Quella riunione in cui usavamo Copilot in cinque modi diversi
L’altro giorno, durante un workshop con un cliente del settore manifatturiero, ho contato in due ore cinque modi completamente diversi di usare la stessa istanza di Copilot. Il direttore operations chiedeva sintesi di documenti che aveva già letto (verifica). La responsabile HR chiedeva di scrivere intere policy da zero (delega). Un giovane analista lo usava come palestra per esplorare scenari di simulazione (esplorazione). Il CFO lo trattava come un consulente con cui discutere ipotesi (collaborazione). Il CTO, infine, lo usava come motore di ricerca semantico interno (asking).
Cinque persone, una stessa AI, cinque relazioni di lavoro distinte. Eppure la formazione interna era una sola, identica per tutti: “ecco come fare un buon prompt”. Nella mia esperienza è proprio qui che la maggior parte delle aziende italiane sbaglia: trattano l’AI come uno strumento monolitico anziché come un repertorio di modalità di interazione che richiedono competenze, controlli e aspettative diverse.
Cosa dice la letteratura peer-reviewed sui pattern di interazione
L’idea che esistano modi distinti di lavorare con un’AI non è di marketing. Gomez et al. (2024), in uno studio pubblicato su Frontiers in Computer Science dal titolo “Human-AI collaboration is not very collaborative yet”, hanno analizzato sistematicamente 105 studi empirici sulla collaborazione umano-AI e hanno identificato sette pattern ricorrenti. I tre più frequenti sono: AI-first (l’AI propone, l’umano edita o approva — 51% degli studi), Request-driven (l’umano chiede, l’AI risponde — 19%) e AI-follow (l’umano agisce, l’AI completa o suggerisce — 21%). I pattern più simmetricamente collaborativi — Dialogic (5%), User-guided (7%) e Delegation (7%) — sono ancora marginali.
Il dato più interessante del lavoro di Gomez è proprio nel titolo: la collaborazione umano-AI, oggi, non è ancora molto collaborativa. La maggior parte delle interazioni è fortemente asimmetrica e l’AI tende a operare in modalità “first” o “follow”, lasciando all’umano un ruolo prevalentemente di curatore. Questo è un controintuitivo importante rispetto al racconto pubblico, che immagina una conversazione paritaria.
A questa fotografia accademica si aggiunge un secondo lavoro fondamentale: Counts et al. (2025) del team di ricerca Microsoft, in un working paper intitolato “How people use Microsoft 365 Copilot Chat”, hanno analizzato la telemetria aggregata e privacy-preserving di milioni di sessioni reali. Il risultato: il 49% delle conversazioni supporta lavoro cognitivo (analisi, sintesi, decision support), il 19% riguarda il lavorare con altre persone (preparazione di comunicazioni, riunioni, feedback), il 17% la produzione di artefatti (documenti, slide, codice), il 15% la ricerca e organizzazione di informazioni. Sono le stesse quattro categorie del database O*NET che il Dipartimento del Lavoro statunitense usa per classificare le occupazioni dal 1998.
Łabędzki et al. (2025), in una systematic review presentata a HCII 2025 che analizza 95 studi sulla gestione della collaborazione umano-AI, aggiungono un terzo tassello: i tre fattori che più influenzano il successo della collaborazione sono l’allineamento delle aspettative, la trasparenza dei limiti dell’AI e la chiarezza del controllo (chi decide cosa, e quando).
I quattro modi, in pratica
Per il lavoro quotidiano la tassonomia accademica completa è troppo fine. Propongo quattro modi che, nella mia esperienza di formatore e architetto cloud, coprono il 95% degli usi reali.
1. Delegation — “fallo tu, mi fido (ma controllo)”
È il modo in cui chiediamo all’AI di portare a termine un compito end-to-end: scrivere una bozza di email, riassumere una riunione, generare uno script. Il controllo umano si esercita a valle, sulla revisione del prodotto. Corrisponde all’estremo H4–H5 della Human Agency Scale di Shao et al. (2026) e ai pattern Delegation (7%) e AI-first (51%) di Gomez. Funziona bene quando il task è ben definito, ripetibile e ha criteri di qualità chiari. Fallisce quando l’umano accetta l’output senza la revisione critica — è qui che si annida l’automation bias di cui parlano Wang, de Paula e Heavin (2026).
Errore tipico in azienda: delegare task in cui i lavoratori desiderano mantenere alto il controllo. Shao et al. hanno mostrato che questa è la dissonanza più frequente tra ciò che l’AI viene fatta fare e ciò che le persone vorrebbero che facesse.
2. Collaboration — “ragioniamoci insieme”
È il modo dialogico: scambio iterativo, l’umano guida e l’AI propone, si raffina insieme. Corrisponde ai pattern Dialogic e User-guided di Gomez (insieme appena il 12% degli studi analizzati). È il modo più ricco cognitivamente e quello che, secondo la meta-analisi npj Digital Medicine citata nel primo articolo, produce i risultati migliori in contesti complessi — ma è anche il più costoso in termini di tempo e attenzione.
