IT 
EN 
La promessa e il paradosso
Negli ultimi tre anni, l’intelligenza artificiale generativa è entrata nella quotidianità lavorativa con una promessa semplice: liberare tempo, ridurre i compiti ripetitivi, potenziare le decisioni.
I dati sull’adozione confermano questa corsa: oltre metà della popolazione adulta statunitense utilizza oggi strumenti di AI in qualche forma. Eppure, mentre l’adozione cresce, un numero crescente di ricercatori sta documentando un effetto collaterale meno raccontato: le persone che lavorano a stretto contatto con l’AI riportano stanchezza cognitiva, difficoltà di concentrazione, irritabilità, sensazione di sovraccarico.
Il fenomeno ha ormai un nome riconosciuto in letteratura: AI fatigue.
In questo articolo ne ricostruiamo le basi scientifiche, distinguendo cosa sappiamo con buona evidenza da cosa è ancora ipotesi, e proviamo a tradurre la ricerca in implicazioni operative per chi si occupa di organizzazioni e persone.
Cos’è l’AI fatigue: dalla percezione diffusa a un costrutto misurabile
Fino a poco tempo fa, l’AI fatigue era soprattutto un termine giornalistico, usato per descrivere il disagio genericamente attribuito all’eccesso di strumenti digitali. Nel 2025 e nel 2026, il costrutto è stato progressivamente formalizzato dalla ricerca accademica.
Una revisione della letteratura pubblicata su *Quality in Sport* (Sosi?ski & Piasecka, 2026), basata su 22 studi condotti tra marzo 2025 e marzo 2026 su popolazioni professionali eterogenee (medici, professionisti IT, operai, impiegati), descrive l’AI fatigue come una condizione in cui i lavoratori si sentono stressati dalla tecnologia, sopraffatti dalla quantità di informazioni da gestire, in ansia rispetto alle capacità dell’AI e affaticati dal doversi adattare continuamente a nuovi sistemi.
Un contributo più concettuale (Ragolane & Patel, 2025) inquadra l’AI fatigue come un costrutto multidimensionale, che nasce dall’intreccio tra tecnostress, sovraccarico cognitivo ed esaurimento emotivo, distinguendolo dal burnout digitale più generico, pur riconoscendone le zone di sovrapposizione.
Il contributo più citato e mediaticamente rilevante, tuttavia, arriva da uno studio pubblicato su *Harvard Business Review* nel marzo 2026 (Bedard et al., 2026), condotto su 1.488 lavoratori statunitensi a tempo pieno. I ricercatori hanno definito un fenomeno specifico, che hanno chiamato “AI brain fry“: affaticamento mentale acuto causato da un uso o una supervisione dell’AI che eccedono la capacità cognitiva della persona.
I partecipanti che ne soffrono descrivono una sensazione di “ronzio” mentale, nebbia cognitiva, difficoltà a concentrarsi, mal di testa e un rallentamento percepito nella capacità decisionale. Nel campione complessivo, il 14% dei lavoratori che utilizza l’AI riporta questi sintomi in modo diretto; nei reparti marketing, storicamente più esposti a un uso intensivo e continuativo di strumenti generativi, la quota sale al 26%.
Un dato interessante emerso dallo stesso studio permette di evitare una lettura semplicistica: chi utilizza l’AI riporta, in media, **livelli di burnout inferiori** rispetto a chi non la utilizza. I ricercatori interpretano questa apparente contraddizione distinguendo due costrutti diversi: il burnout è un esaurimento emotivo e fisico che si accumula nel tempo, mentre il “brain fry” è un affaticamento cognitivo acuto, legato alla richiesta immediata di attenzione, memoria di lavoro e controllo esecutivo, risorse mentali con una capacità limitata nel breve periodo.
Le radici cognitive, perché il cervello si affatica con l’AI
Per capire perché l’uso dell’AI possa generare affaticamento anche quando “fa il lavoro al posto nostro”, è utile tornare a un modello teorico non recente ma tuttora robusto, la Cognitive Load Theory (Sweller, 1988).
Il modello parte da un presupposto semplice: la memoria di lavoro umana ha una capacità limitata. Quando le informazioni da elaborare simultaneamente superano questa soglia, le prestazioni cognitive non calano gradualmente, ma collassano in modo relativamente brusco.
Applicato al lavoro con l’AI, questo significa che ogni ciclo di prompting, lettura dell’output, valutazione della sua correttezza, eventuale correzione e ri-prompting rappresenta un carico cognitivo aggiuntivo (non sostitutivo) rispetto al compito originario. Un filone di ricerca più recente applicato al software engineering (studio su ingegneri che lavorano con AI assistiva, 2026) descrive concretamente questo meccanismo: quando un compito anche moderatamente complesso genera output AI estesi, con più varianti e opzioni alternative, il costo cognitivo non sta più nello scrivere la soluzione, ma nel valutare, filtrare e scegliere tra le opzioni proposte. Cicli ripetuti di valutazione e adattamento degli output aumentano l’affaticamento mentale e riducono la capacità creativa, anche quando i suggerimenti dell’AI sono tecnicamente corretti.
