Il paradosso della produttivita ritorna
Nel 1987, l’economista Robert Solow scrisse una frase che divenne una delle osservazioni piu citate nella storia della tecnologia e dell’economia. Comparve in un articolo della New York Times Book Review, quasi come un’annotazione a margine: “You can see the computer age everywhere but in the productivity statistics.”
Il personal computer stava trasformando gli uffici di tutto il mondo sviluppato. I fogli di calcolo sostituivano i registri contabili. I word processor sostituivano le macchine da scrivere. I database sostituivano gli archivi. L’investimento era enorme, l’entusiasmo illimitato e le statistiche sulla produttivita ostinatamente piatte. I computer erano ovunque. I guadagni da nessuna parte.
Nel febbraio 2026, un gruppo di ricercatori ha pubblicato un articolo attraverso il National Bureau of Economic Research che faceva la stessa osservazione su una tecnologia diversa. Ivan Yotzov, Jose Maria Barrero e i loro colleghi hanno intervistato quasi 6.000 CEO e CFO negli Stati Uniti, nel Regno Unito, in Germania e in Australia. Il risultato e stato netto: oltre l’80 per cento delle aziende non ha riportato alcun impatto dell’IA sull’occupazione o sulla produttivita nei tre anni precedenti. Nove dirigenti su dieci hanno affermato che l’IA non aveva cambiato nulla.
Il parallelo non e una coincidenza. E strutturale. E capire perche e strutturale — piuttosto che liquidarlo come un problema di tempistica o un errore di misurazione — e la differenza tra le organizzazioni che alla fine cattureranno il valore dell’IA e quelle che passeranno un altro decennio a chiedersi dove siano finiti i rendimenti.
Il paradosso ha uno schema
Erik Brynjolfsson riflette su questo problema da piu tempo della maggior parte delle persone. Nel 1993, ha coniato il termine “paradosso della produttivita” in un articolo che ha trasformato la battuta di Solow in un programma di ricerca. Tre decenni dopo, lavorando con Daniel Rock e Chad Syverson, ha offerto un quadro che spiega perche le tecnologie a uso generale — tecnologie che rimodellano intere economie — sistematicamente non compaiono nelle statistiche sulla produttivita durante la loro fase iniziale di adozione.
L’hanno chiamata la Curva a J della Produttivita.
L’argomento e preciso. Quando arriva una tecnologia a uso generale, le organizzazioni iniziano a effettuare investimenti complementari significativi — nuovi processi, nuovi modelli di business, nuova formazione, nuove strutture organizzative. Questi investimenti sono in gran parte immateriali. Non compaiono nei conti nazionali come formazione di capitale. Compaiono come costi. L’organizzazione spende denaro, tempo e sforzo cognitivo nella ristrutturazione, e la ristrutturazione non produce risultati immediati. La produttivita misurata scende. La curva a J scende.
Piu tardi — talvolta molto piu tardi — gli investimenti immateriali maturano. I nuovi processi diventano routine. Le nuove strutture diventano seconda natura. Le innovazioni complementari iniziano a produrre risultati. La produttivita misurata sale nettamente. La curva a J sale.
Brynjolfsson, Rock e Syverson hanno pubblicato questo modello nell’American Economic Journal: Macroeconomics nel 2021. Hanno dimostrato che la correzione per gli investimenti immateriali relativi all’hardware e al software informatico produceva un livello di produttivita totale dei fattori superiore del 15,9 per cento rispetto alle misurazioni ufficiali alla fine del 2017. I guadagni di produttivita dell’era informatica erano reali — erano semplicemente invisibili per anni, nascosti all’interno di investimenti che il sistema di misurazione non poteva vedere.
La domanda per l’IA e se lo stesso schema si sta ripetendo. La risposta, sulla base dei dati disponibili all’inizio del 2026, e si — ma con una complicazione che il quadro della curva a J da solo non cattura.
I dati dicono non ancora
Lo studio del NBER non e l’unica evidenza. Fa parte di una convergenza.
La 29a indagine globale di PwC sui CEO, pubblicata nel gennaio 2026 e che ha coperto 4.454 CEO in 95 paesi, ha rilevato che il 56 per cento non ha riportato alcun beneficio finanziario significativo dai propri investimenti in IA. Non “guadagni modesti.” Non “rendimenti precoci.” Nessun beneficio. Solo il 12 per cento — uno su otto — ha dichiarato che l’IA aveva sia aumentato i ricavi sia ridotto i costi. Il resto stava ancora aspettando o aveva gia concluso che l’investimento non stava dando risultati.
