaffidabile, superficiale o sostituibile con una ricerca su internet, raramente riescono a estrarne valore significativo — non tanto perché abbiano torto in assoluto, ma perché l’interazione è comunque già compromessa da un pregiudizio che impedisce l’esplorazione effettiva delle possibilità.
C’è poi un terzo tipo di disallineamento, forse il più insidioso: le aspettative “per proiezione”, cioè la tendenza a usare i nuovi strumenti secondo i “vecchi” modelli cognitivi e operativi che si conoscono già, aspettandosi che funzionino nello stesso modo in cui funzionano gli strumenti che si sono utilizzati precedentemente.
In sostanza, il problema della soddisfazione delle aspettative non è marginale, non è temporaneo e non si risolve semplicemente aspettando che i modelli migliorino ancora, ma è invece strutturale, e richiede una risposta altrettanto strutturata.
Il valore percepito dell’IA come criterio di successo
L’importanza del concetto di valore percepito si è ormai affermata da tempo: nell’ambito del project management, della gestione della qualità e della soddisfazione del cliente, è infatti ormai consolidato da decenni che il valore effettivo di un prodotto, di un servizio o di un sistema non coincide esclusivamente con le sue caratteristiche oggettive, ma deriva invece dall’integrazione fra queste e la valutazione soggettiva che ne dà chi lo utilizza. In altri termini: il valore non è ciò che è di per sé, ma ciò che le persone percepiscono che esso sia, e questa distinzione — tra qualità intrinseca e qualità percepita — ha profonde implicazioni pratiche, tanto che, ad esempio, un prodotto tecnicamente eccellente ma mal comunicato, mal posizionato o mal introdotto può generare insoddisfazione, mentre magari, al contrario, un prodotto di qualità media ma ben calibrato sulle aspettative reali dei suoi utenti può generare soddisfazione elevata e fidelizzazione duratura. In sostanza, il successo non dipende solo da ciò che si consegna, ma dal rapporto tra ciò che si consegna e ciò che ci si attendeva.
Nel project management, questa logica è stata applicata in modo sistematico al concetto di soddisfazione delle aspettative degli stakeholder (Pirozzi, 2026). Non basta soddisfare i requisiti formali di un progetto — occorre soddisfare anche le aspettative, quelle che spesso non vengono esplicitamente dichiarate ma che determinano, alla fine, il giudizio complessivo sul progetto stesso: un progetto consegnato nei tempi, nei costi e con tutte le funzionalità previste può essere percepito come un fallimento se quelle funzionalità non corrispondono a ciò che gli stakeholder avevano in mente — anche se non lo avevano mai esplicitato, perché sono state proprio le loro aspettative a costituire sia la ragione che il motore degli investimenti decisi ed effettuati.
Con l’IA, il valore percepito si riafferma come fattore critico di successo in modo sempre più pressante, a seconda delle diverse modalità di utilizzo dell’IA stessa. In modalità automazione (automation), l’IA esegue delle attività su delega umana; in modalità assistenza (assistance) l’IA supporta l’utente nello svolgimento di un’attività; nella modalità potenziamento (augmentation) l’IA amplifica le capacità cognitive dell’utente— il suo giudizio, la sua creatività, la sua capacità di sintesi — mettendogli a disposizione dei dati e delle elaborazioni altrimenti difficilmente ottenibili, e producendo un risultato finale che né l’essere umano né la macchina avrebbero potuto ottenere da soli.
Queste tre modalità non sono tra loro intercambiabili, e confonderle è una delle cause più frequenti di disallineamento tra aspettative e realtà. Chi si avvicina all’IA aspettandosi dell’automazione — cioè una sostituzione di una parte del proprio lavoro — e trova invece uno strumento che funziona al meglio in modalità di assistenza o potenziamento, sperimenta una delusione non tanto perché la tecnologia sia inadeguata, ma perché la modalità di utilizzo che ci si aspetta non corrisponde a quella reale. Analogamente, chi si aspetta dell’assistenza operativa e non esplora le possibilità del potenziamento cognitivo, rischia di lasciare sul tavolo una quota significativa del valore potenziale.
In generale, per diverse ragioni, la questione del valore percepito nell’era dell’IA si rivela particolarmente complessa. Una prima ragione di questa complessità è la velocità di evoluzione della tecnologia: i modelli cambiano così rapidamente che le aspettative formate su una versione diventano rapidamente obsolete — nel bene e nel male. Ad esempio, chi ha avuto a che fare con l’IA un anno fa ricavandone una certa impressione potrebbe trovarsi oggi di fronte a un sistema radicalmente diverso, ma magari potrebbe continuare a interagire con esso sulla base di aspettative costruite sull’esperienza precedente, con un effetto di disallineamento, in questo caso, prettamente dovuto al tempo intercorso.
