Adozione agenti AI: come gestire la resistenza dei dipendenti

Il progetto tecnico funziona: l’agente è in produzione, i test passano, l’integrazione con il gestionale regge. Poi passano sei settimane e i log dicono che lo usano in quattro. È lo scenario più comune, e più costoso, dei progetti di adozione agenti AI dipendenti: non fallisce la tecnologia, si ferma l’organizzazione. Lo studio Kyndryl ripreso da HR Dive ha fotografato il divario con due numeri che stanno bene insieme: il 95% dei dirigenti ha investito in AI, ma solo il 14% ha allineato forza lavoro, tecnologia e obiettivi di crescita. Nella stessa rilevazione, il 45% dei CEO dichiara che la maggior parte dei dipendenti è «resistente o apertamente ostile» verso l’AI.

La reazione istintiva è trattare quella resistenza come un problema di comunicazione: una mail del CEO, una demo entusiasta, un webinar. Funziona raramente, perché parte da un presupposto sbagliato, che chi resiste non abbia capito. La ricerca più recente dice l’opposto: chi resiste ha capito benissimo, e sta segnalando qualcosa di preciso. Questo articolo prende sul serio i tre pattern con cui la resistenza si manifesta davvero, indica i segnali osservabili di ciascuno e spiega perché l’accompagnamento al cambio culturale è parte del servizio, non un extra da comprare dopo il go-live.

In questo articolo scoprirai:

• Perché l’adozione degli agenti AI si blocca sulle persone e non sulla tecnologia
• Cosa dice davvero l’Anthropic Economic Index su potenziamento e sostituzione
• Primo pattern: la paura di essere sostituiti, e perché non è irrazionale
• Secondo pattern: la sfiducia negli output dell’agente e il costo della doppia verifica
• Terzo pattern: il sovraccarico di prompt e la fatica di diventare un altro mestiere
• Shadow AI: quando la resistenza si trasforma in uso clandestino
• I segnali da monitorare e la metrica di adozione che nessuno possiede
• Cosa aggiunge un partner: workshop, AI literacy obbligatoria e proprietà del risultato

Perché l’adozione degli agenti AI si blocca sulle persone e non sulla tecnologia

I numeri che circolano raccontano una forbice che si allarga, e conviene leggerli per quello che sono: sintesi di ricerche di mercato, non rilevazioni dirette. Secondo i dati raccolti e rielaborati da Morfex sulle indagini di adozione enterprise, l’88% delle organizzazioni usa l’AI in almeno una funzione aziendale, ma solo il 23% sta scalando gli agenti oltre la fase pilota. La ricerca di Harvard Business School stima che il 30% dei progetti di AI generativa verrà abbandonato, e individua la causa principale non nei costi, ma nel rifiuto silenzioso da parte delle stesse persone che dovrebbero beneficiarne.

«Rifiuto silenzioso» è l’espressione chiave. Nessuno scrive una mail per dire che non userà l’agente. Semplicemente continua a fare come prima, apre l’agente quando passa il responsabile, e torna al foglio Excel. Il progetto risulta consegnato, la dashboard mostra licenze attive, e il valore non arriva mai. È una forma di fallimento particolarmente insidiosa perché non produce conflitto: produce silenzio, e il silenzio in una dashboard sembra normalità.

Adozione degli agenti AI a due velocità: chi decolla e chi resta all’icona

Dall’altra parte, dove l’adozione decolla, decolla in modo netto. L’Agentic Enterprise Index 2026 di Salesforce, che leggiamo qui nella sintesi giornalistica di ChannelTech e non nel documento originale, registra un numero medio di agenti attivati per azienda cresciuto di quasi tre volte in un anno, competenze per agente passate da 2 a 6 dall’inizio del 2025, e un’interazione settimanale dei dipendenti con gli agenti aumentata del 300%. Non esiste una via di mezzo statistica: o l’agente entra nel modo di lavorare quotidiano, o resta un’icona.

