Il paradosso della produttività: licenziare non fa crescere l'output

Nei prossimi mesi del 2026, un pattern sta emergendo con sufficiente chiarezza da meritare attenzione strutturale: le aziende americane stanno combinando due mosse in sequenza - investimento massiccio in strumenti AI e riduzione del personale giustificata da quella stessa AI - senza che le metriche di produttività si muovano nella direzione attesa.

Uno studio della Federal Reserve di Atlanta citato da Fast Company rileva che circa il 90% dei dirigenti ritiene che l'AI non abbia ancora migliorato la produttività delle proprie aziende. Questo non è un dato di percezione superficiale: viene da chi ha autorizzato gli investimenti, implementato i tool, comunicato le attese agli azionisti. Il disallineamento tra narrativa e risultati misurabili è ormai abbastanza ampio da imbarazzare anche i CEO più ottimisti.

Il documento pubblicato da OpenAI su come le organizzazioni usano ChatGPT aggiunge un elemento di contesto importante: l'utilizzo reale nei contesti aziendali si concentra su task ad alta frequenza e bassa complessità - redazione di bozze, sintesi, ricerca preliminare, standardizzazione di output. Non sulla sostituzione di funzioni cognitive complesse. Eppure le decisioni di headcount vengono prese come se il secondo scenario fosse già realtà.

Qui emerge la frattura centrale. I licenziamenti motivati da AI non eliminano lavoro ridondante: eliminano memoria organizzativa, relazioni operative, capacità di gestione dell'eccezione. Un terzo segnale, sempre da Fast Company, documenta un meccanismo specifico: quando le aziende tagliano personale in nome dell'efficienza AI, perdono le persone che sapevano come funziona davvero l'organizzazione sotto la superficie dei processi formali. Il risultato è che i tool AI - già ottimizzati per task standardizzati - si trovano a operare in un contesto in cui le anomalie non vengono più gestite da nessuno.

A questo si sovrappone una dinamica di lungo periodo che non riguarda solo l'AI. Il mercato del lavoro americano ha accentuato negli ultimi anni il ricorso al lavoro contingente - contrattisti, part-timer senza prospettive di carriera, lavoratori forniti da agenzie intermediarie. Fast Company descrive questa tendenza con il termine 'lavoratori usa e getta': figure che entrano nei processi produttivi senza mai costruire competenze specifiche sull'organizzazione, senza accumulare contesto, senza avere incentivi a farlo. Quando l'AI accelera questo trend - sostituendo il lavoro di routine che era l'ingresso nel mercato per molti lavoratori entry-level - il sistema perde anche il canale attraverso cui le organizzazioni acquisivano capacità nuove nel tempo.

La domanda che si apre non è se l'AI sia utile o no. Su task specifici e ben definiti, i dati di utilizzo mostrano vantaggi reali. La domanda è se le organizzazioni stiano facendo scelte strutturali coerenti con la natura reale di questi strumenti, o se stiano usando la narrativa AI per giustificare decisioni di costo che avrebbero comunque preso. Le due cose non sono equivalenti, e le implicazioni organizzative sono profondamente diverse.

Un contesto parallelo: i percorsi tradizionali attraverso cui i professionisti costruivano competenza on-the-job stanno scomparendo - non perché le aziende investano meno in formazione, ma perché i ruoli intermedi che fungevano da apprendistato implicito vengono eliminati per primi. La residency model applicata al lavoro corporativo - discussa in ambito learning & development come alternativa strutturata - rimane un'idea sulla carta finché le organizzazioni non riconoscono che stanno demolendo le proprie pipeline di competenza dall'interno.

Il paradosso della produttività non si risolve con più AI o meno AI. Si risolve - se si risolve - quando chi prende decisioni di struttura organizzativa smette di trattare il lavoro come variabile di costo isolabile e inizia a misurare cosa scompare quando una persona lascia l'organizzazione. Al momento, quegli strumenti di misura quasi nessuno li ha.