Una seconda ragione della complessità è l’eterogeneità dei contesti di uso. Infatti, a differenza, ad esempio, di un tipico software gestionale, che ha un dominio applicativo definito, i grandi modelli linguistici sono strumenti generalisti, tanto che, come sappiamo, possono essere usati per diverse attività come scrivere, analizzare, programmare, insegnare, decidere, creare, supportare e così via. Questa versatilità è naturalmente una ricchezza, ma può anche costituire una trappola, visto che potrebbe generare aspettative praticamente illimitate, che a loro volta potrebbero non corrispondere a nessuna capacità specifica del modello; ad esempio l’utente, di fronte a un compito complesso e ambiguo, si potrebbe aspettare una “risposta magica” — o una “ricetta universale” — rimanendo invece deluso non tanto perché la risposta sia sbagliata, ma perché non è quella che aveva in mente, nonostante magari non lo avesse mai esplicitato chiaramente.
La terza ragione della complessità, forse la più sottovalutata, è il ruolo che assumono le narrazioni culturali. L’IA è una tecnologia carica di significato simbolico, di promesse e di paure che si sono accumulate per decenni nella letteratura, nel cinema, nei media, e ogni persona che incontra un sistema di IA porta con sé tutto questo bagaglio: pertanto, parte delle aspettative non nascono nel momento in cui si apre una chat o si avvia un’applicazione, ma sono già lì, preformate, spesso inconsapevoli, magari radicate in rappresentazioni culturali che poco hanno a che fare con la realtà tecnologica attuale. Pertanto, gestire il valore percepito dell’IA significa, tra l’altro, fare i conti con questo bagaglio simbolico — che peraltro sarà persistente nel tempo, e, dipendendo da fattori esclusivamente umani, non scomparirà sicuramente con il prossimo aggiornamento tecnologico del modello.
Tuttavia, soddisfare le aspettative non richiede necessariamente di doverle ridurre artificiosamente, ma comporta di saperle concretizzare e esplicitare con consapevolezza — a partire da una comprensione reale di cosa la tecnologia possa fare oggi, e non solo di cosa prometta di fare domani.
Le aspettative sbagliate sull’IA nelle organizzazioni
L’importanza delle aspettative che si ripongono sull’IA si rivela determinante anche quando queste sono irrealistiche o sbagliate. La prima e forse più diffusa tipologia di aspettativa disfunzionale è quella per eccesso, ovvero l’idea che l’IA possa, o debba, risolvere qualsiasi problema organizzativo. Questo modello mentale si manifesta in forme diverse, a volte esplicite (ad esempio, “Implementiamo l’IA e risolviamo il problema delle inefficienze operative”), ma più spesso implicite, come ad esempio nel caso di vaghe aspettative che l’introduzione di strumenti intelligenti produca automaticamente risultati straordinari, senza che sia necessario ridefinire i processi, formare le persone, ripensare le modalità di lavoro. In generale, le aspettative per eccesso hanno una genealogia precisa, che deriva dalla condivisione selettiva di alcuni casi di successo straordinari — che potrebbero essere, ad esempio, l’algoritmo che ha diagnosticato un tumore, il modello che ha scritto un codice in pochi secondi, il sistema che ha ridotto i tempi di un processo da mesi a giorni. Tutti questi casi “esempio” possono essere anche reali, ma allo stesso tempo costituiscono anche dei casi limite, che magari emergono in condizioni specifiche, con dati di alta qualità, con utenti esperti, in contesti dove la tecnologia era genuinamente adatta al problema, per cui generalizzare da questi esempi al proprio contesto organizzativo — spesso molto diverso — è di per sé un errore logico che produce aspettative inevitabilmente disattese. Peraltro, il danno derivante dalle aspettative per eccesso non è solo la delusione immediata, ma anche il ciclo “non virtuoso” che innesca, costituito da delusione, sfiducia, abbandono, ritorno ai metodi tradizionali, tanto che molte organizzazioni che oggi dichiarano di “aver provato l’IA e non aver ottenuto risultati” hanno in realtà sperimentato uno strumento con aspettative non realistiche, ottenuto risultati mediocri rispetto a quelle aspettative, e quindi concluso che la tecnologia non funziona — quando il problema era invece la calibrazione delle aspettative, e non le capacità della tecnologia. C’è poi una variante particolarmente insidiosa delle aspettative per eccesso: quella che riguarda la velocità dei risultati. I modelli linguistici nella gran parte dei casi producono output praticamente immediati — una risposta mediamente arriva in pochi secondi, e questo crea l’impressione che il valore debba manifestarsi altrettanto rapidamente, mentre, nella realtà, il valore reale dell’IA nelle organizzazioni si costruisce nel tempo, con la capacità di integrare lo strumento nei flussi di lavoro, di sviluppare le competenze per usarlo in modo efficace, di imparare dagli errori e di raffinare progressivamente le modalità di interazione, per cui aspettarsi delle trasformazioni immediate è un po’ come aspettarsi di saper suonare uno strumento musicale il giorno stesso in cui lo si acquista.