La Federal Reserve di San Francisco, nell’Economic Letter 2026-06, ha osservato che gli investimenti legati all’IA avevano superato il contributo delle componenti IT alla crescita reale del PIL durante il boom delle dot-com — sia in termini assoluti sia come quota del PIL. Il denaro scorre. Le spese in conto capitale sono reali. Le industrie ad alta intensita di conoscenza con un’impennata nelle offerte di lavoro legate all’IA hanno rappresentato il 50 per cento della crescita della produzione nel terzo trimestre del 2025, pur rappresentando poco piu di un quarto della produzione totale. Ma la valutazione della Fed stessa e stata cauta: la maggior parte degli studi macroeconomici sulla crescita della produttivita trova evidenze limitate di un effetto significativo dell’IA.
L’investimento e visibile. La produttivita no. La frase di Solow, riscritta per il 2026, direbbe: si puo vedere l’era dell’IA ovunque tranne che nelle statistiche sulla produttivita.
La questione del quattro per cento
La Banca Europea per gli Investimenti ha aggiunto un pezzo cruciale a questo puzzle. Il documento di lavoro BEI 2026/02 ha analizzato dati incrociati di oltre 12.000 imprese non finanziarie nell’Unione Europea e negli Stati Uniti. Il risultato: l’adozione dell’IA aumenta la produttivita del lavoro in media del 4 per cento.
Il quattro per cento sembra significativo finche non si esamina la distribuzione. I guadagni si concentrano nelle imprese medie e grandi — quelle che dispongono gia di budget per la formazione, infrastrutture per i dati e capacita organizzativa per assorbire una nuova tecnologia. Le piccole imprese — quelle che costituiscono la stragrande maggioranza dell’economia europea — vedono meno. Il 4 per cento e una media che non descrive quasi nessuno con precisione.
Piu importante, la BEI ha riscontrato che il guadagno di produttivita si materializza solo nelle imprese che hanno effettuato quelli che i ricercatori hanno chiamato “investimenti complementari” — in software, infrastrutture per i dati e formazione della forza lavoro. Senza questi investimenti, il guadagno si avvicina a zero. L’IA da sola non produce il 4 per cento. L’IA piu la ristrutturazione organizzativa produce il 4 per cento. La tecnologia e una condizione necessaria. Non e una condizione sufficiente.
Questo risultato si allinea con precisione al quadro della Curva a J della Produttivita. Gli investimenti immateriali — la formazione, la riprogettazione dei flussi di lavoro, la reingegnerizzazione dei processi — sono il meccanismo attraverso il quale il potenziale della tecnologia diventa produzione reale. Senza gli immateriali, la tecnologia resta inattiva. O peggio: resta attiva ma improduttiva, generando risultati che nessuno usa, automatizzando processi che nessuno ha ristrutturato e creando l’illusione di una trasformazione senza la sostanza.
I dati Eurostat di dicembre 2025 rendono concreto il divario. Il venti per cento delle imprese dell’UE con 10 o piu dipendenti utilizza tecnologie di IA. Ma solo il 17 per cento delle piccole imprese lo fa, contro il 55 per cento delle grandi. L’adozione stessa e stratificata. E all’interno del 20 per cento che adotta, i dati della BEI ci dicono che solo quelle che fanno investimenti complementari stanno ottenendo rendimenti.
La tecnologia non e distribuita in modo uniforme. I rendimenti lo sono ancora meno. E le organizzazioni piu propense ad adottare l’IA senza gli investimenti complementari — le piccole e medie imprese che rappresentano la spina dorsale dell’economia dell’UE — sono quelle meno propense a vedere il paradosso risolversi a loro favore.
Il problema dell’architettura decisionale
Ajay Agrawal, Joshua Gans e Avi Goldfarb lo avevano anticipato nel loro libro del 2022, Power and Prediction: The Disruptive Economics of Artificial Intelligence. Il loro quadro si basa su una decomposizione semplice. Ogni decisione ha due componenti: previsione — stimare cosa accadra — e giudizio — decidere cosa fare al riguardo. L’IA migliora drasticamente la previsione. Riduce il costo delle previsioni, del riconoscimento di schemi e della stima probabilistica verso zero.
