Oleksandr Moccogni Corso AI Entra in lista

Il collo di bottiglia si è spostato: AI slop e revisione umana

Pubblicato Aggiornato 19 min di lettura
In breve

L'AI slop costa poco da produrre e molto da controllare. Perché il collo di bottiglia è passato al rivedere: numeri veri, miei errori e un budget di revisione.

Il collo di bottiglia si è spostato: AI slop e revisione umana

L’AI slop non è soprattutto un problema di scrittura. È quello che ottieni quando produrre output diventa quasi gratis e controllarlo no.

L’11 ottobre 2026 un assistente AI mi ha detto che il primo segmento di un cortometraggio generato era un enorme salto in avanti e che le mani andavano bene. Non aveva contato le braccia. L’ho fatto io, e un terzo avambraccio, enorme, stava in primo piano per 4,5 secondi. La clip era inutilizzabile.

Il modello non era il cattivo di quella storia. Il problema era il passo dopo la generazione: qualcuno deve guardare, contare e dire no. Quel passo non è diventato più veloce quando è diventata più veloce la generazione.

Questo articolo parla di quel divario. Lo chiamo il collo di bottiglia della revisione: il punto di un flusso di lavoro in cui un output dall’aspetto finito aspetta una persona in grado di giudicarlo. Definirò l’AI slop, mostrerò l’unico insieme di numeri di cui mi fido sul collo di bottiglia, ripercorrerò tre volte in cui la mia pipeline mi ha ingannato e darò il budget di revisione che uso adesso.

I punti chiave

  • L’AI slop si definisce per la revisione che manca, non per il modello. La definizione più nota lo descrive come contenuto non rivisto consegnato a chi non l’aveva chiesto.
  • Il collo di bottiglia è passato dal creare al giudicare. In un grande insieme di dati, i team con alta adozione dell’AI hanno unito il 98% di pull request in più e il loro tempo di revisione è salito del 91%.
  • Il rapporto di chi produce non è un controllo. Nei miei tre errori qui sotto, il sistema che ha fatto il lavoro diceva anche che il lavoro andava bene.
  • Prima viene un controllo automatico. Ho inventato 56 difetti in una copia del mio codice: 50 sono stati trovati subito, 6 sono sopravvissuti, e ora ne vengono trovati 56 su 56.
  • Metti a budget la revisione prima di aggiungere output. Se la coda degli elementi non rivisti cresce, smetti di generare.
  • Non fidarti mai di un messaggio di stato come verifica. Elenca cosa sta girando, conta cosa c’è nell’inquadratura.

Che cos’è l’AI slop? Il significato della parola

La parola “slop” si è diffusa abbastanza in fretta da essere eletta parola dell’anno 2025 da Merriam-Webster. La definizione del dizionario, come ha riportato l’Associated Press il 15 dicembre 2025, è “contenuto digitale di bassa qualità, prodotto di solito in grandi quantità per mezzo dell’intelligenza artificiale” (mia traduzione). Il suo presidente, Greg Barlow, ha fatto degli esempi: video assurdi, strane immagini pubblicitarie, notizie false che sembrano vere, libri digitali scadenti scritti dall’AI.

Questo è il significato da dizionario. Quello più tagliente è arrivato prima. L’8 maggio 2024 lo sviluppatore Simon Willison ha spiegato in un breve post cosa significa slop e ha detto di essere “sempre più dell’opinione che condividere con altre persone contenuti non rivisti, generati artificialmente, sia maleducato” (mia traduzione), definendo lo slop “il nome ideale per questo anti-pattern” (mia traduzione).

