IA e produttività: perché i numeri dicono una cosa e i CEO un’altra
Stiamo vivendo uno dei momenti più affascinanti, e più disorientanti, della storia tecnologica recente.
Da un lato sentiamo ogni giorno che l’intelligenza artificiale sta trasformando il mondo del lavoro in modo irreversibile.
Dall’altro, chi dovrebbe guidare questa trasformazione nelle aziende ammette, quasi candidamente, di non accorgersene.
Com’è possibile? La risposta è più interessante di quanto sembri, e per trovarla bisogna tornare indietro di quasi quarant’anni.
Da un lato sentiamo ogni giorno che l’intelligenza artificiale sta trasformando il mondo del lavoro in modo irreversibile.
Dall’altro, chi dovrebbe guidare questa trasformazione nelle aziende ammette, quasi candidamente, di non accorgersene.
Com’è possibile? La risposta è più interessante di quanto sembri, e per trovarla bisogna tornare indietro di quasi quarant’anni.
Due studi, due realtà: il paradosso in numeri
Nel febbraio 2026 due istituti di ricerca di primissimo livello hanno pubblicato, quasi in contemporanea, risultati apparentemente inconciliabili sull’intelligenza artificiale e il suo impatto economico.
Il Centre for Economic Policy Research (CEPR) ha analizzato i bilanci reali di oltre 12.000 imprese europee, usando tecniche econometriche sofisticate per isolare l’effetto causale dell’adozione dell’IA da tutti gli altri fattori che influenzano le performance aziendali.
Il risultato è piuttosto netto: le aziende che adottano l’IA generano in media il 4% di fatturato in più per dipendente rispetto a quelle che non lo fanno.
Non è un dato banale, soprattutto se lo si confronta con la crescita media annua della produttività italiana degli ultimi trent’anni, rimasta attorno allo 0,3% secondo i dati ISTAT.
Il risultato è piuttosto netto: le aziende che adottano l’IA generano in media il 4% di fatturato in più per dipendente rispetto a quelle che non lo fanno.
Non è un dato banale, soprattutto se lo si confronta con la crescita media annua della produttività italiana degli ultimi trent’anni, rimasta attorno allo 0,3% secondo i dati ISTAT.
Il National Bureau of Economic Research (NBER), invece, ha interpellato circa 6.000 dirigenti di grandi aziende in quattro Paesi (Stati Uniti, Regno Unito, Germania e Australia) e ha scoperto che quasi il 90% di loro dichiara che l’IA non ha avuto alcun impatto misurabile, né sulla produttività né sull’occupazione.
In più: tra chi afferma di usarla, il consumo medio è di appena un’ora e mezza a settimana.
In più: tra chi afferma di usarla, il consumo medio è di appena un’ora e mezza a settimana.
Un quarto degli intervistati non la usa affatto, in ambito lavorativo.
Stesso argomento, stesso periodo storico, conclusioni opposte. Come si spiega?
La chiave è nel metodo (e nella percezione)
Il punto cruciale è che i due studi misurano cose diverse.
Il CEPR guarda ai dati oggettivi di bilancio: fatturato, ore lavorate, valore aggiunto.
Il NBER raccoglie percezioni soggettive dei manager.
E le percezioni, si sa, hanno tempi e distorsioni proprie.
Il CEPR guarda ai dati oggettivi di bilancio: fatturato, ore lavorate, valore aggiunto.
Il NBER raccoglie percezioni soggettive dei manager.
E le percezioni, si sa, hanno tempi e distorsioni proprie.
Un’azienda può guadagnare efficienza in modo diffuso e incrementale, grazie ad esempio a strumenti di AI già embedded nei software gestionali, nelle piattaforme CRM o nei sistemi di analisi dati, senza che il CEO lo attribuisca esplicitamente all’intelligenza artificiale.
I guadagni esistono, ma restano invisibili nella narrazione interna.
I guadagni esistono, ma restano invisibili nella narrazione interna.
