Tesi di Rick Manelius sulla produttività con l'AI: la concentrazione batte il fare tutto

Rick Manelius ha pubblicato un avvertimento sulla produttività con l'AI il 26 luglio, dopo che la sua lista di progetti aveva raggiunto circa 40 proof of concept attivi. L'AI aveva reso più veloci le singole attività, eppure il suo carico di lavoro gli sembrava più frammentato. Invece di trasformare il tempo risparmiato in un po' di respiro, lo aveva convertito in ulteriori impegni.

La tesi di Rick Manelius sulla produttività con l'AI mette in discussione la promessa più allettante che circonda l'AI generativa. Un'esecuzione più rapida non crea automaticamente concentrazione, lavoro completato o giornate più brevi. Può semplicemente ridurre il costo di iniziare qualcosa di nuovo.

Questa distinzione conta perché gli assistenti AI rendono oggi insolitamente facile avviare bozze, prototipi, ricerche ed esperimenti. Claude, ChatGPT, Copilot e gli agenti di coding possono produrre progressi visibili in pochi minuti. Il lavoro umano più difficile inizia dopo quel primo output, quando qualcuno deve scegliere, verificare, rivedere, coordinare e concludere.

Manelius sostiene che la risposta preziosa sia verticale anziché orizzontale. I knowledge worker dovrebbero usare l'AI per approfondire un numero minore di progetti importanti, non disperdere l'attenzione su ogni nuova idea diventata accessibile. La sua testimonianza personale non è una ricerca controllata, ma individua un problema di produttività che i dati sul lavoro stanno iniziando a rivelare.

Un fondatore ha trasformato il tempo risparmiato in 40 progetti aperti

Il cambiamento immediato non è stato un nuovo modello o il lancio di un prodotto. È stato il racconto pubblico di come l'efficienza dell'AI abbia prodotto più lavoro incompiuto.

Manelius è un fondatore seriale che ha descritto di avere oltre 100 titoli e scalette di articoli. Aveva inoltre circa 50 potenziali progetti in attesa di tempo disponibile. L'AI generativa sembrava aver rimosso il vincolo che aveva tenuto inattive molte di quelle idee.

Ha iniziato ad affidare compiti a Claude durante intervalli di cinque minuti tra una riunione e l'altra. L'assistente poteva continuare a produrre materiale mentre lui passava alla chiamata successiva. I primi esperimenti hanno funzionato abbastanza bene da incoraggiarne un'ulteriore espansione.

Quel successo è diventato il problema. Bozze e prototipi più rapidi hanno alzato le sue aspettative sul numero di progetti che poteva sostenere. Alla fine si è ritrovato responsabile di circa 40 proof of concept, ciascuno dei quali richiedeva ulteriori decisioni e attenzione.

Nel suo racconto originale, Manelius descrive ogni progetto come un altro ciclo aperto. Un ciclo aperto è un impegno irrisolto che continua a competere per l'attenzione mentale. L'AI ha ridotto il lavoro necessario per aprire questi cicli senza eliminare il costo umano di chiuderli.

È una distinzione significativa per i knowledge worker. L'AI generativa spesso comprime la prima fase del lavoro, inclusi brainstorming, stesura, sintesi o realizzazione di un prototipo. Non comprime necessariamente tutte le fasi successive allo stesso ritmo.

Un articolo generato necessita comunque di revisione fattuale, giudizio strutturale, editing e pubblicazione. Un prototipo software necessita comunque di test, revisione della sicurezza, manutenzione e assistenza agli utenti. Un memo di ricerca necessita comunque della valutazione delle fonti e di una decisione da parte di qualcuno responsabile.

L'AI cambia quindi l'economia dell'avvio prima di cambiare l'economia della responsabilità. Iniziare diventa economico, mentre portare a termine rimane costoso. Quando il numero degli avvii cresce più rapidamente della capacità di completamento, l'utente accumula obblighi anziché libertà.

Manelius ha riassunto la propria correzione nel fare meno, ma meglio. Ha rimandato un altro articolo perché riteneva che avesse bisogno di diverse revisioni aggiuntive. Questa scelta illustra l'affermazione più profonda alla base del suo post.