Ha aggiunto un limite che conta: “Non tutti i contenuti generati dall’AI sono slop. Ma se sono generati senza pensarci e scaricati addosso a qualcuno che non li aveva chiesti, slop è il termine perfetto.” (mia traduzione)

Mettendo insieme le due cose, l’AI slop ha tre parti:

TestDomandaÈ slop se
RichiestoIl lettore l’aveva chiesto?No
RivistoUna persona in grado di giudicarlo l’ha controllato prima che uscisse?No
VolumeÈ stato prodotto in quantità perché produrlo costava poco?Sì

Guarda la riga centrale. Lo slop non si definisce da come suona il testo o da come appare l’immagine. Si definisce dalla revisione che manca. Lo stesso paragrafo è slop se nessuno l’ha controllato e va bene se qualcuno l’ha fatto.

Per questo penso che la domanda utile non sia “come impedisco all’AI di produrre slop?”. È “chi controlla, quanto può controllare e cosa succede quando l’output arriva più in fretta di quanto riesca a gestire?” La mia risposta per il lavoro con gli agenti è in agenti AI per il marketing.

Tre test per l'AI slop: richiesto, rivisto, volume, con la riga della revisione evidenziata (testo nell'immagine in inglese: «Three tests for AI slop.»)

Il collo di bottiglia dell’AI è passato dal creare al giudicare

Prima dell’AI generativa, fare un documento, un report o un pezzo di codice richiedeva tempo. Quel tempo era una valvola naturale. Un team non poteva dare a un revisore più di quanto il team riuscisse a scrivere, quindi la capacità di revisione e quella di creazione crescevano più o meno insieme.

Ora la creazione scala con la potenza di calcolo. La revisione scala con l’attenzione umana, e l’attenzione è seriale: una persona legge una cosa alla volta. Quando il primo numero sale e il secondo resta fermo, la coda fa l’aritmetica.

Uso l’espressione “collo di bottiglia della revisione” per questo. Lo vedi nell’immagine qui sotto: lo stesso team e lo stesso unico revisore, prima e dopo l’aggiunta dell’AI. I numeri nell’immagine sono un’illustrazione, non dati.

Diagramma prima e dopo: tre autori mandano pochi documenti a un revisore tranquillo; dopo l'AI, lo stesso team sommerge quell'unico revisore con una lunga coda, numeri segnati come esempio (testo nell'immagine in inglese: «The Bottleneck Moved.»)

Un insieme di dati che lo mostra

I numeri migliori che conosco vengono dai team software, dove le pull request rendono visibile la revisione. In un report pubblicato il 23 luglio 2025, Faros AI, che vende software ai responsabili dell’ingegneria, ha usato la telemetria di oltre 10.000 sviluppatori in 1.255 team. Ha trovato che gli sviluppatori dei team con alta adozione dell’AI “completano il 21% di attività in più e uniscono il 98% di pull request in più, ma il tempo di revisione delle PR aumenta del 91%” (mia traduzione).

Lo stesso report collega l’adozione dell’AI a un aumento del 154% della dimensione media delle pull request e a un aumento del 9% dei bug per sviluppatore. Faros stessa definisce lo schema “un collo di bottiglia critico: l’approvazione umana” (mia traduzione).

Leggilo con attenzione. Sono dati di telemetria osservativi, non un esperimento controllato, quindi mostrano un’associazione e non una causa. Faros vende a chi si preoccupa di questo problema, quindi ha un interesse nell’argomento. E misura il codice, non il marketing.

Eppure la forma è quella che vedo nel mio lavoro. L’output sale di molto, e ogni unità di output diventa anche più grande. Anche il tempo che serve a una persona per unità sale. Niente in questa catena rende la revisione più economica.

Se lavori nel marketing, sostituisci “pull request” con “report di campagna”, “articolo”, “variante di annuncio” o “landing page”. La struttura è identica. Qualcuno deve approvarlo prima che esca, e quel qualcuno sei tu.

Grafico a barre: pull request unite +98% e tempo di revisione +91% nei team con alta adozione dell'AI, fonte Faros AI, luglio 2025 (testo nell'immagine in inglese: «Output up 98%. Review time up 91%.»)

