AI-first company

Misurazione · Adottare

Misuri il tempo risparmiato per attività rispetto a una misurazione di partenza

Registri quanto tempo richiede un’attività e quanto è buono il risultato prima di introdurre l’IA. Senza questo dato di partenza non può distinguere un guadagno reale da uno sperato.

Autore
Ultima revisione
Correzioni
Segnala un errore
Quando Prima di tutto. Prima di iniziare con l’IA, o mentre inizia.
Impegno Basso (giorni, una persona)
Prove Pratica diffusa

Raccomandata da molti. Nessuno studio ha verificato se le aziende che misurano rispetto a una misurazione di partenza ottengano risultati migliori. Una sperimentazione randomizzata mostra che le stime delle persone stesse possono andare nella direzione sbagliata: per questo una cifra presa altrove, o data dal personale, non sostituisce una cifra misurata.

Adatta a
Settori Tutti i settori
Nella guida Micro e piccole imprese

Di che cosa si tratta

Prima di introdurre l’IA, registri il dato che vuole migliorare: minuti per caso trattato, casi trattati all’ora, tasso di errore. Quel dato è la sua misurazione di partenza. Quando l’IA è in uso, misuri la stessa cosa nello stesso modo e confronti.

Che cosa mostrano le prove

I risultati pubblicati variano molto, quindi la cifra di qualcun altro le dice poco sulla sua.

I tre studi non si contraddicono. I primi due hanno misurato una singola attività scelta con cura. Il terzo ha misurato tutte le persone che avevano accesso a un chatbot.

Le stime delle persone stesse sono una guida debole, quindi misuri invece di chiedere.

  • Il personale può sentirsi più veloce ed essere più lento. In una sperimentazione randomizzata con 16 sviluppatori di software esperti, per ciascuna di 246 attività reali l’uso dell’IA è stato permesso o vietato a caso. Con l’IA le attività hanno richiesto il 19% di tempo in più. Prima, gli sviluppatori si aspettavano che l’IA li rendesse più veloci del 24%. Dopo, credevano che li avesse resi più veloci di circa il 20%.
  • Le dichiarazioni a livello nazionale sono piccole. In una serie di indagini online su adulti statunitensi condotta dagli economisti Bick, Blandin e Deming, gli occupati hanno stimato il tempo che l’IA generativa fa loro risparmiare al 2,17% di tutte le loro ore di lavoro nel secondo trimestre del 2026. Quella cifra è dichiarata dagli interessati.

I rendimenti dichiarati sono un’altra cosa ancora. In un’indagine di IDC per Microsoft, che vende strumenti di IA, i dirigenti d’azienda hanno dichiarato un rendimento medio di $3,50 per ogni $1 investito nell’IA. Quella cifra è ciò che i dirigenti hanno detto, non una misurazione. Quando è stato chiesto a quasi 6.000 dirigenti in quattro Paesi, nove su dieci non hanno riferito alcun effetto dell’IA sulla produttività o sull’occupazione della propria impresa negli ultimi tre anni.

Come si fa

  1. Scelga una o due misure per attività: il tempo per caso trattato e una misura di qualità.
  2. Le registri per qualche settimana prima del cambiamento. Usi i registri dei sistemi quando può, non stime. Non si può ricostruire una misurazione di partenza dopo. Quando la sperimentazione sugli sviluppatori citata sopra è stata ripetuta nel 2026, molti sviluppatori non volevano lavorare senza IA, e il 30–50% teneva da parte le attività che non voleva fare senza, quindi il confronto non ha funzionato. In quattro centri di endoscopia in Polonia, tre mesi dopo l’arrivo dell’IA il tasso di individuazione dei medici nelle colonscopie fatte senza IA era già sceso dal 28,4% al 22,4%. Una cifra “senza IA” presa dopo l’introduzione fa sembrare l’IA migliore di quanto sia.
  3. Cambi una cosa alla volta.
  4. Misuri di nuovo quando le persone hanno superato il periodo di apprendimento.
  5. Se può, tenga un gruppo che lavora nel modo vecchio per avere un confronto. Lo organizzi all’inizio. Quando le persone si sono abituate allo strumento, rifiutano il modo vecchio o scelgono quali attività farci rientrare.
  6. Conti il tempo di controllo e correzione come parte del nuovo processo.
  7. Comunichi il risultato anche quando è piccolo o negativo.

