Su un'istruzione breve, GPT-4o rispondeva correttamente il 91% delle volte. Su una versione più lunga dello stesso identico compito, rispondeva correttamente l'1% delle volte. Non il 70%. Non il 40%. L'uno per cento — rumore statistico (PNAS Nexus, 2026).
Quel collasso è il singolo numero più importante che un Head of Operations possa portare in una decisione sull'AI agentica nel 2026, perché ribalta l'assunto su cui ogni implementazione è silenziosamente costruita: che se un agente AI gestisce bene un compito in una demo, gestirà una versione leggermente più difficile dello stesso compito solo un po' meno bene. Non è così. Lo gestirà quasi perfettamente fino a una soglia, e poi fallirà quasi completamente. La domanda per le Operations non è se fidarsi di un agente. È sapere esattamente dove si trova il baratro — e mettere un presidio umano nel processo davanti ad esso.
Il risultato: un baratro, non una rampa
Lo studio arriva da Suketu Patel e Jin Fan della CUNY, pubblicato su PNAS Nexus ed emerso pubblicamente a giugno 2026 (PsyPost, 2026). Il loro metodo è elegante proprio perché è antico. Hanno applicato il test di Stroop — il classico esperimento di psicologia cognitiva in cui si deve nominare il colore dell'inchiostro di una parola mentre la parola stessa ne scrive un altro — a modelli linguistici di frontiera, aumentando il carico allungando la lista di elementi in conflitto da pochi fino a quaranta.
I risultati sono netti. GPT-4o rispondeva correttamente alle prove incongruenti il 91% delle volte su liste brevi di cinque elementi. Portando la lista a venti o quaranta elementi in conflitto, la sua accuratezza scendeva all'1%. Claude 3.5 Sonnet ha retto più a lungo — ma anch'esso alla fine è crollato, a circa il 10% con liste di quaranta elementi (PNAS Nexus, 2026).
Leggete la forma di quella curva, non solo gli estremi. Le prestazioni non sono decadute gradualmente man mano che il compito si faceva più difficile. Sono rimaste a livelli quasi umani, poi sono precipitate da un baratro. È questo il risultato che dovrebbe riorganizzare il modo in cui le Operations pensano all'affidabilità degli agenti: la zona di pericolo è invisibile dalla demo. Un pilota pulito su un caso semplice non vi dice nulla su dove il modello si rompe, perché la rottura è discontinua.
Perché è il controllo esecutivo a fallire — non l'intelligenza
Sarebbe facile archiviare tutto sotto "l'AI sbaglia ancora" e andare avanti. Questa lettura ignora il meccanismo, e il meccanismo è tutto il punto.
Il test di Stroop non misura la conoscenza o la potenza di ragionamento. Misura il controllo esecutivo — nello specifico la capacità di tenere a mente un obiettivo ("nomina il colore dell'inchiostro") e inibire una risposta concorrente più forte e automatica ("leggi la parola"). Nella neuroscienza cognitiva umana, l'attenzione si scompone in sistemi distinti, e il controllo esecutivo è quello che governa il mantenimento dell'obiettivo in condizioni di conflitto. È una facoltà diversa dal semplice riconoscimento di pattern.
Ecco cosa i modelli hanno rivelato su sé stessi. Le architetture transformer sono straordinarie nella risposta prepotente — la risposta rapida, automatica, statisticamente probabile, l'equivalente per la macchina del leggere la parola invece di nominare il colore. Ciò che manca loro è un'inibizione robusta quando il contesto si allunga o si riempie di segnali in conflitto. Gli autori inquadrano questo come una capacità mancante per il controllo esecutivo che una vera intelligenza generale richiederebbe (PNAS Nexus, 2026).
Per le Operations, traducetelo così: un agente AI non è un dipendente junior che si stanca e diventa sciatto in proporzione al carico di lavoro. È un sistema che mantiene un obiettivo in modo splendido finché il numero di vincoli concorrenti non supera una linea, punto in cui il mantenimento dell'obiettivo non si degrada — evapora. Il fallimento non è "output peggiore". È il modello che ottimizza silenziosamente per l'obiettivo sbagliato e più facile, producendo testo fluente e sicuro che assomiglia esattamente al successo.
Cosa significa "lungo e contraddittorio" sul vostro campo
Venti parole in conflitto in un laboratorio è astratto. I vostri flussi di lavoro reali sono peggio.
Pensate a cosa chiedete davvero a un agente. Riconciliare una fattura con un contratto che ha tre modifiche, una clausola di termini speciali e un'eccezione che qualcuno ha inviato via email la settimana scorsa. Instradare un reclamo di un cliente secondo una policy che dice una cosa, un'istruzione permanente di un manager che ne dice un'altra e una promozione che le sovrascrive entrambe fino a venerdì. Redigere una risposta di conformità che deve soddisfare il regolatore, la postura di rischio del team legale e la relazione dell'account manager — tre obiettivi che non si allineano del tutto.