Ma la previsione senza giudizio riorganizzato e solo dati piu economici. Il valore dell’IA non proviene solo da previsioni migliori, ma dal riorganizzare le decisioni che quelle previsioni alimentano. Un’azienda di logistica che usa l’IA per prevedere la domanda ma lascia invariate le sue decisioni su percorsi, personale e inventario ha migliorato un input di un processo che non ha ristrutturato. La previsione e migliore. L’architettura decisionale e la stessa. Il risultato si muove a malapena.
Agrawal, Gans e Goldfarb usano un termine che cattura il problema: “riprogettazione a livello di sistema.” I guadagni di una tecnologia a uso generale non derivano dall’inserirla nei sistemi esistenti. Derivano dal riprogettare i sistemi intorno alle capacita della tecnologia. La macchina a vapore non ha trasformato la produzione perche era una migliore fonte di energia. Ha trasformato la produzione perche le fabbriche sono state riprogettate intorno all’energia centralizzata — e poi riprogettate di nuovo intorno ai motori elettrici distribuiti, il che ha richiesto un layout di fabbrica completamente diverso, flussi di lavoro diversi, competenze diverse e strutture gestionali diverse.
Gli storici dell’economia lo hanno documentato. Paul David, nel suo articolo del 1990 “The Dynamo and the Computer,” ha mostrato che sono stati necessari circa 40 anni dall’introduzione della dinamo elettrica alla realizzazione del suo pieno potenziale di produttivita — perche le innovazioni organizzative complementari hanno impiegato altrettanto tempo a svilupparsi e diffondersi. Le fabbriche dovevano essere ricostruite. I lavoratori dovevano essere riqualificati. I sistemi di gestione dovevano essere reinventati.
Il parallelo con l’IA e diretto. La maggior parte delle organizzazioni ha inserito l’IA nei flussi di lavoro esistenti. Non ha riprogettato i flussi di lavoro intorno alle capacita dell’IA. Il motore di previsione funziona. L’architettura decisionale e intatta. Le statistiche sulla produttivita lo riflettono con precisione: la tecnologia fa quello che fa, ma l’organizzazione non ha cambiato quello che fa.
La trappola della misurazione
C’e un problema piu sottile che aggrava quello strutturale: il modo in cui misuriamo la produttivita puo essere sistematicamente cieco al valore che l’IA crea.
La produttivita, nei conti nazionali, e la produzione per unita di input. Ma cosa conta come produzione? Se un team di marketing usa l’IA per produrre cinque bozze invece di una, e solo una di quelle bozze viene usata, la statistica sulla produttivita vede la stessa produzione — un documento pubblicato — prodotto con lo stesso input. Il contributo dell’IA e invisibile. Le quattro bozze non utilizzate non sono spreco in senso tradizionale; sono opzioni. Il team ha scelto meglio perche ha potuto valutare cinque alternative invece di una. La qualita della decisione e migliorata. La quantita della produzione misurata no.
Questa e l’ipotesi dell’errore di misurazione che Brynjolfsson esplora dagli anni Novanta. Quando la tecnologia migliora la qualita, la varieta o il processo decisionale piuttosto che la quantita, le statistiche sulla produttivita non lo colgono. Il PIL misura le transazioni. Non misura la qualita di quelle transazioni, ne le decisioni che le hanno precedute, ne le opzioni che sono state valutate e scartate.
La metrica dello stesso studio NBER — vendite per dipendente — e rivelatrice. Le vendite per dipendente catturano il volume. Non catturano se le vendite erano meglio mirate, piu redditizie per unita o richiedevano meno supporto post-vendita. Un’azienda che usa l’IA per migliorare la segmentazione dei clienti potrebbe vendere lo stesso volume a clienti piu adatti, riducendo il tasso di abbandono e aumentando il valore nel tempo — ma le vendite per dipendente restano stabili. La statistica sulla produttivita dice: nessun impatto. Il conto economico, alla fine, dice qualcosa di diverso.
Questo non significa che il paradosso sia meramente un artefatto di misurazione. La conclusione del NBER che l’80 per cento delle aziende non vede impatto e troppo ampia per essere spiegata solo con errori di misurazione. Molte aziende genuinamente non stanno catturando valore dall’IA. Ma la cecita del sistema di misurazione rispetto ai miglioramenti qualitativi significa che anche le aziende che lo fanno bene potrebbero non comparire nelle statistiche — ancora.
Il divario di aspettative dei dirigenti
Lo studio del NBER ha fatto emergere un altro risultato che merita attenzione. Nonostante non riportino alcun impatto negli ultimi tre anni, gli stessi dirigenti prevedono effetti sostanziali dell’IA nei prossimi tre anni: un aumento della produttivita dell’1,4 per cento, una crescita della produzione dello 0,8 per cento e una riduzione dell’occupazione dello 0,7 per cento.
