Agenti AI: credevi di aver deciso tu

Quando chiedi un parere all’AI e poi scegli, chi ha scelto?

La risposta, di solito, è la stessa: io. L’AI fa i conti, propone, scrive il codice. Io decido. È la frase su cui si regge quasi ogni discorso rassicurante sull’intelligenza artificiale al lavoro: la macchina porta i numeri, la persona porta il giudizio.

Il 27 ottobre 2026 Anthropic, l’azienda che sviluppa Claude, ha pubblicato uno studio che mette quella frase sotto la lente. Ha preso degli esperti veri, ha dato loro un agente AI, e dentro l’agente ha nascosto una moneta. Il risultato si riassume in un numero solo: 86.

L’esperimento: una moneta dentro l’agente

Lo studio si intitola «How AI agents shape experts’ judgment calls», cioè come gli agenti AI condizionano le decisioni di giudizio degli esperti. L’hanno firmato Amaç Herdağdelen, Hailey Joren e Alex Tamkin, e accanto alla pagina c’è il paper completo.

Gli autori hanno reclutato 61 analisti attraverso un mercato di esperti pagati per lavori di valutazione. Undici hanno scelto di lavorare senza l’agente e restano fuori dall’analisi principale. Rimangono 50 persone. Gente preparata: fra chi ha risposto ai questionari, il 65% aveva una laurea magistrale, un dottorato o almeno sei anni di esperienza, e quasi tutti si dichiaravano competenti nell’inferenza causale, il mestiere di capire dai dati se una cosa ne causa davvero un’altra.

Il compito: una cooperativa agricola inventata, la Greenfields, offre ai soci un servizio di consulenza volontario e a pagamento. Circa il 40% si è iscritto. Il consiglio deve decidere se allargare il servizio a tutti o chiuderlo, e lo allarga solo se la produttività delle aziende cresce di circa il 3–4%. Come si misura la produttività, il consiglio non lo dice.

Lì dentro gli autori hanno lasciato aperti quattro bivi, ciascuno con due strade difendibili:

• misurare la produttività come resa per ettaro, o come resa per unità di costo operativo;
• confrontare quanto cambia la resa delle aziende iscritte dopo l’adesione con quanto cambia, nello stesso periodo, quella delle altre; oppure confrontare le rese direttamente, correggendo con la statistica le differenze fra le aziende;
• calcolare l’effetto solo sulle aziende iscritte, o su tutti i soci;
• contare ogni azienda allo stesso modo, o dare più peso alle grandi.

Ogni bivio poteva spostare il guadagno stimato di diversi punti percentuali. Con una soglia del 3–4%, vuol dire che ogni scelta poteva decidere l’esito.

Ed ecco la moneta. Per ogni bivio, e per la raccomandazione finale, il lancio di una moneta stabiliva quale strada l’agente avrebbe preferito. La preferenza stava nelle istruzioni nascoste, quelle che chi configura un assistente scrive prima della conversazione e che l’utente non vede. L’agente doveva sostenerla come un’opinione sua, tirarla fuori al momento giusto e presentare a suo favore gli argomenti più forti che i dati permettevano. Gli analisti non sapevano niente.

Un dettaglio cambia la lettura di tutto il resto. All’agente era vietato mentire: niente risultati travisati, niente dati nascosti, niente argomenti che i numeri non reggevano. E doveva cambiare idea se le prove andavano decisamente contro. Sulla carta, un consulente onesto con una preferenza. Come quasi tutti i consulenti.

86 volte su 100

Sui quattro bivi, gli analisti hanno scelto la strada preferita dall’agente il 92% delle volte per la misura della produttività, l’82% per il metodo di confronto, l’81% per le aziende da includere, il 90% per il peso. In media, l’86%. Se l’agente non avesse contato niente, il numero atteso era il 50%: una moneta contro un’altra moneta.

