Persone pagate per fare da babysitter all’IA, il costo che non ti aspettavi

Nel 2026 è arrivata una parola per descrivere una sensazione che chi lavora con l’AI conosceva già: il compito finisce più in fretta, eppure la giornata si riempie comunque. Si chiama botsitting, coniato dal Work AI Institute di Glean nel suo Work AI Index 2026, un’indagine su 6.000 lavoratori della conoscenza tra Stati Uniti, Regno Unito e Australia. La definizione è precisa: è il lavoro non gestito di rendere utilizzabile l’output dell’AI, fornire il contesto mancante, controllare i risultati, correggere gli errori, far ripartire i prompt, ripulire risposte sicure di sé ma sbagliate.

I numeri dello studio descrivono un paradosso netto. Circa l’87% dei lavoratori della conoscenza usa già l’AI, tre su quattro dicono che li rende più produttivi, e riferiscono di risparmiare circa 11 ore a settimana grazie all’automazione. Ma solo una persona su otto dice che la propria organizzazione, nel suo complesso, performa significativamente meglio. Il guadagno individuale non si traduce in guadagno collettivo, e la domanda ovvia è: dove finiscono quelle ore risparmiate?

I meccanismi che generano il fenomeno

Lo studio identifica tre pattern ricorrenti dietro il botsitting. Il primo è l’onere invisibile: il lavoro di supervisione, correzione e contestualizzazione è reale, ma non compare in nessun piano, budget o indicatore. Viene svolto nelle pause tra un compito “ufficiale” e l’altro, il che spiega perché nessuno lo conta.

Il secondo pattern è quello che i ricercatori chiamano centauro invertito. La promessa della collaborazione uomo-AI è il centauro: una persona potenziata da una macchina. Il botsitting capovolge lo schema. La persona smette di essere servita e diventa l’assistente, gestisce lo strumento, ne smussa le imperfezioni, assorbe i suoi errori. Il potenziamento funziona al contrario.

Il terzo è un ciclo che si autoalimenta: poiché la pulizia resta invisibile al management, viene letta come bassa adozione invece che come un problema di progettazione. Ai lavoratori viene detto di usare di più l’AI, non di usarla meglio, mentre chi fa più botsitting è anche più propenso a cercare un altro lavoro.

Quando il botsitting diventa qualcosa di peggio

Esiste un esito più rischioso alla fine di un ciclo di botsitting logorante: quando il lavoro di supervisione resta invisibile e non ricompensato, le persone iniziano a tagliare l’angolo che conta di più, la verifica. Consegnano lavoro generato dall’AI che non hanno davvero controllato, non comprendono fino in fondo, e che non saprebbero difendere se qualcuno lo mettesse in discussione. Glean ha chiamato questo fenomeno “botshitting”, e una quota rilevante degli utenti AI intervistati ammette di praticarlo.

Il meccanismo è sottile: siccome l’output dell’AI appare rifinito e sicuro di sé, invita chi legge a saltare il passaggio di giudizio critico. Una formattazione convincente sostituisce il pensiero verificato, e il rischio a valle ricade su chiunque si sia fidato di quel lavoro.

La causa vera è come l’AI entra nel flusso di lavoro

La tentazione, davanti al botsitting, è trattarlo come un problema personale: fare prompt migliori, scegliere un modello più adatto, impegnarsi di più nella verifica. Ma il lavoro invisibile non nasce dalla disattenzione dei lavoratori. Nasce perché il passaggio di consegne tra la persona e l’AI non è mai stato progettato. Nessuno ha definito di cosa è responsabile l’AI, di cosa è responsabile la persona, quale contesto l’AI deve ricevere, come viene controllato il suo output prima che vada avanti nel processo. In assenza di quel disegno, ogni singola persona improvvisa la struttura mancante in tempo reale, e quell’improvvisazione è, per definizione, botsitting.

