L’ascesa dell’economia dell’AI “non chiedere, non dire”

Google News ha portato alla luce una netta tesi di Bloomberg: i lavoratori stanno adottando l’AI nonostante regole irrisolte, misurazioni deboli e una crescente pressione a fare di più con meno risorse.

L’espressione “economia dell’AI non chiedere, non dire” descrive un compromesso scomodo. I datori di lavoro vogliono risultati più rapidi, ma spesso evitano di esaminare come tali risultati siano stati ottenuti. I lavoratori usano account AI personali, copiano materiale in strumenti pubblici e restano in silenzio perché le alternative approvate possono essere più lente o non disponibili.

Non è semplicemente un’altra storia sull’adozione dei chatbot. È un conflitto tra produttività visibile e rischio invisibile nei processi. Microsoft, Anthropic e i ricercatori sul lavoro hanno documentato parti di questa frattura, anche se nessun singolo dataset ne cattura l’intera portata.

La tensione centrale è semplice. Le aziende vogliono l’efficienza generata dall’AI, ma molte non dispongono delle policy, dei sistemi e degli incentivi necessari per rendere osservabile l’uso dell’AI. Questo divario crea un’economia sommersa nel normale lavoro d’ufficio.

Ciò che Google News ha messo a fuoco

Il cambiamento importante non è che i dipendenti abbiano scoperto l’AI. È che l’uso informale dell’AI è diventato parte della produzione ordinaria.

L’AI generativa è entrata in molti luoghi di lavoro attraverso comportamenti individuali, anziché tramite una distribuzione software pianificata. I dipendenti hanno aperto account personali, sperimentato prompt e individuato attività in cui un modello faceva risparmiare tempo. I team acquisti, sicurezza e legale sono spesso entrati nel processo in un secondo momento.

Questo modello di adozione differisce da un tradizionale rollout di software aziendale. Normalmente un’azienda seleziona un fornitore, configura gli accessi, forma gli utenti e monitora l’attività. La shadow AI inverte questa sequenza, perché i dipendenti iniziano a usare un servizio prima che l’organizzazione lo valuti.

La ricerca sull’AI nel luogo di lavoro di Microsoft e LinkedIn ha rilevato una diffusa adozione guidata dai dipendenti nel 2024. Tra i knowledge worker intervistati che usavano l’AI, il 78 percento portava al lavoro i propri strumenti.

Quel dato non dimostrava che ogni strumento personale avesse causato un incidente di sicurezza. Mostrava che i registri formali degli acquisti non potevano descrivere il reale livello di adozione sul posto di lavoro. L’inventario software e la realtà operativa si erano separati.

Il comportamento attraversa anche i livelli organizzativi. I singoli collaboratori usano l’AI per riassumere documenti, redigere messaggi, scrivere codice, analizzare feedback e preparare presentazioni. I manager usano strumenti simili per rivedere piani, organizzare riunioni e trasformare appunti incompleti in documenti rifiniti.

Queste attività spesso sembrano innocue perché ogni prompt è piccolo. L’effetto cumulativo è diverso. Un flusso di prompt può rivelare nomi di clienti, piani di prodotto, codice sorgente, ipotesi finanziarie, strategie legali o disaccordi interni.

L’inquadramento di Bloomberg è importante perché dà un nome all’accordo sociale che circonda quell’attività. I lavoratori potrebbero non dichiarare spontaneamente quanto usano l’AI. I manager potrebbero non indagare se i risultati migliorano e non emergono problemi evidenti.

Google News ha quindi evidenziato più di una tendenza tecnologica. Ha portato alla luce un problema di lavoro e governance fondato sull’ambiguità strategica. Tutti possono beneficiare dello strumento mentre la responsabilità resta indefinita.

Questa ambiguità appare efficiente durante le normali operazioni. Diventa fragile quando un cliente contesta una risposta, dati riservati compaiono fuori dai sistemi approvati o una decisione automatizzata danneggia qualcuno. L’organizzazione deve allora ricostruire un processo che non aveva mai scelto di osservare.

