Una revisione sistematica e meta-analisi di giugno 2026, su 19 studi e 61 dimensioni dell'effetto, mette un numero su qualcosa che la maggior parte dei responsabili operativi ha percepito ma non ha mai misurato: quando le persone creano con l'AI generativa, i loro output convergono. L'effetto di omogeneizzazione aggregato è d = 0,334 — piccolo, robusto e non spiegabile con il bias di pubblicazione (de Rooij & Biskjaer, 2026).
"Piccolo" è la parola che fa archiviare e dimenticare questo risultato. Non dovrebbe essere così.
Individualmente, il lavoro di solito migliora. Collettivamente, diventa più simile. I due fatti non sono in contraddizione: sono lo stesso meccanismo osservato da due altitudini diverse. Solo uno dei due compare sulla tua dashboard di produttività.
Per una funzione operativa che l'anno scorso ha standardizzato su un rollout AI monofornitore — cioè la maggior parte delle aziende tra 50 e 500 persone — la domanda pratica non è se continuare a usarla. È se qualcuno abbia verificato che cosa è successo alla dispersione.
Che cosa significa davvero d = 0,334 su scala di team
Un d di Cohen di 0,33 è uno spostamento modesto tra due distribuzioni. Su un singolo documento è invisibile. Non lo noteresti confrontando due proposte affiancate, e nessun revisore in azienda lo segnalerà mai.
È l'inquadramento meta-analitico a renderlo operativamente rilevante. Gli autori descrivono il risultato non come un calo di qualità ma come una riorganizzazione della diversità creativa — impercettibile isolatamente, consequenziale su scala (de Rooij & Biskjaer, 2026). Questo è un risultato sulla varianza, non sulla qualità. La distinzione conta, perché ogni sistema di misurazione di una funzione operativa mid-market è costruito per tracciare medie e quasi nessuno traccia la dispersione.
Una opinion review di marzo 2026 su Trends in Cognitive Sciences risale alla fonte dello stesso schema. Sourati e Dehghani sostengono che, mentre miliardi di persone incanalano scrittura e pensiero attraverso la stessa manciata di large language model, quei modelli standardizzano il modo in cui le persone esprimono e strutturano le idee: gli output degli LLM sono misurabilmente meno vari della scrittura umana e tendono verso norme WEIRD (occidentali, istruite, industrializzate, ricche, democratiche) (Sourati & Dehghani, 202600003-3)). La loro preoccupazione è l'erosione della diversità cognitiva, materia prima sia della creatività sia del problem-solving.
Riformuliamolo in termini operativi. La diversità cognitiva non è una dichiarazione di valori. È la varianza in ingresso che rende sensato generare un portafoglio di opzioni.
Il meccanismo è l'ancoraggio, non la pigrizia
L'istinto della maggior parte dei team di leadership è leggere la convergenza come crollo dell'impegno: le persone prendono la prima bozza e la spediscono. L'evidenza sperimentale punta verso qualcosa di meno lusinghiero per i nostri controlli.
In un esperimento online controllato sulla produzione di racconti brevi, gli autori che ricevevano spunti narrativi da un LLM hanno prodotto lavori valutati come più creativi, meglio scritti e più piacevoli — con i guadagni maggiori tra gli autori meno creativi. Eppure i racconti assistiti dall'AI erano più simili tra loro rispetto a quelli scritti da soli esseri umani (Doshi & Hauser, 2024). Entrambi gli effetti derivano dallo stesso intervento.
Gli autori nominano esplicitamente la struttura: assomiglia a un dilemma sociale. Con l'AI generativa i singoli scrittori stanno meglio, ma collettivamente viene prodotto un ventaglio più stretto di contenuti nuovi.
Uno studio separato sull'ideazione umana arriva a una conclusione compatibile dal lato degli input. Le sessioni in cui i partecipanti facevano brainstorming con un LLM hanno prodotto insiemi di idee significativamente meno diversi semanticamente rispetto alle sessioni senza — le singole idee erano valide, l'insieme era più stretto (Anderson, Shah & Kreminski, 2024).
