Nel primo articolo di questa serie ho provato a ragionare sul perché chiedersi quali lavori verranno sostituiti dall’intelligenza artificiale non basta. Da qui nasce una seconda domanda: se l’IA accelera uno o più task, ci rende davvero più produttivi?
L’esperienza di chiunque abbia lavorato con uno strumento IA è chiara: assolutamente sì. Le immagini vengono create in pochi secondi e noiose ricerche web vengono eseguite in pochi minuti.
Il problema è che risparmiare tempo non equivale automaticamente a produrre più valore.
Che cosa intendiamo per produttività
In economia, la produttività del lavoro misura quanto valore aggiunto viene prodotto per ogni ora lavorata o per ogni addetto. Valore è la parola chiave, spesso sottovalutata. Generare più immagini o scrivere più parole non basta: la produttività aumenta solo se cresce il valore ottenuto rispetto alle risorse necessarie per produrlo.
Un testo generato in trenta secondi e corretto per un’ora non rappresenta necessariamente un progresso.
Negli esperimenti sui singoli lavoratori, però, il valore aggiunto in senso economico non è sempre misurabile. I ricercatori ricorrono quindi a indicatori più circoscritti: tempo necessario a completare un compito, numero di attività concluse, qualità valutata da esperti, problemi risolti o vendite generate.
Quando parliamo di produttività è utile distinguere almeno tre livelli:
- la produttività di un task o di una persona impegnata in un’attività;
- la produttività di un processo o di un’organizzazione;
- la produttività dell’intera economia.
Man mano che ci si sposta dal primo al terzo livello, le evidenze diminuiscono e le conclusioni diventano più incerte. Andiamo per ordine.
L’impatto dell’IA sulla produttività dei singoli
Le prove più solide che abbiamo al momento riguardano attività circoscritte, nelle quali è relativamente semplice confrontare il tempo impiegato e la qualità del risultato.
Uno dei primi esperimenti controllati ha coinvolto 444 professionisti impegnati in attività di scrittura simili a quelle svolte normalmente sul lavoro: rapporti, comunicati, analisi e messaggi professionali. Nello studio, pubblicato su Science da Shakked Noy e Whitney Zhang, chi poteva usare ChatGPT impiegava in media il 40% di tempo in meno e otteneva valutazioni qualitative superiori del 18%. I vantaggi maggiori andavano a chi partiva da livelli di competenza più bassi.
La ricerca Generative AI at Work ha osservato 5.179 operatori dell’assistenza clienti. Con un assistente generativo, il numero di problemi risolti ogni ora è aumentato del 14%. Tra i lavoratori meno esperti e con prestazioni più basse il miglioramento raggiungeva il 34%; per gli operatori con i risultati migliori era molto più contenuto. Il sistema faceva più che suggerire frasi ben scritte. Sembrava trasferire pratiche maturate nel tempo dagli operatori più efficaci: quali domande porre, come diagnosticare un problema e come gestire la reazione del cliente.
Un esperimento condotto con 758 consulenti di Boston Consulting Group, di cui vi avevo già parlato, ha dato risultati simili. Nelle attività alla portata del modello, chi usava GPT-4 lavorava circa il 25% più velocemente, completava più task e otteneva valutazioni qualitative migliori.
Nel complesso, questi studi mostrano che l’IA può migliorare di molto compiti ben definiti e tende ad aiutare soprattutto chi parte da livelli più bassi. Non autorizzano però una conclusione generale: usare un modello non rende automaticamente più produttivi, in ogni attività e in ogni contesto.
Nel software il quadro è meno lineare
Nel campo della programmazione è particolarmente evidente quanto il risultato dipenda dal contesto.
In uno dei primi esperimenti, gli sviluppatori che usavano GitHub Copilot completarono un compito di programmazione il 55% più velocemente di chi lavorava senza assistente.
Nel 2025, però, un esperimento controllato di METR produsse il risultato opposto. Sedici sviluppatori esperti lavorarono su 246 attività reali all’interno di repository open source che conoscevano bene. Quando potevano usare gli strumenti di IA disponibili all’inizio del 2025, impiegavano mediamente il 19% di tempo in più.
