IA generativa e produttività: cosa misura l’evidenza e cosa no

La promessa che l’IA generativa faccia risparmiare tempo riduce spesso una questione complessa a un numero semplice. Tuttavia, svolgere un compito più velocemente non significa automaticamente aumentare la produttività. Conta anche che il risultato sia corretto, utile e accettabile, e quanto lavoro successivo richieda. Se si misura soltanto il tempo di esecuzione, possono restare esclusi la revisione, le correzioni e le conseguenze di un errore. Un dato sulla velocità, da solo, non permette quindi di stabilire se l’intero processo di lavoro sia migliorato. Va interpretato in relazione al compito svolto e a ciò che succede dopo la prima produzione.

Le evidenze disponibili indicano risultati legati a contesti specifici, non un tasso comune a tutte le professioni. Per leggere un’affermazione sulla produttività occorre chiedersi quale compito sia stato studiato, chi lo abbia svolto e quale risultato sia stato conteggiato. Le pubblicazioni accademiche e le sintesi di ricerca possono aiutare a rispondere, ma non sostituiscono la descrizione del metodo e non autorizzano a estendere i risultati a qualsiasi strumento o azienda. Un risultato può essere utile senza essere universale. Interpretarlo con rigore significa mantenere visibili i confini dello studio, anziché trasformare un dato raccolto in una situazione specifica in una previsione per attività diverse.

Uno studio sul campo intitolato Generative AI at Work esamina l’impiego dell’assistenza dell’IA generativa in un contesto lavorativo. Il titolo e la natura di ricerca sul lavoro lo distinguono da una prova astratta delle capacità: il tema è l’interazione tra uno strumento e compiti svolti dai lavoratori. Ciò nonostante, un risultato proveniente da un ambiente specifico non rappresenta da solo tutte le professioni, organizzazioni o sistemi di IA. Il fatto che uno studio si svolga sul lavoro ne definisce il contesto, ma non elimina la necessità di chiedersi a quali persone, compiti e condizioni si riferisca.

Un’altra ricerca, disponibile come preprint su arXiv, riferisce un esperimento online randomizzato condotto su 1.174 adulti di età compresa tra 25 e 45 anni. I partecipanti hanno svolto un compito di problem solving di tipo lavorativo con o senza assistente IA e successivamente un’attività senza assistenza. L’abstract segnala miglioramenti delle prestazioni con l’IA per partecipanti con diversi livelli di istruzione e una riduzione delle differenze nei risultati tra i gruppi nel compito assistito. Questo descrive una prova circoscritta, non una misurazione delle ore risparmiate in una vera giornata lavorativa. La scheda indica che l’articolo è stato inviato nell’agosto 2026. Le conclusioni vanno lette tenendo presente anche che si tratta di un preprint, non di una garanzia di consenso scientifico. Il campione, la sequenza delle attività e gli esiti riportati definiscono ciò che l’esperimento può sostenere.

Quando si confrontano gli studi, è utile distinguere almeno tre domande: è stato completato più lavoro? È stato completato in meno tempo? La qualità è migliorata? Un esito favorevole su una misura non risponde automaticamente alle altre. In particolare, un punteggio più alto in un compito sperimentale non permette di affermare che i partecipanti abbiano impiegato meno tempo, a meno che lo studio abbia misurato e riportato quella durata. L’abstract dell’esperimento arXiv citato qui riferisce le prestazioni e un’attività successiva senza IA; l’estratto fornito non indica una cifra dei minuti risparmiati. Trattare un risultato di prestazione come un risultato sul tempo andrebbe quindi oltre quanto riportato nell’estratto.

È importante anche distinguere la prestazione con assistenza dall’apprendimento o dalla capacità di lavorare senza di essa. Nell’esperimento citato, l’abstract indica che una parte dei miglioramenti dei partecipanti con un livello di istruzione inferiore è rimasta nell’attività successiva senza assistenza, anche se è riemersa una differenza considerevole tra i gruppi. Gli autori collegano inoltre il miglioramento successivo a un uso intensivo combinato con uno sforzo continuativo. Ricevere una risposta utile sul momento non equivale a sviluppare una competenza trasferibile; un esito ottenuto in un compito specifico non dimostra che lo stesso effetto si riproduca in altre funzioni lavorative. Non bisogna confondere le due domande: che cosa fa l’assistenza durante un compito e che cosa sa fare poi una persona senza assistenza.

