Il sondaggio AI di monday.com rivela il costo gestionale di una produzione più rapida
Il sondaggio AI di monday.com rileva che il 53% dei dirigenti senior fatica maggiormente a valutare i contributi originali dei dipendenti dopo l'adozione dell'AI. Il dato introduce un problema gestionale nella promessa di produttività: produrre lavoro finito e comprendere il contributo di una persona sono compiti diversi.
Pubblicata il 21 ottobre, la ricerca condotta da Nielsen ha coinvolto 1.701 direttori e senior manager in sette Paesi. I risultati suggeriscono che i datori di lavoro affrontano un problema di misurazione più difficile man mano che il lavoro assistito dall'AI diventa normale. Un risultato rifinito offre meno evidenze del giudizio che ne è alla base.
Questa tensione si affianca alle prove che l'AI possa migliorare le prestazioni in contesti specifici. Una ricerca di Erik Brynjolfsson, Danielle Li e Lindsey Raymond ha riscontrato miglioramenti misurabili nell'assistenza clienti. Per i datori di lavoro, la domanda è se tali guadagni resistano lungo l'intero percorso, dall'output individuale al lavoro revisionato e utilizzabile.
Il sondaggio AI di monday.com mette sotto pressione la valutazione
Secondo i risultati sulla gestione dell'AI dell'azienda, il 47% degli intervistati dedica più tempo alla revisione e alla guida dell'output dei team. Nel frattempo, il 78% ha modificato il proprio approccio alla valutazione dei dipendenti dopo l'adozione dell'AI.
Questi risultati descrivono pressioni correlate, sebbene non dimostrino che gli stessi intervistati abbiano sperimentato ogni problema. Non misurano neppure quanto tempo aggiuntivo i manager dedichino alla revisione. La distinzione conta quando le difficoltà nella valutazione dei dipendenti vengono tradotte in affermazioni sulle prestazioni aziendali.
Il cambiamento immediato è un legame più debole tra un risultato finito e il contributo individuale che sembra rappresentare.
Prima dell'assistenza AI, la qualità della presentazione poteva fornire alcune indicazioni sulle capacità di scrittura, sulla preparazione o sulla familiarità con un argomento. Non ha mai offerto un quadro completo. Colleghi, modelli, editor e materiali esistenti hanno sempre influenzato l'output sul posto di lavoro.
L'AI rende questa inferenza più complessa perché può fornire gran parte della presentazione visibile. Una spiegazione chiara potrebbe riflettere una profonda comprensione, un editing efficace o l'accettazione di una risposta generata. Il solo documento finale non può distinguere in modo affidabile tra queste possibilità.
Per i manager, la domanda risultante va oltre il fatto che un dipendente abbia usato l'AI. Devono capire se il dipendente ha selezionato prove appropriate, individuato errori e preso decisioni difendibili. Questi contributi possono restare invisibili nel testo finale.
La ricerca complica inoltre una semplice narrazione di resistenza. Nello stesso sondaggio, il 94% ha espresso entusiasmo per il miglioramento del lavoro con l'AI. Entusiasmo e difficoltà coesistono, suggerendo che il problema riguardi l'implementazione e la valutazione piuttosto che un rifiuto diretto.
Il risultato principale ha ricevuto attenzione attraverso la copertura di TechCrunch sulle difficoltà nella valutazione dei dipendenti. Il rapporto primario offre una base più utile per l'interpretazione: sono dirigenti senior che descrivono le proprie esperienze.
Si tratta di una prova significativa dell'attrito gestionale. Non è un confronto controllato tra organizzazioni che usano l'AI e organizzazioni che la evitano. Né stabilisce che i datori di lavoro abbiano perso più tempo di quanto i dipendenti ne abbiano risparmiato.
Il sondaggio AI di monday.com identifica quindi un punto di pressione anziché risolvere il dibattito sulla produttività. Le organizzazioni che adottano l'AI hanno bisogno di modi per valutare il contributo senza presumere che la scioltezza dimostri competenza. Altrimenti, l'apparente miglioramento dell'output lascia irrisolta la questione di chi meriti il merito.
Questo cambia la conversazione manageriale. La domanda utile diventa se i datori di lavoro possano riconoscere un lavoro efficace assistito dall'AI preservando al contempo standard significativi di competenza. Ciò richiede di guardare oltre quanto un risultato appaia convincente quando arriva nella casella di posta di qualcuno.