Questo e il divario di aspettative di cui si nutre il paradosso di Solow. La tecnologia e perennemente sul punto di consegnare. I rendimenti sono sempre a tre anni di distanza. L’investimento continua perche la promessa continua, e la promessa continua perche la tecnologia dimostrabilmente funziona a livello di singola attivita — scrive l’email, redige il rapporto, analizza i dati piu velocemente. La microevidenza di capacita sostiene la macroaspettativa di trasformazione, anche quando la macroevidenza di trasformazione non si materializza.
I dati PwC affinano questa analisi. Il 12 per cento dei CEO che riportano guadagni simultanei in costi e ricavi con l’IA — l‘“avanguardia” — non usano tecnologia diversa. Usano gli stessi modelli, gli stessi strumenti, le stesse piattaforme. Cio che li distingue, secondo PwC, e che hanno integrato l’IA estensivamente nei prodotti, servizi, generazione della domanda e decisioni strategiche. Hanno stabilito quadri di IA responsabile. Hanno costruito ambienti tecnologici che consentono l’integrazione a livello aziendale.
In altre parole, hanno fatto la riprogettazione a livello di sistema. Hanno fatto gli investimenti complementari. Hanno riorganizzato l’architettura decisionale. Non sono sulla pendenza discendente della curva a J. Hanno investito attraverso di essa e stanno iniziando a salire.
L’altro 88 per cento ha comprato il motore di previsione e lasciato il pavimento della fabbrica invariato. Stanno vivendo il paradosso non perche la tecnologia non funziona, ma perche non hanno fatto il lavoro organizzativo che permette alla tecnologia di funzionare a livello di sistema.
Il collo di bottiglia organizzativo
Ecco la frase che voglio trattenere, perche ricornicia l’intera conversazione: la macchina non e il collo di bottiglia. L’organizzazione lo e.
I modelli di IA sono capaci. L’infrastruttura computazionale e disponibile. Gli strumenti sono sempre piu accessibili. Le barriere tecniche all’adozione dell’IA sono cadute drasticamente. Un’azienda di 200 persone puo accedere agli stessi modelli linguistici, agli stessi sistemi di visione, agli stessi strumenti analitici che usa un’azienda della Fortune 500. La tecnologia e stata democratizzata.
Cio che non e stato democratizzato e la capacita organizzativa di assorbire la tecnologia. La capacita di riprogettare i flussi di lavoro. La capacita di riqualificare i lavoratori — non nell’uso dello strumento, ma nel prendere decisioni in modo diverso ora che lo strumento fornisce previsioni migliori. La capacita di ristrutturare gli incentivi in modo che il tempo risparmiato dall’IA non venga semplicemente riempito con piu dello stesso lavoro. La capacita di costruire il capitale immateriale che la curva a J richiede.
E qui che il paradosso della produttivita diventa un problema di psicologia organizzativa — il mio territorio. Gli investimenti complementari che Brynjolfsson descrive non sono acquisti di software o aggiornamenti hardware. Sono cambiamenti nel modo in cui le persone lavorano, nel modo in cui le decisioni vengono prese, nel modo in cui i ruoli vengono definiti e nel modo in cui le prestazioni vengono misurate. Ognuno di questi e un cambiamento umano. Ognuno incontra resistenza umana. Ognuno richiede cio che Amy Edmondson chiama sicurezza psicologica — la convinzione che si puo provare qualcosa di nuovo, fallire e non essere puniti per questo.
Un’organizzazione che implementa l’IA senza creare le condizioni per la sperimentazione — senza rendere sicuro ristrutturare, cambiare ruoli, ridefinire cosa significa “produttivo” — e un’organizzazione che restera sulla pendenza discendente della curva a J. La tecnologia restera inattiva, come quelle macchine coperte su un pavimento di fabbrica. I vecchi banchi da lavoro — i processi familiari, i flussi di lavoro conosciuti, le routine confortevoli — continueranno a portare i segni di un uso intensivo.
Il problema dell’orizzonte temporale
I paralleli storici offrono contemporaneamente conforto e monito.
