2026-05-21 di Staff Spiegamelo Facile 7 min di lettura lavoro facile risultati mediocri

Lavoro facile uguale risultati mediocri: i dati che nessuno vuole sentire

In sintesi: Il 70% dei paper scritti con l'AI viene rifiutato. Cosa ci insegna sulla qualità del lavoro facile — e perché la difficoltà produce risultati migliori.

Sulla rivista accademica Organization Science è successa una cosa strana. A partire dal 2023, le sottomissioni di articoli scientifici sono aumentate di molto. Benissimo, no? Più ricerca, più idee, più scienza. Peccato che contemporaneamente la percentuale di articoli scritti senza AI sia crollata dal quasi 100% a circa il 30%. E la qualità — misurata con standard metriche di leggibilità — sia peggiorata di 1,28 deviazioni standard in circa due anni (tra gennaio 2024 e gennaio 2026). Se non ti dice niente quel numero: è un crollo, non un calo.

Questa storia parla di ricercatori universitari. Ma ci riguarda da vicino, insomma, se usi strumenti di intelligenza artificiale nel tuo lavoro quotidiano — e a questo punto chi non li usa?

Cosa succede quando l'AI scrive al posto tuo?

La produttività facilitata dall'intelligenza artificiale è la promessa di fare di più in meno tempo. Ma i dati del task force di Organization Science — un gruppo di lavoro interno alla rivista che ha analizzato retrospettivamente migliaia di sottomissioni — raccontano qualcosa di diverso: non più di più, ma più di peggio. La commissione descrive i testi generati con AI come "privi di peso", come se qualcuno avesse estratto la sostanza lasciando la forma. Più parole lunghe, frasi contorte, nominalizzazioni a cascata. Paradossalmente, testi che sembrano più formali ma sono più difficili da capire.

I numeri sono impietosi. Il 70% degli articoli con forte utilizzo di AI viene rifiutato prima ancora di arrivare ai revisori. Per quelli scritti senza AI, la percentuale scende al 44%. E solo il 3,2% degli articoli ad alto uso di AI viene alla fine accettato, contro il 12% di quelli a basso utilizzo. (Vale la pena notarlo: gli editor che prendono queste decisioni non sanno, al momento della valutazione, quanta AI è stata usata. Le analisi sono retrospettive. Non è un bias consapevole — è il risultato che parla.)

Ok, ma questi sono accademici. Cosa c'entrano con te che devi scrivere un'offerta commerciale, preparare una presentazione o rispondere a una mail difficile?

Perché "più facile" non significa "meglio"?

Fare le cose in modo facile e fare le cose bene sono due obiettivi diversi, e spesso si contraddicono. Questo è il punto che Cal Newport — studioso di produttività profonda e autore di Deep Work — ha messo al centro di questa vicenda, usandola come caso di studio per un argomento che ripete da mesi: la velocità non è sinonimo di qualità. Quando deleghi la parte difficile di un compito — il ragionamento, la struttura, la scelta delle parole giuste — non stai solo risparmiando tempo. Stai eliminando il processo che produce qualità.

Pensa a come funziona uno strumento di AI generativa quando scrivi. Ti dà una risposta plausibile, ben formattata, grammaticalmente corretta. Il testo sembra a posto. È come una torta comprata al supermercato: bella da guardare, il sapore è standardizzato, ti toglie la fame. Ma non è la stessa cosa di quella fatta a casa con gli ingredienti scelti uno per uno. (Ok, forse questa metafora è un po' abusata — ma reggiti, arrivo al punto.)

Il problema non è lo strumento in sé. È cosa succede quando lo usi per saltare la parte scomoda: quella in cui non sai esattamente cosa stai per dire, in cui devi cercare le parole, in cui devi decidere cosa è importante e cosa no. Quella difficoltà è il lavoro vero. Non è l'ostacolo prima del lavoro. È il lavoro.

Quali sono le 5 mosse per non perdere qualità usando l'AI?

Usare l'intelligenza artificiale senza perdere qualità richiede di ridefinire esattamente a cosa serve lo strumento. Non è un sostituto del pensiero — è un amplificatore. Se non c'è pensiero da amplificare, amplifica il niente. Ecco cinque approcci concreti che cambiano il risultato.

Prima pensa, poi delega. Qualunque sia il compito — un'analisi, un testo, una strategia — scrivi prima a mano o a mente il tuo punto di vista grezzo. Anche tre righe brutte. Poi dai quel materiale all'AI come punto di partenza, non come campo vuoto da riempire. La differenza nel risultato finale è netta.

