Quanto tempo ti fa risparmiare l'AI? La matrice che ti dice cosa delegare

Se cercate una risposta secca alla domanda del titolo, eccola: fra un'ora e otto ore alla settimana. Dipende da cosa gli fate fare.

Non è una risposta evasiva. È letteralmente ciò che dicono i dati, e la distanza fra i due estremi è il vero argomento di questo articolo.

Da un lato, il Global AI at Work Survey 2026 di Boston Consulting Group — 11.749 lavoratori in 14 mercati — riporta che il 42% di chi usa l'AI con regolarità dichiara di risparmiare almeno una giornata lavorativa piena a settimana.

Dall'altro, lo studio di Humlum e Vestergaard (NBER, 2025) ha fatto una cosa che quasi nessuno fa: ha collegato le risposte di 25.000 lavoratori danesi in 7.000 aziende ai registri amministrativi reali di ore e retribuzioni. Risultato: 2,8% delle ore risparmiate — poco più di un'ora a settimana. E nessun impatto significativo su ore o retribuzioni registrate, in nessuna delle undici professioni analizzate.

In mezzo, la rilevazione trimestrale della Federal Reserve di St. Louis (Bick, Blandin, Deming, 2025): gli utilizzatori dichiarano di risparmiare il 5,4% delle ore, circa 2,2 ore su una settimana da quaranta.

Otto, due, una.

La differenza fra questi numeri non dipende dal modello che usate, dall'abbonamento che pagate o da quanto siete bravi a scrivere i prompt. Dipende quasi interamente da quali compiti avete deciso di delegare.

Ed è per questo che serve una matrice.

Le due domande che decidono tutto

Quasi tutti valutano un'attività chiedendosi: l'AI è capace di farla?

È la domanda sbagliata. La risposta è quasi sempre sì — l'AI produrrà qualcosa, con sicurezza, ben scritto, in pochi secondi. Il problema è che questo non vi dice nulla su quanto valore ne ricaverete.

Le domande giuste sono altre due, e riguardano il compito, non la tecnologia.

Domanda 1 — Quanto mi costa verificare il risultato?

Non produrlo: verificarlo. Se per accorgervi che una risposta è sbagliata dovete rifare il lavoro da capo, il tempo risparmiato è illusorio. Se ve ne accorgete in trenta secondi, avete un guadagno reale.

È qui che si nasconde la maggior parte della differenza fra il numero dichiarato e il numero registrato: quando si stima il risparmio si conta la produzione, ma quasi mai la verifica.

Domanda 2 — Quanto costa l'errore se mi sfugge?

Un refuso in una bozza interna costa zero. Un dato sbagliato in un'offerta al cliente costa credibilità. Una valutazione errata su una prescrizione di sicurezza costa molto di più.

Incrociando le due domande si ottengono quattro quadranti. Ogni compito che fate in azienda sta in uno di questi quattro, e per ciascuno c'è una regola diversa.

La matrice

Quadrante 1 — AUTOMATIZZA

Verifica facile, errore poco costoso.

È la zona del guadagno netto e immediato. Il modello produce, voi date un'occhiata di controllo, e il tempo risparmiato è tutto vostro.

• Prime stesure di testi che verranno comunque riscritti

• Riformulazione, sintesi, cambio di tono o lunghezza di materiale che avete già validato voi

• Traduzioni operative per uso interno

• Trasformazioni di formato: appunti in verbale, elenco in tabella, tabella in bozza di slide

• Generazione di varianti da confrontare — dieci oggetti email, cinque titoli, tre indici possibili

• Estrazione di dati strutturati da documenti, con controllo a campione

La regola: delegate tutto, senza sensi di colpa. Qui il rapporto costi-benefici non è nemmeno discutibile.

L'errore tipico: non delegare abbastanza. Molte persone continuano a fare a mano cose che stanno chiaramente in questo quadrante, per abitudine o per una malintesa idea di controllo.

Quadrante 2 — DELEGA E FIRMA

Verifica facile, errore costoso.

