L’AI è ovunque, tranne nelle statistiche sulla produttività

«Si vede l’era del computer dappertutto, tranne nelle statistiche sulla produttività». Robert Solow seppellì la frase a pagina trentasei del New York Times Book Review del 12 luglio 1987, in fondo a una recensione intitolata “We’d Better Watch Out”. Tre mesi dopo arrivò il Nobel. La battuta sopravvisse al libro che recensiva, alla recensione stessa e divenne il problema centrale dell’economia degli anni Novanta. La chiamarono paradosso di Solow. Trentotto anni dopo, due economisti – Anders Humlum, dell’Università di Chicago, ed Emilie Vestergaard, di Copenaghen – hanno riproposto la domanda. Hanno seguito 25.000 lavoratori danesi in 7.000 aziende, appartenenti a undici professioni tra le più esposte all’Intelligenza Artificiale, dalla contabilità alla programmazione, dal giornalismo alla consulenza legale. Tassi di adozione record. Risparmio medio di tempo per chi usa l’AI: 2,8% delle ore lavorate. Effetto sui salari, sulle ore registrate e sull’occupazione: nullo in nessuna delle undici professioni studiate (Humlum & Vestergaard, 2025). Il titolo del loro paper è una battuta in stile Solow: “Large Language Models, Small Labor Market Effects”. L’AI generativa è dappertutto. Nelle statistiche sulla produttività, ancora niente.

Il paradosso di Solow: si vede l’era del computer dappertutto, tranne nelle statistiche sulla produttività

Un dato non è una sentenza. Lo studio danese si concentra sui primi due anni di diffusione di ChatGPT, un intervallo troppo breve per trarre conclusioni. Ma è abbastanza per riaprire una domanda che si credeva chiusa. E prima di rispondere, conviene chiedersi cosa stiamo misurando. La produttività è una grandezza derivata: output diviso input. Cosa si conti come output, cosa come input, decide il risultato prima ancora del calcolo. Un report scritto in metà tempo è “il doppio della produttività”, se il report è l’output. Se l’output è la qualità della decisione che il cliente prende leggendo quel report, la produttività è un’altra cosa, e non sappiamo misurarla. Nel 1966 William Baumol e William Bowen pubblicarono per la Twentieth Century Fund uno studio sulle arti dello spettacolo. Dimostrarono qualcosa di scomodo: un quartetto d’archi che esegue Beethoven nel 1965 impiega lo stesso tempo e gli stessi musicisti di un quartetto del 1815. La produttività dell’esecuzione musicale è strutturalmente piatta. Il fenomeno divenne noto come Baumol’s cost disease, la malattia dei costi (Baumol & Bowen, 1966). Si applica a quasi tutto il lavoro della conoscenza che l’AI promette di rendere più produttivo: cura, educazione, diagnosi, consulenza o avvocatura. Non è un fallimento delle arti o dei servizi. È un limite della metrica.

Pur considerando l’AI rivoluzionaria come l’introduzione dell’elettricità, la produttività resta una metrica del Novecento applicata a un lavoro del Ventunesimo

C’è poi un secondo problema. Quando la metrica diventa l’obiettivo, smette di funzionare. Charles Goodhart, economista della Banca d’Inghilterra, lo formulò nel 1975 in un paper di politica monetaria; l’antropologa Marilyn Strathern ne diede nel 1997 la forma popolare: «quando una misura diventa un obiettivo, smette di essere una buona misura» (Strathern, 1997). Le aziende che riducono la produttività dell’AI a output per ora la stanno ottimizzando. La ottengono. Quel che esce è più output per ora — più report, più email, più analisi — e meno valore in ciascun output: meno accuratezza, meno cura, meno utilità per chi deve poi decidere. Robert Gordon (2016) aggiunge una terza dimensione: la grande crescita di produttività del Novecento — elettricità, motore a combustione, antibiotici, condotte, telecomunicazioni — è irripetibile. Tesi contestata, ma utile: l’AI generativa entra in un periodo di rallentamento strutturale della grandezza che dovrebbe far ripartire. Pur volendo considerare l’AI rivoluzionaria come e più dell’introduzione dell’elettricità o del motore a scoppio, la produttività resta una metrica del Novecento applicata a un lavoro del Ventunesimo. Lo strumento di misura non è neutrale: decide che cosa conta come valore prima ancora che il valore sia prodotto.

