The product manager and the AI buffer: a multi-level framework linking cognition and to organizational practice

Generative AI is increasingly embedded in knowledge-intensive work, producing summaries, explanations, and recommendations that persist alongside source material. These AI-generated external representations can reduce effort and accelerate decisions, but they may also reshape what people encode, how they retrieve information, and how confidently they act on it. Because research on cognition and organizational adoption is often disconnected, the mechanisms that link individual memory effects to professional decision-making and governance remain underspecified. This thesis develops an integrative, multi-level framework that treats AI outputs as part of a task’s cognitive infrastructure. It introduces the AI Buffer Model, which characterizes how persistent AI representations interact with memory encoding, cue-dependent retrieval, source monitoring, confidence calibration, and cognitive load. The model is embedded within an AI Augmented Decision Framework that links these cognitive mechanisms to decision processes, role shifts, and accountability structures in organizations. Two complementary studies test the framework. Study 1 is a controlled experiment (N = 36) in which participants read short expository articles with AI-generated summaries that vary in timing (pre-reading, synchronous, post-reading) and structure (integrated paragraph vs. segmented bullets). Study 2 is a cross-national survey of product managers (N = 74; USA and China) examining AI use, perceived impacts on workflow and decision support, and governance practices. Results show that AI summaries improve recognition performance but do not strengthen generative free recall. Benefits are largest when summaries are available before reading and can function as encoding scaffolds, whereas segmented summaries increase false-lure endorsement (OR 5.93), indicating elevated source-monitoring risk when representations are fragmented. Field evidence shows perceived productivity and decision-support gains, but also frequent governance ambiguity (e.g., unclear ownership and missing guidelines). Integrating both studies, the thesis argues that representational design parameters—timing, structure, and provenance cues—are not cosmetic interface choices: they shape cognitive mechanisms that scale into artifact-centric work practices and governance needs. Practical implications include using AI early for framing, preferring integrated and traceable artifacts, and institutionalizing verificaition routines and clear accountability for AI-mediated evidence.

L’intelligenza artificiale generativa e’ sempre piu’ integrata nel lavoro ad alta intensita’ di conoscenza, producendo riassunti, spiegazioni e raccomandazioni che permangono accanto al materiale originale. Queste rappresentazioni esterne generate dall’IA possono ridurre lo sforzo e accelerare le decisioni, ma possono anche modificare cio’ che le persone codificano, come recuperano le informazioni e con quanta sicurezza agiscono. Poiche’ la ricerca sui meccanismi cognitivi e quella sull’adozione organizzativa sono spesso disconnesse, i nessi tra effetti sulla memoria individuale, processi decisionali professionali e governance restano sottospecificati. Questa tesi sviluppa un framework integrativo multi-livello che considera gli output dell’IA parte dell’infrastruttura cognitiva del compito. Introduce l’AI Buffer Model, che descrive come rappresentazioni IA persistenti interagiscano con codifica, recupero basato su indizi, monitoraggio della fonte, calibrazione della fiducia e carico cognitivo. Il modello e’ inserito in un AI-Augmented Decision Framework che collega tali meccanismi ai processi decisionali, ai cambiamenti di ruolo e alle strutture di accountability nelle organizzazioni. Due studi complementari testano il framework. Lo Studio 1 e’ un esperimento controllato (N = 36) in cui i partecipanti leggono brevi articoli espositivi con riassunti generati dall’IA che variano per tempistica (pre-lettura, sincrono, post-lettura) e struttura (paragrafo integrato vs. punti elenco segmentati). Lo Studio 2 e’ un sondaggio cross-nazionale su product manager (N = 74; USA e Cina) che analizza utilizzo dell’IA, impatti percepiti su workflow e supporto decisionale, e pratiche di governance. I risultati mostrano che i riassunti IA migliorano il riconoscimento, ma non rafforzano il richiamo libero generativo. I benefici sono massimi quando i riassunti sono disponibili prima della lettura e fungono da scaffold di codifica, mentre i riassunti segmentati aumentano l’accettazione di false esche (OR 5.93), evidenziando un rischio di monitoraggio della fonte quando le rappresentazioni sono frammentate. I dati sul campo indicano benefici percepiti in termini di produttivita’ e supporto decisionale, ma anche frequente ambiguita’ di governance (ad es., ownership poco chiara e linee guida mancanti). Integrando i due studi, la tesi sostiene che i parametri di progettazione—tempistica, struttura e indizi di provenienza—non sono scelte cosmetiche: plasmano meccanismi cognitivi che scalano in pratiche di lavoro centrate sugli artefatti e in esigenze di governance. Le implicazioni pratiche includono usare l’IA precocemente per inquadrare i problemi, preferire artefatti integrati e tracciabili, e istituzionalizzare routine di verifica e accountability esplicite per le evidenze mediate dall’IA.