La tassa sulla verifica: se l'AI fa risparmiare tempo (ma poi se lo riprende)

La chiamano la “tassa sulla verifica”. È, in sostanza, il tempo consumato a controllare quanto fatto dall’AI, per assicurarsi che non abbia commesso strafalcioni e correggere questi ultimi, se ci sono. Non si tratta di uno sforzo trascurabile: secondo un recente studio del Work AI Institute , su seimila impiegati di aziende americane, britanniche e australiane, l’utilizzo dell’intelligenza artificiale farebbe risparmiare fino a undici ore di lavoro settimanali. Peccato che poi più della metà di queste ore se ne vadano per la verifica. Certo, i modelli migliorano costantemente e nel prossimo futuro è probabile che commettano sempre meno errori, ma quale azienda se la sentirebbe di affidarsi ciecamente a uno strumento incline alle cosiddette “allucinazioni”? Il dilemma della verifica Per alcuni compiti la verifica può anche essere delegata a un altro strumento di intelligenza artificiale, ma non per le decisioni importanti. È qui che il ruolo di un esperto umano, che faccia da filtro e da revisore di ultima istanza, resta fondamentale. Il problema è che l’ingannevole facilità di generazione dei contenuti dell’AI, porta facilmente a una sovraproduzione. È un po’ come è accaduto nel passaggio dalle macchine fotografiche a quelle digitali: ora si scattano tantissime immagini, ma poche sono quelle davvero di qualità. Allo stesso modo l’AI può fornire tantissimi suggerimenti e soluzioni, ma occorre poi capire quali sono quelle davvero utili. Per lo studio “AI in Science: early insights”, pubblicato a settembre, ricercatori di Google e di varie prestigiose università europee e americane hanno interpellato seicento scienziati sul loro utilizzo dell’intelligenza artificiale. Anche qui la “tassa sulla verifica” ha esatto il suo tributo. Alle 7 ore alla settimana risparmiate grazie all’AI fa da contraltare, non solo il tempo dedicato ai necessari controlli, ma anche l’affollamento di ipotesi di ricerca da smaltire. I modelli di linguaggio, insomma, da un lato semplificano la vita, dall’altro possono aggiungere maggiore carico di lavoro a impiegati già stressati. Forte è la tentazione, per questi ultimi, di rinunciare in toto alla supervisione, passando ai colleghi quanto prodotto dall’AI senza ulteriori controlli. Il Work AI Institute di Glean, citato in apertura, chiama questo atteggiamento “botshitting” e il 69% degli interpellati nel sondaggio afferma di avervi fatto ricorso almeno una volta, cosa che diventa più frequente via via che l’utilizzo dell’AI si fa più intenso. Questione di merito Qui il concetto di botshitting confluisce e si confonde con quello di “cognitive offloading” . Ben il 41% afferma di avere consegnato del lavoro senza averlo pienamente compreso, quindi senza essere in grado di spiegarlo, ove richiesto. È un processo graduale: ci si rassegna a delegare all’AI piano piano, finché alla fine si finisce per sentirsi del tutto scollegati da e non responsabili di quanto prodotto. Adottando una sorta di pensiero magico per cui ci si prende il merito, quando le cose vanno bene; se invece c’è un errore, “l’ha fatto l’AI”. Il risultato, come è facile intuire, è semplicemente scaricare su qualche collega l’ingrato compito di fare pulizia. Per aziende che hanno introdotto l’intelligenza artificiale senza regole chiare, perché “così fan tutti” si pone a questo punto un problema di governance: come configurare e gestire i processi interni in modo da evitare che i presunti guadagni derivati dall’AI vengano ridotti o persino annullati dal tempo perso a dover ricontrollare informazioni o prodotti scadenti. Occorre stabilire fin da subito, per un certo progetto, quali sono le verifiche da attuare, chi ne è responsabile, e che aspetto dovrebbe avere il risultato finale. Perlomeno in questo caso si può rimediare al problema con delle linee guida e qualche semplice aggiustamento. Ma cosa accade quando l’output dell’intelligenza artificiale diventa sempre più sofisticato e più difficile da verificare, circostanza che sembra destinata ad avverarsi con il miglioramento esponenziale dei modelli? È quello che in gergo viene definito il problema della “scalable oversight”. Non c’è, al momento, una risposta definitiva a questo problema. I ricercatori stanno sperimentando diverse tecniche. Una delle più affascinanti prevede una sorta di “dibattito”, simile a quello che si svolge in tribunale, quando gli avvocati delle controparti cercano di convincere la giuria. In questo caso, gli avvocati sono diverse versioni dell’AI che propongono le loro soluzioni a un determinato problema, cercando, al contempo, di trovare falle in quelle degli altri modelli. All’esperto umano tocca in questo caso fare da giudice, confidando nel fatto che pur senza disporre di capacità intellettuali e conoscenze pari a quelle dei modelli, grazie a questo confronto volto a portare alla luce pregi e falle delle varie proposte, sia comunque in grado di individuare la soluzione più convincente. Quella del dibattito è comunque solo una delle possibili tecniche al vaglio dei ricercatori per risolvere il problema della scalable oversight. Ce ne sono molte altre: le affronteremo in un prossimo articolo.

Cosa vedere:

Come vederlo:

Online con Sky:

La tassa sulla verifica: se l'AI fa risparmiare tempo (ma poi se lo riprende)

Federico Guerrini