Il nuovo collo di bottiglia non consiste più sempre nel produrre una prima versione plausibile. Consiste nel decidere quale versione meriti attenzione continuativa. Questa decisione non può essere delegata in sicurezza quando sono in gioco priorità, reputazione o conseguenze a lungo termine.

Questo rende la storia più ampia della lista di progetti affollata di un singolo fondatore. Lo stesso schema può emergere quando un dipendente redige dieci proposte, un manager avvia cinque analisi o uno sviluppatore genera diverse applicazioni. Ogni artefatto crea potenziale lavoro successivo, anche se produrlo è sembrato quasi privo di sforzo.

L'output dell'AI non equivale a valore completato. Il valore emerge quando l'output supera la verifica, raggiunge il destinatario previsto e produce un risultato utile. Una cartella in crescita di bozze plausibili può rappresentare inventario anziché progresso.

Manelius offre un nome chiaro per l'alternativa: concentrazione e capacità di portare a termine. La concentrazione limita quali impegni entrano nel sistema. La capacità di portare a termine fornisce il giudizio e lo sforzo continuativo necessari per portare gli impegni scelti oltre il traguardo.

L'avvertimento di Rick Manelius sulla produttività con l'AI si inserisce in una giornata lavorativa infinita

L'AI è arrivata in luoghi di lavoro che già premiano reattività, attività visibile e costante espansione dei progetti.

La telemetria sul luogo di lavoro di Microsoft offre una prospettiva utile su questo ambiente. La sua analisi afferma che i dipendenti che ricevono molti messaggi possono subire interruzioni ogni due minuti durante l'orario di lavoro principale. Il calcolo corrisponde a 275 riunioni, email o chat nell'arco di un'intera giornata per gli utenti più interrotti.

La stessa analisi della giornata lavorativa ha rilevato che le chat fuori orario erano aumentate del 15 percento su base annua. Ha inoltre segnalato una media di 58 messaggi ricevuti prima o dopo l'orario standard. Le riunioni iniziate dopo le 20:00 erano aumentate del 16 percento.

Queste misurazioni non dimostrano che l'AI abbia causato il lavoro frammentato. Mostrano che l'AI sta entrando in un sistema di attenzione già sotto pressione. Una produzione di contenuti più rapida può immettere più messaggi, riunioni, revisioni e decisioni in quel sistema.

Anche l'incentivo organizzativo è diretto. Quando un'attività richiede meno tempo, un'azienda raramente tratta ogni minuto risparmiato come tempo libero protetto. I manager possono aumentare le aspettative di output, i lavoratori possono offrirsi per fare di più e i concorrenti possono consegnare più rapidamente.

Un working paper del 2025 ha esaminato registri sull'uso del tempo fino al 2023 e ha raggiunto una conclusione correlata. Una maggiore esposizione professionale all'AI era associata a giornate lavorative più lunghe e meno tempo libero. Gli autori hanno sostenuto che l'AI spesso integra il lavoro umano, rendendo economicamente più prezioso il tempo di lavoro aggiuntivo.

Quella ricerca sull'estensione della giornata lavorativa non stabilisce ciò che sperimenterà ogni attuale utente di AI generativa. Il suo orizzonte temporale include forme più ampie di AI, mentre le pratiche lavorative continuano a cambiare. Ciononostante, mette in discussione l'assunto secondo cui la tecnologia che risparmia lavoro assegni automaticamente ai lavoratori il tempo risparmiato.

La pressione ricade in modo particolarmente duro sui knowledge worker perché il loro lavoro non ha un punto di arresto naturale. Un turno in magazzino finisce, ma un documento strategico può sempre aggiungere un altro scenario. Un prodotto può sempre ricevere un altro esperimento e una casella di posta può sempre generare un'altra risposta.

L'AI generativa amplia questo lavoro opzionale. Può proporre più campagne, idee di prodotto, analisi, domande per colloqui o varianti di design di quante una persona potrebbe sviluppare manualmente. Ogni opzione può sembrare preziosa se considerata isolatamente.

Il sovraccarico emerge a livello di portafoglio. Una persona potrebbe completare ogni attività assistita dall'AI più rapidamente, mentre fa avanzare troppi compiti in contemporanea. L'efficienza locale produce quindi congestione nell'intero sistema.

