Il workslop del Capo di Gabinetto IA: quando l'output sostituisce la decisione

Ho visto decine di operatori preoccuparsi del momento in cui l'IA sbaglia un dato, inventa un numero, fraintende un contesto. È il rischio ovvio, quello che si nota subito perché stona.

Il rischio che nessuno controlla è l'opposto: il documento formattato alla perfezione, con executive summary, bullet point, raccomandazioni numerate — che non porta a nessuna decisione. Il termine tecnico è workslop: output generato dall'IA che sembra buon lavoro ma non ha la sostanza per far avanzare davvero un compito.

I numeri sono pesanti. Il 40-41% dei dipendenti ha incontrato workslop nell'ultimo mese. Ogni istanza costa in media 1 ora e 56 minuti per essere corretta. Su un'azienda di 10.000 persone, il conto arriva sopra i 9 milioni di dollari l'anno, solo per rimettere ordine dietro contenuti che sembravano già pronti.

Quando questo accade dentro Gmail o Slack, il danno è contenuto: un collega perde mezz'ora a rileggere un'email inutile. Quando accade a livello di Capo di Gabinetto IA — il sistema che dovrebbe sintetizzare priorità, preparare decisioni, tenere insieme calendario, inbox e pipeline — il danno si moltiplica, perché quell'output finisce dritto davanti a chi deve decidere.

Non è un problema di modello scarso. È un problema di cosa gli chiediamo di produrre.

Un'IA che monitora la tua pipeline in HubSpot o Pipedrive può generare un report settimanale bellissimo: tassi di conversione, trend per stage, elenco dei deal a rischio. Tutto corretto, tutto verificabile. Ma se non ti dice quale singola azione fare oggi su quale account, hai prodotto un documento, non una decisione.

Stessa dinamica su Linear: un riepilogo degli sprint con velocity e burndown è output. Dirti che il team è due giorni indietro perché un'unica dipendenza bloccata sta trascinando tre ticket — quello è direzione. La differenza tra i due non è la qualità della scrittura, è la presenza di un giudizio.

Il meccanismo è sempre lo stesso: l'IA eccelle nel produrre testo grammaticalmente corretto e ben strutturato, ma spesso perde il contesto organizzativo cruciale — chi ha bisogno di sapere cosa, entro quando, per fare cosa. Il carico di interpretare, correggere, ricostruire quel contesto si sposta da chi genera il contenuto (l'IA) a chi lo riceve (te, il manager). Ed è un carico cognitivo che nessuno misura, finché non ti chiedi perché sei ancora in ritardo su tutto nonostante 'usi l'IA per tutto'.

C'è un effetto secondario che pochi operatori considerano: ricevere workslop in modo ripetuto danneggia la percezione che hai di chi (o cosa) te lo manda. Le persone che ricevono workslop con frequenza percepiscono il mittente come meno creativo, meno affidabile, persino meno intelligente. Vale anche per un sistema IA — se il tuo Capo di Gabinetto ti manda regolarmente riepiloghi vuoti, smetti di fidarti anche di quelli buoni, e cominci a rileggere tutto da capo. A quel punto l'automazione ha smesso di farti risparmiare tempo.

C'è poi un effetto più lento e più grave: l'erosione del pensiero critico. Se ti abitui a ricevere output pronti da approvare, l'incentivo a fare tu l'analisi si riduce. Con il tempo, la capacità di distinguere una buona raccomandazione da una plausibile-ma-vuota si atrofizza — proprio nel momento in cui ne avresti più bisogno, perché stai delegando più decisioni al sistema.

E il paradosso della produttività è reale: l'IA fa risparmiare tra 1 e 7 ore a settimana, ma fino al 37% di quel tempo va perso a ripulire dietro l'IA stessa. Non è un dettaglio statistico — è la ragione per cui il 95% delle aziende che usa IA non riesce a dimostrare un ROI misurabile, nonostante il 91% l'abbia già adottata.

La domanda giusta da fare a qualunque report generato dal tuo Capo di Gabinetto IA non è 'è accurato?'. È: 'cosa devo fare io, oggi, dopo aver letto questo?'

Se la risposta non è ovvia entro la prima frase, è workslop, per quanto ben scritto.

Prova pratica che uso spesso con gli operatori che seguo: prendi l'ultimo riepilogo che l'IA ti ha generato — su una casella email affollata, su una pipeline Pipedrive, su un board Linear — e chiediti se contiene una raccomandazione con una scadenza e un nome associato. Se contiene solo dati riorganizzati, hai output. Se contiene 'questo cliente va richiamato entro venerdì perché il contratto scade' o 'questo ticket blocca il rilascio, va sbloccato prima del daily di domani', hai una decisione preparata.

Questo vale anche per l'inbox. Un'IA che ti riassume 40 email della settimana ti sta dando volume. Un'IA che ti dice quali 3 di quelle 40 richiedono una tua risposta entro oggi, e perché, ti sta dando direzione. È la differenza tra un assistente che organizza la posta e uno che gestisce davvero il tuo tempo.

La maggior parte delle organizzazioni misura l'IA sbagliando parametro: quante email ha scritto, quanti report ha generato, quanto tempo ha 'risparmiato' sulla carta. Sono tutte metriche di volume. Nessuna dice se il lavoro prodotto ha spostato una decisione reale.

Le metriche che contano sono altre, e vanno impostate deliberatamente:

Quanto tempo passi tu, o il tuo team, a correggere o reinterpretare gli output dell'IA prima di poterli usare? Se quel numero cresce mese su mese, il sistema sta producendo più workslop, non meno.

Quante delle raccomandazioni generate portano effettivamente a un'azione entro 48 ore? Un buon Capo di Gabinetto IA dovrebbe avere un tasso di conversione da raccomandazione ad azione alto — non un tasso di produzione di documenti alto.

Quanto spesso l'output arriva con un contesto già verificato — chi è il cliente, qual è lo storico, cosa è già stato promesso — invece di richiederti di andarlo a cercare tu prima di poter agire?

Cultura dell'organizzazione conta più della tecnologia: chi premia la quantità di output finisce per generare workslop, chi premia la qualità delle decisioni preparate no. Su questo, in Moments lavoriamo perché il sistema non ti mandi un altro report da leggere, ma ti dica cosa serve fare — collegando calendario, inbox, contatti e documenti in un'unica raccomandazione operativa, non in un ennesimo PDF ben impaginato.

Se gestisci un team, o sei tu stesso il destinatario finale di un assistente IA, la mossa concreta è ridisegnare cosa chiedi al sistema. Non 'fammi un riepilogo della settimana'. Ma 'dimmi le tre cose che, se non faccio entro venerdì, mi costeranno un cliente o un rilascio'.

Richiedi che ogni output IA che arriva a livello direzionale — che sia un digest dell'inbox, un'analisi della pipeline HubSpot, o un riepilogo degli sprint su Linear — passi una revisione umana prima di essere usato per decidere, non dopo. È un passaggio che sembra rallentare, e invece è quello che evita le 1 ora e 56 minuti di correzione media a valle.

E misura, letteralmente, quanto tempo passi a ripulire dietro l'IA. È l'unico numero che ti dice se il tuo Capo di Gabinetto sta facendo il suo lavoro o sta solo aggiungendo rumore digitale a una giornata già piena.