All’estremo opposto si collocano le aspettative per difetto, in cui l’IA viene vista come una minaccia da subire, e pertanto l’approccio all’IA che ne deriva è dominato dalla diffidenza, dalla resistenza o dalla rassegnazione. Questo modello mentale è altrettanto disfunzionale, anche se meno discusso — perché chi lo adotta tende a fare poco rumore, limitandosi a non usare gli strumenti disponibili o a usarli in modo superficiale, senza vera intenzione di trovarne il valore.
Le aspettative per difetto si alimentano di narrazioni diverse ma alla fine convergenti. Da un lato, le narrative della sostituzione: l’IA eliminerà i posti di lavoro, renderà obsolete le competenze acquisite, ridurrà i professionisti a supervisori passivi di processi automatizzati e così via. Dall’altro, le narrative dell’inaffidabilità: l’IA sbaglia, inventa fatti inesistenti, non può essere considerata attendibile su nulla di importante e così via. Entrambe contengono elementi di verità — la preoccupazione per l’impatto occupazionale è legittima, e l’inaffidabilità dei modelli in certi contesti è documentata — ma vengono trasformate in pregiudizi assoluti che impediscono e pregiudicano qualsiasi valutazione equilibrata. Il costo delle aspettative per difetto è principalmente un costo derivante dalle opportunità mancate, in quanto chi si preclude l’impiego consapevole degli strumenti di IA rinuncia a dei benefici concreti e crescenti, come ad esempio la riduzione del carico cognitivo su attività routinarie, l’accelerazione di processi di ricerca e sintesi, il supporto alla decisione, l’accessibilità a competenze specialistiche in domini prima inaccessibili: questi benefici non sono certamente garantiti, ma sono però assolutamente realizzabili — e ignorarli sistematicamente a seguito di pregiudizi è una scelta che naturalmente comporta un costo. C’è poi anche una dimensione organizzativa di questo fenomeno che merita attenzione: quando le aspettative per difetto si diffondono in modo capillare all’interno di un’organizzazione — perché alimentate ad esempio da una leadership scettica, da delle esperienze negative mal gestite, o semplicemente dall’assenza di una narrazione interna credibile sull’IA — si crea una cultura di resistenza che rende estremamente difficile qualsiasi percorso di adozione, non perché la tecnologia non funzioni, ma perché il background culturale non è comunque preparato a riconoscere quando funziona.