È il quadrante più importante di tutti, perché è dove sta la maggior parte del valore aziendale reale — e dove si concentra la maggior parte dei disastri. Il modello può produrre bene. Ma se l'errore passa, costa. Quindi il ciclo non finisce con l'output: finisce con una persona competente che firma.

• Comunicazioni esterne a clienti, fornitori, enti

• Analisi di dati con conclusioni operative

• Documentazione tecnica e procedure

• Materiale formativo

• Codice destinato alla produzione

• Sintesi di normative o contratti — mai senza risalire al testo originale

La regola: la revisione non è una buona pratica facoltativa, è parte del ciclo produttivo e va conteggiata nel tempo. Se il vostro calcolo di risparmio non la include, il vostro calcolo è sbagliato.

L'errore tipico: trattare il Quadrante 2 come se fosse il Quadrante 1. È da qui che nasce il fenomeno che BetterUp Labs e lo Stanford Social Media Lab hanno battezzato workslop su Harvard Business Review: materiale che ha l'aspetto di un buon lavoro ma non ne ha la sostanza. Nella loro ricerca su 1.150 lavoratori, il 41% ne aveva ricevuto nel mese precedente, e ogni episodio è costato in media quasi due ore per essere sistemato.

Il tempo non era stato risparmiato. Era stato spostato sul collega a valle.

Quadrante 3 — ESPLORA

Verifica costosa, errore poco costoso.

Qui l'output non è affidabile abbastanza da essere usato così com'è, ma nemmeno serve che lo sia — perché il valore non sta nell'output, sta nel processo. È il quadrante meno capito e probabilmente il più sottovalutato.

• Strutturare un problema mal definito

• Generare ipotesi e scenari alternativi

• Fare da avvocato del diavolo su una decisione che avete già preso

• Individuare cosa manca in un'analisi

• Prepararsi a una trattativa simulando le obiezioni della controparte

• Uscire dal proprio linguaggio professionale

L'evidenza più forte su questo quadrante arriva dall'esperimento Cybernetic Teammate, condotto nel 2025 dal Digital Data Design Institute di Harvard su 776 professionisti di Procter & Gamble, assegnati in modo casuale a lavorare su sfide reali di innovazione di prodotto — da soli o in coppia, con o senza AI.

Il primo risultato: gli individui che lavoravano con l'AI hanno eguagliato la performance dei team che lavoravano senza. Una persona più un modello ha raggiunto il livello di due persone.

Il secondo, più sottile: senza AI, i professionisti di R&D proponevano soluzioni tecniche e quelli commerciali proponevano soluzioni commerciali, ciascuno chiuso nel proprio silo. Con l'AI le proposte diventavano più equilibrate. Il confine funzionale si abbassava.

La regola: qui non chiedete «fammi il lavoro». Chiedete «aiutami a vedere cosa non sto vedendo». E non usate l'output: usate quello che avete capito mentre lo leggevate.

Quadrante 4 — FERMATI

Verifica costosa, errore costoso.

Qui l'AI vi fa perdere tempo e denaro. Non perché non produca nulla — al contrario, produrrà qualcosa di molto convincente. È esattamente questo il problema.

• Decisioni che impegnano l'azienda: assunzioni, prezzi, investimenti, contratti

• Valutazioni di sicurezza sul lavoro e conformità con impatto legale

• Giudizi sulle persone

• Interpretazione di dati di cui non conoscete la genesi

• Relazioni con clienti in situazioni delicate

• Tutto ciò che richiede l'osservazione diretta di un processo fisico

Su quest'ultimo punto conviene essere espliciti: l'AI non va sul Gemba. Non sente il rumore anomalo del mandrino, non vede l'operatore che ha inventato un accorgimento fuori standard, non coglie l'esitazione del capoturno a cui chiedete se quel dato è affidabile. Può aiutarvi ad analizzare ciò che dal Gemba riportate indietro, e lo fa benissimo. Non può sostituire l'andare a vedere.

La regola: non è una zona da presidiare meglio. È una zona da non attraversare.

L'errore tipico, e il più pericoloso: credere che basti «verificare bene». Nel 2026 i ricercatori di Harvard Business School hanno pubblicato un lavoro — GenAI as a Power Persuader — che analizza i log di conversazione di oltre settanta consulenti mentre cercavano di validare le risposte dell'AI proprio su compiti fuori dalla sua portata.

