Produttività AI di Rick Manelius: il focus batte una maggiore produzione
Rick Manelius ha pubblicato un secco avvertimento sulla produttività dell'AI il 26 luglio 2026, dopo che la sua lista di progetti era arrivata a circa 40 esperimenti attivi. L'AI aveva reso molto più facile iniziare a lavorare. Non aveva aumentato la sua capacità di portare a termine tutto ciò che iniziava.
La distinzione è importante perché la maggior parte delle affermazioni sulla produttività dell'AI misura la velocità all'interno di un compito definito. Raramente misura cosa accade quando il tempo risparmiato torna a disposizione di un lavoratore ambizioso. Quel tempo può tradursi in riposo, lavoro più approfondito o un'altra dozzina di impegni.
Il saggio di Rick Manelius sostiene che la risorsa scarsa si sia spostata. Produrre una bozza, un prototipo, un'analisi o un'applicazione richiede ora meno sforzo. Scegliere cosa merita attenzione, chiudere le questioni aperte e portare il lavoro di valore fino alle fasi finali è diventato più difficile.
Questa argomentazione di Rick Manelius sulla produttività dell'AI mette in discussione la più comune narrazione sull'AI nel luogo di lavoro. Microsoft, OpenAI, Anthropic, Google e innumerevoli startup vendono forme di capacità ampliata. Manelius chiede cosa accada quando le persone riempiono subito quella capacità.
La sua risposta è scomoda. Una produzione più rapida può creare più lavoro anziché meno. Le competenze umane più preziose potrebbero quindi essere il focus e la capacità di portare a termine le cose, non l'abilità di avviare più attività assistite dall'AI.
Cosa cambia con l'argomentazione di Rick Manelius sulla produttività dell'AI
L'evento non è il rilascio di un nuovo modello. È una sfida tempestiva alla metrica usata per valutare il lavoro assistito dall'AI.
Manelius descrive una sequenza familiare. Prima dell'AI generativa, aveva più di 100 idee per articoli e circa 50 possibili progetti in attesa di attenzione. Il tempo manteneva quelle ambizioni entro certi limiti.
L'AI ha indebolito quel vincolo. Ha iniziato a inviare prompt tra una riunione e l'altra, talvolta in finestre di cinque minuti, mentre i modelli continuavano a lavorare in background. I primi esperimenti hanno prodotto risultati incoraggianti, facendo apparire ragionevoli ulteriori esperimenti.
L'espansione è continuata finché non si è ritrovato con circa 40 proof of concept in corso. Ogni progetto sembrava poco costoso se valutato in base al costo di avvio. Insieme, hanno creato un ampio portafoglio di obblighi incompiuti.
Quell'esperienza ha portato Manelius a distinguere la produttività orizzontale dal progresso verticale. La produttività orizzontale significa fare più cose contemporaneamente. Il progresso verticale significa portare più avanti un numero minore di cose importanti.
La differenza sembra semplice, ma il software per il lavoro di solito premia la prima categoria. L'attività appare in documenti generati, aggiornamenti delle attività, pull request, prototipi, messaggi e riepiloghi delle riunioni. Portare a termine il lavoro è più lento e meno visibile.
Un progetto concluso richiede inoltre forme di lavoro che l'AI non elimina. Qualcuno deve decidere se l'output è corretto, pertinente, completo, sicuro e utile. Qualcuno deve integrare il feedback e assumersi la responsabilità del risultato.
Manelius illustra il problema con un saggio incompiuto. Ha deciso che la sua versione iniziale non fosse abbastanza buona, pur essendo vicina alla pubblicazione. Ha scelto di effettuare diverse altre revisioni invece di pubblicarlo rapidamente.
Quella decisione rappresenta il rovesciamento centrale. L'AI riduce il costo per arrivare a una prima versione plausibile. Il divario rimanente tra plausibile ed eccellente può ancora richiedere la maggior parte del giudizio, dell'editing e dell'impegno.
Ecco perché il saggio è più di un consiglio sulla produttività personale. Cattura un conflitto che emerge in tutto il lavoro della conoscenza assistito dall'AI. Le organizzazioni possono generare più artefatti senza produrre più decisioni, valore per i clienti o risultati completati.
La storia arriva anche in un momento specifico. Gli agenti AI possono ora eseguire diversi compiti mentre un lavoratore partecipa a una riunione o esamina un altro output. L'esecuzione parallela aumenta il throughput delle macchine, ma amplia anche la coda di revisione umana.