Definire questa un’economia nascosta non significa che ogni attività assistita dall’AI sia vietata. Significa che l’AI contribuisce valore economico senza comparire in modo coerente nei workflow ufficiali, nei budget, nelle metriche di performance o nei registri dei rischi.

Il risultato è visibile. Il metodo no.

Perché datori di lavoro e lavoratori accettano entrambi il silenzio

L’accordo informale sopravvive perché entrambe le parti ricevono un beneficio immediato dal lasciare l’uso dell’AI in parte non dichiarato.

I datori di lavoro affrontano un’intensa pressione per aumentare la produttività. Hanno pagato per modelli, assistenti, infrastrutture e sperimentazioni, eppure molti faticano ancora a collegare tali investimenti a risultati aziendali misurabili. L’adozione silenziosa da parte dei dipendenti offre benefici senza richiedere un programma completo di trasformazione.

I lavoratori affrontano una pressione diversa. Devono gestire volumi crescenti di messaggi, documenti, riunioni, ricerche e lavoro amministrativo. L’AI può ridurre il tempo dedicato a convertire informazioni da un formato a un altro.

Un lavoratore che trasforma appunti di riunione in un aggiornamento di progetto ha pochi incentivi a divulgare ogni prompt. La divulgazione può innescare revisioni aggiuntive, domande sulla qualità del lavoro o richieste di risultati ancora maggiori. Il silenzio preserva il tempo risparmiato.

Anche i manager possono beneficiare dal non chiedere. Se un team consegna prima, un manager riceve il risultato senza affrontare difficili interrogativi sulla gestione dei dati, l’attribuzione o la valutazione. La ricompensa immediata è concreta, mentre il rischio sembra lontano.

Questo accordo può distorcere le aspettative sulle prestazioni. Un dipendente può usare l’AI per completare un’attività in due ore anziché quattro. Quando la direzione considera normale il ritmo più rapido, il tempo risparmiato smette di appartenere al dipendente.

Il guadagno di produttività diventa un livello di riferimento più alto. I dipendenti hanno quindi bisogno di accesso continuo allo strumento soltanto per soddisfare aspettative create dal precedente uso dell’AI. Una scorciatoia volontaria diventa gradualmente un requisito lavorativo non ufficiale.

C’è anche un problema di divulgazione. Alcuni lavoratori temono che ammettere un uso esteso dell’AI faccia apparire il loro ruolo sostituibile. Altri temono che nasconderlo possa in seguito sembrare disonesto.

I manager affrontano la stessa contraddizione da un’altra prospettiva. Possono incoraggiare la sperimentazione, avvertendo al contempo i dipendenti di non esporre informazioni sensibili. Senza strumenti approvati ed esempi chiari, questi messaggi offrono ambizione senza un modello operativo utilizzabile.

La ricerca sostiene l’affermazione secondo cui l’AI può migliorare le prestazioni in contesti definiti. Uno studio sul campo dell’NBER ha esaminato un assistente di AI generativa usato dagli addetti al supporto clienti e ha riportato un aumento medio della produttività del 14 percento.

I benefici non erano distribuiti uniformemente. I lavoratori meno esperti e con competenze inferiori ne hanno tratto maggiore vantaggio, suggerendo che il sistema aiutasse a trasferire modelli associati ai performer più forti. Questa scoperta complica le semplici narrazioni sulla sostituzione.

Un ambiente di supporto controllato non equivale a un’intera economia. I ricercatori potevano osservare lo strumento, il workflow, il risultato e la misura delle prestazioni. Molte implementazioni d’ufficio non offrono tale visibilità.

Quando i lavoratori usano servizi non approvati, l’organizzazione non può distinguere in modo affidabile l’assistenza utile da contenuti inventati, linguaggio copiato, bias nascosti o dati gestiti impropriamente. Vede soltanto il documento o la decisione finale.

Ecco perché il “non chiedere, non dire” resta allettante. La misurazione è costosa. Il silenzio consente a entrambe le parti di rivendicare il beneficio prima di stabilire chi si assume il rischio.

