IA on the job: correggere una risposta basta a correggerne gli effetti?
Un assistente può produrre una spiegazione errata, successivamente rettificata, ma già entrata nel ragionamento di un team. La domanda utile è precisa: quando una risposta dell’IA è stata diffusa, come verificare che la sua correzione modifichi anche le conclusioni che ne dipendono?
Che cosa stabilisce la letteratura
Hollyn M. Johnson e Colleen M. Seifert (1994, Journal of Experimental Psychology: Learning, Memory, and Cognition) hanno studiato la persistenza dell’influenza di un’informazione dopo la sua ritrattazione. Nei loro esperimenti, un’informazione iniziale poteva ancora alimentare inferenze anche quando i partecipanti avevano ricevuto una correzione. Ritirare un’affermazione ed eliminarne l’influenza sul ragionamento sono dunque due operazioni distinte.
Il vuoto esplicativo lasciato dalla correzione
Stephan Lewandowsky, Ullrich K. H. Ecker, Colleen M. Seifert, Norbert Schwarz e John Cook (2012, Psychological Science in the Public Interest) sintetizzano le ricerche sulle informazioni false e sulla loro correzione. La loro rassegna sottolinea, tra gli altri meccanismi, la difficoltà di abbandonare una spiegazione quando nessuna alternativa rende comprensibile l’evento. Una correzione può quindi essere più utile se fornisce una spiegazione alternativa fondata su elementi verificabili, anziché limitarsi a segnalare che l’affermazione precedente era falsa.
La conclusione troppo rapida
Se ne potrebbe dedurre che basti chiedere all’IA una nuova spiegazione per annullare la prima. Significherebbe confondere un meccanismo cognitivo con una garanzia di affidabilità: anche la spiegazione sostitutiva deve essere verificata. Quando la causa resta sconosciuta, è preferibile esplicitare questa incertezza e riesaminare le conclusioni interessate, anziché costruire una continuità narrativa artificiale. (i nostri percorsi di formazione per quadri e collaboratori)
Che cosa questi lavori non dimostrano
Queste pubblicazioni non esaminano gli assistenti generativi nei team professionali di Basilea. Non consentono di stimare né la frequenza di questa persistenza sul lavoro né la sua entità nelle attività regolamentate. Giustificano tuttavia una distinzione operativa: constatare che un documento è stato corretto non dimostra che siano stati rivisti anche i ragionamenti derivati dalla sua prima versione.
Una verifica pratica a Basilea
In un workshop SHR «IA on the job» a Basilea si può proporre un caso fittizio che colleghi settore farmaceutico, scienze della vita, logistica renana e R&S internazionale: una sintesi assistita attribuisce erroneamente il ritardo di un campione a una restrizione al trasporto. Dopo una correzione sostenuta dai documenti del caso, chiedere individualmente ai partecipanti di riformulare la spiegazione del ritardo e la propria raccomandazione, senza accedere alla prima risposta. Misurare la proporzione di risposte che utilizzano ancora la restrizione smentita come premessa, con una griglia definita prima dell’esercizio e un confronto con le risposte iniziali. Questa rilevazione non misura un guadagno di produttività: verifica se la correzione ha effettivamente raggiunto il ragionamento, anziché il solo documento. Per approfondire: scoprite la formazione IA nel lavoro quotidiano a Basilea, oppure sfogliate i nostri percorsi di formazione per quadri e collaboratori in Svizzera.
In Bildern: IA nel lavoro quotidiano in Basilea
- ia nel lavoro quotidiano
- Basilea
- ricerca
- Weiterbildung basilea