Tre assistenti IA hanno dato a 189 knowledge worker le stesse risposte. I lavoratori li hanno pagati in misura diversa. In un esperimento in ufficio virtuale pubblicato negli atti NordiCHI '26, i partecipanti hanno dato denaro reale a un assistente di presentazione maschile per una media di 2,96 CHF, contro 2,54 CHF per uno di presentazione femminile funzionalmente identico — p = .026 (Cuber et al., NordiCHI '26, 2026). Alla domanda se la presentazione avesse cambiato il loro giudizio, 30 intervistati su 34 hanno risposto no.
La vostra valutazione degli agenti IA ha lo stesso punto cieco. Ogni scorecard di pilota, sondaggio sulla fiducia e dashboard di adozione che utilizzate raccoglie il tipo di risposta che qui si è rivelata sbagliata — sull'unica variabile che questo studio dimostra aver effettivamente spostato denaro.
L'esperimento ha tenuto costante la capacità, deliberatamente
È questo il dettaglio di disegno che rende il risultato utilizzabile e non semplicemente interessante.
Pubblicato il 2 ottobre 2026, lo studio ha fatto svolgere a ciascuno dei suoi 189 partecipanti (191 reclutati, 2 esclusi per mancate risposte dell'assistente) alcuni compiti in un ufficio in realtà virtuale con tre assistenti: un chatbot testuale, un robot da scrivania e un agente vocale dall'aspetto umano presentato come "Johan" o come "Johanna". Gli assistenti erano funzionalmente identici — stesso sistema sottostante, stesse risposte, stessa qualità del lavoro. L'incarnazione variava entro i soggetti; la presentazione di genere variava tra i soggetti. Successivamente i partecipanti hanno assegnato all'assistente fino a 4 CHF di denaro reale, e ogni franco donato riduceva il proprio compenso.
L'esperimento ha dunque eliminato la spiegazione a cui i manager ricorrono per prima. Nessuno ha pagato di più l'agente dall'aspetto umano perché avesse lavorato meglio. Ha svolto lo stesso lavoro. L'unica cosa che cambiava era il suo aspetto e il suo suono.
L'effetto dell'incarnazione è stato più ampio di quello di genere e statisticamente molto più robusto: l'agente dall'aspetto umano ha ottenuto 2,76 CHF (DS 1,18) contro 1,98 CHF (DS 1,26) del robot, W = 1511,5, p < .001, con una dimensione dell'effetto pari a r = .44. Il semplice chatbot testuale è arrivato ultimo, a 1,75 CHF. Su un tetto di 4 CHF, la presentazione dall'aspetto umano valeva circa 0,8 CHF di denaro altrui senza produrre nulla in più.
Il risultato sul genere è più circoscritto dei titoli di giornale
Qui serve precisione, perché la copertura secondaria non l'ha avuta. La presentazione di genere ha spostato la ricompensa (2,96 contro 2,54, p = .026) e la percezione di somiglianza umana (5,09 per Johan contro 4,59 per Johanna, p = .029). Non ha raggiunto la significatività sulla fiducia (5,58 contro 5,25, p = .065) né sull'attribuzione del merito (5,24 contro 5,05, p = .164).
L'affermazione onesta riguarda quindi la valutazione monetaria e la percezione di somiglianza umana — non la fiducia. Se vedete attribuita a questo studio la tesi che "gli agenti IA femminili sono meno affidabili", non è ciò che ha rilevato. Troverete anche un ordinato "10,25%" che circola nei resoconti di questa ricerca: proviene da un comunicato stampa universitario, non compare in nessun punto del paper e non è ricavabile dalle medie riportate. Citate le medie.
Una moderazione da segnalare: il vantaggio dell'aspetto umano sul robot è stato più marcato tra le partecipanti donne che tra gli uomini (beta di interazione = 1,074, z = 3,73, p < .001). L'effetto della persona non è uniforme nella vostra forza lavoro, il che significa che non si annullerà nella media di un sondaggio di squadra.
Quello che hanno detto e quello che hanno pagato erano numeri diversi
Il risultato delle interviste è quello con il percorso più breve verso una decisione operativa. Trenta partecipanti su trentaquattro hanno dichiarato che la presentazione di genere era irrilevante per quanto riguarda fiducia e ricompensa. Le loro stesse assegnazioni, fatte con denaro reale, li hanno smentiti.
È un classico divario tra preferenze dichiarate e preferenze rivelate, e non si tratta di persone che mentivano. Non avevano motivi particolari per ingannare nessuno né incentivi evidenti a farlo. Semplicemente non avevano accesso accurato a ciò che guidava il loro stesso giudizio.
La conseguenza è netta: chiedere al vostro team un parere sul design degli agenti produce dati senza alcun valore predittivo dimostrato. In questo studio l'autovalutazione ha indicato la direzione sbagliata sull'unica variabile che ha spostato misurabilmente il comportamento.
La vostra valutazione degli agenti IA sta in parte misurando la persona
Portate questo ragionamento in una revisione operativa di un'azienda mid-market e il problema smette di riguardare gli avatar.
State testando due agenti in funzioni diverse. Uno è un'interfaccia vocale curata, con un nome e un volto; l'altro è uno strumento utilitaristico che restituisce testo in una coda di ticket. A fine trimestre confrontate i punteggi di soddisfazione, l'utilità percepita, la disponibilità del team a continuare a usarli e le richieste di ampliare la postazione. Poi finanziate il vincitore.
Ciò che questo studio dice è che una quota sconosciuta di quel divario è incarnazione, non prestazione. Avete condotto un confronto non controllato e letto il risultato come un segnale di capacità. L'agente che ha ottenuto i fondi potrebbe essere stato semplicemente quello presentato meglio.
