Workslop: il costo nascosto dell’AI Generativa nel mondo del lavoro

21 Dicembre 2025

Il termine “workslop” è emerso nel settembre 2025 dalla ricerca congiunta di BetterUp Labs e Stanford Social Media Lab, diventando rapidamente un concetto centrale nel dibattito sull’efficacia dell’intelligenza artificiale generativa negli ambienti lavorativi. Questo report analizza in profondità il fenomeno, le sue cause, i costi economici e sociali, e propone strategie evidence-based per la sua mitigazione.

I dati più recenti rivelano un quadro allarmante: il 40% dei lavoratori statunitensi ha ricevuto workslop nell’ultimo mese, con un costo stimato di oltre 9 milioni di dollari annui per organizzazioni di 10.000 dipendenti. Parallelamente, il report MIT NANDA (MIT) del luglio 2025 ha documentato che il 95% dei progetti AI aziendali non genera alcun ritorno misurabile sugli investimenti, nonostante investimenti globali tra 30 e 40 miliardi di dollari.

L’analisi evidenzia come il workslop rappresenti una manifestazione specifica di un fenomeno più ampio: l'”AI slop”, eletto parola dell’anno 2025 da Merriam-Webster. Il documento esplora le interconnessioni tra cognitive offloading, erosione del pensiero critico e trasferimento del carico cognitivo tra colleghi, offrendo un framework operativo per organizzazioni e professionisti italiani.

Napoli, Italia, Europa, Web, 21 dicembre 2025

Strumenti utilizzati:
conoscenze e competenze di Pasquale Popolizio, Claude, Gemini, ChatGPT, Recall

1. Definizione e Origine del Concetto

1.1 Che cos’è il Workslop

Il workslop viene definito dai ricercatori di Stanford e BetterUp come “contenuto lavorativo generato dall’AI che si maschera da buon lavoro, ma manca della sostanza necessaria per far progredire significativamente un determinato compito” (Niederhoffer et al., Harvard Business Review, settembre 2025). Il termine rappresenta l’evoluzione del concetto di “slop” — originariamente utilizzato per descrivere contenuti AI di bassa qualità sui social media — nel contesto professionale e organizzativo.

A differenza del lavoro semplicemente sciatto prodotto da esseri umani, il workslop presenta caratteristiche distintive che lo rendono particolarmente insidioso: appare superficialmente raffinato e completo, utilizza linguaggio formale e strutture professionali, ma risulta vuoto di contenuto significativo, privo del contesto necessario, o fondamentalmente inutile per gli obiettivi del destinatario.

1.2 Etimologia e Contesto Culturale

Il termine “slop” ha acquisito il suo significato contemporaneo legato all’AI a partire dal 2022, quando il poeta e tecnologo “deepfates” lo propose come “termine per contenuto AI indesiderato”. Simon Willison, sviluppatore influente, ha contribuito alla sua diffusione specificando che “non tutto il contenuto generato dall’AI è slop, ma se è generato senza cura e imposto a qualcuno che non lo ha richiesto, slop è il termine perfetto”.

Il riconoscimento istituzionale è arrivato nel dicembre 2025, quando Merriam-Webster ha eletto “slop” parola dell’anno, definendola ufficialmente come “contenuto digitale di bassa qualità prodotto solitamente in quantità mediante intelligenza artificiale”. Questo riconoscimento sancisce l’ingresso del fenomeno nel lessico comune e la sua rilevanza culturale globale.

2. Evidenze Empiriche e Dati Quantitativi

2.1 Lo Studio BetterUp-Stanford (Settembre 2025)

La ricerca fondamentale sul workslop è stata condotta da BetterUp Labs in collaborazione con lo Stanford Social Media Lab su un campione di 1.150 lavoratori statunitensi a tempo pieno. I risultati principali evidenziano la pervasività del fenomeno:

Il 40% dei lavoratori ha ricevuto workslop nell’ultimo mese
I dipendenti stimano che il 15,4% del contenuto ricevuto sia classificabile come workslop
I manager sono più esposti: 54% rispetto al 38,5% dei contributori individuali
Il 53% ammette che almeno parte del lavoro inviato potrebbe essere workslop

La distribuzione del workslop attraversa tutti i livelli organizzativi: il 40% si propaga lateralmente tra colleghi, il 19% sale verso i manager, e il 16% discende dai leader ai loro team. I settori più colpiti risultano essere i servizi professionali e la tecnologia.

