Il direttore operativo mi riceve con una stampa in mano: un team di cinquanta persone, due mesi con assistenti AI personali, e per sua stima quaranta ore risparmiate al giorno. È contento, sono contento — poi aggiunge che ieri un manager ha inviato a un cliente un’email con una cifra che non compare in nessun documento interno. “Me l’ha suggerita il modello, l’ho mandata.” L’assistente ha lavorato benissimo. Il responsabile non era affatto coinvolto.

Non è una barzelletta: è una fase normale di maturità. La domanda per la direzione non è più “adozioniamo o no”, ma “come prendiamo il trenta per cento senza perdere il controllo”. La mia risposta, con i numeri.

Perché è realistico, non hype

Decine di misurazioni tra il 2024 e il 2026 disegnano un quadro coerente. I developer di 1Password sono diventati il 20,9% più veloci con uno strumento AI, e l’indagine di un incidente complesso in produzione si è ridotta da ore a minuti. Dopo l’adozione di Copilot, la brasiliana Tecban ha registrato guadagni di produttività fino al 35%. Cinquemila dipendenti KOHLER risparmiano da due a cinque ore a settimana. Il governo britannico ha fatto un trial di Copilot su ventimila pubblici dipendenti: in media 26 minuti al giorno, fino a tredici giorni lavorativi l’anno a persona. L’82% dei partecipanti ha dichiarato di non voler tornare a lavorare senza.

Su singole attività l’effetto è ancora più visibile: nell’esperimento sul campo di BCG e Harvard i consulenti hanno completato i task il 25% più velocemente con una qualità superiore di circa il 40%; in uno studio NBER gli agenti del supporto hanno risolto il 14% di ticket in più all’ora.

Una precisazione onesta: senza di essa l’articolo non sarebbe onesto. In un’indagine NBER su quasi seimila dirigenti di Stati Uniti, Regno Unito, Germania e Australia, l’89% non ha visto effetti misurabili sulla produttività dell’azienda in tre anni. Non è una contraddizione, è una diagnosi: l’effetto vive a livello di task e di ruolo, e muore se si distribuiscono solo le licenze aspettando un miracolo. I team con formazione strutturata su task reali ottengono un guadagno 2,3 volte maggiore rispetto a chi riceve solo l’accesso. Lo stesso principio che sostengo da tempo nell’articolo sull’AI per lavorare, non per la demo: prima il task e il suo costo, poi la tecnologia.

Il rischio che arriva insieme al guadagno

Il rischio più sottovalutato di un assistente personale non è la fuga di dati, anche se conta. È l’automation bias: la persona adotta la decisione del modello come propria perché “tanto è intelligente”. Accenture rileva che il 61% dei dipendenti si rivolge all’AI prima di chiedere a un collega. Comodo — e significa che tra domanda e risposta c’è sempre meno un cervello vivo.

E peggiora. Il controllo “human-in-the-loop” nella pratica si degrada in timbro di gomma: il dipendente affoga in una sequenza di bozze AI e clicca “approva” senza pensarci. Secondo TechTarget solo il 21% delle organizzazioni ha un modello maturo di governance degli agenti AI. Le altre hanno un pulsante “ok” al posto del controllo. Gli scenari in cui questo controllo si rompe più spesso — dalle richieste vuote all’NDA incollato in un chatbot — li ho raccolti nell’articolo sugli errori dei dipendenti con l’AI.

Nel frattempo l’assistente va in ombra: BlackFog riporta che il 49% dei dipendenti usa strumenti AI senza approvazione del datore di lavoro, e l’NCSC britannico indica il 71%. Teramind aggiunge che il 67% dell’attività AI aziendale passa da account personali — e i peggiori trasgressori delle policy non sono i dipendenti ma i top manager: il 69% di loro mette la velocità prima della sicurezza.

Schema: un dipendente dà all'assistente accesso a email, calendario, file, messaggi e pagamenti; i dati finiscono su server di terze parti; rischi — perdita, manipolazione via email, azioni senza controllo
La mappa dei rischi dell'assistente personale: accesso → server di terze parti → tre tipi di minaccia → misure di mitigazione. Utile da tenere sotto mano quando si discute la policy AI aziendale.