Il vero confronto è tra produttività e responsabilità

Il conflitto principale non è tra lavoratori e datori di lavoro. È tra risultati misurabili e produzione responsabile.

Le organizzazioni valutano già il lavoro concluso. Esaminano risultati di vendita, ticket risolti, funzionalità lanciate, analisi completate e documenti pubblicati. L’AI generativa modifica la sequenza nascosta che produce tali risultati.

Una risposta ben rifinita può contenere un’affermazione inventata. Un codice funzionante può includere una dipendenza insicura. Un riepilogo conciso per un cliente può omettere un’obiezione critica. Una valutazione persuasiva in fase di assunzione può riprodurre bias derivanti da decisioni precedenti.

Questi fallimenti non sono sempre visibili nel risultato. La responsabilità dipende quindi da informazioni su fonti, passaggi di revisione, comportamento del modello e giudizio umano. La shadow AI elimina gran parte di questo contesto.

Il primo Economic Index di Anthropic ha analizzato modelli nelle conversazioni di Claude anziché basarsi soltanto sulle risposte ai sondaggi. I primi risultati hanno descritto più potenziamento che automazione completa, anche se il confine dipendeva da come venivano classificate le attività.

Il potenziamento significa che una persona e un modello completano insieme il lavoro. L’automazione significa che il modello esegue un’attività con un coinvolgimento umano limitato. Entrambi possono migliorare i risultati, ma richiedono controlli diversi.

Un dipendente che chiede a un modello titoli alternativi mantiene la responsabilità della selezione. Un sistema che genera e pubblica titoli senza revisione sposta una maggiore responsabilità verso il progettista del workflow e l’operatore del modello.

La differenza conta durante un’indagine. Un’azienda deve sapere se un dipendente ha ricevuto assistenza, delegato una decisione o accettato un output senza verificarlo. Un file finale raramente risponde a queste domande.

I sistemi AI formali possono conservare log, limitare la conservazione dei dati, applicare controlli di identità e limitare l’accesso ai modelli. Possono anche collegare gli output a fonti di conoscenza approvate. Gli account personali potrebbero non seguire la stessa configurazione.

La sola approvazione non risolve il problema. I dipendenti possono ricevere un chatbot aziendale e usare comunque un altro modello perché risponde meglio, supporta un tipo di file necessario o sembra più semplice. La governance deve competere con la comodità.

Questo crea pressione per i responsabili tecnologici. Non possono semplicemente bloccare ogni servizio pubblico e dichiarare successo. Policy eccessivamente restrittive spingono più attività al di fuori dei sistemi visibili.

Non possono nemmeno dichiarare accettabile ogni esperimento. Contratti con i clienti, obblighi di privacy, doveri professionali, preoccupazioni sul copyright e requisiti di sicurezza continuano ad applicarsi quando un modello rende il lavoro più rapido.

Il confronto pratico è tra due modelli operativi.

Un modello misura soltanto il risultato. Tratta l’assistenza AI come una tecnica personale invisibile finché qualcosa non fallisce. Questo approccio riduce al minimo l’attrito, ma conserva poche prove.

Il secondo modello tratta l’uso dell’AI come parte del sistema di produzione. Identifica attività approvate, registra interazioni importanti, testa gli output e assegna la responsabilità della revisione. Questo approccio richiede investimenti e può rallentare la sperimentazione.

Nessuno dei due modelli elimina il giudizio umano. La differenza sta nel fatto che tale giudizio diventi un controllo intenzionale o una rete di sicurezza presunta.

L’articolo di Google News rimanda a una questione economica più ampia. Se la produttività dell’AI resta nascosta, le aziende non possono ripartirne accuratamente il valore tra dipendenti, datori di lavoro e fornitori di tecnologia. Non possono nemmeno attribuire un prezzo al rischio associato.

Un lavoratore può contribuire conoscenza del settore, contesto riservato, progettazione dei prompt, verifica e responsabilità finale. Il modello contribuisce linguaggio o analisi generati. L’organizzazione contribuisce dati, sistemi, reputazione ed esposizione legale.