La tecnologia crea opzioni più velocemente di quanto le persone possano valutarle. Questo rende economicamente importanti la selezione, la sequenza e il completamento. Il focus smette di essere una preferenza di stile di vita e diventa un vincolo produttivo.
Compiti più rapidi stanno creando giornate lavorative più lunghe
L'accelerazione dei compiti non garantisce una giornata lavorativa più breve perché il tempo risparmiato diventa spesso nuova capacità per lavoro aggiuntivo.
La ricerca controllata ha stabilito che l'AI generativa può migliorare le prestazioni su incarichi delimitati. Un esperimento del 2023 che ha coinvolto 453 professionisti con istruzione universitaria ha rilevato che ChatGPT ha ridotto del 40 percento il tempo medio di completamento per compiti di scrittura. La qualità è aumentata del 18 percento.
L'esperimento di scrittura misurava un compito chiaro, un punto finale definito e un output comparabile. Queste condizioni aiutano i ricercatori a isolare un effetto sulla produttività.
Un altro studio ha esaminato migliaia di addetti all'assistenza clienti che utilizzavano un assistente AI. I ricercatori hanno rilevato che l'accesso aumentava in media del 14 percento i problemi risolti all'ora. I lavoratori meno esperti ne hanno beneficiato maggiormente.
Questi risultati supportano le affermazioni sulla produttività dell'AI. Non dimostrano che ogni lavoratore riceva una quantità equivalente di tempo libero. Un compito più rapido può portare direttamente a un carico di lavoro maggiore.
Una ricerca pubblicata da UC Berkeley Haas nel febbraio 2026 descrive questa intensificazione. Le ricercatrici Aruna Ranganathan e Xingqi Maggie Ye hanno condotto uno studio etnografico di otto mesi in un'azienda tecnologica di 200 persone.
I lavoratori completavano i compiti più rapidamente, ampliavano l'ambito dei loro ruoli e lasciavano che il lavoro entrasse in più momenti della giornata. Mantenevano inoltre attivi più flussi di lavoro mentre i processi AI venivano eseguiti in background.
I risultati di Berkeley individuano tre schemi. I lavoratori si assumevano compiti che un tempo appartenevano ad altri, sfruttavano le pause naturali per inviare prompt e mantenevano attivi diversi filoni simultanei.
Questa descrizione corrisponde da vicino al racconto di Manelius. Una persona invia un prompt prima di una riunione perché l'azione richiede pochi secondi. La risposta crea comunque un futuro obbligo di lettura, valutazione, revisione, inoltro o rifiuto.
Il prompt consuma poco tempo. Il suo output reclama attenzione in seguito.
Questo meccanismo spiega perché l'AI possa ridurre lo sforzo per compito aumentando al contempo il carico cognitivo totale. Il carico cognitivo è lo sforzo mentale necessario per trattenere, elaborare e coordinare le informazioni. Ogni progetto attivo aggiunge dipendenze e decisioni irrisolte.
I dati sul luogo di lavoro mostrano già uno spazio limitato per ulteriore frammentazione. Microsoft ha riportato nel 2025 che i dipendenti venivano interrotti da una riunione, un'email o una chat ogni due minuti durante le ore principali.
La sua indagine globale ha rilevato che l'80 percento dei lavoratori non aveva tempo o energia sufficienti per svolgere il proprio lavoro. Allo stesso tempo, il 53 percento dei leader ha affermato che la produttività doveva aumentare.
Il rapporto sulla giornata lavorativa infinita ha anche rilevato che l'attività si diffondeva alle prime ore del mattino e alla sera. Microsoft ha presentato l'AI e flussi di lavoro riprogettati come parte della soluzione.
Manelius aggiunge una condizione essenziale a tale proposta. L'AI non può proteggere l'attenzione quando ogni guadagno di efficienza giustifica un ulteriore impegno. Senza limiti, l'automazione accelera lo stesso sistema sovraccarico.
I lavoratori della conoscenza affrontano quindi un paradosso della capacità. Possono produrre più unità di lavoro, ma sentirsi più lontani dal completamento. Il loro output aumenta mentre il senso di controllo diminuisce.
Questo non dimostra che l'AI sia priva di valore. Mostra perché le organizzazioni abbiano bisogno di misure di produttività più ampie. La velocità conta, ma contano anche la durata della giornata lavorativa, l'inventario incompiuto, il peso delle revisioni, la qualità delle decisioni e il recupero dei dipendenti.
