L'IA ha risolto un problema informativo negli acquisti. Ora conta di più il giudizio.

Per preparare una revisione fornitore, un responsabile di categoria doveva spesso raccogliere contratti, offerte precedenti, dati di mercato, appunti, fattori di costo e vincoli interni da fonti diverse. L'IA può comprimere gran parte di questo lavoro in pochi minuti. È un miglioramento concreto, ma sposta il punto difficile.

Quando produrre informazione diventa economico e veloce, la capacità rara non è più ottenere una risposta. È decidere se una risposta ben scritta merita abbastanza fiducia da influenzare una decisione commerciale.

Uno studio del 2026 sulla calibrazione della fiducia nelle decisioni uomo-IA offre un quadro utile. Igbodor e colleghi hanno combinato evidenze provenienti da 68 studi primari con un'indagine su 200 professionisti e 30 interviste in diversi ambiti. Questi numeri non sono indicatori specifici degli acquisti, ma la conclusione centrale è pertinente: una buona collaborazione non richiede la massima fiducia possibile, bensì una fiducia proporzionata alla qualità dell'evidenza.

Il rischio maggiore è spesso una risposta plausibile

Le allucinazioni sono il problema più facile da riconoscere, ma non sono l'unico. Un sistema può produrre frasi singolarmente ragionevoli e arrivare comunque a una raccomandazione commerciale debole perché il quadro è incompleto.

Può rilevare correttamente che un indice di materia prima è salito del sei per cento e valutare male l'aumento del fornitore perché l'esposizione effettiva è diversa, la produttività è cambiata, il periodo di riferimento non è quello giusto o il contratto assegna già quel rischio. Può riassumere con precisione una clausola di recesso e non sapere che cambiare fornitore richiede nove mesi di qualifica.

Sono errori più difficili da vedere proprio perché il risultato appare professionale. L'incertezza non è scomparsa; è stata trasformata in prosa ordinata.

L'utente competente chiede da che cosa è composta la risposta

Non basta quindi domandarsi se il testo “sembra corretto”. Quali affermazioni vengono dai fatti forniti, quali da fonti esterne, quali sono inferenze e quali ipotesi sono state introdotte perché mancavano informazioni? Quale ipotesi, se falsa, cambierebbe di più la raccomandazione?

Negli acquisti questa disciplina è essenziale perché la conoscenza è distribuita. L'ingegneria conosce il rischio di qualifica, la finanza il limite di spesa, le funzioni operative i problemi di servizio e gli acquisti la storia del fornitore. L'IA vede soltanto ciò che riceve. Il nostro articolo sui prompt di IA per preparare una trattativa traduce il principio in pratica: prima di chiedere una strategia, conviene far emergere le informazioni mancanti che potrebbero cambiarla.

Lo scopo non è diffidare di tutto. La fiducia deve essere proporzionata all'evidenza, all'incertezza e al costo di un errore.

Il ruolo del buyer può allargarsi più in fretta della sua competenza

Oggi un buyer può chiedere all'IA di interpretare una clausola di responsabilità, verificare un modello di costo obiettivo, analizzare dati di fornitura o costruire un caso finanziario senza passare ogni volta dall'ufficio legale, dall'analisi dati o dalla finanza. È utile. Ma significa anche che il perimetro del ruolo può cambiare più rapidamente della profondità professionale di chi lo ricopre.

Una ricerca economica di OpenAI pubblicata nel settembre 2026 offre un segnale interessante. Su oltre 1,5 milioni di messaggi ChatGPT legati al lavoro, campionati tra aprile e luglio, i ricercatori hanno osservato l'uso dell'IA per attività tipicamente associate a professioni diverse da quella dell'utente. Tra circa 6.200 lavoratori osservati con continuità, le attività interprofessionali già utilizzate sono passate dal 13,1% dell'uso professionale dell'IA in aprile al 25,9% in luglio. In un'analisi separata con gruppo di confronto, chi aveva già usato una determinata attività interprofessionale vi tornava il mese successivo nel 23,6% dei casi, contro l'8,4% di lavoratori comparabili senza uso precedente osservato.

Questo non dimostra che i ruoli siano cambiati formalmente né che il lavoro sia stato svolto bene. Il campione riguarda utenti ChatGPT selezionati e misura l'uso, non la qualità del risultato. Mostra però che una parte di questo lavoro oltre i confini tradizionali della funzione diventa ricorrente.

Anche il modo di formulare le richieste è indicativo. Fuori dal proprio ambito professionale, gli utenti chiedevano meno spesso spiegazioni o istruzioni passo passo e fornivano più spesso contesto, esempi o richieste di verifica. Una delle interpretazioni proposte dai ricercatori è che le persone stiano prendendo in prestito competenze, più che cercare di diventare esperte della disciplina adiacente.