Questo è ancoraggio, e agisce prima che qualcuno abbia deciso quanto impegnarsi. Il modello fornisce un punto di partenza; l'essere umano elabora a partire da lì. L'elaborazione preserva la qualità e distrugge l'indipendenza.
Perché nessuno in azienda si fermerà
Leggi il dilemma sociale come una mappa di incentivi, perché è esattamente questo.
Il guadagno della bozza assistita dall'AI è catturato dall'individuo: tempi più rapidi, prosa più pulita, una migliore conversazione sulla performance. La perdita è addebitata al collettivo: un set di proposte che somiglia a quello di ogni concorrente, una griglia di valutazione per le assunzioni indistinguibile dal template di settore. Nessun singolo contributore sperimenta la perdita, e nessun singolo contributore ha motivo di fermarsi.
Il che significa che non è un problema di comportamento. È un problema di org design e di portafoglio strumenti, e non si risolverà con una nota interna sull'"uso consapevole dell'AI".
Dove l'AI monofornitore costa denaro vero a un'azienda da 50–500 FTE
L'omogeneizzazione è costosa esattamente dove la differenziazione è il prodotto.
Proposte e gare. Il tuo win rate su una RFP competitiva è funzione di ciò che il compratore non può ottenere dalle altre tre offerte. Se il tuo team e quelli dei concorrenti incanalano la stesura attraverso lo stesso assistente, lavorando sulle stesse convenzioni raccolte dal web pubblico, la differenza residua si restringe al prezzo. Lo osserverai come pressione sui margini e lo attribuirai al mercato.
Griglie di selezione e architettura dei ruoli. Scorecard, definizioni di competenze e guide ai colloqui generate da un modello condiviso convergono su un'idea condivisa di buon candidato. Criteri convergenti applicati da molti datori di lavoro producono rifiuti correlati: le stesse persone escluse ovunque, per le stesse ragioni, senza che nessuno abbia preso quella decisione.
Posizionamento e comunicazione al cliente. La voce di marca è varianza rispetto a una baseline di categoria. La regressione verso quella baseline non è una questione stilistica: è la lenta cancellazione di ciò che il tuo budget marketing stava comprando.
Strategia e generazione di opzioni. È il posto peggiore in cui possa accadere. Nella fase di generazione delle opzioni, la varianza è il deliverable. Un set di opzioni più stretto non è un costo minore: è una decisione presa prima che qualcuno nella stanza si accorgesse che si stava decidendo.
Nota la proprietà comune: in ogni caso le metriche di produttività individuale migliorano mentre l'asset organizzativo si degrada. Le dashboard sembreranno eccellenti per tutto il tempo.
La struttura della perdita nascosta, in un'aritmetica
Poniamo che il tempo di stesura di una proposta cali del 30% e che il team consegni quattro offerte in più a trimestre. Quel guadagno è leggibile, attribuibile e celebrato nella QBR.
Ora poniamo che il win rate sulle gare competitive scivoli dal 24% al 21% in tre trimestri. Nessuno lo attribuirà allo strumento di stesura, perché non c'è una storia causale plausibile nella stanza: le proposte sono scritte meglio dell'anno scorso, e lo vedono tutti. Il calo viene assegnato alla pressione sui prezzi, al nuovo modello tariffario di un concorrente, alla debolezza del mercato. Ognuna di queste spiegazioni è disponibile, difendibile e infalsificabile con i tuoi dati.
Quell'asimmetria è tutto il rischio. Il guadagno arriva con una catena di attribuzione pulita. La perdita arriva senza.
Dove questo argomento potrebbe essere sbagliato
Tre limiti, dichiarati prima che tu agisca su tutto questo.