Una maggiore produzione compete con il lavoro portato a termine
La sfida centrale non è esseri umani contro AI. È l'output visibile contro il lavoro che supera la revisione e crea un risultato utilizzabile.
L'AI generativa eccelle nella produzione di artefatti intermedi credibili. Può redigere una strategia, riassumere interviste, abbozzare codice, proporre campagne o trasformare appunti in una presentazione. Ogni artefatto può sembrare un progresso.
Eppure un artefatto non è automaticamente un risultato. Una strategia richiede scelte e impegni sulle risorse. Una sintesi di ricerca richiede prove verificabili. Il codice richiede test, manutenzione, revisione della sicurezza e un proprietario chiaro.
Questa distinzione diventa più difficile da vedere perché l'output dell'AI arriva spesso con una struttura curata. Una buona formattazione può far apparire definito un pensiero incompiuto. Un linguaggio fluido può nascondere contesto mancante o presupposti non supportati.
BetterUp Labs e lo Stanford Social Media Lab chiamano una versione di questo problema “workslop”. Il termine descrive materiale generato dall'AI, ben rifinito ma privo di sostanza o contesto sufficienti a far avanzare il lavoro del destinatario.
La loro indagine del settembre 2025 ha coinvolto 1.150 lavoratori d'ufficio statunitensi a tempo pieno. Il quaranta percento ha dichiarato di aver ricevuto workslop nel mese precedente. Gli intervistati hanno riferito di spendere in media due ore per risolvere ciascun episodio.
La ricerca sul workslop è un'evidenza basata su sondaggi, non una misurazione universale di ogni luogo di lavoro. Ciononostante, mette in luce un importante trasferimento di lavoro.
Un mittente può risparmiare tempo generando rapidamente un documento. Il destinatario spende poi tempo per ricostruirne lo scopo, verificarne le affermazioni e decidere cosa debba accadere dopo. L'efficienza locale crea lavoro a valle.
L'argomentazione di Manelius riguarda un trasferimento simile all'interno della stessa persona. Avviare un progetto AI sembra economico perché la generazione iniziale è economica. La stessa persona eredita in seguito i costi di revisione, coordinamento e completamento.
Questo cambia l'economia dei portafogli di progetti personali. Prima dell'AI, lo sforzo necessario per iniziare un progetto scoraggiava alcune idee deboli. Quell'attrito fungeva da filtro imperfetto.
L'AI rimuove gran parte del filtro. I lavoratori possono ora produrre un prototipo prima di decidere pienamente se il problema meriti attenzione. I team possono generare diverse opzioni strategiche prima di concordare i propri vincoli.
L'esplorazione ha un valore reale. Esperimenti economici possono rivelare presupposti errati prima che un'azienda assuma un impegno maggiore. Il problema inizia quando gli esperimenti si accumulano senza regole esplicite per fermarsi.
Ogni proof of concept richiede una decisione. Dovrebbe avanzare, fondersi con un'altra iniziativa, essere sospeso o chiuso. Evitare quella decisione non mantiene gratuito l'esperimento.
Il progetto continua a occupare dashboard, conversazioni, memoria e spazio di archiviazione. I colleghi potrebbero dipenderne. Gli stakeholder potrebbero interpretarne l'esistenza come una promessa.
Qui la capacità di portare a termine le cose diventa diversa dalla perseveranza. La perseveranza significa continuare nonostante le difficoltà. Portare a termine significa risolvere l'impegno, anche quando la risoluzione corretta è la cancellazione.
La tesi di Rick Manelius sulla produttività dell'AI pone quindi la responsabilità al centro del lavoro moderno. L'AI può offrire opzioni, ma una persona o un team deve assumersi la responsabilità del punto di arrivo. Senza responsabilità, una generazione più rapida crea un campo di ambiguità più ampio.
Le organizzazioni dovrebbero notare chi subisce la pressione di questo cambiamento. I singoli collaboratori ricevono più materiale da convalidare. I manager ricevono più proposte da prioritizzare. I clienti incontrano più funzionalità, messaggi e documentazione in competizione per l'attenzione.
La pressione raggiunge anche i dirigenti senior. Devono distinguere il throughput operativo dal movimento strategico. Un'azienda può distribuire più cambiamenti indebolendo al contempo la coerenza del proprio prodotto.