Il divieto qui non funziona — sappiamo tutti come finiscono i divieti sugli strumenti comodi. Funziona la governance proporzionata. Ma prima di dare all’assistente poteri veri, vale la pena ricordare cosa non è l’AI: non un collega e non una mente — una macchina per le parole.

Quattro livelli di autonomia, un controllo per ciascuno

La classificazione che Gartner raccomanda al posto di un’unica policy per tutti: regole identiche soffocano gli scenari semplici oppure sottocontrollano quelli pericolosi.

  1. Advisory — l’assistente consiglia, decide l’umano. Bozze di email, riassunti di riunioni, ricerca fonti. Controllo: cultura della verifica e formazione. Rischio minimo, nulla da limitare.
  2. Human-in-the-loop — l’assistente prepara, l’umano modifica e conferma. Email ai clienti, report, calcoli. È la zona dell’incidente della mia introduzione. Controllo rigido: verifica sulla fonte primaria obbligatoria, “approvare senza guardare” è una violazione tanto reale quanto andare in ferie senza richiesta.
  3. Human-over-the-loop — l’agente agisce, l’umano monitora. Triage dei ticket, classificazione delle richieste, prima lavorazione delle pratiche. Controllo: audit campione del 5–10% delle decisioni, log, metrica di errore per scenario.
  4. Autonomi — un insieme ristretto di scenari. Promemoria, pianificazione di riunioni, notifiche di routine. Controllo: registro degli scenari, monitoraggio, kill switch, rollback.

Sopra i livelli — l’infrastruttura: un registro dei sistemi AI e degli use case, il logging delle richieste e delle decisioni prese, e una scelta su quali dati vivono nel perimetro del modello. E bisogna misurare gli esiti, non l’adozione: “abbiamo chiuso i ticket più in fretta”, non “quante persone si sono loggate questo mese”.

Una nota sul pulsante “approva”. La regola nei miei progetti: chi approva un risultato deve saper mostrare i dati di origine da cui è costruito. Non “ho letto il riassunto” — deve poter riprodurre da dove arriva quel numero. Questo separa il controllo vivo dalla cerimonia.

Il contesto russo: diritto e AI sovrana

In Russia al rischio “decisioni senza responsabile” si aggiunge un perimetro giuridico, che rende l’AI sovrana non una parola alla moda ma un requisito di ingegneria. Dal 1° settembre 2026 è in vigore la legge federale 243-FZ sullo sviluppo dell’AI: marcatura dei contenuti generati, approccio risk-based e, da marzo 2027, obblighi per gli sviluppatori di grandi modelli. L’articolo 16 della 152-FZ parla direttamente delle decisioni basate esclusivamente su trattamento automatizzato di dati personali con effetti giuridici: la persona va informata e ha diritto di opporsi.

Il punto più scomodo che fanno gli avvocati: il rischio principale non è l’errore del modello, ma l’impossibilità, dopo un incidente, di dimostrare chi ha scelto il sistema, quali dati sono stati inviati e chi ha verificato il risultato. Le prove di governance AI si costruiscono prima dell’incidente: registro, log, procedure di verifica. Per questo i dati sensibili — personale, finanza, basi clienti — passano attraverso assistenti personali su GigaChat, YandexGPT o modelli self-hosted dentro il perimetro. I dettagli su 152-FZ e masking dei dati li ho già trattati sull’esempio della contabilità nell’articolo sull’AI in contabilità.

Questo percorso l’abbiamo già fatto, cominciando dall’alto — l’articolo su come l’AI aiuta un CEO descrive un assistente per una sola scrivania. La continuazione logica: lo stesso assistente per ogni dipendente, con le stesse regole sui dati e la stessa disciplina di verifica.

In breve

L’assistente AI personale è il primo caso d’uso in cui il guadagno si misura in ore, non in slide. Ma quelle ore non si comprano con le licenze: si comprano con disciplina — classificare gli scenari per autonomia, tenere la persona davvero nel loop e registrare le decisioni prima che qualcosa vada storto.

Chi implementa tutto questo, un mese dopo non si immagina più la mattina di lavoro senza il briefing preparato dall’assistente durante la notte. Chi si limita ad acquistare licenze, un mese dopo ha una riga di budget in più e la stessa velocità di prima. Se volete verificare i vostri scenari prima del primo incidente — è proprio il lavoro dell’AI audit sui processi.