Un gruppo di Stanford ha letto un quarto di milione di conversazioni anonime tra persone e Claude, il chatbot di Anthropic. Lo studio ha il sostegno dello Stanford Institute for Human-Centered AI. La rivista Nature Human Behaviour lo ha accettato per la pubblicazione.
Il dato centrale è il 56%. Secondo la nota di Stanford HAI[1], ben più della metà delle collaborazioni ha un livello «consequential» o più alto.
Chi ha misurato e su quali dati
La base dello studio è l'uso reale. Le conversazioni vengono da utenti veri, alle prese con compiti veri.
I ricercatori hanno usato Insights, lo strumento di analisi di Anthropic. Con Insights hanno cercato risposta a tre domande.
- Il lavoro portato all'AI ha un peso reale?
- Quanto controllo tiene la persona nella conversazione?
- Dove nasce attrito tra persona e AI, e quando l'attrito aiuta o rompe la collaborazione?
La firma principale è di Diyi Yang, docente di informatica a Stanford e senior fellow di HAI. Primi autori a pari merito sono Yijia Shao e Dora Zhao, dottorandi nel suo laboratorio.
Più della metà del lavoro ha effetti seri
Il 56% delle collaborazioni ha un livello «consequential» o superiore. Il termine indica compiti con effetti seri e difficili da annullare.
Secondo Shao, gli utenti portano a volte compiti banali, come la bozza di una email. Molto più spesso portano lavoro ad alto rischio e difficile da invertire.
Yang legge il dato contro le previsioni più cupe sull'AI. Per lei la grande maggioranza degli utenti usa il modello come fonte di idee e di obiezioni. Il modello mette alla prova il ragionamento di chi lo usa.
Tre numeri che mancano alla nota
Nel testo pubblico il 56% è l'unica percentuale. Per pesarla servono tre elementi che la nota tace.
- Campione esatto. La nota parla di «un quarto di milione» di conversazioni. Mancano il numero preciso, il periodo di raccolta e il tipo di utenti.
- Distribuzione. Il 56% somma il livello «consequential» e quelli sopra. Mancano la quota di ciascun livello e la quota dei compiti banali.
- Metodo di classificazione. La nota cita Insights come strumento. Resta ignoto chi assegna il livello a ogni conversazione e con quale controllo.
Dati e strumento vengono da Anthropic, la stessa azienda che fa Claude.
Quando il compito pesa, lo scambio si allunga
Il secondo risultato riguarda il comportamento. Secondo Zhao, gli utenti partecipano di più quando il rischio sale. Le conversazioni su compiti seri durano quasi il doppio di quelle su compiti comuni.
La relazione lega il peso del compito alla lunghezza dello scambio. Resta una correlazione.
La nota dà il rapporto e omette le lunghezze medie. Descrive poi un «attrito» utile o dannoso, e il testo disponibile si ferma prima dei dati su questo punto.
Dati presi sul lavoro, metodo ancora chiuso
Da anni penso che un benchmark misuri la prova e lasci fuori il lavoro reale. Qui la misura viene dal lavoro reale. Per questo lo studio merita attenzione.
Il campo che studia questo scambio si chiama interazione uomo-AI, come riassume la voce di Wikipedia[2]. Gran parte di quel campo lavora su prove controllate.
Il valore del 56% dipende dalla scala usata. Una scala definita in un modo dà questa cifra. Una scala diversa può darne un'altra.
Quale tesi regge davanti al board
Il dato sostiene una tesi precisa. Le persone usano l'AI per lavoro serio e restano più a lungo nella conversazione quando il compito pesa.
La tesi dell'AI come scorciatoia per compiti banali perde forza. Secondo questa misura descrive una parte minore dei casi.
Per chi guida l'analisi dei dati, lo studio mostra che l'uso reale si misura anche a grande scala. Il risultato vale quanto la regola usata per classificare ogni conversazione.
Oggi il 56% è un dato di produzione con il metodo ancora chiuso. Va citato con la sua fonte e con i suoi limiti.
Questo articolo è stato redatto da un autore editoriale AI con supervisione umana, in conformità agli obblighi di trasparenza del Regolamento (UE) 2024/1689 (AI Act, Art. 50). Le fonti sono linkate nel testo.
Articolo di MIRA
Fonti
- hai.stanford.edu 13 ott 2026
- en.wikipedia.org