Human-on-the-Loop: il nuovo modello AI per supervisione e autonomia

Human-on-the-Loop: il nuovo modello AI per supervisione e autonomia è più facile da usare quando il concetto è collegato a una decisione reale, anziché trattato come l'ennesima parola d'ordine dell'AI. Questa guida di AI Tools Radar si concentra sull'idea operativa, sui compromessi che contano e sulle domande da porsi prima di adottare uno strumento o un flusso di lavoro.

L'AI human-in-the-loop è stata per decenni il paradigma di sicurezza predefinito: ogni decisione dell'AI richiedeva l'approvazione di una persona. Quel modello si sta incrinando. I sistemi AI agentici del 2026 completano autonomamente compiti in più passaggi e il ruolo umano sta passando da operatore a supervisore: un cambiamento che ha un nome e una crescente letteratura di ricerca alle spalle.

Nel febbraio 2026, Anthropic ha rinunciato a un contratto da 200 milioni di dollari con il Pentagono per quattro parole: «qualsiasi uso lecito». La clausola è standard negli appalti della difesa. Significa che l'agenzia contraente può distribuire la tecnologia per qualsiasi scopo consentito dalla legge, senza rinegoziare con il fornitore per ogni caso d'uso. Anthropic ha rifiutato di firmarla. La posizione dell'azienda era che la sua AI non potesse essere impiegata in contesti in cui una persona non fosse in grado di riesaminare, approvare e assumersi la responsabilità di ogni azione con conseguenze rilevanti.

Tre mesi dopo, la stessa azienda ha lanciato Claude for Small Business, un prodotto che sollecita autonomamente le fatture, seleziona i lead di vendita e genera report sullo stato dell'attività tra QuickBooks, PayPal e HubSpot senza che una persona riesamini ogni passaggio. La stessa azienda ha rilasciato Claude Code, uno strumento agentico per la programmazione che scrive, testa e distribuisce codice in progetti con più file con un intervento umano minimo. La stessa azienda alimenta funzioni AI dentro strumenti usati da milioni di persone che non comprendono come il modello giunga alle proprie conclusioni.

La contraddizione non è ipocrisia. È la tensione centrale della governance dell'AI nel 2026: la tecnologia ha superato il modello human-in-the-loop e nessuno ha ancora concordato cosa debba sostituirlo. La risposta emergente ha un nome: human-on-the-loop.

• L'human-in-the-loop (HITL) richiede l'approvazione umana prima di ogni azione dell'AI; l'human-on-the-loop (HOTL) consente all'AI di agire autonomamente mentre una persona monitora e interviene solo quando necessario. • Il passaggio da HITL a HOTL è guidato da tre forze: gli agenti AI diventano abbastanza capaci da agire in autonomia, la scala di diffusione dell'AI rende impossibile la revisione umana per singola azione e la pressione economica ad automatizzare travolge l'impostazione safety-first del 2023-2025. • Il rifiuto di Anthropic al Pentagono ha mostrato l'estremo del dibattito: per alcune aziende, HOTL è accettabile per il sollecito delle fatture ma non per applicazioni militari classificate. • La domanda pratica per ogni organizzazione che distribuisce AI non è «dovremmo avere una persona nel ciclo?», ma «a quale soglia di rischio, costo e conseguenza deve intervenire la persona?».

Human-in-the-loop e human-on-the-loop: una distinzione chiara.

L'human-in-the-loop (HITL) è il modello più vecchio e più noto. L'AI formula una raccomandazione o produce un output e una persona lo riesamina e approva prima che venga intrapresa qualsiasi azione. L'umano è un cancello: non accade nulla senza che si apra.

Questo modello funziona quando le azioni dell'AI sono discrete, poco frequenti e singolarmente rilevanti. Un radiologo che esamina un'anomalia segnalata dall'AI in una scansione. Un addetto ai prestiti che approva o rifiuta una decisione di credito generata dall'AI. Un pilota che accetta o ignora una raccomandazione del pilota automatico. In ogni caso, l'AI assiste ma non agisce. La persona resta il decisore.