Come si prepara un team prima del rilascio, chi coinvolgere, in che ordine, con quali passaggi, è il metodo di change management che abbiamo già trattato nella guida al change management per agenti AI e, sul lato più operativo, in come far accettare gli agenti al team. Qui il tema è un altro: come si riconosce la resistenza mentre sta accadendo, pattern per pattern, e con quali numeri la si misura.

Cosa dice davvero l’Anthropic Economic Index su potenziamento e sostituzione

L’argomento più usato per rassicurare i team è l’Anthropic Economic Index, il rapporto con cui Anthropic analizza milioni di conversazioni reali per capire come l’AI viene effettivamente usata. La sintesi che circola è confortante: l’AI potenzia più di quanto sostituisca, perché sulla piattaforma consumer l’augmentation, la persona che lavora insieme al modello, ha superato l’automazione, arrivando al 52% delle conversazioni contro il 45%.

Il problema è che quel dato, preso da solo, non è l’argomento che si crede. Nello stesso corpo di ricerca, l’uso via API in contesto enterprise è storicamente dominato dall’automazione, con quote intorno al 75%: l’azienda fornisce il contesto, il modello esegue, l’output finisce a valle senza che una persona lo tocchi. Il report di marzo 2026 segnala un calo netto dell’automazione nei dati API, ma la direzione di fondo resta: la modalità che il dipendente vede in azienda non è la stessa che il dato consumer descrive. Chi teme di essere sostituito non sta ignorando i numeri: sta guardando i numeri che riguardano il suo caso.

Perché dire «l’AI ti potenzia» non basta a convincere il team

Un team che ha visto arrivare un agente per la classificazione delle email o per l’elaborazione delle fatture, due dei casi enterprise più frequenti, non viene rassicurato da una statistica sulle conversazioni dei consumatori. Viene rassicurato dalla risposta a una domanda diversa e molto più concreta: cosa resta mio, dopo. Se la risposta è vaga, la persona la costruisce da sola, e la costruisce al ribasso.

Lo stesso report di marzo 2026 offre però un dato che vale come argomento vero, perché parla di competenza e non di rassicurazione: gli utenti con almeno sei mesi di utilizzo mostrano un tasso di successo superiore di 4 punti percentuali rispetto ai nuovi, anche a parità di condizioni. E la complessità di ciò che chiedono cresce con l’esperienza: gli anni di istruzione necessari a comprendere il prompt umano aumentano di quasi un anno per ogni anno aggiuntivo di utilizzo. Tradotto: l’agente non rimpiazza la competenza, la premia. Ma la premia dopo mesi, non alla demo, e quei mesi vanno progettati, non sperati.

Primo pattern: la paura di essere sostituiti, e perché non è irrazionale

La ricerca di Harvard Business School firmata da Das Narayandas e Shunyuan Zhang smonta l’idea della paura come reazione emotiva. Gli agenti AI, scrivono, sono self-disruptive technologies: minacciano l’expertise di chi dovrebbe adottarli. E la minaccia si scompone in tre forme misurabili, non in un’ansia generica:

• Role compression: si riducono le responsabilità che davano significato al ruolo, e resta la parte residuale.
• Control shift: la discrezionalità decisionale passa all’algoritmo, e la persona diventa un passaggio di conferma.
• Span erosion: si assottiglia l’influenza su persone, budget e processi, cioè il perimetro reale del potere organizzativo.

Nessuna delle tre è una fantasia: sono conseguenze ordinarie di un’automazione progettata senza guardare l’organigramma. E i sondaggi confermano che la percezione è diffusa. SHRM raccoglie i dati Pew secondo cui il 52% dei lavoratori statunitensi è preoccupato per l’impatto dell’AI sul proprio lavoro, e un dato Microsoft-LinkedIn ancora più rivelatore: il 53% di chi già usa l’AI al lavoro teme che ammettere di usarla per compiti importanti lo renda sostituibile. È la paura che genera il comportamento peggiore possibile per l’azienda: usare l’agente e non dirlo.