C’è poi un secondo problema, forse ancora più strutturale: i benefici sono concentrati in un segmento molto ristretto di organizzazioni.
La media del 4% nasconde una distribuzione molto asimmetrica: comprende chi guadagna molto e chi non guadagna quasi nulla.
Le grandi imprese, con risorse e strutture dedicate, stanno raccogliendo frutti nettamente superiori rispetto alle PMI.
E chi investe in formazione del personale moltiplica ulteriormente i ritorni: ogni punto percentuale aggiuntivo speso in training amplifica l’effetto dell’IA sulla produttività di quasi sei punti percentuali.
Chi si limita ad acquistare una licenza software senza ripensare i processi, invece, ottiene ben poco. A volte niente.
La media del 4% nasconde una distribuzione molto asimmetrica: comprende chi guadagna molto e chi non guadagna quasi nulla.
Le grandi imprese, con risorse e strutture dedicate, stanno raccogliendo frutti nettamente superiori rispetto alle PMI.
E chi investe in formazione del personale moltiplica ulteriormente i ritorni: ogni punto percentuale aggiuntivo speso in training amplifica l’effetto dell’IA sulla produttività di quasi sei punti percentuali.
Chi si limita ad acquistare una licenza software senza ripensare i processi, invece, ottiene ben poco. A volte niente.
Il paradosso di Solow è tornato
Per capire davvero cosa stia succedendo, bisogna fare un salto indietro nel tempo, precisamente al 1987.
Quell’anno, l’economista e premio Nobel Robert Solow osservò una dinamica curiosa, destinata a diventare celebre: le imprese americane stavano investendo miliardi in computer e tecnologia informatica, ma la crescita della produttività non decollava.
Anzi, era calata rispetto ai decenni precedenti. La sua frase è rimasta nella storia dell’economia: “Si vedono i computer ovunque, tranne che nelle statistiche sulla produttività.”
Quell’anno, l’economista e premio Nobel Robert Solow osservò una dinamica curiosa, destinata a diventare celebre: le imprese americane stavano investendo miliardi in computer e tecnologia informatica, ma la crescita della produttività non decollava.
Anzi, era calata rispetto ai decenni precedenti. La sua frase è rimasta nella storia dell’economia: “Si vedono i computer ovunque, tranne che nelle statistiche sulla produttività.”
Quasi quarant’anni dopo, l’economista capo di Apollo Global Management, Torsten Slok, ha aggiornato quella battuta per l’era attuale: l’intelligenza artificiale è ovunque nei discorsi, negli investimenti, nelle ambizioni aziendali.
Tranne che nei dati macroeconomici aggregati su occupazione, produttività e inflazione. Il paradosso si è ripetuto. O forse, a ben vedere, non si era mai davvero concluso.
La lezione degli anni ’90: la curva a J
La storia, per fortuna, offre un precedente incoraggiante.
Dopo decenni di paradosso di Solow, negli anni ’90 qualcosa cambiò.
Dopo decenni di paradosso di Solow, negli anni ’90 qualcosa cambiò.
Tra il 1995 e il 2005 la produttività negli Stati Uniti accelerò di circa 1,5 punti percentuali rispetto ai decenni precedenti.
Certo, in quegli anni arrivarono internet, i browser, la posta elettronica: innovazioni enormi.
Ma le aziende avevano già investito miliardi in computer e infrastrutture digitali fin dagli anni ’80, senza vedere ritorni apprezzabili sulla produttività.
Il salto non lo fece la tecnologia da sola.
Lo fece la capacità delle organizzazioni di imparare finalmente a usarla davvero: riprogettando i processi intorno agli strumenti digitali, formando le persone, costruendo nuovi modelli di lavoro.
Era, in sostanza, la maturità organizzativa che aveva raggiunto la tecnologia.
Certo, in quegli anni arrivarono internet, i browser, la posta elettronica: innovazioni enormi.