Il focus protegge la coerenza. La capacità di portare a termine trasforma le possibilità selezionate in risultati affidabili. Insieme, determinano se la capacità generata dall'AI diventa valore o rumore.
L'AI rende economico iniziare e costoso finire
L'AI comprime la prima bozza, ma l'ultimo miglio continua a concentrare giudizio, responsabilità e compromessi difficili.
Manelius paragona il quasi completamento alla differenza tra un'eclissi solare parziale e una totale. L'ultimo punto percentuale può cambiare l'intera esperienza, anche quando il divario numerico sembra ridotto.
La metafora è utile perché il completamento non avanza in modo uniforme. Una bozza può raggiungere rapidamente una fluidità accettabile. Migliorarne l'affidabilità fattuale e la precisione strategica può richiedere diversi cicli di revisione umana.
Il software segue una curva simile. L'AI può produrre rapidamente codice funzionante, soprattutto per schemi familiari. La prontezza per la produzione richiede di testare condizioni insolite, proteggere i dati, documentare le decisioni e mantenere il sistema dopo il rilascio.
L'ultimo miglio può anche rivelare che la direzione iniziale era sbagliata. Questa scoperta sembra inefficiente perché invalida il lavoro precedente. In realtà, riconoscere una direzione debole evita uno spreco maggiore.
L'AI complica questa fase facendo apparire più elevati i costi irrecuperabili. Un team può aver generato in poche ore una grande quantità di codice, testi o analisi. Il volume rende emotivamente difficile abbandonare il lavoro, anche se la generazione è stata poco costosa.
Questo crea una nuova forma di attaccamento. Le persone difendono un progetto perché appare già consistente. Confondono la massa generata con il valore realmente conquistato.
Concludere bene richiede la reazione opposta. I team devono valutare i progetti rispetto agli obiettivi attuali, non rispetto alla quantità di contenuti già prodotti. Devono restare disposti a eliminare lavoro plausibile.
Il problema della qualità va inoltre oltre le allucinazioni. Un'allucinazione è un output sicuro di sé dell'AI privo di supporto fattuale. Anche contenuti fattualmente corretti possono fallire perché ignorano la storia locale, le esigenze degli stakeholder o i vincoli organizzativi.
Per questo l'accesso al contesto conta. I knowledge worker hanno bisogno di decisioni, documenti, conversazioni e prove pertinenti nel momento della revisione. Una base di conoscenza personale consultabile può ridurre il tempo speso per ricostruire quel contesto.
Tuttavia, il recupero delle informazioni non prende la decisione finale. Un contesto migliore sostiene il giudizio, ma non sceglie l'obiettivo. Il lavoratore determina comunque quali prove contano e quale compromesso l'organizzazione accetterà.
Il completamento include anche lavoro sociale. Qualcuno deve ottenere accordo, spiegare le conseguenze, rispondere alle obiezioni e coordinare l'implementazione. Questi compiti spesso avanzano a velocità umana perché la fiducia non può essere generata su richiesta.
Lo stesso limite si manifesta nel lavoro creativo. L'AI può proporre venti idee per una campagna in pochi minuti. Un team ha comunque bisogno di un unico messaggio adatto al suo pubblico, prodotto, tempistica e reputazione.
Scegliere un'idea significa rifiutarne diciannove. L'AI incoraggia l'espansione, mentre la strategia richiede esclusione.
La capacità di generare alternative aumenta quindi il valore di una chiara definizione di completamento. Una definizione di completamento stabilisce le condizioni che un output deve soddisfare prima che un impegno si chiuda. Dovrebbe includere requisiti di qualità, responsabilità e consegna.
Senza tale definizione, i progetti assistiti dall'AI restano migliorabili all'infinito. I modelli possono sempre fornire un'altra variante, ulteriore ricerca o una versione riscritta. L'iterazione diventa un meccanismo di evitamento.
La decisione di Manelius di rivedere meno articoli più a fondo rappresenta una possibile risposta. Sta imponendo scarsità dopo che la tecnologia l'ha eliminata. Il vincolo deriva dal giudizio editoriale anziché dal costo di produzione.
Le aziende hanno bisogno di una mossa comparabile. Possono limitare il lavoro attivo, assegnare responsabili chiari e richiedere prove prima di avviare un'altra iniziativa. Queste scelte sembrano operative, ma proteggono il valore strategico dell'AI.
