💻 computer science

The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks

Attraverso tre studi preregistrati che hanno coinvolto 2.691 partecipanti, questo articolo rivela che le persone fanno affidamento in modo frequente e inefficiente sull'intelligenza artificiale per compiti semplici a causa di una doppia miscalibrazione in cui sottostimano il proprio utilizzo mentre sovrastimano i risparmi di tempo e sforzo, un pregiudizio che viene ulteriormente rafforzato da un effetto di carryover a livello di sessione.

Autori originali: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

Pubblicato 2026-05-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

L'idea principale: Il "trucco magico" che non è magia

Immagina di dover attraversare un fiume. Vedi un ponte (fare il compito da soli) e un tappeto volante magico (usare l'IA). La maggior parte delle persone presume che il tappeto volante sia sempre più veloce e facile. Pensano: "Salgo sul tappeto; mi farà risparmiare tempo ed energia!"

Questo documento è come un gruppo di ricercatori che ha deciso di cronometrare effettivamente il viaggio. Hanno scoperto una verità sorprendente: Su viaggi semplici e brevi, il tappeto volante spesso impiega più tempo rispetto al camminare, e le persone sono completamente ingannate a pensare che sia una scorciatoia.

I ricercatori chiamano questo l'"Illusione del guadagno di efficienza". È una trappola mentale in cui sovrastimiamo quanto l'IA ci aiuti e sottostimiamo quanto spesso la usiamo effettivamente, anche quando è una cattiva idea.

I tre esperimenti (La storia finora)

I ricercatori hanno condotto tre grandi studi con quasi 3.000 persone per capire perché continuiamo a salire sul "tappeto volante" anche quando ci rallenta.

Studio 1: La bugia "Non lo farò"

L'impostazione: Hanno chiesto alle persone due cose:

"Se dovessi fare un compito semplice (come sommare due numeri), useresti l'IA?"
Poi, hanno fatto effettivamente fare le persone i compiti e hanno osservato cosa facevano.

La scoperta: Le persone sono terribili nel prevedere le proprie abitudini.

La previsione: Le persone hanno detto: "Oh, userei l'IA forse solo il 20% delle volte per cose facili. Posso gestirlo da solo."
La realtà: Quando hanno effettivamente fatto i compiti, le persone hanno usato l'IA il 38% delle volte.
L'analogia: È come qualcuno che dice: "Non sono un tossicodipendente di zucchero, mangerò solo un biscotto". Ma quando il barattolo dei biscotti è proprio lì, ne mangiano tre. Dichiariamo di essere indipendenti, ma quando il pulsante dell'IA è proprio davanti a noi, lo premiamo molto più spesso di quanto ammettiamo che faremmo.

Studio 2: Il guasto del "tachimetro"

L'impostazione: Hanno chiesto alle persone di indovinare quanto tempo avrebbe richiesto un compito con l'IA rispetto a senza. Poi, hanno cronometrato i risultati effettivi.

La scoperta: Le persone hanno un tachimetro rotto nella loro testa.

L'illusione: Le persone hanno previsto che l'IA avrebbe loro risparmiato circa 56 secondi su un compito.
La realtà: L'IA in realtà ha loro risparmiato solo 7,5 secondi. In effetti, per compiti molto semplici (come "Di che colore è il bianco mescolato al nero?"), usare l'IA ha reso il compito più lento di circa 10 secondi.
Perché? L'"attrito" dell'uso dell'IA è troppo alto per lavori semplici. Devi:
1. Digitare il prompt.
2. Attendere che l'IA pensi.
3. Leggere la risposta.
4. Copiarla e incollarla.
- L'analogia: Immagina di dover camminare fino alla cassetta delle lettere del vicino. Decidi di guidare la tua auto invece. Devi camminare fino all'auto, accendere il motore, guidare un isolato, parcheggiare e camminare di nuovo indietro. L'auto (IA) è potente, ma per una camminata di 10 secondi, l'auto è uno spreco enorme di tempo. Eppure, pensiamo che l'auto sia uno strumento di "super-velocità".

Studio 3: L'"effetto valanga"

L'impostazione: Hanno diviso le persone in due gruppi. Un gruppo ha fatto i primi compiti usando l'IA. L'altro gruppo li ha fatti da solo. Poi, hanno dato a tutti nuovi compiti e hanno visto cosa hanno scelto.

La scoperta: Usare l'IA una volta rende più probabile che tu la usi di nuovo, anche se è una cattiva idea.

L'effetto: Le persone che hanno usato l'IA all'inizio erano molto più propense a usarla di nuovo sui prossimi compiti semplici.
La trappola: Non solo l'hanno usata di più, ma sono diventate anche più convinte che l'IA fosse più veloce, anche se i dati mostravano il contrario.
L'analogia: È come provare un nuovo controller per videogiochi. Se lo usi per il primo livello, ti abitui a tenerlo in mano. Anche se il vecchio controller era effettivamente migliore per il livello successivo, continui a usare il nuovo perché lo stai già tenendo. Ti convinci: "Questo nuovo controller deve essere più veloce", anche se sei semplicemente più lento. Questo crea un ciclo in cui ci ritroviamo bloccati a fare affidamento sull'IA, credendo che aiuti, mentre in realtà ci rende meno efficienti.