Ma le aziende avevano già investito miliardi in computer e infrastrutture digitali fin dagli anni ’80, senza vedere ritorni apprezzabili sulla produttività.
Il salto non lo fece la tecnologia da sola.
Lo fece la capacità delle organizzazioni di imparare finalmente a usarla davvero: riprogettando i processi intorno agli strumenti digitali, formando le persone, costruendo nuovi modelli di lavoro.
Era, in sostanza, la maturità organizzativa che aveva raggiunto la tecnologia.
Il ritardo, in altre parole, non segnalava un fallimento tecnologico.
Era semplicemente il tempo necessario a qualsiasi ecosistema produttivo per adattarsi a uno strumento radicalmente nuovo.
Slok ipotizza che l’IA stia seguendo una “curva a J”: un periodo iniziale di stagnazione apparente, o addirittura di lieve calo dell’efficienza mentre le aziende imparano a usare i nuovi strumenti senza ancora padroneggiarne le logiche, seguito da un’accelerazione marcata.
Potremmo trovarci, proprio adesso, nella parte discendente della curva: quella che precede la risalita.
Potremmo trovarci, proprio adesso, nella parte discendente della curva: quella che precede la risalita.
IA vs PC: similitudini straordinarie, ma una differenza che cambia tutto
Il parallelo con l’introduzione del personal computer è affascinante e, per molti versi, calzante. In entrambi i casi si tratta di tecnologie general purpose, applicabili a quasi ogni settore e funzione aziendale.
In entrambi i casi l’adozione iniziale è stata frammentata, disuguale, spesso superficiale.
E in entrambi i casi i benefici economici aggregati hanno tardato ad arrivare.
In entrambi i casi l’adozione iniziale è stata frammentata, disuguale, spesso superficiale.
E in entrambi i casi i benefici economici aggregati hanno tardato ad arrivare.
Eppure c’è una differenza cruciale che vale la pena non sottovalutare.
Il PC è uno strumento deterministico: a parità di input restituisce sempre lo stesso output.
L’utente impara una procedura e può replicarla con certezza assoluta.
L’intelligenza artificiale generativa, e in particolare i Large Language Model (LLM), è invece uno strumento probabilistico: non dà sempre la stessa risposta allo stesso prompt.
Questo crea sfide cognitive e organizzative del tutto nuove.
Come si valuta la qualità di un output generativo? Come si costruisce un flusso di lavoro affidabile su uno strumento che, per natura, varia?
L’utente impara una procedura e può replicarla con certezza assoluta.
L’intelligenza artificiale generativa, e in particolare i Large Language Model (LLM), è invece uno strumento probabilistico: non dà sempre la stessa risposta allo stesso prompt.
Questo crea sfide cognitive e organizzative del tutto nuove.
Come si valuta la qualità di un output generativo? Come si costruisce un flusso di lavoro affidabile su uno strumento che, per natura, varia?
C’è poi un secondo elemento di differenza, forse ancora più rilevante nella pratica quotidiana: usare efficacemente un LLM richiede già di essere esperti del dominio in cui si opera.
Chi non conosce la materia non è in grado di valutare se la risposta dell’IA è corretta, pertinente o semplicemente plausibile ma sbagliata.
Il PC amplificava le capacità di chi sapeva già fare certe cose.
L’IA chiede qualcosa in più: saper interrogare lo strumento nel modo giusto e, soprattutto, saper validarne le risposte con spirito critico.
Questa asimmetria tra promesse e pratica è, probabilmente, una delle ragioni principali per cui tanti dirigenti faticano a percepire risultati concreti.
Chi non conosce la materia non è in grado di valutare se la risposta dell’IA è corretta, pertinente o semplicemente plausibile ma sbagliata.
Il PC amplificava le capacità di chi sapeva già fare certe cose.
L’IA chiede qualcosa in più: saper interrogare lo strumento nel modo giusto e, soprattutto, saper validarne le risposte con spirito critico.
