L’illusione del tempo liberato dall’IA, l’importanza della governance

La narrativa prevalente sull’intelligenza artificiale è ingannevolmente semplice: automatizzando i compiti di routine e accelerando il lavoro della conoscenza, l’IA dovrebbe ridurre lo sforzo umano e liberare tempo. Eppure la realtà che si sta dispiegando nelle organizzazioni suggerisce l’opposto. I lavoratori non sperimentano meno lavoro, ma di più, più compiti, più output, più aspettative. Il paradosso non è tecnologico: è sistemico.

Un numero crescente di ricerche prodotte da istituzioni come la Harvard Business Review, il National Bureau of Economic Research e la London School of Economics conferma che l’intelligenza artificiale aumenta significativamente la produttività a livello di singoli compiti (HBR, 2023; NBER, 2024; LSE, 2023)^[1,2,3]. Redazione, coding, analisi: tutto si completa in una frazione del tempo precedentemente necessario. Tuttavia, incastonata in questa letteratura c’è un’assunzione in gran parte non messa in discussione: che i guadagni di produttività possano tradursi in carichi di lavoro ridotti. Questa assunzione è errata, perché tratta la produttività come una variabile puramente tecnica anziché come una risorsa che deve essere governata.

Il problema centrale non è se l’IA consente di risparmiare tempo, è chi controlla cosa succede a quel tempo una volta che viene creato.

Il tempo risparmiato non torna ai lavoratori, diventa capacità

Una volta fatta questa distinzione, la contraddizione apparente diventa più chiara. Il tempo risparmiato attraverso l’IA non ritorna automaticamente ai lavoratori: viene trasformato in capacità, e la capacità deve essere allocata. Le organizzazioni raramente interpretano i guadagni di efficienza come un’opportunità per ridurre lo sforzo. Al contrario, li leggono come un segnale di risorse sottoutilizzate. Di conseguenza, quello che appare come “tempo liberato” a livello di singolo compito viene rapidamente riassorbito nel sistema attraverso nuovi incarichi, scadenze più strette e aspettative in espansione.

A livello di lavoro individuale, l’IA riduce il tempo necessario per completare attività discrete, ma questa riduzione abbassa il costo percepito dello sforzo ed espande la gamma di ciò che è considerato fattibile. Compiti che in precedenza venivano posticipati, delegati o considerati non necessari diventano prassi standard. I lavoratori, rispondendo agli incentivi e alle aspettative in evoluzione, assumono responsabilità aggiuntive perché il costo marginale di farlo appare più basso. Quello che inizia come un guadagno di produttività al livello micro avvia quindi un processo più ampio di espansione del carico di lavoro.

Come le organizzazioni trasformano l’efficienza in pressione

Questa dinamica diventa più pronunciata a livello organizzativo. Le aziende non trattano i guadagni di efficienza come slack ma come capacità da ridistribuire. Le metriche di performance si adeguano verso l’alto, trasformando l’output eccezionale di ieri nella baseline di oggi. I manager riallocano le risorse, aumentano i target e comprimono i cicli di consegna. Al tempo stesso, l’IA introduce nuove forme di lavoro che compensano parte del tempo risparmiato, tra cui verifica, correzione, integrazione e supervisione.

Queste attività non sono marginali: sono strutturali, e garantiscono che il coinvolgimento umano rimanga centrale anche quando l’automazione aumenta (McKinsey, 2023; WEF, 2023)^[4,5]. L’esecuzione diventa più veloce, ma lo sforzo totale non diminuisce.

Le metriche di performance si adeguano verso l’alto, l’output eccezionale di ieri diventa la baseline di oggi.

Al di là delle singole organizzazioni, le forze di mercato rinforzano questo schema. La competizione fa sì che i guadagni di efficienza non possano rimanere inattivi. Le aziende che convertono la produttività in consegne più veloci o output maggiori acquisiscono un vantaggio, costringendo le altre a seguire. L’aumento dell’offerta stimola la domanda, e le aspettative dei clienti si adeguano di conseguenza (WEF, 2023; BCG, 2023)^[5,6]. Quello che era considerato veloce diventa normale, e quello che era sufficiente diventa inadeguato. La velocità si trasforma in requisito competitivo anziché in scelta discrezionale.

Le evidenze empiriche, un pattern coerente su scala globale

Le evidenze empiriche si allineano con questa interpretazione sistemica. La ricerca del National Bureau of Economic Research (NBER, 2024)^[2] indica che l’adozione dell’AI rimodella l’offerta di lavoro e l’allocazione dei compiti piuttosto che ridurre il tempo totale di lavoro. Le analisi pubblicate dalla Harvard Business Review (HBR, 2023)^[1] mostrano che l’AI generativa accelera il lavoro della conoscenza espandendo simultaneamente lo scope dei compiti e aumentando la necessità di supervisione.

