L’AI Slop sta sporcando i processi aziendali

L'”AI Slop” ha già superato i confini del contenuto scadente che riempie social, newsletter e pagine web: sta entrando nei processi aziendali e li sta contaminando dall’interno. Il problema nasce quando un elaborato generato dall’AI sembra plausibile, ordinato e professionale, ma non contiene abbastanza sostanza per far avanzare davvero il lavoro. Qualcuno lo invia, qualcun altro lo riceve, poi deve interpretarlo, correggerlo, rifarlo o usarlo come base per un’altra attività.

Il danno non si misura solo in qualità editoriale. Una risposta imprecisa finita in una mail interna può diventare una decisione sbagliata; una sintesi debole può trasformarsi in requisito di progetto; un documento superficiale può entrare in una procedura di vendita, assistenza, controllo qualità o conformità. La produttività promessa dall’AI svanisce quando il costo della verifica passa al collega successivo.

Harvard Business Review ha ripreso il tema in chiave organizzativa: quando il “workslop” attraversa più passaggi di un processo, gli errori non restano isolati. Si accumulano, degradano gli elaborati successivi e riducono la fiducia tra reparti. La formula è utile perché sposta il discorso dalla qualità del singolo prompt alla qualità della catena. Un processo sporco produce lavoro sporco anche quando ogni passaggio sembra efficiente.

La ricerca di BetterUp Labs, condotta con Stanford Social Media Lab, definisce il workslop come lavoro generato dall’AI che sembra buono ma non porta avanti il compito. Il dato più utile è concreto: il 40% dei lavoratori da scrivania intervistati ha ricevuto workslop nel mese precedente, ogni episodio richiede in media quasi due ore per essere risolto e il costo stimato è di 186 dollari al mese per dipendente. In un’organizzazione da 10.000 persone, l’impatto annuo stimato supera i 9 milioni di dollari.

Sono numeri statunitensi e vanno letti come indicazione, non come contabilità universale. Il meccanismo però è generale. L’AI rende più facile produrre materiale che assomiglia a lavoro concluso; l’organizzazione, se non ha controlli, lo tratta come lavoro valido. Il costo nascosto sta nella riparazione: è lì che il tempo risparmiato prima viene consumato, con gli interessi.

La macchina produce, il processo paga

Il primo errore è confondere volume e avanzamento. Un report più lungo, una presentazione più piena, una mail più rifinita o una tabella generata in pochi secondi non sono lavoro utile. Se chi riceve deve ricostruire fonti, correggere numeri, capire assunzioni implicite o verificare che l’elaborato non abbia inventato dettagli, la velocità iniziale ha spostato fatica a valle.

Tom’s Hardware ha già raccontato perché l’adozione dell’AI non coincide con il ritorno economico. Il punto era la distanza tra uso dichiarato e valore misurabile: il ROI non arriva come previsto. Il “workslop” rende quella distanza visibile: molte aziende stanno moltiplicando semilavorati da controllare, non automatizzando davvero il lavoro.

La parola “slop” suona caricaturale, ma descrive bene una categoria manageriale: materiale a bassa densità decisionale. Sembra completo, occupa spazio, circola nei sistemi, ma non riduce incertezza. In una chat personale è fastidioso; dentro un processo di approvazione, assistenza clienti o controllo qualità diventa un difetto che si propaga.

Lenovo ha dato al problema una dimensione di governance. La ricerca sull’esecuzione dell’AI segnala che oltre il 70% dell’AI in azienda è fuori controllo, con uso settimanale diffuso e fino a un terzo dei dipendenti fuori dalla supervisione IT. La priorità è capire dove questi strumenti entrano nei processi, prima di decidere cosa limitare. L’AI non governata produce elaborati non governati.

Lo “shadow AI”, l’uso non autorizzato di strumenti AI, è il terreno perfetto per il workslop. Tom’s Hardware ha già rilevato che due terzi dei lavoratori usano AI vietate dall’azienda, e l’88% ci inserisce dati riservati. Un dipendente usa uno strumento personale per velocizzare una proposta, un altro incolla dati in una piattaforma non approvata, un terzo genera un documento da usare con un cliente. Nessuno vuole danneggiare l’azienda; tutti cercano di risparmiare tempo. Il risultato è un sistema parallelo dove la qualità dipende dalla disciplina individuale, non da regole verificabili.

Tom’s Hardware ha già descritto il problema della mancanza di governance negli agenti AI. Quel ragionamento vale anche per l’AI generativa ordinaria: senza ruoli, permessi, audit, dati affidabili e criteri di uscita, l’azienda non sa distinguere l’uso utile dall’inquinamento operativo. L’AI senza controllo diventa opaca: si usa, produce, circola — ma nessuno sa cosa genera davvero.

