Lo studio della Fed sull'IA confronta data center e produttività
I ricercatori della Federal Reserve hanno pubblicato uno studio della Fed sull'IA che evidenzia un divario crescente tra investimenti visibili nelle infrastrutture e guadagni di produttività che restano difficili da misurare. Edifici, chip e impegni di costruzione offrono prove concrete della spesa. Non dimostrano quanto più efficientemente l'economia nel suo complesso produca beni e servizi.
Questa distinzione è importante per le aziende che finanziano capacità di calcolo e per le imprese che acquistano strumenti di IA. Entrambe hanno bisogno di applicazioni utili per giustificare i propri impegni. Le loro prove, tuttavia, arrivano secondo tempistiche diverse: un progetto di costruzione diventa visibile prima che i suoi futuri clienti dimostrino miglioramenti duraturi nel lavoro quotidiano.
La tensione centrale riguarda gli investimenti nelle infrastrutture rispetto al valore economico effettivamente realizzato. Ricerche precedenti di Erik Brynjolfsson e colleghi offrono un riferimento storico: la spesa tecnologica e i miglioramenti organizzativi non compaiono necessariamente insieme. La questione è quanto efficacemente le imprese riescano a collegare la prima ai secondi.
Cosa stabilisce effettivamente lo studio della Fed sull'IA
Il documento valuta le prove attuali; non fornisce un verdetto definitivo sul potenziale economico dell'IA.
La ricerca sull'economia dell'IA del novembre 2026 è firmata da Nick Carollo, Leland D. Crane, Daniel Garcia Molina e Joseph Nichols. La sua pagina ufficiale è stata aggiornata l'ultima volta il 12 novembre. Descrive l'espansione degli investimenti e dell'adozione, insieme a effetti aggregati sulla produttività che finora appaiono modesti.
La pubblicazione fa parte della Finance and Economics Discussion Series, una raccolta di working paper destinata a sostenere ricerca e dibattito. Le sue conclusioni rappresentano le opinioni degli autori. Non stabiliscono una posizione condivisa dal Board della Federal Reserve o da altri membri del personale.
Questo confine è particolarmente rilevante quando un titolo inizia con “studio della Fed”. I lettori non dovrebbero interpretare il documento come una previsione di politica monetaria. Né la sua pubblicazione significa che i responsabili politici abbiano stabilito come l'IA influirà sulla crescita futura, sull'occupazione o sull'inflazione.
Anche la tempistica merita attenzione. Gran parte dell'analisi è stata completata nel giugno 2026, sebbene il documento includa alcune informazioni successive. La sua pubblicazione a novembre non rende ogni osservazione sottostante una misurazione aggiornata a novembre.
Per i lettori, il cambiamento utile è il quadro analitico. Il documento riunisce nella stessa discussione investimenti fisici, adozione da parte delle imprese, costi degli input, occupazione e produttività. Ciò incoraggia un'interpretazione più rigorosa dei familiari titoli sull'IA.
Una struttura pianificata indica l'intenzione di costruire. Una struttura operativa indica capacità disponibile. Un contratto con un cliente indica domanda a condizioni specifiche. Un miglioramento dimostrato nel lavoro completato indica invece qualcos'altro.
Queste osservazioni possono rafforzarsi a vicenda, ma nessuna sostituisce automaticamente le altre. Trattarle come equivalenti fa sembrare una storia di investimento più conclusiva di quanto le prove consentano.
Si consideri un'azienda ipotetica che acquista accesso a capacità di calcolo aggiuntiva. Tale acquisto dimostra che la direzione si aspetta un beneficio. Non dimostra se i dipendenti completino più rapidamente lavoro utile, se i clienti ricevano un servizio migliore o se i risultati operativi migliorino.
La distinzione vale anche al contrario. Un dipendente può sperimentare un beneficio sostanziale senza generare un movimento visibile nelle statistiche nazionali. Un'applicazione di successo resta rilevante anche quando rappresenta una piccola parte dell'economia.
Per questo il documento dovrebbe rendere più rigorosa la copertura giornalistica, anziché chiudere il dibattito. Le affermazioni ottimistiche richiedono un ponte dall'adozione ai risultati. Le affermazioni scettiche devono spiegare perché prove aggregate limitate escluderebbero benefici in contesti specifici.