I segnali della paura di sostituzione nei primi 60 giorni

Questo pattern non si annuncia mai a parole. Si osserva. I segnali affidabili sono quattro: le domande che in riunione riguardano solo il perimetro del ruolo («allora questo lo decide il sistema?») e mai il funzionamento; la richiesta insistente di documentare per iscritto chi resta responsabile in caso di errore; l’aumento improvviso di attività manuali ridondanti, cioè persone che rifanno a mano ciò che l’agente ha già fatto per dimostrare di servire ancora; e la partecipazione formale ma muta ai workshop.

La risposta operativa che HBS raccomanda non è comunicativa, è strutturale: recharter dei ruoli, riscrivere esplicitamente quali giudizi restano umani, capacità di override sulle decisioni dell’agente, percorsi di ricollocazione credibili e sponsorship visibile della leadership. Vanno usati insieme: applicarne uno solo, secondo gli autori, non produce effetto. E vanno decisi prima del rilascio, quando ridefinire un ruolo è ancora un atto di progettazione e non un rimedio a una crisi. È la ragione per cui, in una guida pratica all’onboarding degli agenti AI, la mappatura dei ruoli precede sempre la configurazione tecnica.

Secondo pattern: la sfiducia negli output dell’agente e il costo della doppia verifica

Il secondo pattern è più silenzioso e, sul conto economico, spesso più caro del primo. La persona usa l’agente, ma non si fida del risultato: quindi lo ricontrolla. Ogni volta, per intero. Il tempo risparmiato dall’automazione viene interamente riassorbito dalla verifica, e alla fine del trimestre il ROI è negativo pur con adozione al 100%. Un agente usato e ricontrollato costa più del processo manuale, perché ci si pagano entrambi: è il caso da manuale di quando l’AI generativa non genera ROI e il problema non è la tecnologia.

L’analisi di Kognitos individua la radice nell’opacità: quando un processo automatizzato fallisce, l’esperto di business non ha modo di capire perché. E in assenza di spiegazione, l’unica strategia razionale disponibile è la sfiducia sistematica. Chiamarla «resistenza al cambiamento» è un errore diagnostico: è una risposta perfettamente sensata a uno strumento che non rende conto di sé.

Come si misura la fiducia in un agente AI: tasso di override e doppia verifica

La fiducia sembra impalpabile, ma ha almeno due proxy misurabili fin dalla prima settimana. Il tasso di override, quante volte l’operatore modifica o scarta l’output, e il tasso di doppia verifica, cioè quante volte apre comunque la fonte originale dopo aver letto la risposta dell’agente. Un override alto all’inizio è fisiologico e sano. Un override che dopo otto settimane non scende racconta due cose diverse: o l’agente sbaglia davvero, e allora è un problema di dati e di prompt di sistema; oppure l’agente ha ragione ma non riesce a dimostrarlo, e allora è un problema di tracciabilità.

La cura è la stessa in entrambi i casi ed è tecnica, non motivazionale: mostrare le fonti su cui l’agente ha lavorato, rendere ispezionabile il percorso decisionale, definire in anticipo i casi in cui l’agente deve fermarsi e passare la mano. Sono i presidi di supervisione che abbiamo descritto parlando di guardrail e controllo degli agenti in azienda, e che rientrano a pieno titolo nella governance degli agenti AI. Un agente che cita le fonti si guadagna la fiducia in poche settimane; uno che risponde e basta la chiede in prestito ogni giorno.

Terzo pattern: il sovraccarico di prompt e la fatica di diventare un altro mestiere

Il terzo pattern è quello che nessuno mette a verbale, perché ammetterlo somiglia a un’ammissione di incapacità. La formulazione più onesta l’ha scritta Kognitos: quando presenti a un esperto di finanza o di HR uno strumento che richiede competenze da sviluppatore, non lo stai potenziando: gli stai chiedendo di diventare un professionista diverso. Una responsabile amministrativa con quindici anni di esperienza non ha nessun desiderio di diventare mediocre in un mestiere nuovo per essere brava in quello vecchio.

