La produttività di Claude AI ha appena alzato l'asticella, e la concentrazione è diventata il collo di bottiglia
La produttività di Claude AI ha creato uno strano conflitto: una persona può avviare dieci progetti più velocemente, eppure portarne a termine uno significativo resta terribilmente difficile.
Lo scrittore e fondatore di startup Rick Manelius ha descritto questo conflitto il 26 luglio 2026. L'AI lo ha aiutato a riprendere idee accantonate e ad avviare progetti proof-of-concept tra una riunione e l'altra. In breve tempo ne gestiva circa 40 e sentiva riaffiorare il burnout.
Il suo racconto è personale, non uno studio controllato sulla produttività. Tuttavia coglie un problema emergente per i lavoratori della conoscenza. L'AI riduce lo sforzo necessario per iniziare un lavoro, ma non quello richiesto per scegliere, valutare, rivedere e concludere.
Questa distinzione conta mentre le aziende passano dai chatbot agli agenti capaci di gestire sequenze di lavoro più lunghe. Anthropic, Microsoft, OpenAI e altri competono per rimuovere ulteriori attriti dall'esecuzione. Gli strumenti risultanti rendono la produzione meno costosa, aumentando al contempo il valore della direzione umana.
La nuova divisione non è più tra chi usa l'AI e chi la evita. È tra chi trasforma lo sforzo risparmiato in risultati conclusi e chi lo trasforma in altro lavoro incompiuto.
La risorsa scarsa nel lavoro assistito dall'AI si sta spostando dalla capacità produttiva all'attenzione sostenuta.
Il paradosso della produttività di Claude AI inizia con l'avvio più facile dei progetti
Manelius ha inquadrato la sua esperienza attorno a una semplice contraddizione. L'AI può rendere le singole attività molto più rapide, eppure chi la usa può ritrovarsi più sovraccarico.
Il suo racconto originale afferma che aveva più di 100 idee e scalette di articoli in bozza. Manteneva inoltre una lista di circa 50 progetti futuri. Quelle idee un tempo restavano inattive perché il tempo costituiva una barriera naturale.
Claude ha indebolito quella barriera. Manelius poteva inviare un prompt durante una breve pausa, lasciare che il modello lavorasse e tornare in seguito. Progetti che un tempo richiedevano un pomeriggio libero potevano iniziare in una finestra di cinque minuti.
Questo cambiamento ha fatto sembrare la sperimentazione quasi gratuita. Lo ha anche incoraggiato ad avviare più progetti, perché i primi tentativi producevano risultati utilizzabili. Ogni successo ampliava la sua percezione di ciò che avrebbe dovuto perseguire.
Il risultato non è stato un portafoglio ordinato di lavori completati. È stato un insieme di circa 40 proof-of-concept attivi, ciascuno con decisioni, revisioni e aspettative da gestire.
Questo schema mette in luce una debolezza nella definizione abituale di produttività. Molti strumenti misurano l'output in base alle attività completate, al testo generato o al tempo risparmiato. I lavoratori della conoscenza si concentrano su risultati che superano la revisione e creano valore duraturo.
Una scaletta generata dall'AI è output. Un'argomentazione pubblicata che cambia la decisione di un cliente è un risultato. Un prototipo è output, mentre un prodotto mantenuto che risolve un problema ricorrente è un risultato.
L'AI riduce drasticamente il costo della prima categoria. La seconda richiede ancora giudizio, coordinamento, test e responsabilità.
Un modello linguistico può redigere cinque concetti per una campagna prima di pranzo. Il responsabile marketing deve comunque sceglierne uno, verificare le affermazioni, ottenere l'approvazione e misurarne l'effetto. Un'ideazione più rapida può quindi ampliare la coda delle decisioni.
Lo stesso effetto appare nello sviluppo software. Un agente può creare un feature branch, generare test e preparare la documentazione. Una persona deve comunque decidere se la funzionalità appartiene al prodotto e se il suo costo di manutenzione è accettabile.
I ricercatori hanno già riscontrato reali incrementi di produttività in contesti lavorativi più circoscritti. Uno studio NBER che ha coinvolto circa 5.000 operatori dell'assistenza clienti ha rilevato un aumento medio della produttività vicino al 14 per cento. I lavoratori meno esperti hanno registrato i maggiori miglioramenti.