2.2 Impatto Economico

L’analisi economica del fenomeno rivela costi significativi e spesso invisibili. I lavoratori che ricevono workslop impiegano mediamente 1 ora e 56 minuti per gestire ogni singolo episodio. Questo “tassa invisibile del workslop” si traduce in circa 186 dollari mensili per dipendente, basandosi sui salari auto-riportati dai rispondenti.

Per un’organizzazione di 10.000 dipendenti, il costo annuale stimato supera i 9 milioni di dollari in produttività persa. È importante notare che questa stima non tiene conto dei potenziali guadagni di produttività derivanti dall’uso appropriato dell’AI, rappresentando quindi il costo lordo del fenomeno workslop.

Tabella 1: Metriche Chiave del Workslop

Metrica	Valore
Lavoratori che hanno ricevuto workslop (ultimo mese)	40%
Tempo medio per gestire ogni episodio	1h 56min
Costo mensile per dipendente	$186
Costo annuale (org. 10.000 dipendenti)	>$9M
Contenuto ricevuto classificato come workslop	15,4%

Fonte: BetterUp Labs e Stanford Social Media Lab, settembre 2025

3. Impatto Sociale e Organizzativo

3.1 Reazioni Emotive dei Destinatari

La ricerca documenta significative reazioni emotive negative nei destinatari del workslop. Il 53% dei rispondenti ha dichiarato di sentirsi infastidito, il 38% confuso, e il 22% offeso. Queste reazioni riflettono non solo la frustrazione per il tempo perso, ma anche la percezione di mancanza di rispetto implicita nel ricevere contenuto non elaborato.

Un project manager intervistato ha descritto la situazione così: “Ricevere questo lavoro di scarsa qualità ha creato un enorme spreco di tempo e inconveniente per me. Poiché proveniva dal mio supervisore, mi sono sentito a disagio nel confrontarla sulla scarsa qualità e nel chiederle di rifarlo. Così ho dovuto assumermi lo sforzo di fare qualcosa che avrebbe dovuto essere sua responsabilità, il che ha interferito con i miei altri progetti in corso.”

3.2 Erosione della Fiducia tra Colleghi

Le conseguenze interpersonali del workslop si estendono ben oltre la frustrazione momentanea, minando sistematicamente le relazioni professionali e la percezione reciproca delle competenze. I dati mostrano cambiamenti significativi nella percezione dei colleghi dopo aver ricevuto workslop:

Il 54% considera il collega meno creativo
Il 42% lo percepisce come meno affidabile
Il 37% lo ritiene meno intelligente
Il 34% segnala l’incidente a colleghi o superiori
1 su 3 desidera lavorare meno con chi ha inviato workslop

Jeffrey Hancock, professore di Comunicazione a Stanford e direttore fondatore dello Stanford Social Media Lab, sottolinea la differenza qualitativa rispetto al lavoro sciatto tradizionale: “Per produrre lavoro sciatto, devo comunque fare un discreto sforzo. Devo scriverlo. Può essere poco pensato, ma richiede comunque impegno. Ora che quella componente di sforzo è scomparsa, posso generare molto contenuto inutile o improduttivo molto facilmente.”

4. Il Meccanismo del Cognitive Offloading

4.1 Definizione e Basi Teoriche

Il workslop rappresenta un’evoluzione del “cognitive offloading” — il processo psicologico di delegare compiti cognitivi a strumenti esterni. Mentre storicamente questo fenomeno ha incluso l’uso di calcolatrici, motori di ricerca e altri ausili tecnologici, l’AI generativa introduce una dimensione radicalmente nuova: la capacità di trasferire il carico cognitivo non solo a una macchina, ma attraverso di essa ad altri esseri umani.

Come evidenziato da Kate Niederhoffer, Vice President di BetterUp Labs: “Il workslop usa in modo unico le macchine per trasferire il lavoro cognitivo a un altro essere umano. Quando i colleghi ricevono workslop, sono spesso costretti a farsi carico della decodifica del contenuto, inferendo contesto mancante o falso.”

4.2 Impatto sul Pensiero Critico

Uno studio pubblicato sulla rivista Societies (Gerlich, 2025) ha esplorato sistematicamente la relazione tra uso degli strumenti AI e abilità di pensiero critico. La ricerca, condotta su 666 partecipanti con approccio mixed-method, ha rivelato una correlazione negativa significativa tra uso frequente di strumenti AI e capacità di pensiero critico, mediata dall’aumento del cognitive offloading.