Che cosa misurare

  • Tempo per caso trattato o casi trattati all’ora.
  • Una misura di qualità: tasso di errore, lavoro da rifare, reclami dei clienti.
  • Il tempo di controllo aggiunto dall’IA.
  • Vendite o onorari per lavoro, e se i suoi prezzi sono cambiati. Tempo risparmiato e denaro guadagnato possono divergere. Tra le piccole imprese statunitensi con dipendenti che usano l’IA, il 71% ha detto in un’indagine della Federal Reserve che la propria produttività era aumentata, e il 31% che le proprie vendite erano aumentate.
  • Spesa esterna evitata. Nella stessa indagine, il 18% delle imprese che usano l’IA aveva ridotto la spesa per servizi esterni.
  • Lavoro che prima non si faceva: richieste senza risposta, prodotti senza descrizione. In esperimenti randomizzati su una grande piattaforma di vendita online, l’aumento di vendite più grande, il 16,3%, è venuto da un chatbot che rispondeva ad acquirenti che prima non avevano alcun aiuto dal vivo.
  • Una misura oggettiva della qualità, non solo le valutazioni dei clienti. In un esperimento sul campo nell’assistenza clienti di Alibaba, l’aiuto dell’IA ha migliorato le valutazioni dei clienti, ma i clienti tornavano con lo stesso problema altrettanto spesso. Lo studio è un documento di lavoro, non ancora sottoposto a revisione tra pari.
  • Produzione al giorno, quando le persone fanno girare più attività di IA alla volta. Nella ripetizione del 2026 della sperimentazione sugli sviluppatori, il tempo per attività ha smesso di essere affidabile quando gli sviluppatori facevano lavorare più agenti di IA in parallelo.

Per vedere quanti minuti alla settimana ogni persona deve risparmiare per coprire i costi, inserisca le sue cifre in L’IA si ripaga?.

Dove non funziona

  • Risparmi di tempo dichiarati dagli interessati. Le stime delle persone possono sbagliare la direzione, non solo l’entità. Gli sviluppatori citati sopra si sentivano più veloci ed erano più lenti. Anche due valutazioni del governo del Regno Unito sullo stesso assistente per l’ufficio non coincidono. Nell’insieme dell’amministrazione pubblica, gli utenti hanno detto che Microsoft 365 Copilot faceva loro risparmiare 26 minuti al giorno. HMRC, l’autorità fiscale del Regno Unito, ha dato 3.000 licenze a dipendenti scelti a caso e ha ridotto di circa il 20% le cifre dichiarate per correggerne la distorsione. Ha trovato circa 60 minuti alla settimana. Entrambe le cifre sono ciò che il personale ha detto. Veda la verifica delle cifre sui 26 minuti. Usi i registri dei sistemi o campioni cronometrati.
  • Velocità senza qualità. Un processo più veloce che produce più errori non è un guadagno.
  • Tempo risparmiato che non va da nessuna parte. I minuti risparmiati per attività contano solo se quel tempo viene messo a frutto. In un esperimento sul campo con 7.137 lavoratori di 66 imprese, i lavoratori che avevano ricevuto un assistente di IA per l’ufficio passavano circa due ore in meno alla settimana sulle email, e la quantità e il tipo del resto del loro lavoro non sono cambiati. Tre dei quattro autori lavoravano per Microsoft, che vende l’assistente. Decida in anticipo per cosa sarà usato il tempo.
  • Fatturare a ore. Se fa pagare ai clienti il tempo, un’ora che l’IA fa risparmiare è un’ora che non può più fatturare, a meno che cambi il modo in cui fissa i prezzi. Clio, che vende software per studi legali, riferisce che nella sua indagine del 2026 l’86% degli avvocati che lavorano da soli e il 78% dei piccoli studi legali non aveva cambiato i prezzi a causa dell’IA. Prima di contare come guadagno il tempo risparmiato, decida se farà pagare a lavoro, a forfait o a ore, e che effetto ha sui suoi onorari.
  • Lavoro difficile da contare. Per il lavoro specialistico vario, confronti campioni del risultato, non minuti.