Perché la revisione non scala come la generazione

Ho quattro motivi, e vengono dal mio lavoro, non da uno studio:

  1. Il giudizio è seriale. Posso avviare dieci generazioni insieme. Non posso giudicarne dieci insieme.
  2. L’output scorrevole nasconde i suoi errori. Un numero sbagliato in una tabella curata è più difficile da cogliere di un numero sbagliato in un appunto grezzo. Più bella è la superficie, più debole diventa il mio controllo, a meno che non lo rafforzi apposta.
  3. Controllare richiede un contesto che generare non richiede. Il modello può produrre una clip o un report senza sapere a cosa serva il progetto. La persona che lo rivede deve sapere esattamente quello.
  4. Nessuno sente subito il costo di una revisione saltata. L’output esce, la coda si accorcia, e l’errore salta fuori dopo, da un’altra parte, con un altro nome.

La mia stima, non una misura: quando costruisco qualcosa esattamente come lo voglio, una funzione alla volta, spendo circa quattro volte il tempo di debug che servirebbe a un flusso standard, solo umano.

Comunque risparmio tempo nel complesso, ma ci vuole più tempo ed è più difficile che dire all’AI di “farlo e basta”. Un mio progetto è passato da un ambito piccolo a uno su scala enterprise in poche ore, non giorni. Scrivere codice ha smesso di essere la parte lenta. Controllarlo non è diventato più veloce.

Tre volte in cui la mia pipeline mi ha ingannato

Lavoro con gli agenti AI ogni giorno e preferisco mostrarti dove hanno fallito piuttosto che ripetere una promessa. Questi tre casi sono veri, e ognuno ha la stessa forma: il sistema che ha fatto il lavoro ha anche riferito che il lavoro andava bene.

1. Il terzo avambraccio (11 ottobre)

Stavo generando un cortometraggio a segmenti. È tornato il primo segmento, e il rapporto dell’assistente lo definiva un enorme salto e diceva che le mani andavano bene. Non avevo contato le braccia.

Quando ho guardato, un gigantesco terzo avambraccio restava in primo piano per 4,5 secondi.

Il rapporto non era una bugia in senso intenzionale. Era un riassunto scritto dallo stesso processo che aveva fatto la clip, e quel processo non aveva nessun passo in cui dovesse trovare un difetto.

La regola che ho scritto dopo: conta braccia e dita su fotogrammi ingranditi, e fai iniziare il primo rapporto dai difetti, non dai complimenti. Se il primo rapporto non sa nominare un difetto, lo considero incompleto.

Scheda del caso: il rapporto diceva che le mani vanno bene, il controllo ha trovato un terzo avambraccio per 4,5 secondi, la regola è contare braccia e dita su fotogrammi ingranditi (testo nell'immagine in inglese: «The report said fine. I counted the arms.»)

2. “Fermato con successo” (17 ottobre)

Ho fermato un’attività di shell che eseguiva dei test. Lo strumento ha risposto “Fermato con successo.” La shell e il processo Python erano ancora vivi. Quando ne ho terminato uno, la shell ha lanciato il passo successivo.

Un messaggio di stato è un’affermazione. Non è un controllo. Un arresto che non hai verificato è un arresto che speri.

La regola: dopo aver fermato qualsiasi cosa, elenca i processi in esecuzione e ripeti finché l’elenco è vuoto. Poi continua.

3. Un test che non poteva fallire (dal 23 settembre all’11 ottobre)

Un test end-to-end per il tracciamento di un modulo lead, datato 23 settembre, bloccava le chiamate API che il tag ascolta. Il listener non scattava mai, e il test passava ogni volta.

L’11 ottobre ho trovato due eventi lead scattati a 50 millisecondi di distanza dove ce ne doveva essere uno. Il test di cui mi fidavo da settimane non poteva vederlo. Se avessi collegato quei dati alle conversioni degli annunci senza accorgermene, le conversioni sarebbero state contate due volte.

La regola: un test di tracciamento deve lasciare che l’API risponda con una finta risposta di successo, così il listener ha qualcosa a cui reagire. Un test che non può fallire non è un test, è una decorazione.