Quei risultati nell'assistenza clienti provenivano da un flusso di lavoro definito, con misure di performance chiare. Gli operatori risolvevano i problemi dei clienti e il sistema suggeriva risposte durante quelle conversazioni.
Il lavoro della conoscenza aperto ha meno confini. Un fondatore, designer, ricercatore o product manager può sempre generare un'altra proposta. Nessun punto di arresto naturale indica quando il portafoglio di lavoro è pieno.
La produttività di Claude AI crea quindi due forze contrapposte. Riduce il tempo di esecuzione per alcune attività, aumentando al contempo il numero di attività che sembrano realizzabili.
La seconda forza è facile da trascurare perché ogni nuovo progetto sembra piccolo nel momento in cui inizia. Il suo futuro costo di coordinamento resta nascosto.
L'AI non si limita a smaltire un arretrato. Può crearne uno più grande più rapidamente di quanto una persona riesca a chiuderlo.
Il tempo risparmiato diventa rapidamente nuovo lavoro
Gli strumenti di produttività raramente hanno restituito ai lavoratori tutto il tempo risparmiato. Le organizzazioni spesso assorbono i guadagni di efficienza aumentando le aspettative, il volume o riducendo le scadenze.
L'AI generativa rende questo effetto di rimbalzo particolarmente visibile. Un lavoratore che redige un report più velocemente raramente recupera il resto della giornata. Il tempo risparmiato diventa spesso un altro report, un'altra analisi o un'altra riunione.
I dati sul lavoro di Microsoft mostrano perché queste aggiunte contino. Il suo studio del 2025 ha utilizzato l'attività aggregata di Microsoft 365 e un sondaggio condotto su 31.000 lavoratori della conoscenza in 31 mercati.
Il report sull'infinite workday ha rilevato che il dipendente medio riceveva ogni giorno più di 100 email e 150 messaggi su Teams. Quasi un terzo dei lavoratori intervistati ha dichiarato di non riuscire a tenere il passo.
Questi dati precedono il saggio di Manelius, ma descrivono l'ambiente che lo circonda. I lavoratori della conoscenza gestivano già canali di comunicazione affollati prima che l'AI rendesse la produzione più semplice.
Gli strumenti possono aiutare a riassumere quei canali. Possono anche generare più messaggi, documenti, note di riunione, ticket e richieste che i colleghi devono elaborare.
Questa è la pressione centrale sui lavoratori della conoscenza. L'AI amplia ciò che una persona può avviare senza aumentare il numero di ore disponibili per la revisione.
I manager affrontano un problema correlato. Quando ogni dipendente può produrre più proposte, l'organizzazione ha bisogno di maggiore capacità di definire le priorità. Altrimenti, la leadership diventa un livello di instradamento per l'output assistito dalle macchine.
I team possono interpretare una maggiore attività come prova di adozione. Potrebbero misurare i prompt inviati, gli agenti creati, i documenti generati o le ore dichiarate come risparmiate. Questi segnali dicono poco su quanto i clienti abbiano ricevuto risultati migliori.
Il pericolo è una nuova forma di lavoro superfluo. L'AI gestisce abbastanza esecuzione da far sembrare economici i progetti opzionali, ma gli esseri umani ereditano le loro questioni aperte e i loro obblighi a lungo termine.
Una dashboard generata ha comunque bisogno di un responsabile. Un report automatizzato ha comunque bisogno di un lettore che sappia quando le sue conclusioni sono errate. Un prototipo ha comunque bisogno di qualcuno che decida se debba esistere.
Ogni iniziativa attiva impone anche un costo di cambio di contesto. Il lavoratore deve ricordarne lo stato, trovare il materiale pertinente, comprendere la decisione successiva e recuperare l'intento originario.
Questo recupero diventa più difficile quando le informazioni sono disperse tra sessioni di chat, documenti, email e file locali. Una base di conoscenza personale ben curata può ridurre l'attrito nel recupero delle informazioni. Non può decidere quali progetti meritino attenzione.
Ecco perché l'esperienza di Manelius va oltre la disciplina individuale. Riflette un disallineamento tra strumenti progettati per una produzione più rapida e luoghi di lavoro privi di limiti solidi.
Se il management considera ogni ora risparmiata come nuova capacità disponibile, i lavoratori non ricevono alcun dividendo di produttività. Si limitano a operare secondo un programma più fitto.
