La produttività dell’AI non è output

È valore verificato

di Andrea Viliotti

In molte imprese l’AI ha già aumentato la quantità di materiale prodotto. Un team marketing può generare il doppio delle bozze di campagna. Un ufficio commerciale può preparare più email. Un reparto tecnico può produrre più documentazione. Un customer service può rispondere più rapidamente.

Poi, però, qualcuno deve controllare.

Deve verificare se il claim è corretto, se il tono è coerente, se la promessa è sostenibile, se il dato è vero, se la risposta è utile al cliente, se l’output può essere firmato, inviato, integrato, venduto, difeso.

L’output è aumentato. Il valore, non sempre.

Il dibattito sull’intelligenza artificiale generativa ha un problema di unità di misura. Continuiamo a chiederci se l’AI faccia produrre “di più”: più testi, più codice, più sintesi, più analisi, più risposte. Ma un’impresa non compete sul numero di output generati. Compete su ciò che di quegli output sopravvive alla verifica.

Una decisione migliore. Un cliente servito meglio. Un errore evitato. Una pratica trasferita. Un ciclo operativo più breve. Una competenza liberata.

Il paradosso manageriale dell’AI è questo: la tecnologia migliora molti task prima di migliorare l’impresa.

Nei task, gli effetti possono essere rapidi. In azienda, il valore arriva solo se l’organizzazione sa assorbirli: dati, processi, formazione, workflow ridisegnati, ruoli di revisione, metriche, governance e responsabilità.

L’AI non premia chi produce di più. Premia chi costruisce il sistema capace di trasformare produzione in valore.

Produttività AI in azienda

1. Perché i numeri sull’AI sembrano non tornare

Una parte della confusione nasce dai numeri sull’adozione. Alcune fonti descrivono un’AI quasi ovunque. Altre mostrano percentuali molto più basse. Non è necessariamente una contraddizione: quasi sempre stanno misurando cose diverse.

Lo Stanford AI Index 2026 segnala che l’adozione organizzativa dell’AI è arrivata all’88% delle organizzazioni intervistate e che la generative AI è usata in almeno una funzione aziendale dal 70% delle organizzazioni. È una misura ampia di diffusione organizzativa, non una prova che il lavoro sia già stato trasformato in profondità.

L’OCSE misura invece l’uso AI a livello di imprese nei Paesi coperti: nel 2025 il 20,2% delle imprese dichiara di usare AI, in crescita dal 14,2% del 2024 e dall’8,7% del 2023; tra le grandi imprese la quota sale al 52,0%, contro il 17,4% delle piccole. È un denominatore più restrittivo e più vicino alla capacità effettiva di adozione firm-level.

McKinsey, nel Global Survey 2025, aggiunge un terzo livello: quasi nove organizzazioni su dieci dichiarano uso regolare dell’AI, ma circa due terzi non hanno ancora iniziato a scalarla a livello enterprise; solo il 39% riporta impatto EBIT a livello d’impresa. La stessa survey segnala che il ridisegno dei workflow è uno dei fattori distintivi dei migliori performer.

Infine, un working paper NBER su quasi 6.000 executive in Stati Uniti, Regno Unito, Germania e Australia mostra che oltre il 90% dei manager non ha visto impatti sull’occupazione negli ultimi tre anni e l’89% non ha visto impatti sulla produttività del lavoro, misurata come vendite per dipendente. Gli stessi manager, però, si aspettano effetti più forti nei prossimi tre anni.

Il punto è decisivo: uso, adozione, scaling e valore economico non sono la stessa cosa.

Un’impresa può comprare licenze senza cambiare workflow. Un lavoratore può usare AI senza che l’organizzazione impari. Un reparto può migliorare un task senza che il valore arrivi ai margini, ai ricavi o alla qualità percepita dal cliente.

La domanda non è più: “Chi usa AI?”. La domanda è: quale uso diventa valore verificabile?

2. La curva a J della produttività AI

Il ritardo tra uso e valore non è un’anomalia. È spesso la forma normale con cui una tecnologia general purpose entra nelle organizzazioni.