Questa è l'inversione centrale nell'argomento di Rick Manelius sulla produttività con l'AI. L'AI rimuove l'attrito dal creare cose, eppure parte di quell'attrito in precedenza proteggeva l'attenzione. Un avvio difficile costringeva le persone a decidere se un'idea meritasse l'investimento.

Quella barriera protettiva sta scomparendo. Chiunque può creare un rispettabile brief di progetto prima di colazione. Uno sviluppatore può produrre una codebase non familiare nel corso di un pomeriggio, mentre un marketer può generare settimane di varianti di campagna in una sola sessione.

Gli output creano domanda a valle. Qualcuno deve selezionare la campagna migliore, comprendere il codice generato, riconciliare le contraddizioni e decidere se il nuovo progetto supporti un obiettivo reale. Questi compiti dipendono dal contesto e dalla responsabilità.

Le aziende possono peggiorare il problema misurando l'adozione dell'AI attraverso l'attività. Il numero di prompt, i documenti generati e gli assistenti implementati sono facili da monitorare. Un minor numero di priorità completate, risultati più rapidi per i clienti o una migliore qualità decisionale richiedono misurazioni più attente.

Un lavoratore che genera 20 bozze può sembrare più impegnato di chi seleziona un'idea forte e la completa. La seconda persona può creare più valore, ma il suo processo produce meno attività AI visibile.

La cultura risultante può trasformare ogni ora risparmiata in un'altra richiesta. I dipendenti sperimentano quindi l'AI come un imperativo di accelerazione anziché come una fonte di autonomia. La macchina diventa più veloce, mentre l'essere umano rimane responsabile di ogni conseguenza.

Iniziare il lavoro è diventato economico, ma finirlo ha ancora un costo umano

L'AI generativa ha compresso la produzione più della selezione, della verifica, del coordinamento e della responsabilità.

I ricercatori hanno documentato reali guadagni di produttività in compiti delimitati. Uno studio influente ha esaminato 5.179 addetti all'assistenza clienti che utilizzavano un assistente di AI generativa. L'accesso ha aumentato in media del 14 percento i casi risolti all'ora.

I guadagni sono stati disomogenei. I lavoratori alle prime armi e meno qualificati sono migliorati del 34 percento, mentre i lavoratori esperti hanno ottenuto benefici minimi. Lo studio sugli addetti all'assistenza suggerisce che l'AI possa distribuire modelli appresi da colleghi con prestazioni migliori.

Questo risultato sostiene l'uso dell'assistenza AI. Rivela anche perché la definizione del compito conta. Il lavoro di assistenza clienti offre casi misurabili, flussi di lavoro consolidati e una chiara condizione di completamento.

Molti progetti di knowledge work non offrono questi confini. Un fondatore che decide se un concetto meriti un'azienda non può ottimizzare in base ai casi risolti all'ora. Un editor che decide se un'argomentazione sia pronta non può affidarsi alla sola velocità di stesura.

La ricerca sul coding racconta una storia simile, con le dovute cautele. Tre esperimenti sul campo che hanno coinvolto 4.867 sviluppatori software hanno rilevato un aumento del 26,08 percento delle attività completate tra i lavoratori dotati di un assistente AI per il coding. Gli sviluppatori meno esperti hanno mostrato una maggiore adozione e guadagni più ampi.

Anche in questo caso, le attività di sviluppo completate non eliminano i costi di integrazione. Il codice generato deve adattarsi all'architettura esistente, ai requisiti di sicurezza e alle pratiche di manutenzione. La creazione più rapida di funzionalità può aumentare la domanda di revisione in altre parti dell'organizzazione.

Gli agenti AI incontrano difficoltà anche quando il lavoro diventa simultaneo e interconnesso. I ricercatori di Microsoft hanno riferito che i principali agenti per l'uso del computer hanno raggiunto un tasso di completamento del 16,7 percento in un contesto con una sola attività. Il loro tasso è sceso all'8,7 percento sotto carichi multitasking.

La valutazione degli agenti del team ha utilizzato ambienti multi-orizzonte, che testano il lavoro interdipendente su diversi intervalli temporali. Il calo riflette un problema familiare ai responsabili di progetto umani: il progresso richiede più del completamento di azioni isolate.