La produttività dell'AI diventa quindi un acceleratore delle aspettative. Il tempo di consegna eccezionale di ieri diventa il livello di servizio standard di domani.
L'effetto può anche distorcere la pianificazione. I leader possono stimare il lavoro in base al tempo di generazione, ignorando verifica, integrazione e manutenzione. Una bozza prodotta in pochi minuti può comunque richiedere giorni di sforzo organizzativo.
Il tempo risparmiato dall'AI resta teorico finché una persona o un'organizzazione non decide cosa non verrà più fatto.
Concentrazione e capacità di portare a termine il lavoro battono l'espansione orizzontale
Manelius propone una correzione diretta: usare l'AI per approfondire un numero minore di progetti importanti, invece di espandersi orizzontalmente su un numero maggiore di essi.
L'espansione orizzontale significa trasformare la riduzione dei costi delle attività in un portafoglio più ampio. Uno scrittore avvia più bozze. Uno sviluppatore apre più repository. Un manager lancia più esperimenti interni.
Il progresso verticale utilizza la stessa capacità in modo diverso. Finanzia una ricerca migliore, test aggiuntivi, un editing più rigoroso e una consegna più completa.
Questa distinzione rende la concentrazione una decisione operativa, non uno slogan motivazionale. La concentrazione determina quali possibili output non entreranno mai nella coda.
La capacità di portare a termine il lavoro inizia dopo questa scelta. Comprende il lavoro meno entusiasmante tra una prima bozza plausibile e un risultato di cui altre persone possano fidarsi.
Manelius illustra la differenza con un articolo che ha scelto di non pubblicare subito. Considerava la bozza adeguata, ma riteneva che l'idea richiedesse altre due o tre revisioni.
Quella decisione contrasta con gli incentivi creati dall'AI generativa. Il modello rende economica un'altra bozza, mentre una revisione accurata continua a consumare tempo umano concentrato.
L'AI può aiutare nell'editing, ma non può definire pienamente lo standard. L'autore deve decidere se l'argomentazione sia vera, originale, chiara e degna dell'attenzione del lettore.
Lo stesso schema vale nel lavoro sui prodotti. L'AI può generare user story, testi dell'interfaccia e codice. Portare a termine il lavoro richiede di osservare l'uso reale, risolvere i casi limite e rimuovere le funzionalità che distraggono dal compito principale.
Per i ricercatori, l'ultimo miglio include la verifica delle fonti e delle prove contrarie. Per i team commerciali, include la comprensione dell'acquirente invece di produrre più contatti. Per i dirigenti, include prendere una decisione e sostenerla quando le condizioni cambiano.
L'uso dell'AI con il valore più elevato potrebbe quindi essere la moltiplicazione della profondità. Il lavoratore applica il tempo risparmiato alle parti di un progetto che un tempo ricevevano troppo poca cura.
Questo approccio cambia il modo in cui dovrebbe essere misurata la produttività di Claude AI. La domanda rilevante non è quanti output Claude abbia contribuito a creare. È se il lavoro selezionato abbia raggiunto uno standard più elevato o una destinazione più preziosa.
Una revisione settimanale può rivelare la differenza. Se il lavoro assistito dall'AI produce più progetti attivi ma il tasso di completamento diminuisce, il sistema ha aumentato il movimento anziché il progresso.
I limiti al portafoglio offrono una risposta più solida della sola determinazione personale. Un team può limitare il numero di esperimenti attivi e richiedere che uno si chiuda prima che ne inizi un altro.
Anche criteri di completamento chiari sono importanti. “Esplorare l'onboarding dei clienti” invita a un'attività indefinita. “Identificare i tre maggiori fallimenti nell'onboarding e testare una correzione” crea un traguardo.
I sistemi di conoscenza possono sostenere questa disciplina preservando le decisioni e collegando le prove. Una memoria di lavoro ricercabile aiuta i lavoratori a riprendere progetti importanti senza dover ricostruire il contesto.
Tuttavia, il recupero delle informazioni non può sostituire il rifiuto. L'utente deve rinunciare alle opportunità di scarso valore anche quando un assistente AI le rende facili.
Questa è la nuova competenza scomoda. Prima dell'AI generativa, la capacità produttiva limitata scartava automaticamente molte idee. Ora le persone devono scartarle deliberatamente.