Economist Enterprise, riprendendo Erik Brynjolfsson, parla di productivity J-curve: prima aumentano gli input, poi arrivano gli output. L’impresa deve investire in workflow, formazione, dati, integrazione, governance e nuove modalità di lavoro; nelle prime fasi, quindi, la produttività misurata può sembrare ferma o persino peggiorare, proprio mentre l’organizzazione sta costruendo i complementi necessari a farla crescere.

Questa è una chiave manageriale cruciale. Molti board guardano l’AI come se fosse un compressore di costi immediato. Ma spesso, nella prima fase, l’AI aumenta il lavoro invisibile: bisogna capire dove inserirla, quali processi cambiare, quali dati darle, chi valida gli output, quali errori sono accettabili, quali rischi non lo sono.

Il paradosso non è che l’AI non funzioni. È che l’AI funziona davvero solo quando l’organizzazione viene ridisegnata abbastanza da farla funzionare.

In questa fase, l’impresa vede più attività prima di vedere più valore. Più strumenti, più test, più riunioni, più policy, più training, più controlli. Se questi input restano frammentati, diventano costo. Se convergono in nuovi workflow, diventano capitale organizzativo.

L’AI non produce trasformazione da sola. Richiede co-invenzione: tecnologia e organizzazione che si modificano insieme.

3. Dal task al valore: dove l’AI funziona davvero

Le evidenze più utili non raccontano una storia unica. Raccontano livelli diversi.

Uno studio longitudinale di Tomaz e colleghi osserva tre team agile per circa tredici mesi in una grande società di consulenza tecnologica. Dopo l’introduzione di strumenti generativi come GitHub Copilot e tool GPT interni, performance ed efficienza percepita aumentano, mentre l’attività grezza — commit e linee di codice — resta sostanzialmente piatta. Gli autori parlano di aumento della value density: più valore per unità di attività, non semplice aumento del volume di lavoro.

Il limite è chiaro: tre team, ambito software/agile, contesto specifico. Ma la lente è potente. Se misuriamo l’AI solo con contatori di attività, rischiamo di non vedere dove nasce il valore.

Nel customer support, lo studio di Brynjolfsson, Li e Raymond su 5.172 operatori mostra un altro meccanismo. L’assistente AI aumenta la produttività media del 15%, misurata come problemi risolti per ora, ma i benefici maggiori arrivano ai lavoratori meno esperti o meno skillati. L’AI sembra catturare e diffondere parte delle pratiche dei migliori operatori.

Un esperimento randomizzato di Cruces e coautori su 1.174 adulti mostra un effetto complementare: in un task business generale, l’AI aumenta la performance di entrambi i gruppi educativi, ma di più per il gruppo con minore istruzione formale. Il divario tra gruppi passa da 0,548 a 0,139 deviazioni standard; circa tre quarti del gap iniziale vengono chiusi nel task assistito. Gli autori, però, sottolineano che le differenze di capitale umano non spariscono: restano nella qualità del prompting e nella performance successiva senza assistenza.

La sintesi per l’impresa è netta: l’AI può alzare il pavimento dell’esecuzione, ma non elimina il soffitto del giudizio.

Aiuta chi parte più indietro a produrre meglio. Ma non sostituisce la capacità di formulare il problema, scegliere il criterio, interpretare il contesto, validare l’output e assumersi responsabilità.

La metrica corretta, quindi, non valuta solo la macchina e non valuta solo l’umano. Valuta il sistema uomo-macchina. Un assistente AI non è buono perché genera una risposta plausibile. È buono se migliora la performance del team che lo usa: qualità finale, velocità, controllo, responsabilità, capacità di correggere la direzione.

L’impresa debole usa l’AI per moltiplicare bozze. L’impresa forte la usa per trasferire pratiche eccellenti.

4. Il lavoro invisibile dell’AI

Ogni output AI porta con sé un costo nascosto. Qualcuno deve dargli contesto, correggerlo, verificarlo, integrarlo e assumersene la responsabilità.

Il Work AI Index 2026 di Glean chiama questo lavoro botsitting: i lavoratori passano in media 6,4 ore a settimana a gestire l’AI, alimentarla di contesto, confrontare output, correggere errori e ripulire risultati dopo handoff o rotture a valle. Il report segnala anche che più di un terzo delle sessioni AI “fallisce” e richiede restart o rework significativo.

