Perdiamo oltre 6 ore a ‘fare da babysitter’ all’Intelligenza Artificiale in ufficio

Glean ha pubblicato un sondaggio su 6.000 lavoratori digitali full-time che ribalta il racconto dominante sull’AI in azienda. La ricerca, realizzata dal Work AI Institute con co-autori di Emory, Stanford, UC Berkeley, UC Santa Barbara, UNC Charlotte, UCL e Notre Dame, misura una voce di costo che nessun business case enterprise contabilizza: 6,4 ore alla settimana spese a fare da “botsitter” ai modelli di intelligenza artificiale. Un terzo del tempo lavorativo settimanale se ne va in supervisione, prompt iterati, debugging, switch fra strumenti e pulizia degli output.

La narrazione del risparmio esce contraddetta da questi numeri. L’87% degli intervistati usa l’AI, automatizza più di un quarto del proprio lavoro e dichiara di risparmiare circa 11 ore alla settimana. Il calcolo netto, però, sottrae quelle 6,4 ore di babysitting e lascia un margine reale molto più sottile di quanto i fornitori promettano. Solo il 13% afferma che l’AI ha migliorato in modo significativo le performance aziendali: una platea di evangelisti che si restringe quando si chiede di portare numeri sul tavolo del CEO. Il resto vive in una zona grigia di guadagni personali e perdite organizzative, dove il “tempo recuperato” è in larga parte tempo riallocato altrove.

Il sondaggio di Glean — che si può leggere nel resoconto pubblicato da CIO e nel report integrale del Work AI Institute — è uscito mentre un’altra ricerca del MIT certifica che il 95% dei pilot di AI generativa in azienda fallisce nel produrre ritorni misurabili. Due fotografie diverse della stessa cosa: una tecnologia che funziona benissimo nelle demo e molto meno bene quando incontra un workflow reale, fatto di colleghi, sistemi legacy, regole interne e responsabilità.

Il paradosso dei guadagni che si mangiano da soli

Il botsitting si svolge in micropassaggi: l’utente apre il modello, scrive un prompt, riceve una bozza che non va. Riformula. Aggiunge contesto. Carica un documento di riferimento. Cambia strumento perché quello non gestisce bene i file. Verifica un numero. Riscrive due paragrafi. Controlla i link. Il tempo che il fornitore conta come “10 secondi per generare un report” diventano, nella vita vera, quaranta minuti distribuiti su sei tab. Il guadagno c’è, ma si paga in attenzione frammentata.

La ricerca di Glean conferma quello che diverse analisi indipendenti misurano da mesi: il conto del ROI dell’AI non torna quando si includono i costi nascosti del lavoro umano necessario a far funzionare i modelli. Le ore di babysitting sono il principale di questi costi, ma non figurano in nessun TCO. Nessun CFO le vede arrivare nel bilancio: si nascondono nei calendari individuali, nelle micropause, nei pomeriggi che finiscono senza aver chiuso il task di cui ci si vantava la mattina.

L’entusiasmo aziendale si raffredda. La curva delle dichiarazioni euforiche dei direttori innovazione si appiattisce, e con essa la promessa che l’AI avrebbe risolto da sola il problema della produttività. Diverse ricerche già documentano come l’intelligenza artificiale non aumenti la produttività in modo lineare, e il dato Glean fornisce una spiegazione operativa di quel raffreddamento: il tempo di supervisione è la zavorra che impedisce alla curva di salire.

Botshitting, ovvero quando si firma senza leggere

Se il “botsitting” è la versione virtuosa del lavoro con l’AI — supervisionare, correggere, ripulire — la sua versione cinica si chiama “botshitting”. Glean usa il termine per definire un comportamento che il 69% degli utenti dichiara di praticare: consegnare output dell’AI senza averlo verificato. Il 41% ammette di aver consegnato lavoro che non saprebbe nemmeno spiegare se interrogato. Il 28% scarica sull’AI la responsabilità di errori che sono propri. La responsabilità professionale si erode in modo sistemico.

“Botshitting is offloading your critical human thinking, judgment, and understanding”, ha sintetizzato Rebecca Hinds, a capo del Work AI Institute di Glean. La definizione è chirurgica: descrive uno scaricamento del giudizio, della comprensione, della responsabilità su un sistema che non può portarne il peso. Il problema operativo arriva dopo, quando bisogna correggere: “You don’t often see the negative impacts until 3, 4, 5 steps down the line. Then it requires all of this cleanup work, detective work”, ha spiegato Hinds. Gli errori dell’AI non emergono al momento della consegna, emergono tre passaggi più in basso, quando un collega scopre che il numero non torna, il link è morto, la citazione è inventata.