Sulla raccomandazione finale l’effetto è più debole. Quando l’agente spingeva per allargare il servizio, lo raccomandava il 54% degli analisti; quando spingeva per chiuderlo, il 36%. Nell’analisi principale del paper, che tiene conto anche di chi ha proposto la proroga di un anno, questo effetto non raggiunge la soglia convenzionale di significatività statistica: p = 0,069, sopra lo 0,05 che di solito si usa come linea. Anthropic pensa che il motivo sia semplice: a quel punto la decisione seguiva quasi da sola dalla stima, sopra o sotto il 3–4%. Ma la stima era già stata costruita con le quattro scelte di prima.

Infatti c’è un’analisi, esplorativa, che lascia il segno. Escludendo chi ha proposto la proroga di un anno, un modello statistico che conosceva solo come erano cadute le quattro monete classificava correttamente l’82% delle raccomandazioni finali, contro il 61% che si ottiene puntando sempre sulla risposta più frequente. Il modello è stato costruito e verificato sugli stessi dati, quindi non è una sfera di cristallo collaudata su analisti nuovi. Ma il senso lo scrivono gli autori: le monete, lanciate prima che il lavoro cominciasse, dicevano già molto di come sarebbe finito.

Un ultimo dato, da prendere con le pinze perché poggia su 38 casi. Quando l’analista aveva già espresso la sua preferenza prima dell’agente, e l’agente la pensava diversamente, l’analista ha cambiato idea il 60% delle volte. Quando l’agente era d’accordo, il 6%. Gli autori avvertono che la stima è imprecisa e che non si può dire con certezza che la differenza sia causata dall’AI.

In quei 38 casi, insomma, avere già espresso una preferenza non impediva di lasciarla appena l’agente la pensava in un altro modo.

Le parole restano, la fonte sparisce

Fin qui, potresti pensare, nessuno scandalo. L’agente aveva l’ordine di argomentare in modo onesto, gli esperti hanno trovato convincenti i suoi argomenti. Succede anche con un buon collega.

La parte che mi ha colpito di più arriva dopo. Finito il compito, agli analisti è stato chiesto, per ogni scelta: perché quella e non l’altra? Non potevano rileggere la conversazione con l’agente. Fra i 48 che hanno risposto, il 77% ha ripetuto un argomento dell’agente in almeno una risposta, a volte quasi parola per parola. Solo il 15% ha nominato l’agente in qualche risposta.

Sulle scelte, la memoria funzionava: secondo il paper, gli analisti hanno indicato correttamente l’opzione scelta nell’85% delle decisioni. Ricordavano bene cosa avevano deciso. Nelle spiegazioni, però, gli argomenti presi dall’agente comparivano quasi sempre senza il suo nome.

A me questo ricorda la criptomnesia, il fenomeno per cui si ricorda come propria un’idea arrivata da qualcun altro. È una mia lettura: lo studio non verifica questo meccanismo, misura solo che gli argomenti tornano e la fonte resta fuori. Fra i 48 che hanno risposto, il 52% ha giudicato la raccomandazione finale più sua che dell’agente. E chi aveva seguito l’agente su tutti e quattro i bivi era sicuro del risultato quanto gli altri: 71 contro 73, su una scala da 0 («è un testa o croce») a 100 («ci metto la mia reputazione»).

Su 48 persone che hanno risposto al questionario, sei hanno intuito che lo studio riguardava l’influenza dell’AI. Nessuno ha sospettato che le preferenze dell’agente fossero state assegnate a sorte.

E l’esperienza? Gli autori hanno controllato dieci caratteristiche: anni di lavoro, competenza dichiarata, titolo di studio, punteggio a un quiz di inferenza causale, fiducia nell’AI, frequenza d’uso, voglia di ragionare a fondo, apertura mentale, genere, età. Dopo le correzioni statistiche, nessuna mostrava un legame affidabile con la tendenza a seguire l’agente. Gli autori avvertono che, siccome quasi tutti hanno seguito l’agente quasi sempre, eventuali differenze vere sarebbero state difficili da vedere. Quindi lo studio non dimostra che l’esperienza sia inutile. Dice che, in questo esperimento, l’esperienza non ha fatto una differenza visibile.

