Del lato oscuro dell’Intelligenza Artificiale si è scritto fin troppo. Robot assassini, posti di lavoro persi, allineamenti morali. Il lato davvero oscuro dell’AI è un altro, e quasi nessuno lo menziona: quello invisibile. Non ciò che l’AI fa, ma ciò che l’AI nasconde. Ciò che noi, ogni giorno, scegliamo di non far vedere quando la usiamo. Si chiama effetto SUGAR, e lo si fa per ragioni che il senso comune non sospetta.
Effetto SUGAR, una pratica di massa
I numeri oscillano, le metodologie differiscono, la direzione è una sola. Il sondaggio Cornerstone OnDemand, condotto da Censuswide su 2.000 dipendenti britannici nell’ottobre 2025, mostra che il 73% degli utenti di AI non comunica sempre l’uso dell’AI ai manager o ai colleghi. Microsoft e LinkedIn, nel Work Trend Index 2024 — campione di 31.000 lavoratori della conoscenza in 31 paesi — rilevano che il 52% di chi usa l’AI è restio ad ammetterlo per i compiti più importanti. Ivanti, nel Technology at Work Report del 2025, su 6.000 lavoratori d’ufficio, riporta che il 32% nasconde l’uso al proprio datore di lavoro. Le tre indagini misurano outcome diversi — la non-comunicazione abituale, la reticenza nei compiti rilevanti, l’occultamento attivo — e ciò che converge è la direzione, non il suo esatto valore. Il fenomeno ha persino un nome accademico, coniato nel 2025 da Peikai Li e colleghi: SUGAR, “Stealth Use of Generative AI Resources” (Uso furtivo dell’Intelligenza Artificiale generativa).
Il 53% di chi usa l’AI per compiti importanti teme di apparire sostituibile
Il senso comune suggerisce: si nasconde per vergogna. I dati dicono l’opposto. Lo studio Cornerstone misura la domanda esplicitamente: il 38% dei dipendenti britannici dichiara di non sentirsi mai in imbarazzo nell’uso dell’AI al lavoro. La cifra americana, su un campione di 1.000 consumatori statunitensi segmentati per status occupazionale, è ancora più alta: 76%. Eppure, si nasconde. Il movente è altrove. Microsoft 2024 dà il primo indizio: il 53% di chi usa l’AI per compiti importanti teme di apparire sostituibile. La conferma empirica arriva dalla Fuqua School of Business della Duke University. Jessica Reif, Richard Larrick e Jack Soll pubblicano a maggio 2025 sulla rivista PNAS 4 esperimenti su oltre 4.400 partecipanti complessivi. Risultato: chi dichiara di usare l’AI subisce giudizi negativi sulla competenza e sulla motivazione da parte di osservatori esterni. In uno dei quattro esperimenti, 1.718 partecipanti agiscono come manager simulati che valutano profili di candidati. I manager che usano poco l’AI tendono a non assumere chi la usa quotidianamente. L’effetto, rilevano gli autori, non dipende dall’età, dal genere o dalla professione del valutato: è pervasivo e consistente, non un pregiudizio individuale ma una caratteristica del campo di gioco.
Chi dichiara di usare l’AI subisce giudizi negativi sulla competenza e sulla motivazione da parte di osservatori esterni
Il lavoratore che nasconde l’AI non è paranoico. È razionale. Ha letto correttamente la realtà sociale che lo circonda: chi dichiara paga. Calcola questo rischio e tace. È uno spostamento di piano importante. Lo SUGAR del 2025 non è una vergogna affettiva. È più vicino a ciò che Erving Goffman aveva descritto nel 1959 con la formula della gestione della facciata. Lo sostengono esplicitamente Nils Klowait e Maria Erofeeva in un articolo pubblicato ad agosto 2025 su Frontiers in Sociology, dal titolo “The presentation of self in the age of ChatGPT”. Il loro punto è semplice: l’Intelligenza Artificiale al lavoro affianca, non sostituisce; e proprio per questo i lavoratori si trovano continuamente a mettere in scena che cosa conti come “vero” lavoro. Il backstage contiene ChatGPT. Il frontstage deve fingere che non ci sia. Non c’è senso di colpa, c’è regia. Si nasconde l’AI come si nasconde un trucco da prestigiatore. Non perché ci si vergogni di averlo usato, perché lo spettacolo richiede che il pubblico non lo veda.
