L’IA non riduce il lavoro, lo intensifica

MOLTE AZIENDE oggi sono preoccupate di come convincere un maggior numero di dipendenti a utilizzare l’intelligenza artificiale. Dopotutto, è piuttosto allettante la promessa che l’IA riduca il carico di alcuni lavori, come la redazione di documenti di routine, la sintesi di informazioni e il debug del codice, consentendo ai lavoratori di dedicare più tempo ad attività di più alto valore.

Ma sono pronte per ciò che potrebbe accadere se avessero successo? Mentre i leader si concentrano sulla promessa degli aumenti di produttività, potrebbero trovarsi sorpresi da una realtà assai più complessa e non rendersi conto di quanto costino loro questi aumenti fino a quando non sarà troppo tardi.

Nella nostra ricerca, in corso, abbiamo scoperto che gli strumenti di IA non hanno ridotto il lavoro, ma lo hanno costantemente intensificato. In uno studio di otto mesi su come l’IA generativa ha cambiato le abitudini di lavoro in un’azienda tecnologica con sede negli Stati Uniti con circa 200 dipendenti, abbiamo scoperto che i dipendenti lavoravano a un ritmo più veloce, assumevano un ambito di attività più ampio e prolungavano il lavoro in più ore della giornata, spesso senza che gli venisse chiesto di farlo.

È importante sottolineare che l’azienda non ha imposto l’uso dell’IA (anche se ha offerto abbonamenti aziendali a strumenti di IA disponibili in commercio). Di propria iniziativa, i lavoratori hanno fatto di più perché l’IA ha reso “fare di più” possibile, accessibile e, in molti casi, intrinsecamente gratificante.

Sebbene per i leader questo possa sembrare un sogno che diventa realtà, i cambiamenti determinati dall’adozione entusiastica dell’IA possono essere insostenibili e causare problemi in futuro. Una volta svanito l’entusiasmo della sperimentazione, i lavoratori possono rendersi conto che il loro carico di lavoro è aumentato silenziosamente e sentirsi sotto pressione nel doversi destreggiare tra tutte le nuove responsabilità che si sono improvvisamente aggiunte. Questo aumento del carico di lavoro può a sua volta portare ad affaticamento cognitivo, burnout e indebolimento del processo decisionale. L’aumento di produttività goduto all’inizio può lasciare il posto a un lavoro di qualità inferiore (workslop), al turnover e ad altri problemi.

Questo rischia di mettere i leader in una situazione difficile. Cosa dovrebbero fare? Chiedere ai dipendenti di autoregolarsi non è una strategia vincente. Piuttosto, le aziende devono sviluppare una serie di norme e standard sull’uso dell’intelligenza artificiale, ciò che chiamiamo “pratica dell’IA”. Ecco cosa devono sapere e cosa possono fare per preparare i loro dipendenti in modo che abbiano successo.

Come l’IA generativa intensifica il lavoro

Da aprile a dicembre dello scorso anno (2025), abbiamo studiato come gli strumenti di intelligenza artificiale generativa hanno cambiato le abitudini di lavoro in un’azienda tecnologica. Lo abbiamo fatto attraverso osservazioni dirette due giorni alla settimana, monitorando i canali di comunicazione interna e conducendo più di 40 interviste approfondite nei settori dell’ingegneria, dei prodotti, del design, della ricerca e delle operazioni.

Abbiamo identificato tre forme principali di intensificazione.

Espansione dei compiti. Poiché l’IA può colmare le lacune di conoscenza, i lavoratori hanno assunto sempre più responsabilità che in precedenza appartenevano ad altri. I product manager e i designer hanno iniziato a scrivere codice; i ricercatori hanno assunto compiti di ingegneria; e i membri dell’organizzazione hanno tentato di svolgere lavori che in passato avrebbero esternalizzato, rinviato o evitato del tutto.

L’IA generativa ha reso questi compiti improvvisamente accessibili. Questi strumenti hanno fornito ciò che molti hanno percepito come un potenziamento cognitivo: hanno ridotto la dipendenza dagli altri e hanno offerto feedback e correzioni immediate durante il processo. I lavoratori hanno descritto questo fenomeno come “semplicemente provare cose” con l’IA, ma questi esperimenti hanno portato a un significativo ampliamento dell’ambito di lavoro. Infatti, i lavoratori hanno assunto sempre più compiti che in precedenza avrebbero richiesto un aiuto o personale aggiuntivo.