Definire il risultato finale “generato dall’AI” cancella questi contributi. Definirlo interamente prodotto dall’uomo cancella il meccanismo. Una misurazione migliore deve preservare entrambi.

Cosa non possono dimostrare i numeri sulla produttività

Le prove che l’AI accelera attività selezionate non dimostrano che migliori un’intera organizzazione.

Molti studi sull’AI testano attività circoscritte con risultati chiari. I partecipanti riassumono testi, redigono documenti aziendali, scrivono codice o rispondono a domande di supporto. I ricercatori possono confrontare il tempo di completamento e valutare la qualità rispetto a uno standard definito.

Il lavoro reale contiene più dipendenze. Una prima bozza più rapida può comportare una revisione più lenta. Una maggiore quantità di codice generato può aumentare i requisiti di test. Un riepilogo conciso può nascondere un’incertezza che in seguito causa una decisione sbagliata.

La produttività individuale e quella organizzativa non sono la stessa cosa. Un lavoratore può risparmiare un’ora trasferendo però il lavoro di verifica a un collega. Un reparto può produrre più materiale creando al contempo maggiori costi di revisione altrove.

Anche la misurazione della qualità cambia con la complessità del compito. È più facile testare la correttezza di una risposta strutturata per il supporto che di una raccomandazione strategica. Il secondo compito dipende da ipotesi, contesto ed eventi futuri.

Lo Stanford AI Index raccoglie ricerche che mostrano rapidi miglioramenti nelle capacità e nell’adozione dell’AI. Documenta inoltre persistenti difficoltà di valutazione e prestazioni disomogenee tra i diversi compiti.

I benchmark possono mostrare che un modello risponde a un insieme definito di domande. Non possono dimostrare che i dipendenti sappiano riconoscere quando il modello sbaglia. Questa calibrazione umana è una capacità distinta.

La shadow AI rende più difficile esaminare questa calibrazione. L’organizzazione potrebbe non sapere quale modello ha prodotto una risposta, quali informazioni sono state inserite nel prompt o se il lavoratore ha verificato le fonti citate.

I dati dei sondaggi presentano un altro limite. I dipendenti possono sottostimare comportamenti vietati, sovrastimare la produttività o interpretare in modo diverso l’“uso dell’AI”. Una persona considera il solo editing occasionale, mentre un’altra delega intere bozze.

Anche i log di utilizzo hanno i loro punti ciechi. Mostrano le interazioni all’interno di un servizio, ma non se gli output siano stati utili. Possono inoltre non rilevare attività su dispositivi personali, account esterni o funzionalità AI integrate.

Questa incertezza non elimina l’argomento a favore della produttività. Cambia ciò che i leader possono affermare responsabilmente. Un’azienda può dire che i dipendenti stanno adottando l’AI, oppure che un’implementazione definita ha migliorato un flusso di lavoro misurato.

Non dovrebbe dedurre guadagni su scala aziendale dai soli conteggi degli abbonamenti. Né dovrebbe rivendicare una trasformazione perché i dipendenti hanno generato più testo, codice o presentazioni.

La domanda scettica riguarda il valore netto. L’AI ha ridotto il costo complessivo di produrre un risultato affidabile, dopo revisione, correzione, coordinamento e lavoro di sicurezza?

A questa domanda bisogna rispondere flusso di lavoro per flusso di lavoro. Una percentuale universale di produttività nasconderebbe differenze rilevanti tra assistenza clienti, sviluppo software, revisione legale, ricerca, vendite e management.

La stessa disciplina si applica alle affermazioni sulla perdita di posti di lavoro. Automatizzare una parte di un compito non elimina automaticamente il ruolo circostante. Può modificare il mix di competenze, ridurre il lavoro entry-level, aumentare le aspettative di output o spostare la responsabilità altrove.

Tuttavia, l’incertezza non dovrebbe diventare una scusa per la passività. Le organizzazioni dipendono già da usi invisibili dell’AI. Rifiutarsi di misurarli non preserva né la sicurezza né la stabilità occupazionale.

