Lo studio di ActivTrak sulla giornata lavorativa rileva che gli utenti AI hanno giornate più lunghe

ActivTrak riferisce che gli utenti dell’AI hanno giornate lavorative più lunghe fino a 90 minuti rispetto ai non utenti, mettendo in discussione la promessa che attività più rapide portino a giornate più brevi. Lo studio di ActivTrak sulla giornata lavorativa copre 9.140 lavoratori della conoscenza in 467 imprese, utilizzando attività digitali raccolte tra il 1° aprile e il 25 settembre 2026. Pubblicati il 29 ottobre, i risultati collegano l’adozione dell’AI a giornate più lunghe, senza stabilire che sia stata l’AI a causare la differenza.

Questa distinzione è importante perché l’apparente contraddizione ha diverse possibili spiegazioni. I dipendenti con ruoli impegnativi potrebbero adottare l’AI più spesso. Una produzione più rapida potrebbe incoraggiare l’assegnazione di ulteriori incarichi. Anche il passaggio del lavoro tra assistenti e applicazioni esistenti potrebbe richiedere tempo che le dimostrazioni sulle attività non considerano. Ciascuna spiegazione mette sotto pressione i datori di lavoro che promettono efficienza senza misurare cosa accade all’intera giornata lavorativa.

Le precedenti ricerche sull’AI nella giornata lavorativa offrono un essenziale contrappeso. Un esperimento randomizzato su un assistente integrato nelle applicazioni esistenti ha rilevato una riduzione del tempo dedicato alle email e del lavoro fuori dall’orario regolare. Il conflitto emergente è quindi tra una promessa di produttività e risultati disomogenei sul posto di lavoro. L’AI può far risparmiare tempo su un incarico, lasciando però irrisolto se i dipendenti finiscano prima, gestiscano più incarichi o assorbano ulteriori verifiche e coordinamento.

Cosa ha effettivamente rilevato lo studio di ActivTrak sulla giornata lavorativa

L’ultimo dato riguarda l’estensione della giornata lavorativa, che non va confusa con lavoro continuativo o risultati verificati.

Secondo l’analisi della giornata lavorativa di ActivTrak, le giornate degli utenti AI duravano da 8,4 a 9,1 ore, rispetto alle 7,6 ore dei non utenti. Gli utenti intensivi hanno registrato in media sessioni di concentrazione ininterrotta di 37,8 minuti, rispetto ai 48,2 minuti degli utenti leggeri. Gli utenti intensivi hanno inoltre registrato 18 minuti aggiuntivi di attività giornaliera fuori orario.

Queste misurazioni descrivono aspetti diversi del lavoro. Una durata maggiore non dimostra uno sforzo ininterrotto per tutto quell’intervallo. Sessioni di concentrazione più brevi non dimostrano una qualità inferiore. Un’attività serale aggiuntiva non chiarisce se sia stata richiesta dal datore di lavoro, scelta dal dipendente o spostata dalla flessibilità di programmazione.

Il dato principale rappresenta inoltre un confronto al limite superiore degli intervalli riportati. Non dovrebbe trasformarsi nell’affermazione che ogni dipendente che adotta l’AI aggiunga la stessa quantità di lavoro. Trattare una differenza osservata come una penalità universale eliminerebbe proprio la variazione che i datori di lavoro devono analizzare.

La tempistica rende la pubblicazione rilevante per la pianificazione aziendale. Le organizzazioni che valutano investimenti nell’AI hanno bisogno di prove che vadano oltre il fatto che i dipendenti abbiano aperto un assistente. Devono capire se il suo utilizzo modifichi i tempi di consegna, il fabbisogno di personale, i tassi di errore e i confini del lavoro.

Si consideri la differenza tra una bozza più rapida e un’uscita anticipata. Un assistente di scrittura può ridurre lo sforzo necessario per produrre un documento iniziale. Resta però aperto ciò che accade durante approvazione, verifica dei fatti, revisione e distribuzione. L’incarico completato rimane l’unità rilevante per valutare un beneficio sul posto di lavoro.