Studi hanno misurato un incremento medio di produttività del 15%, con un balzo del 34% per i meno esperti

Detto questo, gli esperimenti randomizzati funzionano. Brynjolfsson, Li e Raymond (2025), in uno studio su 5.172 customer service agents pubblicato sulla Quarterly Journal of Economics, hanno misurato un incremento medio di produttività del 15%, con un balzo del 34% per i meno esperti. Dell’Acqua e colleghi (2026), in un esperimento su 758 consulenti del Boston Consulting Group, hanno documentato un miglioramento della qualità del 40% sui compiti entro la “frontiera frastagliata” delle capacità dell’AI. Noy e Zhang (2023), su Science, hanno riportato, su 453 professionisti, una riduzione del tempo del 40% e un aumento della qualità del 18% nei compiti di scrittura professionale. I dati esistono, sono solidi, sono pubblicati su riviste peer-reviewed di prima fascia. La promessa non è retorica. È misurata e soddisfatta.

L’AI ha rallentato gli sviluppatori esperti, contraddicendo sia le previsioni di chi la usava sia quelle degli osservatori più competenti

Eppure. Gli stessi consulenti BCG che migliorano del 40% entro la frontiera peggiorano del 19% fuori. C’è poi un secondo dato, più scomodo. Nel luglio 2025, il METR — un centro di valutazione AI non profit — ha condotto un trial controllato randomizzato su sedici sviluppatori open-source di lungo corso, ognuno con cinque anni di esperienza nei propri repository (Becker e colleghi, 2025). Strumenti consentiti: Cursor Pro e Claude 3.5/3.7 Sonnet. Pronostico dei partecipanti prima della prova: meno 24% di tempo. Pronostico di economisti ed esperti di machine learning consultati esternamente: meno 38-39%. Risultato misurato: più 19% di tempo. L’AI ha rallentato gli sviluppatori esperti, contraddicendo sia le previsioni di chi la usava sia quelle degli osservatori più competenti. Dopo l’esperimento, gli stessi sviluppatori stimavano ancora un’accelerazione del 20%. Scoperta duplice: l’AI è più lenta del previsto e chi la usa non riesce ad accorgersene. Il campione resta esiguo e lo stesso gruppo, in un aggiornamento del febbraio 2026, ha rilevato effetti di selezione nei test successivi — molti sviluppatori rifiutano la condizione senza AI — e una probabile attenuazione del rallentamento con i modelli più recenti. La dissonanza tra previsione e risultato, per i modelli di inizio 2025, però resta (Becker e colleghi, 2026).

Un’indagine della Bank of Korea su 5.512 lavoratori, rileva che il 51,8% usa l’AI per lavoro e che il tempo lavorato cala del 3,8%

Un caso diverso, lo stesso scarto tra promessa e risultato. Quando, nel dicembre 2023, FactSet – la piattaforma dati a cui sono abbonati oltre la metà degli analisti finanziari mondiali – ha lanciato la propria infrastruttura AI generativa, chiamata Mercury, i report degli analisti che la usano sono diventati più ricchi: +40% di fonti distinte, +34% di copertura tematica. Solo che gli errori di previsione sono aumentati del 59% (Xue, Zhang & Zhu, 2025). I report sono più completi. Le decisioni che ne derivano, più sbagliate. Suh e Oh (2026), in un’indagine della Bank of Korea su 5.512 lavoratori, rilevano che il 51,8% usa l’AI per lavoro e che il tempo lavorato cala del 3,8%. Ma la correlazione tra il tempo risparmiato e la variazione dell’output è vicina allo zero. Sono due piani diversi e vanno tenuti separati. Il guadagno individuale c’è. Il guadagno aggregato sparisce. La domanda non è se l’AI aumenti la produttività individuale: lo fa. È se quel guadagno arrivi a ridefinire la produttività di un sistema.