I risultati chiave includono:

L’uso frequente di AI correla negativamente con le abilità di pensiero critico
I partecipanti più giovani (17-25 anni) mostrano maggiore dipendenza dall’AI e punteggi inferiori nel pensiero critico
L’istruzione superiore funge da fattore protettivo contro il cognitive offloading
La fiducia nell’AI aumenta il cognitive offloading, che a sua volta riduce il pensiero critico

5. Il “GenAI Divide”: Fallimento dei Progetti AI Aziendali

5.1 Il Report MIT NANDA (MIT) (Luglio 2025)

Il workslop si inserisce in un quadro più ampio di difficoltà nell’implementazione aziendale dell’AI generativa. Il report “The GenAI Divide: State of AI in Business 2025”, pubblicato dal MIT NANDA (MIT) attraverso l’iniziativa NANDA, ha analizzato oltre 300 implementazioni AI pubbliche, 52 interviste strutturate e 153 risposte di survey da leader senior.

I risultati sono sorprendenti: nonostante investimenti enterprise stimati tra 30 e 40 miliardi di dollari, il 95% dei progetti pilota AI non genera alcun impatto misurabile sul conto economico. Solo il 5% delle iniziative AI integrate produce milioni di valore, mentre la stragrande maggioranza rimane bloccata senza risultati tangibili.

Il report identifica quello che definisce “GenAI Divide”: una divisione netta tra alta adozione e bassa trasformazione. Solo due settori su nove — Tecnologia e Media — mostrano segni materiali di trasformazione aziendale dall’uso dell’AI generativa.

5.2 L’Economia Ombra dell’AI

Il report MIT documenta anche l’emergere di una “shadow AI economy”: mentre solo il 40% delle aziende ha acquistato abbonamenti LLM ufficiali, il 90% dei lavoratori intervistati usa quotidianamente strumenti AI personali come ChatGPT o Claude per compiti lavorativi. Questi sistemi ombra — in gran parte non autorizzati — spesso offrono prestazioni migliori e adozione più rapida degli strumenti aziendali, evidenziando un punto cieco significativo nella governance aziendale.

6. AI Slop nella Ricerca Scientifica

6.1 Lo Studio UC Berkeley-Cornell (Dicembre 2025)

Una ricerca pubblicata su Science da ricercatori di UC Berkeley e Cornell University ha analizzato oltre un milione di abstract di preprint (articoli non ancora sottoposti a peer review) rilasciati tra il 2018 e il 2024. Lo studio ha esaminato se l’uso dell’AI sia correlato a maggiore produttività accademica, qualità dei manoscritti e uso di letteratura più diversificata.

I risultati mostrano che quando un autore inizia a usare l’AI, il numero di preprint prodotti aumenta drasticamente — tra il 36,2% e il 59,8% a seconda della piattaforma. L’incremento è maggiore tra i non-madrelingua inglesi, e particolarmente per autori asiatici, dove varia dal 43% all’89,3%.

Tuttavia, i ricercatori avvertono che l'”AI slop scientifico” sta minando il linguaggio come indicatore di merito accademico. I paper scritti con AI usano linguaggio più complesso, ma hanno meno probabilità di essere pubblicati su riviste peer-reviewed. In sostanza, il linguaggio complesso generato dall’AI spesso maschera ricerca più debole, rendendo meno affidabile la valutazione della qualità basata sul linguaggio.

7. Contesto Normativo Europeo e Italiano

7.1 L’AI Act e la Trasparenza dei Contenuti

Il Regolamento Europeo sull’AI (AI Act) affronta indirettamente il fenomeno del workslop attraverso gli obblighi di trasparenza per i contenuti generati dall’AI. Il Considerando 134 stabilisce che i deployer che utilizzano sistemi AI per generare o manipolare contenuti “dovrebbero rendere noto in modo chiaro e distinto che il contenuto è stato creato o manipolato artificialmente”.

Particolarmente rilevante è l’obbligo di divulgazione per il “testo generato o manipolato dall’IA nella misura in cui è pubblicato allo scopo di informare il pubblico su questioni di interesse pubblico”, a meno che il contenuto non sia stato sottoposto a revisione umana o controllo editoriale.

