Stanford: l'AI rende dentro un confine. Da te dov'è?
Il rapporto AI100 di Stanford, uscito il 10 novembre, cita un esperimento con 758 consulenti di BCG: con l'AI erano più veloci e più bravi sui compiti alla sua portata, e sbagliavano di più su quello che stava fuori. In una PMI il lavoro utile è scrivere dove passa quel confine, attività per attività.

Il 10 novembre 2026 è uscito il terzo rapporto di AI100, il progetto nato a Stanford nell'autunno del 2014 per seguire l'intelligenza artificiale per cento anni, con un gruppo di studio nuovo ogni cinque anni. Si intitola «AI Goes Mainstream: The Scaling Era and the Rise of Generative AI», lo ha presieduto Michael Wooldridge, professore di fondamenti dell'intelligenza artificiale all'Università di Oxford, e racconta in 127 pagine i cinque anni dal 2021 a oggi, riassunti in dodici punti.
Negli articoli usciti in questi giorni tornano soprattutto due di quei punti, i più facili da raccontare. Uno è finanziario: secondo il rapporto oltre il 15% dei guadagni della borsa americana nel 2025 si deve alla crescita del solo titolo Nvidia. L'altro sta nello stesso paragrafo: al di là della borsa e della spesa in data center, l'impatto economico dell'AI non si vede ancora nei dati macroeconomici né nei ritorni sugli investimenti delle aziende, e gli autori lo chiudono con «AI is not yet paying its way», l'AI non si sta ancora ripagando.
Il passaggio più utile per chi guida un'azienda sta più avanti, nel capitolo sull'economia, e prova a spiegarne il perché. Secondo il gruppo di studio, a fare la differenza è il modo in cui si divide il lavoro fra la persona e l'AI: quali compiti si affidano al modello e quanto ci si fida di quello che restituisce, oltre a come lo si inserisce nel lavoro che c'è già. A sostegno cita un esperimento che vale la pena raccontare per intero.
Cosa è successo ai 758 consulenti di BCG?
Nel 2023 un gruppo di ricercatori di Harvard Business School e di altre università, insieme a Boston Consulting Group, ha fatto lavorare 758 consulenti di BCG su compiti realistici di consulenza, una parte con GPT-4 e una parte senza. Su diciotto compiti alla portata del modello chi usava l'AI ha completato il 12,2% di compiti in più, ha lavorato il 25,1% più in fretta e ha consegnato lavori giudicati di qualità superiore di oltre il 40%.
Poi i ricercatori hanno scelto apposta un compito fuori dalla portata del modello: consigliare all'amministratore delegato di un'azienda su quale marchio puntare, partendo da un foglio di calcolo che sembrava completo e da alcune interviste a persone dell'azienda, dove stava il dettaglio che cambiava la conclusione. Senza AI la raccomandazione giusta arrivava nell'84,5% dei casi, con l'AI fra il 60 e il 70%.
Perché con l'AI si sbagliava di più?
Il foglio di calcolo portava a una risposta pulita e sbagliata, e il modello la restituiva ben scritta. Secondo il rapporto di Stanford, i consulenti con l'AI si sono appoggiati troppo a quello che usciva dal modello, senza riconoscere che il compito era oltre il suo confine. Chi lavorava senza AI doveva arrivarci da solo, leggendo le interviste, e nella maggior parte dei casi ci è arrivato.
Da fuori quel confine non si vede, perché nell'esperimento il compito sbagliato e quelli riusciti avevano più o meno la stessa difficoltà apparente. Gli autori parlano di «frontiera tecnologica frastagliata», e il rapporto di Stanford usa la stessa immagine per i modelli di oggi: un momento producono una ricerca impeccabile da dottorato, quello dopo non sanno contare le «r» nella parola «strawberry». Di questa irregolarità ho scritto anche partendo da Karpathy, qui.
Un esempio da ufficio acquisti
Prendi un'azienda metalmeccanica di quaranta persone che deve decidere quale terzista ridimensionare. Il caso è ipotetico. L'ufficio acquisti dà all'AI l'estrazione dal gestionale con ritardi di consegna, prezzi e non conformità degli ultimi dodici mesi, e in un minuto arriva una risposta ordinata e motivata: il terzista B ha il doppio dei ritardi degli altri.