La misurazione contraddiceva la percezione dei partecipanti. Gli sviluppatori pensavano di essere diventati più veloci, ma consumavano tempo nel formulare le istruzioni, attendere le risposte, verificare il codice e correggere suggerimenti inadatti alla struttura del progetto.
In un aggiornamento basato su strumenti più recenti, METR ha trovato segnali compatibili con un’accelerazione, ma gli intervalli di confidenza erano molto ampi. C’era anche un forte problema di selezione: alcuni sviluppatori e alcune attività per cui l’IA appariva più utile tendevano a non entrare nell’esperimento.
Una meta-analisi pubblicata nel maggio 2026, che raccoglie 23 studi, ha rilevato un effetto medio positivo ma con risultati molto eterogenei e spiegabili con il contesto. Un programmatore meno esperto, impegnato in un compito isolato e ben definito, può ottenere un grande vantaggio. Un professionista che lavora su un sistema complesso, pieno di dipendenze e conoscenze tacite, può invece spendere molto tempo nella supervisione.
La domanda giusta non è, quindi, se l’IA rende più produttivo il singolo, ma quale modello di IA, usata da quale persona, per quale attività, in quale sistema organizzativo.
L’impatto dell’IA sui processi aziendali
Nel passaggio dal singolo compito all’organizzazione, molte narrazioni sulla produttività iniziano a perdere precisione.
Prendiamo ad esempio un esperimento randomizzato che ha coinvolto 7.137 lavoratori della conoscenza in 66 imprese. Una parte dei partecipanti ha ricevuto uno strumento generativo integrato nei programmi già usati per email, riunioni e scrittura. Tra chi lo ha utilizzato effettivamente, il tempo dedicato alle email è diminuito di circa due ore alla settimana e ha ridotto anche il lavoro svolto fuori dall’orario ordinario.
L’IA aveva liberato tempo, ma non era possibile dimostrare che l’organizzazione lo avesse trasformato in maggiore produzione. I lavoratori potevano averlo utilizzato per attività non osservate, per lavorare con meno pressione o semplicemente per assorbire altre richieste.
Una misura più diretta arriva da una grande piattaforma internazionale di commercio elettronico. I ricercatori hanno integrato strumenti generativi in sette workflow rivolti a clienti e venditori e condotto esperimenti randomizzati su milioni di utenti e prodotti. A seconda dell’applicazione, l’effetto sulle vendite andava da nessun risultato rilevabile fino a un aumento del 16,3%.
In questo caso la misura non riguardava soltanto la velocità di un lavoratore, ma un risultato economico dell’impresa.
Anche in questo caso, però, alcune applicazioni producevano valore e altre no. L’IA funzionava meglio quando aggiungeva qualcosa che il processo precedente non riusciva già a fare bene.
Altre analisi confermano che non tutte le imprese ottengono gli stessi risultati. Una recente indagine di PwC su 1.217 organizzazioni ha mostrato quanto i risultati dichiarati siano concentrati: solo il 20% delle aziende riesce a raccogliere il 74% dei ritorni economici attribuiti all’IA. Le organizzazioni che dichiarano i risultati migliori sono quelle che si concentrano sulla riprogettazione dei flussi di lavoro, sulla valorizzazione dei dati e sulla governance dei processi. La sola distribuzione degli strumenti non basta.
Il risultato va letto con cautela perché è basato sulle dichiarazioni dei dirigenti, ma indica lo stesso ostacolo emerso negli altri studi: acquistare licenze è relativamente semplice, cambiare il modo in cui un’organizzazione produce valore è molto più difficile.
La curva a J della produttività
Un ritardo di questo tipo non sarebbe una novità nella storia delle tecnologie di uso generale.
Gli economisti Erik Brynjolfsson, Daniel Rock e Chad Syverson descrivono questo andamento come una “curva a J della produttività”. Prima che una nuova tecnologia mostri benefici visibili, servono investimenti complementari: formazione, dati, software, nuovi ruoli, nuove procedure.
All’inizio, questi interventi aumentano i costi e possono persino ridurre la produttività misurata. Le persone devono imparare a usare gli strumenti, correggerne gli errori, integrare sistemi incompatibili e mantenere temporaneamente sia il vecchio sia il nuovo processo.