Prima viene un controllo automatico

Leggere il codice o il testo con attenzione è l’ultima linea di difesa, non la prima. Se una macchina può controllare qualcosa, lascia che lo faccia, e tieni la persona per ciò che una macchina non sa giudicare. Per capire fino a che punto puoi fidarti dei rifiuti integrati in un modello aperto, leggi cos’è l’abliteration e perché conta.

Ecco l’esperimento che ha cambiato il mio modo di pensarci. Ho uno strumento che uso per far girare e supervisionare agenti AI, con una suite di test che consideravo buona. Per scoprire se lo era, ho inventato 56 difetti, li ho piantati in una copia del codice e ho eseguito i test.

  • 50 difetti sono stati trovati subito.
  • 6 difetti sono sopravvissuti. La suite di test è rimasta verde mentre il codice era sbagliato.
  • Ho scritto nuove asserzioni per i 6. Il punteggio finale è stato 56 su 56.

Sei sopravvissuti su 56 sono circa l’11%. Una suite che avrei definito solida lasciava passare circa un difetto su nove.

Il punto non è che lo strumento fosse costruito male. Il punto è che leggendo i test non l’avrei mai saputo, e un segno di spunta verde vale qualcosa solo se l’hai visto fallire.

Griglia di punti con 56 difetti inventati: 50 trovati subito in verde lime, 6 sopravvissuti in ambra, poi tutti e 56 trovati dopo le nuove asserzioni (testo nell'immagine in inglese: «A green test is only worth something if you have seen it fail.»)

Ho scritto del lato umano di questo nel mio articolo su human in the loop e AI. La versione breve: un ciclo che non può rifiutare è teatro. Aggiungi prima un controllo automatico, poi una persona, poi un registro.

Come riconoscere l’AI slop prima di pubblicarla

La maggior parte delle persone guarda lo slop prima con gli occhi, e questo fallisce perché lo slop è scorrevole. Questi sono i segnali che controllo io, ciascuno con un test che puoi fare in un minuto:

  • Afferma cose di cui non può indicare la fonte. Test: ogni numero, nome e data risale a una pagina che hai aperto tu, non alla bozza.
  • È generico. Test: il paragrafo potrebbe comparire identico sul sito di un’altra azienda? Se sì, non dice nulla della tua.
  • Contiene dettagli che non possono essere veri. Test: conta arti e dita nelle immagini, leggi il testo sui cartelli, ricalcola i totali, controlla le unità.
  • Fa volume a vuoto. Test: taglia un terzo. Se non si perde nulla, quel terzo era riempitivo.
  • Nessuno sa dire chi l’ha approvato. Test: un nome e una data accanto al file.

Niente di tutto questo richiede uno strumento speciale. Richiede il tempo che le ore di produzione risparmiate dovevano comprare.

Alcune piattaforme ormai controllano da sole: LinkedIn riporta che ad agosto 2026 ciò che etichetta come AI slop riceve il 40% di visualizzazioni in meno. Spiego da dove viene quel numero nella mia guida su come l’algoritmo di LinkedIn ordina i post.

Il budget di revisione: come lavoro adesso

La soluzione non è “rivedere con più impegno”. Anche rivedere con più impegno non scala. La soluzione è trattare la revisione come un budget, con la stessa disciplina che applichi al denaro.

1. Nomina chi controlla per ogni tipo di output

Per ogni tipo di output, scrivi chi o cosa lo controlla, prima di generarne uno. Un output senza un controllore nominato non è pronto per essere prodotto.