La prima trappola dell’effetto SUGAR: si nasconde e si perde
Il calcolo, però, si rivela autodistruttivo e paradossale. Costruito per evitare un giudizio sociale, finisce per produrre un sentimento interiore: l’inadeguatezza. Lo studio di Li, Ma, Dong, Xing e Yuan che ha introdotto SUGAR conduce un’analisi multi-wave (con dati raccolti in più momenti temporali) su 207 dipendenti tra Regno Unito e Cina. Il risultato è un paradosso: l’uso dell’Intelligenza Artificiale migliora le prestazioni lavorative, ma nasconderne l’uso le peggiora. I meccanismi documentati sono due. Il primo è la riduzione dell’apprendimento riflessivo: chi nasconde non si confronta con i colleghi su ciò che ha fatto, non riceve feedback e la mente non rielabora ciò che ha prodotto. La competenza non si sedimenta. Il secondo è la pressione di quelli che la letteratura psicologica chiama impostor feelings, un costrutto introdotto nel 1978 da Pauline Clance e Suzanne Imes sulla rivista Psychotherapy: Theory, Research & Practice per descrivere il sentimento interno di frode personale anche in presenza di competenza oggettiva. Nel caso del SUGAR, il meccanismo si attiva attraverso il divario tra ciò che si mostra pubblicamente (lavoro autonomo) e ciò che si fa privatamente (assistenza algoritmica): la sicurezza professionale si erode progressivamente. L’esito è un cortocircuito perfetto. La paura di apparire sostituibili produce l’occultamento. L’occultamento comporta un calo delle prestazioni e dell’apprendimento. Il calo rende davvero più sostituibili. Il calcolo, troppo prudente, si ritorce contro chi lo fa.
La seconda trappola: il danno non resta privato, ma si diffonde nel team
Il danno non resta privato, ma si diffonde nel team. Zhiping Zhang e colleghi della Northeastern University, in uno studio del 2024 pubblicato nei Proceedings of the ACM on Human-Computer Interaction, distinguono due gradi del comportamento di occultamento: la passive non-disclosure (non lo dico spontaneamente, ma se me lo chiedono ammetto) e l’active concealment (anche se me lo chiedono, lo nego). Tra gli 180 utilizzatori di LLM intervistati, il 62% riferisce di aver utilizzato LLM in modo segreto. Entrambi i gradi sono presenti nel campione: è il passaggio dal silenzio al mendacio.
Agrawal e Ali, nel loro Development and Learning in Organizations del 2025, introducono una nuova categoria: l’AI free-rider. Il termine richiama esplicitamente il free riding di Mancur Olson (La logica dell’azione collettiva, 1965) e il social loafing di Bibb Latané, Kipling Williams e Stephen Harkins del 1979. Ma con una torsione. Il free-rider tradizionale non faceva e si vedeva. L’AI free-rider produce e il suo output è materialmente indistinguibile da quello dei colleghi che lavorano davvero. È un’asimmetria che spezza ogni meccanismo di valutazione equa del contributo.
Dove cresce la consapevolezza dell’AI in azienda, cresce il knowledge hiding, l’occultamento della conoscenza fra colleghi
Liu, Lin, Tu e Xu, su Frontiers in Psychology di luglio 2025, rilevano, su un campione di 311 dipendenti cinesi, un effetto correlato: dove cresce la consapevolezza dell’AI in azienda, cresce il knowledge hiding, l’occultamento della conoscenza fra colleghi. La fiducia interna si erode in due movimenti simultanei. Si nasconde l’AI e si nasconde anche ciò che si sa, per paura che i colleghi possano ottenerlo da soli con uno strumento equivalente. Un sondaggio di ResumeBuilder del maggio 2026 – condotto su 1.000 lavoratori statunitensi tutti già preoccupati per licenziamenti imminenti – registra il punto di approdo possibile. Il 60,7% ha usato l’AI per assorbire le mansioni dei colleghi. Il 70,8% di loro ha preso di mira colleghi che erano amici sul lavoro. È il SUGAR nella sua forma estrema: nascosto, opportunistico e predatorio.
Il 60,7% dei lavoratori ha usato l’AI per assorbire le mansioni dei colleghi: è il SUGAR nella sua forma estrema
C’è poi una terza dimensione del danno, meno ovvia. Uno studio in laboratorio di Jiaxuan Han e Ruqin Ren, Shanghai Jiao Tong University, pubblicato a settembre 2025 su Frontiers in Psychology, esamina 60 team di due persone in tre condizioni: nessun accesso all’AI, accesso ineguale (a uno solo dei due membri), accesso pieno. Le prestazioni di team più alte – in qualità e velocità – emergono nella condizione di accesso ineguale. Quando uno dei due ha l’AI e l’altro no, la diversità cognitiva del team cresce, le domande si concentrano in modo più produttivo sull’utilizzatore e il lavoro accelera. Lo studio testa solo la condizione di asimmetria dichiarata, ma il meccanismo dipende strettamente dalla visibilità: chi non ha l’AI deve sapere a chi rivolgere le domande affinché il pattern produttivo si formi. Quando l’asimmetria è nascosta, il pattern non può attivarsi. L’utilizzatore clandestino non si appropria soltanto di un vantaggio personale: distrugge anche l’opportunità di cooperazione asimmetrica che la disparità dichiarata avrebbe generato. Si nasconde e fa perdere il team.