I dati suggeriscono che questo è il modo che distingue i Frontier Professionals dagli altri: l’80% di loro dichiara di produrre lavoro che un anno fa non avrebbe potuto produrre, contro il 58% della media. Non è la quantità di prompt che fa la differenza, è la qualità del dialogo.
3. Asking — “trovami / spiegami / sintetizzami”
È il modo recuperativo: l’AI funziona come un motore di ricerca semantico avanzato, capace di rispondere a domande in linguaggio naturale attingendo a dati interni o pubblici. Corrisponde al pattern Request-driven (19% in Gomez) e al 15% di “finding information” misurato da Counts et al. È il modo più semplice, quello con cui la maggior parte delle persone inizia a usare Copilot, ed è anche quello con il valore percepito più immediato. Il rischio è restare solo qui: trasformare l’AI in un Google interno, perdendo la dimensione generativa e collaborativa.
4. Exploration — “e se invece…”
È il modo generativo divergente: l’umano usa l’AI per esplorare scenari, alternative, controfattuali. È il modo in cui un analista finanziario simula impatti di scenari macro, in cui un product manager esplora varianti di posizionamento, in cui un architetto cloud testa configurazioni alternative. Nella tassonomia di Gomez è una variante del Dialogic applicata a problemi non chiusi. È il modo che richiede la maggior maturità da parte dell’umano: serve sapere quali domande porre, riconoscere allucinazioni, valutare la plausibilità delle proposte.
Perché scegliere il modo sbagliato è l’errore più comune
Quattro modi, quattro competenze diverse, quattro tipologie di rischio. La maggior parte delle aziende italiane oggi confonde Delegation e Collaboration: deleghiamo task complessi senza il dialogo necessario, oppure trasformiamo task semplici in conversazioni infinite quando una delega netta sarebbe più efficiente. Nella mia esperienza sul campo, questa confusione è la causa numero uno della frustrazione degli utenti enterprise — più della qualità dell’AI in sé.
Łabędzki et al. (2025) lo formalizzano così: la maturità di un’organizzazione nell’uso dell’AI non si misura sul numero di licenze attivate, ma sulla capacità collettiva di scegliere il modo giusto per il task giusto. È una competenza che si insegna, si pratica, si misura. E che, in Italia, raramente fa parte dei programmi di adoption che vedo sul campo.
Tre domande pratiche che provo a portare in ogni workshop: – Per questo task, quanto controllo umano voglio mantenere a valle? (sceglie tra Delegation e Collaboration) – Voglio una risposta o voglio esplorare alternative? (sceglie tra Asking ed Exploration) – L’output sarà rivisto da una persona competente prima di essere usato? (decide se il pattern scelto è sicuro per il contesto)
Quattro modi, una sola disciplina
I quattro modi non sono compartimenti stagni: nella pratica quotidiana si incastrano (apro in Asking, passo a Collaboration, chiudo in Delegation). Ma riconoscerli come modalità distinte permette di costruire una disciplina d’uso dell’AI che oggi manca quasi ovunque. La nuova equazione dell’agency, di cui ho parlato nel primo articolo, si gioca esattamente qui: nella capacità di scegliere consapevolmente come lavorare con l’AI, non solo se usarla.
Nel prossimo articolo — il terzo della serie — entreremo nel cuore del paradosso della trasformazione: perché solo il 19% delle aziende è oggi Frontier e cosa distingue il 50% Emergent dal 16% Stalled e dal 10% Blocked. La vera sfida non è tecnica, ma umana: e i quattro modi di lavorare con l’AI sono, prima ancora che pattern di interazione, quattro forme diverse di esercitare la propria intelligenza professionale.
Riferimenti
– Counts, S., Suh, J., et al. (2025). How people use Microsoft 365 Copilot Chat: Insights from telemetry analysis. Microsoft Research Working Paper. – Gomez, C., Cho, S. M., Ke, S., Huang, C.-M., & Unberath, M. (2024). Human-AI collaboration is not very collaborative yet: A taxonomy of interaction patterns across 105 studies. Frontiers in Computer Science, 6. – Łabędzki, P., et al. (2025). Managing human-AI collaboration: A systematic review of 95 studies. In HCI International 2025 Proceedings. Springer. – Microsoft. (2026). 2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization. Microsoft. – Shao, Y., Brynjolfsson, E., et al. (2026). Future of work with AI agents: Auditing automation and augmentation potential across the U.S. workforce (arXiv:2506.06576v3). Stanford University, SALT Lab. – Wang, S., de Paula, D., & Heavin, C. (2026). Human-AI collaboration in decision-making: A systematic review of 149 empirical studies. Journal of Decision Systems (Taylor & Francis).
Ricerca bibliografica condotta il 5 maggio 2026. L’utente è invitato a verificare i riferimenti nelle fonti originali prima di ogni utilizzo professionale.
Lascia un commento