Il 99% dei ricercatori UX ha l’AI, ma non se ne fida

Quasi tutti i ricercatori usano l’AI generativa, ma il sentiment resta negativo e sotto la sufficienza.

Chi gestisce campagne conosce bene la scena: la dashboard segna una copertura quasi totale, eppure le conversioni non arrivano. La metrica di superficie è perfetta, il risultato reale racconta altro. Nella ricerca UX sta succedendo qualcosa di simile con l’intelligenza artificiale generativa. Secondo il sondaggio di Nielsen Norman Group sull’AI nella UX, pubblicato la scorsa settimana su dati raccolti ad agosto 2026, il 99% dei ricercatori intervistati ha accesso a strumenti di AI generativa sul lavoro. Il sentiment medio verso questi strumenti, però, si ferma a 3,57 su 5. Non è una notizia dell’ultima ora: è un benchmark da leggere a mente fredda, soprattutto da chi decide come dividere il budget tra strumenti e persone.

Il 99% che non dice nulla

Un accesso quasi universale significa una cosa semplice: avere l’AI in azienda non è più un vantaggio competitivo, è la dotazione di base. Vale come per le piattaforme pubblicitarie, dove tutti hanno a disposizione le stesse funzioni di automazione e la differenza la fa chi le usa meglio. Quando il 99% del mercato ha lo stesso strumento, misurarne la diffusione equivale a misurare le impression senza guardare cosa succede dopo il clic. La domanda utile diventa un’altra: quanto ci si fida davvero di quello che lo strumento produce?

Voto 3,57, commenti in rosso

A prima vista il quadro è rassicurante. Un punteggio medio di 3,57 su 5 indica un sentiment lievemente positivo verso l’AI sul lavoro. Ma basta spostarsi dal dato aggregato al feedback qualitativo per vedere un’altra storia. Tra chi ha scelto di lasciare un commento aperto, il 69% ha espresso un qualche sentiment negativo. È lo stesso scarto che un media buyer vede tra le metriche riportate dalla piattaforma e le risposte reali degli utenti: il numero medio tiene, i dettagli segnalano attrito.

Le barriere dichiarate spiegano dove si inceppa il ritorno. La prima è la qualità dell’output, indicata dal 54% degli intervistati. La seconda è la privacy e la sicurezza dei dati, citata dal 50%. Sono due problemi molto concreti. Il primo dice che l’output va controllato, corretto e spesso rifatto, quindi il tempo risparmiato in produzione rischia di essere speso in verifica. È un costo nascosto che raramente compare nei business case. Il secondo dice che una parte del lavoro, quella che tocca dati sensibili di utenti e clienti, non può essere affidata allo strumento senza garanzie che molte organizzazioni evidentemente non sentono di avere.

C’è poi un terzo dato, forse il più interessante per chi pianifica l’organico. Il 65% degli intervistati si aspetta che il proprio ruolo resti importante o cresca. I professionisti, insomma, non si sentono sostituibili dall’AI. Ma non si sentono neppure pienamente serviti dallo strumento. È il profilo di chi usa la tecnologia ogni giorno, ne conosce i limiti e sa che qualcuno deve restare a valutare cosa esce dalla macchina. Resta allora una domanda scomoda: se chi lavora con l’AI ne vede chiaramente i confini e si considera ancora necessario, perché negli anni scorsi le aziende hanno tagliato proprio queste figure?

Chi ha pagato la narrazione

Per rispondere bisogna fare un salto indietro, prima dei dati di agosto 2026. Secondo NN/g, che lo ricostruisce nel rapporto State of UX 2026, la narrazione «l’AI sostituirà i designer» ha alimentato licenziamenti e instabilità tra il 2023 e il 2025. La promessa dell’automazione è diventata, in molti casi, una giustificazione per ridurre i team.

I numeri di quel periodo lo confermano. Secondo il report State of User Research di User Interviews, nel 2025 il 21% degli intervistati ha dichiarato che la propria azienda aveva licenziato ricercatori user/UX, una quota circa in linea con il 2024. Nello stesso anno, l’11% ha riferito di essere stato licenziato in prima persona. Due anni consecutivi di tagli di questa portata non sono un incidente: sono una scelta di allocazione delle risorse. E alla luce di quanto emerge oggi, con la qualità dell’output in cima alle barriere, viene da chiedersi quanta della «efficienza» attribuita all’AI fosse un ritorno reale e quanta un semplice taglio di costi presentato con un’etichetta più presentabile.

Per chi decide dove mettere il budget, il messaggio è operativo. Comprare accesso all’AI non equivale a comprare risultati, così come comprare copertura non equivale a comprare conversioni. Se qualità dell’output e sicurezza dei dati restano le barriere principali, è su quelle che va misurato il ritorno: quanto output è utilizzabile senza rifacimenti, quanto lavoro può davvero passare dallo strumento senza esporre dati sensibili. E le persone che sanno valutare quell’output fanno parte dell’investimento. Trattarle come la voce da tagliare per finanziare le licenze significa ottimizzare la metrica sbagliata.