Il terzo tipo di aspettativa disfunzionale è il più sottile e, probabilmente, il più diffuso tra chi usa l’IA con una certa regolarità. Si tratta delle aspettative per proiezione, ovvero il tendere a usare i nuovi strumenti secondo i modelli cognitivi e operativi che si conoscono già, aspettandosi che funzionino — e che producano valore — nello stesso modo in cui funzionano gli strumenti che si sono utilizzati precedentemente. In questo modo, ad esempio, chi ha usato per anni dei motori di ricerca tende a interagire con un modello linguistico come se fosse un motore di ricerca evoluto, e quindi inserisce parole chiave brevi, si aspetta link a fonti, valuta i risultati in base alla velocità e alla semplicità della risposta; chi invece ha usato assistenti virtuali di tipo command-and-control — quelli che eseguono comandi specifici come impostare una sveglia o riprodurre musica — tende a dare istruzioni telegrafiche senza contesto, aspettandosi un’esecuzione immediata e letterale; chi infine ha delegato delle attività a dei collaboratori umani tende ad aspettarsi che l’IA comprenda intuitivamente il contesto, interpreti le ambiguità come farebbe una persona di fiducia, e colmi autonomamente le lacune di informazione. Naturalmente, nessuno di questi approcci è completamente sbagliato di per sé — i modelli linguistici moderni sono abbastanza flessibili da adattarsi a stili di interazione diversi, ma tutti producono risultati sistematicamente inferiori rispetto a quelli che sarebbe possibile ottenere con un’interazione che sia calibrata sulle caratteristiche reali della tecnologia. L’IA non è infatti un motore di ricerca, e produce risposte originali, non recupera documenti esistenti; non è neanche un assistente virtuale di tipo esecutivo, e lavora meglio con contesto ricco, istruzioni articolate e dialogo iterativo; non è ovviamente un collaboratore umano, e non colma le ambiguità grazie a una conoscenza tacita condivisa. Le aspettative per proiezione generano un tipo specifico di delusione, ovvero la sensazione che l’IA “non capisca”, che sia “complicata da usare”, che “richieda troppo sforzo per risultati mediocri”: questa percezione è genuina — ma la sua causa non è ancora la tecnologia, bensì il modello mentale con cui la si approccia. Cambiare quel modello mentale non è certamente banale, in quanto richiede formazione, pratica, disponibilità a mettere in discussione abitudini consolidate, ma è esattamente questo il lavoro che le organizzazioni dovrebbero facilitare, se volessero che i propri collaboratori traessero valore reale dagli strumenti che mettono loro a disposizione. In definitiva, le aspettative per proiezione sono le più difficili da riconoscere perché sembrano molto ragionevoli, in quanto stiamo semplicemente applicando ciò che sappiamo già fare, ma è proprio qui che risiede il rischio, in quanto la stretta analogia con il passato può diventare un pesante ostacolo all’esplorazione del nuovo.
Il disallineamento delle aspettative come problema di management
Se il problema delle aspettative è strutturale e non temporaneo, allora la responsabilità di affrontarlo appartiene senza dubbio al management — certamente non ai fornitori di tecnologia, non ai ricercatori che sviluppano i modelli, non agli utenti lasciati a sé stessi, e questa responsabilità organizzativa richiede competenze, strumenti e processi specifici.
Questa affermazione può sembrare ovvia, ma è tutt’altro che scontata nella pratica. La tendenza prevalente nelle organizzazioni è di delegare la gestione dell’IA ai team tecnici o IT, come se si trattasse di un problema di infrastruttura: ad esempio, i tecnici acquistano le licenze, configurano i sistemi, eventualmente fanno una sessione dimostrativa e poi gli strumenti vengono messi a disposizione degli utenti, con l’aspettativa implicita che siano loro a trovare il modo di usarli proficuamente. Il risultato, nella maggior parte dei casi, è un basso livello di impiego, usi superficiali o disfunzionali, e una progressiva indifferenza verso strumenti che avrebbero potuto generare valore reale.
Invece, gestire le aspettative non significa semplicemente “fare comunicazione” o distribuire materiali formativi generici, ma significa piuttosto fare un lavoro sistematico e continuativo su quattro livelli distinti. Il primo è il livello individuale: ogni persona che usa l’IA porta le proprie aspettative, formate dalla propria storia, dalla propria professione, dalle proprie esperienze precedenti, e lavorare su questo livello significa creare spazi sicuri per l’esplorazione, normalizzare gli errori e i fallimenti come parte del processo di apprendimento, e aiutare ciascuno a costruire un modello mentale realistico della tecnologia.
Il secondo livello è quello dei ruoli professionali. Le diverse professioni hanno generalmente aspettative radicalmente diverse verso l’IA: ad esempio, un avvocato che usa l’IA per la ricerca giurisprudenziale ha esigenze di affidabilità molto più stringenti di un copywriter che la usa per generare bozze creative, così come un medico che integra l’IA nel processo diagnostico ha bisogno di comprenderne i limiti in modo molto più preciso di un manager che la usa per sintetizzare dei report. Calibrare le aspettative per ruolo professionale non è quindi possibile con approcci né standard né tanto meno uniformi, ma richiede percorsi di formazione specifici, contestualizzati, che si indirizzino puntualmente ai problemi concreti di chi li segue.
Il terzo livello è quello dei processi organizzativi. L’IA produce valore in modo molto differente a seconda di come viene integrata nei flussi di lavoro esistenti: se viene inserita come strumento opzionale e individuale, tende a produrre benefici irregolari e difficilmente misurabili, mentre, se è integrata in processi definiti, con ruoli chiari, protocolli di uso e meccanismi di verifica dell’output, può produrre miglioramenti sistematici e documentabili. Questo livello richiede pertanto un lavoro di redesign dei processi che va ben oltre la semplice messa a disposizione degli strumenti.