Prima di spegnere l’agente

Sarebbe facile chiudere qui con un «visto? meglio fare da soli». Lo studio dice un’altra cosa, e va riportata per intero.

Degli undici analisti che hanno lavorato senza AI, sei hanno commesso errori di metodo gravi, tali da invalidare il risultato: il 55%. Fra i 50 che hanno usato l’agente, tre: il 6%. E chi lavorava da solo ci ha messo di più: tempo mediano 90 minuti contro 65. Anthropic stessa frena: i due gruppi non sono confrontabili, chi ha scelto di lavorare senza AI era in media meno esperto, e il gruppo era piccolo. In questo campione chi usava l’agente ha sbagliato molto meno, ma il confronto non permette di dire quanto della differenza dipenda dall’AI e quanto dall’esperienza.

Poi ci sono i limiti, che gli autori scrivono per primi. La preferenza dell’agente era stata rafforzata apposta, per misurarne l’effetto. Un compito solo, di un’ora, in un campo che gli analisti non conoscevano bene, con un modello solo, Claude Opus 4.8. Nel lavoro vero un esperto conosce il suo settore, parla con il cliente, fa domande: tutte cose che potrebbero ridurre l’influenza. E senza istruzioni speciali, dice il paper, gli agenti hanno preferenze più deboli e a volte contraddicono chi li usa.

Attenzione però a un numero che sta in mezzo ai limiti. Senza nessuna preferenza assegnata, Claude Opus 4.8 ha fatto le stesse cinque scelte in 112 prove su 123. Un modello lasciato a se stesso ha comunque delle strade preferite, e le ripete con costanza.

Anthropic chiude la parte sui rischi con una frase che sottoscrivo: questo non è un invito a usare meno l’AI. Usata bene, può allargare il potere di decidere delle persone invece di eroderlo.

Una persuasione senza bugie

Ora la parte che mi interessa di più, perché riguarda la persuasione.

All’agente era vietato travisare i risultati o nascondere dati, e i dati stessi erano costruiti apposta per l’esperimento. Rileggendo le conversazioni, gli autori concludono che l’influenza sembra essere passata da un’altra strada: l’agente ha argomentato bene un lato solo. Gli agenti spiegavano spesso come sarebbe cambiato il risultato con l’altra opzione, ma raramente spiegavano perché un esperto competente avrebbe potuto sceglierla. Con un solo lato argomentato bene, gli analisti hanno potuto adottare le ipotesi dell’agente senza costruirsi le proprie.

A me ricorda l’effetto ancoraggio: il primo riferimento ben formulato diventa il punto da cui ti muovi, e ti muovi poco. Lo studio non verifica questo meccanismo, è un accostamento mio. Con una differenza: l’ancora di solito è un numero. Qui è un ragionamento intero, già scritto, con le frasi giuste.

C’è un altro passaggio dello studio che vale oro per chi lavora con le parole. Gli esperti, scrivono gli autori, spesso non arrivano con un’opinione già fatta: la scoprono mentre pesano le opzioni. Se a pesarle è l’agente, scopri cosa pensa lui. E lo chiami «quello che penso io».

Anthropic aggiunge anche che il modo in cui un modello parla probabilmente conta, perché sicurezza e scioltezza spostano le persone. Un modello che suona molto sicuro di sé potrebbe orientarti più del dovuto. Ne ho scritto ieri, a proposito della causa contro ChatGPT sui farmaci: il tono sicuro fa metà del lavoro, anche quando il contenuto non lo merita.

Il pericolo, quindi, sta anche nell’agente onesto. Due strade difendibili, una sola raccontata bene: basta questo per spostare la scelta.