2. Metti per primo il controllo automatico più economico

OutputUna macchina può controllareUna persona deve giudicare
Codicetest, tipi, una buildprogetto e aderenza al prodotto
Tracciamentoun test con una finta risposta di successo, un conteggio degli eventise i dati rispondono a una domanda di business
Video o immagineestrazione dei fotogrammi, un conteggio di arti e testose è in linea con il brand e vale la pena mostrarlo
Report o articolonumeri rispetto alla fonte, link, datese l’argomentazione è giusta
Modifica agli annuncilimiti dell’account, un diffse spendere i soldi

3. Fai riferire per primi i difetti a chi produce

Chiedi al processo che genera di aprire il suo rapporto con ciò che non va, ciò che non ha potuto verificare e ciò che ha assunto. Un rapporto che si apre con i complimenti è quello di cui mi fido meno.

4. Metti un tetto alla coda

Se il numero di elementi in attesa di revisione supera un limite fissato in anticipo, smetti di generare finché non scende. È la stessa idea di un limite di lavoro in corso su una lavagna Kanban, applicata all’output dell’AI.

Una pila crescente di output non rivisto non è produttività. È una passività non ancora fatturata.

5. Metti l’approvazione esplicita di una persona davanti al denaro

Sono regole che applico già ai miei agenti. Una campagna pubblicitaria cambia, o spende, solo con la mia approvazione esplicita, anche per una pausa. Leggere e riferire è libero.

Per le generazioni a pagamento ricevo prima un preflight, con il modello, il numero di elementi e il costo. Poi giudico un risultato prima di qualsiasi lotto. Se quel primo risultato viene respinto, ogni passo successivo si ferma.

6. Tieni un registro

Una riga per esecuzione: data, chi ha controllato, cosa è stato trovato, cosa è cambiato. In un mese il registro ti dice quale controllo manuale spostare nel codice. Descrivo il ciclo in cinque parti con più dettaglio nell’articolo su human in the loop e AI.

Scheda checklist: nomina chi controlla, prima il controllo automatico, prima i difetti, tetto alla coda, approvazione prima della spesa, tieni un registro (testo nell'immagine in inglese: «The review budget, in six lines.»)

Cosa significa per i team di marketing

Quando un team compra il lato output dell’AI (più bozze, più varianti, più report) e non mette a budget il lato revisione, il risultato è prevedibile. Il revisore, di solito un manager, diventa il collo di bottiglia, e la sua approvazione si trasforma in un timbro di routine perché la coda non finisce mai.

Un modo semplice per vedere la coda

Prendi il numero di elementi che i tuoi strumenti possono produrre in una settimana e sottrai quello che una persona può rivedere come si deve in una settimana. Se il risultato è positivo, la coda cresce di quel numero ogni settimana.

Ecco un esempio con numeri inventati, non dati. I tuoi strumenti producono 120 elementi a settimana e un revisore ne può rivedere bene 40. La coda cresce di 80 elementi a settimana, e dopo un mese ne aspettano 320.

Nessuno rivede 320 elementi. Li scorre, li timbra o li ignora, ed è così che lo slop esce da un’azienda che non aveva mai voluto pubblicarne.

Tre misure

Se ti suona familiare, ti suggerisco tre misure prima di comprare qualsiasi altra cosa:

  • Dimensione della coda: quanti elementi prodotti dall’AI aspettano adesso una decisione umana?
  • Tempo di revisione per elemento: quanto dura una revisione vera, non una scorsa?
  • Tasso di errori sfuggiti: tra gli elementi approvati, quanti hanno richiesto una correzione dopo la pubblicazione?

Se la coda cresce mentre il tasso di errori sfuggiti resta piatto, non stai cogliendo i problemi, stai approvando alla cieca. Se il tasso di errori sfuggiti sale, lo slop è già uscito.

La revisione è solo una delle ragioni per cui i progetti AI si bloccano. Il mio articolo sul perché i progetti di AI marketing falliscono copre l’insieme più ampio di cause, e usare l’AI nel marketing racconta cosa mi hanno insegnato due anni e mezzo di uso quotidiano su dove l’AI sbaglia ancora.