7.2 La Legge Italiana 132/2025

L’Italia, primo paese UE con legislazione nazionale sull’AI (Legge 132/2025), ha istituito l’Osservatorio sull’adozione di sistemi di intelligenza artificiale nel mondo del lavoro presso il Ministero del Lavoro e delle Politiche Sociali. L’Osservatorio ha il compito di:

Definire una strategia sull’utilizzo dell’AI in ambito lavorativo
Monitorare l’impatto sul mercato del lavoro
Identificare i settori maggiormente interessati dall’avvento dell’AI
Promuovere la formazione di lavoratori e datori di lavoro in materia di AI

L’articolo 11 stabilisce inoltre che “l’intelligenza artificiale nell’organizzazione e nella gestione del rapporto di lavoro garantisce l’osservanza dei diritti inviolabili del lavoratore senza discriminazioni”, un principio che può essere esteso alla tutela contro pratiche che, come il workslop, trasferiscono indebitamente oneri cognitivi tra colleghi.

8. Framework Operativo per la Mitigazione

8.1 Raccomandazioni per i Dipendenti

La ricerca identifica tre principi fondamentali per l’uso responsabile dell’AI da parte dei singoli lavoratori:

Valutazione critica preventiva: Prima di usare l’AI, chiedersi “È l’AI il modo migliore per svolgere questo compito?”. La ricerca suggerisce che molti utenti saltano questa domanda fondamentale. Se non si è in grado di spiegare o difendere l’output, non usarlo.
Verifica e editing attivo: Lavorare con l’output AI come un editor: verificare i fatti, testare il codice, adattare l’output al contesto e al pubblico specifico.
Trasparenza comunicativa: Quando la posta in gioco è alta, essere trasparenti su come si è usata l’AI e cosa si è verificato, per segnalare rigore ed evitare di essere percepiti come incompetenti o inaffidabili.

8.2 Raccomandazioni per le Organizzazioni

Per le organizzazioni, il framework si articola in quattro aree di intervento:

Governance e Policy: Investire in governance, AI literacy e competenze di collaborazione uomo-AI. Fornire ai dipendenti linee guida chiare e guardrail sull’uso efficace, specificando quando l’AI è appropriata e quando non lo è. Poiché il workslop deriva da come le persone usano l’AI — non come conseguenza inevitabile degli strumenti — la governance funziona solo quando modella i comportamenti quotidiani.

AI Literacy: Colmare il gap di alfabetizzazione AI. La ricerca mostra che l’AI literacy e la formazione sono associate a un engagement più critico con l’AI e a meno errori, eppure meno della metà dei dipendenti dichiara di aver ricevuto formazione o orientamento sulle policy.

Mindset “Pilota”: Coltivare un “pilot mindset” — un approccio proattivo e ottimista che usa l’AI per potenziare la creatività piuttosto che per evitare il lavoro. La ricerca BetterUp distingue tra “piloti” (che usano l’AI il 75% in più, principalmente per aumentare la creatività) e “passeggeri” (che la usano passivamente come scorciatoia).

Impegno sulla Qualità: Ciò che riduce il workslop è “l’impegno di un team per la qualità del task”, secondo Jeffrey Hancock. I team dovrebbero dedicare tempo a discutere tra loro di come usano l’AI e a criticare le migliori applicazioni per le loro esigenze.

9. Scenari Futuri a Breve Termine (2025-2027)

9.1 Evoluzione Tecnologica

L’evoluzione dei modelli AI verso maggiore accuratezza e minor tendenza alle allucinazioni potrebbe paradossalmente esacerbare il problema del workslop. Come sottolineato dal report MIT, il vero collo di bottiglia non è la qualità dei modelli ma il “learning gap” tra strumenti e flussi di lavoro aziendali. Modelli più capaci potrebbero aumentare la tentazione di delegare senza supervisione, amplificando il transfer del carico cognitivo.

9.2 Pressioni Competitive e Regolamentari

Si prevede un’intensificazione delle pressioni competitive per l’adozione dell’AI, accompagnata da crescenti requisiti regolamentari europei. L’implementazione dell’AI Act nel 2025-2026 introdurrà nuovi obblighi di trasparenza e accountability che potrebbero fungere da contrappeso alle spinte verso l’automazione acritica.