Usa l'AI per il 70%, non per il 100%. Lascia sempre l'ultima parte — la struttura finale, la chiusura, le scelte editoriali più delicate — a te. Il 30% che fai tu è quello che si vede. È quello che suona come una voce riconoscibile, non come un testo uscito da un motore di generazione testo qualsiasi.

Distingui i compiti che richiedono riflessione da quelli che no. Formattare un elenco di date, convertire un file, riassumere un documento tecnico: vai, automatizza tutto. Scrivere un'offerta a un cliente difficile, costruire un ragionamento che deve convincere qualcuno, rispondere a una mail delicata: qui la difficoltà è il prodotto, non il processo. Non puoi delegarla.

Rileggiti come se fossi un estraneo. Il testo generato da AI tende a suonare generico perché è ottimizzato per la plausibilità media, non per la specificità del tuo caso. Leggi quello che hai prodotto e chiediti: "Questa cosa potrebbe averla scritta chiunque?" Se la risposta è sì, non è ancora pronto.

Misura gli output, non solo la velocità. La trappola della produttività facilitata è che ti fa sentire produttivo perché hai fatto tante cose in poco tempo. Ma la domanda che conta è: quante di quelle cose hanno prodotto un risultato reale? Un'offerta mandata in dieci minuti con l'AI che non converte non è più efficiente di una scritta in un'ora che porta a casa il cliente. Misurare davvero il proprio lavoro è una competenza che quasi nessuno esercita.

Cosa ci insegna il caso accademico sul lavoro quotidiano?

Il paradosso della ricerca su Organization Science è questo: l'AI ha aumentato il volume delle sottomissioni e diminuito la qualità media. Ha reso il processo più facile per i singoli ricercatori e più costoso per il sistema nel suo complesso — più lavoro per i revisori, più rifiuti, meno ricerca buona che passa. Il guadagno individuale immediato si è trasformato in perdita collettiva nel tempo. Questo schema ha un nome che Nassim Taleb descrive bene in Antifragile: quando rendi un sistema localmente efficiente, spesso lo rendi globalmente fragile. Ogni singolo ricercatore ha fatto la cosa razionale nel breve termine. Il risultato aggregato è stato irrazionale.

Beh, a pensarci: non è esattamente quello che succede nei mercati affollati di servizi identici? Tutti usano gli stessi strumenti, tutti producono output simili, tutti si affrettano a consegnare prima e meglio. Risultato: tutto suona uguale e il cliente fa fatica a distinguere chi vale davvero. La difficoltà — il tempo impiegato a pensare, a costruire qualcosa di specifico, a fare una scelta invece di delegarla — è esattamente quello che differenzia chi rimane riconoscibile da chi si dissolve nella media. Il mercato dei freelancer nel 2026 sta già mostrando questa tensione.

Quando la lentezza è una competenza?

La lentezza come competenza è l'idea che prendersi il tempo necessario per fare un lavoro difficile sia, in certi contesti, un vantaggio competitivo reale — non una debolezza né una mancanza di efficienza. Non stiamo parlando di lentezza romantica o di un'apologia del lavoro artigianale fine a se stesso. Stiamo parlando del fatto che alcuni tipi di output richiedono necessariamente una fase di elaborazione lenta, e chi la salta produce qualcosa di peggiore. Nello studio di Organization Science, il 3,2% di accettazione per i paper ad alto uso di AI contro il 12% di quelli a basso utilizzo è una differenza che vale quasi quattro volte. In qualunque mercato, avere quattro volte più probabilità di "passare il filtro" del cliente è una cifra che fa riflettere.

Fra l'altro, c'è un punto sottile che vale la pena non saltare: gli editor che rifiutavano i paper non sapevano quanta AI era stata usata. Giudicavano il risultato. E il risultato tradiva la sua origine non perché fosse scritto da una macchina, ma perché era stato prodotto senza il processo che genera qualità. La macchina non è il problema. Il processo assente è il problema.

Questo vale per un paper scientifico. Vale anche per un'offerta commerciale, un post che deve portare clienti, una presentazione che deve convincere qualcuno a firmare. Quando scrivi qualcosa che deve funzionare davvero, la difficoltà non è l'ostacolo — è l'ingrediente.

Conclusione

Seneca scriveva: «Nusquam est qui ubique est» — chi è ovunque non è da nessuna parte. Se applicata al lavoro dell'AI: un testo che potrebbe andare bene per chiunque non va bene per nessuno in particolare.