Ogni tecnologia richiede investimenti complementari in capitale organizzativo, capitale umano, ridisegno dei processi

Due meccanismi convivono. Tenerli separati è il modo per non confondere le carte. Il primo è il ritardo. Nel 1990, Paul David pubblicò The Dynamo and the Computer. La sua tesi: l’elettrificazione delle fabbriche americane richiese quarant’anni per generare guadagni di produttività misurabili. Non perché la dinamo non funzionasse. Perché le fabbriche dovevano essere ridisegnate intorno al motore elettrico, non semplicemente elettrificate (David, 1990). Brynjolfsson, Rock e Syverson (2021) hanno formalizzato il fenomeno come Productivity J-Curve: ogni tecnologia richiede investimenti complementari in capitale organizzativo, capitale umano, ridisegno dei processi. Per ogni dollaro di hardware o software visibile nei bilanci, le stime suggeriscono dieci dollari di intangibili complementari che restano fuori dalla contabilità (Brynjolfsson, Hitt & Yang, 2002).

Le aziende comprano licenze. Ma stanno costruendo i complementari?

Le aziende comprano licenze. Ma stanno costruendo i complementari? La risposta empirica più nitida arriva da Carnegie Mellon University. He e colleghi (2025), confrontando 807 repository GitHub che hanno adottato Cursor con 1.380 repository di controllo simili, hanno misurato un’esplosione dellavelocity al primo mese – tre, quattro, cinque volte il volume di codice prodotto – destinata a dimezzarsi al secondo mese e a dissolversi quasi del tutto entro il terzo. Quello che resta è un aumento persistente del 30% degli avvisi statici e del 41% della complessità ciclomatica (una misura standard di quanto il codice è intricato). Debito tecnico che, secondo gli stessi autori, riduce la velocityfutura: un raddoppio della complessità si paga con un crollo del 64% dell’output successivo. Gli autori chiamano la dinamica osservata “ciclo eccitazione-frustrazione-abbandono”. Non è la J-Curve di David, è la sua inversione: il guadagno è front-loaded, il costo back-loaded e il primo nasconde il secondo. Le aziende non stanno costruendo i complementari. Stanno accumulando una passività che si manifesterà più avanti.

Una conferma emerge su una scala diversa. Nell’estate del 2025, il MIT Project NANDA – l’iniziativa di ricerca diretta da Ramesh Raskar – ha pubblicato The GenAI Divide. State of AI in Business 2025. Trecento implementazioni di AI generativa in altrettante aziende, 153 questionari, 52 interviste. Risultato annunciato: trenta-quaranta miliardi di dollari di spesa enterprise; il 95% delle iniziative senza impatto misurabile sul conto economico (Challapally e colleghi, 2025). Il dato va maneggiato con cautela. Il rapporto non è peer-reviewed. Kevin Werbach, ordinario di Legal Studies & Business Ethics alla Wharton School, lo ha definito “profondamente problematico”: il 95% ripreso dai titoli di molti media non emerge dai dati interni, perché il documento definisce “iniziativa non riuscita” come “assenza di impatto marcato su P&L”, non come “zero rendimenti” (Werbach, 2025). C’è poi un conflitto di interessi: NANDA vende a pagamento le soluzioni di AI agentica che il rapporto stesso indica come rimedio. Resta che la traiettoria coincide con quella di He e colleghi e con i dati danesi di Humlum-Vestergaard. Anche se è meglio non dare troppo peso al numero esatto.

Per quanto Oliner e Sichel (2000) avessero dichiarato chiuso il paradosso di Solow a fine degli anni Novanta, Acemoglu e colleghi (2014) ne hanno documentato il ritorno dopo il 2005. Quello che si ripropone oggi con l’AI non è il secondo ritorno del paradosso: ma almeno il terzo.