Business Insider racconta lo stesso paradosso in forma giornalistica: alcuni lavoratori completano task molto più velocemente, ma il trasferimento di quei guadagni a produttività aziendale, ricavi o profitti resta molto meno chiaro. Il pezzo cita casi in cui più codice o più attività non significano necessariamente prodotti migliori, e in cui aziende e lavoratori cercano ancora di trasformare efficienza individuale in miglioramento aziendale.

Questo passaggio è fondamentale. Il costo di validazione non è un dettaglio tecnico. È il nuovo lavoro manageriale dell’AI.

Se una bozza prodotta in trenta secondi richiede venti minuti di controllo, il valore non è nella velocità della bozza. È nel saldo netto tra accelerazione, qualità, rischio e responsabilità. Se un assistente genera dieci alternative e il manager deve leggerle tutte, l’output è aumentato ma l’attenzione può essere diminuita. Se un tool riduce il tempo di scrittura ma aumenta il rework, la produttività apparente diventa illusione.

L’AI non elimina il lavoro. Sposta il lavoro.

Dalla produzione alla validazione. Dall’esecuzione alla supervisione. Dalla velocità alla fiducia.

5. Adozione non significa trasformazione

La parola “adozione” è pericolosa perché sembra descrivere un evento: prima non usavo AI, poi la uso. Ma la trasformazione non è un evento. È un assorbimento.

Nel paper From Exposure to Adoption, Golo Henseke analizza circa 36.600 lavoratori in 35 Paesi europei. L’esposizione occupazionale all’AI predice l’adozione, ma non la determina automaticamente. Contano competenze, contenuto astratto del lavoro, influenza organizzativa del dipendente, digitalizzazione e training. Inoltre, lo studio non trova ancora un effetto chiaramente distinguibile dell’adozione precoce sulla ristrutturazione dei task percepita dai lavoratori.

Il paper BIS/EIB su oltre 12.000 imprese europee porta lo stesso problema al livello firm-level. L’adozione di AI è associata a un aumento del 4% della produttività del lavoro e non mostra effetti avversi sull’occupazione firm-level nel breve periodo. Ma i benefici sono concentrati nelle imprese medie e grandi e dipendono da investimenti complementari in software, dati e formazione.

Questa è la frase che molti piani AI non vogliono sentire: il budget AI non può essere solo un budget licenze.

Licenze senza dati producono frammentazione. Prompt senza workflow producono eccezioni. Output senza review producono rischio. Formazione senza metriche produce entusiasmo non misurato. Governance senza processo produce burocrazia.

Un habitat AI maturo non è fatto solo di strumenti. È composto da strategia, capitale umano, operating model, tecnologia, dati e capacità di scaling. Se una dimensione corre e le altre restano ferme, l’AI non scala: si frammenta.

L’AI diventa produttiva quando entra in un sistema che sa metabolizzarla.

6. AI Value Density: la metrica che manca

Serve una metrica più severa della produttività apparente. La chiamo AI Value Density.

AI Value Density = valore verificabile generato dal lavoro assistito / costo complessivo di produzione, validazione, coordinamento e rischio.

Non è una formula contabile universale. È una disciplina manageriale. Serve a impedire che l’impresa confonda output con valore.

Un uso dell’AI aumenta densità di valore quando produce un miglioramento che supera i suoi costi nascosti: revisione, rework, controllo, integrazione, coordinamento, rischio operativo, rischio reputazionale, rischio legale, perdita di competenza o dipendenza da output non compresi.

La scorecard minima è questa:

Dimensione	Domanda manageriale	Indicatore pratico
Valore del risultato	Che cosa migliora davvero?	Qualità, margine, servizio, decisione, errore evitato
Costo di validazione	Quanto lavoro serve per fidarsi dell’output?	Tempo di review, correzioni, escalation
Rework	L’AI riduce o aumenta il lavoro da rifare?	Revisioni successive, ticket riaperti, bug, contestazioni
Tempo di ciclo	Il processo si accorcia davvero?	Lead time, handoff, colli di bottiglia
Trasferimento di pratiche	L’uso diventa competenza collettiva?	Playbook, template validati, curva di apprendimento
Performance uomo-AI	Il sistema umano-assistito performa meglio del lavoro non assistito?	Qualità finale, errori evitati, tempo di review, decisioni migliorate
Assorbimento organizzativo	L’impresa è pronta a scalare?	Dati, training, workflow, sicurezza, governance
Realizzazione economica	Il miglioramento arriva ai risultati?	Ricavi, margini, retention, costi evitati, produttività revenue-based dove misurabile

Questa scorecard non serve a dare un voto cosmetico all’AI. Serve a decidere cosa scalare e cosa fermare.