I dati di Organization Science non dicono che l'AI è inutile. Dicono che usarla per saltare la parte difficile — quella in cui devi davvero pensare — non produce un risultato migliore. Produce di più. E di peggio. La domanda che vale la pena portarsi a casa è scomoda: in quanti dei tuoi lavori dell'ultimo mese hai delegato proprio la parte che avrebbe fatto la differenza?

Domande Frequenti

Cosa significa 'produttività facilitata dall'AI' e perché può ridurre la qualità?

La produttività facilitata dall'AI è la capacità di completare compiti più velocemente usando strumenti di intelligenza artificiale generativa. Il rischio di riduzione della qualità emerge quando si delega all'AI la fase di elaborazione concettuale — la parte in cui si ragiona, si scelgono le parole, si costruisce una struttura. Secondo i dati del task force di Organization Science (2026), i paper accademici con forte utilizzo di AI vengono rifiutati nel 70% dei casi contro il 44% di quelli scritti senza AI. Il tasso di accettazione finale è del 3,2% per gli articoli ad alto uso di AI contro il 12% per quelli a basso utilizzo. La spiegazione è tecnica: i modelli di linguaggio producono testi ottimizzati per la plausibilità media, con più nominalizzazioni, gergo e strutture sintattiche complesse che peggiorano la leggibilità reale.

Come si può usare l'AI senza perdere qualità nel proprio lavoro?

Usare l'AI senza perdere qualità significa ridefinire il ruolo dello strumento: non come sostituto del pensiero, ma come amplificatore di un pensiero già presente. Nella pratica, questo si traduce in cinque mosse concrete. Prima elaborare in modo grezzo il proprio punto di vista, anche in forma di appunti disordinati, poi usare l'AI per svilupparlo. Limitare la delega al 70% del lavoro, tenendo per sé le scelte editoriali finali. Distinguere i compiti routinari — formattazione, riassunti tecnici, conversioni di formato — da quelli che richiedono ragionamento specifico, dove la difficoltà produce il valore. Rileggere l'output chiedendosi se potrebbe averlo scritto chiunque. E misurare i risultati effettivi, non solo la velocità di produzione.

I dati sulla qualità dell'AI nella ricerca accademica si applicano anche al lavoro professionale?

Sì, il meccanismo è analogo anche fuori dall'accademia. I dati di Organization Science (2026) mostrano che l'AI ha aumentato il volume delle sottomissioni e abbassato la qualità media, creando più lavoro per i revisori e meno risultati accettati. Lo stesso schema si riproduce in qualunque mercato professionale: quando tutti usano gli stessi strumenti per produrre output simili più velocemente, la differenziazione scompare e il cliente ha difficoltà a valutare chi vale davvero. Chi invece mantiene la fase di elaborazione difficile — il ragionamento specifico, la costruzione di un'offerta su misura, la scelta editoriale precisa — produce qualcosa che si distingue. La lentezza, in certi contesti, smette di essere un costo e diventa un vantaggio competitivo misurabile.

Perché i testi scritti con l'AI sono più difficili da leggere?

I testi ad alto uso di AI risultano più difficili da leggere perché i modelli linguistici sono ottimizzati per la plausibilità statistica del testo, non per la chiarezza comunicativa. Secondo il task force di Organization Science, i paper scritti con AI usano sistematicamente parole più lunghe, strutture sintattiche più complesse, più jargon tecnico e più nominalizzazioni — trasformazioni di verbi o aggettivi in sostantivi che appesantiscono la lettura. Il risultato è un testo che sembra formale e accurato in superficie ma è più difficile da comprendere nella sostanza. Le metriche standard di leggibilità applicate alle sottomissioni di Organization Science tra gennaio 2021 e gennaio 2026 mostrano un peggioramento di 1,28 deviazioni standard — un calo statisticamente significativo.

Esistono compiti in cui è corretto delegare completamente all'AI?

Sì, esistono compiti in cui la delega completa all'AI è appropriata e non produce perdita di qualità. Si tratta di compiti routinari, ripetitivi e privi di contenuto concettuale specifico: formattare elenchi, convertire formati di file, riassumere documenti tecnici lunghi, generare bozze di email standard, trasformare note disordinate in testo strutturato quando il contenuto è già stato elaborato. In questi casi l'AI accelera senza sostituire nulla di valore. Il criterio discriminante è semplice: se il compito non richiede una decisione specifica su cosa dire o come dirlo a una persona precisa in un contesto preciso, può essere delegato. Se invece la difficoltà del compito è esattamente il prodotto — convincere, differenziare, ragionare su qualcosa di complesso — delegarla significa eliminare il valore, non il costo.