Il vuoto strutturale
Tutto questo si svolge in un vuoto di regole. Angel Hwang e colleghi della USC Annenberg, in uno studio pubblicato nei proceedings della conferenza CHI 2026 dell’ACM, aprono con un caso emblematico. Marzo 2023: su Upwork, una delle più grandi piattaforme mondiali di lavoro da remoto, un freelance chiede al forum della community qual è la posizione ufficiale sull’uso di ChatGPT. Segue quasi un anno di discussione tra gli utenti. Il thread viene poi chiuso. Al 2025, la piattaforma non ha ancora pubblicato una linea. Lo studio rileva uno scarto strutturale che il singolo lavoratore non percepisce: il 65,59% dei freelance crede di poter usare l’AI per i propri compiti, mentre il 78,13% dei clienti dichiara di permetterne l’uso. I lavoratori sottostimano l’apertura del sistema. Nascondono più di quanto sia necessario.
La trasparenza imposta sull’uso dell’AI riduce l’adozione visibile, ma fa esplodere lo shadow adoption, cioè l’uso clandestino
Il vuoto, però, non è solo passivo. È anche attivo. Mengchen Dong, Hiromu Yakura, Omar Sherif, Jean-François Bonnefon e Iyad Rahwan (Max Planck Institute for Human Development, Berlino) pubblicano nell’agosto 2025 tre esperimenti, di cui uno pre-registrato (con ipotesi e analisi depositate prima della raccolta dei dati), su un totale di 2.155 partecipanti tra candidati e valutatori. Scenario: candidature lavorative incentivate. Risultato controintuitivo: la trasparenza imposta sull’uso dell’AI riduce l’adozione visibile, ma fa esplodere lo shadow adoption, cioè l’uso clandestino costruito proprio per evitare la detection. Gli utilizzatori shadow producono, peraltro, le candidature di qualità più alta, valutate da professionisti HR all’oscuro della loro provenienza. Quando la consapevolezza del trade-off si diffonde, lo shadow raddoppia. Le politiche pensate per imporre l’etica dell’AI, scrivono testualmente gli autori, “premiano l’occultamento invece della conformità”.
In Italia oltre 4 aziende su 10 hanno pubblicato linee guida sull’uso dell’AI e che il 17% vieta esplicitamente l’uso di strumenti non approvati
Il dato italiano segue la stessa parabola, con un termine più sobrio. L’Osservatorio Artificial Intelligence del Politecnico di Milano, nel rapporto presentato a febbraio 2025, registra che oltre 4 aziende su 10 hanno pubblicato linee guida sull’uso dell’AI e che il 17% vieta esplicitamente l’uso di strumenti non approvati. La motivazione dichiarata, testualmente, è “evitare logiche di Shadow AI”. Eppure, solo il 7% delle piccole imprese e il 15% delle medie imprese hanno avviato progetti AI strutturati. Dove la policy manca, l’occultamento non è scelta: è destino. Dove la policy esiste, il divieto resta la modalità più visibile, non l’abilitazione. Si vieta, si nasconde e si scopre. È un ciclo.
Effetto SUGAR, chi nasconde l’AI non protegge sé stesso: disinveste sulla propria competenza
La trasparenza, di fronte a una tecnologia che è entrata in milioni di scrivanie senza che nessuno la annunciasse, smette di essere una virtù morale astratta. Diventa una condizione di efficacia. Chi nasconde l’AI non protegge sé stesso: disinveste sulla propria competenza. Chi la nasconde nel proprio team disinveste nei propri rapporti, nel valore del lavoro insieme. E le organizzazioni che, di fronte al fenomeno, rispondono con il divieto producono soltanto la versione successiva del nascosto, più scaltra e più capillare. Il lato davvero oscuro dell’Intelligenza Artificiale non è ciò che la macchina ci nasconde. È la regia con cui scegliamo di non farla vedere agli altri. E che, nascondendola, finiamo per non saperla davvero usare.
*Andrea Laudadio è a capo della Formazione e Sviluppo di TIM e dirige la TIM Academy.
Nota metodologica
Le indagini Cornerstone OnDemand, Microsoft & LinkedIn, Ivanti e ResumeBuilder citate nel testo sono commissionate da operatori industriali con interessi diretti nel fenomeno descritto. Le percentuali convergono nella direzione, meno nelle cifre esatte. Gli studi accademici peer-reviewed citati restano la base empirica del pezzo.