La risposta appropriata è una visibilità prudente. Le aziende hanno bisogno di informazioni sufficienti per comprendere i rischi rilevanti senza trasformare ogni piccolo prompt in un evento di conformità.

La Shadow AI Richiede un Modello di Governance Diverso

Una policy efficace deve rendere la divulgazione sicura più semplice dell’occultamento.

Molti programmi di governance iniziano con un elenco di attività vietate. Le restrizioni contano, soprattutto per i dati riservati, le decisioni regolamentate e le azioni automatizzate ad alto impatto. Tuttavia, un divieto non può sostituire uno strumento accessibile e un processo comprensibile.

I dipendenti hanno bisogno di categorie chiare. Alcuni compiti possono consentire un’ampia sperimentazione. Altri richiedono account approvati, gestione protetta dei dati, revisione umana o completa esclusione dai sistemi di AI generativa.

Una policy utile descrive esempi, anziché limitarsi a principi astratti. Dovrebbe spiegare se i dipendenti possono riassumere report pubblici, modificare documenti interni, analizzare registri dei clienti, redigere linguaggio legale o esaminare codice sorgente.

L’organizzazione deve inoltre separare l’assistenza a basso rischio dalle decisioni con conseguenze rilevanti. La correzione grammaticale non comporta le stesse implicazioni della decisione su chi riceve credito, lavoro, assicurazione, assistenza sanitaria o accesso a un servizio.

Gli usi ad alto impatto richiedono una revisione e una documentazione più rigorose. La persona che approva un output deve comprendere la base della decisione. Un chatbot non può diventare una comoda spiegazione per un esito che nessuno sa difendere.

Anche i confini dei dati devono essere altrettanto concreti. I lavoratori dovrebbero sapere quali classificazioni di informazioni possono essere inserite in ciascun sistema approvato. Hanno inoltre bisogno di un’alternativa sicura quando lo strumento pubblico offre una funzionalità assente nel prodotto aziendale.

I controlli tecnici possono supportare queste regole. Gestione delle identità, impostazioni di conservazione, restrizioni di accesso, audit log e prevenzione della perdita di dati possono ridurre l’esposizione. Nessuno di essi può determinare se una risposta sia appropriata per il suo contesto aziendale.

La revisione umana resta necessaria, ma “human in the loop” non è un controllo completo. Un dipendente stanco può approvare un output senza un’ispezione significativa. La revisione necessita di criteri definiti, tempo sufficiente e autorità per respingere il lavoro automatizzato.

Le organizzazioni dovrebbero misurare le correzioni oltre alla velocità. Possono monitorare il tempo necessario per verificare le affermazioni, correggere gli errori, risolvere i problemi dei clienti o riscrivere il materiale generato. Questi costi determinano la produttività netta.

Dovrebbero inoltre esaminare come l’AI modifica il lavoro dei profili junior. I compiti entry-level spesso offrono la pratica che sviluppa competenza. Eliminare ogni incarico di base può indebolire la futura disponibilità di revisori capaci di individuare errori sofisticati.

Anche i manager hanno bisogno di formazione. Se un leader premia il volume senza discutere i metodi, i dipendenti ottimizzeranno per l’output visibile. Un sistema responsabile allinea gli obiettivi di performance con verifica e divulgazione.

Il miglior meccanismo di segnalazione non assomiglierà a un modulo di confessione. Dovrebbe rilevare gli usi significativi dell’AI attraverso la progettazione ordinaria dei flussi di lavoro. Gli assistenti approvati possono conservare i registri pertinenti senza richiedere ai lavoratori di documentare ogni frase.

Anche la provenienza della conoscenza conta. I team dovrebbero distinguere tra materiale del web pubblico, contenuti con licenza, registri interni e competenza umana. Un sistema personale di gestione della conoscenza può aiutare le persone a preservare fonti e ragionamenti prima che l’AI li comprima in una risposta.

