Matteo
Vincenti
Menu

Usiamo tutti l’AI? Il possibile bias di chi lavora nell’informatica

La familiarità del team con l’AI può falsare le aspettative sugli utenti? Dati, studi sulle percezioni e un metodo per decidere quanta guida offrire.

Un piccolo gruppo di figure verdi intorno a un computer è raccolto in un contenitore trasparente, mentre altre figure di legno sono distribuite all’esterno.

Chi usa l’AI ogni giorno per scrivere codice, cercare un errore o leggere documentazione può arrivare a considerarla una presenza normale nel lavoro. Da lì a pensare che anche gli altri abbiano le stesse abitudini il passaggio è breve. Diventa un problema concreto quando questa aspettativa entra in un prodotto: saltiamo una spiegazione, lasciamo una casella vuota in cui scrivere una richiesta e presumiamo che l’utente sappia come iniziare.

La domanda che mi interessa è quanto il nostro ambiente professionale condizioni ciò che diamo per scontato sugli utenti. Se una funzione ci sembra immediata perché abbiamo imparato a usarla ogni giorno, su quali basi ci aspettiamo che lo sia anche per chi la incontra per la prima volta?

Per rispondere servono informazioni diverse. I dati sull’adozione descrivono quanto uno strumento viene usato. Le stime che facciamo sugli altri descrivono la nostra percezione. La capacità di svolgere un compito va osservata su quel compito. Confondere questi piani può portarci a progettare per un utente che assomiglia a noi più di quanto assomigli al pubblico del prodotto.

Diffusione, quanti usano AI, si verifica con un’indagine sull’uso. Percezione, quanto pensiamo sia usata, richiede stima e rilevazione coerente. Capacità, che cosa sanno fare gli utenti, richiede osservazione sul compito.

Che cosa stiamo contando quando diciamo “usare l’AI”

Una persona può aver provato a generare un’immagine, chiedere ogni settimana una spiegazione a un chatbot oppure affidarsi a un assistente di programmazione durante buona parte della giornata. Tutte potrebbero rispondere di usare l’AI, ma avrebbero bisogno di spiegazioni e strumenti diversi.

Conta anche il ruolo della persona. Ricevere un suggerimento prodotto da un sistema automatico dentro un’applicazione richiede un’interazione diversa da quella necessaria per formulare una richiesta, fornire il contesto e controllare la risposta. Quando parliamo di AI generativa ci riferiamo a strumenti che producono contenuti, per esempio testi, immagini o codice: occorre chiarire se stiamo contando un loro impiego intenzionale oppure qualsiasi servizio che incorpori tecniche di AI.

L’indagine ISTAT Cittadini e ICT, riferita al 2025, dichiara esplicitamente di misurare l’uso consapevole e intenzionale degli strumenti generativi. Riporta una quota del 19,9% fra le persone di 16–74 anni in Italia per l’uso nei tre mesi precedenti l’intervista, contro il 32,7% nell’Unione europea per la stessa fascia d’età. La rilevazione si è svolta nel primo trimestre del 2025: il dato non descrive la situazione di novembre 2026. Chi non rientra in questa quota può comunque incontrare sistemi di AI nei servizi che utilizza. Fonte: ISTAT, p. 6.

Uso intenzionale di AI generativa nei tre mesi precedenti l’intervista, persone di 16–74 anni nel 2025. Italia 19,9%, Unione europea 32,7%. Asse da 0 a 100%.

Italia e UE nella stessa fascia di età e finestra di utilizzo. Rilevazione nel primo trimestre 2025. Fonte ISTAT, Cittadini e ICT 2025, p. 6. Fonte originale.

Il rapporto 2025 di Ital Communications, IISFA e Istituto Piepoli riporta invece il 77% di utilizzatori di tecnologie AI fra i suoi mille intervistati adulti. La domanda comprende anche assistenti virtuali, domotica e altri impieghi, senza la stessa finestra di tre mesi. Quel numero e il dato ISTAT descrivono perimetri diversi; la definizione più ampia è una differenza verificabile, ma da sola non spiega tutto lo scarto, perché cambiano anche il campione e la rilevazione. Fonte: rapporto Piepoli, pp. 3 e 15–17.

