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.

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.

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

• 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.