A questo si aggiunge il costo, ben documentato in letteratura sulla produttività digitale, del task-switching, il passaggio continuo tra strumenti AI diversi, o tra modalità “io scrivo” e “io supervisiono”, comporta un costo di riorientamento dell’attenzione che si somma nel corso della giornata lavorativa.
Una cornice più ampia: il technostress
L’AI fatigue non nasce dal nulla: si inserisce in un filone di studi consolidato sul technostress, il disagio psicologico generato dall’uso di tecnologie digitali sul lavoro.
Il modello di riferimento (Tarafdar & Ragu-Nathan, 2007) identifica cinque tecno-stressori distinti:
– techno-overload: la tecnologia costringe a lavorare più velocemente e più a lungo
– techno-complexity: la percezione di non possedere competenze sufficienti per gestire la tecnologia
– techno-invasion: l’erosione dei confini tra lavoro e vita privata
– techno-insecurity: il timore di essere sostituiti da sistemi più aggiornati o da colleghi più competenti tecnologicamente
– techno-uncertainty: la sensazione di dover rincorrere aggiornamenti e cambiamenti continui
L’elemento distintivo dell’AI, rispetto ad altre tecnologie digitali già studiate in passato, è che tende ad attivare simultaneamente più di questi cinque fattori: è percepita come complessa da padroneggiare, richiede aggiornamento costante, genera insicurezza professionale e, con l’uso di assistenti conversazionali sempre disponibili, tende a invadere anche i tempi extra-lavorativi. Questo aiuta a spiegare perché l’affaticamento riportato dai lavoratori sia così diffuso e, in alcuni contesti, così intenso.
Oltre l’ambito lavorativo: cosa mostra la ricerca su apprendimento e pensiero critico
Un secondo filone di ricerca, sviluppato soprattutto in ambito educativo ma con implicazioni dirette anche per il contesto professionale, osserva un possibile effetto di secondo livello: la relazione tra dipendenza dall’AI e capacità di pensiero critico.
Uno studio su 580 studenti universitari cinesi (Tian & Zhang, 2025, pubblicato su Acta Psychologica) ha rilevato che una maggiore dipendenza dall’AI è associata a livelli più bassi di pensiero critico, e che questa relazione è **parzialmente mediata dalla fatica cognitiva**: un uso prolungato e intensivo di contenuti generati dall’AI accumula, nel tempo, un costo mentale che si traduce in minore capacità di valutazione autonoma.
Lo stesso studio individua un moderatore rilevante: l’alfabetizzazione all’AI (AI literacy) attenua l’impatto negativo sul pensiero critico, ma può, in alcuni casi, amplificare la fatica cognitiva percepita da chi fa un uso comunque molto intenso dello strumento.
Questi risultati non sono direttamente trasferibili al contesto lavorativo adulto senza cautela, il campione è studentesco, il contesto è educativo, ma offrono un tassello coerente con quanto osservato nei contesti professionali: l’affaticamento da AI non riguarda solo “quanto ci si stanca”, ma potenzialmente anche “quanto si continua a pensare in autonomia” mentre la si utilizza.
Le conseguenze organizzative: non solo benessere individuale
Lo studio di Bedard e colleghi (2026) collega l’AI brain fry a conseguenze misurabili sul piano organizzativo, un aumento degli errori commessi dai lavoratori, un rallentamento nei tempi decisionali e una maggiore intenzione di lasciare l’azienda (turnover intention).
Questi segnali si inseriscono in un quadro più ampio di ambivalenza diffusa verso l’AI sul lavoro. Secondo dati Gallup (2026), solo 1 lavoratore su 10 si dichiara pienamente a proprio agio nell’utilizzare l’AI nel proprio ruolo. Il Pew Research Center (2025), in un’indagine su oltre 5.000 lavoratori statunitensi, rileva che il 52% si dice più preoccupato che fiducioso rispetto al futuro impatto dell’AI sul proprio lavoro, e circa un terzo riferisce di sentirsi già sopraffatto dalla sua diffusione.
Va detto con chiarezza: questi dati non indicano che l’AI, di per sé, danneggi le organizzazioni. Indicano piuttosto che **l’attuale modalità di introduzione e gestione dell’AI** sta generando, in una quota significativa della forza lavoro, un costo cognitivo e psicologico che raramente viene misurato o preso in carico esplicitamente dalle organizzazioni.
Non è un problema dell’AI in sé: il ruolo del design del lavoro
È importante evitare una lettura tecnofobica di questi dati. Una ricerca condotta su oltre 170 tra manager e specialisti di un grande operatore di telecomunicazioni (Kassa & Worku, 2025, pubblicata su *Journal of Open Innovation*) mostra che, se adottata in modo consapevole, l’AI riduce il tempo dedicato a compiti ripetitivi, libera risorse per attività a maggior valore aggiunto e accresce il senso di controllo e realizzazione personale delle persone. Lo stesso studio individua nella produttività individuale l’anello di congiunzione tra adozione dell’AI e miglioramento delle performance aziendali.
