L’intelligenza artificiale sta rendendo più efficiente il lavoro di chi guida le aziende molto più di quello di chi vi opera ogni giorno, e per una parte consistente dei dipendenti si sta traducendo in un aumento dei compiti anziché in una loro riduzione.
Indice degli argomenti
AI e produttività del lavoro, il divario tra vertici e dipendenti
Questa è l’indicazione principale del Workforce 2026 Global Insights Report, l’indagine annuale sulla forza lavoro pubblicata da Korn Ferry, società internazionale di consulenza specializzata in organizzazione e gestione delle persone.
Tra gli amministratori delegati intervistati, il 79% dichiara che l’uso dell’AI ha migliorato la propria efficienza. Tra i lavoratori che non hanno la responsabilità di gestire altre persone, quelli che nel lessico aziendale anglosassone vengono chiamati individual contributor, la quota scende al 51%.
L’indagine, giunta alla terza edizione, ha raccolto le risposte di oltre 16.000 professionisti di ogni livello, dai ruoli di ingresso fino ai vertici, in 11 mercati: Stati Uniti, Regno Unito, Australia, Brasile, Francia, Germania, India, Giappone, Arabia Saudita, Singapore ed Emirati Arabi Uniti. L’Italia non fa parte del campione, ma i fenomeni rilevati riguardano soprattutto il modo in cui le organizzazioni introducono la tecnologia, un tema che interessa da vicino anche le imprese italiane.
Il divario tra chi decide e chi usa gli strumenti
Per comprendere la distanza tra vertici e dipendenti occorre guardare a come l’AI viene impiegata ai diversi livelli dell’organizzazione. Per chi dirige un’azienda, gli strumenti di AI servono in larga parte a sintetizzare documenti, dati e informazioni che in passato richiedevano ore di lettura, un uso che produce un beneficio immediato senza richiedere di modificare il resto del lavoro. Per chi deve invece utilizzarli per produrre analisi, documenti o altri risultati da consegnare, l’AI si inserisce in attività e processi già definiti, che spesso non sono stati rivisti per accoglierla.
Un secondo dato aiuta a leggere questa differenza. Il 52% degli intervistati afferma che gli strumenti di AI hanno aumentato il numero di compiti richiesti dal proprio ruolo. Allo stesso tempo, tra chi è stato invitato a usare l’AI nel proprio lavoro, il 63% dice di averne ricavato un aumento di efficienza. Le due affermazioni non sono in contraddizione. Uno strumento può rendere più rapida una singola attività e, nello stesso momento, far crescere la quantità complessiva di lavoro, per esempio perché l’organizzazione si aspetta più risultati a parità di tempo, perché si aggiungono attività di verifica di quanto prodotto dall’AI o perché l’apprendimento dello strumento si somma alle attività ordinarie. L’efficienza sul singolo compito, in altre parole, non si traduce automaticamente in una riduzione del carico.
Questi numeri si collocano su uno sfondo già segnato da una crescita generalizzata del lavoro. Il 62% degli intervistati dichiara che il proprio carico è aumentato in modo significativo negli ultimi due anni e il 45% afferma di essere troppo impegnato per ottenere risultati che contribuiscano davvero alla crescita dell’organizzazione. Quanto alla preparazione, poco più della metà, il 52%, ritiene di aver ricevuto una formazione adeguata per usare gli strumenti di AI.
AI e carico di lavoro: il lavoro che resta
Il secondo aspetto riguarda ciò che accade quando un ruolo viene ridotto, riorganizzato o, come si dice sempre più spesso, sostituito dall’AI. Il rapporto rileva che il lavoro legato a quel ruolo raramente scompare. L’AI assorbe alcune attività specifiche, mentre il resto viene redistribuito tra le persone che rimangono. Il 61% degli intervistati dichiara di svolgere ormai le responsabilità di più di una posizione, una condizione che Korn Ferry definisce il “lavoro doppio”.
Farsi carico di compiti aggiuntivi per un periodo limitato è una situazione frequente nella vita di un’organizzazione. Diventa un problema quando l’estensione si fa permanente senza che il ruolo venga ridefinito e riconosciuto di conseguenza. Il 58% degli intervistati ritiene di essere adeguatamente ricompensato per le responsabilità aggiuntive che ha assunto, gli altri quattro su dieci non lo ritengono. Nello stesso periodo la quota di lavoratori che si dichiarano motivati è scesa dal 71% del 2024 al 61% del 2026 e, secondo il rapporto, i carichi più pesanti ricadono oggi sulle generazioni più giovani.
Meno manager nella fase in cui servono di più
Il terzo elemento riguarda i manager, cioè le figure che dovrebbero fare da raccordo tra le decisioni prese ai vertici e il lavoro quotidiano. Il 42% degli intervistati riferisce che la propria organizzazione ha ridotto il numero di manager nell’ultimo anno e, tra i manager rimasti, il 55% si dichiara esausto. La loro posizione è compressa da due lati, dall’alto arriva la richiesta di risultati più ampi con risorse ridotte, dal basso un gruppo di lavoro già sovraccarico e meno motivato. Sullo sfondo c’è un orientamento che privilegia il contenimento dei costi: il 64% degli intervistati ritiene che la propria organizzazione sia più concentrata sul recupero di efficienza che sulla ricerca di nuovi modi per creare valore.