Box — La domanda del board

Non chiedere: quanta AI stiamo usando?

Chiedere: quale quota del lavoro assistito diventa valore verificabile dopo validazione, rework, coordinamento e rischio?

Box — Stop rule

Un caso d’uso AI non è validato quando funziona in demo. È validato quando sopravvive alla prova del workflow: dati reali, utenti reali, errori reali, responsabilità reali, costo reale di controllo.

Un caso d’uso AI scala solo se supera cinque prove: migliora un outcome rilevante; riduce o non aumenta il rework; ha un owner chiaro; ha una procedura di validazione; converte il tempo risparmiato in valore misurabile.

Non si scala ciò che produce più output. Si scala ciò che produce più valore dopo la validazione.

7. Che cosa deve fare un board

Una strategia AI seria non parte dal modello. Parte dai luoghi in cui il valore può essere convertito.

Prendiamo un caso ipotetico: customer operations. Un’azienda introduce un assistente AI per aiutare gli operatori a rispondere più rapidamente ai clienti.

La metrica debole direbbe: più risposte generate, più ticket gestiti, meno tempo medio per prima bozza.

La metrica corretta chiede altro: il tasso di riapertura dei ticket è diminuito? Le escalation sono scese? La soddisfazione cliente è migliorata? I nuovi operatori imparano più rapidamente? Gli esperti passano meno tempo a correggere errori e più tempo a migliorare la knowledge base? Le risposte migliori diventano playbook o restano trucchi individuali?

Qui l’AI può creare valore in tre modi diversi.

Il primo è la bozza assistita: l’AI propone, l’operatore valida. Il valore cresce solo se il tempo risparmiato supera il costo di controllo e non aumenta il tasso di riapertura.

Il secondo è il trasferimento di pratica: le risposte migliori diventano standard riusabili. Il valore cresce se i nuovi operatori imparano più rapidamente e se la qualità converge verso quella dei migliori.

Il terzo è il ridisegno del processo: l’AI aiuta a identificare problemi ricorrenti, lacune nella knowledge base e passaggi che generano escalation. Qui il valore non è solo rispondere più velocemente, ma ridurre la causa dei ticket.

Questa è la differenza tra usare AI e trasformare il lavoro.

Nei primi 30 giorni, il CEO non dovrebbe chiedere una lista di tool. Dovrebbe chiedere una mappa di tre processi ad alta frizione: customer operations, software delivery, finance planning, procurement, onboarding HR o compliance documentale. Per ciascuno, la baseline deve misurare tempo, qualità, rework, passaggi di mano, responsabilità, eccezioni, carico di review e valore per il cliente interno o esterno.

Tra 30 e 60 giorni, ogni processo deve diventare un playbook AI: prompt standard, esempi validati, criteri di accettazione, limiti, escalation, responsabilità, log degli errori, template riusabili, ruoli di review.

Tra 60 e 90 giorni, si scala solo ciò che aumenta densità di valore: meno rework, migliore qualità, ciclo più breve, tempo liberato verso attività superiori, apprendimento trasferibile, migliore decisione.

Dopo 90 giorni, l’AI non va più trattata come spesa software. Va divisa in quattro capitoli: strumenti, dati, processo, capitale umano. Il CFO deve vedere non solo costo licenze, ma anche costo di validazione, integrazione, formazione e rischio.

L’AI non entra davvero in un organigramma. Entra in un habitat.

Il lavoratore vede tempo risparmiato. L’esperto vede qualità ed eccezioni. Il manager vede coordinamento. Il CFO vede costo e ritorno. HR vede competenze e ruoli. CIO e CTO vedono dati e integrazione. Legal e risk vedono responsabilità. Il cliente vede solo una cosa: se il valore è reale.

Se questi osservatori non parlano fra loro, l’AI aumenta rumore. Se vengono coordinati, aumenta densità di valore.