La frequenza cambia ulteriormente il quadro. In un’indagine della Banca d’Italia condotta nell’agosto–settembre 2024, il 26% dei rispondenti dichiarava di aver usato strumenti generativi nei dodici mesi precedenti; il 10% li usava almeno ogni settimana. Il campione proveniva da un panel di famiglie ed era ponderato. Il confronto utile è fra le due frequenze nella stessa indagine: il diverso disegno e periodo impediscono di leggerlo come un aumento o un calo rispetto a ISTAT. Fonte: Banca d’Italia, QEF 929, §§2–3 e Appendice 2.

Indagine Banca d’Italia di agosto–settembre 2024. Il 26% dei rispondenti ha usato AI generativa nei dodici mesi precedenti e il 10% almeno settimanalmente. Stesso denominatore, gruppo settimanale compreso nel 26%. Asse 0–100%.

Quote ponderate nella stessa indagine Banca d’Italia. Il gruppo settimanale è un sottoinsieme di chi ha usato GenAI nei dodici mesi. Fonte QEF 929, §4 e Appendice 2. Fonte originale.

Anche una percentuale corretta, però, risponde solo alla domanda per cui è stata raccolta. Aver usato uno strumento non ci dice se la persona sappia verificare una risposta sbagliata o capire quali informazioni mancano nella richiesta. Per decidere quante istruzioni mettere in un’interfaccia serve conoscere proprio questa capacità.

La comunità tecnica è un punto di osservazione particolare

Nella Developer Survey 2026 di Stack Overflow circa l’83% dei rispondenti alla domanda sull’uso attuale di strumenti AI nel lavoro dichiara di usarne almeno uno. La domanda ha raccolto 17.464 risposte. Fonte: Stack Overflow, AI tool usage.

La survey è stata promossa attraverso i canali di Stack Overflow e la sua comunità. Non costituisce un campione rappresentativo di tutti gli informatici italiani. Cambiano inoltre anno, paese, domanda e contesto rispetto al dato ISTAT. Sottrarre le due percentuali non darebbe una misura del divario fra informatici e resto della popolazione. Fonte: metodologia della survey.

Il punto di progettazione resta utile anche senza quella sottrazione. Prima di trasferire un’aspettativa dalla nostra cerchia agli utenti dobbiamo sapere a chi si riferisce. Un prodotto destinato a sviluppatori esperti e uno rivolto a persone che compilano occasionalmente una richiesta online possono richiedere spiegazioni molto diverse. La familiarità del team non basta a scegliere.

Quando possiamo parlare di bias

Se osserviamo soprattutto persone con abitudini simili alle nostre, il gruppo da cui ricaviamo le impressioni è selezionato. Per parlare di una sovrastima dobbiamo però conoscere anche la previsione: quanto pensiamo che gli altri usino l’AI, e rispetto a quale misura quella previsione risulta eccessiva.

Il false consensus effect, studiato da Ross, Greene e House, riguarda la tendenza a giudicare relativamente comuni risposte simili alle proprie. Offre una cornice possibile per la domanda sull’AI; lo studio originale non riguarda gli informatici o l’adozione di questi strumenti. Fonte: Ross, Greene e House, 1977.

Alcuni studi sull’AI misurano direttamente queste previsioni. In un preprint del 2026, Albers e colleghi chiedono a studenti e docenti universitari tedeschi quanto usino l’AI per sei attività, dalla ricerca di informazioni alla scrittura, e quanto lavoro le deleghino. Chiedono poi di prevedere le risposte dell’altro gruppo sulle stesse attività. Entrambi i gruppi sovrastimano frequenza e delega rispetto a quanto l’altro dichiara. Il riferimento resta un’autovalutazione, raccolta in campioni selezionati: il risultato riguarda quelle attività e quei partecipanti. Fonte: Albers et al., metodi e risultati RQ3.

La direzione opposta emerge nel working paper Innovation without Borders?, pubblicato nel giugno 2026. I responsabili di imprese in dodici paesi europei stimano quante aziende dello stesso paese, settore e dimensione avessero investito in AI entro giugno 2025. Rispetto alle risposte raccolte in una precedente rilevazione, prevale la sottostima. Anche questo riferimento ha un margine d’incertezza: è costruito su un campione, con pochi rispondenti in alcune categorie. Fonte: Baumann et al., §§3–5.