La concentrazione è un sistema operativo, non un tratto della personalità
La concentrazione non sopravviverà se le organizzazioni celebrano l'attività dell'AI mentre premiano i dipendenti per aver accettato lavoro illimitato.
È allettante trattare l'esperienza di Manelius come un problema di disciplina personale. Ha aperto troppi cicli, ha riconosciuto la tensione e ha ridotto i propri impegni. Un elenco di cose da fare migliore potrebbe sembrare sufficiente.
Questa interpretazione ignora gli incentivi sul posto di lavoro che circondano l'AI. I leader spesso introducono questi strumenti per aumentare la capacità. I dipendenti presumono ragionevolmente che il tempo risparmiato debba tradursi in maggiore output.
Il Work Trend Index 2025 di Microsoft ha rilevato che l'82 per cento dei leader prevedeva di usare il lavoro digitale per ampliare la capacità della forza lavoro entro 12-18 mesi. Per lavoro digitale si intendono sistemi di AI che svolgono parti del lavoro organizzativo.
L'espansione può favorire un team con risorse limitate. Può anche creare l'aspettativa che ogni lavoratore debba supervisionare più attività simultanee. Il lavoro passa dal completare compiti al gestire una coda in espansione di output delle macchine.
I lavoratori non possono risolvere questo problema di progettazione soltanto con la concentrazione. Hanno bisogno dell'autorità per rifiutare lavoro, chiudere esperimenti e proteggere tempo ininterrotto per la revisione. Altrimenti, la concentrazione entra in conflitto con le aspettative di performance.
Un modello operativo pratico inizia con meno risultati attivi. Un risultato descrive un cambiamento significativo, come risolvere un problema del cliente o rilasciare una funzionalità affidabile. Non è semplicemente un deliverable generato.
I team possono quindi limitare il lavoro in corso. Un limite al lavoro in corso fissa il numero massimo di elementi attivi prima che ne possa iniziare un altro. Questa pratica esiste da tempo nel software e nella produzione, ma l'AI la rende rilevante in tutto il lavoro della conoscenza.
Il limite dovrebbe includere i processi di AI, non solo le assegnazioni umane. Un agente che ricerca dieci argomenti crea dieci obblighi di revisione. Tali obblighi contano anche mentre l'agente opera senza supervisione.
Le organizzazioni dovrebbero inoltre misurare la chiusura. Segnali utili includono progetti completati, decisioni risolte, problemi dei clienti eliminati e vecchi impegni ritirati. I documenti generati da soli non dovrebbero essere considerati un successo.
La capacità di revisione merita un proprio budget. Prima di lanciare un flusso di lavoro basato sull'AI, un team dovrebbe identificare chi controllerà l'output e quanto tempo richiederà tale controllo. Una revisione senza responsabile è debito nascosto.
Lo stesso principio vale per riunioni e messaggi. I riepiloghi dell'AI possono ridurre i costi di partecipazione o di richiamo delle informazioni. Possono anche incoraggiare più riunioni perché la documentazione sembra automatica.
Un riepilogo non risolve priorità in conflitto. Se ogni riunione produce cinque azioni da intraprendere, l'automazione può aumentare il numero di impegni che entrano nel sistema.
I manager devono quindi difendere i punti di arresto. Il pranzo, le serate e il tempo tra le riunioni un tempo limitavano naturalmente il lavoro. I modelli sempre disponibili possono dissolvere questi confini, a meno che i team non li ripristinino deliberatamente.
Questo non richiede di rifiutare l'ambizione. Richiede di orientare l'ambizione verso la profondità. Un lavoratore può usare l'AI per testare rapidamente diversi approcci, quindi impegnarsi su uno solo e chiudere gli altri.
L'AI può sostenere questo processo confrontando le prove, identificando contraddizioni e preservando il contesto del progetto. Uno strumento come ask remio può aiutare un lavoratore a recuperare materiale precedente senza aprire un altro ciclo di ricerca.
Il lavoratore mantiene comunque la responsabilità della definizione delle priorità. Nessun modello conosce il costo opportunità completo di un nuovo impegno, a meno che l'organizzazione non abbia espresso chiaramente i propri obiettivi e limiti.
A questo punto, l'argomentazione di Rick Manelius sulla produttività dell'AI diventa applicabile. La nuova competenza non consiste semplicemente nel formulare prompt migliori. Consiste nel progettare un sistema di lavoro in cui inizi economici non possano travolgere conclusioni costose.