Lo studio non risolve l’intera catena. Il suo contributo consiste nel mettere in luce un divario tra usare l’AI e avere una giornata più corta. Tale divario merita di essere indagato anche quando la direzione della causalità resta incerta.

Per i dipendenti, l’implicazione pratica è semplice. Sentirsi più rapidi nelle singole attività non contraddice il sentirsi complessivamente più occupati. Queste esperienze misurano aspetti diversi, e la valutazione della produttività da parte di un datore di lavoro deve lasciare spazio a entrambe.

Per gli acquirenti, la pubblicazione solleva una questione di approvvigionamento. Una dimostrazione di prodotto termina in genere quando l’assistente restituisce una risposta. Un processo aziendale termina quando qualcuno accetta la responsabilità del risultato. La distanza tra questi due punti è dove un apparente risparmio richiede verifica.

I manager devono scegliere dove finisca il tempo risparmiato

Un’attività più breve crea capacità disponibile; le decisioni manageriali determinano se tale capacità si trasformi in sollievo, produzione aggiuntiva o un altro obbligo.

La pressione immediata ricade sui manager che approvano le implementazioni dell’AI e sui dipendenti chiamati a dimostrarne il valore. Gli acquirenti hanno bisogno di prove che l’investimento migliori le prestazioni aziendali. I lavoratori hanno bisogno di chiarezza sul fatto che un’esecuzione più rapida modifichi responsabilità, scadenze o disponibilità.

Questi interessi possono allinearsi. Un dipendente potrebbe preferire eliminare la stesura routinaria per concentrarsi sul lavoro che richiede giudizio. Un datore di lavoro potrebbe attribuire a questo cambiamento più valore della riduzione delle ore programmate. Il problema inizia quando ciascuna parte presume una destinazione diversa per lo stesso tempo risparmiato.

Una settimana lavorativa più breve è un risultato specifico. Richiede che il lavoro rientri in meno ore programmate, con qualità accettabile e domanda gestibile. Un miglioramento della produttività da solo non garantisce questo assetto. Le organizzazioni possono invece indirizzare la capacità aggiuntiva verso un arretrato esistente.

Quella scelta non è automaticamente irragionevole. Il lavoro non completato può comprendere progetti utili, richieste dei clienti o manutenzione trascurata. Tuttavia, i leader dovrebbero descrivere accuratamente il risultato. Consegnare più lavoro nello stesso orario differisce dal ridurre l’orario, ed estendere la giornata crea un ulteriore risultato.

La discussione di ActivTrak sul carico di lavoro legato all’AI rende più difficile evitare questa distinzione. I datori di lavoro non possono valutare il beneficio per i dipendenti esclusivamente attraverso il volume del materiale generato. Un aumento delle bozze può aiutare l’autore aumentando al contempo le richieste a redattori, revisori o colleghi responsabili dell’implementazione.

Un ipotetico team di prodotto illustra la questione. Un manager usa l’AI per preparare più rapidamente una proposta e aggiunge ulteriori alternative prima di condividerla. Il team valuta quindi più opzioni, verifica più ipotesi e discute più possibili modifiche. L’attività iniziale diventa meno costosa, mentre il processo decisionale si amplia.

Nulla in questo esempio richiede che l’assistente funzioni male. Ogni bozza potrebbe essere utile. L’onere aggiuntivo deriva da ambizioni ampliate e da una capacità di revisione limitata. Una produzione più rapida cambia ciò che appare fattibile prima che l’organizzazione modifichi ciò che può approvare responsabilmente.

I manager affrontano dunque un problema che va oltre l’abilità nel formulare prompt. Qualcuno deve decidere quale lavoro aggiuntivo meriti attenzione e quale lavoro debba rimanere incompiuto. Senza questa decisione, un assistente può ampliare l’offerta di proposte più rapidamente di quanto i colleghi riescano a valutarle.

