Orizzonti futuri

Il miraggio della produttività: perché l’IA non ha ancora inciso sull’economia e quando lo farà

La produttività negli Stati Uniti è cresciuta del 2,2% nei dodici mesi fino al secondo trimestre del 2026, poco sopra il tasso di lungo periodo del 2,1%. Intanto, secondo Epoch AI, le infrastrutture di calcolo valgono circa l’1,5% del PIL,

AI.info Team · 2026-08-21

La domanda da mille miliardi di dollari a cui nessuno sa rispondere

All’incrocio tra IA ed economia è successo qualcosa di sconcertante. Il mondo ha assistito alla più rapida adozione di una tecnologia trasformativa mai registrata: ChatGPT ha raggiunto 100 milioni di utenti in due mesi, un traguardo per cui a Internet sono serviti quattro anni e alla televisione tredici. Oggi centinaia di milioni di persone usano regolarmente strumenti di IA. Nell’infrastruttura per l’IA sono stati investiti migliaia di miliardi di dollari, senza segni di rallentamento.

Grandi aziende hanno riorganizzato intere funzioni aziendali attorno alle capacità dell’IA. Eppure, quando economisti e statistici cercano le tracce di questa trasformazione nei dati che dovrebbero misurare la produttività economica — crescita del PIL, produttività totale dei fattori, produzione per ora lavorata — perlopiù non le trovano.

È il paradosso della produttività, e non è un fenomeno nuovo. Nel 1987 l’economista premio Nobel Robert Solow osservò che «si può vedere l’era dei computer ovunque, tranne che nelle statistiche sulla produttività»: una battuta amara diventata celebre come paradosso di Solow, che ha accompagnato l’economia dell’informatica per quasi due decenni, fino alla fine degli anni 1990, quando la crescita della produttività trainata dai computer è finalmente diventata inconfondibile nei dati. Il ritardo è stato di circa quattro decenni: i computer sono stati commercializzati per la prima volta negli anni 1950, ma hanno avuto scarsi effetti evidenti sulla produttività misurata fino alla metà degli anni 1990.

Ora gli economisti si chiedono, con crescente preoccupazione, se l’IA abbia prodotto un fenomeno identico. I dati suggeriscono di sì, ma gli esperti divergono nettamente su una questione: se questa volta il ritardo sarà più breve, più lungo o di natura diversa.

Le prove dell’assenza di effetti

Occorre essere precisi su ciò che mostrano i dati, perché l’affermazione «l’IA non ha smosso la produttività» è più forte di quanto possa sembrare a prima vista.

Il Bureau of Labor Statistics degli Stati Uniti misura ogni trimestre la produttività del lavoro nel settore non agricolo, ossia la produzione per ora lavorata. Durante il periodo di massima accelerazione nell’adozione dell’IA, la produttività del lavoro statunitense è scesa dell’1,5% nel 2022, per poi crescere dell’1,6% nel 2023 e del 2,3% nel 2024 (dati BLS pubblicati nel febbraio 2025): valori non eccezionali rispetto agli standard storici e che certo non indicano uno shock trasformativo trainato dalla tecnologia. Nell’Unione europea, nello stesso periodo, la crescita della produttività è stata compresa tra lo 0,5% e l’1,0%.

Da allora la serie non ha mostrato alcuna discontinuità. Nell’anno terminato nel secondo trimestre del 2026, la produttività delle imprese non agricole è aumentata del 2,2%, con una crescita della produzione del 2,5% e delle ore lavorate dello 0,2%; nel solo trimestre, il tasso annualizzato è stato dell’1,4%. Considerando l’intero ciclo economico in corso, dal quarto trimestre del 2019 al secondo trimestre del 2026, la produttività è cresciuta a un tasso annualizzato del 2,1%: lo stesso della media di lungo periodo dal 1947 e superiore all’1,5% del ciclo precedente.

La portata del problema si riassume in un numero. A quattro anni dall’inizio della più rapida adozione tecnologica mai registrata, la serie della produttività ha il consueto andamento.