La concentrazione è la capacità di lasciare incompiuto il lavoro tecnicamente fattibile, mentre la perseveranza trasforma una possibilità scelta in valore duraturo.
Una Produzione Più Rapida Non Elimina la Frontiera Frastagliata
L'argomento a favore di un lavoro più approfondito non significa che l'AI debba essere riservata a compiti minori. Le ricerche mostrano che l'AI generativa può migliorare sia la velocità sia la qualità entro confini di attività appropriati.
Un esperimento sul campo con 758 professionisti di Boston Consulting Group ha esaminato attività che comprendevano analisi, scrittura, creatività e persuasione. I partecipanti che utilizzavano GPT-4 hanno completato determinate attività più rapidamente e ricevuto punteggi di qualità più elevati.
L'esperimento sui consulenti ha anche prodotto un importante avvertimento. Le prestazioni dell'AI seguivano una frontiera tecnologica frastagliata, il che significa che attività dall'aspetto simile potevano trovarsi su lati opposti rispetto alla competenza effettiva del modello.
Per le attività entro quella frontiera, i consulenti che utilizzavano l'AI hanno completato oltre il 12 percento di attività in più. Hanno lavorato oltre il 25 percento più velocemente e prodotto risultati valutati oltre il 40 percento più in alto.
Per un'attività al di fuori della frontiera, gli utenti dell'AI hanno ottenuto risultati peggiori. L'output fluido dello strumento poteva condurre le persone a conclusioni errate.
Questa scoperta complica l'idea che una maggiore automazione liberi sempre attenzione. Talvolta l'AI sposta lo sforzo dalla produzione alla supervisione. Il lavoratore deve rilevare dove la fiducia supera la correttezza.
Man mano che gli agenti assumono flussi di lavoro più lunghi, questo onere di supervisione cambia forma. Una frase debole è facile da notare. Un'assunzione errata nascosta in un processo di ricerca in più fasi è più difficile da individuare.
L'utente può risparmiare tempo in ogni azione visibile, ma dedicare più attenzione alla valutazione della catena. Se più agenti operano in parallelo, il numero di decisioni di revisione cresce di nuovo.
La ricerca economica di Anthropic mostra che i modelli di utilizzo si stanno ancora muovendo tra delega e collaborazione. La sua analisi di gennaio 2026 ha rilevato che l'aumento delle capacità era tornato a essere più comune dell'automazione su Claude.ai.
I dati sulle interazioni distinguono l'automazione dall'aumento delle capacità. L'automazione delega il completamento dell'attività, mentre l'aumento delle capacità mantiene l'utente coinvolto attraverso apprendimento, convalida e iterazione.
Nessuno dei due modelli è universalmente migliore. Una trasformazione ripetitiva con verifiche chiare può adattarsi all'automazione. Una decisione strategica con prove incerte beneficia della partecipazione attiva dell'essere umano.
È qui che la perseveranza differisce dal perfezionismo. Il perfezionismo prolunga il lavoro senza una regola razionale di arresto. La perseveranza orienta la revisione verso i punti di fallimento che contano.
Una risposta dell'assistenza potrebbe richiedere accuratezza, empatia e conformità alle policy. Un memorandum di ricerca potrebbe richiedere fonti affidabili e un'esplicita dichiarazione di incertezza. Il rilascio di un prodotto potrebbe richiedere controlli di sicurezza e procedure di rollback.
Questi standard definiscono quando uno sforzo aggiuntivo cambia il risultato. Proteggono i lavoratori da rifiniture infinite, evitando al contempo un completamento prematuro.
La visione scettica merita enfasi. Manelius stima che l'AI abbia reso alcune attività da due a 100 volte più efficienti, ma il suo saggio non offre una misurazione controllata per questa gamma.
Il numero funziona come descrizione dell'esperienza personale, non come parametro generale di produttività. Attività, strumenti e utenti diversi produrranno risultati molto diversi.
Anche aumenti di velocità verificati non dimostrano una riduzione del carico di lavoro o un miglioramento del benessere. Un'azienda può tradurre un'esecuzione più rapida in quote più elevate. Un lavoratore autonomo può tradurla in più impegni.
Il burnout ha inoltre molteplici cause. Il carico di lavoro conta, ma contano anche controllo, equità, riconoscimento, comunità e allineamento con i valori personali. L'AI non può risolvere queste condizioni attraverso una stesura più rapida.