Per gli acquirenti aziendali, questo cambia la domanda più utile. Chiedere se l'IA “funziona” invita a una risposta troppo ampia per orientare un acquisto. Chiedere quale flusso di lavoro migliori, e a quali condizioni, produce invece qualcosa che un'impresa può valutare.
Per i fornitori di infrastrutture, la domanda corrispondente riguarda una domanda affidabile. Clienti che sperimentano uno strumento offrono una base diversa da clienti che lo acquistano ripetutamente perché migliora le loro attività.
L'importanza dello studio risiede nel rendere più difficile ignorare queste distinzioni. Colloca l'onere della spiegazione tra l'annuncio di spesa e il risultato economico finale.
I progetti annunciati non sono investimenti completati
I maggiori numeri sulle infrastrutture descrivono diverse fasi di sviluppo, e tali fasi non possono essere sommate con leggerezza.
L'analisi dei data center individua piani annunciati prossimi a $300 miliardi nel 2024 e superiori a $1 trilione nel 2025. Si tratta di piani di progetto, non di spesa già completata.
Utilizzando i piani disponibili a maggio 2026, lo scenario intermedio degli autori prevede investimenti in crescita da circa $100 miliardi nel 2024 a oltre $880 miliardi entro la fine del 2027. Tale scenario supera il 2% del prodotto interno lordo, il valore dei beni e dei servizi prodotti all'interno del Paese.
La proiezione dipende da ipotesi su nuovi piani, abbandoni e tempistiche di costruzione. Circa un terzo degli investimenti va alle strutture, mentre la maggior parte della spesa restante è destinata ad apparecchiature ad alta tecnologia.
Gli autori stimano una quota di importazioni intorno al 50%, compresi i servizi capitalizzati. Individuano inoltre vincoli relativi a energia, zonizzazione, materiali, lavoro e finanziamenti. Queste precisazioni impediscono di interpretare semplicemente gli investimenti previsti come costruzioni garantite o come un contributo equivalente alla produzione interna.
L'implicazione pratica è che ogni titolo sulle infrastrutture necessita di una misura chiaramente identificata. Gli annunci rivelano ambizione. L'attività di costruzione rivela esecuzione. L'installazione delle apparecchiature avvicina un progetto all'erogazione del servizio. L'uso da parte dei clienti determina se tale capacità sostiene un'attività economica durevole.
In uno sviluppo ipotetico, lo stesso progetto potrebbe comparire in diversi annunci mentre attraversa tali fasi. Contare ogni annuncio come nuovo investimento esagererebbe la portata della nuova attività.
Una cifra di spesa in conto capitale a livello aziendale crea un altro problema interpretativo. La spesa in conto capitale indica investimenti in attività destinate a servire un'impresa nel tempo. Una simile cifra può coprire varie attività e non isola automaticamente l'IA.
Un confronto accurato richiede quindi confini coerenti. Una stima di progetto dovrebbe essere confrontata con un'altra stima di progetto. La spesa effettiva dovrebbe essere confrontata con la spesa effettiva. Uno scenario dovrebbe mantenere le proprie ipotesi ogni volta che viene citato.
La distinzione relativa al PIL richiede una disciplina simile. Produzione interna e apparecchiature importate entrano in modo diverso nella contabilità nazionale. Un grande acquisto può sostenere una struttura americana senza rappresentare una quantità altrettanto grande di produzione americana.
Ciò non rende le apparecchiature importate economicamente irrilevanti. Un'impresa può usarle per fornire servizi di valore per anni. Significa che l'acquisto e il suo successivo contributo produttivo rispondono a domande diverse.
I lettori dovrebbero inoltre evitare di trasformare un livello di investimento previsto in un contributo identico alla crescita economica. Un livello descrive un importo in un dato momento o periodo. La crescita descrive il cambiamento rispetto a un altro periodo.
Queste differenze contano quando un grande numero passa da un grafico di ricerca a un titolo. Rimuovere il periodo di misurazione o l'etichetta dello scenario può modificare l'affermazione più di quanto faccia abbreviare il numero.
Per gli sviluppatori di infrastrutture, la pressione risultante è operativa. Un progetto annunciato necessita di un percorso credibile attraverso autorizzazioni, costruzione, consegna delle apparecchiature e servizio ai clienti. L'attenzione pubblica non completa nessuno di questi passaggi.