Il quadro descritto da Glean trova eco anche nell’osservazione fatta da chi studia la trasformazione del lavoro con gli agenti AI nelle aziende: il collo di bottiglia non è mai la tecnologia, è la capacità di specificare flussi di lavoro, definire criteri di accettazione e costruire sistemi di supervisione che funzionino senza una presenza umana costante. Le organizzazioni che soffrono di più il botsitting non sono quelle che hanno adottato più AI: sono quelle che hanno impilato l’AI sopra un caos organizzativo già esistente.

Il costo che nessun conto economico registra ancora

Chi lavora già con agenti AI su più fronti riconosce il fenomeno da un’angolazione diversa: non lavora meno, gestisce più processi, supervisiona più output, prende più decisioni per unità di tempo. È lo stesso meccanismo descritto dal botsitting, misurato però dal lato di chi resta in azienda dopo un taglio di personale motivato dall’automazione. La fiducia e il controllo restano le due leve in tensione permanente dell’era agentica: serve fiducia sufficiente per usare davvero questi strumenti, ma ogni delega richiede comunque una supervisione che, se non progettata, diventa lavoro extra invisibile.

Le organizzazioni che stanno riducendo il fenomeno, secondo lo studio, non sono quelle che usano più AI in assoluto, ma quelle che hanno costruito attorno agli strumenti una governance esplicita: chi decide cosa fa l’AI e dove serve una persona, quale contesto le viene fornito per costruzione (non a colpi di prompt manuali), e un controllo che intercetti l’output prima che si allontani dall’intento originale. Misurare gli esiti, non l’adozione, resta il cambio più difficile da far accettare a chi guarda solo il numero di licenze attivate.

Il conto del botsitting, per ora, non compare in nessun bilancio aziendale. Ma le 6,4 ore a settimana che 6.000 lavoratori hanno segnalato ai ricercatori di Glean sono un costo reale quanto una licenza software, solo pagato in tempo delle persone invece che in fatture, e finché resterà invisibile nei report, continuerà a essere trattato come un problema di volontà individuale invece che come quello che è: una lacuna di progettazione che nessun modello, per quanto avanzato, può colmare da solo.

Chi paga di più il conto, dentro l’organizzazione

Il fenomeno non colpisce tutti i ruoli allo stesso modo. Chi occupa posizioni intermedie, dove il compito principale è già coordinare, verificare, mettere insieme il lavoro di altri, assorbe una quota di botsitting superiore alla media, perché la supervisione degli agenti si somma a una supervisione umana già esistente. I ruoli più giovani, che spesso ereditano i compiti di prima verifica sull’output AI prima che raggiunga chi decide, riportano tassi di logoramento più alti nello studio di Glean, un dettaglio che aggiunge un rischio concreto di turnover nelle fasce di carriera dove le aziende avrebbero più bisogno di trattenere persone.

C’è poi una dimensione che riguarda la fiducia nel tempo. Chi fa botsitting per mesi senza che il proprio carico venga riconosciuto tende a sviluppare uno scetticismo strutturale verso ogni nuovo strumento AI introdotto in azienda, indipendentemente da quanto sia effettivamente migliorato rispetto al precedente. È un costo reputazionale interno che nessun fornitore di software misura, ma che rallenta l’adozione di strumenti futuri anche quando quegli strumenti risolvono davvero il problema che ha generato la frustrazione iniziale.

Un problema che la sola scelta del modello non risolve

Il botsitting non si riduce automaticamente passando a un modello più avanzato: questo è un equivoco comune che merita chiarimento. Un modello più capace produce risposte mediamente più accurate, ma non elimina la necessità di un handoff progettato tra persona e macchina, perché anche il modello migliore commette errori in modo imprevedibile, e un sistema senza controlli strutturati continuerà a scaricare quella imprevedibilità sull’utente finale. La differenza tra un’organizzazione che soffre il fenomeno e una che lo ha ridotto non sta quasi mai nel modello scelto, sta in quanto lavoro è stato fatto a monte per definire dove l’AI ha davvero l’autorità di agire senza controllo, e dove invece quel controllo resta obbligatorio.