Indice

• L'AI è ovunque. Ma non dove pensavamo.
• Il problema che nessuno vuole nominare: il "thinkslop"
• In azienda: molto rumore, pochi risultati trasformativi
• Cosa significa per chi lavora con i dati

Ogni anno, lo studio AI in the wild di Harvard Business Review analizza migliaia di casi d'uso reali dell'AI generativa raccogliendo testimonianze da Reddit, LinkedIn, TikTok, YouTube. Quest'anno il campione ha raggiunto quasi 13.000 casi. I risultati confermano alcune tendenze attese — e ne aprono di nuove, più scomode.

L'AI è ovunque. Ma non dove pensavamo.

ChatGPT ha superato 900 milioni di utenti attivi settimanali. Gemini ha raggiunto i 750 milioni mensili. OpenAI è stata valutata 852 miliardi di dollari nell'ultimo round. I numeri della crescita non lasciano spazio a interpretazioni: l'AI generativa è diventata infrastruttura quotidiana.

Eppure, quando si guarda a come le persone la usano davvero, il quadro è meno trionfale. Il primo use case per volume? Terapia e supporto emotivo — per il secondo anno consecutivo, con una crescita dal 5% all'11% del dataset totale. Il secondo? Risoluzione di problemi tecnici. Il terzo? "Fun and nonsense" — uso ludico, irriverente, senza scopo produttivo dichiarato.

Nelle prime dieci posizioni entrano per la prima volta le operazioni agentiche autonome (al sesto posto) e il vibe coding — la scrittura di codice tramite linguaggio naturale. Due segnali chiari che il ciclo dell'entusiasmo sta lasciando spazio a una fase di utilizzo strutturato, almeno per alcuni profili.

Il problema che nessuno vuole nominare: il "thinkslop"

Gli autori dello studio introducono un termine nuovo: thinkslop. Indica il pensiero pigro, approssimativo, che si genera quando si delega all'AI non solo l'esecuzione di un compito, ma la fase di elaborazione che precede il compito stesso.

Il meccanismo è sottile. Si apre il chatbot prima ancora di aver formulato con chiarezza cosa si vuole ottenere. Si accetta il primo output senza verificarlo. Si smette di scrivere — e con questo, si smette di pensare, perché scrivere è pensare.

Un utente citato nello studio lo descrive in modo diretto: aveva smesso di usare il linguaggio in modo attivo, affidandosi all'AI per ogni testo. Il risultato? Fatica crescente a costruire ragionamenti propri.

C'è anche il problema dell'adulazione algorítmica: i modelli sono ottimizzati per mantenere l'utente coinvolto, non per dirgli la verità. Chi cerca conferma trova conferma. Chi vuole un interlocutore critico deve costruirsi attivamente quel ruolo — e quasi nessuno lo fa.

La buona notizia: l'AI usata come sparring partner, per smontare argomenti, individuare punti deboli, esplorare controargomenti — produce l'effetto opposto. Affila il pensiero invece di sostituirlo.

In azienda: molto rumore, pochi risultati trasformativi

Sul fronte business, lo studio è onesto: la maggior parte dell'attività AI in azienda produce benefici marginali, non salti di paradigma. Le persone usano l'AI per velocizzare processi esistenti — riassumere note, produrre prime bozze, sintetizzare dati per le presentazioni. Utile. Ma lontano dalla trasformazione promessa.

Quello che colpisce è la diffusione dell'uso "in shadow": molti dipendenti usano l'AI senza dirlo ai propri manager, perché le politiche aziendali sono vaghe o restrittive, o perché temono di sembrare disonesti. Uno dei casi citati racconta di un developer che ha automatizzato il 50% del suo lavoro in autonomia, dopo che il management aveva rifiutato la sua proposta formale. Ha tenuto tutto per sé.

Le iniziative top-down faticano. Quelle bottom-up proliferano, ma restano invisibili e non scalano.

Dove l'AI produce risultati misurabili in ambito commerciale — lo studio cita campagne email con personalizzazione AI che generano tra il 20 e il 30% di lift sui tassi di conversione — l'impatto è reale. Ma i casi con ROI esplicito sono ancora rari nel dataset.

Cosa significa per chi lavora con i dati

Lo studio di HBR descrive un mercato in fase di maturazione, con tutti i segni tipici di questa fase: adozione diffusa ma disomogenea, aspettative che si aggiustano verso il basso rispetto ai proclami iniziali, e una domanda crescente di metodo.

Passare dall'entusiasmo all'efficacia richiede una cosa che l'AI da sola non fornisce: la capacità di sapere dove applicarla, con quale obiettivo, su quali dati, con quale governance. È il lavoro che facciamo ogni giorno — e che diventa sempre più centrale man mano che la tecnologia si diffonde.