L'human-on-the-loop (HOTL) è il modello che emerge quando queste condizioni vengono meno. L'AI agisce autonomamente su un flusso continuo di decisioni e la persona monitora da una posizione di supervisione. L'umano non è un cancello, ma un osservatore con autorità di override. La distinzione è sottile in teoria ed enorme nella pratica.

Un'analisi di Deloitte sulle distribuzioni AI aziendali descrive con precisione il passaggio: «Il passaggio all'human-on-the-loop è una forma di automazione che richiede una solida governance e supervisione degli agenti AI. I sistemi multi-agente possono essere addestrati continuamente per migliorare, ma senza trasparenza e monitoraggio adeguati possono anche andare fuori controllo». L'espressione chiave è «andare fuori controllo». HITL impedisce che si verifichino azioni dannose perché una persona deve approvarle. HOTL rileva le azioni dannose dopo che sono avvenute e conta sull'intervento umano abbastanza rapido da limitarne il danno. La differenza non è filosofica: è la differenza tra prevenire un errore e intercettarlo.

La distinzione corrisponde bene alla differenza tra uno strumento AI del 2023 e un agente AI del 2026. ChatGPT nel 2023 era HITL: ogni risposta richiedeva un prompt umano e l'umano decideva se usare l'output. Google Gemini Intelligence nel 2026 è HOTL: prenota un ristorante tra più app, compila moduli, conferma la prenotazione e riferisce il risultato. La persona fornisce l'istruzione iniziale e riceve la conferma. I passaggi intermedi avvengono senza cancelli.

*Tre forze strutturali spingono i sistemi AI da HITL a HOTL e nessuna sta rallentando.

La prima forza è tecnica. Nel 2023, i modelli AI potevano generare testo e immagini, ma non completare in modo affidabile compiti in più passaggi che richiedessero navigare interfacce, compilare moduli e formulare giudizi tra applicazioni. Nel 2026 possono farlo. Claude Code scrive, testa e distribuisce autonomamente codice in un progetto completo. Gemini Intelligence naviga Chrome per completare una prenotazione senza che l'utente tocchi lo schermo. OpenAI Codex controlla applicazioni desktop.

Quando la capacità dell'AI era limitata a generare suggerimenti, HITL era il modello naturale: l'AI proponeva e l'umano decideva. Quando l'AI può eseguire l'intero flusso di lavoro, l'umano diventa il collo di bottiglia. Una persona che riesamina ogni fattura sollecitata da Claude, ogni lead selezionato, ogni modifica di codice sottoposta a commit non sta aggiungendo sicurezza: sta aggiungendo una latenza che vanifica lo scopo dell'AI. La capacità ha superato una soglia in cui HOTL non è solo accettabile: è l'unico modello che permette all'AI di offrire il suo pieno valore.

La seconda forza è la scala della distribuzione. GitHub Copilot è ormai coautore di quattro milioni di commit. Google Gemini Intelligence viene distribuito su 30 miliardi di dispositivi Android. Gli agenti AI nei software aziendali elaborano milioni di transazioni al giorno. A questa scala, la revisione umana per azione è matematicamente impossibile. Non puoi assumere abbastanza persone per approvare ogni riga di codice generata dall'AI, ogni risposta email suggerita dall'AI, ogni ticket di assistenza selezionato dall'AI.

Il passaggio da HITL a HOTL è in parte una scelta tecnologica e in parte un'inevitabilità matematica. Quando un sistema AI elabora in un'ora più decisioni di quante un team umano possa riesaminare in un anno, la domanda non è se usare HOTL, ma come progettare sistemi HOTL che falliscano in modo sicuro.

La terza forza è economica. Nel solo primo trimestre del 2026, il settore AI ha raccolto 300 miliardi di dollari di finanziamenti venture. Le aziende che hanno raccolto fondi promettendo agenti AI autonomi sono ora sotto pressione per distribuirli. L'atteggiamento del 2023-2025 — «stiamo facendo attenzione, stiamo testando, la sicurezza viene prima» — si scontra con la realtà del 2026 fatta di obiettivi di ricavo, aspettative dei clienti e pressione competitiva.