Per gli acquirenti, la domanda utile riguarda la capacità disponibile secondo condizioni di consegna effettive. L'annuncio di un progetto lontano offre meno garanzie di un servizio che un'impresa può usare quando il suo flusso di lavoro lo richiede.
La pipeline di investimenti rimane economicamente significativa. Il suo significato diventa più chiaro quando ogni fase conserva la propria etichetta, anziché essere presentata come prova che l'intera pipeline abbia già prodotto risultati.
Gli acquirenti hanno bisogno di lavoro completato, non solo di maggiore capacità
I fornitori di infrastrutture e gli acquirenti aziendali affrontano lo stesso test fondamentale: se un'ulteriore capacità di calcolo produca risultati che valga la pena sostenere.
Lo studio della Fed sull'IA porta questo test in primo piano senza risolverlo per ogni azienda. Le seguenti implicazioni riguardano il modo in cui le imprese dovrebbero interpretare il divario, piuttosto che conclusioni sui rendimenti di fornitori specifici.
Si parta da un acquirente aziendale che sta valutando un assistente di scrittura basato sull'IA. Produrre una bozza più rapidamente può essere utile. Il risultato aziendale dipende da ciò che accade dopo la comparsa della bozza.
Se un revisore deve ricostruire l'argomentazione, verificare ogni affermazione fattuale e riscrivere la conclusione, la velocità di generazione misura solo una parte del flusso di lavoro. Il confronto rilevante include quei passaggi successivi.
In alternativa, una bozza potrebbe richiedere poche revisioni e aiutare un dipendente a completare un lavoro che prima restava incompiuto. Si tratta di un risultato diverso, anche se lo strumento produce quantità di testo simili.
La decisione d'acquisto deve distinguere queste possibilità. L'utilizzo misura il coinvolgimento con il prodotto. Il lavoro completato e accettabile misura i progressi verso l'obiettivo aziendale. Nessuno dei due dovrebbe essere sostituito silenziosamente all'altro.
Un ipotetico team di assistenza clienti illustra la differenza. Un assistente potrebbe aiutare gli operatori a trovare più rapidamente una risposta approvata. Il suo valore dipende in parte dal fatto che la risposta risolva il problema del cliente senza generare ulteriori richieste di follow-up.
Per un team software, il codice generato affronta una catena simile. Una modifica proposta deve adattarsi all'applicazione esistente, superare la revisione e rimanere manutenibile. Una generazione più rapida può coesistere con una consegna più rapida o più lenta.
Questi esempi non stabiliscono che l'IA in generale aiuti o ostacoli. Spiegano perché la stessa categoria d'acquisto possa produrre risultati diversi tra le organizzazioni.
Il contesto è un plausibile fattore di separazione. Uno strumento che lavora con istruzioni incomplete affronta un compito diverso rispetto a uno che riceve documentazione pertinente e criteri di accettazione chiaramente definiti.
Per i team che esaminano questo problema, una base di conoscenza ricercabile offre un flusso di lavoro correlato da considerare. Organizzare il materiale di origine è distinto dal dimostrare un guadagno di produttività dell'IA, ma aiuta a definire quali informazioni richieda un flusso di lavoro.
I fornitori di infrastrutture incontrano indirettamente il lato del cliente di questa sfida. Un'impresa che ottiene valore ripetibile ha una ragione più chiara per continuare ad acquistare servizi. Un'impresa che non riesce a identificare il beneficio ha una giustificazione interna più debole.
La stessa logica aiuta a confrontare OpenAI e Anthropic come fornitori di modelli con Microsoft e Amazon come fornitori cloud. Si tratta di posizioni diverse nella catena di fornitura del calcolo, non di imprese intercambiabili.
Il punto analitico è seguire il rapporto con il cliente. Un fornitore di modelli necessita di domanda per le proprie capacità. Un fornitore cloud necessita di clienti per i servizi infrastrutturali. Un acquirente aziendale necessita di un risultato utile dalla propria applicazione.
Il successo a un livello non dimostra automaticamente il successo a ogni altro livello. Un fornitore di infrastrutture può ricevere il pagamento prima che un cliente enterprise abbia stabilito se la sua applicazione migliora le operazioni.