Questa asimmetria tra promesse e pratica è, probabilmente, una delle ragioni principali per cui tanti dirigenti faticano a percepire risultati concreti.
L’ultima differenza è la velocità di evoluzione.
Nei decenni del PC, i cicli di aggiornamento si misuravano in anni: il tempo, cioè, di costruire competenze stabili e processi consolidati.
Oggi i modelli di IA vengono rilasciati, aggiornati e superati nel giro di mesi.
Per le organizzazioni è come tentare di costruire una casa su un terreno che si muove.
Nei decenni del PC, i cicli di aggiornamento si misuravano in anni: il tempo, cioè, di costruire competenze stabili e processi consolidati.
Oggi i modelli di IA vengono rilasciati, aggiornati e superati nel giro di mesi.
Per le organizzazioni è come tentare di costruire una casa su un terreno che si muove.
Il rischio per l’Europa (e per l’Italia)
Il quadro europeo aggiunge un ulteriore livello di complessità. La ricerca del CEPR segnala una disuguaglianza geografica marcata nell’adozione dell’IA tra le imprese del continente.
Le aziende svedesi e olandesi si muovono a ritmi paragonabili alle loro controparti americane.
Quelle dei Paesi dell’Europa orientale sono significativamente indietro. Il rischio concreto è che l’IA non riduca le distanze già esistenti tra le economie europee, ma le allarghi ulteriormente.
Le aziende svedesi e olandesi si muovono a ritmi paragonabili alle loro controparti americane.
Quelle dei Paesi dell’Europa orientale sono significativamente indietro. Il rischio concreto è che l’IA non riduca le distanze già esistenti tra le economie europee, ma le allarghi ulteriormente.
L’Italia si trova in una posizione delicata. Un tessuto produttivo fatto prevalentemente di piccole e medie imprese, con margini ridotti per investire in formazione e infrastrutture digitali.
Le PMI italiane sono esattamente quelle che, secondo i dati CEPR, ottengono i benefici minori dall’adozione dell’IA, non per mancanza di qualità o impegno, ma per la difficoltà strutturale di sostenere gli investimenti complementari che fanno davvero la differenza: formazione, ridisegno dei processi, acquisizione di talenti digitali.
Senza queste condizioni, uno strumento potenzialmente rivoluzionario resta uno strumento sottoutilizzato.
Le PMI italiane sono esattamente quelle che, secondo i dati CEPR, ottengono i benefici minori dall’adozione dell’IA, non per mancanza di qualità o impegno, ma per la difficoltà strutturale di sostenere gli investimenti complementari che fanno davvero la differenza: formazione, ridisegno dei processi, acquisizione di talenti digitali.
Senza queste condizioni, uno strumento potenzialmente rivoluzionario resta uno strumento sottoutilizzato.
Da questo punto di vista la politica economica europea ha di fronte una sfida precisa: non solo incentivare l’adozione dell’IA, ma garantire che i benefici si distribuiscano in modo più equo, tra grandi aziende e PMI, tra economie avanzate e quelle in ritardo digitale.
Altrimenti rischiamo di prolungare, forse anche aggravare, il paradosso di Solow del XXI secolo.
Altrimenti rischiamo di prolungare, forse anche aggravare, il paradosso di Solow del XXI secolo.
Cosa fare, concretamente, se sei un’azienda
Le indicazioni che emergono dalle ricerche sono abbastanza chiare, anche se meno semplici da applicare di quanto possano sembrare a prima vista.
Investire in formazione prima che in licenze. Ogni punto percentuale aggiuntivo speso in training amplifica i ritorni dell’IA quasi sei volte. Una licenza di ChatGPT o Copilot senza un programma strutturato di adozione vale poco. A volte crea addirittura aspettative sbagliate.
Riprogettare i processi, non solo gli strumenti. L’IA funziona quando viene integrata nei flussi di lavoro esistenti e, spesso, quando contribuisce attivamente a ridisegnarli. Non è un add-on da applicare sopra ciò che già esiste.