Il dato merita attenzione perché, nella transizione verso modelli di lavoro che integrano l’AI, è proprio ai profili intermedi che si chiede di cambiare funzione, assumendo compiti di supervisione, mentoring e orchestrazione del lavoro tra persone e strumenti. Sono ancora loro a creare le condizioni per sperimentare, e il 52% dei lavoratori riconosce al proprio responsabile di incoraggiare la prova di nuove idee e tecnologie. Ridurre il numero dei manager e aumentarne il carico significa quindi indebolire la funzione da cui dipende l’adozione concreta degli strumenti.
AI e produttività: una curva già osservata
Letti insieme, questi risultati non descrivono un fallimento della tecnologia, ma una fase del suo processo di adozione che la storia economica conosce bene. Gli economisti la chiamano Productivity J-Curve, curva a J della produttività, per la forma che assume nel tempo l’andamento dei benefici, un calo iniziale seguito da una crescita che arriva solo in un secondo momento. L’esempio più noto è quello studiato dall’economista Paul David sull’elettrificazione. Alla fine dell’Ottocento le dinamo erano ormai diffuse nelle fabbriche, ma rimasero per decenni assenti dalle statistiche della produttività, perché i benefici potevano emergere solo quando gli stabilimenti venivano riorganizzati attorno alla nuova fonte di energia. La stessa dinamica si è ripetuta con l’informatica, diventata realmente produttiva solo dopo anni di sperimentazioni e di riorganizzazione dei processi.
Nel capitolo Competitività delle imprese e intelligenza artificiale, all’interno del volume Le regole dei dati e dell’intelligenza artificiale, pubblicato da Maggioli, ho proposto di leggere l’AI attraverso questa lente, riprendendo l’impostazione degli informatici di Princeton Arvind Narayanan e Sayash Kapoor. Nel saggio AI as Normal Technology, i due autori considerano l’intelligenza artificiale una tecnologia di uso generale, come l’elettricità, il computer e internet, cioè una tecnologia destinata a incidere su tutti i settori dell’economia ma i cui effetti non sono né immediati né automatici. Normale non perché poco rilevante, ma perché segue le stesse logiche storiche delle altre tecnologie di questo tipo. Nella fase iniziale i costi di riorganizzazione, le inefficienze e le difficoltà di integrazione prevalgono sui benefici. Quando i lavoratori non vengono formati, i processi non vengono ridisegnati e i dati non sono pronti, l’AI diventa un nuovo strato di complessità, con inefficienze aggiuntive e ritorni limitati. È il paradosso della produttività applicato all’AI, e i dati di Korn Ferry ne offrono una misura.
Formazione e organizzazione del lavoro
Lo riconosce la stessa Korn Ferry, commentando i risultati con il Wall Street Journal, Bryan Ackermann, responsabile della strategia e della trasformazione AI della società, ha osservato che “siamo ancora nella fase della curva in cui gli strumenti aggiungono carico tanto quanto offrono efficienza”. Ackermann ha segnalato anche un rischio meno evidente. La risposta più intuitiva, cioè aumentare supporto e formazione, finisce spesso per aggiungere altro lavoro se non è accompagnata da una riduzione di quello ordinario. La formazione produce risultati quando le persone dispongono del tempo per seguirla, per esempio attraverso una proroga delle scadenze sui progetti in corso, e quando è costruita sulle esigenze del singolo ruolo anziché su contenuti generici. In altri termini, perché l’apprendimento diventi parte del lavoro deve prendere il posto di una sua parte, non sommarsi a essa.
Misurare il carico, non solo i posti di lavoro
Per il contesto italiano questi risultati offrono un’indicazione utile. La legge 132 del 2025, il primo quadro nazionale dedicato all’intelligenza artificiale, stabilisce all’articolo 11 che l’AI nei contesti lavorativi debba essere impiegata per migliorare le condizioni di lavoro, tutelare l’integrità psicofisica dei lavoratori e accrescere la qualità delle prestazioni e la produttività. All’articolo 12 istituisce inoltre un osservatorio sull’adozione dei sistemi di AI nel mondo del lavoro, con il compito di monitorarne gli effetti sul mercato del lavoro.
Il dibattito sull’impatto dell’AI sull’occupazione si concentra soprattutto su quanti posti di lavoro verranno sostituiti. I dati di Korn Ferry mostrano un secondo effetto, meno visibile e già in corso, che riguarda l’intensità del lavoro di chi resta: il numero di compiti, le responsabilità accumulate, il tempo disponibile per imparare, la tenuta dei manager. È su questo piano che si misura la distanza tra l’obiettivo indicato dalla legge e ciò che accade nelle organizzazioni, ed è su questo piano che il monitoraggio andrebbe esteso.
La curva a J descrive una possibilità, non un esito garantito. Il passaggio dal calo iniziale alla crescita non dipende dal numero di strumenti introdotti, ma dalla capacità di ridisegnare ruoli, processi e tempi di lavoro attorno a essi. Per questo la produttività va intesa non soltanto come quantità di output per ora lavorata, ma anche come qualità del lavoro, benessere delle persone e capacità di innovare. In ultima analisi, l’AI rende visibile una questione che precede la tecnologia, cioè come viene organizzato il lavoro e chi ne sostiene il costo durante la transizione.
Partecipa alla community