Questi lavori misurano oggetti diversi: uso e delega dichiarati nel contesto universitario, investimenti delle imprese nel contesto europeo. Invitano a verificare la direzione dell’errore rispetto alla misura pertinente, anziché presumerla. Non stabiliscono come gli informatici italiani valutino l’uso nella popolazione. Una maggiore familiarità potrebbe anche aiutare a stimare meglio: è una spiegazione alternativa da mettere alla prova, prima di attribuire al settore una distorsione.

Quello che vediamo dipende anche da che cosa viene raccontato

Un feed pieno di discussioni su agenti e assistenti può suggerire che quelle abitudini siano comuni. Due esperimenti di Luzsa e Mayr, con feed costruiti su temi sociali e politici, mostrano che contenuti favorevoli alle proprie opinioni possono rafforzare il falso consenso. Sono esposizioni sperimentali circoscritte, lontane dal dimostrare che gli algoritmi inducano gli sviluppatori a sovrastimare l’uso dell’AI. In altri due studi, Bunker e Varnum trovano un’associazione piccola fra uso dei social e falso consenso, molto inferiore a quella stimata dai partecipanti a un terzo studio. Fonti: Luzsa e Mayr, 2021, Bunker e Varnum, 2021.

Può sfuggirci anche un uso già presente. In quattro esperimenti preregistrati, Reif, Larrick e Soll rilevano giudizi negativi sugli utilizzatori di AI; nel primo, chi immagina di impiegarla al lavoro dichiara una minore disponibilità a rivelarlo rispetto a chi usa un altro strumento. Il lavoro rende plausibile che il timore del giudizio influenzi ciò che viene raccontato, senza misurare quanti lavoratori nascondano effettivamente l’uso. Fonte: Reif et al., PNAS, 2025.

In un team, quindi, “nessuno ne parla” e “tutti ne parlano” vanno trattati come osservazioni sulla conversazione. Per capire l’uso servono domande riservate, comprensibili e riferite a comportamenti precisi. Per capire l’utilità serve ancora un’altra verifica: che cosa riescono a fare le persone.

L’errore può entrare nell’interfaccia

Consideriamo un caso ipotetico: un team sviluppa un assistente che aiuta a scrivere richieste di supporto. Il risultato atteso è un ticket che contenga il problema, le condizioni in cui compare e le informazioni necessarie a chi deve risolverlo.

Per gli sviluppatori del prodotto, una casella con scritto “Descrivi il problema” può essere sufficiente. Sono abituati a fornire contesto, aggiungere un messaggio d’errore e correggere una risposta incompleta. Un utente occasionale potrebbe scrivere soltanto “non funziona”. L’assistente potrebbe allora restituire una descrizione fluida che contiene dettagli mai forniti dall’utente.

Qui la diffusione dei chatbot nella popolazione aiuta poco a scegliere l’interfaccia. Ci interessa sapere se i destinatari riconoscono quali dati mancano e se distinguono una proposta utile da un dettaglio inventato. Anche chi usa un chatbot ogni giorno potrebbe non avere questa familiarità con le richieste di supporto.

Il team può confrontare il campo libero con un percorso che chieda prima che cosa si voleva fare, che cosa è successo e quale messaggio è comparso. Il testo generato rimane modificabile e viene presentato come bozza da controllare prima dell’invio. La guida ha un costo: occupa spazio, richiede manutenzione e può rallentare chi sa già formulare una richiesta completa. Per un pubblico esperto il campo libero potrebbe essere la scelta migliore; per un pubblico misto può valere la pena verificare se una guida facoltativa aiuta.

Una prima prova può usare lo stesso problema simulato e gli stessi criteri per entrambe le versioni. Chi conduce la prova annota se il ticket contiene le informazioni richieste e quali aiuti vengono domandati. Osserva inoltre se l’utente controlla spontaneamente la bozza prima dell’invio e interviene su un dettaglio errato predisposto per il test. Se poi gli chiede esplicitamente di cercare errori, registra il riconoscimento su richiesta come un’osservazione distinta. Registra anche il tempo necessario a ottenere un ticket utilizzabile, per valutare l’eventuale rallentamento insieme alla qualità della richiesta. Per limitare l’effetto dell’apprendimento si possono assegnare le due versioni a gruppi distinti, con esperienza simile. Il caso simulato evita di dover raccogliere ticket reali per questa prima verifica.