Il paradosso di Jevons trasposto all’AI: ogni report scritto in metà tempo non libera mezza giornata, ma raddoppia il numero di report attesi

Il secondo meccanismo è la cattura. L’efficienza non riduce il consumo: lo aumenta. Lo notò William Stanley Jevons nel 1865, mentre studiava il carbone in Inghilterra. Il motore di Watt era cinque volte più efficiente di quello di Newcomen; il consumo nazionale di carbone era esploso. «È un’idea sbagliata pensare che un uso più economico del combustibile equivalga a un consumo minore. La verità è esattamente l’opposto», scrisse nel capitolo VII di The Coal Question. Si chiamerà paradosso di Jevons. Trasposto all’AI: ogni report scritto in metà tempo non libera mezza giornata, ma raddoppia il numero di report attesi. Il moltiplicatore esatto varia; la direzione no. Suh e Oh osservano lo stesso meccanismo in Corea, su scala individuale: i lavoratori non reinvestono il tempo risparmiato in output aggiuntivo, ma lo riassorbono come on-the-job leisure, tempo libero durante la giornata di lavoro. Daron Acemoglu e Simon Johnson (2023) (Acemoglu ha ricevuto il Nobel per l’economia nel 2024) descrivono la direzione complessiva come “productivity bandwagon” (moda della produttività), l’illusione che la tecnologia produca automaticamente produttività e prosperità condivisa. Storicamente, questo non avviene se non c’è un contropotere che la negozi.

ChatGPT aumenta la produttività su tutte le tipologie di compito, ma non riduce, salvo che in specifiche occupazioni, le disuguaglianze tra gruppi diversi

Il guadagno, dove c’è, non è distribuito uniformemente. Haslberger, Gingrich e Bhatia (2024), in un esperimento randomizzato su un campione rappresentativo della popolazione lavorativa britannica, hanno mostrato che ChatGPT aumenta la produttività su tutte le tipologie di compito, ma non riduce, salvo che in specifiche occupazioni, le disuguaglianze tra gruppi diversi. Il titolo del paper è una smentita preventiva del luogo comune secondo cui l’AI sarebbe un equalizzatore: “No Great Equalizer”. La ricerca di Ni e colleghi (2025), condotta sul colosso cinese Alibaba e sugli operatori del customer service, mostra il rovescio della medaglia. Gli operatori meno esperti migliorano la qualità e la velocità del servizio. Gli agenti top performer, al di sopra di una certa soglia di competenza, vedono la qualità del servizio scendere, sia nel rating dichiarato dai clienti sia nelle metriche oggettive di abbandono e di ricontatto. Il meccanismo, secondo gli autori, è il multitasking: alleggeriti dal carico cognitivo, gli esperti si distribuiscono su più chat in parallelo e perdono di qualità su tutte. L’AI solleva il pavimento e abbassa il soffitto.

Tra fine 2022 e metà 2025, nelle professioni più esposte l’occupazione dei lavoratori tra i 22 e i 25 anni è scesa del 13%, mentre l’occupazione degli over-trenta è cresciuta del 6-12%

Sull’asse generazionale, il dato è più duro. Brynjolfsson, Chandar e Chen (2025), del Digital Economy Lab di Stanford, hanno incrociato i registri salariali di ADP – la principale società di gestione delle paghe degli Stati Uniti – con la mappa dell’esposizione delle occupazioni all’AI generativa. Tra fine 2022 e metà 2025, nelle professioni più esposte (sviluppatori software, agenti di customer service, analisti junior), l’occupazione dei lavoratori tra i 22 e i 25 anni è scesa del 13%. Negli stessi mestieri, l’occupazione degli over-trenta è cresciuta del 6-12%. Il titolo del paper: “Canaries in the Coal Mine”. I canarini delle miniere – i primi a morire quando l’aria si avvelena – non sono i lavoratori dell’AI in generale. Sono i loro junior. Le aziende stanno smettendo di assumere chi è all’inizio della carriera. L’apprendistato (il momento in cui si imparava il mestiere ripetendo le mansioni meno qualificate) si sta dissolvendo. Lo studio è in versione preliminare, non ancora sottoposto a revisione paritaria; gli stessi autori, in una nota del febbraio 2026, hanno precisato che parte del calo è imputabile anche ad altri fattori macroeconomici e che, con i controlli più stringenti, la quota attribuibile all’AI emerge solo dal 2024 in poi. La tendenza, però, non si è invertita: a ottobre 2025 il calo dei lavoratori 22-25 nelle occupazioni esposte è arrivato al 16% (Brynjolfsson, Chandar & Chen, 2026). Resta una domanda che il paper non chiude e che nessun paper può chiudere da solo: dove imparerà il mestiere chi non lo impara più sul lavoro?