La base di evidenze pende verso compiti creativi e di ideazione: scrittura narrativa, brainstorming, lavoro di design. È lì che l'omogeneizzazione è più facile da misurare, non necessariamente dove è più grande. Se lo stesso effetto valga per una checklist di chiusura trimestrale o per una macro di supporto non è stato testato, e mi aspetterei che sia più piccolo e meno rilevante là dove la standardizzazione è l'obiettivo.
Un d aggregato di 0,334 nasconde anche eterogeneità tra 61 dimensioni dell'effetto. La stima aggregata ti dice che la direzione è affidabile. Non ti dice qual è il numero del tuo team.
Soprattutto, l'inquadramento monofornitore è una mia estensione dell'evidenza, non un risultato interno a essa. Questi studi confrontano lavoro assistito e non assistito dall'AI; non mettono a confronto diretto organizzazioni a modello unico e organizzazioni multi-modello. L'inferenza — che la concentrazione amplifichi la convergenza — discende dal meccanismo di ancoraggio e dall'argomento di Sourati e Dehghani sui modelli condivisi, ma resta un'inferenza. Trattala come un'ipotesi verificabile sul tuo output, non come un risultato acquisito.
Niente di tutto questo cambia la conclusione. La convergenza è reale, è invisibile alla tua strumentazione attuale ed è misurabile nel tuo ambiente al costo di circa un pomeriggio.
La decisione di portafoglio: cosa verificare prima del prossimo rinnovo
Quattro passi. Nessuno richiede budget, e nessuno richiede a qualcuno di usare meno l'AI.
1. Misura la tua concentrazione. Quale quota della stesura rivolta all'esterno — proposte, job description, comunicazioni ai clienti, memo strategici — passa attraverso un singolo assistente? La maggior parte dei responsabili operativi mid-market non se l'è mai chiesto, e la risposta è di solito sopra l'80% perché il procurement ha standardizzato su una sola licenza. Quel numero è la tua esposizione.
2. Correggi l'ordine delle operazioni, non lo strumento. L'ancoraggio funziona sulla sequenza. Per ogni compito in cui la varianza è il punto, richiedi generazione umana indipendente prima, poi estensione e critica con l'AI. È una modifica di due righe a un documento di processo e neutralizza gran parte del meccanismo, perché il modello non può più fornire il punto di partenza.
3. Diversifica gli input deliberatamente. Modelli diversi e — molto più a buon mercato — prompt diversi. Un "master prompt" condiviso e diffuso come best practice di produttività è una macchina di omogeneizzazione travestita da aiuto. Se il tuo team ne ha uno, è la cosa a più alta leva da ritirare in questa lista.
4. Strumenta la dispersione, non solo il volume. Prendi 20 output recenti dello stesso tipo. Valuta la similarità a coppie — con embedding se ne hai la capacità, con revisione umana strutturata se non ce l'hai — e confronta con un campione 2024 dello stesso processo. Ora hai una baseline. Ripeti ogni trimestre. È l'unico passo che converte l'argomento in evidenza sulla tua azienda.
La versione scomoda
Se il tuo piano AI 2026 misura adozione, utilizzo delle licenze e ore risparmiate, è strumentato interamente sul lato del bilancio dove stanno i guadagni. Non è una svista che qualcuno noterà, perché le perdite non hanno una metrica associata e non generano mai un reclamo.
Una decisione per questo trimestre
Prendi l'unico tipo di documento in cui la tua differenziazione conta di più — per la maggior parte dei responsabili operativi è la proposta. Recupera le ultime venti. Leggile per quanto si somigliano tra loro, non per quanto è buona ciascuna.
Se sono convergute, non hai perso qualità. Hai perso distintività, e stavi pagando per la distintività.
L'AI monofornitore rende ogni tua persona misurabilmente più acuta. La domanda a cui nessuna dashboard in azienda è oggi costruita per rispondere è se le stia anche rendendo intercambiabili — tra loro, e con le persone dei tuoi concorrenti. Rispondi con i tuoi documenti prima del prossimo rinnovo, perché il fornitore non ha motivo di sollevarla e le tue metriche di produttività non lo faranno mai.