Il fenomeno ha una controparte nei dati. Il report di Anthropic di marzo 2026 mostra che la complessità dei prompt cresce con l’esperienza, quasi un anno di scolarità equivalente in più per ogni anno di utilizzo, il che significa che gli utenti esperti ottengono di più perché chiedono meglio, non perché il modello sia migliorato per loro. Quella distanza fra chi sa chiedere e chi no è esattamente il punto in cui l’adozione si spacca in due: una minoranza che ottiene risultati spettacolari e una maggioranza convinta che «a me non risponde bene».

Prompt precostruiti invece di corsi generici sull’adozione degli agenti AI

La soluzione non è un corso generico di prompt engineering, che sposta la fatica senza ridurla. È eliminare la necessità di prompt creativo dove il processo è ripetitivo: prompt precostruiti per i casi d’uso reali del reparto, template validati, scorciatoie che partono dal lavoro e non dalla pagina bianca. La creatività va lasciata dove serve davvero, e per quella parte esiste il nostro approfondimento su come scrivere un prompt efficace. Ma se ogni fattura richiede un prompt inventato ogni volta, il problema non è la formazione: è che l’agente non è stato configurato per quel processo. Vale la pena ricordare, a monte di tutto, cosa un agente sa e non sa fare: la guida completa agli agenti AI serve a costruire aspettative corrette prima ancora del primo prompt.

Shadow AI: quando la resistenza si trasforma in uso clandestino

C’è un quarto comportamento che sembra l’opposto della resistenza e ne è invece la conseguenza diretta. Una ricerca di Sharp Europe su 2.500 imprenditori e dirigenti di aziende fra i 50 e i 250 dipendenti in dieci mercati europei, riportata da Security Open Lab, mostra che il 44% dei top manager europei usa l’AI senza comunicarlo ai colleghi e il 45% dei dipendenti adotta strumenti AI senza dichiararlo al management. Il motivo non è la pigrizia: il 33% teme di essere percepito come negligente o poco corretto, e un terzo dei dipendenti teme di apparire «pigro o disonesto».

È lo stesso meccanismo del 53% rilevato da Microsoft e LinkedIn, visto dall’altro lato. Quando l’azienda non chiarisce se usare l’AI sia merito o scorciatoia, la persona sceglie la strategia più prudente: la usa e tace. Il risultato è il peggiore dei mondi possibili. L’azienda perde visibilità sui processi reali, i dati aziendali finiscono su strumenti non censiti, con le conseguenze note su GDPR e sicurezza, e nessuno può misurare il valore prodotto perché il valore è, letteralmente, clandestino.

Perché una policy scritta non fa emergere la shadow AI

Molte organizzazioni hanno già una policy formale sull’uso dell’AI, e la ricerca Sharp è netta nel dire che la sua esistenza non garantisce la conformità. Il motivo è che la policy risponde alla domanda sbagliata. Dice cosa è vietato; non dice cosa succede a chi dichiara di usare l’AI per fare meglio il proprio lavoro. Finché la seconda risposta manca, dichiarare resta la scelta più rischiosa per l’individuo, anche quando è la migliore per l’azienda.

L’antidoto è sorprendentemente semplice e quasi mai applicato: rendere pubblico e riconosciuto l’uso dell’agente. Chi condivide un prompt che ha funzionato viene citato; chi trova un limite dell’agente viene ascoltato, non corretto. Serve un canale in cui il feedback sull’agente sia un contributo e non una lamentela, ed è una delle prime cose che un partner mette in piedi durante l’onboarding, come raccontiamo parlando dei primi 30 giorni con un agente AI.

I segnali da monitorare e la metrica di adozione che nessuno possiede

Quasi tutte le aziende misurano l’adozione con il numero di licenze attive. È la metrica più inutile che esista, perché una licenza attiva è compatibile con zero utilizzo, con l’utilizzo di facciata e con la doppia verifica sistematica. Un cruscotto onesto ne richiede almeno cinque, tutti osservabili nelle prime otto settimane:

• Utenti attivi settimanali sul totale degli abilitati, non utenti registrati: distingue chi lavora con l’agente da chi lo ha semplicemente installato.
• Tasso di override e sua curva nel tempo: la pendenza conta più del valore assoluto.
• Copertura dei processi: quanti dei casi d’uso previsti passano davvero dall’agente, e quali sono stati abbandonati in silenzio.
• Tempo al primo risultato utile per ogni nuovo utente: se supera la prima settimana, l’abbandono è quasi certo.
• Concentrazione dell’uso: se il 70% delle interazioni viene da tre persone, non hai adozione, hai tre entusiasti.