Questa modalità di errore si aggrava in modo specifico. La presentazione è economica da modificare, la capacità è costosa da modificare: così un fornitore — o un team interno che ottimizza le metriche di adozione — troverà sistematicamente più facile migliorare la persona che il lavoro. Se la vostra scorecard non sa distinguere le due cose, continuerà a premiare quella più economica, e il vostro sistema di misurazione avrà silenziosamente iniziato a selezionare contro la qualità reale.
È una versione più acuta di uno schema già visibile altrove nella ricerca sugli agenti. L'Agent Confidence Index 2026, che ha classificato 101 compiti agentici presso 300 dirigenti e professionisti del settore tecnologico, ha rilevato che la fiducia seguiva la verificabilità del compito e la completezza del contesto di business, non la capacità del modello — la generazione automatica di report ha ottenuto 83,5 e il codice boilerplate 82,5, entrambi dotati di un'unica metrica di valutazione obiettiva, mentre la configurazione di una service mesh si è fermata a 37,5 sugli stessi modelli sottostanti (MIT Technology Review Insights, 2026; Microsoft, 2026). Dove non esiste una metrica di successo pulita, il giudizio umano riempie il vuoto — e lo studio in realtà virtuale mostra a cosa si attacchi quel giudizio quando non ha nulla di solido a cui aggrapparsi.
Ciò che lo studio non dimostra
Tre limiti, dichiarati con chiarezza, perché un argomento così comodo li merita.
Era un contesto in realtà virtuale con un compito costruito, non il dispiegamento reale di un agente dentro un flusso di lavoro con conseguenze concrete. La posta in gioco era modesta e una sola volta: fino a 4 franchi svizzeri, assegnati una tantum, non una decisione di budget ricorrente presa da qualcuno responsabile del risultato. E le differenze di fiducia e di attribuzione del merito legate alla presentazione di genere non hanno raggiunto la significatività, quindi l'effetto è più circoscritto di quanto una lettura superficiale suggerisca.
Ciò che sopravvive a queste cautele è il punto strutturale, e sopravvive intatto: quando la capacità è stata tenuta costante per costruzione, la presentazione ha comunque spostato la valutazione monetaria, e l'autovalutazione non è riuscita a prevederlo. Non serve che la dimensione dell'effetto si trasferisca da un laboratorio in realtà virtuale al vostro reparto operativo per agire. Basta accettare che la persona è una variabile attiva nella vostra valutazione e che al momento non la state controllando.
Il costo di misurare la cosa sbagliata
La ragione per cui importa è di budget, non etica.
Il lavoro di McKinsey QuantumBlack dell'agosto 2026 sull'economia agentica ha rilevato che, per un agente che svolge un compito di assistenza clienti nel settore bancario, i costi dei token rappresentano spesso solo il 20-25 per cento dei costi variabili di esecuzione, mentre la supervisione umana incide per il 70-75 per cento (McKinsey QuantumBlack, 2026). La supervisione — quanta revisione umana richiede un dato agente, da parte di chi, con quale frequenza — è la voce di costo dominante.
Quella allocazione è fissata esattamente dal giudizio che questo studio mostra essere contaminato. Se decidete che un agente è affidabile, riducete la supervisione e ampliate la sua autonomia. Se lo giudicate inaffidabile, tenete un revisore su ogni esecuzione. Se parte di quella fiducia segue quanto umana appare l'interfaccia, revisionerete troppo poco l'agente affascinante e troppo quello utile — e sbaglierete sulla voce di costo più grande dello stack.
Cosa fare prima della prossima revisione degli agenti
Quattro cambiamenti, tutti realizzabili in questo trimestre e nessuno dei quali richiede nuovi strumenti.
Tenete costante la presentazione in tutto ciò che intendete confrontare. Se due agenti vengono valutati l'uno contro l'altro, dategli la stessa modalità di interfaccia, oppure accettate che il confronto sia confuso e smettete di riportarlo come risultato di prestazione.
Smettete di sondare il team sul design degli agenti. Trenta partecipanti su trentaquattro hanno sbagliato a prevedere il proprio comportamento. Chiedete invece di eventi specifici e osservabili: cosa ha prodotto l'agente, cosa avete dovuto correggere, quanto è durata la correzione, cosa avete escalato. Quelle risposte sono verificabili.
Strumentate il comportamento, non il sentiment. Tassi di errore intercettati in revisione, volume di rilavorazione, frequenza di escalation, tempo dall'output al deliverable accettato. Tutte misure indifferenti al fatto che l'agente abbia un volto.
Rendete la revisione trimestrale degli agenti quantitativa e firmata. Un agente è l'unico soggetto che potete valutare puramente sui numeri, senza i vincoli di equità che giustamente si applicano alle persone — una scorecard periodica chiusa da un supervisore con nome e cognome e con un esito scritto è più difendibile per un Digital Employee di quanto lo sarebbe mai per un collaboratore umano, ed è per questo che le postazioni Digital Employee di Scovai vengono riviste così e non con un sondaggio di sentiment. Qualunque sistema usiate, il requisito è lo stesso: una persona responsabile con un nome, un insieme fisso di misure e una decisione messa per iscritto.
Il test per capire se la vostra valutazione degli agenti IA regge è una sola domanda, e potete rispondere oggi: se l'agente che avete finanziato lo scorso trimestre fosse arrivato con una voce diversa e senza nome, la vostra scorecard avrebbe prodotto lo stesso numero? Se non potete dire sì, avete misurato l'avatar.