La stessa questione si applica alla gestione della conoscenza. Organizzare le informazioni esistenti può affrontare un onere diverso rispetto alla generazione di altro materiale. Una base di conoscenza personale riguarda il modo in cui le informazioni vengono conservate e recuperate. Nessuna delle due funzioni dovrebbe ricevere il merito di ridurre l’orario di lavoro senza prove che il processo complessivo sia migliorato.

La domanda gestionale rilevante è quindi concreta: cosa ha smesso di consumare tempo dei dipendenti dopo l’implementazione? Se non è scomparso nulla, i leader dovrebbero identificare il valore aggiuntivo che giustifica la nuova attività. Altrimenti, l’adozione diventa un’aspettativa sovrapposta a un programma già pieno.

Attività più rapide possono ampliare il lavoro che le circonda

La capacità dell’AI di rendere il lavoro più facile può anche aumentare la quantità di lavoro che i dipendenti tentano di svolgere.

La ricerca della Haas School of Business dell’UC Berkeley offre un’analisi concreta di questa possibilità. Xingqi Maggie Ye e Aruna Ranganathan hanno condotto uno studio etnografico di otto mesi, basato su osservazione del luogo di lavoro e interviste, presso un’azienda tecnologica con 200 dipendenti. Ye ha inoltre condotto oltre 40 interviste tra diversi gruppi funzionali.

La loro ricerca sull’intensificazione del lavoro ha rilevato responsabilità più ampie, lavoro che invadeva pause precedenti e più attività simultanee. I dipendenti talvolta lasciavano in esecuzione processi AI mentre gestivano altri obblighi. La ricerca descrive come il lavoro si sia ampliato, anziché stimare un effetto universale tra i datori di lavoro.

La distinzione è importante per interpretare lo studio di ActivTrak sulla giornata lavorativa. L’osservazione del luogo di lavoro può rivelare meccanismi che le misurazioni dell’attività non riescono a spiegare da sole. Non dimostra che tali meccanismi abbiano causato le differenze in un altro set di dati. Tuttavia, identifica spiegazioni che vale la pena verificare.

Una possibilità è che ridurre la difficoltà di iniziare un lavoro cambi il punto in cui ci si ferma. Un incarico che prima sembrava impraticabile può diventare degno di essere tentato. Un lavoratore che può esplorare rapidamente un’idea affronta una nuova decisione: se continuare, perfezionarla e condividerla.

Questo crea un’esperienza diversa dal semplice ricevere un compito aggiuntivo da un manager. Lo sforzo aggiuntivo può iniziare dalla curiosità o dalla soddisfazione. Un dipendente potrebbe apprezzare la possibilità di tentare attività fuori dalla propria precedente gamma di competenze. Piacere e ampliamento del carico di lavoro possono quindi verificarsi insieme.

La panoramica della ricerca di Aruna Ranganathan sottolinea questa distinzione tra produzione misurabile ed esperienza vissuta dei dipendenti. Il suo lavoro esamina autonomia, richieste cognitive, competenza, relazioni e benessere insieme ad altre conseguenze dell’AI sul posto di lavoro. Queste dimensioni aiutano a spiegare perché una misura favorevole dell’output non possa risolvere ogni interrogativo su un’implementazione.

La preoccupazione analitica è l’accumulo. Un piccolo esperimento facoltativo diventa un risultato utile. I risultati utili influenzano le aspettative. Le aspettative plasmano quindi ciò che i colleghi richiedono e ciò che i dipendenti si sentono responsabili di mantenere. Il risparmio originario può scomparire senza una decisione formale di ampliare il ruolo di qualcuno.

Il lavoro parallelo introduce un’altra versione di questo problema. Avviare un assistente non elimina la responsabilità di verificarne il risultato. Se diversi processi terminano mentre un lavoratore gestisce un altro incarico, i loro output creano una coda che richiede attenzione.

L’onere risultante dipende da ciò che tali output richiedono. Il materiale di routine potrebbe richiedere poca revisione. Una raccomandazione rilevante potrebbe richiedere verifica delle fonti, consultazione e revisione. Contare le risposte completate dall’assistente tratterebbe queste situazioni come simili nonostante le diverse richieste umane.