Il quarto livello, infine, è quello della cultura organizzativa. Le aspettative non si formano nel vuoto organizzativo, ma in contesti culturali precisi che tendono a valorizzare certi comportamenti e a scoraggiarne altri: ad esempio, un’organizzazione in cui si stigmatizza il fallimento tenderà a produrre naturalmente aspettative per difetto verso qualsiasi nuova tecnologia, perché sperimentare significherebbe rischiare di sbagliare, mentre un’organizzazione in cui viene premiato il conformismo tenderà a produrre aspettative per proiezione, perché fare le cose in modo “diverso dal solito” potrebbe diventare socialmente rischioso. Lavorare sulla cultura organizzativa corrisponde forse al percorso più lento e più difficile, ma anche a quello con l’impatto più consistente e duraturo.
C’è poi un’altra dimensione del problema di management delle aspettative che merita attenzione specifica, ovvero la gestione delle aspettative nel tempo. Le aspettative non sono naturalmente statiche, ma evolvono con l’esperienza, con i risultati ottenuti, con i cambiamenti della tecnologia e del contesto, e un’organizzazione che calibrasse le sue aspettative una volta sola — al momento dell’introduzione degli strumenti — e poi non ci tornasse sopra, si troverebbe inevitabilmente in ritardo rispetto a una tecnologia che cambia rapidamente.
In ogni caso, la gestione delle aspettative deve essere un processo continuo, non un evento: le organizzazioni che otterranno il maggiore valore dall’IA nel medio-lungo periodo non saranno necessariamente quelle che adottano i modelli più avanzati, ma quelle che sviluppano la capacità di calibrare e aggiornare continuamente le proprie aspettative rispetto a ciò che la tecnologia può effettivamente offrire.
Verso un’organizzazione expectation-aware
Ma come si costruisce concretamente la capacità di gestire le aspettative rispetto all’IA? Non esiste ovviamente una formula universale, ma si possono identificare alcune caratteristiche che distinguono le organizzazioni che affrontano il problema con consapevolezza e maturità da quelle che lo ignorano o lo sottovalutano.
La prima caratteristica è la valutazione esplicita delle aspettative prima dell’adozione della tecnologia: le organizzazioni consapevoli e mature non si limitano a chiedersi “cosa può fare questa tecnologia?” prima di adottarla, ma si chiedono anche, ad esempio, “cosa ci aspettiamo che faccia?”, “queste aspettative sono realistiche?”, “su cosa si basano?”, “chi le ha formate e come?”. Questo tipo di indagine preliminare — che può essere condotta attraverso workshop, interviste, sondaggi interni — serve a fare emergere le aspettative implicite prima che diventino fonti di delusione, ed è un lavoro anche scomodo, perché spesso rivela aspettative contraddittorie tra persone diverse o discrepanze significative rispetto alle capacità reali degli strumenti, ma risulta comunque un lavoro necessario.
La seconda caratteristica è che la formazione sia orientata alla calibrazione delle aspettative, e non solo alla competenza tecnica. La maggior parte dei percorsi formativi sull’IA si concentra sul “come”: come si scrive un prompt efficace, come si usa uno strumento specifico, come si integra l’IA in un certo processo: questi contenuti sono certamente utili, ma insufficienti se non sono accompagnati da una riflessione sul “perché”, ad esempio, certi approcci funzionino meglio di altri, su quali siano i limiti strutturali dei modelli linguistici, in quali contesti l’IA produca valore e in quali no. In questo scenario, il framework delle tre modalità di impiego — automazione, assistenza, potenziamento — diventa un potente strumento di calibrazione delle aspettative, in quanto aiuta le persone a capire quale tipo di valore stiano cercando, quale livello di coinvolgimento cognitivo sia richiesto da ciascuna modalità, e quale modalità sia effettivamente la più appropriata per il compito che hanno di fronte. Una formazione che sappia tener conto di questa distinzione ha come risultato professionisti molto più capaci di estrarre valore reale dall’IA rispetto a una formazione che si limita invece a trasferire competenze operative.