Il lavoro reale comporta dipendenze. Una proposta commerciale dipende dal posizionamento approvato, dai dati aggiornati dei clienti e dal linguaggio legale. Il lancio di un prodotto dipende da codice testato, documentazione, preparazione dell'assistenza e una data di rilascio coordinata.

L'AI può accelerare parti di quella catena. Non può far sparire ogni dipendenza. Se una persona avvia più catene di quante l'organizzazione possa sostenere, il flusso complessivo può rallentare anche mentre le singole attività diventano più rapide.

Ecco perché portare a termine il lavoro merita lo stesso status della concentrazione. La concentrazione seleziona la catena che conta. Portare a termine il lavoro gestisce le dipendenze finché il risultato non raggiunge un vero cliente, collega, lettore o decisore.

La fase finale spesso richiede uno sforzo sproporzionato. Una bozza che sembra completa al 90 per cento può ancora contenere affermazioni non supportate, transizioni deboli o decisioni poco chiare. Un prototipo può sembrare funzionante pur non avendo l'affidabilità necessaria per la produzione.

Manelius ha usato la differenza visiva tra un'eclissi parziale e una totale per descrivere questo divario. La metafora non dovrebbe diventare una formula universale di qualità. Alcuni compiti richiedono davvero una risposta rapida e adeguata, anziché una rifinitura esaustiva.

Tuttavia, la metafora si adatta al lavoro in cui contano fiducia e coerenza. Una migrazione di clienti quasi completata può comunque fallire. Un memo per dirigenti in gran parte accurato può comunque portare a una decisione sbagliata. Un'applicazione quasi sicura resta insicura.

L'AI rende più facile confondere la completezza visibile con la prontezza operativa. Un testo fluido sembra finito, anche quando le sue fonti restano incerte. Le interfacce generate sembrano funzionali, anche quando i casi limite non sono stati testati.

I knowledge worker hanno quindi bisogno di una definizione più rigorosa di completamento. Un progetto non è completo quando il modello smette di generare. È completo quando qualcuno verifica il risultato, risolve le dipendenze critiche e lo consegna alla destinazione prevista.

Un sistema personale di gestione della conoscenza può supportare questo processo preservando il contesto e riducendo le ricerche ripetute. Per esempio, una base di conoscenza personale può mantenere connesse decisioni, fonti e cronologia del progetto. Non può decidere quale progetto meriti la priorità.

Questo confine è importante. Un recupero delle informazioni migliore può ridurre l'attrito di coordinamento, ma dovrebbe servire un portafoglio limitato. Altrimenti, una migliore organizzazione aiuta semplicemente una persona a gestire una collezione più ampia di impegni incompiuti.

Concentrazione e capacità di portare a termine il lavoro battono la produttività AI orizzontale

La risorsa scarsa si sta spostando dalla capacità produttiva alla capacità di dirigere e sostenere l'attenzione.

I sistemi di produttività tradizionali spesso presuppongono che il lavoro arrivi dall'esterno. Aiutano gli utenti a registrare gli obblighi, ordinarli ed eseguirli in modo efficiente. L'AI generativa modifica questo modello perché lo strumento può creare nuovo lavoro con la stessa rapidità con cui aiuta a completare quello esistente.

Chiedete a un assistente idee per la crescita e può restituirne decine. Richiedete opportunità di funzionalità e può produrre una roadmap. Chiedete direzioni di ricerca e può generare abbastanza domande da occupare un team.

L'utente ora ha bisogno di una politica di ammissione per il lavoro. Ogni nuovo progetto dovrebbe competere per un'attenzione limitata prima che l'AI riceva il permesso di espanderlo. Senza questo filtro, la generazione di idee diventa una fonte automatizzata di espansione dell'ambito.

Questa è la strategia di produttività verticale all'interno della tesi di Rick Manelius sulla produttività dell'AI. L'utente sceglie un piccolo numero di risultati significativi, quindi applica ripetutamente l'AI entro quei confini. Lo strumento approfondisce l'esecuzione invece di ampliare il portafoglio attivo.