Il ribaltamento è quindi plausibile senza presumere che l’AI abbia fallito nel suo compito immediato. Un’assistenza migliore può ampliare la gamma di lavori che le persone intraprendono. Che ciò diventi un beneficio dipende dai limiti al carico di lavoro, dalla capacità di revisione e dal valore dei risultati aggiuntivi.

Gli assistenti integrati offrono un diverso punto di riferimento

La prova che alcuni utenti dell’AI lavorano più a lungo non cancella l’evidenza sperimentale secondo cui altre implementazioni fanno risparmiare tempo ai dipendenti.

Uno studio di Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica e Christopher T. Stanton fornisce un confronto importante. Il loro esperimento randomizzato sul posto di lavoro ha coinvolto 7.137 lavoratori della conoscenza in 66 aziende. La selezione casuale ha determinato l’accesso a un assistente di AI generativa integrato nelle applicazioni utilizzate per email, riunioni e scrittura.

Nella seconda metà dell’esperimento di sei mesi, gli utenti partecipanti hanno dedicato due ore in meno alla settimana alle email e ridotto il lavoro al di fuori dell’orario regolare. I ricercatori non hanno rilevato cambiamenti nella quantità o nella composizione delle attività derivanti dall’accesso individuale. Questi risultati delineano un possibile esito diverso rispetto ai tempi più lunghi riportati nei dati osservazionali.

Il confronto rafforza la necessità di formulare affermazioni prudenti. Non dimostra che gli assistenti integrati accorcino sempre le giornate lavorative o che quelli standalone le prolunghino sempre. Campioni, metodi, applicazioni e ambienti di lavoro differenti impediscono questa semplificazione.

Dimostra però che “l’AI fa lavorare i dipendenti più a lungo” è una conclusione troppo ampia per essere universale. In alcune condizioni, l’accesso può ridurre il tempo dedicato a specifiche attività. Un’associazione osservata altrove non può invalidare quel risultato sperimentale.

Anche la distinzione tra prodotti merita attenzione, senza trasformarsi in una gara tra fornitori. ChatGPT, Claude e Microsoft Copilot non dovrebbero essere considerati implementazioni aziendali intercambiabili. La posizione di un assistente nel processo, il contesto disponibile e la revisione richiesta influenzano ciò che i dipendenti devono fare attorno al suo output.

Si tratta di un confronto tra scelte di implementazione, non di un’affermazione su quale marchio abbia le prestazioni migliori. Le prove citate non supportano una classifica tra questi prodotti. Gli acquirenti devono valutare la versione, la configurazione e il processo specifici che intendono utilizzare.

Un ipotetico flusso di lavoro di scrittura rende concreta la distinzione. Se un assistente restituisce materiale direttamente nel documento in fase di modifica, il lavoratore può valutarlo accanto al testo circostante. Se il materiale arriva altrove, il lavoratore deve spostarlo, riconciliare il contesto e verificare che il documento finale rifletta ancora le fonti previste.

Nessuna delle due configurazioni garantisce il successo. L’esempio identifica passaggi aggiuntivi che una dimostrazione dell’attività potrebbe escludere. Una valutazione equa deve conteggiare tali passaggi ovunque avvengano.

Lo stesso ragionamento si applica agli assistenti che recuperano conoscenza interna. La generazione di risposte è solo una parte dell’incarico quando i dipendenti devono confermare quale documento sia autorevole. Una risposta sicura di sé può comunque richiedere verifiche sostanziali se il contesto a supporto non è chiaro.

Per gli acquirenti aziendali, la questione competitiva diventa se un’implementazione elimini lavoro nell’intero processo completato. Una generazione più comoda è utile, ma il suo valore dipende da ciò che segue. Le prove sperimentali danno agli acquirenti motivo di perseguire risparmi misurabili, resistendo al contempo alle promesse generalizzate di settimane lavorative più brevi.