L'affermazione pratica dovrebbe rimanere circoscritta. L'AI può ridurre lo sforzo per attività selezionate. Se riduca il lavoro totale dipende dai limiti che circondano questi guadagni.
Il modello può accelerare l'esecuzione, ma gli esseri umani restano responsabili della selezione delle attività, della verifica e delle conseguenze degli errori.
I Lavoratori Sotto Pressione Sono Quelli Che Possono Fare Tutto
Le prime discussioni sull'AI sul posto di lavoro si concentravano sull'accesso. I lavoratori che imparavano il prompting o adottavano assistenti di coding sembravano destinati a superare quelli che non lo facevano.
Quel divario rimane rilevante, ma sta diventando meno distintivo. Le funzionalità AI compaiono ora nelle comuni applicazioni di produttività, negli strumenti di sviluppo e nelle piattaforme di comunicazione.
Il divario emergente riguarda l'orchestrazione. Due persone possono usare lo stesso modello e produrre risultati molto diversi perché una controlla l'ambito, mentre l'altra moltiplica gli obblighi.
I knowledge worker altamente ambiziosi affrontano il rischio maggiore. Hanno molte idee, competenze sufficienti per valutare gli output iniziali e abbastanza autonomia da avviare progetti senza approvazione formale.
L'AI elimina l'attrito che un tempo costringeva questi lavoratori ad aspettare. Indebolisce anche un segnale utile: se un'idea non valeva diverse ore di preparazione, forse non meritava un posto nel portafoglio.
I fondatori possono ora convalidare diversi concetti in parallelo. I product manager possono generare proposte dettagliate per ogni richiesta dei clienti. Gli ingegneri possono creare implementazioni sperimentali prima di decidere quale problema meriti attenzione.
Queste capacità sembrano vantaggiose perché lo sono. Il rischio emerge quando la sperimentazione non ha una regola di uscita.
Una proof of concept crea informazioni, ma crea anche attaccamento. Quando un lavoratore vede una bozza o un prototipo funzionante, abbandonarlo sembra uno spreco di lavoro già completato.
L'AI rende questa trappola psicologica meno costosa da imboccare. La prima versione arriva rapidamente, mentre le decisioni costose compaiono in seguito.
Le organizzazioni possono peggiorare il problema celebrando la produzione visibile. Un grande flusso di demo e documenti crea l'apparenza di slancio. Eliminare silenziosamente progetti deboli può sembrare meno impressionante, anche quando protegge il team.
I leader hanno quindi bisogno di nuove prove della maturità nell'uso dell'AI. Tassi di chiusura dei progetti, risultati per i clienti, tassi di errore e carico di manutenzione rivelano più del numero di artefatti generati.
Devono anche proteggere il tempo dedicato al giudizio. Microsoft ha riferito nel 2023 che il 68 percento dei lavoratori non disponeva di sufficiente concentrazione ininterrotta durante la giornata. L'adozione dell'AI non può riparare questa condizione finché calendari e aspettative di comunicazione restano invariati.
La pressione raggiunge anche gli specialisti esperti. Gli studi sulla produttività mostrano spesso guadagni maggiori per i lavoratori meno esperti, perché l'AI può distribuire modelli appresi da chi ottiene prestazioni più forti.
I lavoratori senior potrebbero quindi dedicare più tempo alla revisione del lavoro assistito dalle macchine prodotto da altri. Il loro tempo personale di generazione diminuisce, ma il loro carico organizzativo di verifica aumenta.
Questo cambiamento può rendere l'esperienza meno visibile e al tempo stesso più necessaria. L'esperto coglie errori sottili, definisce la qualità e decide quando la risposta del modello non debba essere utilizzata.
I team dovrebbero riconoscere esplicitamente questo lavoro. Altrimenti, l'AI sembra creare output senza sforzo mentre i dipendenti senior ne assorbono silenziosamente il rischio.
I singoli lavoratori hanno bisogno di un metodo di rendicontazione analogo. Ogni progetto assistito dall'AI dovrebbe comportare una stima del costo di revisione, del costo di manutenzione e del costo opportunità.
Un prototipo di dieci minuti non è un impegno di dieci minuti. Se richiede decisioni future, comunicazioni con gli stakeholder o aggiornamenti ricorrenti, il suo costo reale inizia dopo la generazione.
