Harvard Business Review avverte che il 'lavoro sporco' dell'IA sta marcendo le aziende dall'interno

      TL;DRHBR afferma che le aziende che hanno puntato tutto sull'IA affrontano un "decadimento della conoscenza" mentre i risultati di bassa qualità si accumulano, erodono la fiducia e costano 9 milioni di dollari all'anno in rifacimenti. Le aziende che hanno spinto di più per adottare l'IA generativa stanno ora affrontando un problema che la tecnologia avrebbe dovuto prevenire: il loro lavoro sta peggiorando. Due articoli pubblicati dalla Harvard Business Review questo mese descrivono un ciclo di feedback in cui i risultati di bassa qualità generati dall'IA degradano le informazioni su cui le aziende si basano per prendere decisioni, un fenomeno che gli autori chiamano "decadimento della conoscenza". L'articolo di HBR di giugno 2026, scritto dal professore di gestione delle operazioni di Oxford Matthias Holweg e dal professore del Babson College Thomas Davenport, sostiene che il danno va oltre gli errori individuali. Quando i dipendenti utilizzano l'IA per produrre lavori che sembrano rifiniti ma contengono errori o mancano di sostanza, i colleghi a valle perdono tempo a verificare, correggere o rifare il lavoro. Man mano che quegli errori si accumulano tra team e dipartimenti, la base di conoscenza collettiva dell'organizzazione si deteriora. Il termine per questo output di bassa qualità generato dall'IA ha già un nome. BetterUp Labs e il Social Media Lab di Stanford hanno coniato "workslop" in un articolo di HBR di settembre 2025 per descrivere contenuti generati dall'IA che si mascherano da buon lavoro ma mancano della sostanza necessaria per portare avanti un compito. Il loro sondaggio su 1.150 lavoratori statunitensi a tempo pieno ha rivelato che il 41% aveva ricevuto workslop nel mese precedente, con ogni incidente che richiedeva in media un'ora e 56 minuti per essere risolto. Il costo finanziario è significativo. Utilizzando gli stipendi auto-riportati dai rispondenti e le stime di tempo, i ricercatori hanno calcolato che il workslop costa circa 186 dollari per lavoratore al mese. Per un'azienda di 10.000 dipendenti, ciò si traduce in oltre 9 milioni di dollari all'anno in produttività persa, una cifra che non tiene conto degli effetti a valle su morale e fiducia. Questi costi sociali potrebbero essere più rilevanti di quelli finanziari. Nel sondaggio BetterUp-Stanford, il 53% dei lavoratori che hanno ricevuto workslop ha dichiarato di essere infastidito, il 42% ha visto il mittente come meno affidabile e circa la metà ha considerato il collega meno creativo, capace o affidabile rispetto a prima. Un terzo ha affermato di essere meno propenso a voler lavorare di nuovo con quella persona. Il quadro più ampio della produttività non è più incoraggiante. Un rapporto del MIT Media Lab di luglio 2025 ha rilevato che il 95% delle organizzazioni non ha visto alcun ritorno misurabile sui propri investimenti in IA generativa, nonostante miliardi di spese. Goldman Sachs ha raggiunto una conclusione simile nel marzo 2026, non trovando alcuna relazione significativa tra l'adozione dell'IA e i guadagni di produttività a livello economico, anche se il 70% dei team di gestione dell'S&P 500 ha discusso di IA durante le chiamate sugli utili. Il problema del decadimento della conoscenza è distinto dalla nota lamentela che l'IA allucina. Le allucinazioni sono errori fattuali nell'output dell'IA. Il decadimento della conoscenza descrive cosa succede a un'organizzazione quando quegli errori e il più ampio schema di lavoro generato dall'IA a bassa intensità si accumulano nel tempo. I lavoratori smettono di fidarsi dei documenti interni. I processi basati su informazioni inaffidabili producono risultati inaffidabili. La memoria istituzionale si assottiglia mentre i dipendenti