Cosa cambia per chi firma il lavoro

Pensa a tutte le volte in cui una firma vale come garanzia. Il professionista che firma una relazione, il consulente che firma un parere, il responsabile che approva un’analisi. Quella firma dice: qui c’è il giudizio di una persona che ha pesato le alternative.

Lo studio incrina proprio questa idea. Gli autori lo scrivono chiaramente: le organizzazioni trattano la firma di un esperto come prova di un giudizio indipendente, e più lavoro fa l’AI, più quella prova diventa fragile. Il lavoro esce col nome dell’esperto, ma le decisioni che dipendevano dal suo giudizio le hanno prese, in pratica, le convinzioni di partenza dell’agente.

Ne avevo scritto a metà ottobre, a proposito del bias dell’automazione in ufficio, cioè la tendenza a dare troppo credito ai suggerimenti di un sistema automatico: quando l’AI suggerisce e una persona firma, chi decide davvero? Questo studio porta la stessa domanda in un territorio più scivoloso, quello delle scelte dove non esiste una risposta giusta.

C’è anche un effetto più largo. Quando due gruppi arrivano allo stesso risultato, ci si fida di più, perché si pensa che ci siano arrivati ognuno per conto suo. Se entrambi i gruppi adottano le preferenze dei modelli con cui lavorano, e i modelli hanno le stesse preferenze, quell’accordo potrebbe non nascere da giudizi indipendenti. Tradotto nella vita di tutti i giorni: due consulenti che usano lo stesso modello e ti danno lo stesso parere potrebbero averti dato un parere solo.

E il problema è difficile da vedere. Gli errori si trovano, perché esiste una risposta giusta con cui confrontarli. Le scelte di giudizio no: il lavoro sembra solido qualsiasi strada tu prenda. E chiederlo dopo all’esperto, scrivono gli autori, può non servire, perché l’esperto stesso può non accorgersi dell’influenza.

Qualche settimana fa Satya Nadella chiedeva di lasciare il freno d’emergenza in mano a una persona. Questo studio aggiunge una condizione: il freno funziona solo se la mano che lo tiene decide davvero con la sua testa.

Come portarlo nel tuo lavoro

Con l’agente si lavora meglio quando riconosci le sue preferenze e chiarisci le tue. Sono le regole che mi do dopo aver letto lo studio: opinioni mie, costruite sui suoi risultati, che lo studio non ha messo alla prova.

1. Scrivi prima la tua scelta, poi chiedi la sua. Una riga: cosa sceglieresti e perché. Non ti rende immune: nei 38 casi dello studio, chi aveva già espresso una preferenza l’ha spesso lasciata quando l’agente non era d’accordo. Ma ti fa vedere quando cambi idea, e a quel punto puoi chiederti se ti ha convinto un dato o una bella frase.
2. Chiedi la difesa dell’altra strada. Una domanda semplice: «Fammi il caso migliore per l’opzione che non mi hai consigliato.» È esattamente quello che mancava agli agenti dello studio, e gli autori lo indicano come una delle strade per progettarli meglio.
3. Fatti dire dove sono i bivi. «In questo lavoro, quali scelte hanno più di una risposta ragionevole? Quanto cambia il risultato con ciascuna?» Nello studio ogni bivio poteva spostare la stima di diversi punti, contro una soglia del 3–4%. I bivi decisivi spesso passano come dettagli tecnici.
4. Separa gli errori dalle scelte. Usa l’agente anche per cercare errori, e verifica le correzioni che propone. Sulle scelte di giudizio, quelle con più risposte ragionevoli, la responsabilità resta tua, e lì vale la pena rallentare.
5. Segna da dove arriva il perché. Quando scrivi una relazione o una proposta a un cliente, annota quali argomenti vengono dall’agente. Nel questionario finale dello studio, solo il 15% di chi ha risposto ha nominato l’agente spiegando le proprie scelte. Annotarlo può aiutarti a distinguere gli argomenti proposti dall’agente da quelli che avevi formulato tu, e a riesaminare perché li hai accolti.
6. Controlla quanto sono indipendenti due pareri. Se due pareri arrivano dallo stesso modello, con le stesse premesse, potrebbero ripetere lo stesso orientamento. Per un secondo sguardo vero, cerca un collega che ragiona per conto suo, prima di leggere la risposta dell’AI.
7. Tieni allenato il muscolo. Ogni tanto decidi qualcosa da solo, dall’inizio alla fine. Gli autori lo dicono in chiaro: chi smette di prendere queste decisioni può perdere la capacità di prenderle. Il pensiero critico si allena come tutto il resto.

