NewsLetter #21
Humans in the Loop.
Le sue applicazioni pratiche nella PA prossima

IMG ChatGPT: “Humans in the Loop”
In breve - 🚀per chi ha poco tempo🚀
Il MIT ha pubblicato ad aprile 2026 uno studio triennale su oltre venti grandi aziende: il lavoro con l’AI generativa cambia, ma in modo incrementale, e il professionista rimane al centro del processo.
Lo shift documentato è preciso: il lavoratore passa dall’eseguire un compito direttamente al supervisionare un sistema che lo esegue per lui. Il concetto “human in the loop” non è nuovo, si estende semplicemente a professioni che non lo avevano mai praticato.
Tre problemi spingono le organizzazioni verso l’AI generativa: i colli di bottiglia burocratici, la frammentazione delle competenze esperte, la lentezza con cui i novizi raggiungono l’autonomia operativa.
L’ipotesi che l’AI “livelli le competenze” vale solo in parte: funziona per chi deve accelerare la curva di apprendimento, molto meno per chi deve validare output complessi in domini specialistici.
Nella PA italiana, questa transizione è ancora quasi interamente da costruire. La domanda da porsi oggi è chi presidia, o dovrebbe presidiare, il ruolo di supervisore competente dei sistemi AI.
Tre anni di ricerca sul campo, oltre cinquanta organizzazioni coinvolte tra interviste, workshop e sessioni di lavoro, quattro settori industriali analizzati in profondità: sanità, finanza e assicurazioni, retail, manifattura. I ricercatori del (
https://ipc.mit.edu/
) MITIndustrialPerformance Center, Ben Armstrong e Julie Shah, hanno pubblicato ad aprile di quest’anno un rapporto che non ha bisogno di titoli sensazionali per essere rilevante.
S’intitola sobriamente Humans in the Loop (descrizione già entrata nel lesico comune) e documenta quello che sta accadendo davvero nelle grandi organizzazioni quando l’intelligenza artificiale generativa incontra il lavoro quotidiano.
Il risultato principale si può sintetizzare così: “Non è una rivoluzione, è una transizione di ruolo”.
Le organizzazioni che hanno introdotto strumenti di AI generativa non hanno ridisegnato le proprie strutture, non hanno licenziato in massa, non hanno consegnato le decisioni a un algoritmo. Hanno invece spostato il baricentro delle mansioni professionali: da chi esegue un compito a chi supervisiona un sistema che lo esegue. È uno spostamento sottile, ma di portata enorme, perché riguarda la natura stessa del lavoro qualificato.
Chi studia i sistemi automatizzati riconosce immediatamente questo schema. I piloti di linea non pilotano più aeromobili nel senso letterale del termine da decenni: supervisionano sistemi di pilota automatico, interpretano anomalie, intervengono quando la logica del sistema non è sufficiente. Gli operatori nelle centrali nucleari, i controllori del traffico aereo, i tecnici nei centri di controllo remoto delle miniere: tutti svolgono già da tempo un lavoro di supervisione qualificata su processi automatizzati. Quello che il rapporto MIT documenta è che questo modello si sta estendendo, progressivamente, a professioni che non lo avevano mai conosciuto. Medici, avvocati, analisti finanziari, farmacologi, associati di vendita al dettaglio: tutti si trovano a fare, in misura crescente, lo stesso tipo di lavoro che fa un pilota in cabina di volo.
Ciò che ha reso possibile questo passaggio, nel periodo osservato dal gruppo di ricerca MIT, sono tre problemi ricorrenti che le organizzazioni hanno cercato di risolvere con l’AI generativa. Il primo riguarda i colli di bottiglia: una quantità crescente di compiti quasi routinari, sufficientemente complessi da richiedere competenza ma non abbastanza da giustificare il tempo che sottraggono al lavoro ad alto valore aggiunto. Il medico che risponde a messaggi amministrativi dei pazienti invece di visitarli, il farmacista che assembla manualmente la documentazione per le autorizzazioni regolatorie invece di concentrarsi sulla ricerca, l’avvocato che legge corpus documentali per estrarre clausole non identiche ma simili: tutti casi in cui l’AI generativa ha trovato applicazione immediata, spostando il professionista dall’esecuzione alla revisione dell’output prodotto dal sistema.