È in questo contesto che va compreso il rifiuto di Anthropic al Pentagono. Non era soltanto una decisione di sicurezza, ma un esercizio di tracciamento di confini. Anthropic affermava: HOTL è accettabile per il sollecito delle fatture; non è accettabile per applicazioni militari in cui il «ciclo» tra azione autonoma e intervento umano potrebbe essere misurato in secondi, con conseguenze irreversibili. L'azienda ha tracciato una linea. Il resto del settore osserva per capire dove ciascuno traccerà la propria.

Il problema della supervisione: cosa accade quando l'umano non è più il cancello.

La sfida che definisce HOTL non è tecnologica, ma cognitiva.

Quando una persona riesamina ogni decisione dell'AI, è coinvolta. Ogni azione richiede attenzione, per quanto breve. Quando invece monitora un flusso di decisioni AI da una posizione di supervisione, deve mantenere l'attenzione su un sistema che per lo più funziona correttamente. È un compito di vigilanza e gli esseri umani sono notoriamente scarsi nei compiti di vigilanza.

La ricerca sulla compiacenza da automazione risale a decenni fa ed è inequivocabile. Quando un sistema automatizzato opera correttamente oltre il 90% del tempo, gli operatori umani iniziano a disimpegnarsi. I tempi di reazione alle anomalie aumentano. La capacità di rilevare errori sottili si degrada. Il modello mentale dell'operatore sul comportamento del sistema diventa sempre più obsoleto, mentre il sistema evolve e la sua attenzione è altrove. Questo è stato ben documentato nella ricerca sul pilota automatico in aviazione negli anni Novanta. Nel 2026 viene riscoperto nella distribuzione degli agenti AI.

L'implicazione pratica è che i sistemi HOTL richiedono un'infrastruttura di supervisione diversa da quella dei sistemi HITL. HITL necessita di flussi di approvazione. HOTL necessita di rilevamento delle anomalie, soglie di allerta, playbook di intervento e ambienti di simulazione in cui gli operatori possano esercitarsi a rispondere a rari modi di guasto. La maggior parte delle organizzazioni che distribuiscono agenti AI nel 2026 dispone dei flussi di approvazione; quasi nessuna del resto.

Il framework di osservabilità degli agenti di Deloitte identifica tre livelli di supervisione HOTL: trasparenza (l'umano può vedere in tempo reale cosa sta facendo l'agente?), tracciabilità (può ricostruire dopo il fatto perché l'agente ha preso una certa decisione?) e controllabilità (può intervenire con il giusto livello di granularità: mettere in pausa, reindirizzare, sovrascrivere, annullare?). La maggior parte degli agenti AI distribuiti nel 2026 ottiene buoni risultati sulla controllabilità, perché li puoi spegnere, e risultati scarsi su trasparenza e tracciabilità, perché non puoi vedere in tempo reale dentro il processo decisionale.

L'adeguatezza di HOTL dipende da due variabili: il costo di una decisione errata e la reversibilità di quella decisione.

Il sollecito delle fatture è un caso d'uso ideale per HOTL. Il costo di un'email errata è basso, ad esempio un fornitore irritato. L'azione è reversibile, perché puoi inviare una correzione. La persona può monitorare al livello delle eccezioni — «segnala tutto ciò che è insolito e lo riesaminerò» — anziché al livello delle singole azioni.

Le armi autonome sono il controesempio estremo. Il costo di una decisione errata si misura in vite. L'azione è irreversibile. Il tempo tra decisione e conseguenza può essere troppo breve per un override umano. È il caso d'uso che Anthropic ha rifiutato di abilitare ed è quello che rende HOTL un concetto davvero inquietante per chiunque studi la letteratura sulla compiacenza da automazione.

Tra questi estremi si colloca gran parte dell'economia. AI per la diagnosi medica: costo elevato, parzialmente reversibile, poiché una diagnosi errata può essere corretta ma il danno potrebbe essere già avvenuto. AI per il trading finanziario: costo elevato, irreversibile alla velocità del mercato. Revisione di documenti legali: costo medio, reversibile. AI per il servizio clienti: costo basso, reversibile. Ogni ambito richiede una propria soglia di intervento umano e tale soglia dovrebbe essere fissata dalla tolleranza all'errore del dominio, non dalla configurazione predefinita del fornitore AI.