Questo rende la pressione più specifica di un dibattito sull’entusiasmo per l’AI. Gli acquirenti hanno bisogno di prove che resistano a verifiche e rinnovi. I fornitori hanno bisogno di una domanda che resista alle valutazioni dei clienti.
Un annuncio di capacità può sostenere le aspettative su tale domanda. Non può sostituire i risultati per i clienti da cui quelle aspettative dipendono in ultima analisi.
Le evidenze sul posto di lavoro supportano i miglioramenti, con dei limiti
Una ricerca che mostra un beneficio in un ambiente di lavoro definito è più solida di una promessa generica, ma i suoi limiti restano parte del risultato.
Brynjolfsson, Danielle Li e Lindsey Raymond hanno studiato un assistente conversazionale AI utilizzato dagli addetti al supporto clienti. Il loro studio sulla produttività sul posto di lavoro pubblicato riporta evidenze raccolte da 5.172 addetti.
L’accesso all’assistente ha aumentato in media del 15% il numero di problemi risolti all’ora. Gli effetti variavano tra i lavoratori. L’articolo è apparso nel numero di maggio 2025 del Quarterly Journal of Economics.
Questo offre un esempio concreto di utilizzo produttivo, anziché un’inferenza basata sulla spesa per infrastrutture. Stabilisce inoltre un risultato specifico: problemi di supporto clienti risolti all’ora, nel contesto studiato.
Quel risultato dovrebbe restare associato alla percentuale ogni volta che viene riportata. Non rappresenta un aumento misurato della produttività di ogni lavoratore. Non dimostra un cambiamento equivalente in ogni funzione aziendale.
La distinzione aiuta a conciliare le evidenze positive sul posto di lavoro con effetti aggregati limitati. Uno studio locale chiede se l’accesso a uno strumento modifica le prestazioni in condizioni definite. Un’analisi nazionale esamina i risultati in un’economia molto più ampia.
Queste domande differiscono per copertura, tempistica e misurazione. Una risposta chiara alla prima può coesistere con una risposta incerta alla seconda.
Per un acquirente enterprise, la ricerca sul supporto clienti è quindi utile come prova di possibilità e come esempio di misurazione accurata. Non elimina la necessità di valutare il flusso di lavoro dell’acquirente stesso.
Una valutazione comparabile identificherebbe il risultato completato prima di esaminare l’esito. Altrimenti, un team rischia di scegliere la misura che fa apparire l’implementazione più favorevole.
Supponiamo che un assistente ipotetico aumenti il numero di risposte che un dipendente redige. Il risultato diventa più informativo se abbinato alla verifica che i destinatari accettino le risposte e che i problemi restino risolti.
Lo stesso principio si applica quando uno strumento modifica il lavoro stesso. Un dipendente potrebbe produrre documentazione più dettagliata, esplorare opzioni aggiuntive o assumersi compiti precedentemente evitati.
Una sola misura del tempo risparmiato può non cogliere tali benefici. Al contrario, contare l’output aggiuntivo senza valutarne l’utilità può sovrastimarli. La valutazione deve corrispondere alla ragione per cui l’azienda ha adottato lo strumento.
La ricerca storica offre un’altra prospettiva. La ricerca sulla curva J della produttività di Brynjolfsson, Daniel Rock e Chad Syverson esamina come gli investimenti complementari influenzino il rendimento misurato delle tecnologie di uso generale.
Il loro quadro include cambiamenti organizzativi, nuovi processi e capitale umano. Spiega perché lo sviluppo delle capacità circostanti può precedere i miglioramenti misurati della produttività.
Questo è un motivo per esaminare attentamente i costi di implementazione. Non è una garanzia che ogni implementazione alla fine abbia successo. Un ritorno ritardato e un progetto fallito possono inizialmente sembrare simili.
La distinzione richiede continuità. Se un’azienda spiega risultati deboli come un periodo di adattamento, le evidenze successive dovrebbero mostrare cosa è cambiato e se le prestazioni sono migliorate.
Per gli acquirenti, la pazienza diventa più difendibile quando si collega a un processo di implementazione osservabile. Una promessa indefinita che i benefici appariranno in seguito offre molte meno indicazioni.
L’interpretazione ottimistica più solida resta quindi condizionata. La ricerca sul posto di lavoro dimostra che i miglioramenti sono realizzabili. La sfida successiva consiste nel riprodurre risultati utili in più attività e organizzazioni, senza presumere risultati identici ovunque.