Quello che hanno trovato dovrebbe far riflettere chiunque conti sulla revisione umana come rete di sicurezza. Quando i professionisti facevano il loro mestiere — verificavano i fatti, segnalavano gli errori, insistevano perché il modello riconsiderasse — il modello non dichiarava i propri limiti. Alzava il livello di persuasione.

Il meccanismo di controllo su cui contiamo è precisamente quello che può essere aggirato.

Come collocare un compito nella matrice in due minuti

Prendete un'attività concreta e rispondete a tre domande. Sono sufficienti.

1. Se il risultato fosse sbagliato, me ne accorgerei? E in quanto tempo? Subito, in meno di un minuto → verifica facile (Quadranti 1 e 2). Solo rifacendo il lavoro, o non me ne accorgerei affatto → verifica costosa (Quadranti 3 e 4).

2. Chi paga se l'errore passa? Nessuno, o solo io → errore poco costoso (Quadranti 1 e 3). Un cliente, un ente, un collega, il bilancio → errore costoso (Quadranti 2 e 4).

3. Esiste un modo per capire se è venuto bene, che posso scrivere prima di iniziare? Se la risposta è «lo capirò quando lo vedo», il compito non è ancora pronto per essere delegato — né a un'AI né a un collaboratore nuovo. Prima serve definire i criteri di accettazione: lunghezza, tono, cosa deve contenere obbligatoriamente, cosa non deve esserci, quale fonte va citata.

Scritti prima, quei criteri rendono la verifica rapida e oggettiva — e spostano il compito verso sinistra nella matrice. Scritti dopo, o non scritti affatto, la verifica diventa una discussione sulle impressioni.

I compiti si spostano nella matrice. In una sola direzione.

Un compito non ha una posizione fissa. E la cosa interessante è che potete spostarlo voi, quasi sempre verso sinistra — cioè verso una verifica più economica. Come? Abbassando il costo del contesto.

La differenza fra un output inutile e uno utilizzabile quasi mai sta nella formulazione della richiesta. Sta in quanto contesto avete fornito: chi siete, per chi state scrivendo, cosa è già stato deciso, quali vincoli esistono, com'è fatto un buon risultato in casa vostra.

Da qui discende una conseguenza organizzativa che vale la pena mettere in chiaro. Le aziende che hanno documentato standard, procedure e criteri di qualità hanno un vantaggio enorme nell'uso dell'AI, perché quel contesto lo possono fornire. Chi ce l'ha solo nella testa delle persone deve ricostruirlo a mano ogni volta, e il costo di ricostruzione si mangia il guadagno.

È esattamente ciò che ha rallentato gli sviluppatori esperti nell'esperimento METR del 2025: lavoravano su codice che conoscevano intimamente, pieno di convenzioni implicite mai scritte da nessuna parte. Tutta quella conoscenza tacita andava trasferita al modello a ogni interazione, oppure corretta dopo.

Detto in altri termini: non si automatizza un processo che non è ancora standardizzato. Il lavoro sugli standard che molte imprese rimandano da anni è diventato, quasi per caso, un prerequisito di competitività digitale.

E quando una modalità funziona, va scritta. Il prompt che ha prodotto la risposta giusta, con il suo contesto e i suoi criteri di accettazione, è a tutti gli effetti un'istruzione di lavoro riutilizzabile: va salvata, condivisa, migliorata nel tempo. Senza questo passaggio ogni persona in azienda ricomincia da capo, e il guadagno resta individuale invece di diventare patrimonio dell'organizzazione.

Perché non potete fidarvi della vostra sensazione di velocità

C'è un motivo per cui la matrice va usata insieme a un cronometro, e non insieme a un'impressione. Ed è probabilmente il reperto più scomodo di tutta la ricerca recente sull'AI al lavoro.

Nel luglio 2025 il laboratorio indipendente METR ha pubblicato un esperimento controllato su sviluppatori software esperti: attività reali su codice che conoscevano da anni, assegnazione casuale della disponibilità degli strumenti AI, schermi registrati, tempi misurati.