Per gli acquisti questo apre una domanda scomoda sulla responsabilità decisionale. Se un buyer inizia a svolgere attività con componenti legali, finanziarie o analitiche, chi possiede il giudizio quando la risposta sembra corretta ma non lo è? L'IA può ampliare il raggio d'azione del buyer senza trasferire automaticamente responsabilità, contesto e profondità professionale dello specialista.

Il divario di giudizio ora emerge anche dai dati sulla forza lavoro

Uno studio globale dell'IBM Institute for Business Value pubblicato il 21 settembre 2026 rende il problema più concreto. IBM e Oxford Economics hanno intervistato 1.500 CHRO e responsabili equivalenti della strategia della forza lavoro in 21 aree geografiche e 23 settori, insieme a 8.800 dipendenti a tempo pieno in 28 paesi.

Il 71% dei CHRO considera la capacità di supervisionare, validare e, quando necessario, scavalcare gli output dell'IA come la competenza più importante della forza lavoro. Solo il 29% dei dipendenti considera importante il giudizio. Il 60% teme che l'IA stia erodendo le proprie competenze, mentre il 41% dei CHRO ritiene che le persone possano non sentirsi sicure nel contestare o scavalcare una raccomandazione dell'IA.

Sono dati dichiarativi, non test misurati della capacità di giudizio. Non provano che l'IA abbia già ridotto il pensiero critico di una quantità precisa. Il segnale utile è il divario: le organizzazioni dichiarano il giudizio sugli output dell'IA una competenza centrale, ma chi deve esercitarlo non sembra attribuirgli la stessa priorità.

IBM riporta inoltre che l'80% dei CHRO vede l'IA creare lavoro invisibile, come validare raccomandazioni, correggere errori, aggiungere contesto e gestire eccezioni. Per gli acquisti è un punto centrale. Human in the loop non significa cliccare approva. Qualcuno deve riconoscere quando manca un fatto commerciale, quando un'ipotesi è superata o quando una risposta plausibile non corrisponde al deal reale.

Negli acquisti, la spiegazione cambia quanto ci si affida alla raccomandazione

Un esperimento pubblicato nel settembre 2026 sull'International Journal of Industrial Ergonomics offre un meccanismo specifico per gli acquisti. Yining Ye e colleghi hanno confrontato cinque tipi di spiegazione in un compito simulato di decisione procurement con 40 partecipanti.

I partecipanti preferivano spiegazioni informative, tecnicamente specifiche e logicamente coerenti. Il tipo di spiegazione influenzava sia la fiducia soggettiva sia l'accettazione della raccomandazione algoritmica.

Lo studio è esplorativo e piccolo. I partecipanti avevano tra 20 e 34 anni, con un'età media di 24,5 anni, e il compito utilizzava un insieme finito e predefinito di informazioni rilevanti. Le decisioni reali negli acquisti sono spesso più disordinate, con contesto distribuito tra ingegneria, finance, operations, contratti e storia del fornitore.

Proprio questo limite è importante.

Se il modo di spiegare cambia l'affidamento al sistema perfino in un compito circoscritto, un professionista ha bisogno di più di una raccomandazione. Deve vedere abbastanza del ragionamento, delle assunzioni e dei confini informativi per decidere quanta autorità merita l'output.

Questo spiega anche perché la trascrizione di una trattativa reale non è sempre sufficiente per guidare correttamente il buyer. Può mostrare la mossa fatta, ma non contenere il mandato, i costi di switching, il rischio di qualifica o il pacchetto commerciale che determina se quella mossa fosse difendibile.

Una raccomandazione dell'IA può diventare un'ancora interna

Gli acquisti conoscono bene l'effetto di ancoraggio nelle trattative. La prima cifra o cornice credibile influenza ciò che viene dopo, e una raccomandazione generata dall'IA può fare lo stesso all'interno dell'azienda.

Immaginiamo che un'analisi concluda che un aumento dell'otto per cento dovrebbe poter essere ridotto al tre. La cifra può dipendere da dati di mercato incompleti e da ipotesi sul potere negoziale. Una volta inserita in una presentazione convincente, però, inizia a organizzare la discussione: la finanza chiede perché il tre per cento non sia raggiungibile e il piano negoziale comincia a trattare una stima del modello come un riferimento aziendale.

Formalmente la decisione resta umana. In pratica dissentire diventa più costoso che accettare, perché chi contesta il risultato deve spiegare perché il sistema non va seguito. Lasciare l'ultima approvazione a una persona non basta a risolvere questo spostamento di autorità.

Il controllo umano esiste solo se si può realmente dissentire

Un articolo concettuale del 2026 su AI & Society affronta una domanda collegata attraverso l'idea di “benessere epistemico” nel lavoro: i professionisti conservano la possibilità reale di giudicare, contestare e assumersi responsabilità quando le raccomandazioni algoritmiche acquistano autorità organizzativa? Il lavoro non misura un effetto specifico negli acquisti, ma rende visibile un rischio di progettazione del processo.