Né statistiche deboli né vecchi esperimenti risolvono la questione
Anche l’argomentazione scettica merita esame, soprattutto quando risultati storici diventano affermazioni sugli strumenti attuali.
L’esperimento sulla produttività degli sviluppatori di METR del luglio 2025 ha esaminato sviluppatori open source esperti al lavoro sui propri repository. Lo studio ha coinvolto 16 sviluppatori e 246 attività.
Gli sviluppatori autorizzati a usare l’AI hanno impiegato il 19% di tempo in più per completare le attività. Gli strumenti rispecchiavano le capacità di inizio 2025 e i ricercatori hanno esplicitamente avvertito di non generalizzare il risultato a tutto lo sviluppo software.
Il risultato mette in discussione la semplice supposizione che l’assistenza riduca necessariamente i tempi di completamento. Dimostra inoltre perché le impressioni degli utenti e le prestazioni misurate meritino un’attenzione separata.
Ma il suo ambito conta quanto la sua direzione. Collaboratori esperti che lavorano su repository familiari affrontano una combinazione particolare di attività e standard. Altri sviluppatori e progetti richiedono le proprie evidenze.
Gli sviluppi successivi complicano ulteriormente l’uso di quel risultato come verdetto attuale. In un aggiornamento sul disegno sperimentale del 24 febbraio 2026, METR ha affermato che il suo esperimento più recente ha prodotto un segnale inaffidabile sugli effetti attuali.
I ricercatori hanno individuato problemi di selezione, compresi sviluppatori che rifiutavano di partecipare perché non volevano lavorare senza AI. Ritenevano che gli strumenti più nuovi probabilmente fornissero una maggiore accelerazione, pur sottolineando l’incertezza sulla sua entità.
Questo aggiornamento non cancella l’esperimento precedente. Cambia il grado di sicurezza con cui quell’esperimento dovrebbe essere applicato oltre il suo periodo e contesto originari.
La lezione più ampia riguarda tecnologie e utenti in evoluzione. Quando gli strumenti evolvono, le evidenze necessitano di una data. Quando gli utenti cambiano le attività che tentano di svolgere, i confronti devono tenere conto di quel comportamento.
Si consideri uno sviluppatore ipotetico che usa l’AI per affrontare un’attività precedentemente ritenuta impraticabile. Confrontare il tempo di completamento con un flusso di lavoro precedente diventa difficile, perché quel flusso precedente non ha mai prodotto lo stesso risultato.
Questo non dimostra che il nuovo flusso di lavoro sia produttivo. Spiega perché il confronto richieda qualcosa in più che chiedersi se lo sviluppatore si senta più veloce.
Esiste anche il problema opposto. Un utente potrebbe sentirsi produttivo perché un assistente genera attività visibili, mentre revisione e correzione consumano il risparmio apparente.
Una valutazione solida deve distinguere queste situazioni. Dovrebbe identificare quale lavoro è stato tentato, cosa ha soddisfatto lo standard richiesto e quale sforzo umano ha sostenuto il risultato.
Lo studio della Fed sull’AI richiede la stessa disciplina su scala più ampia. Miglioramenti misurati limitati giustificano cautela rispetto alle affermazioni generalizzate. Non dimostrano che ogni beneficio locale sia immaginario o che futuri miglioramenti siano impossibili.
Allo stesso modo, l’incertezza non dovrebbe diventare una difesa generalizzata dei risultati deludenti. Un’azienda non può dimostrare il valore limitandosi a sostenere che le misurazioni esistenti siano imperfette.
La posizione ragionevole è esigente in entrambe le direzioni. Le affermazioni positive necessitano di prove legate a risultati utili. Le affermazioni negative necessitano di prove sufficientemente ampie e aggiornate da supportare le loro conclusioni.
Per i lettori, questo significa trattare una percentuale clamorosa come l’inizio di un’indagine. L’attività, la popolazione, il confronto e il periodo di misurazione determinano ciò che può effettivamente spiegare.
Il disaccordo diventa più utile una volta che questi dettagli sono visibili. Invece di discutere se l’AI sia universalmente produttiva, ricercatori e acquirenti possono individuare dove i risultati differiscono e indagare il perché.