I manager ereditano un lavoro che le metriche di output non rilevano
Le persone sotto pressione immediata sono i manager responsabili sia della consegna sia dello sviluppo dei dipendenti. Devono accettare un'assistenza utile decidendo al contempo se i loro team siano in grado di spiegare e difendere il lavoro risultante. Queste responsabilità si sovrappongono, ma non sono intercambiabili.
Un manager può approvare un documento corretto senza apprendere molto sulla capacità di fondo dell'autore. Potrebbe essere sufficiente per una comunicazione ordinaria. Diventa meno sufficiente quando lo stesso documento informa una promozione, l'assegnazione del personale o la preparazione per un incarico più impegnativo.
Una produzione più rapida crea valore aziendale solo quando il lavoro risultante resta economico da revisionare e affidabile da usare.
Consideriamo un ipotetico memo di pianificazione del prodotto. Un dipendente usa l'AI per organizzare le osservazioni dei clienti in una raccomandazione sulla funzionalità che merita attenzione. Il memo è scritto chiaramente e presenta un'argomentazione ordinata.
Il manager deve comunque stabilire se le osservazioni supportino la raccomandazione. Sono state preservate le richieste contrastanti dei clienti? Il dipendente ha distinto le prove dirette dall'interpretazione? La bozza ha trasformato silenziosamente un'ipotesi in un fatto apparente?
Si tratta di domande ipotetiche, non di risultati documentati dal sondaggio. Mostrano perché la qualità della presentazione non possa sostenere l'intero onere della valutazione. Un memo leggibile può ridurre lo sforzo comunicativo lasciando però la decisione sottostante altrettanto difficile.
Il dipendente potrebbe aver completato il compito più rapidamente ed esercitato un ottimo giudizio in ogni fase. In alternativa, il manager potrebbe dover ricostruire l'analisi perché mancano le prove a supporto. La stessa superficie rifinita può nascondere processi di lavoro molto diversi.
Questo rende meno informative le metriche di output definite in modo ristretto. Contare i documenti completati premia la produzione senza stabilire se i colleghi possano agire sulla loro base. Misurare il tempo di stesura esclude ciò che avviene durante chiarimento, correzione, approvazione e implementazione.
L'unità economica che conta è il flusso di lavoro completato. Una bozza contribuisce a quel flusso di lavoro, ma lo fanno anche le persone che la convalidano e ne risolvono le conseguenze. Spostare lo sforzo tra questi partecipanti non elimina automaticamente lo sforzo.
Lo sviluppo dei dipendenti aggiunge un'altra complicazione. I manager devono sapere se qualcuno riesca a riconoscere quando una risposta è debole, incompleta o inappropriata. Un risultato positivo fornisce prove limitate se il dipendente non sa spiegare le scelte che lo hanno plasmato.
Ciò non significa che i dipendenti debbano svolgere ogni compito senza assistenza. Il lavoro dipende già da strumenti e collaborazione. Il problema della valutazione consiste nell'identificare quali forme di giudizio restino essenziali quando l'assistenza gestisce una parte maggiore dell'esecuzione visibile.
Per un manager ingegneristico, questo potrebbe significare comprendere perché una modifica proposta si adatti a un sistema esistente. Per un manager commerciale, potrebbe significare verificare se una raccomandazione rifletta i vincoli reali del cliente. Le prove rilevanti variano in base al lavoro.
La pressione raggiunge anche i dipendenti il cui contributo più forte consiste nel respingere cattivi suggerimenti. Il loro lavoro può scomparire alla vista quando una valutazione enfatizza solo l'artefatto finale. Prevenire un errore lascia spesso prove meno visibili che generare un'altra pagina.
Queste sono implicazioni analitiche dei risultati, piuttosto che ulteriori risultati del sondaggio. Spiegano perché le organizzazioni non possano risolvere le difficoltà nella valutazione dei dipendenti semplicemente richiedendo un maggiore uso dell'AI. Adozione e competenza rispondono a domande diverse.
Di conseguenza, i manager affrontano una difficile decisione di allocazione. Hanno bisogno di sufficiente visibilità per valutare il giudizio senza trasformare ogni incarico in un audit dettagliato. Se la valutazione diventa eccessivamente onerosa, il processo consuma l'efficienza che l'assistenza avrebbe dovuto creare.