Uno studio preliminare del 2026 del National Bureau of Economic Research, basato su un’indagine condotta presso quasi 6.000 amministratori delegati, direttori finanziari e alti dirigenti dell’area finanziaria negli Stati Uniti, nel Regno Unito, in Germania e in Australia, ha rilevato che la grande maggioranza segnalava un impatto minimo dell’IA sulle prestazioni complessive delle proprie organizzazioni. Le eccezioni — un gruppo di aziende ad alta intensità tecnologica in settori specifici — erano coerenti con le normali dinamiche dei primi utilizzatori, non con una trasformazione dell’intera economia.

Lo Yale Budget Lab ha modellizzato la questione nel 2026, ma si è astenuto dal formulare una previsione. Ha elaborato lo scenario di adozione moderata tratto da un sondaggio tra economisti, nel quale la produttività del lavoro cresce del 2,5% all’anno dal 2025 al 2030, contro una media dell’1,8% dal 2015 al 2025, e ha definito i propri risultati «rappresentazioni semplificate di scenari possibili, nessuna delle quali costituisce una previsione del Budget Lab». Esponenti del settore hanno ipotizzato che, nello stesso periodo, l’IA potrebbe accrescere il PIL mondiale del 10–20%. Il McKinsey Global Institute ha stimato il potenziale economico dell’IA in 6,1–7,9 bilioni di dollari all’anno una volta che si sarà diffusa pienamente: una cifra che sembra enorme, finché non si osserva che equivale a circa il 6–8% dell’attuale PIL mondiale, distribuito su 10–20 anni di diffusione.

Le valutazioni accademiche di importanti economisti invitano alla cautela. Nel 2024 Daron Acemoglu, del MIT, ha pubblicato un’analisi provocatoria secondo cui i compiti che l’IA sta attualmente automatizzando — soprattutto compiti cognitivi di routine, lavoro amministrativo, assistenza clienti ed elaborazione di informazioni di base — non sono quelli di maggior valore nell’economia. Secondo il suo modello, basato sulle stime esistenti dell’esposizione all’IA e dei miglioramenti della produttività a livello dei singoli compiti, l’IA farebbe aumentare la produttività totale dei fattori di non più dello 0,66% nell’arco di un decennio: un incremento significativo, ma non trasformativo.

L’analisi di Acemoglu ha suscitato forti obiezioni tra gli ottimisti dell’IA, secondo i quali il suo modello non era abbastanza dinamico: non teneva conto del rapido miglioramento delle capacità dell’IA, delle nuove applicazioni che nasceranno dagli strumenti attuali né dei guadagni di produttività a lungo termine derivanti dagli investimenti in corso. Il dibattito, ancora aperto, coglie l’incertezza fondamentale: l’impatto dell’IA sulla produttività dipende in modo cruciale dalle ipotesi sulla traiettoria delle sue capacità e sulla velocità con cui l’economia si adatterà, due cose che nessuno conosce.

Erik Brynjolfsson e la teoria della curva a J

Il quadro teorico più influente per comprendere il paradosso della produttività dell’IA viene da Erik Brynjolfsson, la cui carriera è stata segnata da questo problema. Nel 1993, Brynjolfsson — allora alla MIT Sloan School of Management, oggi allo Stanford Digital Economy Lab — pubblicò «The Productivity Paradox of Information Technology», in cui esaminava sistematicamente perché gli investimenti in tecnologie informatiche non si riflettessero nelle statistiche sulla produttività negli anni 1970 e 1980. La sua analisi individuò le ragioni strutturali di quel ritardo e previde correttamente che gli incrementi di produttività si sarebbero infine manifestati.

Brynjolfsson sostiene oggi l’ipotesi della curva a J per l’IA: l’idea che le tecnologie di uso generale come l’IA seguano una traiettoria caratteristica in cui la produttività misurata inizialmente diminuisce o ristagna — perché le organizzazioni devono investire in risorse complementari (competenze, flussi di lavoro, strutture dirigenziali, riprogettazione organizzativa) prima di poter sfruttare appieno il potenziale della tecnologia — per poi crescere rapidamente una volta realizzati quegli investimenti.

La metafora della curva a J nasce dall’osservazione che le transizioni strutturali, rappresentate su un grafico nel tempo, hanno la forma di una J: un calo iniziale o una fase di stasi, seguiti da una forte crescita. La tesi centrale è che il tratto piatto della J non dimostra che la tecnologia non funziona; indica che l’economia non ha ancora effettuato gli investimenti complementari necessari per sfruttarla.

Nel 2021 Brynjolfsson e i coautori Daniel Rock e Chad Syverson pubblicarono un influente articolo, «The Productivity J-Curve», in cui sviluppavano sistematicamente questo quadro teorico. Sostenevano che l’attuale ondata di investimenti nell’IA stia creando quelli che definiscono beni immateriali — capitale organizzativo, capitale umano e riprogettazione dei processi — che hanno valore economico ma non vengono rilevati dalla contabilità standard del PIL. Ne deriva una sistematica sottostima del contributo attuale dell’IA al valore economico, perché il sistema di misurazione è concepito per i beni materiali e non coglie la creazione di valore immateriale.

È un punto importante. Quando Amazon riprogetta l’intero sistema logistico dei suoi magazzini attorno a robot guidati dall’IA, l’investimento crea un valore enorme — ma gran parte di quel valore risiede nel processo riprogettato, nel personale formato e nelle conoscenze organizzative necessarie a gestire il nuovo sistema. Questi beni immateriali non compaiono nei conti nazionali allo stesso modo dei robot fisici.

L’analogia con l’elettrificazione: un’attesa di 40 anni

Il precedente storico più istruttivo è l’elettrificazione, il processo con cui l’energia elettrica sostituì quella a vapore nelle fabbriche e nelle officine tra la fine del XIX e l’inizio del XX secolo.

I motori elettrici divennero disponibili in commercio negli anni 1880. Entro il 1910, la maggioranza delle fabbriche statunitensi aveva accesso all’elettricità. Eppure gli incrementi di produttività dovuti all’elettrificazione non comparvero nei dati aggregati fino agli anni 1920: un ritardo di circa 30–40 anni. Lo storico dell’economia Paul David documentò questo ritardo in un celebre articolo del 1990, che fornì buona parte delle basi teoriche dell’analisi di Brynjolfsson sul paradosso della produttività delle tecnologie informatiche.

Perché quel ritardo? La risposta, oggi ben compresa, è che per realizzare il potenziale dell’elettrificazione occorreva riprogettare completamente la fabbrica. L’energia a vapore azionava un albero centrale che attraversava la fabbrica e trasmetteva il moto alle singole macchine mediante cinghie e pulegge. La disposizione di una fabbrica a vapore era determinata dalla geometria della trasmissione della potenza: le macchine dovevano essere raggruppate attorno all’albero, nell’ordine più sensato dal punto di vista meccanico, non in quello più sensato per la produzione.

Con l’elettrificazione, ogni macchina poteva avere un proprio motore elettrico. Non si trattava soltanto di sostituire una fonte di energia con un’altra: diventava possibile riprogettare l’intera disposizione della fabbrica secondo la logica della produzione anziché quella della trasmissione della potenza. Ma nel 1890 la maggior parte dei direttori di fabbrica non riprogettò gli stabilimenti quando passò all’elettricità. Sostituì la macchina a vapore con un motore elettrico che azionava lo stesso albero, perché quella era la struttura organizzativa familiare. Ottenne qualche miglioramento di efficienza grazie a una fonte di energia più pulita e affidabile, ma nulla di paragonabile alla rivoluzione della produttività teoricamente possibile.

Il pieno potenziale dell’elettrificazione in termini di produttività si realizzò soltanto negli anni 1920, quando una nuova generazione di direttori di fabbrica — cresciuta in un mondo elettrificato e non legata al precedente modello basato su alberi e cinghie — progettò fabbriche da zero attorno alla nuova tecnologia. Queste nuove fabbriche, con macchine dotate ciascuna di un motore e disposte secondo sequenze di produzione ottimali, e con nastri trasportatori e catene di montaggio resi possibili dalla distribuzione flessibile dell’energia, erano molto più produttive delle precedenti.

Il parallelo con l’IA è suggestivo, ma non perfetto. La rivoluzione della produttività legata all’IA potrebbe non arrivare da imprese esistenti che migliorano gradualmente i propri processi, bensì da nuove imprese progettate fin dall’inizio attorno alle capacità dell’IA: imprese le cui strutture organizzative, i flussi di lavoro e le pratiche di gestione siano nativi dell’IA, così come le nuove fabbriche degli anni 1920 erano native dell’elettrificazione.

Che cosa mostrano i dati a livello di impresa

Mentre le statistiche aggregate sulla produttività mostrano un impatto limitato dell’IA, i dati a livello di impresa — che esaminano le singole organizzazioni che l’hanno adottata — restituiscono un quadro più sfumato e, in alcuni casi, più incoraggiante.

Un esperimento controllato, descritto nel 2023 da ricercatori di GitHub, MIT Sloan School of Management e Microsoft Research, ha esaminato l’impatto di uno strumento di programmazione assistita dall’IA su programmatori professionisti reclutati tramite Upwork. Gli sviluppatori assegnati casualmente all’uso dell’assistente di programmazione basato sull’IA hanno completato il compito di implementare un server HTTP in JavaScript il 56% più velocemente rispetto al gruppo di controllo: un aumento considerevole della produttività, comunque lo si misuri. Uno studio parallelo sugli addetti al servizio clienti assistiti dall’IA in un’azienda Fortune 500 ha rilevato che quelli che utilizzavano l’IA risolvevano i problemi il 14% più velocemente e ottenevano punteggi di soddisfazione dei clienti nettamente più alti.

Si tratta di aumenti reali della produttività. La questione è se, e in che modo, possano estendersi all’intera economia.

Il divario tra i risultati positivi a livello di impresa e quelli modesti a livello aggregato suggerisce più cose allo stesso tempo: che l’IA funziona in applicazioni specifiche, che i benefici sono distribuiti in modo molto diseguale e che la sua diffusione nell’economia, insieme agli investimenti complementari, richiede tempo.

Le ricerche di Brynjolfsson e dei suoi collaboratori allo Stanford Digital Economy Lab hanno individuato differenze sistematiche tra le imprese che ottengono aumenti di produttività grazie all’IA e quelle che non li ottengono. Il fattore decisivo non è la tecnologia di IA in sé, ma il fatto che l’impresa abbia effettuato gli investimenti complementari nella riorganizzazione, nella formazione del personale e nel cambiamento dei processi necessari a usare efficacemente la tecnologia. Le imprese che si limitano ad aggiungere strumenti di IA ai flussi di lavoro esistenti tendono a registrare miglioramenti modesti. Quelle che riprogettano i flussi di lavoro attorno alle capacità dell’IA — ridefinendo i ruoli professionali, riqualificando i lavoratori e ripensando i processi — ottengono miglioramenti molto maggiori.

È la tesi del capitale organizzativo: la tecnologia è necessaria, ma non sufficiente. Il vero investimento riguarda l’adattamento delle persone e delle organizzazioni.

Il problema della misurazione: il PIL non vede il valore dell’IA?

Una tesi distinta ma collegata mette in dubbio che le statistiche economiche standard riescano a cogliere il contributo dell’IA al benessere economico, anche quando quel contributo è reale.

Il PIL misura le transazioni di mercato, cioè lo scambio di beni e servizi in cambio di denaro. Non rileva, o attribuisce sistematicamente un peso insufficiente, a diverse categorie di valore create dall’IA.

La prima è il surplus del consumatore derivante dai servizi gratuiti: molte delle applicazioni più preziose dell’IA — ricerca, traduzione, sintesi delle informazioni, assistenza creativa — sono offerte al consumatore a un costo marginale nullo o quasi. Il valore economico che i consumatori ricavano da questi servizi può essere enorme, ma il PIL rileva soltanto quanto viene pagato per utilizzarli, non il surplus del consumatore.

Un importante studio del 2018 di Brynjolfsson, Avinash Collis e Felix Eggers ha cercato di misurare il surplus del consumatore generato dai beni digitali gratuiti attraverso indagini sulla «disponibilità ad accettare»: ai partecipanti veniva chiesto quanto avrebbero dovuto ricevere per rinunciare per un anno all’accesso a diversi servizi digitali. Le stime erano sorprendenti: l’intervistato mediano chiedeva 17.530 dollari per rinunciare per un anno alla ricerca su internet, 8.414 dollari per rinunciare alla posta elettronica e 3.648 dollari per rinunciare a mappe e navigazione. Nulla di questo valore compare nelle statistiche del PIL, perché questi servizi sono offerti gratuitamente.

Man mano che l’IA migliora questi servizi gratuiti — e ne crea di nuovi — crescerà il divario tra la produzione economica misurata dal PIL e il benessere economico effettivo. Il PIL sottostimerà in misura sempre maggiore il contributo dell’IA al benessere.

La seconda categoria riguarda i miglioramenti della qualità di beni e servizi esistenti: i prodotti migliorati dall’IA — diagnosi mediche più accurate, contenuti didattici più personalizzati, una logistica più efficiente — creano un valore che il PIL coglie solo in parte, perché misura il volume della produzione anziché la produzione corretta per la qualità. Se un medico assistito dall’IA diagnostica correttamente il doppio delle patologie ogni ora, l’impatto sul PIL corrisponde allo stesso numero di ore fatturate dal medico; il miglioramento degli esiti per i pazienti resta invisibile nelle statistiche.

Indicatori anticipatori: cosa osservare

Brynjolfsson e il suo team hanno individuato una serie di indicatori anticipatori che, storicamente, hanno preceduto gli aumenti della produttività aggregata generati dalle tecnologie di uso generale. Questi indicatori sono più incoraggianti di quanto suggeriscano le statistiche aggregate.

Riorganizzazione aziendale e ridefinizione dei ruoli: le indagini condotte tra i principali datori di lavoro statunitensi rilevano cambiamenti rapidi e sempre più frequenti, determinati dall’IA, nelle descrizioni delle mansioni, nell’organizzazione dei flussi di lavoro e nelle strutture aziendali: il tipo di investimento complementare che storicamente precede gli aumenti della produttività.

Investimenti di capitale nelle infrastrutture connesse all’IA: negli Stati Uniti, la costruzione di data center, gli investimenti in GPU e la spesa per software hanno raggiunto livelli record nel 2024 e nel 2025, per poi crescere ulteriormente nel 2026. I cinque maggiori hyperscaler hanno indicato per l’anno una spesa prevista di circa 775–800 miliardi di dollari in infrastrutture per l’IA, contro circa 429 miliardi di dollari nel 2025. Epoch AI, misurando la quota statunitense di questa espansione, ha stimato che la costruzione di data center legati all’IA, l’hardware di calcolo e le apparecchiature di rete rappresentassero circa lo 0,8% del PIL statunitense nel primo trimestre del 2026. Ciò ha portato le infrastrutture informatiche nel loro complesso a circa l’1,5% del PIL, pressappoco il doppio della media dello 0,7% registrata tra il 2015 e il 2022.

Crescita degli investimenti immateriali: gli indicatori della formazione di capitale immateriale — formazione, ricerca e sviluppo, software, sviluppo organizzativo — crescono più rapidamente degli investimenti materiali. È un andamento coerente con la teoria della curva a J, secondo cui la fase attuale è caratterizzata da investimenti complementari, più che da una crescita misurata della produzione.

Divario nelle prestazioni delle imprese: nei settori in cui l’adozione dell’IA è più elevata, si allarga il divario tra le imprese più produttive e l’impresa mediana. È un andamento coerente con le prime fasi di adozione di una tecnologia, quando i pionieri acquisiscono un vantaggio prima che la tecnologia si diffonda tra chi è rimasto indietro.

L’indicatore che si presta a due letture

L’indicatore della spesa in conto capitale è diventato abbastanza rilevante da poter essere usato anche come argomento contrario. Un’analisi della stima preliminare del Bureau of Economic Analysis per il primo trimestre del 2026 ha attribuito circa metà della crescita reale annualizzata del 2% registrata nel trimestre a due voci: gli investimenti in computer e periferiche, cresciuti a un tasso annualizzato del 67%, e quelli in software, cresciuti del 23%. Se si esclude dai calcoli l’espansione delle infrastrutture per l’IA, la crescita del trimestre appare più vicina all’1%.

Secondo una lettura basata sulla curva a J, quella spesa è capitale complementare investito in vista dei benefici futuri, esattamente come prevede la teoria. Una lettura meno rassicurante è che l’espansione delle infrastrutture sia essa stessa la crescita: che, finora, il contributo macroeconomico misurabile dell’IA consista nell’acquisto delle apparecchiature, non in ciò che le apparecchiature fanno, e che una correzione razionale della spesa in conto capitale sottrarrebbe immediatamente crescita al PIL, mentre i benefici in termini di produttività resterebbero là dove sono rimasti nascosti finora.

Le due letture non si escludono a vicenda, e i dati aggregati non permettono ancora di distinguerle. Si può però dire che la curva a J non è più l’unica spiegazione plausibile dell’andamento dei numeri e che, più si prolunga il tratto piatto della J, più la crescita misurata dipende dal fatto che quel tratto piatto continui.

Una valutazione onesta: soprattutto incertezza

Chiunque affermi con sicurezza di sapere quando l’IA produrrà aumenti della produttività macroeconomica, o quanto saranno grandi, attribuisce a sé stesso conoscenze che non ha. Una valutazione onesta riconosce una profonda incertezza, entro i limiti tracciati dalle analogie storiche e dal ragionamento strutturale.

Le analogie storiche suggeriscono che il ritardo sia reale, misurabile in anni o decenni anziché in trimestri, e che finirà quando l’adattamento organizzativo avrà raggiunto le capacità tecnologiche. L’analogia con l’elettrificazione suggerisce un ritardo di 30–40 anni; quella con l’informatica, di circa quattro decenni. Se queste analogie reggono, siamo nella parte iniziale della fase intermedia dell’attesa, non vicini alla sua fine.

Il ragionamento strutturale suggerisce invece che il caso dell’IA possa differire in modi importanti da questi precedenti storici. Le capacità dell’IA migliorano molto più rapidamente di quanto fecero quelle dell’elettricità o dell’informatica in fasi comparabili della loro diffusione. Le potenziali applicazioni nell’economia sono più ampie. E la diffusione delle informazioni — il processo attraverso cui le strategie efficaci di adozione dell’IA passano dai pionieri a chi li segue — è molto più rapida che nelle epoche precedenti.

Questi fattori depongono a favore di un ritardo più breve di quello suggerito dai precedenti storici. Ma la sfida dell’adattamento organizzativo resta concreta: cambiare il modo in cui milioni di imprese e miliardi di lavoratori integrano l’IA nel lavoro quotidiano è un processo sociale e istituzionale, non soltanto tecnico. E il cambiamento sociale e istituzionale ha tempi propri, che la tecnologia non può semplicemente accelerare.

In base alle prove disponibili, la rivoluzione della produttività generata dall’IA è reale, ma ritardata. La domanda non è se arriverà, bensì quando, quanto equamente saranno distribuiti i suoi benefici e se le nostre istituzioni economiche siano preparate a gestire gli sconvolgimenti che comporterà.