AI: miliardi di testi, secoli di conoscenza, compressi in un’infrastruttura controllata da un pugno di aziende

Marx, nei Grundrisse scritti a Londra nel 1858, chiamò general intellect il sapere sociale che si incorpora nelle macchine e, attraverso il capitale fisso, diventa forza produttiva immediata. Una previsione di 167 anni fa, sorprendentemente attuale. Paolo Virno, in Grammatica della moltitudine (2001) riprese il concetto e lo applicò al lavoro postfordista. Nell’AI generativa, il general intellect di Marx si compatta in un modello statistico addestrato sul lavoro cognitivo di milioni di persone. Miliardi di testi, secoli di conoscenza, compressi in un’infrastruttura controllata da un pugno di aziende.

Il lavoratore cognitivo produce con uno strumento che non possiede. Caosun e Aral (2026), del MIT, hanno formalizzato il problema in un modello dinamico. Anche un decisore razionale, che anticipa pienamente l’erosione delle competenze del lavoratore, sceglie di adottare l’AI quando i guadagni iniziali superano i costi differiti. Lo stato di equilibrio che ne deriva è una perdita netta: il lavoratore finisce per essere meno produttivo di prima dell’adozione. Gli autori la chiamano “augmentation trap”, trappola dell’aumento. Non occorre supporre un piano deliberato dei vertici aziendali, né immaginare lavoratori inconsapevoli del proprio sfruttamento. Bastano il breve orizzonte temporale del management e l’incentivo a estrarre oggi il valore disponibile – le stesse dinamiche di cattura che Acemoglu, Johnson e Aral, da posizioni economiche non marxiste, hanno documentato studiando le rivoluzioni tecnologiche del passato.

Il professionista che sa di poter scrivere un report in metà tempo non guadagna mezza giornata, deve scriverne due.

L’organizzazione intercetta il guadagno, ma non ha costruito la macchina: ha comprato una licenza. Il fornitore tecnologico estrae lungo l’intera catena. Tre livelli di estrazione, non un unico padrone. La struttura ricorda quella del plusvalore industriale di Marx. La trasposizione non è letterale, ma un’analogia critica. Chi sta al primo livello, il lavoratore che produce, è anche chi ne cattura la quota più piccola.

Produttività, l’AI non crea il meccanismo, lo intensifica

Byung-Chul Han, in La società della stanchezza (2010), aveva diagnosticato l’avvitamento prima dell’AI. La società della prestazione non vieta più: rende possibile. Il professionista che sa di poter scrivere un report in metà tempo non guadagna mezza giornata, deve scriverne due. L’AI non crea il meccanismo. Lo intensifica. La domanda di Marx sul plusvalore industriale determinò la forma del capitalismo per un secolo e mezzo. La stessa domanda, riproposta per il plusvalore cognitivo, decide oggi la forma del lavoro della conoscenza per i decenni a venire. Forse, il guadagno aggregato non emerge anche perché nessuno ha rinegoziato come si distribuisce. Il plusvalore cognitivo prodotto con l’AI cerca una forma, non ne ha ancora trovata una. Resta poi un’ultima questione, che vale la pena di tenere aperta: chi ha detto che il guadagno di produttività debba essere catturato come produttività e non redistribuito come tempo, qualità e benessere?