I guadagni di produttività dipendono da dove ricade il lavoro
Esistono prove credibili che l'assistenza AI possa migliorare le prestazioni sul posto di lavoro. La versione più solida dell'argomento sulla produttività non dipende dal fatto che ogni dipendente diventi più veloce. Dipende da miglioramenti misurabili in compiti specifici, in condizioni specifiche.
Lo studio sull'assistenza clienti di Brynjolfsson, Li e Raymond ha esaminato 5.172 operatori e rilevato un aumento medio del 15% dei problemi risolti all'ora. I benefici variavano tra i lavoratori, con guadagni maggiori per i dipendenti meno esperti.
I ricercatori hanno inoltre riportato differenze in qualità e apprendimento. Questi risultati contano perché vanno oltre il fatto che i partecipanti abbiano apprezzato l'uso di uno strumento. Esaminano un esito operativo con un legame riconoscibile con il lavoro.
L'assistenza AI e l'attrito manageriale possono coesistere perché descrivono parti diverse del processo produttivo.
Un assistente di supporto che aiuta un dipendente a risolvere il problema di un cliente opera all'interno di un flusso di lavoro relativamente specifico. Un assistente di scrittura generale usato per preparare un documento interno di strategia affronta aspettative diverse. Anche le prove necessarie per valutarne il successo differiscono.
Il confronto non implica che il lavoro di supporto sia semplice. Mostra perché un'affermazione sulla produttività richieda un compito e un risultato definiti. “Più risoluzioni utili all'ora” trasmette informazioni che “più contenuti assistiti dall'AI” non trasmette.
Un risultato contrastante è arrivato da METR, l'organizzazione di valutazione dell'AI. Il suo esperimento sulla produttività degli sviluppatori ha coinvolto 16 sviluppatori esperti che hanno completato 246 compiti in progetti open source familiari. L'accesso agli strumenti AI di inizio 2025 ha aumentato del 19% il tempo di completamento.
Ciononostante, i partecipanti ritenevano che l'AI li avesse resi più veloci. Questo divario illustra un problema di misurazione: un flusso di lavoro può sembrare più facile o più produttivo senza produrre i risparmi di tempo attesi. L'assistenza percepita e l'accelerazione misurata richiedono prove separate.
Il risultato ha confini chiari. Riguardava sviluppatori, repository, compiti e strumenti particolari in un periodo specifico. Non stabilisce che gli attuali assistenti di programmazione rallentino ogni sviluppatore, né che i guadagni riportati altrove siano immaginari.
La stessa METR ha poi sottolineato tali limitazioni. Nel suo aggiornamento sulla misurazione della produttività del febbraio 2026, l'organizzazione ha affermato che gli effetti di selezione rendevano inaffidabili le sue stime più recenti. Alcuni sviluppatori non volevano partecipare in condizioni che richiedevano di lavorare senza AI.
L'aggiornamento ha anche descritto difficoltà nel misurare il tempo quando gli sviluppatori usavano più agenti contemporaneamente. METR ha ritenuto che gli strumenti più recenti fossero probabilmente più utili di quanto suggerissero le sue stime precedenti. Ha avvertito che i dati disponibili fornivano prove deboli sull'entità di tale miglioramento.
Nel complesso, questi studi supportano una conclusione prudente. Gli effetti dell'AI dipendono dal contesto, dall'esperienza del lavoratore, dalla selezione dei compiti e dalla definizione di successo. Né l'entusiasmo né un risultato negativo isolato risolvono la questione più ampia.
Il confronto tra prodotti segue la stessa logica. ChatGPT e Claude possono aiutare a creare testo, mentre gli assistenti di programmazione operano all'interno dei flussi di lavoro di sviluppo software. Una piattaforma di gestione del lavoro come monday.com affronta il coordinamento tra compiti e team.
Queste categorie si sovrappongono, ma non rispondono a domande identiche. Un assistente può migliorare una bozza senza stabilire chi ne abbia verificato le affermazioni. Un sistema di coordinamento può registrare l'attività senza stabilire se quell'attività abbia prodotto una decisione fondata.