La terza caratteristica è la misurazione del valore percepito, non solo del valore oggettivo. Mentre infatti diverse organizzazioni misurano quantitativamente l’uso degli strumenti di IA — quante licenze attivate, quante sessioni avviate, quanti documenti generati, molte meno misurano le evidenze se chi li usa percepisce che stiano producendo valore, e soprattutto perché. La differenza tra valore oggettivo e valore percepito può essere enorme: un sistema che, per metriche tecniche, funziona perfettamente può essere percepito come inutile o frustrante se non soddisfa le aspettative dei suoi utenti, per cui raccogliere feedback sistematici sulla percezione — non solo sull’uso — è un passo fondamentale per capire dove il disallineamento si manifesta e come intervenire.
La quarta caratteristica è la creazione di spazi di condivisione delle esperienze. Il disallineamento tra aspettative e capacità è spesso un fenomeno individuale e silenzioso: la persona che rimane delusa raramente lo comunica, preferisce smettere di usare lo strumento senza spiegare perché. Creare occasioni strutturate — riunioni di team, comunità di pratica, canali dedicati — in cui le persone possono condividere esperienze, sia positive che negative, con l’IA, permette all’organizzazione di imparare collettivamente, di identificare pattern ricorrenti di insoddisfazione e di intervenire in modo mirato.
La quinta caratteristica, forse la più avanzata, è la capacità di distinguere tra disallineamenti risolvibili e disallineamenti strutturali. Alcune aspettative disattese possono essere corrette attraverso formazione, cambiamento di processo o miglior comunicazione, mentre altre riflettono limiti effettivi della tecnologia attuale — e in questi casi la risposta corretta non è investire di più nella formazione o nel change management, ma riconoscere onestamente che la tecnologia, allo stato attuale, non è adatta a quel caso d’uso specifico. Saper fare questa distinzione richiede una comprensione approfondita sia delle capacità dei modelli sia dei bisogni reali dell’organizzazione — e la conseguente disponibilità a sospendere il giudizio fino a quando non si abbiano abbastanza dati per decidere.
A tutto questo si aggiunge poi una dimensione di leadership che non va certamente sottovalutata, in quanto le aspettative delle persone all’interno di un’organizzazione sono fortemente influenzate da ciò che la leadership dice e fa. Ad esempio, un leader che usa l’IA in modo visibile, che ne parla con realismo — riconoscendo sia le possibilità che i limiti, sia i successi che i fallimenti — crea un modello di comportamento che permea l’organizzazione, mentre, al contrario, un leader che promuove l’IA con entusiasmo acritico, o che la ignora completamente, contribuisce a formare aspettative distorte — per eccesso nel primo caso, per difetto nel secondo.
In definitiva, un’organizzazione expectation-aware non è un’organizzazione che ha aspettative contenute rispetto all’IA, ma un’organizzazione che sa costruire aspettative accurate, aggiornarle continuamente, e gestire in modo costruttivo il divario tra ciò che si aspettava e ciò che ha trovato.
Il nodo dell’autonomia quando le aspettative diventano delega
C’è poi un aspetto del problema delle aspettative che merita una riflessione specifica, perché tocca una dimensione non solo organizzativa ma profondamente umana: il rapporto tra le aspettative verso l’IA e l’autonomia cognitiva di chi la utilizza.
Una delle aspettative più comuni — e più problematiche — che le persone trasferiscono nell’interazione con i sistemi di IA è quella della delega: l’idea che l’IA possa, o debba, sostituire il proprio giudizio o la propria decisione in contesti dove questi siano difficili, incerti o costosi. Questa aspettativa non è irrazionale — i modelli linguistici sono spesso in grado di produrre analisi sofisticate, valutazioni articolate, raccomandazioni plausibili, ma diventa pericolosa se non è accompagnata dalla consapevolezza che la qualità dell’output dell’IA dipende in misura cruciale dalla qualità del giudizio umano che lo accompagna, lo valuta e lo integra. I dati recenti mostrano con chiarezza questa tensione: tra le preoccupazioni più diffuse rispetto all’IA figura l’atrofia cognitiva, ovvero il timore — spesso fondato su esperienze dirette — che l’uso sistematico dell’IA stia erodendo la capacità di pensare in modo autonomo, di costruire argomenti propri, di ragionare senza supporto esterno. Gli educatori, in particolare, riferiscono di osservare nei propri studenti segnali preoccupanti: non tanto difficoltà tecniche nell’uso degli strumenti, ma difficoltà crescenti nel formulare pensieri originali, nel sostenere un ragionamento sequenziale, nell’affrontare l’incertezza senza il supporto di una risposta immediata.