Il risultato immediato fece rumore — con l'AI erano più lenti del 19% — ma non è quello che conta qui, anche perché METR stessa nel febbraio 2026 ha corretto il tiro. Aveva individuato un difetto nel campione: fra il 30% e il 50% degli sviluppatori invitati rifiutava di partecipare se non poteva usare l'AI, il che spingeva la selezione verso chi ne trae meno beneficio. Una coorte successiva più ampia ha mostrato un rallentamento molto più contenuto, statisticamente indistinguibile da zero. La conclusione rivista è, testualmente, che non sappiamo se l'AI renda gli sviluppatori più produttivi.

Ciò che resta in piedi, e che nessuna revisione metodologica ha toccato, è lo scarto fra ciò che è successo e ciò che le persone credevano fosse successo.

Prima dell'esperimento quegli sviluppatori si aspettavano di accelerare del 24%. Dopo averlo completato — dopo essere stati cronometrati mentre rallentavano — stimavano ancora di essere andati più veloci del 20%.

Circa quaranta punti percentuali di distanza fra percezione e misurazione. In professionisti esperti, sul loro terreno, con anni di pratica alle spalle.

Il meccanismo è comprensibile a chiunque abbia usato questi strumenti. La generazione è vivida: chiedete, e in quattro secondi avete due paragrafi o quaranta righe di codice. È un'esperienza memorabile di accelerazione. La rilettura, la correzione, il rimettere le cose a posto vengono invece percepiti come «normale lavoro» e non vengono attribuiti allo strumento. Restano fuori dal conteggio mentale.

Questo spiega buona parte della distanza fra i tre numeri da cui siamo partiti. Le otto ore di BCG sono dichiarate: misurano una sensazione, per giunta reale e in buona fede. L'ora danese è registrata: misura il tempo. Non si contraddicono affatto — descrivono due cose diverse, e solo una delle due arriva al bilancio.

La prima conseguenza operativa: non chiedete mai alle persone quanto tempo pensano di aver risparmiato. Non lo sanno, e non è colpa loro. Qualunque business case costruito su stime dichiarate è un business case costruito su una sensazione.

La seconda: un compito non si colloca nella matrice a intuito. Il costo di verifica sembra sempre più basso di quanto sia — perché la verifica è precisamente la parte che il cervello non registra. Se dovete sbagliare, sbagliate per eccesso di prudenza e collocate il compito un quadrante più a destra di quanto vi verrebbe spontaneo.

Il problema a monte: negli uffici non misuriamo niente

C'è una ragione più profonda per cui la domanda «quanto tempo mi fa risparmiare l'AI?» quasi sempre resta senza risposta seria. Ed è che nella maggior parte delle aziende non sappiamo quanto tempo ci vuole a fare le cose nemmeno senza AI.

In produzione la misurazione è cultura consolidata. Nessuno si sognerebbe di valutare un investimento in un macchinario senza conoscere il tempo ciclo attuale, la saturazione, la percentuale di scarto, il tempo di attraversamento. Sono dati che esistono, che qualcuno raccoglie, che stanno appesi in reparto.

Attraversate il corridoio ed entrate in ufficio, e quel patrimonio sparisce.

Provate a fare queste domande in azienda:

• Quanto tempo passa da quando arriva una richiesta di offerta a quando il cliente riceve il preventivo?

• Di quel tempo, quanto è lavorazione effettiva e quanto è attesa?

• Quante volte, in media, un preventivo torna indietro per essere corretto?

• Quante persone lo toccano prima che esca?

• Quale percentuale di pratiche arriva completa e corretta al primo passaggio?

Nella grande maggioranza delle PMI le risposte sono cinque volte «non lo so», seguite da una stima a occhio che nessuno ha mai verificato. Non per negligenza: perché il lavoro d'ufficio è invisibile. Non si accumula davanti a una macchina, non fa rumore, non produce un pezzo che si possa contare. Sta dentro caselle di posta, cartelle condivise, teste di persone.

