Lavoro concluso, non avviato

L'AI può rendere più veloci i singoli compiti senza che l'organizzazione porti a termine più lavoro utile. La differenza diventa misurabile quando si segue l'intero percorso, dalla prima bozza al risultato finito.

Di Stefano Zoia · 5 ottobre 2026 · 6 min

Immagina un gruppo di lavoro che preparava cinque offerte a settimana e oggi riesce a scriverne quindici. Chi deve verificarne fattibilità, prezzi e condizioni contrattuali può comunque approvarne soltanto cinque.

Chi scrive le offerte è diventato più veloce. L’organizzazione potrebbe però continuare a inviarne lo stesso numero, con una coda più lunga in attesa di verifica.

È un esempio costruito per spiegare, non il risultato di una ricerca. Ma coglie una domanda a cui i cruscotti sull’adozione dell’AI rispondono di rado: l’organizzazione ha migliorato il lavoro che porta a termine, o ha soltanto aumentato quello che avvia?

Le ricerche pubblicate a settembre 2026 danno a questa domanda un peso concreto. Descrivono limiti nella capacità di verifica, nella responsabilità delle decisioni, nella governance e nella preparazione delle organizzazioni. Non dimostrano che l’AI abbia mancato di migliorare la produttività nella maggior parte delle aziende.

La distinzione conta. Il compito di chi dirige è capire dove compiti individuali più rapidi producono risultati migliori, e dove invece il beneficio viene assorbito da qualche altra parte.

Tre misure da non confondere

Attività, lavoro completato e produttività descrivono cose diverse.

L’attività misura ciò che persone e sistemi fanno: bozze generate, analisi eseguite, codice scritto, raccomandazioni prodotte.

Il lavoro completato, nel senso usato qui, misura il lavoro utile portato a termine in un dato periodo: offerte consegnate, contratti chiusi, pratiche dei clienti risolte.

La produttività mette in rapporto il risultato utile con le risorse necessarie per ottenerlo.

Un’organizzazione può migliorare la produttività senza aumentare il lavoro completato: portare a termine lo stesso lavoro con meno ore e la stessa qualità è un guadagno reale. Può anche aumentare il lavoro completato senza migliorare la produttività, se il risultato in più richiede uno sforzo sproporzionato.

Per questo contare il lavoro completato è necessario ma non basta. Accanto vanno messi qualità, costi e rilavorazioni.

Nell’esempio delle offerte, una stesura più rapida potrebbe liberare tempo per parlare con i clienti anche se il numero di offerte non cambia. Oppure potrebbe generare controlli e correzioni aggiuntivi che si mangiano il tempo risparmiato. Il cruscotto sull’adozione avrebbe un aspetto simile nei due casi. I conti no.

Generare più in fretta può mettere a nudo i passaggi più lenti

Il Technology Trends Outlook 2026 di McKinsey descrive uno squilibrio crescente nello sviluppo software: l’AI produce codice più in fretta di quanto le organizzazioni riescano a verificarlo, collaudarlo e metterlo in esercizio in sicurezza. Segnala un problema analogo nella ricerca scientifica, dove generare ipotesi candidate non elimina il lavoro necessario per convalidarle. [1]

Questo sostiene una preoccupazione operativa precisa: accelerare un passaggio non accelera automaticamente l’intero processo.

Non significa che il lavoro generato sia sprecato, che la verifica sia superflua o che le persone vadano tolte di mezzo. La verifica può essere proprio il passaggio che rende un risultato utilizzabile.

La domanda è se il processo riesca ad assorbire il volume aggiuntivo senza accumulare ritardi, difetti o lavoro lasciato a metà.

Per un’azienda che usa l’AI, questo significa guardare al percorso che segue la generazione. Chi controlla il risultato? Di quali informazioni ha bisogno? Quali errori lo rimandano indietro? Quanto resta fermo tra una persona e l’altra, o tra un sistema e l’altro?

Le risposte possono indicare la necessità di formazione o di responsabilità più chiare. Possono anche indicare dati di partenza scadenti, integrazioni mancanti, risultati poco affidabili o un iter di approvazione inutilmente complicato.

Il vincolo va osservato, non dato per scontato.

L’autonomia è un’altra questione

Una previsione di Gartner pubblicata il 24 settembre stima che entro il 2030 solo il 5% delle organizzazioni che automatizzano la pianificazione della catena di fornitura prenderà in autonomia almeno il 10% delle decisioni di pianificazione. L’indagine che la accompagna ha rilevato investimenti consistenti nell’automazione tra le grandi organizzazioni. [2]

Messe una accanto all’altra, le due cose possono sembrare la prova di rendimenti deludenti. Non bastano a dimostrarlo.

Un pianificatore può prendere una decisione migliore, con meno preparazione, mantenendo la responsabilità finale. Un’organizzazione può scegliere deliberatamente di conservare l’approvazione umana per le decisioni con conseguenze rilevanti. Entrambi possono essere esiti sensati.