Le conseguenze sono note a chi legge la stampa di settore: bozze, report e materiali di marketing fatti male costano caro alle aziende in correzioni, danni reputazionali e contenziosi. L’AI usata senza filtri produce robaccia che qualcuno dovrà ripulire. Il “qualcuno” è quasi sempre un collega più scrupoloso, che non solo lavora il proprio task, ma anche la coda di errori che gli arriva dalla scrivania accanto. Il botshitting di uno diventa il botsitting di un altro: una catena di esternalità interne che gonfia le ore complessive senza che nessun cruscotto se ne accorga.

Il sondaggio Glean apre una crepa anche sul rapporto fra dipendenti e management: più di un lavoratore su due riceve oggi più aiuto dall’AI che dal proprio manager. Il modello ha sostituito il capo come fonte di coaching, brainstorming, feedback perché è sempre disponibile e non giudica. È un dato che dovrebbe far riflettere chi ancora pensa che l’AI sia un problema di adoption: il vero problema è che ha riempito un vuoto di leadership che esisteva prima.

Chi vince non usa di più, ridisegna il lavoro intorno al modello

Glean separa nel report una categoria che chiama “high AI achievers”: i lavoratori che ottengono dall’AI risultati superiori alla media. Le loro abitudini sono illuminanti, e in parte preoccupanti. Il 54% usa strumenti non approvati dall’azienda o in modi non conformi alle policy. Il 36% nasconde al management quanto l’AI lo aiuti, per timore di essere ridimensionato o sostituito. Sono numeri che raccontano una shadow IT su scala individuale, generata dalla distanza fra ciò che i dipendenti scoprono utile e ciò che la governance aziendale autorizza.

Le organizzazioni che invece estraggono valore senza shadow IT condividono un pattern preciso. Investono in training continuo. Ridisegnano i ruoli intorno alle nuove capacità del modello, invece di limitarsi a sovrapporlo ai task esistenti. Premiano le skill AI ma le misurano con KPI di business reali, non con metriche vanity come “ore di utilizzo del tool”. Mantengono una governance viva e adattabile invece di una policy scritta e dimenticata. Soprattutto, hanno executive che usano l’AI in prima persona e mostrano come si fa, non si limitano a finanziare il pilota di turno. È il modello che alcuni ricercatori indipendenti chiamano “AI nativa”: l’azienda riscrive il workflow attorno al modello invece di limitarsi a sovrapporlo ai task esistenti.

Su scala individuale, lo stesso pattern emerge nella necessità di un controllo output esplicito: chi consegna lavoro AI-assistito senza una fase strutturata di verifica produce, statisticamente, più errori di chi non usa AI affatto. La supervisione è il prodotto stesso, dunque da pesare come voce di valore, non come voce di costo. Le organizzazioni che lo capiscono mettono in chiaro che la firma sull’output resta umana e la verifica fa parte del task, non è una concessione opzionale al perfezionismo.

Il lavoro nascosto che nessun cruscotto vede

Il “botsitting” è lavoro reale, qualificato, intellettualmente impegnativo, che oggi non viene contabilizzato in alcuna voce di costo e che la prossima versione del modello non farà sparire. Chi lo fa bene — verifica, corregge, ripulisce — protegge l’azienda dai danni del botshitting altrui ma resta invisibile nei report di produttività, perché non ha modo di dimostrare ciò che ha impedito. Chi lo fa male, consegnando output non verificati, viene premiato nel breve come “veloce” e penalizza il sistema nel medio. L’incentivo è perfettamente rovesciato rispetto a ciò che servirebbe.

Finché il KPI dell’AI aziendale sarà “ore di utilizzo del modello” o “numero di prompt eseguiti”, il botsitting resterà fuori dai cruscotti e chi lo pratica con cura sarà penalizzato due volte: dal carico di lavoro extra e dall’assenza di riconoscimento. La metrica che conta è quale lavoro è stato ridisegnato intorno al modello e quale è stato semplicemente sporcato e affidato a un collega più scrupoloso.

Il botshitting, allo stesso modo, va letto come risposta razionale a un sistema che premia la velocità apparente e non verifica la qualità sostanziale. Chiedere ai dipendenti di non praticarlo, mentre li si misura su throughput orario e si celebra pubblicamente chi “ha automatizzato il 40% del proprio lavoro”, è chiedere comportamenti virtuosi dentro incentivi viziosi. Funziona poco.

I manager seri farebbero bene a smettere di chiedere ai propri team “quanta AI usate” e iniziare a chiedere “cosa avete smesso di affidare al modello, e perché”. Il valore sta nella capacità di distinguere il task che l’AI fa meglio dell’umano da quello in cui produce solo l’illusione del risparmio. Tornare a quella distinzione — semplice, vecchia, prudente — è probabilmente il modo più efficace per recuperare le sei ore alla settimana che oggi vengono spese a babysittare un modello che, dopo tre anni di iperbole, andrebbe finalmente trattato come uno strumento e non come un collega.