Il conflitto principale resta quindi tra le promesse di produttività e il lavoro necessario per realizzarle. I marchi concorrenti offrono un contesto, ma cambiare assistente non risolve automaticamente criteri di valutazione ambigui. Il datore di lavoro deve comunque definire cosa si intende per buon lavoro.
Questa è l'interpretazione utile del sondaggio AI di monday.com. Sposta l'attenzione sulle condizioni organizzative che circondano l'assistenza. I prossimi guadagni di produttività dipendono in parte dal fatto che tali condizioni rendano più facile riconoscere e approvare risultati utili.
Un documento ben rifinito può nascondere il giudizio in entrambe le direzioni
La preoccupazione più evidente è che una rifinitura generata dall'AI faccia apparire più solido un lavoro debole. Esiste però una possibilità altrettanto importante nella direzione opposta. Un dipendente può esercitare un ottimo giudizio ricevendo meno merito perché il testo visibile sembra assistito da una macchina.
Questo crea un problema di equità prima ancora che entri in gioco una valutazione automatizzata delle prestazioni. Se i manager considerano sospetto un linguaggio curato, dipendenti capaci possono perdere riconoscimento. Se invece lo considerano una prova di competenza, un ragionamento debole può ottenere un'approvazione immeritata.
Una valutazione equa richiede prove di responsabilità e giudizio senza costringere i dipendenti a dimostrare di aver lavorato senza assistenza.
Un esempio di sintesi di ricerca illustra il dilemma. Un dipendente raccoglie materiale originale, individua risultati contrastanti, scarta affermazioni non supportate e usa l'AI per migliorare l'organizzazione. Il testo finale rivela poco delle decisioni difficili che hanno reso affidabile la sintesi.
Un altro dipendente potrebbe presentare un testo altrettanto fluido dopo aver verificato poco le prove a suo sostegno. I documenti potrebbero sembrare comparabili durante una rapida revisione. La loro affidabilità, e la competenza dimostrata dai dipendenti, differirebbero in modo sostanziale.
La risposta non può basarsi interamente sul rilevamento del linguaggio generato. Anche un'identificazione corretta dimostrerebbe l'assistenza, non la qualità delle decisioni del dipendente. Sapere che l'AI ha contribuito a un documento non spiega se l'autore l'abbia usata in modo responsabile.
Neppure un registro dei prompt risolve automaticamente il problema. Può mostrare cosa una persona ha chiesto a un sistema di fare. Non può, da solo, stabilire se la persona abbia riconosciuto una risposta errata o selezionato prove appropriate.
Qui diventa utile la distinzione tra attribuzione e responsabilità. L'attribuzione riguarda quale persona o sistema abbia fornito un determinato contributo. La responsabilità riguarda chi è titolare del risultato e deve spiegare le decisioni che vi sono alla base.
I datori di lavoro hanno bisogno di entrambi i concetti, ma il livello di dettaglio dovrebbe adattarsi al compito. Un annuncio interno di routine non richiede lo stesso scrutinio di una raccomandazione che incide sul personale. Trattare ogni documento come ugualmente rilevante crea lavoro di revisione inutile.
Anche gli standard di prestazione devono essere coerenti. Un dipendente non dovrebbe essere elogiato per l'uso dell'AI in un incarico e penalizzato per un'assistenza equivalente altrove senza una spiegazione. Aspettative incoerenti rendono più difficile la valutazione anche quando il lavoro sottostante è valido.
La gestione della conoscenza diventa rilevante perché le prove spesso esistono al di fuori del risultato finale. Decisioni, materiali di fonte e discussioni precedenti possono aiutare a spiegare perché una raccomandazione abbia assunto una forma specifica. Il loro valore deriva dal rendere recuperabile il ragionamento.
Una base di conoscenza ricercabile offre un contesto utile sull'organizzazione di quel materiale di supporto. Non sostituisce la valutazione manageriale. L'accesso ai registri aiuta solo quando i revisori comprendono quali prove contano.
La sfida organizzativa consiste nel mantenere questo contesto senza creare un processo di sorveglianza indiscriminato. Registrare ogni interazione genera più materiale da rivedere. Un registro più circoscritto di fonti, decisioni e approvazioni rilevanti può essere più pertinente alla questione di valutazione.