I due errori principali che commettiamo

Il documento identifica due modi specifici in cui i nostri cervelli vengono ingannati:

Il punto cieco "Non lo userò": Pensiamo di essere razionali e useremo l'IA solo per cose difficili. Ma in realtà, la usiamo anche per cose facili, spesso senza rendersi conto di quanto spesso lo facciamo.
L'allucinazione della "velocità magica": Immaginiamo che l'IA sia una spinta turbo che risolve istantaneamente i problemi. In realtà, per compiti semplici, il tempo necessario per parlare con l'IA (digitare, attendere, leggere) è più lungo rispetto al fare semplicemente il calcolo o scrivere la frase da soli.

La conclusione fondamentale

Il documento conclude che siamo bloccati in un ciclo di feedback di eccessiva dipendenza.

Usiamo l'IA troppo spesso su compiti semplici.
Pensiamo che ci faccia risparmiare tempo (non lo fa).
Perché pensiamo che ci faccia risparmiare tempo, la usiamo di nuovo.
Questo ci rende peggiori nel fare le cose da soli e ci mantiene intrappolati nell'illusione che l'IA sia una scorciatoia magica, anche quando è solo una deviazione.

I ricercatori suggeriscono che per risolvere questo problema, dobbiamo renderci conto che fare le cose da soli non è sempre l'opzione "difficile". A volte, il pulsante "facile" (IA) è in realtà il modo difficile di procedere per lavori semplici.

Sintesi Tecnica: L'Illusione del Guadagno di Efficienza nei Compiti Semplici Assistiti dall'IA

Enunciato del Problema

Mentre i Modelli Linguistici di Grande Dimensione (LLM) diventano onnipresenti per compiti che vanno dalla programmazione ai consigli personali, una narrazione prevalente suggerisce che essi aumentino drasticamente la produttività. Tuttavia, evidenze emergenti indicano che l'assistenza dell'IA non risparmia sempre tempo o sforzo. Questo documento indaga i meccanismi decisionali alla base della dipendenza umana dall'IA per compiti cognitivamente semplici (ad esempio, aritmetica, controllo ortografico, richiamo fattuale). Nello specifico, esamina se gli utenti calibrino accuratamente la propria dipendenza dall'IA e se i loro modelli di utilizzo siano allineati al principio della razionalità delle risorse—delegando compiti solo quando i costi cognitivi interni superano i costi del supporto esterno. Il problema centrale è la potenziale esistenza di miscalibrazioni sistematiche in cui gli utenti sovrastimano i guadagni di efficienza dell'IA, portando a un utilizzo inefficiente anche per compiti che possono essere completati rapidamente senza assistenza.

Metodologia

Gli autori hanno condotto tre studi su larga scala, preregistrati, con un campione totale di $N = 2.691$ partecipanti reclutati tramite Prolific. Gli studi hanno utilizzato un disegno tra soggetti per evitare dissonanza cognitiva e bias di carry-over che influenzano le preferenze auto-dichiarate.

Costruzione dei Compiti: I ricercatori hanno elaborato 24 compiti derivati dalla Tassonomia dei Bisogni e delle Azioni degli Utenti (TUNA), coprendo quattro categorie: Ricerca di Informazioni, Elaborazione di Informazioni, Guida Procedurale e Creazione di Contenuti. Ogni compito aveva varianti "facili" e "difficili", tutte progettate per essere completate in meno di cinque minuti in modo indipendente.
Studio 1 (Miscalibrazione delle Stime Personali): I partecipanti hanno completato quattro compiti con la possibilità di utilizzare un chatbot IA (GPT-4o). La loro effettiva scelta comportamentale di utilizzare l'IA è stata confrontata con un "tasso previsto" derivato da un campione separato di partecipanti che hanno dichiarato la loro preferenza per il completamento indipendente rispetto a quello assistito dall'IA.
Studio 2 (Illusioni del Guadagno di Efficienza): Questo studio ha confrontato tempi e sforzi previsti rispetto a quelli effettivi.
- Campione di Previsione ( $N=600$ ): I partecipanti hanno previsto il tempo e lo sforzo mentale (misurato tramite la scala NASA-TLX) richiesti per il completamento indipendente rispetto al completamento con l'IA o con un altro partecipante umano.
- Campione di Completamento ( $N=1.001$ ): I partecipanti sono stati assegnati casualmente a completare i compiti in modo indipendente o con l'IA. I tempi di completamento effettivi sono stati registrati tramite timer nascosti e lo sforzo è stato auto-dichiarato.
Studio 3 (Effetti di Carry-over): I partecipanti hanno subito una "fase di esposizione" in cui hanno completato due compiti, indipendentemente o con l'IA (variando in base alla difficoltà). Successivamente sono entrati in una "fase di test" per misurare i tassi di adozione dell'IA successivi e la loro calibrazione riguardo ai risparmi di tempo/sforzo.