Per dimensione dell’azienda

  • Micro e piccole imprese: bastano un foglio di calcolo e un conteggio di due settimane. Annoti nello stesso foglio le vendite o gli onorari per lavoro. Se fattura a ore, decida come fisserà i prezzi prima di mettere in conto il tempo risparmiato.
  • Medio-grandi e grandi imprese: usi i dati dei sistemi che gestiscono il flusso di lavoro e concordi le misure con l’amministrazione e finanza prima che il progetto parta, così il risultato verrà accettato dopo.

La veda applicata

Casi aziendali

Aziende che l’hanno fatto

Cosa è successo senza questa pratica

Fonti

  1. Humlum and Vestergaard (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777 (revised March 2026). Cosa ha fatto e cosa ha trovato questo studio
  2. Brynjolfsson, Li and Raymond (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Cosa ha fatto e cosa ha trovato questo studio
  3. Noy and Zhang (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. Cosa ha fatto e cosa ha trovato questo studio
  4. Becker, Rush, Barnes and Rein (METR) (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, published 10 July 2025 (arXiv 2507.09089); follow-up published 24 February 2026. Cosa ha fatto e cosa ha trovato questo studio
  5. Dillon, Jaffe, Immorlica and Stanton (2025). Shifting Work Patterns with Generative AI. NBER Working Paper 33795; arXiv 2504.11436, version 4 (November 2025). Cosa ha fatto e cosa ha trovato questo studio
  6. Budzyń, Romańczyk, Kitala and colleagues (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903. Cosa ha fatto e cosa ha trovato questo studio
  7. Federal Reserve Banks (2026). Small Business Credit Survey: 2026 Report on Employer Firms. Federal Reserve Banks, Small Business Credit Survey (published March 2026). Cosa ha fatto e cosa ha trovato questo studio
  8. Fang, Yuan, Zhang, Donati and Sarvary (2025). Generative AI and Sales Productivity: Field Experiments in Online Retail. arXiv 2510.12049, version 6 (29 June 2026). Cosa ha fatto e cosa ha trovato questo studio
  9. Yotzov, Barrero, Bloom, Bunn, Davis, Foster, Jalca, Meyer, Mizen, Navarrete, Smietanka, Thwaites and Wang (2026). Firm Data on AI. NBER Working Paper 34836 (February 2026, revised March 2026). Cosa ha fatto e cosa ha trovato questo studio
  10. Microsoft (2023), reporting IDC survey research: an average return of $3.50 per $1 invested in AI, as reported by business leaders. blogs.microsoft.com
  11. Bick, Blandin and Deming. Generative AI, time savings: employed adults (series RPSGENAITSALL), from the Real-Time Population Survey, an online survey of US adults. Federal Reserve Bank of St. Louis, FRED. fred.stlouisfed.org
  12. UK Government Digital Service (2 June 2025). Microsoft 365 Copilot experiment: cross-government findings report. gov.uk
  13. Ni, Wang, Feng, Lu, Wang and Zhou (2026). Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations. arXiv 2603.29888. Working paper, not peer-reviewed. arxiv.org
  14. Clio (2026). Legal Trends for Solo and Small Law Firms. Press release. Clio sells legal software with AI built in. clio.com

Affermazioni su questo tema, verificate con questi studi: