Avvertimento di Rick Manelius sulla produttività dell’AI: concentrazione e continuità contano più dell’output

Rick Manelius ha trasformato la velocità dell’AI in circa 40 progetti di proof of concept attivi, per poi scoprire che l’esecuzione più rapida aveva creato un nuovo problema di burnout. Nel suo saggio del 26 luglio, riformula il tema della produttività dell’AI secondo Rick Manelius attorno a un conflitto netto. L’AI generativa può ridurre il lavoro richiesto da una singola attività, ma allo stesso tempo spingere le persone ad avviare più lavoro di quanto riescano a portare responsabilmente a termine.

Questa distinzione conta perché la maggior parte dei programmi di AI sul lavoro misura ancora l’attività. Conta prompt, documenti generati, ticket completati, minuti risparmiati e passaggi automatizzati. Questi numeri possono rivelare utili guadagni di efficienza, ma dicono poco sul fatto che un progetto importante abbia raggiunto un risultato duraturo.

Manelius propone una coppia diversa di vantaggi: concentrazione e continuità. L’AI rende più semplice creare bozze, prototipi, piani e opzioni. La capacità umana scarsa consiste nel decidere quale opzione meriti attenzione costante e poi accompagnarla fino alle costose fasi finali.

L’avversario non è un altro modello di AI. È la mentalità espansiva che circonda l’adozione dell’AI, in cui ogni ora risparmiata diventa il permesso di aprire un altro progetto. La promessa è una capacità maggiore. La realtà emergente è spesso un campo più ampio di lavoro incompiuto, più cambi di contesto e minore fiducia su ciò che merita attenzione.

Il boom della produttività dell’AI ha creato più cicli aperti

Il cambiamento immediato non è che l’AI sia diventata più veloce. È che la creazione a basso costo ha reso l’autocontrollo più prezioso.

Nel suo saggio su focus e followthrough, Manelius descrive un modello familiare ai knowledge worker ambiziosi. Prima dell’AI generativa, le idee restavano in una lista del tipo “un giorno” perché produrre una prima versione credibile richiedeva troppo tempo. L’AI ha abbassato quel costo iniziale.

Manelius aveva più di 100 titoli e scalette di articoli in bozza, oltre a circa 50 potenziali progetti. Quando Claude ha potuto lavorare nei brevi intervalli tra una riunione e l’altra, alcune idee trascurate sono diventate praticabili. I primi risultati lo hanno incoraggiato ad avviare ancora più esperimenti.

All’inizio l’approccio sembrava riuscito. Un prompt di cinque minuti poteva avviare una ricerca, generare testi, delineare un prodotto o far progredire un prototipo. Ogni successo rendeva il progetto successivo apparentemente sostenibile.

Quel calcolo ometteva il costo della gestione. Un prototipo richiede revisione, correzione, posizionamento, manutenzione e una decisione sul suo futuro. Una bozza di articolo richiede fact-checking, revisione strutturale, editing e distribuzione. Un piccolo esperimento può creare una lunga catena di obblighi successivi.

Manelius alla fine ha contato circa 40 progetti di proof of concept in corso. Descrive ciascuno come un ciclo aperto, cioè un impegno irrisolto che continua a richiedere attenzione. L’AI aveva ridotto lo sforzo necessario per iniziare, lasciandogli però la responsabilità di tutto ciò che seguiva.

I moltiplicatori di produttività da lui riportati, da due a cento volte, sono stime personali e non misurazioni verificate in modo indipendente. Il moltiplicatore preciso è meno importante dell’asimmetria che lo sottende. L’AI può comprimere un passaggio di produzione isolato senza comprimere nella stessa misura giudizio, coordinamento, responsabilità o cura.

È qui che il dibattito sulla produttività dell’AI spesso perde contatto con il lavoro reale. Generare un risultato plausibile non equivale a completare la responsabilità sottostante. Una bozza può sembrare finita mentre restano senza risposta domande su accuratezza, pubblico, responsabilità e conseguenze.

Si pensi a un product manager che usa l’AI per trasformare le note delle interviste in dieci concetti di funzionalità. La fase di generazione richiede pochi minuti. Il manager deve ancora confrontare le prove, comprendere i segmenti di clientela, testare le ipotesi, coordinarsi con il team di ingegneria, scartare le idee deboli e difendere la priorità finale.

Un software engineer affronta lo stesso schema. Un assistente può generare rapidamente diverse implementazioni, ma ognuna introduce esigenze di revisione e manutenzione. Più codice può significare più test, dipendenze, esposizione alla sicurezza e decisioni architetturali.

Il risultato è una coda che cresce più rapidamente dell’attenzione umana. Iniziare diventa quasi privo di attrito, quindi fermarsi sembra irrazionale. Eppure ogni nuovo elemento compete con gli impegni esistenti per lo stesso calendario e le stesse risorse cognitive.

Il vecchio collo di bottiglia era spesso la produzione. Il nuovo collo di bottiglia è la chiusura.

Questo non rende inefficace l’AI generativa. Significa che i guadagni di efficienza devono essere misurati lungo un workflow completo. Se uno strumento fa risparmiare un’ora nella stesura ma crea diverse ore di revisione e coordinamento, il vantaggio locale sovrastima il beneficio finale.

Una misura utile della produttività chiede quindi se il lavoro abbia raggiunto un punto d’arrivo significativo. La decisione è stata presa, il prodotto è stato adottato, il cliente è stato aiutato o l’articolo è stato considerato affidabile? I conteggi dell’output non possono rispondere da soli a queste domande.

La produttività dell’AI secondo Rick Manelius incontra la giornata lavorativa infinita

L’AI può aumentare la capacità di svolgere attività senza ampliare la capacità umana di scegliere, cambiare contesto, recuperare energie e restare responsabili.

Le evidenze supportano già l’affermazione più circoscritta secondo cui l’AI generativa migliora le prestazioni in determinati compiti. Uno studio sul campo del NBER ha seguito 5.179 addetti all’assistenza clienti dopo l’introduzione di un assistente AI. L’accesso allo strumento ha aumentato in media del 14 percento i problemi risolti all’ora.

I guadagni non sono stati uniformi. I lavoratori principianti e meno qualificati sono migliorati del 34 percento, mentre i lavoratori esperti e altamente qualificati hanno registrato effetti minimi. Lo studio sul campo nel luogo di lavoro suggerisce che l’AI possa diffondere pratiche apprese dai performer più forti, aiutando i dipendenti più nuovi a progredire più rapidamente.

Un esperimento separato che ha coinvolto 758 consulenti ha rilevato benefici sostanziali quando le attività rientravano nei confini delle capacità dell’AI. I partecipanti con GPT-4 hanno completato più sottoattività, lavorato circa il 25 percento più velocemente e prodotto elaborati che i valutatori hanno giudicato di qualità superiore.

Tuttavia, le prestazioni sono peggiorate in un compito al di fuori di quel confine. I ricercatori hanno definito questo limite diseguale la frontiera tecnologica frastagliata, ossia il fatto che la competenza dell’AI possa variare nettamente tra attività apparentemente di difficoltà simile. L’esperimento nella consulenza ha rilevato che il giudizio umano rimaneva essenziale per riconoscere quale lavoro fosse al di fuori della zona affidabile.

Questi studi convalidano guadagni reali, ma nessuno dei due afferma che i lavoratori dovrebbero moltiplicare i propri impegni. Completare più rapidamente un’interazione di assistenza circoscritta è diverso dal possedere contemporaneamente decine di progetti incerti. Il secondo caso introduce costi di prioritizzazione e cambi di contesto che un benchmark su una singola attività non coglie.

Le condizioni di lavoro rendono già questi costi difficili da assorbire. Microsoft ha analizzato attività aggregate di Microsoft 365 e ha riferito che gli utenti più interrotti ricevevano una notifica di riunione, email o chat ogni due minuti durante l’orario principale. La stima giornaliera più ampia è arrivata a 275 interruzioni.

La stessa analisi ha rilevato che il 60 percento delle riunioni era non pianificato o ad hoc. Le chat inviate al di fuori dell’orario standard erano aumentate del 15 percento su base annua, mentre le riunioni iniziate dopo le 20:00 erano aumentate del 16 percento. Microsoft definisce questo modello la giornata lavorativa infinita.

Le misurazioni riflettono la base clienti di Microsoft e specifiche definizioni telemetriche. Non dovrebbero essere considerate un ritratto universale di ogni dipendente. Tuttavia, descrivono l’ambiente in cui molti knowledge worker ora aggiungono attività generate dall’AI.

I sistemi generativi possono diventare un’altra fonte di interruzione anche quando eliminano lavoro manuale. Ogni risposta generata richiede una valutazione. Ogni esecuzione di un agente produce un risultato, un’eccezione o una domanda. Ogni esperimento a basso costo crea un’altra possibile direzione.

Il costo cognitivo aumenta perché gli esseri umani non passano da un progetto complesso all’altro senza attrito. L’American Psychological Association sintetizza ricerche che mostrano come il cambio di attività rallenti le prestazioni e aumenti gli errori. La mente deve cambiare obiettivi, attivare regole diverse e ricostruire lo stato del lavoro interrotto.

Questi costi di cambio aumentano man mano che le attività diventano più complesse o poco familiari. Questo è particolarmente rilevante per i progetti collaterali assistiti dall’AI, in cui una persona potrebbe alternare coding, ricerca di mercato, scrittura, design e scoperta dei clienti nell’arco di un’ora.

Il problema non riguarda soltanto i secondi persi. I cambi frequenti alterano la natura del lavoro. Le persone dedicano più tempo a ricaricare il contesto, controllare lo stato e decidere cosa riprendere. Dedicano meno tempo a seguire una linea di ragionamento finché non diventa coerente.

Un sistema personale di conoscenza può ridurre parte del lavoro di ricostruzione preservando fonti, decisioni e contesto del progetto. Un AI second brain ricercabile aiuta le persone a recuperare ciò che sapevano. Non può decidere quale impegno debba ricevere la prossima ora senza interruzioni.

Quella decisione rimane umana. L’AI può aumentare il numero di mosse disponibili, ma è ancora l’attenzione a determinare quale mossa diventi significativa.

Il vero superpotere dell’AI è il progresso verticale

Il miglior uso della generazione più rapida è approfondire il lavoro importante, non ampliare il portafoglio di lavoro incompiuto.

Manelius descrive la scelta come produttività orizzontale contro produttività verticale. La produttività orizzontale usa il tempo risparmiato per avviare più progetti. La produttività verticale lo usa per avanzare ulteriormente nello stesso progetto.

La distinzione è più utile di un semplice dibattito sul fatto che l’AI faccia risparmiare tempo. Entrambe le strategie possono produrre output visibile. Solo la strategia verticale riserva capacità sufficiente per selezione, revisione, verifica e completamento.

Questo conta perché le prime fasi del knowledge work sono diventate insolitamente economiche. Un modello può generare dieci titoli, tre concetti di prodotto, un riepilogo di riunione e una bozza di strategia prima che una persona abbia esaminato il primo risultato. L’abbondanza dà la sensazione di progresso perché gli artefatti sono concreti.

Eppure il valore spesso si concentra verso la fine. Una raccomandazione credibile emerge dopo che le opzioni deboli sono state eliminate. Una funzionalità affidabile emerge dopo che i casi limite sono stati testati. Un articolo solido emerge dopo che le affermazioni sono state verificate e l’argomentazione ha superato la revisione.

Manelius lo illustra con un articolo che giudicava di qualità intorno a B o B meno. Invece di pubblicarlo rapidamente, si è fermato e ha dedicato altre due o tre revisioni mirate. Questa scelta ha ridotto l’output immediato, aumentando al contempo lo standard a cui puntava.

Collega la decisione alla differenza tra un’eclissi solare parziale e una totale. Passare dal 99 percento di copertura alla totalità sembra un miglioramento di un solo punto, eppure l’esperienza dell’osservatore cambia drasticamente. Sostiene che prodotti e opere creative amati spesso conquistino il proprio impatto grazie a un incremento finale equivalente.

L’analogia è soggettiva e non significa che ogni attività meriti la perfezione. Una normale email interna non dovrebbe richiedere la stessa attenzione di una raccomandazione medica o del lancio di un prodotto. La lezione operativa è adeguare lo sforzo di completamento alle conseguenze.

L’AI modifica questa allocazione in due modi. Primo, può rimuovere passaggi produttivi a basso valore dai progetti selezionati. Secondo, può inondare il lavoratore di alternative plausibili che competono per il tempo risparmiato.

Il focus guida la prima decisione. Quale risultato merita la scarsa attenzione umana disponibile? Il follow-through guida la seconda. Cosa deve accadere dopo la generazione affinché quel risultato diventi affidabile, adottato e completo?

Un ricercatore potrebbe usare l'AI per riassumere articoli, confrontare la terminologia e proporre ipotesi. Il progresso verticale inizia quando il ricercatore riconduce le affermazioni alle prove primarie, individua le contraddizioni e sviluppa un'interpretazione che resiste al vaglio critico.

Un responsabile vendite potrebbe generare contatti personalizzati per centinaia di account. Il progresso verticale significa identificare gli account giusti, convalidare il contesto, coordinare il follow-up e imparare dalle risposte effettive. Inviare più messaggi è attività orizzontale, a meno che non migliori le conversazioni qualificate.

Un team di prodotto potrebbe generare concetti di interfaccia durante la notte. Il progresso verticale richiede di osservare gli utenti, scegliere un design, gestire l'accessibilità, risolvere i vincoli ingegneristici e misurare il comportamento dopo il rilascio. La sola generazione di immagini non completa la decisione di prodotto.

Questa impostazione chiarisce anche perché il follow-through non è sinonimo di perseveranza. Continuare ciecamente un progetto debole spreca capacità. Un follow-through efficace include l'annullamento esplicito quando le prove non supportano più il lavoro.

L'obiettivo è avere meno cicli non gestiti, non il completamento obbligatorio di ogni idea. Un progetto dovrebbe concludersi con la consegna, la delega, il rinvio deliberato o l'annullamento. Lasciarlo psicologicamente attivo senza una decisione è lo stato costoso.

Le organizzazioni possono rafforzare questo comportamento attraverso limiti di portafoglio. I team possono restringere il numero di esperimenti attivi, richiedere responsabili per le iniziative generate dall'AI e definire criteri di uscita prima dell'inizio del lavoro. Questi controlli trasformano l'abbondanza dell'AI in una pipeline gestita.

Spingono inoltre la valutazione dal volume ai risultati. Un team potrebbe monitorare le decisioni completate, i problemi dei clienti risolti, gli esperimenti chiusi o i miglioramenti adottati. Queste misure rendono visibile l'inventario incompiuto.

Per i singoli, il meccanismo può rimanere semplice. Catturare le idee senza attivarle tutte. Separare un elenco di possibilità da un elenco di progetti attivi. Assegnare al lavoro corrente una chiara prossima azione e una definizione esplicita di completamento.

Un sistema come remio può supportare questo confine mantenendo disponibili le prove di progetto e le decisioni precedenti tramite il knowledge blending. Il sistema riduce la necessità di ricreare il contesto tra informazioni locali. L'utente deve comunque decidere quale progetto entra nell'insieme attivo.

I nuovi superpoteri dell'AI sono quindi manageriali prima che tecnici. Implicano il rifiuto di opzioni allettanti, la protezione del tempo ininterrotto e il restare sul lavoro dopo la fine dell'entusiasmante fase di generazione.

Focus e Follow-through Non Risolvono da Soli il Burnout

La tesi del focus è utile, ma diventa fuorviante quando il burnout viene trattato solo come un fallimento personale nel definire le priorità.

Manelius presenta la sua esperienza come un problema di espansione creato da lui stesso. Ha usato l'AI per ridurre il lavoro necessario, poi ha riempito lo spazio liberato con lavoro aggiuntivo. Ridurre i progetti attivi è stata una risposta ragionevole a quel modello specifico.

Non tutti i knowledge worker controllano il carico di lavoro allo stesso modo. I dipendenti possono trovarsi di fronte a riunioni obbligatorie, scadenze sovrapposte, carenza di personale, priorità vaghe e manager che considerano un output più rapido una ragione per aumentare gli obiettivi. Il focus personale non può eliminare gli impegni imposti da un'organizzazione.

L'Organizzazione Mondiale della Sanità definisce il burnout come un fenomeno occupazionale derivante da stress cronico sul posto di lavoro che non è stato gestito con successo. Le sue tre dimensioni includono esaurimento, maggiore distanza mentale o cinismo e ridotta efficacia professionale.

Quella definizione di burnout è importante perché colloca il problema nell'ambito della progettazione del lavoro. Non classifica il burnout come una condizione medica e non riduce la causa al numero di ore lavorate.

L'indicatore Gallup sui dipendenti statunitensi ha riportato che il 27 percento dei lavoratori si sentiva in burnout molto spesso o sempre nel maggio 2026. Il dato da solo non dimostra che l'AI abbia causato il burnout. Mostra che una pressione significativa persiste nel periodo in cui l'adozione dell'AI sul lavoro è in espansione.

L'AI può ridurre la pressione quando gestisce il lavoro ripetitivo, migliora l'accesso alle informazioni o aiuta un principiante a completare un compito difficile. Può aumentare la pressione quando i leader usano il tempo risparmiato per alzare le aspettative senza rimuovere le responsabilità precedenti.

Questo è l'effetto rimbalzo della produttività. Quando un'unità di lavoro diventa meno costosa, la domanda per quell'attività può aumentare. I dipendenti non ricevono il tempo risparmiato perché l'organizzazione lo converte in maggiore produttività.

Lo stesso effetto appare a livello personale. Uno scrittore che può redigere testi cinque volte più velocemente potrebbe pianificare cinque volte più articoli. Il lavoro restante, compresi giudizio, revisione, promozione e risposta del pubblico, non accelera necessariamente allo stesso ritmo.

C'è un altro rischio. Il “follow through” può diventare un'etichetta rispettabile per il superlavoro. Una persona può continuare a rifinire perché gli standard non sono chiari, le critiche sembrano pericolose o l'organizzazione premia il sacrificio visibile. La disciplina del completamento necessita di una regola di arresto.

L'analogia dell'eclissi evidenzia il valore dell'ultimo uno percento, ma non se ne può ignorare il costo. Manelius stima che questo incremento finale possa consumare dal 50 al 90 percento del tempo totale del progetto. Si tratta del suo giudizio qualitativo, non di un rapporto misurato a livello di settore.

Alcuni risultati giustificano questo investimento. Il software critico per la sicurezza, la ricerca con conseguenze rilevanti e le affermazioni pubbliche necessitano di una revisione rigorosa. Altri compiti guadagnano poco da un ulteriore ciclo di rifinitura. Il focus senza proporzionalità diventa perfezionismo.

Il quadro migliore combina limiti di progetto con standard di qualità basati sulle conseguenze. I team dovrebbero identificare quale lavoro necessita di una profondità eccezionale, quale di un'affidabilità adeguata e quale dovrebbe essere automatizzato o abbandonato. L'AI non dovrebbe appiattire queste categorie.

Anche i manager devono eliminare lavoro, non limitarsi a raccomandare abitudini migliori. Se un nuovo assistente riduce il tempo di preparazione dei report, i leader dovrebbero decidere se il tempo dedicato ai report diminuisce, se la qualità dell'analisi aumenta o se cresce il volume dei report. Consentire l'aumento di tutte e tre le aspettative invita al sovraccarico.

Anche una chiara responsabilità è importante. Gli agenti AI possono eseguire passaggi, ma gli esseri umani restano responsabili della maggior parte dei risultati sul lavoro. Quando il lavoro generato passa tra diversi sistemi e revisori, la responsabilità può diventare ambigua. L'ambiguità crea più controlli, non meno.

La conclusione scettica non è che il focus fallisca. È che il focus deve esistere sia a livello individuale sia organizzativo. I lavoratori possono limitare gli impegni auto-generati, mentre i leader limitano le priorità concorrenti e definiscono un completamento accettabile.

Senza questo secondo livello, la tesi sulla produttività AI di Rick Manelius rischia di diventare un'altra richiesta rivolta a dipendenti esausti. Ci si aspetterebbe che generassero di più, stabilissero meglio le priorità, verificassero tutto e proteggessero la propria salute nello stesso ambiente frammentato.

Cosa Dovrebbero Osservare i Knowledge Worker

La prossima fase della produttività AI sarà giudicata in base ai risultati completati, ai confini del carico di lavoro e ai tassi di errore, piuttosto che al volume generato.

Il primo segnale è se i datori di lavoro inizieranno a misurare i risultati end-to-end. Le attuali dashboard di adozione spesso enfatizzano l'accesso agli strumenti, gli utenti attivi, i prompt o il risparmio di tempo stimato. Queste metriche mostrano l'implementazione, ma non se il lavoro sia diventato più utile.

Un sistema di misurazione più solido seguirebbe un risultato dall'avvio alla chiusura. Esaminerebbe il tempo di completamento, l'adozione, le rilavorazioni, i tassi di errore e l'impatto sui clienti. Registrerebbe anche quanti nuovi compiti sono entrati nella coda dopo che l'AI ha ridotto una fase precedente.