Le giornate più lunghe non dimostrano ancora un rapporto di causa ed effetto

Lo studio di ActivTrak sulla giornata lavorativa individua un andamento che merita approfondimento, lasciando però irrisolte importanti spiegazioni.

La questione più evidente è la selezione. I dipendenti non adottano necessariamente l’AI in modo casuale. Chi gestisce incarichi complessi o carichi di lavoro maggiori potrebbe avere motivi più forti per cercare assistenza. Le loro giornate più lunghe potrebbero in parte precedere l’uso dell’AI.

Le differenze tra ruoli complicano ulteriormente l’interpretazione. Un lavoro incentrato su scrittura, coordinamento o programmazione crea opportunità diverse per l’uso di un assistente. Confrontare lavoratori con questi ruoli può confondere l’effetto dell’AI con le esigenze del lavoro stesso.

Anche la causalità inversa è una possibilità. Una scadenza imminente potrebbe portare i dipendenti a lavorare più a lungo e a usare l’AI più frequentemente. In tale situazione, il carico di lavoro contribuisce a spiegare entrambe le osservazioni. L’assistente potrebbe ridurre parte dello sforzo anche se i suoi utenti continuano a registrare giornate più lunghe.

Queste sono spiegazioni da verificare, non interpretazioni già accertate di questo campione. Mostrano perché una correlazione non possa rispondere da sola alla domanda causale. La pubblicazione non fornisce un disegno randomizzato che risolva queste alternative.

La misurazione presenta un altro limite. L’attività digitale rivela aspetti di come le persone interagiscono con le applicazioni. Non stabilisce direttamente il valore delle loro decisioni, la qualità della loro collaborazione o il loro livello di esaurimento.

Una giornata più lunga potrebbe accompagnarsi a output di valore, rielaborazioni evitabili, pianificazione flessibile o una combinazione di queste condizioni. Distinguerle richiede informazioni che vadano oltre la sola durata. L’esperienza dei dipendenti e i risultati accettati devono affiancare le misure di attività.

Anche i risultati precedenti devono essere separati con attenzione dall’ultima pubblicazione. L’analisi annuale del luogo di lavoro di ActivTrak includeva un sottoinsieme di 10.584 utenti confrontati prima e dopo l’adozione dell’AI. Ha riportato aumenti nelle categorie di lavoro misurate, comprese email e messaggistica. Si tratta di un’analisi diversa rispetto al confronto di ottobre e il suo campione non dovrebbe essere combinato con quello più recente.

Questa separazione evita un’impressione gonfiata di certezza. Più risultati possono indicare una maggiore attività pur misurando popolazioni e periodi diversi. Un accordo nella direzione non identifica automaticamente una causa condivisa.

Anche la posizione commerciale di ActivTrak merita considerazione. L’azienda vende analisi della forza lavoro e ha quindi interesse nel modo in cui le imprese misurano il lavoro. Ciò non invalida i risultati. Rende particolarmente utili definizioni trasparenti, repliche indipendenti e accesso ai dettagli metodologici.

La conclusione più solida è più circoscritta del titolo più sensazionale. L’adozione dell’AI non dimostra in modo affidabile un alleggerimento per i dipendenti. I risultati di ActivTrak sul carico di lavoro legato all’AI meritano ulteriori indagini, mentre le prove sperimentali mostrano che i risparmi di tempo restano conseguibili.

Questo lascia ai datori di lavoro una responsabilità pratica. Dovrebbero distinguere l’output aggiuntivo dalla riduzione dello sforzo quando descrivono i risultati. I dipendenti meritano di sapere quale esito un’implementazione intenda produrre e come verrà valutato il successo.

Cosa dimostrerebbe che l’AI sta restituendo tempo

Le prossime prove convincenti collegheranno lavoro accettato, ore dei dipendenti e qualità nella stessa valutazione.

Nei prossimi mesi, il primo segnale da osservare sarà una ricerca che segua lavoratori comparabili prima e dopo l’implementazione. Disegni più robusti terrebbero conto delle differenze tra ruoli, carico di lavoro e domanda stagionale. L’accesso randomizzato, quando praticabile, aiuterebbe a separare l’effetto dell’assistente dai motivi per cui i dipendenti lo adottano.