Per un product manager, ciò potrebbe significare usare l'AI per sintetizzare interviste, mettere alla prova un'ipotesi, redigere una specifica e preparare una decisione. Tutti e quattro i compiti servono un'unica domanda di prodotto.

L'alternativa orizzontale genererebbe specifiche per diverse funzionalità non correlate, perché ora ciascuna sembra sostenibile. Questo approccio crea più revisioni da parte degli stakeholder, dipendenze, metriche e obblighi di manutenzione.

Per uno scrittore, l'uso verticale potrebbe combinare ricerca, confronto delle fonti, critica strutturale e editing attorno a un solo articolo. L'uso orizzontale potrebbe produrre diverse bozze superficiali in competizione per lo stesso tempo di pubblicazione e la stessa energia editoriale.

Per un ingegnere, l'uso verticale potrebbe includere debugging, generazione di test, documentazione e code review per un'unica release definita. L'uso orizzontale potrebbe creare diversi servizi sperimentali senza un responsabile chiaro né un piano di dismissione.

Concentrarsi non significa rifiutare l'esplorazione. Significa separare l'esplorazione dall'impegno. Un esperimento a basso costo può rispondere a una domanda definita, ma il suo risultato dovrebbe innescare una decisione deliberata di continuare, sospendere o fermarsi.

Quel punto decisionale impedisce ai prototipi di diventare obblighi permanenti sullo sfondo. Contrasta anche l'attrazione psicologica del progresso visibile. L'output generato sembra produttivo perché crea qualcosa di concreto, anche quando non fa avanzare l'obiettivo principale.

Portare a termine il lavoro richiede attenzione protetta dopo quella decisione. L'AI può aiutare a preparare il lavoro, ma gli esseri umani hanno ancora bisogno di periodi ininterrotti per esercitare il giudizio. Alternare continuamente tra progetti indebolisce il contesto necessario per notare errori e compromessi sottili.

I dati di Microsoft sulle interruzioni fanno sembrare difficile soddisfare questo requisito. Eppure l'AI può aiutare a difendere la concentrazione quando elabora materiale di routine all'interno di un flusso di lavoro scelto. La stessa tecnologia che crea più opzioni può riassumere aggiornamenti, recuperare decisioni precedenti o preparare un brief con vincoli definiti.

La differenza sta in chi controlla la coda. Se ogni messaggio, idea e suggerimento generato diventa un'attività, l'AI accelera la frammentazione. Se una priorità chiara controlla ciò che l'assistente elabora, l'AI può ridurre il rumore attorno a quel risultato.

La combinazione della conoscenza, che unisce informazioni provenienti da diverse fonti pertinenti, è utile in queste condizioni. Un sistema come knowledge blending può riunire un contesto disperso in un'unica risposta. L'utente deve comunque definire la decisione che quella risposta dovrebbe supportare.

Le organizzazioni hanno bisogno della stessa disciplina su scala più ampia. I leader dovrebbero identificare quali flussi di lavoro meritano un'accelerazione prima di distribuire agenti in ogni reparto. Dovrebbero inoltre decidere dove finirà il tempo risparmiato.

Se un'azienda si aspetta che tutto il tempo risparmiato si trasformi in maggiore output, i dipendenti inizieranno razionalmente più lavoro. Se protegge una parte della capacità per revisione e recupero, i guadagni dell'AI possono migliorare sia la qualità sia la sostenibilità.

Le metriche dovrebbero rafforzare il completamento. I team possono monitorare l'età del lavoro in corso, il numero di progetti attivi, i risultati completati per i clienti, i tassi di revisione e i prototipi abbandonati. Questi segnali rivelano se l'AI sta migliorando il flusso o aumentando l'inventario.

Un numero inferiore di progetti non indica necessariamente minore ambizione. Può indicare che un team ha concentrato le proprie risorse dove il completamento conta. Il test pratico è se un minor numero di impegni produce risultati più solidi.

L'affermazione sul burnout richiede più dell'esperienza di un singolo fondatore

Manelius individua un meccanismo credibile, ma il suo resoconto non dimostra che l'uso dell'AI causi burnout.