Osservare la consegna, i risultati dei clienti e la produttività più ampia
Le prossime evidenze dovrebbero collegare i progressi operativi al valore per i clienti prima di sostenere affermazioni sulla trasformazione dell’intera economia.
Nei prossimi mesi, il primo segnale da osservare è l’esecuzione degli impegni infrastrutturali esistenti. Gli aggiornamenti sui progetti contano soprattutto quando distinguono i piani rivisti dalle strutture e dai servizi che diventano effettivamente disponibili.
Le prove di consegna completata rafforzerebbero il lato esecutivo della storia degli investimenti. Ritardi o riduzioni indebolirebbero le ipotesi secondo cui la capacità annunciata arriverà secondo il calendario originario.
Nessuno dei due risultati risolve da solo la questione della produttività. La consegna stabilisce che esiste un input. La domanda successiva riguarda come i clienti lo utilizzano.
Il secondo segnale è l’evidenza dei clienti che va oltre l’accesso e la sperimentazione. Occorre osservare risultati chiaramente definiti che coinvolgano lavoro accettato, qualità del servizio, utilizzo ripetuto e acquisti continuativi.
Un’azienda che segnala un miglioramento dovrebbe spiegare il confronto. Una divulgazione utile identifica il flusso di lavoro, il risultato e se lo sforzo di revisione rientri nella misurazione.
Miglioramenti ripetibili rafforzerebbero l’argomento secondo cui la spesa per infrastrutture sostiene una domanda durevole. Rapporti concentrati solo sugli account creati o sui contenuti generati lascerebbero quel collegamento meno sviluppato.
È anche qui che i confronti tra prodotti diventano più informativi. Un acquirente deve sapere quale strumento si adatta alla propria attività e alle proprie condizioni operative, piuttosto che quale fornitore annuncia la più grande ambizione generale.
Un prodotto che ottiene buoni risultati in un flusso di lavoro ristretto può meritare un uso continuativo. Un prodotto dalle capacità ampie può comunque richiedere più lavoro di implementazione di quanto un determinato acquirente possa giustificare.
Il terzo segnale è l’evidenza di produttività più ampia, interpretata nel tempo. Le misure aggregate della produttività rapportano l’output agli input nell’intera economia. Una tendenza più forte sarebbe rilevante, ma attribuirla all’AI richiede analisi aggiuntive.
Un dato nazionale favorevole non dimostrerebbe che ogni investimento nell’AI abbia avuto successo. Un dato debole non invaliderebbe un esperimento sul posto di lavoro ben progettato. Le misurazioni riguardano livelli diversi di attività.
Ciò che rafforzerebbe l’argomentazione complessiva è la coerenza tra questi livelli. Consegna operativa, risultati utili per i clienti e miglioramenti più ampi formerebbero una catena più persuasiva di qualsiasi annuncio isolato.
Ciò che la indebolirebbe è una separazione persistente. Capacità consegnata senza una domanda affidabile metterebbe sotto pressione i fornitori. Un uso diffuso senza benefici misurabili spingerebbe gli acquirenti a riconsiderare le proprie implementazioni.
Questi sono segnali di osservazione, non previsioni su ciò che mostrerà il prossimo ciclo di rendicontazione. Il loro scopo è rendere verificabili le affermazioni future.
Il valore duraturo dell’articolo è la disciplina che apporta a questo processo. Chiede ai lettori di distinguere ciò che è stato costruito, ciò che è stato adottato e ciò che è migliorato.
Prima di considerare il prossimo annuncio sull’AI come prova di un ritorno economico, identifica quale parte di quella catena misura. Cerca un risultato completato, un confronto significativo e una chiara contabilizzazione dello sforzo richiesto. Tieni in vista le evidenze positive sul posto di lavoro, preservandone al contempo i limiti. Leggi i risultati deludenti con pari attenzione alle loro date e ai loro contesti. Lo studio della Fed sull’AI offre un utile punto di partenza perché separa gli investimenti visibili dai benefici che devono ancora essere dimostrati. Segui il prossimo aggiornamento di progetto, la valutazione dei clienti e la pubblicazione dei dati sulla produttività tenendo presente questa distinzione. Quali nuove evidenze collegano effettivamente la capacità di calcolo aggiuntiva a un lavoro migliore?