Cosa la tesi sulla concentrazione non può ancora dimostrare
Manelius offre una diagnosi incisiva, ma la sua esperienza personale non dimostra che l'AI aumenti universalmente il burnout o che un numero inferiore di progetti produca sempre risultati migliori.
Il saggio originale include stime di produttività sorprendenti, da due a 100 volte più veloci. Queste cifre descrivono l'esperienza e l'inquadramento di Manelius. Non dovrebbero essere trattate come misurazioni controllate trasversali alle professioni.
La ricerca verificata di solito rileva effetti più circoscritti in condizioni specifiche. L'esperimento sulla scrittura professionale ha misurato una riduzione del 40 per cento del tempo di completamento. Lo studio sul supporto clienti ha rilevato un aumento medio della produttività del 14 per cento.
I risultati variano anche in base al compito e al lavoratore. Nella ricerca sul supporto clienti, i dipendenti meno esperti hanno ricevuto benefici maggiori. I lavoratori esperti hanno osservato guadagni inferiori.
Altri esperimenti hanno rilevato un confine di capacità irregolare. L'AI svolge bene alcuni compiti apparentemente difficili, ma fallisce in compiti simili al di fuori dei suoi punti di forza. Gli utenti possono diventare meno accurati quando si fidano del modello nell'ambito sbagliato.
Queste differenze contano perché la concentrazione non può correggere ogni limite tecnico. Un lavoratore profondamente impegnato può comunque seguire un output inaccurato del modello. La concentrazione non sostituisce la verifica.
Né ogni progetto aperto dovrebbe essere classificato come dannoso. Il lavoro esplorativo crea apprendimento, soprattutto quando l'incertezza è elevata. Diversi prototipi rapidi possono rivelare quale percorso merita un investimento serio.
La distinzione chiave è se gli esperimenti producono decisioni. Un portafoglio di prove può essere disciplinato quando ciascuna ha una domanda, un responsabile, un limite di tempo e una condizione di uscita.
Manelius collega inoltre l'espansione dei suoi progetti a un burnout emergente. Il burnout è una sindrome legata al lavoro associata a esaurimento, distacco dal lavoro e ridotta efficacia professionale. Ha molteplici cause organizzative e personali.
Il suo racconto non può isolare l'AI come causa. Genitorialità, imprenditorialità, richieste lavorative, pressione finanziaria, salute e cultura organizzativa possono tutti influenzare l'esaurimento.
Anche i risultati di Berkeley meritano analoga cautela. La ricerca discussa nel febbraio 2026 si basava su uno studio di otto mesi all'interno di una sola azienda tecnologica. Offre ricche prove comportamentali, non una stima rappresentativa dell'intera forza lavoro.
Anche la telemetria di Microsoft ha dei limiti. Riflette l'attività negli ambienti Microsoft 365 ed esclude alcune popolazioni. Il volume dei messaggi non coincide con la tensione psicologica.
Tuttavia, queste fonti convergono su un meccanismo plausibile. L'AI riduce l'attrito dell'avvio del lavoro cognitivo. Le persone rispondono ampliando l'ambito, mantenendo più filoni paralleli e utilizzando tempo che un tempo serviva da pausa.
Questo meccanismo dovrebbe essere testato in tutti i settori. I ricercatori hanno bisogno di evidenze longitudinali che colleghino l'adozione dell'AI a ore di lavoro, lavoro incompiuto, qualità, autonomia e benessere.
I datori di lavoro dovrebbero inoltre distinguere l'esplorazione volontaria dall'intensificazione imposta. Un fondatore che sceglie di condurre esperimenti aggiuntivi occupa una posizione diversa da quella di un dipendente il cui obiettivo di performance aumenta dopo l'implementazione dell'AI.
Il controllo cambia l'esperienza. I lavoratori che decidono come usare il tempo risparmiato possono sperimentare maggiore autonomia. Quelli che ricevono quote più alte possono vivere la stessa tecnologia come sorveglianza o pressione.
C'è anche una questione di distribuzione. L'AI può ridurre il lavoro ripetitivo per un dipendente trasferendo al contempo il lavoro di validazione a un altro. La produttività dell'intera organizzazione può apparire diversa dalla produttività individuale.