Questa tensione tra i benefici dell’IA ai fini dell’apprendimento e il rischio di dipendenza cognitiva è particolarmente acuta perché i due fenomeni coesistono nella stessa tecnologia, a volte nella stessa interazione: ad esempio, l’IA che aiuta un professionista a sviluppare un’analisi complessa che non avrebbe potuto fare da solo è la stessa IA che, usata in modo diverso, può portare quel professionista a non sviluppare mai le competenze necessarie per fare quell’analisi.
La differenza non è ovviamente nella tecnologia: è nell’aspettativa con cui la si usa — e, più precisamente, nella modalità di utilizzo che si cerca. Tornando al framework dei tre livelli: chi usa l’IA in modalità di potenziamento — come interlocutore che stimola il proprio pensiero, che sfida le proprie assunzioni, che arricchisce il processo decisionale senza sostituirlo — tende a sviluppare le proprie competenze nel tempo, spesso più rapidamente di chi non usa l’IA affatto, mentre invece chi usa l’IA in modalità di automazione cognitiva — delegando il pensiero, adottando acriticamente gli output senza elaborazione ulteriore — rischia di erodere progressivamente la propria capacità di giudizio indipendente. In sostanza, la modalità automazione è appropriata per le attività routinarie e a basso contenuto cognitivo, ma diventa pericolosa quando viene estesa, per comodità o pigrizia intellettuale, ad attività che richiedono giudizio, esperienza e senso critico.
Per le organizzazioni, questo significa che la formazione sull’IA non può limitarsi a insegnare come usare gli strumenti, ma deve includere una riflessione esplicita su come usarli preservando — e possibilmente sviluppando — l’autonomia cognitiva delle persone: non si tratta di una preoccupazione astratta, ma di una questione di resilienza organizzativa. Un’organizzazione in cui le persone hanno progressivamente delegato il proprio giudizio all’IA è infatti un’organizzazione estremamente vulnerabile — ai limiti della tecnologia, alle sue variazioni di performance, ai suoi errori, e, soprattutto, a tutto ciò che non può essere delegato a nessun sistema artificiale, come il senso di responsabilità, la capacità di interpretare contesti inediti, la saggezza pratica che si costruisce solo attraverso l’esperienza diretta.
L’IA potenzia le capacità del professionista che sceglie consapevolmente come usarla, non di chi la usa per evitare di pensare, e questa differenza dipende totalmente dal saper gestire le aspettative, e quindi sta nella responsabilità di chi forma, gestisce e governa le persone nelle organizzazioni.
Implicazioni per project manager e trasformazioni organizzative
Le riflessioni sviluppate fin qui hanno implicazioni specifiche per chi si occupa di project management e di gestione delle trasformazioni organizzative — un ambito in cui il tema delle aspettative è da sempre centrale, ma che nell’era dell’IA acquisisce nuove dimensioni di complessità. I project manager sono, per definizione, gestori di aspettative (Pirozzi, 2026). Il loro lavoro quotidiano consiste in larga misura nell’allineare le aspettative degli stakeholder — spesso diverse, a volte contraddittorie — con le realtà del progetto: i vincoli di tempo e costo, le caratteristiche del prodotto, le incertezze del percorso. Questa competenza — costruita su anni di pratica, di negoziazioni difficili, di delusioni gestite e di successi costruiti attraverso il lavoro sistematico sulle aspettative — è esattamente la competenza di cui le organizzazioni hanno più bisogno oggi per gestire l’adozione dell’IA.
Un progetto di introduzione dell’IA che non dedica una parte significativa delle proprie risorse alla gestione delle aspettative è un progetto ad alto rischio, indipendentemente dalla qualità degli strumenti scelti. Le aspettative degli sponsor — spesso entusiaste e non sempre ancorate a valutazioni realistiche — devono infatti essere calibrate con attenzione, senza smorzare l’energia necessaria a sostenere il cambiamento. Le aspettative degli utenti finali — spesso miste tra curiosità e resistenza — devono essere comprese, rispettate e gradualmente riorientate verso modelli mentali più accurati. Le aspettative dell’organizzazione nel suo complesso — che si forma una propria narrazione collettiva sull’IA attraverso le esperienze di singoli e team — devono essere monitorate e alimentate con informazioni accurate e bilanciate.