Fonti
Agrawal, A., & Ali, S. (2025). Double trouble: How AI efficiency is boosting speed but burdening team leaders and bypassing quality. Development and Learning in Organizations: An International Journal. https://doi.org/10.1108/DLO-11-2024-0344
Clance, P. R., & Imes, S. A. (1978). The imposter phenomenon in high achieving women: Dynamics and therapeutic intervention. Psychotherapy: Theory, Research & Practice, 15(3), 241–247. https://doi.org/10.1037/h0086006
Cornerstone OnDemand. (2025, 19 novembre). Hidden AI: Lack of Training Keeps AI Use in the Shadows Despite AI Usage Encouragement From Employers [comunicato stampa]. https://www.cornerstoneondemand.com/company/news-room/press-releases/hidden-ai-lack-of-training-keeps-ai-use-in-the-shadows-despite-ai-usage-encouragement-from-employers/
Dong, M., Yakura, H., Sherif, O., Bonnefon, J.-F., & Rahwan, I. (2025). Shadow AI thrives under punitive social evaluation. OSF Preprints. https://doi.org/10.31234/osf.io/tfv79_v1
Goffman, E. (1959). The presentation of self in everyday life. Doubleday Anchor. [tr. it. La vita quotidiana come rappresentazione, traduzione di M. Ciacci, il Mulino, Bologna, 1969].
Han, J., & Ren, R. (2025). Why unequal AI access enhances team productivity: The mediating role of interaction processes and cognitive diversity. Frontiers in Psychology, 16, 1636906. https://doi.org/10.3389/fpsyg.2025.1636906
Hwang, A. H.-C., Wong, S., Chen, B., He, J., & Do, H. J. (2026). “Better Ask for Forgiveness than Permission”: Practices and Policies of AI Disclosure in Freelance Work. In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3772318.3791920
Ivanti. (2025). 2025 Technology at Work Report: Reshaping Flexible Work. https://www.ivanti.com/blog/shadow-ai
Klowait, N., & Erofeeva, M. (2025). The presentation of self in the age of ChatGPT. Frontiers in Sociology, 10, 1614473. https://doi.org/10.3389/fsoc.2025.1614473
Latané, B., Williams, K., & Harkins, S. (1979). Many hands make light the work: The causes and consequences of social loafing. Journal of Personality and Social Psychology, 37(6), 822–832. https://doi.org/10.1037/0022-3514.37.6.822
Li, P., Ma, L., Dong, N., Xing, L., & Yuan, S. (2025). When hiding hurts: How stealth use of generative AI resources impairs task performance. OSF Preprints. https://doi.org/10.31234/osf.io/hk9dw_v2
Liu, Z., Lin, Q., Tu, S., & Xu, X. (2025). When robot knocks, knowledge locks: How and when does AI awareness affect employee knowledge hiding? Frontiers in Psychology, 16, 1627999. https://doi.org/10.3389/fpsyg.2025.1627999
Microsoft & LinkedIn. (2024). 2024 Work Trend Index Annual Report: AI at Work Is Here. Now Comes the Hard Part. https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part
Olson, M. (1965). The logic of collective action: Public goods and the theory of groups. Harvard University Press. [tr. it. La logica dell’azione collettiva. I beni pubblici e la teoria dei gruppi, traduzione di S. Sferza, Ledizioni, Milano, 2013, riedizione della prima trad. it. 1983].
Osservatorio Artificial Intelligence Politecnico di Milano. (2025, febbraio). Artificial Intelligence, e questo è solo l’inizio [rapporto di ricerca]. POLIMI School of Management. https://www.osservatori.net/comunicato/artificial-intelligence/intelligenza-artificiale-italia-2024/
Reif, J. A., Larrick, R. P., & Soll, J. B. (2025). Evidence of a social evaluation penalty for using AI. Proceedings of the National Academy of Sciences, 122(19), e2426766122. https://doi.org/10.1073/pnas.2426766122
ResumeBuilder.com. (2026, 1 maggio). 3 in 5 Workers Are Using AI to Hijack Their Coworkers’ Jobs to Stay Employed [comunicato stampa]. PR Newswire. https://www.prnewswire.com/news-releases/3-in-5-workers-are-using-ai-to-hijack-their-coworkers-jobs-to-stay-employed-302759988.html
Zhang, Z., Shen, C., Yao, B., Wang, D., & Li, T. (2024). Secret use of large language models. Proceedings of the ACM on Human-Computer Interaction. https://arxiv.org/abs/2409.19450