Il buyer sa una cosa che nel gestionale non c'è: metà di quei ritardi li ha causati la produzione, che ha cambiato gli ordini all'ultimo momento con una telefonata, e B è quello che ha sempre accettato le modifiche. L'AI ha letto bene i dati che aveva e la conclusione è sbagliata come quella dei consulenti, perché l'informazione che decide sta nella testa di una persona. Più la risposta è ordinata, meno viene voglia di ricontrollarla: su come un controllo ripetuto ogni giorno diventa un timbro ho scritto qui.
Dove passa il confine nella tua azienda?
Nei miei percorsi, dalle interviste reparto per reparto esce una matrice delle opportunità: le attività ordinate per impatto e per fatica, da cui si sceglie dove partire. Dopo aver letto questo esperimento ci aggiungerei una colonna, con una domanda per ogni attività: l'informazione che decide, dove sta? Se sta nei file che l'AI può leggere, l'attività è una buona candidata.
Se sta in una telefonata, in un'abitudine del cliente o nell'esperienza di chi fa quel lavoro da vent'anni, l'AI scriverà una risposta convincente e incompleta. Lì le strade sono due: quella parte resta alla persona, oppure qualcuno la mette per iscritto e la dà al modello. La seconda costa più fatica e rende di più, e va nella direzione che il rapporto indica per i prossimi anni, quando scrive che la fase successiva dipenderà meno da modelli sempre più grandi e più dal dare ai modelli il contesto e la memoria giusti.
Il confine, poi, si sposta. L'esperimento usava GPT-4 nel 2023, e un compito che allora restava fuori oggi può stare dentro. Il dodicesimo punto del rapporto avverte che il rapporto stesso sarà superato quando lo leggerai, e vale anche per la mappa della tua azienda: va rifatta a ogni cambio di strumento, sugli stessi casi.
Cosa farei domattina
Prendi un'attività per cui in azienda usate già l'AI e cerca cinque casi degli ultimi mesi di cui conosci la risposta giusta: un'offerta andata a buon fine, una non conformità chiusa, una scelta di fornitore. Falli rifare all'AI con gli stessi file che aveva chi li ha seguiti e confronta. Dove sbaglia, chiedi a chi fa quel lavoro cosa sapeva in più e dove stava quell'informazione, poi scrivilo in una pagina che il modello possa leggere. Fra trenta giorni rifai la prova sugli stessi cinque casi, con la pagina in più, e conta le risposte giuste. Quale decisione, nella tua azienda, dipende da qualcosa che sa una persona sola?
(Fonti: AI100, One Hundred Year Study on Artificial Intelligence, «AI Goes Mainstream: The Scaling Era and the Rise of Generative AI», rapporto del gruppo di studio 2026 presieduto da Michael Wooldridge, Stanford University, 10 novembre 2026, letto nel PDF ufficiale: i dodici punti di sintesi, il capitolo sull'economia del lavoro fra persone e AI e il paragrafo sul ragionamento dei modelli. Dell'Acqua, McFowland, Mollick e altri, «Navigating the Jagged Technological Frontier», Harvard Business School Working Paper 24-013, 22 settembre 2023, letto nell'abstract e nella sezione sul compito fuori dalla frontiera. Le traduzioni sono mie. L'azienda metalmeccanica è un esempio ipotetico.)
Domande frequenti
L'esperimento è del 2023: vale ancora con i modelli di oggi?
Le percentuali valgono per GPT-4, e i modelli di oggi sono molto più capaci, per cui il confine si è spostato. Il rapporto di Stanford lo cita ancora nel 2026 e descrive le capacità dei modelli attuali come irregolari, eccellenti su alcuni compiti e deboli su altri che sembrano simili. Per questo la prova va fatta sui tuoi casi, e rifatta quando cambi strumento.
Come capisco se un'attività è dentro o fuori dal confine?
Con una prova su casi passati di cui conosci già la risposta giusta: cinque bastano per un primo segnale. Quando l'AI sbaglia per un'informazione che stava nei file, spesso basta un'istruzione più precisa o un documento in più. Quando sbaglia per un'informazione che stava nella testa di qualcuno, quella parte resta alla persona finché qualcuno non la scrive.
Chi deve decidere dove passa il confine?
Chi fa quel lavoro ogni giorno sa dove stanno le informazioni che decidono, e va coinvolto per primo. A chi guida l'azienda o il reparto tocca la scelta: lasciare quella parte alla persona o farla mettere per iscritto, sapendo che la seconda strada richiede tempo e rende il lavoro meno dipendente da una persona sola.