C’è poi un’implicazione specifica per i progetti di trasformazione digitale che includono componenti di IA: la necessità di costruire metriche di successo che includano esplicitamente la dimensione della percezione di valore. Un progetto che misura il proprio successo solo in termini di funzionalità consegnate o di KPI tecnici può considerarsi riuscito anche se gli utenti rimangono insoddisfatti, se l’adozione è bassa, se il valore percepito non corrisponde al valore potenziale. Includere metriche di percezione — soddisfazione degli utenti, allineamento tra aspettative e esperienza, disponibilità a raccomandare lo strumento ad altri — non costituisce quindi un “di più”, ma è un requisito di completezza indispensabile per valutare il reale impatto di un progetto.
Infine, i project manager che lavorano su trasformazioni legate all’IA devono sviluppare una competenza specifica che va oltre la tradizionale gestione degli stakeholder: la capacità di tenere aperta la conversazione sulle aspettative per tutta la durata del progetto e oltre. Le aspettative cambiano. I modelli migliorano. I contesti evolvono. Un’aspettativa che era realistica sei mesi fa potrebbe essere diventata conservativa oggi, o viceversa. La gestione delle aspettative nell’era dell’IA non è un’attività di inizio progetto: è un processo continuo (Pirozzi, 2026), che richiede attenzione, agilità e disponibilità al dialogo aperto con tutti gli stakeholder coinvolti.
Cosa ci aspettiamo dall’IA e perché
Torniamo un attimo al punto di partenza: il dibattito sull’IA è forse dominato da una domanda sbagliata. Non tanto “cosa può fare l’IA?” — a cui i ricercatori e le aziende tecnologiche rispondono quotidianamente, con risultati sempre più impressionanti, ma, piuttosto, “cosa ci aspettiamo che faccia?” — una domanda che le organizzazioni raramente si pongono in modo esplicito, sistematico e onesto.
La differenza tra queste due domande non è ovviamente solo semantica, ma è pratica, profonda e urgente. Mentre infatti la prima domanda ha una risposta che evolve continuamente, guidata dal progresso tecnologico, la seconda ha una risposta che dipende da noi — dalla nostra storia, dalla nostra cultura, dalle nostre esigenze concrete, dai nostri valori, e, proprio perché dipende da noi, è anche una risposta su cui possiamo lavorare, che possiamo migliorare, che possiamo allineare progressivamente alla realtà.
In definitiva, le organizzazioni che imparano a porsi questa seconda domanda — e a rispondervi con efficacia, rigore e onestà intellettuale — non solo ottengono un maggior valore dagli strumenti di IA che adottano, ma sviluppano anche una capacità più generale, cioè quella di approcciare qualsiasi nuova tecnologia con consapevolezza, di valutarla sulla base di esigenze reali piuttosto che di narrazioni esterne, e di integrare l’innovazione senza perdere la bussola dei propri obiettivi. In questo percorso, scegliere consapevolmente tra automazione, assistenza e potenziamento non è solo una decisione tecnica: è già, di per sé, un atto di gestione delle aspettative — perché definisce quale tipo di valore si cerca, quale coinvolgimento cognitivo si è disposti a mantenere, e quale responsabilità si intende conservare.
Questa capacità — che potremmo chiamare consapevolezza e maturità tecnologiche, o più precisamente consapevolezza e maturità nell’adozione dell’innovazione — non si costruisce in un giorno: richiede leadership consapevole, formazione continua, cultura organizzativa aperta alla sperimentazione ma rigorosa nella valutazione. Richiede, soprattutto, la disponibilità a mettere in discussione le proprie aspettative — non per contenerle, ma per renderle più accurate, più basate sui dati e sulle evidenze, in definitiva più produttive. Vale inoltre tenere presente che aspettative e capacità sono entrambe in movimento: i modelli evolvono rapidamente, e con essi cambiano le possibilità reali di ciò che si può chiedere loro. Per questo l’allineamento non è mai uno stato da raggiungere una volta sola, ma una pratica organizzativa continua — che richiede attenzione, aggiornamento e la disponibilità a ricominciare il lavoro ogni volta che la tecnologia fa un passo avanti.
I benefici che questa tecnologia può portare alle organizzazioni sono reali, documentati e crescenti. Non sono però automatici: dipendono da un lavoro che non si fa con i modelli, ma con le persone — il lavoro paziente, sistematico, mai definitivo di costruire aspettative all’altezza di una tecnologia straordinaria, e di un futuro che, in misura crescente, saremo noi a decidere come disegnare.
In conclusione, la domanda più importante sull’IA non riguarda i modelli, ma noi stessi: cosa vogliamo davvero da questa tecnologia, perché lo vogliamo, e se siamo disposti a fare il lavoro necessario per ottenere il risultato che ci aspettiamo.
Partecipa alla community