Produttività e IA: la metrica non distingue chi verifica

Un report Workday su 3.200 rispondenti, pubblicato nel novembre 2025, dice una cosa semplice e scomoda: quasi il 40% del tempo risparmiato grazie all'IA generativa viene riassorbito dalla rielaborazione di output di scarsa qualità. Un lavoratore su due, in Italia, passa tra una e due ore a settimana a correggere, chiarire o riscrivere quello che l'IA ha prodotto. Il tempo risparmiato e il tempo perso convivono nello stesso ciclo di lavoro, e nessun cruscotto li separa.

Questo è il punto di partenza, non la conclusione. Se un indicatore di produttività continua a salire mentre la qualità reale dell'output resta piatta o peggiora, la domanda da fare non è se l'IA funzioni. È che cosa stiamo davvero contando quando diciamo "produttività".

Il tempo risparmiato torna indietro come tempo di correzione

Numero di prompt, righe di codice generate, documenti prodotti, ore apparentemente risparmiate: sono le metriche più facili da raccogliere, e per questo sono quelle che restano in uso anche dopo l'arrivo dell'IA. Descrivono però solo metà del processo. Se una persona usa l'IA e produce dieci documenti nel tempo in cui prima ne produceva due, il suo indicatore individuale sembra eccezionale — mentre a valle qualcun altro ha appena guadagnato ore di lavoro aggiuntivo per rimettere a posto quei dieci documenti.

Il costo reale, quando c'è, non è nella generazione: è nella verifica. Generare oggi costa meno che controllare, e questo squilibrio non compare in nessun report perché nessuno lo misura sistematicamente.

La stessa metrica conta chi genera e chi verifica

Un articolo Harvard Business Review del luglio 2026 mette a fuoco esattamente questo: anche le aziende che adottano l'IA continuano a valutare le persone con le metriche familiari di sempre — produttività, completamento degli obiettivi, efficienza. Il problema è che chi si appoggia pesantemente all'IA può apparire molto produttivo secondo quegli indicatori, indipendentemente da quanto lavoro di controllo abbia effettivamente svolto.

Un pezzo del Forbes Technology Council, uscito circa un mese dopo, lo dice con più durezza: le organizzazioni rischiano di premiare chi si affida ciecamente all'IA e di penalizzare chi si prende il tempo di rivedere, validare e affinare i suoi output. Chi controlla è più lento sul cruscotto. Chi non controlla è più veloce sul cruscotto. La metrica non distingue le due cose, e quindi assegna il merito nel modo sbagliato con perfetta regolarità.

Le aziende misurano l'adozione, non il risultato

I numeri sull'adozione dell'IA raccontano un divario che vale la pena guardare da vicino. Secondo lo studio The GenAI Divide: State of AI in Business, condotto dal MIT Project NANDA nel 2025, oltre l'80% delle aziende ha testato strumenti di IA generativa e quasi il 40% li ha effettivamente implementati — ma solo il 5% dichiara un ritorno misurabile in termini di produttività. Una stima indipendente, riportata da Manager.it, colloca la promessa di aumento della produttività fra il 30 e il 40%, mentre la maggior parte delle aziende non riesce a catturarne nemmeno il 10%.

Questo scarto non è necessariamente colpa dell'IA. È spesso colpa di come viene misurato il suo impatto: la Relazione annuale 2025 di Fondirigenti segnala difficoltà ricorrenti, nei laboratori formativi con i manager, nel definire metriche adeguate per stimare costi, benefici e rischi dell'adozione — con analisi di costo totale e ritorno sull'investimento spesso frammentarie, episodiche o costruite a posteriori. Un'organizzazione che non sa dire in anticipo cosa la farebbe cambiare idea sull'IA non sta misurando: sta osservando e poi raccontando una storia coerente con quello che ha già deciso.

Chi valida bene sembra meno produttivo di chi non valida affatto

C'è un concetto della psicologia della misurazione che qui torna utile, e lo uso una volta sola: la validità di criterio. Una misura di performance è valida solo se predice un esito esterno e indipendente da chi produce la misura stessa — le vendite reali, la qualità percepita dal cliente, l'assenza di errori a valle. Se il criterio con cui valutiamo il lavoro è "quanti output ha prodotto questa persona" senza mai verificare cosa succede a quegli output dopo, la validità del criterio cade esattamente dove servirebbe di più: nel distinguere il lavoro fatto con cura da quello fatto in fretta.

È qui che entra il fenomeno che Harvard Business Review ha battezzato workslop: contenuto generato dall'IA che appare completo e professionale ma non lo è, e che qualcuno — un collega, un capo, un cliente — deve poi rifare. Chi intercetta e corregge il workslop non compare da nessuna parte nei report di produttività: il suo lavoro è reale, ma invisibile alla metrica. Tom's Hardware l'ha descritto con una frase che vale più di molte slide: "hai fatto uno schifo, ora devo rifarlo io" è un costo relazionale — l'erosione della fiducia tra colleghi — che nessun report sulla produttività riesce a catturare, perché non produce metriche immediate, produce solo attrito.

Le alternative esistono, ma restano vaghe

Non manca chi ha provato a proporre indicatori diversi. Un'analisi di Reworked elenca alcuni tentativi: qualità del prompt, valore dell'iterazione, impatto della decisione rispetto all'impegno richiesto, punteggi di supervisione dell'IA. Medius, azienda citata nello stesso pezzo, ha spostato la valutazione dei propri dipendenti su cicli trimestrali di sondaggio e feedback centrati sulla "contribuzione significativa" — meaningful contribution — piuttosto che sul completamento dei compiti, proprio perché le metriche tradizionali non riflettono più il valore quando l'IA gestisce la parte transazionale del lavoro.

Sono tentativi seri, ma nessuno di questi framework ha ancora una definizione condivisa e verificabile. "Giudizio", "creatività", "collaborazione" sono parole che suonano importanti finché non si deve dire, in modo operativo e ripetibile, come si misurano e cosa le falsificherebbe. Finché resta così, la distanza tra "abbiamo capito il problema" e "abbiamo uno strumento che lo risolve" rimane quasi tutta da coprire.

La domanda che nessun cruscotto pone

Nessuna delle organizzazioni citate in questo pezzo pubblica il proprio margine di errore su queste metriche, né dichiara apertamente cosa la porterebbe a dire "questo indicatore non funziona più". È lo stesso schema che vale per ogni misura del giudizio umano: la decisione su cosa contare come performance è stata presa una volta, prima che l'IA entrasse nel flusso di lavoro, e da allora nessuno l'ha rimessa in discussione — non perché sia stata verificata, ma perché il numero che ne esce continua ad apparire pulito su uno schermo.

Alla prossima riunione in cui un cruscotto mostrerà che il team è "più produttivo con l'IA", la domanda utile non è quanto ha prodotto ciascuno. È quanto di quel prodotto è arrivato al destinatario finale senza passare, prima, dalle mani correttive di qualcun altro — e se quel passaggio compare da qualche parte nel foglio di calcolo che tutti guardano il lunedì mattina.