L’indicazione più utile di Gartner è partire dalla decisione e stabilire se l’AI debba supportarla, potenziarla o automatizzarla. Le sue linee guida chiedono anche di misurare i miglioramenti nell’efficacia delle decisioni, non la diffusione della tecnologia. [2]

È una prova più esigente di qualsiasi obiettivo di autonomia: che cosa è migliorato grazie alla nuova capacità?

Le condizioni organizzative contano, ma «le persone» non è una diagnosi

La ricerca di Gartner sulla governance dei dati, uscita a settembre, offre un altro segnale utile. In un’indagine su 223 responsabili di dati e analisi, la resistenza culturale è stata indicata più spesso della mancanza di fondi come causa principale del fallimento dei programmi di governance: 60% contro 40%. [3]

È un riscontro sui programmi di governance, non una misura diretta della produttività dell’AI. Mette comunque in luce perché installare una capacità e farla funzionare dentro un’organizzazione siano due compiti diversi.

Dire che il problema sono «le persone» è troppo vago per essere d’aiuto.

Un collaboratore può non avere le competenze per valutare una raccomandazione generata dall’AI. Ma può anche non avere accesso ai dati che la sostengono, l’autorizzazione ad agire di conseguenza o una definizione chiara di che cosa sia un risultato accettabile. Più formazione risolve soltanto il primo di questi problemi.

Il lavoro concreto è distinguere tra competenze, informazioni, autorità e processo. Ognuno richiede una risposta diversa.

Questi studi riguardano contesti e misure diversi. Non vanno sommati in un’unica stima dell’impatto dell’AI sulle imprese. Qui servono a individuare domande che un’organizzazione può approfondire nel proprio lavoro.

Misurare l’intero percorso fino al completamento

Parti da un processo ricorrente che abbia un risultato riconoscibile.

Definisci che cosa significa «completato» prima di misurare la velocità. Un’offerta può dirsi completata quando arriva al cliente con condizioni approvate. Una pratica di assistenza può richiedere una soluzione confermata, non un ticket chiuso. Una modifica al software può dover essere rilasciata e funzionante, non soltanto integrata nel codice.

Poi tieni traccia di quattro cose:

• Lavoro completato: quanti elementi confrontabili arrivano al traguardo concordato.
• Tempi complessivi: quanto impiegano dalla richiesta al completamento, attese comprese.
• Qualità: errori, risultati respinti, pratiche riaperte e altri segnali che il completamento non ha tenuto.
• Impegno e costi totali: generazione, verifica, correzione e costi degli strumenti pertinenti.

Confronta lavori comparabili e annota i cambiamenti di complessità, organico e domanda. Altrimenti un mese più tranquillo, o uno spostamento verso richieste più semplici, può sembrare un miglioramento dovuto all’AI.

Accanto a queste misure, osserva la coda. Dove si accumula il lavoro? Da quanto tempo aspettano gli elementi in attesa? Quali passaggi rimandano indietro il lavoro più spesso?

Così una discussione generica sull’adozione diventa una decisione operativa concreta. La risposta può essere migliorare i dati in ingresso, semplificare un’approvazione, rafforzare i collaudi o dare a un gruppo competente responsabilità decisionali più chiare.

Può anche essere generare meno.

Intervenire sul vincolo che si vede

Se la verifica è sovraccarica, aumentare la generazione può allungare l’arretrato. Se le bozze sono sistematicamente imprecise, aggiungere revisori può curare il sintomo lasciando intatta la causa. Se il lavoro approvato aspetta una decisione di cui nessuno è responsabile, scrivere più in fretta difficilmente eliminerà il ritardo.

Il cambiamento giusto dipende dal vincolo osservato. Una volta introdotto, misura di nuovo: eliminare una causa di ritardo può farne emergere un’altra.

Per questo «ridisegnare l’ultimo passaggio umano» è una prescrizione troppo stretta. Il vincolo che conta può trovarsi in qualsiasi punto del processo, e può essere tecnico, organizzativo o entrambe le cose.

Vale comunque la pena tenere traccia dell’uso dell’AI. Può mostrare se una capacità sta raggiungendo le persone a cui è destinata. Ma l’uso non può dirti se l’organizzazione sta completando lavoro migliore, in meno tempo e con meno fatica.

Prima di allargare un programma di AI, chiedi al gruppo di mostrarti che cosa succede tra il primo risultato generato e il lavoro finito. È lì che l’affermazione sulla produttività diventa verificabile.

— Stefano

Fonti

1. McKinsey & Company, Technology Trends Outlook 2026, settembre 2026. Si veda la parte sulla generazione che supera la capacità di verifica, collaudo e convalida.
2. Gartner, “Gartner Predicts Only 5% of Organizations Will Make at Least 10% of Supply Chain Planning Decisions Autonomously by 2030”, 24 settembre 2026. L’indagine che la accompagna ha coinvolto 243 dirigenti di organizzazioni con un fatturato annuo di almeno 500 milioni di dollari.
3. Gartner, “Gartner Predicts 60% of Organizations That Ignore Data Governance Culture Challenges Will Fail to Govern AI Successfully by 2027”, 21 settembre 2026. I dati su resistenza culturale e fondi provengono dall’indagine di marzo 2026 su 223 responsabili di dati e analisi.