Chi possiede la metrica di adozione degli agenti AI

Questi numeri esistono quasi sempre nei log e quasi mai in una dashboard, per un motivo organizzativo: la metrica di adozione non ha un proprietario. L’IT possiede l’uptime, il business possiede il P&L, l’HR possiede il clima, e l’adozione, che sta in mezzo, resta di nessuno. Il confronto con i dati Salesforce è impietoso: un’interazione settimanale in crescita del 300% e agenti che passano da 2 a 6 competenze descrivono organizzazioni in cui qualcuno guarda quei numeri ogni settimana e agisce di conseguenza, come nei pattern che portano gli agenti in produzione. Assegnare la proprietà della metrica è, da solo, uno degli interventi a più alto ritorno dell’intero progetto, un tema che tocca da vicino anche la valutazione di readiness da fare prima di partire.

Cosa aggiunge un partner: workshop, AI literacy obbligatoria e proprietà del risultato

C’è infine un vincolo che rende tutto questo non facoltativo. L’articolo 4 dell’AI Act, applicabile dal 2 febbraio 2025, impone a fornitori e deployer di adottare misure per sviluppare l’alfabetizzazione in materia di IA del proprio personale, tenendo conto delle competenze tecniche, dell’esperienza e del contesto d’uso, oltre che delle persone su cui i sistemi hanno effetto. Non richiede un livello certificato per ogni individuo, ma richiede uno sforzo documentabile. Chi adotta agenti AI in Europa ha quindi un obbligo di formazione, non una buona intenzione: gli obblighi complessivi e le scadenze li abbiamo raccolti nella guida su cosa prevede l’AI Act e chi deve adeguarsi.

Workshop sui processi reali e proprietà della metrica di adozione

È qui che la differenza fra vendere un prodotto e offrire un servizio diventa concreta. In MIMIR l’accompagnamento al cambio culturale fa parte del progetto: workshop dedicati con i reparti che useranno l’agente, non una demo plenaria, ma sessioni sui processi reali di quel team, e la proprietà esplicita della metrica di adozione, che smette di essere di nessuno e diventa un impegno del partner insieme al referente interno. È lo stesso principio per cui riteniamo che la formazione sugli agenti AI non sia un modulo aggiuntivo ma parte dell’implementazione, e per cui la presenza dopo il go-live conta più di quella prima.

Nessuna di queste attività elimina la resistenza, e prometterlo sarebbe disonesto. Quello che fanno è più utile: la rendono visibile presto, quando ridefinire un ruolo, aggiungere un guardrail o riscrivere un prompt costa poche ore invece di un progetto. La resistenza non è il rumore da zittire prima di partire, è il primo segnale affidabile che il progetto ha di come funzionerà davvero.

Se state valutando l’introduzione di agenti AI e il dubbio non è tecnico ma riguarda le persone che dovranno usarli, è esattamente il momento giusto per parlarne: prima del deploy si progetta, dopo si rimedia. Su mimir.bot potete richiedere una consulenza e ragionare insieme sui vostri processi, sui ruoli coinvolti e su quali metriche di adozione ha senso mettere sotto osservazione fin dal primo giorno.

Fonti:

• Anthropic — Economic Index, report di marzo 2026
• Harvard Business School Working Knowledge — Why employees resist AI and how companies can win them over
• SHRM — How to engage employees on AI without triggering fear
• HR Dive — Employers say employees are resistant or hostile to AI (studio Kyndryl)
• Kognitos — AI resistance: perché i team non adottano l’automazione
• AI Act — Articolo 4, alfabetizzazione in materia di IA