Ognuno di questi è un test di Stroop col volume alzato. Contesto lungo, vincoli simultanei multipli e una risposta "ovvia" forte che risulta sbagliata una volta considerate le eccezioni. Sono esattamente le condizioni che, secondo lo studio, spingono il controllo esecutivo oltre il baratro. E sono anche precisamente i compiti che le Operations mid-market sono più ansiose di automatizzare, perché sono quelli noiosi e ad alto contenuto di giudizio che divorano le ore di un team.
Questa è la trappola. I compiti con il maggior fascino di automazione si sovrappongono ampiamente ai compiti più propensi a innescare un collasso silenzioso. L'agente farà una demo impeccabile sulla fattura pulita e fallirà quasi completamente su quella con tre modifiche — e fallirà con sicurezza, che è la parte pericolosa.
Il costo aziendale di ignorare il baratro
Non è una preoccupazione teorica, e il mercato la sta già prezzando. Gartner prevede che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027, citando costi in aumento, valore di business poco chiaro e controlli del rischio inadeguati (Gartner, 2025).
Il risultato di Stroop vi dice perché così tanti falliranno. I team testano un agente su una fetta di lavoro selezionata e a basso conflitto, vedono un'accuratezza in stile 91%, e la scalano nella realtà di produzione disordinata e ad alto conflitto — dove lo stesso agente opera oltre il suo punto di collasso e produce silenziosamente output di qualità 1% sui casi più difficili. I costi che ne derivano non sono etichettati "fallimento dell'AI". Si presentano come errori di riconciliazione scoperti tre passi più a valle, risposte di conformità che richiedono un rifacimento umano completo e l'erosione della fiducia che alla fine manda in soffitta l'intera iniziativa. Il progetto non muore per un incidente drammatico. Muore per l'accumulo di fallimenti silenziosi esattamente sui casi che avrebbero dovuto giustificarlo.
Le organizzazioni che terranno i loro progetti agentici fuori da quel 40% non saranno quelle con i modelli migliori. Tutti hanno accesso agli stessi modelli di frontiera. Saranno quelle che hanno progettato per il baratro invece di fingere che la curva fosse una rampa liscia.
Dove mettere il presidio
L'istinto, quando un agente rende meno del previsto, è di ricorrere a prompt migliori. Questo studio dice che il prompting è la leva sbagliata. Non potete uscire con un prompt da un'assenza strutturale di controllo esecutivo; potete solo spostare leggermente il baratro. La leva duratura è architetturale: un presidio umano nel processo (human-in-the-loop) collocato prima del punto di collasso, non dopo l'incidente.
Concretamente, questo significa tre mosse per questo trimestre.
1. Mappate i vostri flussi per carico di conflitto, non per tipo di compito
Smettete di ordinare i compiti candidati in "semplici" e "complessi". Ordinateli in base a quanti vincoli concorrenti portano e a quanto è lungo il contesto rilevante. Un compito ad alto volume con una regola chiara è un bersaglio di automazione sicuro. Un compito a volume più basso con tre policy sovrapposte e una pila di eccezioni è dove vive il baratro — per quanto routinario possa sembrare.
2. Fissate il presidio prima della soglia, empiricamente
Per qualsiasi flusso di agente con vincoli in conflitto o contesto lungo, inserite un punto di revisione umana obbligatorio. Non indovinate dove il modello si rompe — testatelo come ha fatto lo studio. Alimentate l'agente con versioni progressivamente più disordinate di un compito reale e osservate la discontinuità. Collocate il checkpoint umano sul lato vicino di essa.
3. Strumentate per il fallimento silenzioso, non per gli errori rumorosi
Il collasso non si annuncia; l'output resta fluente. Quindi non potete affidarvi all'agente per segnalare i propri casi a bassa confidenza. Integrate campionamento e audit a campione in qualsiasi flusso ad alto conflitto, e trattate "la demo ha funzionato" come l'inizio della validazione, non la fine.
Niente di tutto ciò richiede nuova tecnologia. Richiede di trattare l'affidabilità dell'agente come una proprietà del design del flusso di lavoro, non del modello — e di accettare che la competenza del modello ha un confine che potete trovare ma non aggirare con un prompt.
La decisione per questo trimestre
Estraete l'elenco dei processi che il vostro team intende affidare a un agente AI nei prossimi due trimestri. Accanto a ciascuno, scrivete due cose: quante regole o eccezioni in conflitto porta, e quanto è lungo il contesto che un agente dovrebbe tenere. I compiti che ottengono punteggi alti su entrambi non sono le vostre vittorie facili. Sono i vostri casi-baratro — e lo studio dice che passeranno il pilota e falliranno sul lavoro reale.
Per quelli, la mossa non è un agente migliore. È un presidio umano nel processo (human-in-the-loop) collocato deliberatamente davanti al punto di collasso. Il 40% dei progetti agentici destinati alla cancellazione saranno per lo più quelli che hanno scambiato una demo per una garanzia. Un agente che supera il caso pulito e collassa su quello disordinato non è uno strumento che avete implementato. È una responsabilità che non avete ancora scoperto. Andate a trovare il baratro prima che sia lui a trovare voi.