Se le giornate più lunghe persistono in tali condizioni, l’argomento secondo cui l’implementazione contribuisce a estendere il tempo di lavoro diventa più solido. Se la differenza scompare in gran parte, la selezione diventa una spiegazione più convincente. Entrambi gli esiti migliorerebbero l’approccio che tratta tutti gli utenti dell’AI come un gruppo uniforme.

Il secondo segnale è un datore di lavoro che riferisca cosa sia accaduto alla capacità risparmiata. L’affermazione secondo cui i dipendenti hanno completato le attività più rapidamente lascia senza risposta la questione centrale. Le prove dovrebbero stabilire se l’output accettato è aumentato, gli orari si sono ridotti, gli arretrati sono diminuiti o le esigenze di revisione sono cambiate.

Una settimana lavorativa programmata più breve sosterrebbe direttamente la promessa di una riduzione del tempo di lavoro. Un maggiore output entro orari stabili sosterrebbe un beneficio diverso. L’aumento dell’output insieme a orari più lunghi richiederebbe una spiegazione più chiara sul fatto che la produttività oraria sia migliorata.

La qualità deve rimanere parte di questa valutazione. Una bozza più rapida che richiede correzioni estese non può avere lo stesso peso di un lavoro accettato. Allo stesso modo, una revisione aggiuntiva non cancella un beneficio quando il risultato finale migliora abbastanza da giustificarla.

Il terzo segnale è la prova che tenga traccia dei cambiamenti nel flusso di lavoro insieme agli esiti per i dipendenti. Gli acquirenti dovrebbero osservare se l’eliminazione dei passaggi di consegna, il consolidamento della revisione o il miglioramento dell’accesso alle fonti modifichino l’orario di lavoro. Il confronto rilevante è l’intero processo completato prima e dopo la riprogettazione.

Se tali cambiamenti riducono il lavoro serale preservando la qualità, si rafforza la tesi a favore di un’implementazione migliore. Se le ore restano prolungate, l’attenzione dovrebbe spostarsi sulle aspettative di carico di lavoro e sulla domanda organizzativa. Un’interfaccia più semplice non può determinare quanto lavoro un datore di lavoro chieda alle persone di completare.

Questi segnali dovrebbero comparire insieme in una rendicontazione credibile. Le sole ore lasciano poco chiaro l’output. Il solo output lascia poco chiaro lo sforzo dei dipendenti. Il solo utilizzo dice poco di entrambi.

Per i knowledge worker, la ricerca sulle giornate lavorative con l’AI è più utile quando spiega tali relazioni invece di emettere un verdetto universale. Uno strumento può essere utile, piacevole e associato a un lavoro in espansione. Un’implementazione può anche produrre reali risparmi di tempo senza garantire una settimana lavorativa più breve.

Lo studio di ActivTrak sulla giornata lavorativa mette a fuoco questa distinzione. Il suo risultato mette in discussione le promesse automatiche di alleggerimento, lasciando però spazio a progetti migliori e risultati diversi. La domanda ora è se le organizzazioni misureranno dove finisca effettivamente lo sforzo risparmiato.

Prima di accettare un’altra affermazione sulla produttività, cercate prove sull’intero incarico e sull’intera giornata lavorativa. Chiedete quale lavoro sia scomparso, quale lavoro aggiuntivo sia arrivato e chi abbia verificato il risultato. Confrontate queste risposte con output accettato, errori ed esperienza dei dipendenti. Un’analisi credibile dovrebbe spiegare se le persone hanno guadagnato tempo, fornito più valore o siano semplicemente rimaste disponibili più a lungo. Dovrebbe anche distinguere un esperimento iniziale da un cambiamento duraturo delle condizioni di lavoro. Usate queste domande per valutare il prossimo lancio di un assistente o studio sul luogo di lavoro. Se un datore di lavoro afferma che l’AI restituisce tempo, quali prove mostrano dove sia finito quel tempo?