Il conforto: il paradosso della produttivita si e risolto prima. L’era informatica alla fine e comparsa nelle statistiche. Dalla meta degli anni Novanta all’inizio degli anni Duemila, si e verificato un aumento della produttivita misurata che gli economisti hanno attribuito, in parte, alla maturazione degli investimenti IT effettuati negli anni Ottanta. Le innovazioni complementari hanno raggiunto la tecnologia. La curva a J e salita. Il paradosso di Solow si e dissolto — non perche l’osservazione fosse sbagliata, ma perche il ritardo temporale era piu lungo di quanto dirigenti impazienti ed economisti impazienti si aspettassero.
Il monito: la risoluzione non e stata automatica. Non e avvenuta semplicemente perche e passato il tempo. E avvenuta perche le organizzazioni alla fine si sono ristrutturate. Hanno riprogettato i flussi di lavoro. Hanno riqualificato i lavoratori. Hanno cambiato le pratiche di gestione. E le aziende che lo hanno fatto per prime hanno ottenuto rendimenti sproporzionati, mentre quelle che hanno aspettato — o non si sono mai ristrutturate — sono rimaste indietro.
La stima di 40 anni di Paul David per la dinamo elettrica fa riflettere. Ma il calendario dell’era informatica e stato piu breve — circa 15-20 anni dall’adozione diffusa ai guadagni di produttivita misurati. La domanda e se il calendario dell’IA sara ancora piu breve, o se la complessita dei cambiamenti organizzativi necessari lo prolunghera.
La mia lettura delle evidenze e cauta. L’IA richiede una ristrutturazione organizzativa piu profonda del personal computer, perche l’IA influenza le decisioni, non solo le attivita. Il PC ha automatizzato la digitazione. L’IA automatizza la previsione — e la previsione alimenta ogni decisione che l’organizzazione prende. Ristrutturare intorno a una migliore digitazione era relativamente semplice: gli stessi documenti, prodotti piu velocemente. Ristrutturare intorno a una migliore previsione richiede di ripensare quali decisioni vengono prese, da chi e come. E un cambiamento piu fondamentale, e i cambiamenti fondamentali richiedono piu tempo.
L’integrazione
Ecco la tensione che voglio mantenere senza risolvere, perche risolverla sarebbe prematuro.
Il paradosso della produttivita e reale. I dati sono inequivocabili. L’ottanta per cento delle aziende non vede impatto dell’IA sulla produttivita. Il cinquantasei per cento dei CEO non riporta benefici finanziari. Le macrostatistiche mostrano investimenti in forte crescita e produttivita piatta. Il paradosso non e una narrazione. E una misurazione.
Il paradosso della produttivita e anche, potenzialmente, temporaneo. Il quadro della curva a J e ben supportato dalle evidenze storiche. Le aziende che hanno fatto investimenti complementari stanno ottenendo rendimenti. Il 12 per cento di avanguardia nei dati PwC non ha avuto fortuna — sono strutturalmente diversi. Hanno fatto il lavoro organizzativo.
Entrambe le cose sono vere simultaneamente. L’IA non sta ancora mantenendo la sua promessa su larga scala. L’IA ha le caratteristiche strutturali di una tecnologia che alla fine lo fara. La domanda non e se il paradosso si risolve. La domanda e chi fa il lavoro organizzativo per risolverlo — e chi aspetta una risoluzione che non arrivera da sola.
La macchina funziona. L’organizzazione non e cambiata. Le statistiche sulla produttivita non sbagliano. Stanno riflettendo, con scomoda precisione, il divario tra capacita tecnologica e prontezza organizzativa.
Robert Solow poteva vedere l’era informatica ovunque. Non poteva vederla nelle statistiche sulla produttivita. Le statistiche non mentivano. Stavano raccontando una verita che i dirigenti non volevano sentire: la tecnologia non e la trasformazione. La trasformazione e la trasformazione. La tecnologia e solo il catalizzatore che rende possibile la trasformazione — e se il catalizzatore produce una reazione dipende interamente dalle condizioni nel recipiente.
Il recipiente e l’organizzazione. Le condizioni sono la cultura, gli incentivi, l’architettura decisionale, la volonta di ristrutturare. La maggior parte dei recipienti ha aggiunto il catalizzatore e non ha cambiato nient’altro. Il paradosso e il risultato prevedibile.
La domanda, per qualsiasi organizzazione che legga questo, non e “quando l’IA consegnera?” E “cosa abbiamo cambiato per rendere possibile la consegna?” Se la risposta e “abbiamo comprato gli strumenti” — quello non e un cambiamento. E un acquisto. E gli acquisti, senza la riprogettazione organizzativa per assorbirli, sono il modo in cui si fabbricano i paradossi.