Messe a confronto, le due linee di ricerca, quella sull’AI fatigue e quella sui benefici dell’AI ben progettata, non sono in contraddizione. Suggeriscono piuttosto che l’elemento discriminante non è “se” un’organizzazione adotta l’AI, ma quanto carico di supervisione, verifica e apprendimento continuo viene scaricato sulle persone, e con quale disegno organizzativo questo carico viene distribuito e gestito.
Implicazioni pratiche: cosa possono fare le persone e le organizzazioni
Sul piano individuale, la letteratura suggerisce alcune direzioni concrete: limitare il numero di strumenti AI utilizzati in parallelo per uno stesso compito, per contenere il costo cognitivo del task-switching; raggruppare le attività di verifica degli output in blocchi dedicati, invece di intervallarle continuamente con altre attività; inserire pause reali tra un compito ad alta intensità di supervisione AI e il successivo, per consentire un recupero dell’attenzione prima che il carico cognitivo si accumuli.
Sul piano organizzativo, i dati suggeriscono priorità diverse rispetto alla semplice espansione degli strumenti disponibili: sequenziare l’introduzione di nuovi strumenti AI invece di sovrapporre più iniziative contemporaneamente, riducendo l’incertezza tecnologica; chiarire le aspettative su quando e come l’AI debba essere utilizzata, per contenere l’ambiguità che alimenta lo stress; distribuire in modo intenzionale il carico di supervisione, evitando che si concentri su singole funzioni particolarmente esposte, come emerso per i team marketing nello studio Bedard et al.; e, soprattutto, misurare il fenomeno, invece di limitarsi a misurare l’adozione. Sapere quanto pesa l’AI fatigue in una popolazione aziendale specifica è la condizione necessaria per poterla gestire, prima che si traduca in errori, cali di produttività o uscite volontarie.
Verso un’adozione sostenibile
L’intelligenza artificiale non sta sostituendo il cervello umano: lo sta sottoponendo a un tipo di carico nuovo, con caratteristiche in parte diverse da quelle a cui i modelli di stress lavorativo tradizionali erano abituati. La ricerca degli ultimi due anni comincia a fornire strumenti concettuali solidi, dal technostress alla Cognitive Load Theory, fino ai costrutti più recenti come l'”AI brain fry”, per leggere questo fenomeno con precisione, invece di trattarlo come un generico “stress da tecnologia”.
Per le organizzazioni, la sfida del 2026 non è scegliere se adottare l’AI, ma progettarne l’adozione tenendo conto della capacità cognitiva reale delle persone che dovranno utilizzarla ogni giorno. È esattamente il tipo di lettura che, in Umana-Analytics, cerchiamo di rendere misurabile: non affidarci a percezioni generiche, ma trasformare fenomeni come l’AI fatigue in indicatori osservabili, utili a orientare decisioni organizzative reali.
Vuoi capire come misurare l’impatto dell’AI sul benessere e sulla produttività della tua organizzazione?
Parliamone.
Bibliografia
– Bedard, J., Kropp, M., Hsu, M., Karaman, O., Hawes, J., & Kellerman, G. (2026). When Using AI Leads to “Brain Fry”. Harvard Business Review. https://hbr.org/2026/03/when-using-ai-leads-to-brain-fry
– Sosi?ski, P., & Piasecka, N. (2026). AI Fatigue and Mental Health Implications: A Comprehensive Literature Review. Quality in Sport, 55, 70890. https://doi.org/10.12775/QS.2026.54.70890
– Ragolane, M., & Patel, R. (2025). Too Much, Too Fast: Understanding AI Fatigue in the Digital Acceleration Era.
– Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
– Tarafdar, M., Tu, Q., Ragu-Nathan, B. S., & Ragu-Nathan, T. S. (2007). The impact of technostress on role stress and productivity. Journal of Management Information Systems, 24(1), 301–328.
– Tian, J., & Zhang, R. (2025). Learners’ AI dependence and critical thinking: The psychological mechanism of fatigue and the social buffering role of AI literacy. Acta Psychologica, 260, 105725. https://doi.org/10.1016/j.actpsy.2025.105725
– Kassa, B. Y., & Worku, E. K. (2025). The impact of artificial intelligence on organizational performance: The mediating role of employee productivity. Journal of Open Innovation: Technology, Market, and Complexity. https://doi.org/10.1016/j.joitmc.2025.100474
– Gallup (2026). State of the Global Workplace.
– Pew Research Center (2025). U.S. workers are more worried than hopeful about future AI use in the workplace. https://www.pewresearch.org/social-trends/2025/02/25/u-s-workers-are-more-worried-than-hopeful-about-future-ai-use-in-the-workplace