Le osservazioni vanno conservate insieme al contesto: chi ha partecipato, quale compito ha svolto, con quale versione e quali errori ha incontrato. Poche prove possono far emergere un ostacolo concreto; non stimano la sua frequenza nell’intera popolazione. Sono comunque più pertinenti alla scelta dell’interfaccia di una percentuale nazionale sull’uso generico dell’AI.

Prima di scegliere, la scheda di lavoro del team potrebbe essere questa:

L’errore può entrare nell’interfaccia
AssunzioneVerifica pertinenteDecisione da prendere
Gli utenti sanno quali informazioni fornireTicket prodotti senza aiuto sul compito assegnatoCampo libero, domande guidate o guida facoltativa
Gli utenti controllano la bozzaControllo spontaneo prima dell’invio, distinto dal riconoscimento di errori su richiestaControlli prima dell’invio e istruzioni sui punti da verificare
Chi usa spesso AI ha meno bisogno di supportoEsiti separati per esperienza dichiarata e capacità osservataPercorsi diversi solo se la differenza emerge

L’obiettivo è individuare quale aiuto serve e a chi. Se qualcuno non usa l’AI perché il compito non ne trae beneficio, aggiungere formazione o insistere sull’adozione potrebbe non risolvere alcun problema.

Come verificare la percezione senza cambiare domanda

Per studiare il possibile bias occorre una verifica diversa. Un team potrebbe prima stimare quanti dei propri utenti abbiano usato intenzionalmente un chatbot generativo per scrivere una richiesta di supporto nei trenta giorni precedenti. Una rilevazione separata dovrebbe poi chiedere agli utenti esattamente quel comportamento, per lo stesso periodo.

Il gruppo di riferimento deve restare identico. La stima sugli utenti del prodotto non si confronta con un dato su tutti gli italiani; una previsione sull’uso settimanale non si verifica con una domanda su chi abbia mai provato lo strumento. Anche le risposte raccolte dagli utenti restano dichiarazioni, con possibili errori di ricordo e non risposta.

Lo scarto fra previsione e quota rilevata indica la direzione dell’errore rispetto a quella misura. Per confrontare persone IT e non IT, entrambe devono stimare lo stesso pubblico e lo stesso uso. Una media vicina al dato rilevato può nascondere sovrastime e sottostime individuali: conviene conservare la distribuzione delle risposte e, per ciascuno, sia lo scarto con il suo segno sia la sua grandezza indipendentemente dal segno. Raccogliere l’uso personale dell’AI degli stimatori e l’esperienza che informa la stima aiuta a interpretarla. Le risposte “non so” vanno tenute separate dallo zero.

Una correlazione fra uso proprio e stima dell’uso altrui potrebbe riflettere ambienti davvero diversi. Perciò non basta a dimostrare falso consenso. L’ipotesi di una sovrastima sistematica fra informatici si indebolirebbe se, sullo stesso pubblico, le loro previsioni risultassero corrette o prevalentemente troppo basse. Una maggiore precisione rispetto agli altri metterebbe invece in discussione l’idea che la familiarità tecnica peggiori le stime: un gruppo può essere più preciso e continuare a sovrastimare.

Se il pubblico intervistato è stato raggiunto attraverso conoscenti o una community, il risultato riguarda quel gruppo. Per sostenere una conclusione nazionale serve un campione adeguato alla popolazione di cui si parla. E un’eventuale differenza fra professioni, da sola, non dimostra che sia il lavoro informatico a causarla: età, istruzione e contesto possono contribuire.

Per progettare l’assistente dei ticket non occorre aspettare di risolvere questa domanda generale. Si può già verificare se le persone destinatarie riescono a produrre e controllare una richiesta utile. La scelta che propongo è rendere esplicite le capacità che stiamo dando per acquisite e cercare un riscontro sul compito. Quando decidiamo di saltare una spiegazione, dovremmo poter dire che cosa sappiano fare gli utenti per cui la stiamo saltando.

Torna all’indice

Condividi l’articolo

Hai una domanda o un’osservazione sull’articolo?

Scrivimi su LinkedIn
Tutti gli articoli