I benefici emergono soltanto quando l’organizzazione ha accumulato il capitale intangibile necessario e ha riprogettato il lavoro attorno alle nuove possibilità che la tecnologia offre.
La curva a J è un’ipotesi plausibile per spiegare perché i miglioramenti osservati nei task non siano ancora chiaramente visibili nei dati aggregati, non deve però diventare una spiegazione universale dell’insuccesso di un progetto. A volte, semplicemente, potrebbe fallire per altre cause come l’inadeguatezza degli strumenti o della progettazione fatta dall’uomo.
L’impatto dell’IA a livello macroeconomico
E veniamo al tema più complesso, l’impatto dell’IA a livello macro. Negli ultimi anni la produttività è cresciuta in diverse economie, ma non possiamo attribuire con certezza questo andamento all’intelligenza artificiale.
Il Compendio OCSE sulla produttività del 2026 registra una ripresa della produttività del lavoro in molti paesi nel 2024. Sulla crescita incidono gli investimenti tradizionali, l’automazione non generativa, i cambiamenti nella composizione dei settori, la riorganizzazione successiva alla pandemia e l’andamento del ciclo economico.
Nelle statistiche nazionali non esiste ancora un indicatore capace di isolare il contributo degli strumenti di intelligenza artificiale generativa. Anche gli investimenti in dati, modelli e trasformazione organizzativa sono difficili da misurare, perché una parte rilevante assume la forma di capitale intangibile.
È possibile che un contributo dell’IA sia già presente nei numeri. Non sappiamo ancora quanto sia grande né come separarlo dagli altri fattori.
Le stime sul futuro divergono
In assenza di dati certi, è interessante confrontare le attuali previsioni degli economisti. Per l’Italia, uno studio dell’OCSE sulle economie del G7 stima che l’IA potrebbe aggiungere ogni anno tra 0,2 e 0,9 punti percentuali alla crescita della produttività del lavoro nel prossimo decennio.
La forchetta dipende dalla velocità di adozione, dalla struttura dell’economia, dal peso dei servizi ad alta intensità di conoscenza.
Nel saggio “Machines of Mind”, Baily, Brynjolfsson e Korinek delineano uno scenario più ottimista. Sostengono che l’impatto potrebbe diventare molto più grande se l’IA accelerasse non soltanto le attività esistenti, ma anche la ricerca scientifica, la progettazione, lo sviluppo del software e la produzione di nuove idee.
Lo scettico Daron Acemoglu propone una valutazione più prudente e stima un aumento della produttività totale dei fattori di circa lo 0,5% complessivo nell’arco di dieci anni.
Le previsioni divergono perché dipendono da variabili che oggi nessuno può fissare con sicurezza: quante attività saranno davvero coinvolte, quanto migliorerà ciascuna, con quale rapidità verranno adottati i sistemi e se l’IA si limiterà ad accelerare il lavoro esistente o contribuirà anche a creare prodotti, lavori e mercati.
Se l’IA si limiterà a velocizzare la creazione di immagini e documenti, l’effetto macroeconomico potrebbe essere contenuto. Se contribuirà a scoprire nuovi materiali e riconfigurare processi, il risultato potrebbe essere dirompente.
A rendere le analisi ancora più complesse c’è il fatto che il valore creato al di fuori degli scambi di mercato sfugge alle statistiche. Molti servizi di IA sono gratuiti o costano relativamente poco. Anche il tempo risparmiato nella vita personale può produrre un beneficio senza generare una transazione economica facile da registrare (come ha evidenziato uno studio dello Stanford Digital Economy Lab).
Quindi, l’IA sta aumentando la produttività?
Come abbiamo visto la risposta dipende dal livello che osserviamo. Nei singoli compiti sì, nelle aziende dipende, a livello macroeconomico non lo sappiamo ancora.
Rimane però una domanda che i dati sulla produttività non possono chiarire. Anche se l’IA ci rendesse più produttivi, quel miglioramento renderebbe automaticamente più prezioso il nostro lavoro? Oppure, rendendo accessibili a molti capacità prima rare, potrebbe ridurre il premio economico associato ad alcune competenze?
Proveremo a capirlo in un prossimo articolo.