Che cosa non sappiamo ancora

Non sappiamo ancora quanto dei guadagni osservati nei task si trasferirà stabilmente nei ricavi. Non sappiamo quanto dureranno i vantaggi quando tutti avranno strumenti simili. Non sappiamo quanto lavoro invisibile di supervisione emergerà quando agenti e assistenti saranno integrati nei processi critici. Non sappiamo chi catturerà il valore: lavoratori, imprese, clienti, capitale o piattaforme.

Ma sappiamo abbastanza per non misurare l’AI nel modo sbagliato.

Le evidenze disponibili dicono che l’AI può migliorare performance in contesti specifici; può aiutare soprattutto chi parte più lontano dalla frontiera in alcuni task; richiede skill, training, autonomia, dati e organizzazione; premia le imprese più capaci di investire nei complementi; cambia il contenuto del lavoro prima di cambiare i numeri aggregati dell’occupazione. Il paper di Baslandze e coautori, basato su una survey di quasi 750 executive, documenta proprio questa tensione: produttività positiva e attese in rafforzamento, ma anche productivity paradox tra percezione manageriale e misure revenue-based, con segnali di riallocazione compositiva più che di crollo occupazionale aggregato di breve periodo.

Per un imprenditore, questa non è prudenza paralizzante. È strategia.

Non inseguire l’AI come moda. Non usarla come scorciatoia per produrre più materiale. Non misurarla solo con output e ore risparmiate. Non delegare alla tecnologia il lavoro che spetta al management.

L’impresa che vince non sarà quella che genera più contenuti. Sarà quella che trasforma più contenuti in valore verificabile.

L’AI non cambia l’impresa quando risponde più velocemente. La cambia quando costringe il management a decidere che cosa merita fiducia.

Note e fonti

1. Tomaz et al., “Impacts of Generative AI on Agile Teams’ Productivity” — Preprint / studio longitudinale multi-caso su tre team agile; usato per value density, SPACE framework e distinzione tra attività grezza e valore prodotto.

2. Henseke, “From Exposure to Adoption” — Preprint / analisi EWCS 2024 su circa 36.600 lavoratori in 35 Paesi europei; usato per exposure, adoption, skill, training e capacità di assorbimento.

3. Cruces et al., “Does Generative AI Narrow Education-Based Productivity Gaps?” — NBER Working Paper / esperimento randomizzato su 1.174 adulti; usato per compressione parziale dei gap esecutivi e persistenza del capitale umano.

4. Brynjolfsson, Li & Raymond, “Generative AI at Work” — Studio sul campo pubblicato sul Quarterly Journal of Economics; usato per produttività media, eterogeneità degli effetti e trasferimento di pratiche nel customer support.

5. Aldasoro et al., “AI adoption, productivity and employment” — BIS Working Paper su imprese europee; usato per produttività firm-level, occupazione di breve periodo e ruolo di software, dati e training.

6. Baslandze et al., “Artificial Intelligence, Productivity, and the Workforce” — NBER Working Paper / survey executive; usato per productivity paradox, produttività revenue-based e riallocazione compositiva del lavoro.

7. Stanford HAI, “AI Index Report 2026” — Fonte istituzionale di contesto su adozione organizzativa AI e uso della generative AI nelle funzioni aziendali.

8. OCSE, “AI use by individuals surges across the OECD as adoption by firms continues to expand” — Fonte istituzionale su uso AI firm-level, differenze per dimensione d’impresa e settori.

9. McKinsey, “The state of AI in 2025: Agents, innovation, and transformation” — Survey manageriale usata come fonte di contesto su uso, scaling, EBIT enterprise impact e workflow redesign.

10. Economist Enterprise, “The enterprise AI blueprint” — Fonte di contesto manageriale usata per productivity J-curve, co-invention e investimenti complementari.

11. Glean Work AI Index 2026 — Fonte survey/operatoria usata per il concetto di botsitting e lavoro invisibile di validazione.

12. Business Insider, “AI’s productivity paradox” — Fonte giornalistica usata per rendere visibile il divario tra produttività individuale e produttività d’impresa.

13. Yotzov et al., “Firm Data on AI” — NBER Working Paper usato per il divario tra uso attivo e impatto ancora limitato su produttività/occupazione.