9.3 Emergere di Nuove Figure Professionali

È plausibile l’emergere di nuovi ruoli professionali dedicati alla governance AI e alla quality assurance del contenuto generato. Come evidenziato da Insider, “ingegneri software esperti stanno ora facendo debugging di codice, graphic designer stanno rendendo le immagini AI qualcosa che gli umani vogliono effettivamente vedere, e scrittori stanno editando le parole che i large language model producono”.

9.4 Shift Culturale

A medio termine potrebbe verificarsi uno shift culturale verso una maggiore valorizzazione del contenuto autenticamente umano, analogamente a quanto avvenuto per altri prodotti artigianali in risposta all’industrializzazione. Scientific American nota che “la produzione di nuovi tipi di slop amplia i punti di accesso, permettendo a più persone di partecipare — proprio come Internet e i social media hanno generato spazzatura ma anche nuovi tipi di creatori.”

10. Conclusioni e Implicazioni per il Contesto Italiano

Il fenomeno del workslop rappresenta una manifestazione critica del paradosso dell’automazione: strumenti AI sempre più potenti richiedono paradossalmente competenze umane sempre più sofisticate per essere governati e integrati efficacemente. Questo paradosso è particolarmente rilevante per il tessuto produttivo italiano, caratterizzato da PMI con risorse limitate per la governance AI ma potenzialmente esposto a pressioni competitive per l’adozione tecnologica.

La ricerca empirica dimostra che il successo nell’implementazione dell’AI dipende più dalla riprogettazione dei flussi di lavoro che dalla semplice sovrapposizione tecnologica. Le organizzazioni ad alte prestazioni hanno probabilità tre volte maggiore di riprogettare i processi piuttosto che aggiungere semplicemente l’AI ai flussi esistenti.

Per il contesto italiano, le implicazioni chiave includono:

Prioritizzare l’AI literacy: Investire nella formazione prima dell’implementazione tecnologica
Sviluppare framework di governance: Adottare linee guida chiare sull’uso appropriato dell’AI
Monitorare gli impatti interpersonali: Prestare attenzione agli effetti sulla fiducia e collaborazione tra colleghi
Valorizzare le competenze umane: Riconoscere che l’orchestrazione umana, non solo l’avanzamento tecnico dell’AI, rappresenta il vero differenziatore competitivo

Bibliografia e Sitografia

Articoli Scientifici e Report di Ricerca

Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K., & Hancock, J. T. (2025). AI-Generated “Workslop” Is Destroying Productivity. Harvard Business Review. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
Challapally, A. et al. (2025). The GenAI Divide: State of AI in Business 2025. MIT NANDA (MIT) – Project NANDA. https://github.com/nandapapers
UC Berkeley & Cornell University (2025). [Studio su AI e produzione accademica]. Science.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676-688.
Ahmad, S. F. et al. (2023). Impact of artificial intelligence on human loss in decision making, laziness and safety in education. Humanities and Social Sciences Communications, 10(1), 1-14.

Fonti Normative

Regolamento (UE) 2024/1689 del Parlamento Europeo e del Consiglio (AI Act). Gazzetta Ufficiale dell’Unione Europea, L 202401689.
Legge 23 settembre 2025, n. 132. Disposizioni in materia di intelligenza artificiale. Gazzetta Ufficiale della Repubblica Italiana.
ISO/IEC 42001:2023. Information technology — Artificial intelligence — Management system.
ISO/IEC 22989:2022. Information technology — Artificial intelligence — Concepts and terminology.

Articoli Giornalistici e Fonti Web

Risorse Istituzionali e Piattaforme

Nota Metodologica

Questo report è stato elaborato attraverso una ricerca sistematica condotta nel dicembre 2025, integrando fonti accademiche peer-reviewed, report di ricerca istituzionali, documentazione normativa e copertura giornalistica autorevole. Le fonti primarie includono lo studio originale BetterUp-Stanford pubblicato su Harvard Business Review, il report MIT NANDA (MIT) “The GenAI Divide”, e lo studio sulla produzione scientifica AI pubblicato su Science.

La metodologia ha privilegiato fonti con trasparenza metodologica documentata, dati quantitativi verificabili e rilevanza per il contesto italiano ed europeo. Le informazioni normative sono state verificate sui testi ufficiali dell’AI Act e della Legge 132/2025.

L’immagine è stata realizzata da Gemini con il prompt: Crea un’immagine, senza testo sul concetto “il fenomeno del workslop”.