Contributi e Risultati Chiave

1. Miscalibrazione delle Stime Personali

Lo studio ha identificato un divario significativo tra l'utilizzo previsto e quello effettivo dell'IA.

Risultato: Il tasso effettivo di utilizzo dell'IA a livello di popolazione è stato del 47%, significativamente superiore al tasso previsto del 33%.
Sfumatura: Questa miscalibrazione è stata più pronunciata per le varianti di compiti facili. I partecipanti hanno previsto un tasso di utilizzo del 20% per i compiti facili, ma hanno effettivamente utilizzato l'IA il 38% delle volte. Per i compiti difficili, il divario è stato più piccolo (46% previsto contro 57% effettivo).
Implicazione: Le persone sottostimano sistematicamente la propria propensione a fare affidamento sull'IA per compiti semplici, anche quando affermano di preferire lavorare in modo indipendente.

2. Illusioni del Guadagno di Efficienza

I partecipanti hanno nutrito credenze distorte sui benefici dell'IA, definite "illusioni del guadagno di efficienza".

Illusione di Accelerazione: I partecipanti hanno previsto che l'IA avrebbe risparmiato una media di 55,7 secondi per compito. In realtà, l'assistenza dell'IA ha risparmiato solo 7,5 secondi in media. Per i compiti facili, l'IA ha effettivamente rallentato il completamento di 10 secondi rispetto al lavoro indipendente a causa dell'attrito dell'interfaccia (prompting, generazione della risposta e elaborazione).
Illusione di Esternalizzazione: I partecipanti hanno sovrastimato lo sforzo mentale richiesto per completare i compiti in modo indipendente (previsto 2,66 contro effettivo 2,36 su una scala NASA-TLX a 7 punti), mentre hanno stimato accuratamente il basso sforzo dell'utilizzo dell'IA. Ciò ha portato a una sovrastima dei risparmi di sforzo.
Specificità dell'IA: Queste illusioni erano specifiche dell'IA. Quando i partecipanti hanno previsto l'assistenza di un altro essere umano, i risparmi di tempo attesi erano significativamente inferiori a quelli previsti per l'IA, indicando un pregiudizio unico verso l'efficienza dell'IA.

3. Il Ciclo di Feedback della Sovra-dipendenza

Lo Studio 3 ha dimostrato che la precedente esposizione all'IA esacerba la miscalibrazione e aumenta la futura dipendenza.

Effetto Carry-over: I partecipanti che hanno utilizzato l'IA durante la fase di esposizione avevano una probabilità significativamente maggiore di utilizzare l'IA nella fase di test successiva (44,5%) rispetto a coloro che hanno completato i compiti in modo indipendente (27,7%).
Rafforzamento del Pregiudizio: L'esposizione all'IA non ha corretto le credenze degli utenti; al contrario, ha aumentato il loro accordo con l'"illusione di accelerazione" (la convinzione che i compiti siano più veloci con l'IA).
L'Inefficienza Persiste: Anche dopo l'esposizione, coloro che hanno scelto l'IA nella fase di test hanno impiegato più tempo (7,06 secondi in più) e hanno riferito uno sforzo maggiore rispetto a coloro che hanno lavorato in modo indipendente.

Significato e Affermazioni

Il documento afferma di fornire prove di specifici bias cognitivi nell'interazione uomo-IA che mettono in discussione la narrazione dell'efficienza guidata dall'IA.

Meccanismo della Sovra-dipendenza: Gli autori sostengono che l'"illusione del guadagno di efficienza" crea un ciclo di feedback. Gli utenti si abituano all'uso dell'IA perché credono che risparmi tempo, anche quando non lo fa. Poiché non sono consapevoli di questa miscalibrazione, mancano dello stimolo per cambiare il proprio comportamento.
Rischi Cognitivi: Lo studio evidenzia i rischi associati a questa sovra-dipendenza, tra cui la disabitudine cognitiva, la ridotta fiducia nella performance indipendente e le capacità di apprendimento compromesse.
Punto di Intervento: Gli autori suggeriscono che affrontare queste miscalibrazioni è un punto di intervento critico. Essi ipotizzano che la mera esposizione all'IA non migliori la calibrazione; piuttosto, sono necessari interventi a livello di credenza per incoraggiare il pensiero indipendente e promuovere un uso dell'IA più sano ed efficiente.
Razionalità delle Risorse: I risultati suggeriscono che le attuali interazioni uomo-IA violano spesso la razionalità delle risorse, poiché gli utenti delegano compiti a strumenti esterni anche quando i costi interni per eseguirli sono inferiori ai costi dell'utilizzo dello strumento.

Il documento conclude che, sebbene l'IA abbia il potenziale di essere una "compagna di pensiero", il suo attuale dispiegamento su compiti semplici è spesso controproducente a causa di modelli mentali distorti riguardo ai guadagni di efficienza.