Misurare i risultati, non le percezioni. I CEO che non percepiscono benefici potrebbero semplicemente non avere gli strumenti per vederli. Dotarsi di metriche di produttività chiare, correlabili all’adozione dell’IA, è un prerequisito, non una conseguenza.
Non aspettarsi risultati immediati. La curva a J esiste. Il tempo di apprendimento organizzativo è reale e non comprimibile all’infinito. Chi si aspetta ritorni rapidi si scoraggerà molto prima che arrivino quelli veri.
Siamo nella parte giusta della curva?
Due studi, due verità.
Il CEPR ci dice che l’IA può funzionare davvero, e i bilanci aziendali lo confermano, almeno per chi l’ha adottata bene.
Il NBER ci dice che per la grande maggioranza delle imprese questo ancora non sta accadendo.
Il CEPR ci dice che l’IA può funzionare davvero, e i bilanci aziendali lo confermano, almeno per chi l’ha adottata bene.
Il NBER ci dice che per la grande maggioranza delle imprese questo ancora non sta accadendo.
Non è una contraddizione irrisolvibile.
È una fotografia piuttosto fedele di un ecosistema in piena trasformazione, con le sue sacche di eccellenza e le sue zone d’ombra, con chi è già oltre la curva e chi è ancora fermo al punto di partenza.
È una fotografia piuttosto fedele di un ecosistema in piena trasformazione, con le sue sacche di eccellenza e le sue zone d’ombra, con chi è già oltre la curva e chi è ancora fermo al punto di partenza.
La storia della rivoluzione informatica suggerisce che potremmo essere all’inizio di qualcosa di molto più grande.
Ma i frutti richiedono tempo, il tempo necessario all’adattamento umano e organizzativo, che nessuna tecnologia, per quanto potente, riesce davvero ad abbreviare oltre un certo limite.
Con una variabile in più rispetto agli anni ’80: stavolta lo strumento non è deterministico, e imparare a usarlo bene richiederà una forma di alfabetizzazione critica che va molto al di là della semplice competenza tecnica.
Ma i frutti richiedono tempo, il tempo necessario all’adattamento umano e organizzativo, che nessuna tecnologia, per quanto potente, riesce davvero ad abbreviare oltre un certo limite.
Con una variabile in più rispetto agli anni ’80: stavolta lo strumento non è deterministico, e imparare a usarlo bene richiederà una forma di alfabetizzazione critica che va molto al di là della semplice competenza tecnica.
Chi inizierà questo lavoro oggi, con metodo e senza farsi prendere dall’entusiasmo delle prime settimane, sarà probabilmente in una posizione molto diversa tra qualche anno.
Chi aspetterà che le cose si sistemino da sole, beh, la curva a J è lì ad aspettarlo.
Chi aspetterà che le cose si sistemino da sole, beh, la curva a J è lì ad aspettarlo.
Fonti:
– CEPR VoxEU — How is AI affecting productivity and jobs in Europe? (Febbraio 2026)
– NBER Working Paper #34836 — Executive survey on AI impact on productivity and employment (Febbraio 2026)
– Apollo Academy — Torsten Slok, Waiting for the AI J-Curve
– ISTAT — La produttività del lavoro in Italia 1995-2024
– Robert Solow, We’d better watch out, New York Times Book Review, 1987
Forse potrebbe interessarti anche: Shadow AI: quando l’intelligenza artificiale entra in azienda senza permesso
Per essere pienamente in linea con la nuova legge, sì, lo ammetto: per scrivere questo articolo mi sono avvalso dell’aiuto dell’intelligenza artificiale.
Grazie al suo supporto ho potuto concentrarmi sui contenuti, lasciando all’IA il ruolo di revisore attento, correttore di refusi e ottimizzatore SEO, senza intaccare la mia voce e il mio stile.
Un collaboratore affidabile che, se utilizzato in modo etico, può davvero dare una mano e migliorare la produttività di chiunque.