Se una raccomandazione di approvvigionamento segue per impostazione predefinita un punteggio prodotto dall'IA e discostarsene richiede una nota di eccezione o l'approvazione di un superiore, la responsabilità può restare al compratore mentre l'autorità pratica si è già spostata. Una persona può essere formalmente nel processo e comportarsi comunque come un semplice ratificatore.

Un controllo significativo richiede quindi comprensione, accesso all'evidenza e la possibilità organizzativa di dire che una raccomandazione è plausibile ma non ancora sufficientemente solida per quella decisione.

Gli acquisti possono allenare più l'uso dell'IA che la capacità di contestarla

L'analisi quinquennale del Procurement Imperative pubblicata da SAP il 17 settembre 2026 offre un segnale specifico per gli acquisti.

L'ultima ricerca ha coinvolto 2.648 dirigenti C-level in 23 paesi. Nell'edizione 2025 della serie, il 68,2% indicava competenza nell'IA ed etica come principale priorità di skill, mentre le competenze tradizionali degli acquisti erano citate dal 34,1%. La curiosità era prioritaria solo per il 10%.

La stessa serie mostra che nel 2026 insight guidati dall'IA e capacità predittiva sono diventati la principale priorità del category management, citata dal 66,6% dei rispondenti.

Questi dati non dimostrano che i team stiano perdendo curiosità o giudizio. Mostrano però dove si concentra l'attenzione formale.

Può quindi emergere un paradosso. Gli acquisti possono diventare molto bravi a usare l'IA e investire troppo poco nella capacità di metterla in discussione.

La competenza pratica non è la curiosità come tratto astratto della personalità. È comportamento commerciale osservabile: chiedere quali prove sostengono la raccomandazione, testare le assunzioni, cercare il contesto del fornitore che manca, contestare una risposta comoda e capire quando un output del modello non deve diventare l'ancora interna.

Un buyer che accetta senza verifica un argomento di costo plausibile generato dall'IA ha, in sostanza, lo stesso problema di capacità di un buyer che accetta senza verifica un argomento plausibile del fornitore.

Più il sistema migliora, più serve calibrare la fiducia

Un cattivo strumento mantiene alta l'attenzione perché ogni risposta appare dubbia. Uno strumento molto utile crea il rischio opposto: è corretto abbastanza spesso da far sembrare la verifica una perdita di tempo. La competenza non consiste nel resistere all'IA, ma nel sapere quando la fiducia è giustificata e quando una decisione ad alto impatto richiede ulteriori controlli.

Un professionista maturo può usare direttamente un risultato quando le fonti sono aggiornate, le ipotesi aderiscono al caso e il costo di un errore è limitato. La stessa persona si ferma se la raccomandazione dipende da un costo di sostituzione non verificato e potrebbe influenzare una decisione critica sul fornitore.

Entrambe sono forme competenti di utilizzo. La sfiducia totale spreca la tecnologia; la fiducia totale cede il giudizio.

La trattativa mostra il confine con chiarezza

La negoziazione rende il problema evidente perché il piano preparato incontra nuova informazione in tempo reale. Il fornitore contesta il modello di costo, l'ingegneria rivela una qualifica più lunga, una concessione sul prezzo arriva legata a un impegno di volume inatteso oppure la controparte porta il conflitto a un livello superiore. A quel punto il compratore deve decidere che cosa cambia davvero.

Voice2Evolve lavora su questo confine di esecuzione. Il partecipante può entrare nello sparring con un piano preparato anche con l'aiuto dell'IA, incontrare resistenza e poi analizzare perché il piano è stato seguito, modificato o abbandonato. Non conta l'obbedienza alla preparazione, ma la qualità commerciale della ragione che ha guidato la decisione.

L'IA rende gli acquisti più veloci nel produrre informazione. Proprio per questo diventa più preziosa la capacità di decidere quanta autorità concedere a quell'informazione.

Fonti

• IBM Institute for Business Value (21 settembre 2026). New IBM CHRO Study: AI Puts Critical Thinking at the Center of Workforce Priorities.

• Ye, Y., Zheng, J., & Ma, L. (settembre 2026). Decoding user preferences: A study of explanations for algorithmic decision support in procurement. International Journal of Industrial Ergonomics, 115, 104029.

• OpenAI Economic Research (16 settembre 2026). How workers are unlocking new ways of working, Work at the Frontier.

• Igbodor, E. et al. (2026). Trust calibration in human-AI collaborative decision-making: a cross-domain investigation of climate intelligence and organisational governance systems. Human-Intelligent Systems Integration.

• Salazar-Altamirano, M. A., & Ravina-Ripoll, R. (2026). Beyond efficiency: epistemic well-being at work under algorithmic governance. AI & Society.

• Borisov, I. G. (2026). From Outputs to Warranted Claims: Reframing AI Literacy as Culturally Mediated Quality Judgement for HRD. Human Resource Development Review.