Una valutazione equa deve seguire il lavoro attraverso i passaggi di consegna. Dovrebbe identificare chi risparmia tempo, chi assorbe la revisione e chi si assume la responsabilità quando l'output fallisce.
La tesi sulla concentrazione resta preziosa perché pone queste domande. La sua debolezza non è l'assenza di una risposta universale. Emergirebbe soltanto se le aziende trasformassero “concentrarsi di più” in un'altra richiesta rivolta a lavoratori già sovraccarichi.
La concentrazione richiede sottrazione. Se i leader mantengono ogni obiettivo, riunione, iniziativa e aspettativa di risposta, una nuova politica sulla concentrazione diventa un linguaggio vuoto. Qualcosa deve uscire dal sistema.
Tre segnali mostreranno se il follow-through vince
La prossima fase dell'AI sul posto di lavoro sarà giudicata dalla capacità delle organizzazioni di trasformare un'esecuzione più rapida dei compiti in risultati migliori senza estendere indefinitamente il lavoro umano.
Il primo segnale è un cambiamento nel modo in cui si misura la produttività. Le aziende dovrebbero andare oltre il conteggio degli artefatti generati, dei prompt o dell’adozione dell’AI. Dovrebbero misurare i risultati completati, le rilavorazioni, il tempo decisionale e il lavoro incompiuto.
Se queste misure diventeranno comuni, la tesi della concentrazione acquisirà forza. Dimostrerebbe che le organizzazioni riconoscono la differenza tra la produttività delle macchine e il progresso aziendale.
Se le aziende continueranno a celebrare l’utilizzo senza misurare il lavoro a valle, la tesi si indebolirà come movimento operativo. La concentrazione resterà una strategia personale per gestire la pressione, anziché uno standard istituzionale.
Il secondo segnale riguarda lo sviluppo, da parte dei prodotti AI, di controlli più efficaci sul lavoro attivo. Controlli utili potrebbero mostrare in un unico punto ogni agente in esecuzione, revisione in attesa, decisione irrisolta e output abbandonato.
Funzionalità di questo tipo tratterebbero l’attenzione umana come una risorsa limitata. Aiuterebbero i lavoratori a comprendere gli obblighi futuri creati da un nuovo prompt o da un’attività delegata.
Se i fornitori ottimizzeranno soprattutto per più agenti simultanei, più generazioni e più messaggi automatizzati, il sovraccarico resterà probabile. L’interfaccia incoraggerà l’espansione nascondendo al contempo i costi di completamento.
Il terzo segnale è rappresentato dalle evidenze longitudinali sull’intensità del lavoro. I ricercatori dovrebbero confrontare la durata della giornata lavorativa, l’ampiezza delle attività, il tempo di recupero e l’autonomia dei dipendenti prima e dopo un’adozione significativa dell’AI.
Una riduzione delle ore a fronte di una qualità stabile metterebbe in discussione la versione più forte dell’avvertimento di Manelius. Dimostrerebbe che il tempo risparmiato può restare effettivamente risparmiato in condizioni favorevoli.
Orari più lunghi, responsabilità più ampie o rilavorazioni in aumento rafforzerebbero la sua analisi. Suggerirebbero che i guadagni di produttività locali vengono assorbiti da aspettative in espansione.
I lavoratori della conoscenza non devono attendere questi risultati prima di esaminare i propri sistemi. Possono contare gli impegni attivi, individuare gli output in attesa di revisione e chiudere gli esperimenti che non rispondono più a una domanda importante.
L’obiettivo non è una scarsità artificiale. È un’allocazione deliberata. L’AI dovrebbe rendere più facile portare a termine il lavoro che vale la pena fare, non far sembrare obbligatorio ogni progetto possibile.
Questo è l’insegnamento duraturo alla base della produttività AI di Rick Manelius. Un’esecuzione più rapida cambia il punto in cui si trova il collo di bottiglia. Quando la generazione diventa abbondante, il giudizio e l’impegno diventano più preziosi.
Scegliete i progetti il cui completamento avrebbe importanza. Definite cosa significa averli conclusi prima di ampliarli. Poi usate l’AI per approfondire, preservare il contesto, verificare le ipotesi e ridurre il lavoro evitabile.
La questione aperta non è più se l’AI possa aiutarvi ad avviare più lavoro. Chiaramente può farlo. La domanda è se userete questa nuova capacità per moltiplicare gli obblighi o per completare i pochi impegni che vale la pena assumersi.