si affidano all'IA piuttosto che sviluppare competenze da soli. Holweg e Davenport avvertono che il processo di assunzione è stato particolarmente danneggiato. I curriculum generati dall'IA inondano i reclutatori, le offerte di lavoro generate dall'IA ingannano i candidati e gli strumenti di screening alimentati dall'IA filtrano i candidati qualificati. Il risultato, come afferma HBR, è che la fiducia nel processo di assunzione è scesa a "minimi storici sia per i cercatori di lavoro che per i reclutatori". La reazione dei lavoratori è già misurabile. Un sondaggio del 2026 su 2.400 lavoratori negli Stati Uniti, nel Regno Unito e in Europa ha rilevato che il 29% ammette di sabotare attivamente la strategia di IA del proprio datore di lavoro ignorando le linee guida, rifiutando la formazione o distorcendo deliberatamente i dati sulle prestazioni. Tra i lavoratori della Gen Z, quella cifra sale al 44%, spinta in gran parte dalla paura di perdere il lavoro. Questa resistenza si affianca a un modello più ampio di licenziamenti giustificati dall'IA che spesso mancano di prove chiare che i sistemi di IA abbiano effettivamente sostituito i ruoli eliminati. Il settore tecnologico ha registrato oltre 95.000 tagli di posti di lavoro in 247 eventi nel 2026, con quasi la metà attribuita all'IA, anche se gli analisti hanno messo in dubbio se molte di quelle aziende avessero implementazioni di IA mature in grado di assorbire il lavoro. L'ironia è che risolvere il problema del workslop richiede esattamente il tipo di lavoro che l'IA avrebbe dovuto ridurre. I leader aziendali devono ora investire in processi di verifica, standard di qualità e supervisione umana per garantire che i contenuti generati dall'IA soddisfino gli standard, un lavoro che consuma il tempo dei dipendenti reali. La prescrizione di HBR equivale a costruire un nuovo strato di controllo umano attorno all'output dell'IA, il che mina l'argomento di efficienza che giustificava l'adozione in primo luogo. Entrambi gli articoli di HBR tracciano una distinzione tra mandati indiscriminati dell'IA e uso mirato. L'articolo di giugno osserva che i modelli proprietari addestrati su dati specifici dell'azienda possono aggiungere valore genuino, mentre i LLM pubblici applicati a compiti per cui sono poco adatti producono "prosa generica che spesso contiene errori". Le aziende che hanno congelato le assunzioni citando i guadagni di produttività dell'IA stanno ora scoprendo che i guadagni potrebbero essere illusori se la qualità del lavoro degrada più velocemente di quanto il numero di dipendenti diminuisca. Il concetto di decadimento della conoscenza riformula il dibattito sulla produttività dell'IA. La domanda non è più solo se l'IA renda più veloci i singoli compiti, ma se l'effetto cumulativo dell'uso diffuso dell'IA migliori o peggiori la capacità decisionale di un'organizzazione. La risposta di HBR, per le aziende che hanno adottato l'IA senza controlli di qualità, è che la peggiora. Le credenziali di Holweg e Davenport conferiscono peso all'argomento, ma vale la pena notare che il quadro del decadimento della conoscenza non è ancora stato testato attraverso studi empirici controllati. Il concetto sintetizza le prove esistenti piuttosto che presentare nuovi dati, e il sondaggio sul workslop di BetterUp-Stanford si basa su stime auto-riportate del tempo perso. Quanto accuratamente i lavoratori valutano il tempo speso per i rifacimenti è una questione aperta. Tuttavia, il modello è coerente tra più fonti. Goldman Sachs, MIT, BCG e ora due articoli separati di HBR provenienti da diversi team di ricerca giungono a variazioni della stessa conclusione: la maggior parte delle aziende non sta ottenendo ciò che si aspettava dall'IA generativa, e quelle che hanno spinto di più potrebbero pagare il costo nascosto più alto.