Le persone più capaci di usare ampiamente l'AI necessitano dei confini più solidi, perché la capacità amplia le opzioni più rapidamente di quanto l'attenzione ampli la capacità.
Tre Segnali Mostreranno Se l'AI Restituisce Tempo
La prossima fase della produttività con Claude AI non sarà decisa solo dai punteggi dei benchmark. Sarà determinata da come strumenti, team e lavoratori gestiranno il crescente divario tra avvio e completamento.
Il primo segnale è il design del prodotto. Le piattaforme di agenti supportano sempre più attività di lunga durata, esecuzione parallela e connessioni ai dati aziendali.
Osservate se i fornitori aggiungono controlli di portafoglio più forti accanto a queste capacità. Controlli utili renderebbero visibili gli impegni attivi, le approvazioni necessarie, il lavoro bloccato e il costo di mantenere gli output creati dagli agenti.
Se gli strumenti rendono soltanto più facile avviare più processi, l'esperienza di Manelius si diffonderà. Se aiutano gli utenti a chiudere, consolidare e rifiutare il lavoro, l'AI può sostenere la perseveranza.
Il secondo segnale è la misurazione all'interno delle organizzazioni. I leader continueranno a riportare tempo risparmiato, tassi di adozione e output generato perché questi numeri sono facili da raccogliere.
Misure più rivelatrici includono risultati aziendali completati, tassi di correzione, tempo di ciclo dopo la revisione e numero di progetti attivi per dipendente. Queste metriche mostrano se l'AI riduce il lavoro o lo ridistribuisce.
Un'azienda che genera il doppio delle bozze ma impiega più tempo ad approvarle ha spostato il proprio collo di bottiglia. Non lo ha risolto.
Il terzo segnale è la politica sul carico di lavoro. I datori di lavoro devono decidere se l'efficienza dell'AI appartenga interamente all'organizzazione o in parte al lavoratore.
Se ogni ora risparmiata diventa una quota più alta, i dipendenti vivranno l'AI come compressione. Una maggiore produzione entrerà nella stessa giornata, mentre recupero e concentrazione resteranno scarsi.
Se i team eliminano reportistica di basso valore, riducono il carico delle riunioni e creano tempo protetto per le revisioni, l'efficienza può migliorare la qualità del lavoro. Ciò rafforzerebbe l'affermazione di Manelius secondo cui concentrazione e perseveranza sono il nuovo vantaggio.
Questi segnali offrono anche un test pratico per i singoli utenti. Monitorate se il numero dei vostri progetti attivi aumenta dopo l'adozione degli agenti. Poi confrontate questa cifra con il vostro tasso di completamento e la qualità del lavoro concluso.
Se il lavoro attivo aumenta mentre il completamento diminuisce, sospendete i nuovi avvii. Selezionate i pochi progetti dal valore chiaro, definite cosa significa concluso e usate l'AI per portare più avanti quei progetti.
Questa scelta non è resistenza alla tecnologia. È una forma di adozione più impegnativa, perché valuta lo strumento in base ai risultati anziché all'attività.
La produttività con Claude AI può eliminare ore di stesura, coding, ricerca e formattazione. Non può proteggere quelle ore da un'altra idea, richiesta, notifica o impegno autoimposto.
Il vantaggio umano riguarda sempre meno la produzione di ogni possibile artefatto. Risiede nella scelta di ciò che merita attenzione sostenuta, nel rilevare quando il lavoro è sbagliato e nel portare il progetto giusto fino al traguardo.
L'AI offre più mosse possibili, mentre la concentrazione seleziona la mossa e la perseveranza le dà valore.
Esaminate il vostro elenco di progetti attuali prima di aprire un'altra sessione con un agente. Quale sforzo merita una ricerca più approfondita, un altro test o un'attenta revisione? Scegliete quel progetto e definite il risultato che lo renderebbe completo. Poi lasciate che l'AI riduca il lavoro meccanico senza consentirle di ampliare l'ambito. La domanda centrale non è più se Claude possa aiutarvi a produrre di più. Le prove mostrano già che l'AI migliora velocità e qualità nelle attività appropriate. La domanda più difficile è se questi guadagni creino qualcosa di concluso, affidabile e utile. Se non lo fanno, il collo di bottiglia non è mai stato la velocità di digitazione. Era la decisione di concentrarsi e la disciplina di portare a termine.