Se le aziende adottano queste misure, l'argomento del focus e del follow-through acquista sostegno. I leader vedrebbero la differenza tra una produzione più rapida di artefatti e una consegna più rapida di valore. Se il volume dei prompt rimane la misura dominante, l'espansione orizzontale probabilmente continuerà.

Il secondo segnale è se gli agenti AI riducono gli obblighi attivi o li moltiplicano. Gli agenti possono monitorare le caselle di posta, preparare ricerche, aggiornare i record e coordinare passaggi tra software. Possono anche generare un flusso continuo di avvisi, bozze, eccezioni e azioni proposte.

Il test di prodotto fondamentale non è quanti compiti avvia un agente. È quanto affidabilmente il sistema chiude flussi di lavoro delimitati con una supervisione comprensibile. I prodotti che rendono visibili responsabilità, stato, prove e condizioni di arresto supporteranno il follow-through meglio dei prodotti ottimizzati per una generazione infinita.

Osservate come i fornitori gestiscono le eccezioni. Un agente utile dovrebbe sapere quando richiedere una decisione, preservare il contesto pertinente ed evitare di creare lavoro duplicato. Un sistema che espande silenziosamente il proprio albero di compiti può far risparmiare battiture aumentando al contempo l'onere di supervisione.

Il terzo segnale è se il burnout e la frammentazione sul lavoro migliorano con la maturazione dell'adozione. I dati sulle interruzioni di Microsoft forniscono una base di riferimento, mentre i sondaggi sui dipendenti ne offrono un'altra. Nessuno dei due può dimostrare da solo la causalità, ma la loro direzione metterà alla prova la promessa di capacità.

Se l'adozione dell'AI aumenta mentre diminuiscono l'attività fuori orario, le interruzioni e il burnout segnalato, le organizzazioni avranno prove che l'automazione sta restituendo tempo alle persone. Se questi indicatori rimangono stabili o peggiorano, la spiegazione probabile è che la capacità risparmiata sia stata reinvestita in maggiori richieste.

I knowledge worker non devono aspettare le dashboard aziendali. Possono eseguire lo stesso test su scala minore. Contate i progetti attivi, non i file generati. Monitorate le decisioni completate, non le conversazioni con un modello. Notate se il tempo risparmiato diventa recupero, lavoro più approfondito o un altro obbligo.

Prima di avviare un progetto assistito dall'AI, chiedetevi cosa significhi completamento e chi sarà responsabile del risultato. Decidete quali prove giustificherebbero l'interruzione. Stimate la revisione umana e il coordinamento che rimarranno dopo che il modello avrà terminato.

Poi limitate l'insieme attivo. Le idee possono rimanere acquisite senza diventare impegni. L'AI rende economico conservare e riesaminare le possibilità, quindi c'è meno motivo di attivare immediatamente ogni pensiero promettente.

Proteggere il focus richiede anche di ridurre i cambi di contesto. Raggruppate interazioni AI simili, mantenete il materiale fonte collegato alle decisioni e riservate periodi ininterrotti alla sintesi. Generazione e valutazione non dovrebbero competere per l'attenzione ogni pochi minuti.

Soprattutto, impiegate deliberatamente i guadagni dell'automazione. Una parte dovrebbe migliorare la qualità. Una parte dovrebbe accorciare la consegna. Una parte dovrebbe restituire tempo alla persona che svolge il lavoro. Trattare ogni minuto risparmiato come capacità inutilizzata ricrea la giornata lavorativa infinita sotto un'interfaccia più avanzata.

L'avvertimento di Rick Manelius è convincente perché arriva dopo che gli strumenti hanno funzionato. Il problema non era un output scadente o un'automazione fallita. Era che il successo aveva rimosso l'attrito naturale che un tempo limitava quanti progetti potessero iniziare.

Questo è il rovesciamento centrale della produttività AI. Man mano che l'esecuzione diventa abbondante, la moderazione acquista valore economico. Il focus identifica i pochi risultati che vale la pena perseguire, e il follow-through trasforma inizi economici in lavoro finito.

La domanda pratica non è più se l'AI vi permetta di fare di più. Chiaramente può farlo in molti compiti delimitati. La domanda migliore è cosa smetterete di iniziare, affinché il lavoro che conta riceva abbastanza attenzione da diventare completo.