Cinque cose dell’AI che mi fanno arrabbiare (e perché non riesco a smettere)
Se mi segui da un po’, sai già che sono immersa nel mondo dell’AI da tempo. Ne ho parlato in “Creare contenuti nell’era dell’AI“, e in quell’articolo ho trattato solo gli aspetti più generali. Perché la verità è questa: più usi questi strumenti, più ti accorgi dei loro limiti. Non sono difetti che ti fanno mollare il colpo, ma punti critici che devi imparare a gestire se vuoi tirarne fuori qualcosa di utile.
Quindi ecco le cinque cose che ancora mi mandano in tilt, anche dopo tutto questo tempo.
1. Non riempie i vuoti al posto tuo
L’AI è letterale nel vero senso del termine. Se dai qualcosa per scontato, salti un passaggio o presumi che capisca al volo cosa intendi, il risultato non raggiunge affatto l’obiettivo. E la parte frustrante è che non te lo dirà mai. Produrrà con sicurezza qualcosa che sembra plausibile, ma che finisce per parare da tutt’altra parte rispetto a ciò che ti serviva davvero.
La soluzione? Devi specificare tutto. Contesto, presupposti, vincoli, tutte quelle cose che normalmente tieni in testa perché ti sembrano ovvie. Per il modello non lo sono affatto. Più informazioni dai, più preciso sarà il risultato.
2. Ti dà ragione troppo facilmente
Questa è subdola ma alla lunga pesa. Chiedi all’AI di valutare la tua opinione e, nella maggior parte dei casi, troverà un modo per sostenerla. Insisti un po’ e troverà comunque ragioni per cui potresti avere ancora ragione. Vuole essere utile e, in questa spinta, finisce per privilegiare il rinforzo positivo rispetto all’onestà.
È un problema noto nel settore, talvolta chiamato “sycophancy”, e può risultare davvero fuorviante quando usi l’AI per fare ricerca o prendere decisioni. Devi spingerla, volutamente, a metterti in discussione, a costruire l’argomentazione opposta più solida possibile e a dirti cosa potrebbe andare storto. Altrimenti stai parlando con una macchina del consenso molto sofisticata.
3. Le modifiche si accumulano invece di essere ripensate
Questo aspetto si rivela in tutta la sua potenza se usi l’AI per programmare o per qualsiasi output strutturato. Chiedi una bozza, la modifichi, chiedi altri aggiustamenti e, invece di produrre una versione pulita e rivista, il modello inizia ad accumulare correzioni su ciò che già esiste. Il risultato, sia codice, sia testo, sia qualsiasi cosa su cui stai lavorando, comincia a riempirsi di contraddizioni interne e di ridondanze.
È entropia, pura e semplice. Il modello continua ad aggiungere invece di ripensare la struttura. L’ordine di fermarti e chiedere una riscrittura completa, da zero, con tutte le modifiche già integrate, deve venire da te. Non è qualcosa che ti proporrà spontaneamente.
4. Va avanti senza chiedere conferma
Dai all’AI un compito con un po’ di complessità e spesso farà una serie di ipotesi lungo il percorso, salterà i checkpoint e ti presenterà un risultato finito che si discosta già al secondo passaggio da ciò che volevi. Quando te ne accorgi, hai già un output costruito su una base che è andata storta fin dall’inizio.
L’abitudine da costruire è mettere in discussione il processo prima che parta, non dopo. Chiedi di spiegarti come intende affrontare un compito. Chiedi conferma prima di procedere oltre i punti decisionali chiave. Trattata come un agente autonomo, si comporterà come tale e va bene quando i presupposti sono corretti, ma diventa un vero problema quando non lo sono.
5. Quando le cose si fanno difficili, getta la spugna
Questo atteggiamento mi ha infastidita a lungo prima che riuscissi a metterlo a fuoco. Quando un compito diventa davvero complesso o lungo, o richiede uno sforzo prolungato, arriva un punto in cui l’AI inizia a chiudere tutto un po’ troppo in fretta. Ti dice cosa hai ottenuto, smussa gli angoli, suggerisce i prossimi passi. Tradotto: sta tagliando corto per non fare altro lavoro.
Che si tratti di un problema legato al contesto, di un risultato dell’addestramento o di qualcos’altro, l’effetto pratico è sempre lo stesso. Devi insistere. Devi dire: continua, non abbiamo finito, vai più a fondo. Lo farà, ma l’iniziativa deve venire da te. E se ti mostri nervoso, probabilmente supererà l’inerzia e alzerà l’asticella della qualità del risultato. Per me è difficilissimo da mettere in pratica, ma “la brutalità porta alla correttezza”.
E allora perché continuo a tornarci?
Perché quando impari a guidarla bene, è straordinaria.
Solo la parte di ricerca vale tutto il resto. La capacità di tirare fuori benchmark, sintetizzare fonti e far emergere pattern da una mole enorme di materiale, in un tempo che prima mi serviva per trovare un solo riferimento decente. Le dinamiche del brainstorming, in cui una buona sessione cambia davvero il modo in cui sto affrontando un problema. Le funzionalità agentiche, dove puoi mettere in fila flussi di lavoro che prima avrebbero richiesto un intero pomeriggio e lasciarli girare mentre ti concentri su altro.
Sì, ci vuole tempo per calibrare il processo. Devi imparare a fare prompting, a strutturare le richieste, a restare al volante senza gestire al millimetro ogni singola frase. Ma quando funziona, ti fa risparmiare un numero spropositato di ore. Non è un’iperbole, è la realtà di lavorare con uno strumento così potente.
La parola chiave, però, è “strumento”. Come ogni macchina maestosa, ha bisogno di un pilota. Ed è qui che sta tutta la differenza.
Risorse correlate
- Anthropic. (2025). Claude’s character and sycophancy research. anthropic.com
- Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM
- OpenAI. (2023). GPT-4 Technical Report. openai.com
- Perez, E. et al. (2022). Discovering Language Model Behaviors with Model-Written Evaluations. arXiv:2212.09251
- Weidinger, L. et al. (2021). Ethical and Social Risks of Harm from Language Models. DeepMind / arXiv:2112.04359