Il collega diventa il filtro di qualità

Il workslop ha un effetto sociale spesso sottovalutato. Chi lo produce risparmia tempo; chi lo riceve lo perde. La revisione non appare negli indicatori del primo, ma finisce nel calendario del secondo. Questo spostamento del costo crea risentimento, riduce fiducia e peggiora la collaborazione. L’errore è il sintomo; l’ingiustizia organizzativa del controllo scaricato sugli altri è il danno reale.

Il rischio cresce quando l’AI viene presentata come obbligo culturale. Se ogni reparto deve “usare l’AI”, molte persone la useranno anche dove non serve, oppure la useranno per produrre in fretta qualcosa che prima avrebbe richiesto giudizio. Tom’s Hardware ha affrontato il tema delle competenze AI: usare bene questi strumenti significa sapere quando non usarli, o quando usarli solo come supporto grezzo.

I processi aziendali sono pieni di punti fragili: passaggi di consegne, ticket, CRM, note di riunione, documenti di progetto, specifiche tecniche, offerte commerciali, basi di conoscenza. Se l’AI produce una sintesi mediocre e quella sintesi diventa base per l’attività successiva, la mediocrità smette di essere individuale e diventa infrastrutturale.

ISACA ha misurato un altro pezzo della stessa debolezza. Nel suo AI Pulse Poll 2026, l’associazione rileva che solo il 12% degli intervistati dichiara di avere un processo documentato, testato regolarmente, per fermare o sovrascrivere sistemi AI quando qualcosa va storto. Il 56% non sa quanto tempo servirebbe per bloccare un sistema durante un incidente. Se non sai fermarlo, non lo stai governando.

Questo dato riguarda la sicurezza, ma vale anche per la qualità. Ogni flusso AI dovrebbe avere punti di arresto, responsabilità chiare e criteri minimi di accettazione. Che cosa può essere mandato a un cliente? Che cosa deve essere verificato da una persona competente? Quali dati non possono entrare in un modello? Quali elaborati non possono diventare fonte per altri processi? La governance utile è una serie di freni progettati, non un documento firmato e dimenticato.

La figura del responsabile dei dati torna qui centrale. I CDO sono tornati al centro perché gli agenti e i sistemi generativi funzionano solo quando ricevono dati affidabili. Il workslop è il rovescio della stessa medaglia: dati scadenti producono elaborati scadenti, elaborati scadenti producono decisioni scadenti.

Sporcare meno è meglio che vietare

La risposta più comoda sarebbe vietare l’AI generativa nei processi sensibili. Sarebbe anche una risposta debole. Le persone continueranno a usarla, perché riduce fatica apparente e spesso aiuta davvero. La questione diventa incanalare l’uso: strumenti approvati, dati ammessi, controlli proporzionati, responsabilità esplicite, tracciamento e formazione. Bloccare tutto sposta l’uso nell’ombra; governarlo lo rende visibile.

La risposta pratica è poco spettacolare. Primo: mappare dove l’AI entra già nei flussi di lavoro, anche informalmente. Secondo: distinguere bozze, supporto analitico, automazione ed elaborati destinati all’esterno. Terzo: definire soglie di verifica per categoria. Quarto: misurare il costo della correzione, non solo il tempo risparmiato da chi genera. Il valore dell’AI si valuta sul processo intero, non sul singolo passaggio accelerato.

Google ha richiamato più volte la necessità di portare la sicurezza AI in CdA. Tom’s Hardware ha raccontato questo punto nel pezzo sulla sicurezza AI in consiglio: gli agenti e gli strumenti generativi possono riscoprire dati dimenticati, permessi vecchi e archivi che nessuno mappa più. Lo stesso vale per la conoscenza aziendale: l’AI amplifica ciò che trova, anche quando ciò che trova è vecchio o sbagliato.

La decisione di budget dovrebbe partire da una premessa semplice. L’AI generativa va trattata come un acceleratore di passaggi organizzativi, non come una stampante di testo. Se accelera un passaggio mal progettato, produce più scarti. Se accelera un processo senza controlli, distribuisce errori con maggiore efficienza. L’automazione aumenta il valore solo quando aumenta anche la responsabilità.

Usare bene l’AI richiede precisione, prima ancora che velocità. Ogni elaborato generato dovrebbe portare con sé fonte, scopo, livello di verifica e proprietario. Ogni processo dovrebbe dichiarare dove l’AI può aiutare e dove serve giudizio umano. Senza questa disciplina, l’AI Slop non resterà rumore esterno: diventerà il materiale con cui l’organizzazione prende decisioni peggiori, più in fretta.