Si tratta di un giudizio analitico, non di un intervento testato nella ricerca Nielsen. Il sondaggio non stabilisce quale approccio di documentazione funzioni meglio. I datori di lavoro avrebbero bisogno di prove proprie prima di affermare che una determinata politica abbia ridotto i costi di revisione.
La stessa cautela vale per la valutazione assistita dall'AI. Un sistema può organizzare il feedback in un linguaggio leggibile lasciando incompleta la valutazione sottostante. Una formulazione migliore non fornisce osservazioni mancanti né risolve resoconti contrastanti delle prestazioni di un dipendente.
In definitiva, un documento ben rifinito può celare sia dipendenza sia competenza. Il compito della gestione è distinguere queste possibilità attraverso prove connesse al lavoro. Altrimenti, il processo di valutazione rischia di premiare le apparenze trascurando le decisioni che rendono utile l'assistenza.
Il sondaggio individua attriti, non un verdetto sulla produttività
Il sondaggio AI di monday.com merita attenzione perché individua uno specifico problema organizzativo. I suoi risultati non giustificano la dichiarazione che l'AI abbia fallito sul lavoro. Non stabiliscono neppure che ogni difficoltà riportata sia un aggiustamento temporaneo.
La ricerca è stata commissionata da un'azienda che vende software per la gestione del lavoro. Questo contesto commerciale dovrebbe restare visibile nell'interpretazione delle soluzioni proposte dall'azienda. Un dato sui problemi di coordinamento non convalida in modo indipendente una piattaforma progettata per affrontarli.
Le prove giustificano preoccupazione per gli oneri di valutazione e revisione, lasciando però irrisolto il loro effetto economico netto.
La difficoltà auto-riferita è rilevante perché le esperienze dei manager possono influenzare l'adozione e le relazioni con i dipendenti. Tuttavia, differisce dall'uso del tempo osservato o dalle prestazioni valutate in modo indipendente. Le misure rispondono a domande correlate senza diventare intercambiabili.
Anche la popolazione intervistata conta. Direttori e senior manager non sono un sostituto diretto di ogni supervisore operativo o collaboratore individuale. La loro prospettiva illumina l'esperienza della leadership senza descrivere pienamente come i dipendenti vivano gli stessi assetti.
Un campione multinazionale amplia la portata della ricerca, ma non garantisce condizioni identiche tra i luoghi di lavoro. Ruoli, pratiche di gestione e fasi di adozione differiscono. I risultati aggregati possono nascondere variazioni importanti per un datore di lavoro che decide come reagire.
La causalità resta un altro limite. Un intervistato può associare una maggiore difficoltà di valutazione all'adozione dell'AI senza isolare l'AI da altri cambiamenti. Carichi di lavoro in espansione, obiettivi modificati o team riorganizzati potrebbero influire anch'essi sull'esperienza.
Questi limiti non cancellano il problema riportato. Definiscono ciò che prove più solide dovrebbero stabilire. Il passo successivo della ricerca dovrebbe collegare l'attrito segnalato al lavoro osservato, anziché presumere che il collegamento sia già misurato.
Un'interpretazione è che i datori di lavoro stiano sostenendo un costo di adattamento mentre riprogettano i processi. Un'altra è che una generazione a basso costo crei una domanda duratura di giudizio costoso. I risultati attuali non possono determinare quale spiegazione prevalga.
La prima interpretazione riceverebbe sostegno se gli oneri di revisione diminuissero man mano che i team acquisiscono esperienza. La seconda riceverebbe sostegno se l'aumento della generazione continuasse a superare la capacità di approvazione nonostante formazione e aspettative più chiare. Entrambe richiedono osservazione nel tempo.
Esiste anche una possibile interpretazione positiva della revisione aggiuntiva. I manager potrebbero dedicare più tempo al controllo del lavoro perché i dipendenti ora affrontano incarichi più preziosi. In quel caso, un maggiore impegno di revisione potrebbe accompagnare un utile aumento dell'ambizione.
In alternativa, la revisione supplementare potrebbe consistere soprattutto nella correzione di errori evitabili o nel recupero di contesto mancante. Ciò indicherebbe uno sforzo spostato, non un semplice guadagno di produttività. Una sola misura del tempo richiederebbe comunque accanto a sé una misura della qualità.
La conclusione difendibile è più circoscritta della promessa ampia del titolo. L'AI modifica le informazioni che i manager possono dedurre da un artefatto finito. I datori di lavoro hanno bisogno di prove migliori sulle conseguenze prima di trattare un aumento della produzione come prova di migliori prestazioni.