Le poche cose che misuriamo sono quelle sbagliate

Dove qualche indicatore d'ufficio esiste, quasi sempre misura attività invece che valore: numero di preventivi emessi, ticket chiusi, mail gestite, documenti prodotti.

Sono metriche di volume. E il problema delle metriche di volume, in un contesto in cui produrre costa improvvisamente pochissimo, è che migliorano da sole anche quando le cose peggiorano. Un ufficio che con l'AI emette il 40% di preventivi in più ha un indicatore in crescita. Se quei preventivi hanno un tasso di conversione più basso, o se generano il doppio delle richieste di chiarimento, il conto economico peggiora mentre il cruscotto migliora.

È lo stesso equivoco che rende difficile leggere i dati sul workslop: chi produce vede il proprio numero salire, il costo si materializza altrove.

Cosa misurare davvero

Non servono sistemi complicati. Su un processo transazionale — un'offerta, un ordine, una pratica, un documento — quattro grandezze bastano, e sono le stesse che si usano da sempre per mappare i processi d'ufficio con strumenti come il Makigami:

• Tempo di attraversamento. Dal momento in cui arriva l'input al momento in cui l'output validato è nelle mani del destinatario. È il numero che il cliente percepisce, ed è l'unico che conta davvero.

• Tempo di lavorazione effettiva. Quanto ci si lavora sopra realmente. Nei processi d'ufficio è tipicamente una frazione minima del tempo di attraversamento: il resto è attesa, code, passaggi di mano.

• Numero di rilavorazioni. Quante volte il documento torna indietro. È l'indicatore più sensibile alla qualità della delega: se dopo aver introdotto l'AI questo numero sale, il tempo che credete di aver risparmiato lo state pagando qui.

• Percentuale di completo e corretto al primo passaggio. Su dieci pratiche che passano a valle, quante non hanno bisogno di essere rimandate indietro?

Il rapporto fra le prime due vi dice dove sta lo spreco. Le altre due vi dicono se la delega sta funzionando o se state solo spostando lavoro.

Perché questo viene prima dell'AI

Ha una conseguenza scomoda per chiunque stia valutando un investimento. Senza queste quattro grandezze rilevate prima, non potrete mai dimostrare che l'AI ha funzionato. Né a voi stessi, né al controllo di gestione, né alla proprietà. Avrete solo l'entusiasmo delle persone — che, come abbiamo visto, è un indicatore inaffidabile per costruzione.

E qui il 95% del MIT si spiega almeno in parte da solo: una quota rilevante di quei progetti non è fallita. È semplicemente non misurabile, perché nessuno aveva rilevato lo stato di partenza. Un miglioramento che non si può dimostrare, in azienda, non esiste — e alla prima revisione di budget viene tagliato esattamente come se non ci fosse mai stato.

La buona notizia è che il costo di ingresso è ridicolo rispetto a qualunque licenza software. Cinque casi cronometrati su un solo processo. Un foglio, quattro colonne, una settimana di rilevazione. È il prerequisito più economico e più trascurato di tutta la trasformazione digitale.

Il quadrante che non c'è: dove finisce il tempo

C'è un'ultima cosa da dire, ed è quella che separa le aziende in cui l'AI produce valore da quelle in cui produce solo sensazione di velocità.

Torniamo allo studio danese. Alla domanda su cosa avessero fatto del tempo risparmiato, la maggior parte dei lavoratori ha risposto di averlo reinvestito in altri compiti lavorativi. Non in pause: in lavoro. E ciononostante, nei registri, ore e retribuzioni non si muovono.

Il tempo è stato risparmiato, è stato reinvestito, e non ha prodotto alcun effetto misurabile. Il che significa che è stato reinvestito nel posto sbagliato.

BCG, nella stessa indagine da cui viene il dato delle otto ore, fornisce il meccanismo — ed è la metà che i comunicati stampa hanno quasi ovunque ignorato. Di quel 42% che risparmia una giornata a settimana, il 66% dichiara di ricevere indicazioni scarse o nulle su cosa fare del tempo recuperato, e più della metà non lo reindirizza verso attività a maggior valore.

Il tempo viene liberato in un punto. Poi si riempie di nuovo, da solo, con qualunque cosa capiti: più mail, più riunioni, più versioni dello stesso documento, più materiale prodotto semplicemente perché ormai produrlo costa poco.