L'Organizzazione mondiale della sanità definisce il burnout come un fenomeno occupazionale derivante da stress cronico sul lavoro non gestito con successo. Le sue tre dimensioni comprendono esaurimento, maggiore distacco o cinismo e ridotta efficacia professionale.

Quella definizione di burnout si applica specificamente al lavoro. Manelius ha discusso sia dell'attività in startup sia di progetti personali paralleli. La sua esperienza può somigliare al burnout senza corrispondere a ogni elemento della definizione occupazionale.

Anche le sue stime di efficienza richiedono cautela. Ha scritto che l'AI può rendere alcuni compiti da due a 100 volte più veloci. Queste cifre descrivono un intervallo ampio, anziché un risultato misurato nel suo portafoglio di progetti.

I guadagni affidabili variano nettamente a seconda del compito, del lavoratore, del modello e della soglia di qualità. Una prima bozza può arrivare molto più velocemente, mentre la verifica può annullare parte di quel risparmio. Alcuni compiti complessi restano al di fuori delle capacità affidabili di un modello.

Le prove mostrano anche che l'AI può ridurre il lavoro anziché ampliarlo. Un esperimento sul campo randomizzato condotto in 66 aziende e su 7.137 knowledge worker ha esaminato uno strumento di AI integrato con e-mail, riunioni e scrittura.

Tra i lavoratori trattati che hanno usato lo strumento, i partecipanti hanno trascorso due ore in meno ogni settimana sulle e-mail durante la seconda metà dell'esperimento. Hanno inoltre ridotto il lavoro al di fuori dell'orario regolare. I ricercatori non hanno rilevato cambiamenti più ampi nella quantità o nella composizione dei compiti.

Questi risultati indeboliscono qualsiasi affermazione secondo cui l'AI generativa crei inevitabilmente sovraccarico. Suggeriscono che gli strumenti integrati possono restituire tempo quando applicati al lavoro esistente. Mostrano inoltre che l'accesso individuale allo strumento non riorganizza automaticamente le pratiche a livello di team.

La variabile importante potrebbe essere ciò che accade dopo il risparmio di tempo. Un lavoratore può proteggere quel tempo, mentre un altro avvia tre nuovi progetti. Un manager può ridurre il carico amministrativo, mentre un altro aumenta gli obiettivi di output.

L'autonomia personale conta, ma conta anche il potere organizzativo. I dipendenti potrebbero non controllare se il tempo risparmiato diventa recupero, lavoro più approfondito o un altro incarico. I mercati competitivi e i sistemi di valutazione delle prestazioni influenzano il modo in cui vengono distribuiti i guadagni di produttività.

Anche il tipo di progetto modifica il rischio. L'assistenza clienti offre lavoro ricorrente con una chiusura. Imprenditorialità, scrittura e sviluppo di prodotto contengono un ambito opzionale quasi illimitato. L'AI può stimolare molto più lavoro potenziale in questi campi aperti.

C'è un'altra controargomentazione. Pubblicare più esperimenti può essere razionale quando l'incertezza è elevata. Le startup spesso imparano testando diverse idee e l'AI riduce il costo di raccogliere queste prove.

Il problema non è soltanto il numero di esperimenti. È l'assenza di regole di interruzione esplicite. Un esperimento dovrebbe avere una domanda, un budget limitato e una data di decisione. Senza questi controlli, l'esplorazione diventa un portafoglio in espansione di obblighi vaghi.

Il perfezionismo presenta un rischio correlato. Manelius sostiene che sui progetti importanti valga la pena sostenere il costo dell'ultimo uno per cento. Questo principio può migliorare il lavoro con conseguenze rilevanti, ma può anche ritardare la consegna quando gli utenti trarrebbero beneficio da una versione precedente.

Concentrazione e capacità di portare a termine il lavoro non dovrebbero significare rifinire tutto indefinitamente. Dovrebbero significare selezionare la soglia di qualità appropriata prima che il lavoro inizi. Un'analisi privata, un saggio pubblico, un flusso di lavoro medico e una decisione finanziaria richiedono livelli diversi di garanzia.

La versione più solida dell'argomento è quindi condizionale. L'AI può aumentare il sovraccarico quando gli utenti reinvestono ogni guadagno di efficienza in impegni aggiuntivi. Può ridurre il sovraccarico quando limitano il lavoro in corso e proteggono il tempo restituito.