L’ultima frase dello studio è la migliore: alcune decisioni si possono delegare, altre vale la pena tenerle, e con gli strumenti giusti quella divisione può essere una scelta invece di una deriva.

La parola importante è «scelta». La deriva, di solito, la chiami esperienza.

Domande frequenti

Cosa ha scoperto lo studio di Anthropic sugli agenti AI e le decisioni?

Che 50 analisti esperti, lavorando con Claude Code su un’analisi statistica, hanno seguito la preferenza dell’agente nell’86% delle scelte, quando quella preferenza era stata assegnata a sorte e tenuta nascosta. Dopo, fra i 48 che hanno risposto al questionario, il 77% ha giustificato le scelte con argomenti dell’agente e solo il 15% l’ha nominato. Lo studio è stato pubblicato il 27 ottobre 2026.

Vuol dire che l’AI manipola chi la usa?

Lo studio mostra una cosa precisa: preferenze nascoste, assegnate e rafforzate dai ricercatori, possono orientare le decisioni di esperti veri. Dimostra meno sull’uso di tutti i giorni. Anthropic avverte che, senza istruzioni di questo tipo, l’effetto potrebbe essere più piccolo. Resta un dato da tenere a mente: anche senza preferenze assegnate, il modello ha fatto le stesse cinque scelte in 112 prove su 123, quindi un orientamento di partenza ce l’ha.

Gli esperti più esperti si fanno condizionare di meno?

Lo studio non ha trovato differenze affidabili. Anni di esperienza, titolo di studio, competenza, fiducia nell’AI e altre sei caratteristiche non mostravano un legame solido con la tendenza a seguire l’agente, dopo le correzioni statistiche. Gli autori però avvertono che, siccome quasi tutti l’hanno seguito quasi sempre, eventuali differenze vere erano difficili da individuare.

Allora conviene lavorare senza AI?

Lo studio non lo suggerisce. Fra chi ha lavorato senza agente, 6 su 11 hanno commesso errori gravi, contro 3 su 50 fra chi l’ha usato, con un tempo mediano più lungo. I gruppi però non erano confrontabili, perché chi ha scelto di lavorare da solo era meno esperto, quindi non si sa quanto della differenza dipenda dall’AI. La lezione riguarda dove tenere il tuo giudizio.

Come capisco se sto delegando troppo all’agente?

Un segnale da guardare: se fai fatica a spiegare con parole tue perché hai scartato l’altra opzione, o se le parole che ti vengono sono quelle dell’agente. Non è una prova di delega eccessiva, è uno spunto per ricontrollare il ragionamento. Scrivere la tua scelta prima di chiedere e farti argomentare l’alternativa sono due accorgimenti che suggerisco per rendere visibile il percorso della decisione; lo studio non ne ha verificato l’efficacia.

Fonti

• Anthropic, «How AI agents shape experts’ judgment calls», 27 ottobre 2026: anthropic.com/research/agents-judgment-calls
• A. Herdağdelen, H. Joren, A. Tamkin, «Who’s Aligned to Whom? How AI Agents Shape Experts’ Research Judgment Calls» (paper completo, PDF): www-cdn.anthropic.com