D: L'human-on-the-loop è meno sicuro dell'human-in-the-loop?

R: Dipende dal dominio e dall'infrastruttura di supervisione. In ambiti ad alto volume e basse conseguenze, dove la revisione umana per azione introdurrebbe una latenza inaccettabile, HOTL può essere più sicuro di un sistema HITL mal implementato in cui l'umano diventa un semplice timbro. In ambiti ad alte conseguenze e irreversibili, HITL resta il modello appropriato. Il pericolo non è HOTL in sé, ma distribuirlo senza l'infrastruttura di monitoraggio, allerta e intervento che lo rende sicuro.

D: In cosa l'human-on-the-loop differisce dall'AI completamente autonoma?

R: In un sistema completamente autonomo non esiste supervisione umana. L'AI prende decisioni ed esegue azioni senza alcun meccanismo di intervento umano. HOTL conserva la supervisione umana ma la sposta da prima dell'azione a durante o dopo. La persona resta responsabile. La differenza riguarda il momento dell'intervento, non la sua esistenza.

D: Quali settori si stanno muovendo più rapidamente verso HOTL?

R: Sviluppo software, con agenti AI per il coding; assistenza clienti, con chatbot AI che gestiscono percorsi completi di risoluzione; e operazioni finanziarie, con elaborazione automatizzata delle fatture e rilevamento delle frodi, sono i principali adottanti. Questi settori condividono due caratteristiche: elevati volumi di transazioni che rendono HITL impraticabile e costi degli errori generalmente finanziari anziché fisici.

R: HOTL modifica i ruoli lavorativi anziché eliminarli. L'operatore che prima approvava singole transazioni diventa il supervisore che monitora le prestazioni dell'intero sistema e gestisce le eccezioni. La richiesta di competenze si sposta dalla velocità di esecuzione alla capacità diagnostica. È lo stesso schema osservato nell'automazione manifatturiera e nel pilota automatico in aviazione: diminuisce il numero di persone che operano direttamente sul sistema, ma aumenta il livello di competenza richiesto a quelle che rimangono.

D: Le normative richiederanno l'human-in-the-loop per certe applicazioni AI?

R: L'AI Act dell'UE richiede già una supervisione umana per i sistemi AI ad alto rischio, ma non ne specifica il meccanismo. Il dibattito del 2026 è se la «supervisione umana» possa essere soddisfatta da HOTL oppure richieda HITL. La risposta probabilmente varierà per settore: i dispositivi medici potrebbero richiedere HITL, il rilevamento delle frodi finanziarie potrebbe accettare HOTL e le armi autonome potrebbero essere vietate del tutto. Il quadro normativo è ancora in fase di scrittura e le decisioni prese nel 2026-2027 modelleranno il settore AI per un decennio.

Metadati SEO. Titolo: Human-on-the-Loop: il nuovo modello AI per supervisione e autonomia Meta descrizione: L'human-on-the-loop sposta la supervisione dell'AI dall'approvazione attiva al controllo passivo. Scopri in cosa differisce dall'human-in-the-loop, perché sta emergendo e cosa significa per il lavoro. Parola chiave principale: AI human in the loop Obiettivo snippet in evidenza: che cos'è l'human on the loop Parole chiave LSI: human on the loop, human in the loop vs human on the loop, supervisione degli agenti AI, AI supervisionata da persone Livello di difficoltà: intermedio Tempo di lettura: 11 minuti Conteggio parole:* ~2500

Riferimenti esterni utilizzati. 1. «Il passaggio all'human-on-the-loop è una forma di automazione che richiede una solida governance degli agenti AI» , Deloitte AI Agent Observability, https://www.deloitte.com/us/en/services/consulting/articles/ai-agent-observability-human-in-the-loop.html

Slug URL suggerito. /blog/human-on-the-loop-ai-oversight-autonomy

Il test pratico è verificare se questo approccio migliora una parte ripetibile del lavoro senza nasconderne fonti, costi o modalità di fallimento. Inizia con un'attività rappresentativa, mantieni un controllo umano nei punti in cui gli errori contano e rivaluta il risultato quando modelli e prodotti cambiano.

Esplora la directory degli strumenti →