Questa formulazione mantiene utile l'avvertimento di Rick Manelius sulla produttività dell'AI senza trattare una singola esperienza come prova universale. La sua storia fornisce il meccanismo. Gli studi sul posto di lavoro mostrano che i risultati dipendono dai confini dei compiti, dalle scelte manageriali e dal controllo dei lavoratori.

Tre segnali mostreranno se l'AI supporta un lavoro migliore

La prossima fase della produttività dell'AI sarà giudicata dai risultati completati, dalle ore di lavoro e dalle prestazioni in condizioni reali di multitasking.

Il primo segnale è se le organizzazioni inizieranno a misurare il lavoro in corso anziché l'output generato. Le dashboard di adozione oggi rendono facile celebrare prompt, utilizzo degli assistenti o documenti creati. Queste metriche dicono poco sul valore completato.

Un sistema di misurazione più solido collegherebbe l'uso dell'AI a tempo di ciclo, risultati per i clienti, difetti e numero di progetti attivi. Se questi risultati migliorano mentre il lavoro in corso resta sotto controllo, la tesi della concentrazione ottiene sostegno.

Se le aziende segnalano più materiale generato senza un completamento più rapido, l'avvertimento diventa più forte. L'AI starebbe allora ampliando l'inventario organizzativo anziché aumentare il throughput utile.

Il secondo segnale è se il tempo risparmiato accorcia la giornata lavorativa. La ricerca indica già direzioni opposte. Un esperimento sul campo ha rilevato meno tempo dedicato alle e-mail e una riduzione del lavoro fuori orario, mentre la ricerca sull'uso del tempo ha associato l'esposizione all'AI a orari più lunghi.

La futura telemetria sul lavoro potrà chiarire quale modello stia diventando dominante. Messaggi fuori orario, attività nei fine settimana, volume delle riunioni e tempo di concentrazione senza interruzioni offrono tutte prove migliori rispetto alla sola velocità dichiarata dagli stessi lavoratori.

Un calo delle attività fuori orario mostrerebbe che le organizzazioni stanno consentendo ai dipendenti di conservare parte dei guadagni di efficienza. Una continua espansione suggerirebbe invece che la capacità offerta dall'AI viene assorbita da aspettative crescenti.

Il terzo segnale riguarda il modo in cui gli agenti operano lungo flussi di lavoro lunghi e interconnessi. Le dimostrazioni su singoli compiti possono far apparire l'autonomia quasi completa. Il valore sul posto di lavoro dipende dalla capacità degli agenti di mantenere il contesto, gestire le dipendenze e recuperare dagli errori in modo sicuro.

Il calo riportato dal 16,7% di completamento all'8,7% sotto carico multitasking illustra il divario attuale. Prestazioni migliori permetterebbero all'AI di portare avanti più attività fino alla conclusione, anziché limitarsi a produrre più materiale iniziale.

Questo miglioramento non eliminerebbe il giudizio umano. Cambierebbe il punto del processo in cui il giudizio interviene. Le persone potrebbero supervisionare risultati ed eccezioni, mentre gli agenti gestirebbero un maggiore coordinamento tra flussi di lavoro definiti.

Finché questa affidabilità non emergerà, i knowledge worker dovrebbero considerare ogni progetto generato dall'AI come un futuro impegno di attenzione. Il primo output è un invito, non un risultato completato.

La domanda pratica non è più se l'AI possa renderti più veloce. Chiaramente può farlo in molti compiti circoscritti. La domanda è se quella velocità faccia avanzare un risultato scelto o crei un altro ciclo aperto.

Prima di chiedere a un assistente di avviare qualcosa di nuovo, individua l'impegno che sostituirà. Definisci cosa significa completato, chi è responsabile della verifica e quando il lavoro si fermerà. Poi usa l'AI per far avanzare ulteriormente quel progetto selezionato.

I nuovi superpoteri dell'AI non sono la generazione infinita e il movimento costante. Sono la capacità di scegliere cosa merita attenzione, preservarne il contesto e portarlo a termine con cura. Quale progetto incompiuto chiuderai prima di aprirne un altro?