E qui vale la pena essere precisi: produrre di più non è produrre meglio. Generare tre versioni di una presentazione quando ne serviva una non è efficienza — è attività che ha assorbito il tempo appena liberato senza aggiungere nulla per il destinatario finale.

C'è poi una seconda dinamica, quella che qualunque analisi di flusso mette in evidenza: accelerare una fase non riduce il tempo di attraversamento complessivo se il collo di bottiglia è altrove. Se l'ufficio tecnico produce preventivi in metà tempo ma l'approvazione commerciale resta ferma quattro giorni, il cliente non percepisce alcuna differenza — e nemmeno il conto economico.

Non a caso, il dato più operativo dell'indagine BCG 2026 è questo: le organizzazioni che hanno riprogettato i flussi di lavoro — non semplicemente distribuito licenze — risultano ventiquattro punti percentuali più propense a registrare un miglioramento misurabile del business. E la sola chiarezza strategica, indipendentemente dagli strumenti disponibili, alza l'impatto dell'AI di venticinque punti.

È coerente con il dato che nel 2025 ha fatto più discutere di tutti: il rapporto MIT Project NANDA ha rilevato che il 95% dei progetti pilota di AI generativa non produce alcun impatto misurabile sul conto economico — e ha aggiunto che la spaccatura non dipende dalla qualità dei modelli né dalla regolamentazione, ma dall'approccio.

Le ore si guadagnano a livello di compito. Il valore si crea o si perde a livello di flusso.

Il metodo in cinque righe

• Mappate. Prendete dieci attività ricorrenti del vostro reparto e collocatele nei quattro quadranti. Vi accorgerete di due cose: che state facendo a mano parecchia roba del Quadrante 1, e che state delegando senza revisione parecchia roba del Quadrante 2.

• Misurate prima. Tempo di ciclo completo, dall'input all'output validato. Cinque casi cronometrati bastano — e devono essere cronometrati, per le ragioni viste sopra.

• Scrivete il contesto una volta sola, bene. È l'investimento che sposta i compiti verso sinistra nella matrice.

• Rimisurate contando la verifica. Il guadagno vero è tempo-di-produzione risparmiato meno tempo-di-verifica aggiunto.

• Decidete in anticipo dove va il tempo recuperato, e verificate che sia il vincolo reale del flusso. È l'unica parte che nessuno strumento può fare al posto vostro — ed è quella che separa il 5% dal 95%.

Poi standardizzate ciò che ha funzionato e passate al processo successivo. È un PDCA, non un progetto IT.

Una nota per chi non ha ancora iniziato

Secondo il Rapporto annuale Istat 2026, fra il 2023 e il 2025 la quota di imprese italiane che usa almeno una tecnologia di AI è più che triplicata, dal 6% al 16,4%. Ma sotto la media c'è una spaccatura netta: grandi imprese al 53%, medie al 27%, piccole fino a 49 addetti al 14,2% — con un divario che, controcorrente rispetto a quasi tutti gli altri indicatori digitali, si sta allargando.

E l'ostacolo principale dichiarato dalle PMI che hanno valutato l'AI senza adottarla non è il costo, non è l'incertezza sui ritorni: è la mancanza di competenze interne.

Se siete un'impresa di quaranta persone e non avete ancora fatto nulla, non siete in ritardo rispetto alla media. Siete la media. E alla luce di quel 95% del MIT, essere partiti prima non ha protetto quasi nessuno.

Il vantaggio non andrà a chi ha adottato per primo, ma a chi adotta con metodo. La matrice è un buon punto di partenza: non vi dice cosa può fare l'AI. Vi dice cosa conviene farle fare.

In Leanbet affianchiamo imprese manifatturiere e di servizi nell'integrazione dell'AI nei processi operativi, partendo da dove partiamo sempre: mappatura del flusso, misurazione dello stato attuale, formazione delle persone. La tecnologia è un mezzo. Il metodo e la cultura del miglioramento continuo restano il fine.

Contattaci: info@leanbet.eu o 376 210 8166