*Andrea Laudadio è a capo della Formazione e Sviluppo di TIM e dirige la TIM Academy.

Bibliografia

Acemoglu, D., Autor, D., Dorn, D., Hanson, G. H., & Price, B. (2014). Return of the Solow Paradox? IT, Productivity, and Employment in U.S. Manufacturing. American Economic Review, 104(5), 394–399.

Acemoglu, D., & Johnson, S. (2023). Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity. PublicAffairs.

Baumol, W. J., & Bowen, W. G. (1966). Performing Arts: The Economic Dilemma. Twentieth Century Fund.

Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (arXiv:2507.09089). METR.

Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026, 24 febbraio). We are Changing our Developer Productivity Experiment Design. METR Blog.

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts About the Recent Employment Effects of Artificial Intelligence (Working Paper). Stanford Digital Economy Lab.

Brynjolfsson, E., Chandar, B., & Chen, R. (2026, 9 febbraio). Canaries, Interest Rates, and Timing: More on the Recent Drivers of Employment Changes for Young Workers. Stanford Digital Economy Lab.

Brynjolfsson, E., Hitt, L. M., & Yang, S. (2002). Intangible Assets: Computers and Organizational Capital. Brookings Papers on Economic Activity, 2002(1), 137–198.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.

Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.

Caosun, M., & Aral, S. (2026). The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading(arXiv:2604.03501). Massachusetts Institute of Technology.

Challapally, A., Pease, C., Raskar, R., & Chari, P. (2025). The GenAI Divide: State of AI in Business 2025. MIT Project NANDA.

David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355–361.

Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423.

Gordon, R. J. (2016). The Rise and Fall of American Growth: The U.S. Standard of Living Since the Civil War. Princeton University Press.

Han, B.-C. (2012). La società della stanchezza (F. Buongiorno, Trad.). Nottetempo. (Originale tedesco 2010).

Haslberger, M., Gingrich, J., & Bhatia, J. (2024). No Great Equalizer: Experimental Evidence on Productivity Effects of Generative AI Use in the UK Labor Market (SSRN Working Paper).

He, H., Miller, C., Agarwal, S., Kästner, C., & Vasilescu, B. (2025). Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects (arXiv:2511.04427). Carnegie Mellon University.

Humlum, A., & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects (NBER Working Paper n. 33777). National Bureau of Economic Research.

Jevons, W. S. (1865). The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal-Mines. Macmillan.

Marx, K. (1968–70). Lineamenti fondamentali della critica dell’economia politica (E. Grillo, Trad., 2 voll.). La Nuova Italia. (Originale 1857–58).

Ni, X., Wang, Y., Feng, T., Lu, L. X., Wang, Y., & Zhou, C. (2025). Generative AI in Action: Field Experimental Evidence from Alibaba’s Customer Service Operations (arXiv:2603.29888).

Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192.

Oliner, S. D., & Sichel, D. E. (2000). The Resurgence of Growth in the Late 1990s: Is Information Technology the Story? Journal of Economic Perspectives, 14(4), 3–22.

Solow, R. M. (1987, 12 luglio). We’d Better Watch Out. The New York Times Book Review, p. 36.

Strathern, M. (1997). ‘Improving ratings’: audit in the British University system. European Review, 5(3), 305–321.

Suh, D., & Oh, S. (2026). Generative AI and the Reallocation of Time: Productivity, Leisure, and Fulfilling Work(arXiv:2602.12695). Bank of Korea.

Virno, P. (2001). Grammatica della moltitudine. Per una analisi delle forme di vita contemporanee. Rubbettino.

Werbach, K. (2025, 27 agosto). Critique of MIT Project NANDA’s “The GenAI Divide: State of AI in Business 2025”[Post LinkedIn]. Wharton Accountable AI Lab.

Xue, J., Zhang, Q., & Zhu, W. (2025). Generative AI for Analysts (arXiv:2512.19705). Tsinghua University.