I risultati della London School of Economics (LSE, 2023)^[3] evidenziano che i guadagni di produttività derivanti dall’AI vengono catturati principalmente come aumento dell’output piuttosto che riduzione del tempo di lavoro. Analisi complementari di McKinsey (McKinsey, 2023)^[4] e del World Economic Forum (WEF, 2023)^[5] rinforzano questo schema, mostrando che i guadagni di produttività tecnologica tendono a guidare l’espansione economica piuttosto che riduzioni delle ore lavorative. Presi insieme, questi risultati non si contraddicono: rivelano una dinamica coerente in cui i guadagni di produttività vengono riassorbiti piuttosto che redistribuiti.

I guadagni di produttività non si distribuiscono da soli. Senza meccanismi espliciti per indirizzarli, vengono sistematicamente riassorbiti in output maggiore, maggiori esigenze di coordinamento e aspettative in espansione.

Il paradosso di Jevons applicato all’IA, l’efficienza amplifica, non riduce

Questo schema non è nuovo. Come osservò William Stanley Jevons nel 1865 nel contesto del consumo di carbone, gli aumenti di efficienza portano spesso a un maggiore utilizzo anziché alla conservazione — una dinamica oggi nota come paradosso di Jevons (Jevons, 1865)^[7]. Nei sistemi complessi, tali dinamiche sono rinforzate attraverso cicli di feedback, come descritto da John D. Sterman (Sterman, 2000)^[8]. Applicati alle organizzazioni moderne, questi principi spiegano perché i guadagni di efficienza locali generati dall’AI possono portare a un’espansione a livello di sistema piuttosto che a una contrazione. L’efficienza non riduce l’attività: la rimodella e la amplifica.

L’implicazione più profonda è che l’intelligenza artificiale non determina i risultati da sola. La tecnologia cambia ciò che è possibile, ma sono le istituzioni a determinare come quelle possibilità vengono realizzate. Storicamente, le riduzioni dell’orario di lavoro non sono emerse automaticamente dal progresso tecnologico: hanno richiesto meccanismi di governance deliberati, regolamentazione del lavoro e contrattazione collettiva, che convertono i guadagni di produttività in tempo protetto. In assenza di tali meccanismi, l’esito di default è prevedibile: le organizzazioni convertono l’efficienza in output, i mercati la convertono in pressione competitiva, e i lavoratori assorbono il conseguente aumento del carico di lavoro.

Le implicazioni per i leader, misurare la capacità, non solo il throughput

Per i leader, questo cambio di frame ha implicazioni significative. La domanda non è se l’IA aumenta la produttività, lo fa chiaramente. La domanda è come viene gestita la capacità creata da quella produttività. L’IA genera capacità, e se quella capacità non viene esplicitamente governata, verrà consumata dal sistema.

Le organizzazioni che continuano a misurare la performance esclusivamente in termini di throughput scopriranno che l’IA intensifica il lavoro (HBR, 2023; McKinsey, 2023)^[1,4]. Quelle che incorporano metriche relative alla qualità, alla sostenibilità e alla capacità umana potrebbero iniziare a realizzare un esito diverso.

L’AI non risparmia tempo per default: crea capacità. Ed è il sistema, non la tecnologia, a determinare come quella capacità viene utilizzata.

Il gap di governance, la dimensione che la letteratura ha trascurato

Il fallimento dell’AI nel restituire tempo ai lavoratori non è quindi un limite della tecnologia stessa, ma il riflesso di un gap di governance. Mentre la letteratura ha fatto progressi sostanziali nello spiegare come l’AI migliora la produttività, ha prestato molto meno attenzione a come quei guadagni vengono allocati.

Questa analisi contribuisce a quella dimensione mancante dimostrando che i guadagni di produttività non sono auto-distribuenti. Senza meccanismi espliciti per indirizzarli, vengono sistematicamente riassorbiti in output maggiore, maggiori esigenze di coordinamento e aspettative in espansione. (foto di Mohamed Nohassi su Unsplash)

Riferimenti

[1] Harvard Business Review. (2023). How generative AI changes knowledge work.  https://hbr.org/2023/07/how-generative-ai-changes-knowledge-work

[2] National Bureau of Economic Research. (2024). Generative AI at work (NBER Working Paper No. 31161).  https://www.nber.org/papers/w31161

[3] London School of Economics. (2023). Generative AI and productivity: Evidence from early adoption.  https://www.lse.ac.uk/research/research-for-the-world/economics/generative-ai-productivity

[4] McKinsey & Company. (2023). The economic potential of generative AI: The next productivity frontier.  https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[5] World Economic Forum. (2023). The future of jobs report 2023.  https://www.weforum.org/reports/the-future-of-jobs-report-2023

[6] Boston Consulting Group. (2023). Navigating the generative AI revolution in business.  https://www.bcg.com/publications/2023/generative-ai-business-impact

[7] Jevons, W. S. (1865). The coal question: An inquiry concerning the progress of the nation and the probable exhaustion of our coal-mines. Macmillan.

[8] Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. McGraw-Hill.

© RIPRODUZIONE RISERVATA