Questa traccia delle fonti sostiene molto più della conformità. Consente ai lavoratori di tornare alle prove originali quando il riassunto di un modello elimina le sfumature. Protegge inoltre il prezioso contesto umano che altrimenti scomparirebbe all’interno di una chat transitoria.

La governance ha successo quando i dipendenti possono svolgere un lavoro legittimo senza elusione. Se un sistema approvato è inaccessibile, lento o poco adatto al compito, le violazioni della policy diventano prevedibili.

L’obiettivo non è l’osservazione perfetta. È una responsabilità proporzionata attorno a dati di valore e output con conseguenze rilevanti.

Tre Segnali Metteranno alla Prova l’Economia dell’AI “Non Chiedere, Non Dire”

La prossima fase dipenderà dal fatto che le aziende misurino i risultati, riprogettino il lavoro e offrano ai dipendenti ragioni credibili per dichiarare l’uso dell’AI.

Il primo segnale è un cambiamento nella rendicontazione. Le aziende annunciano spesso accesso all’AI, licenze, assistenti o programmi di formazione. Le prove più solide collegheranno questi input a flussi di lavoro completati, tassi di errore, tempi di revisione, risultati per i clienti o costi operativi.

Se i datori di lavoro pubblicano misure credibili di produttività netta, l’economia nascosta diventa più facile da valutare. Se continuano a enfatizzare la disponibilità degli strumenti, resta aperto il divario tra spesa per l’AI e valore dimostrato.

Il secondo segnale è la riprogettazione dei flussi di lavoro. Aggiungere un chatbot accanto a un processo invariato raramente chiarisce chi rivede l’output, chi risponde degli errori o chi registra le fonti. Un’adozione duratura richiede cambiamenti nei ruoli, nei punti di controllo e nelle aspettative di performance.

Un processo riprogettato rende visibile il contributo del modello. Definisce quando i dipendenti possono fare affidamento sull’AI, quando devono verificarla e quando il giudizio umano non può essere delegato.

Il terzo segnale è il comportamento dei dipendenti dopo il miglioramento degli strumenti approvati. Se i lavoratori passano da account personali a sistemi gestiti, la comodità era una causa principale della shadow AI. Se l’uso nascosto persiste, i lavoratori potrebbero non fidarsi del monitoraggio o preferire capacità che il loro datore di lavoro non offre.

Questa distinzione conta. Un problema tecnico richiede prodotti e accessi migliori. Un problema di fiducia richiede incentivi più chiari, limiti alla sorveglianza e una discussione onesta su come i guadagni di produttività influenzano carichi di lavoro e posti di lavoro.

Google News ha richiamato l’attenzione su una formula che si adatta al momento attuale. L’economia sta già ricevendo lavoro plasmato dall’AI, ma le organizzazioni spesso non riescono a descrivere esattamente dove, come o sotto l’autorità di chi.

La risposta non è fingere che ogni compito assistito dall’AI sia pericoloso. Né è trattare un output più rapido come prova che il processo sia solido.

I datori di lavoro devono chiedersi dove l’AI modifichi il lavoro con conseguenze rilevanti. I lavoratori hanno bisogno di modi sicuri per rispondere senza trasformare una sperimentazione utile in auto-incriminazione. Entrambe le parti hanno bisogno di prove che misurino la qualità dopo la prima bozza.

I lettori dovrebbero osservare le metriche che le aziende scelgono. I conteggi delle licenze premiano le storie di adozione. Produttività netta, costi di correzione, tassi di incidenti e passaggio dei dipendenti a sistemi approvati rivelano se il modello operativo funziona davvero.

L’accordo del “non chiedere, non dire” può persistere finché i benefici restano immediati e i fallimenti rimangono frammentati. Si indebolisce quando clienti, autorità di regolamentazione, revisori o dipendenti chiedono un resoconto chiaro di come sia stato prodotto un lavoro importante.

La domanda decisiva non è più se le persone usino l’AI al lavoro. È se le istituzioni possano riconoscere tale uso, assegnare responsabilità e preservare la conoscenza umana necessaria per mettere in discussione la macchina.