Prima di trasformare il risultato di uno studio in un’aspettativa per un gruppo di lavoro, verifica questi punti nello studio originale:

• Compito: riproduce un’attività lavorativa reale o è un’attività sperimentale circoscritta?
• Partecipanti: quante persone hanno preso parte allo studio e quale esperienza o formazione avevano?
• Confronto: quale gruppo o situazione costituisce il riferimento?
• Esito: sono stati misurati tempo, quantità, qualità, correzioni o prestazioni successive?
• Contesto: quale strumento è stato utilizzato e il risultato dipendeva da istruzioni o supervisione specifiche?

Non tutti questi dettagli sono presenti negli estratti di ricerca raccolti qui, quindi non è corretto completarli con supposizioni. Il documento di Microsoft Research sull’adozione dell’IA al lavoro, per esempio, ha un titolo incentrato sui cambiamenti nell’adozione e sulle attività di produttività e comunicazione. Il materiale disponibile qui non descrive i risultati né il metodo; è quindi utile per identificare un tema di ricerca, ma non per attribuirgli una cifra precisa sulla produttività. Se mancano informazioni metodologiche, la conclusione corretta è limitare ciò che si afferma, non completare il resoconto per analogia. La lista serve proprio a rendere chiaro che cosa occorrerebbe sapere prima di applicare un risultato al di fuori del suo contesto originario.

Per un’organizzazione che vuole valutare uno strumento, l’approccio utile non è promettere in anticipo una percentuale, ma definire un confronto che comprenda il compito completo. Si può registrare quanto dura il processo dall’inizio alla fine, quale percentuale richiede correzioni e se il risultato soddisfa criteri di qualità concordati. È opportuno confrontare compiti equivalenti e annotare quando interviene l’IA, chi verifica il risultato e quali passaggi sono stati aggiunti. Considerare il processo intero evita di trattare la prima risposta generata come se il lavoro fosse già concluso.

L’interpretazione dovrebbe considerare anche il costo della supervisione e i rischi di un risultato errato o inadeguato. Un miglioramento della velocità potrebbe non tradursi in un guadagno netto se la revisione richiede più tempo o se aumentano gli errori. Al contrario, uno strumento può offrire valore migliorando i risultati o facilitando compiti difficili anche se riduce poco il tempo necessario. Questi sono criteri per progettare una valutazione locale, non risultati quantificati dalle fonti citate. La distinzione è importante: un piano pratico di misurazione può essere utile senza fingere che gli studi forniscano già una risposta universale. Qualsiasi conclusione locale deve restare legata ai compiti, ai criteri e al flusso di lavoro effettivamente valutati.

La ricerca esaminata non giustifica un titolo universale come «l’IA fa risparmiare X tempo ai lavoratori». Consente una conclusione più circoscritta: alcuni studi valutano miglioramenti delle prestazioni in compiti specifici e un esperimento online riferisce benefici con l’assistenza e cambiamenti nelle differenze tra gruppi di istruzione. La portata di ogni conclusione finisce dove il compito, la popolazione e le condizioni dello studio smettono di essere comparabili. Questo limite non annulla i risultati; consente di descrivere con precisione che cosa uno studio dimostra e che cosa non dimostra.

Per chi usa o valuta questi strumenti, la domanda più utile non è se l’IA aumenti la produttività in astratto, ma quale risultato migliori in un compito definito, per quali persone e con quale lavoro aggiuntivo di verifica. Se una fonte comunica soltanto una cifra promozionale o un risultato senza spiegare come è stato misurato, non basta per stimare l’effetto in un’altra mansione. La cautela non nega che possano esserci benefici: evita di presentare come fatto generale ciò che le evidenze disponibili sostengono soltanto in condizioni specifiche. Un’affermazione fondata dovrebbe indicare l’esito misurato e rispettare i limiti delle evidenze, anziché trasformare un risultato contestuale in una promessa valida per ogni luogo di lavoro.