Il secondo problema è quello che i ricercatori chiamano “cafeteria problem”, un’espressione che rende bene l’idea: ogni volta che un processo richiedeva di integrare il parere di esperti di domini diversi, qualcuno doveva alzarsi dalla scrivania, girare per gli uffici, trovare le persone giuste e aspettare che rispondessero. L’AI generativa, addestrata sulla documentazione interna accumulata nel tempo, può anticipare con discreta affidabilità cosa direbbero quegli esperti, consentendo a un singolo professionista di gestire processi che prima richiedevano un lavoro corale. Il terzo problema è la “curva di apprendimento”: portare un professionista junior a operare con l’autonomia di un esperto richiede anni di affiancamento e formazione; gli strumenti di AI generativa possono comprimere significativamente questo percorso, offrendo risposte contestualizzate alle domande dei novizi e riducendo la dipendenza dai senior per i casi di routine.
Una delle tesi più dibattute sull’AI generativa è che essa “livelli le competenze”, cioè che avvantaggi proporzionalmente chi ha meno esperienza rispetto a chi ne ha di più. I dati del rapporto offrono una risposta articolata: questa ipotesi trova conferma nei casi legati alla curva di apprendimento, dove uno strumento progettato per aiutare i novizi naturalmente produce guadagni maggiori per chi parte da meno. Per i problemi di bottleneck (colli di bottiglia) e di integrazione di competenze, il quadro è diverso: validare l’output di un sistema AI richiede che chi lo fa sappia già riconoscere cosa è corretto e cosa non lo è. Il farmacista che usa l’AI per assemblare la documentazione regolatoria deve comunque essere in grado di giudicare se il testo prodotto è conforme agli standard dell’agenzia. Il medico che approva la nota clinica generata automaticamente dalla trascrizione della visita deve sapere come appare una nota corretta. La competenza di dominio rimane indispensabile, cambia la forma in cui viene esercitata.
Leggendo questi dati, il pensiero va inevitabilmente alla Pubblica Amministrazione italiana.
Le tre tipologie di problemi documentati dal MIT sono presenti nelle amministrazioni pubbliche in misura almeno equivalente a quella riscontrata nelle grandi aziende private: la documentazione amministrativa è uno dei colli di bottiglia più noti e più persistenti del sistema; la frammentazione delle competenze tra uffici, direzioni e livelli di governo è strutturale; la formazione del personale è spesso insufficiente rispetto alla complessità dei procedimenti. Eppure la transizione verso un modello di lavoro in cui il funzionario supervisiona sistemi automatizzati è, nella PA italiana, ancora quasi interamente da costruire.
Il punto ha natura organizzativa e professionale, prima ancora che natura tecnica. Nelle aziende studiate dal MIT, il passaggio verso la supervisione qualificata dei sistemi AI ha richiesto scelte precise: su come progettare le interfacce degli strumenti, su come ridisegnare i flussi di lavoro, su come formare le persone perché conservassero la capacità di valutare l’output del sistema con giudizio proprio, senza delegare acriticamente al risultato prodotto. Ha richiesto, in altre parole, qualcuno che capisse insieme la tecnologia e il dominio in cui veniva applicata, che potesse fare da ponte tra chi sviluppa gli strumenti e chi li usa, che garantisse che l’introduzione di AI generativa producesse lavoro migliore.
Questo è esattamente il profilo che ho descritto nel numero precedente di questa newsletter come figura emergente e necessaria nella PA: l’AI Officer. Un ruolo che nel settore privato si sta consolidando empiricamente, sotto denominazioni diverse e con perimetri ancora in definizione, ma con una funzione chiara: presidiare la qualità del rapporto tra il professionista umano e il sistema automatizzato. Garantire che il “loop” rimanga aperto, che l’umano nel loop sia davvero dentro il processo e non solo formalmente responsabile di un output che non capisce.
Il rapporto MIT conclude con dieci leve pratiche per datori di lavoro, policymaker e lavoratori. La più significativa, per chi lavora nella comunicazione pubblica, riguarda la progettazione delle interfacce: un sistema AI ben progettato deve aumentare la consapevolezza situazionale dell’operatore, non ridurla. Deve mostrare perché produce un certo output, non solo cosa produce. Deve, in definitiva, tenere il professionista in condizione di esercitare il proprio giudizio, non di esimersi dal farlo.
La tecnologia, da sola, non garantisce questo risultato. Lo garantisce chi è in grado di presidiarlo.
Fonte PDF:
Armstrong, B. & Shah, J. (2026). Humans in the Loop: The evolution of work in early experiments with Generative AI. MIT Industrial Performance Center / MIT Working Group on Generative AI and the Work of the Future. April 2026.