Monitorare costi di revisione, regole di valutazione e risultati dei flussi di lavoro
Nei prossimi mesi, i segnali più utili riguarderanno l'impegno di revisione, le pratiche di valutazione e il lavoro completato. Sono più informativi di un altro conteggio dei dipendenti che sperimentano con l'AI. Collegano l'adozione alla pressione gestionale individuata dalla ricerca.
Il prossimo test è capire se i datori di lavoro riescano a trasformare l'output assistito in lavoro accettato mantenendo visibile il contributo.
Innanzitutto, occorre osservare se aziende e ricercatori misurino il lavoro successivo alla bozza. Comunicazioni utili includerebbero lo sforzo di correzione, i ritardi nelle approvazioni e l'attenzione richiesta ai revisori. Tali misure aiuterebbero a distinguere lo sforzo risparmiato da quello trasferito a qualcun altro.
La riduzione degli oneri di revisione insieme a una qualità stabile indebolirebbe la preoccupazione che l'AI si limiti a spostare il lavoro a monte. Costi di correzione persistenti la rafforzerebbero. Il confronto importante dovrebbe seguire incarichi simili fino al completamento, anziché fermarsi al termine della generazione.
In secondo luogo, occorre osservare come i datori di lavoro modifichino i criteri di prestazione. Un aggiornamento significativo spiegherebbe come valutano verifica, giudizio e titolarità dei risultati assistiti dall'AI. L'obbligo di usare più strumenti offrirebbe meno prove che le difficoltà di valutazione siano in via di risoluzione.
Standard più chiari rafforzerebbero l'ipotesi che le organizzazioni si stiano adattando con successo. La continua dipendenza dal volume dei documenti o dalla qualità della presentazione lascerebbe intatto il problema dell'attribuzione. I dipendenti devono capire cosa porta riconoscimento prima che i manager possano valutarlo con coerenza.
In terzo luogo, occorre cercare risultati a livello di flusso di lavoro con confronti credibili. Prove più solide collegherebbero l'assistenza a risultati utilizzabili tenendo conto della qualità e della revisione. Riconoscerebbero inoltre le differenze tra i ruoli, invece di presentare un'unica affermazione sulla produttività per ogni lavoratore.
Uno studio di caso di un fornitore può offrire dettagli utili, ma il suo disegno conta. I lettori dovrebbero cercare compiti definiti, condizioni comparabili e una spiegazione di ciò che la misurazione esclude. Una narrazione persuasiva priva di questi elementi non può risolvere il compromesso.
Questi segnali non dipendono dal lancio programmato di un prodotto specifico. Sono test per il prossimo ciclo di affermazioni da parte di datori di lavoro, ricercatori e aziende software. Ciascuno contribuirebbe a stabilire se il mal di testa gestionale stia diminuendo o diventando strutturale.
Per i knowledge worker, l'implicazione immediata riguarda il modo in cui il loro contributo diventa visibile. Produrre un documento chiaro resta utile, ma spiegare le sue prove e le sue decisioni può contare altrettanto. Il lavoro migliore rende il risultato affidabile senza costringere i colleghi a ricostruirlo.
Per gli acquirenti enterprise, l'implicazione riguarda ciò che si prevede che un acquisto migliori. Assistenza alla stesura, coordinamento e valutazione dei dipendenti comportano requisiti diversi. Un'implementazione di successo richiede prove legate al problema che intende risolvere.
Leggete il sondaggio sull’AI di monday.com come un invito a esaminare l’intera catena. Andate oltre il fatto che uno strumento produca una prima bozza impressionante. Chiedetevi se il destinatario possa verificarla, utilizzarla e capire chi ha esercitato il proprio giudizio. Confrontate queste risposte con l’impegno richiesto prima che l’assistenza entrasse nel flusso di lavoro. Quando arriverà la prossima promessa di produttività, osservatene il punto di arresto: generazione, approvazione o risultato completato. Questo confine determina spesso se l’affermazione descrive una comodità individuale o un valore organizzativo. Per il prossimo incarico assistito dall’AI del vostro team, chi revisiona può riconoscere il contributo del dipendente senza ripetere il lavoro sottostante?