Niente di tutto questo è un argomento contro l’uso dell’AI. La uso per la maggior parte del mio lavoro. È un argomento per spendere il tempo di produzione risparmiato sulla parte che non si può automatizzare: decidere cosa è abbastanza buono da inviare, ed essere disposti a inviare meno quando la revisione non regge il ritmo.

Domande frequenti

Che cos’è l’AI slop?

L’AI slop è contenuto digitale di bassa qualità, fatto con l’AI e di solito in grande quantità, che viene condiviso senza una vera revisione. Merriam-Webster lo definisce “contenuto digitale di bassa qualità, prodotto di solito in grandi quantità per mezzo dell’intelligenza artificiale” (mia traduzione). Il test decisivo è se qualcuno l’ha controllato prima che arrivasse a un lettore che non l’aveva chiesto.

Cosa vuol dire AI slop?

Il significato ha due livelli. Il livello da dizionario è contenuto AI di bassa qualità prodotto in massa. Il livello operativo, dalla definizione di Simon Willison del 2024, è contenuto AI non rivisto scaricato addosso a persone che non l’avevano chiesto. Non tutti i contenuti generati dall’AI sono slop.

Come si evita l’AI slop?

Rivedi prima di pubblicare e limita quanto generi a quanto riesci a rivedere. Nomina un controllore per ogni tipo di output, esegui prima i controlli automatici, chiedi al sistema che produce di riferire i difetti prima dei complimenti e metti un tetto alla coda degli elementi non rivisti.

Perché si chiama AI slop?

“Slop” significava in origine fango molle e poi qualcosa di poco valore, secondo il report dell’Associated Press sulla scelta di Merriam-Webster. La gente l’ha applicato all’output dell’AI per la quantità: un flusso costante ed economico di contenuti che nessuno aveva chiesto.

Tutto il contenuto generato dall’AI è slop?

No. Un contenuto che una persona ha chiesto, controllato e di cui risponde non è slop, qualunque strumento l’abbia fatto. Willison fa la stessa osservazione nel suo post del 2024.

Cos’è il collo di bottiglia della revisione?

È il mio termine per il punto di un flusso di lavoro in cui un output dall’aspetto finito aspetta una persona in grado di giudicarlo. Quando l’AI rende economica la creazione, quel punto diventa il limite di quanto buon lavoro esce.

L’AI può rivedere il proprio output?

Può cogliere alcuni errori, ma tende a valutare bene il proprio lavoro, come ha mostrato il mio terzo avambraccio. Usa un revisore separato, una griglia di valutazione e controlli automatici che possono fallire.

Il mio verdetto

L’AI slop è un sintomo. La causa è uno squilibrio: il costo di fare è sceso quasi a zero, e il costo di giudicare non si è mosso. Non lo risolvi scrivendo prompt migliori. Lo risolvi dando alla revisione un budget, un responsabile con nome e un controllo automatico che sappia dire no.

La scheda:

  1. Nomina chi controlla prima di generare qualsiasi cosa.
  2. Esegui prima il controllo automatico.
  3. Chiedi i difetti prima dei complimenti.
  4. Metti un tetto alla coda dell’output non rivisto.
  5. Metti l’approvazione esplicita davanti al denaro.
  6. Verifica ogni “fatto” e ogni “fermato”.
  7. Tieni un registro e sposta nel tempo i controlli manuali nel codice.

I dati di Faros sono quelli pubblicati il 23 luglio 2025, e la definizione del dizionario quella riportata il 15 dicembre 2025. I casi e i conteggi del mio lavoro sono datati nel testo.

Vuoi un secondo paio d’occhi su come il tuo team rivede l’output dell’AI, con una checklist adatta ai tuoi flussi di lavoro? Parla con me del tuo processo di revisione.

Tag: AI slopAI slop significatoslop significatocollo di bottiglia della revisionerevisione umanacontrollo qualità AIverifica output AIAI marketing

Continua a leggere

Tutti gli articoli →
Newsletter

Resta al passo.

Note occasionali su AI marketing, crescita e speaking. Niente spam.