L’ampliamento delle competenze delle persone ha avuto effetti a catena. Ad esempio, gli ingegneri, a loro volta, hanno dedicato più tempo alla revisione, alla correzione e alla guida del lavoro generato dall’IA o assistito dall’IA prodotto dai colleghi. Queste richieste andavano oltre la revisione formale del codice. Gli ingegneri si sono trovati sempre più spesso a istruire i colleghi che stavano facendo “vibe-coding” e a completare realizzazioni solo parzialmente finite. Questa supervisione spesso emergeva in modo informale, nelle discussioni su Slack o nelle rapide consultazioni alla scrivania, aumentando il carico di lavoro degli ingegneri.

Confini sfumati tra lavoro e non lavoro. Poiché l’IA rendeva così facile iniziare un’attività, riducendo l’attrito di trovarsi di fronte a una pagina bianca o a un punto di partenza sconosciuto, i lavoratori inserivano piccole quantità di lavoro in momenti che prima erano delle pause. Molti utilizzavano l’IA durante il pranzo, nelle riunioni o mentre aspettavano il caricamento di un file. Alcuni decidevano di inviare un “ultimo prompt veloce” proprio prima di lasciare la scrivania, in modo che l’IA potesse lavorare mentre loro si allontanavano.

Queste azioni raramente venivano percepite come un aumento del carico di lavoro, ma col tempo hanno portato a una giornata lavorativa con meno pause naturali e un coinvolgimento più continuativo nel lavoro. Lo stile conversazionale dei prompt ha ulteriormente agevolato l’esperienza: digitare una riga in un sistema di IA sembrava più simile a una chiacchierata che a un compito formale, rendendo facile il protrarsi del lavoro fino a sera o alle prime ore del mattino senza un’intenzione deliberata.

Alcuni lavoratori hanno descritto di aver capito, spesso col senno di poi, che man mano che i prompt durante le pause diventavano abituali, i tempi di inattività non fornivano più lo stesso senso di recupero. Di conseguenza, il lavoro diventava meno limitabile, qualcosa che poteva sempre essere portato un po’ più avanti. Il confine tra lavoro e non lavoro non è scomparso, ma è diventato più facile da superare.

Più multitasking. L’IA ha introdotto un nuovo ritmo in cui i lavoratori gestivano più filoni attivi contemporaneamente: scrivere manualmente il codice mentre l’IA generava una versione alternativa, eseguire più agenti in parallelo o riprendere compiti a lungo rinviati perché l’IA poteva “gestirli” in background. Lo facevano, in parte, perché sentivano di avere un “partner” che poteva aiutarli a smaltire il loro carico di lavoro.

Sebbene questa sensazione di avere un “partner” abbia dato slancio al lavoro, la realtà era un continuo spostamento dell’attenzione, frequenti controlli dei risultati dell’IA e un numero crescente di attività aperte. Ciò ha creato un carico cognitivo e la sensazione di dover sempre destreggiarsi, anche se il lavoro sembrava produttivo.

Nel corso del tempo, questo ritmo ha aumentato le aspettative in termini di velocità, non necessariamente attraverso richieste esplicite, ma attraverso ciò che è diventato visibile e normalizzato nel lavoro quotidiano. Molti lavoratori hanno notato che stavano facendo più cose contemporaneamente e sentivano più pressione rispetto a prima nell’utilizzare l’IA, anche se il risparmio di tempo derivante dall’automazione era apparentemente destinato a ridurre tale pressione.

Cosa significa questo per le organizzazioni e come può aiutare una “pratica di IA”

Tutto ciò ha prodotto un ciclo che si autoalimenta. L’IA ha accelerato alcune attività, aumentando le aspettative in termini di velocità; la maggiore velocità ha reso i lavoratori più dipendenti dall’IA. La maggiore dipendenza ha ampliato la portata di ciò che i lavoratori tentavano di fare e una portata più ampia ha ulteriormente aumentato la quantità e la densità del lavoro. Diversi partecipanti hanno osservato che, sebbene si sentissero più produttivi, non si sentivano meno impegnati e, in alcuni casi, si sentivano invece più impegnati di prima. Come ha sintetizzato un ingegnere: “Pensavi che forse, dato che potevi essere più produttivo con l’IA, avresti risparmiato tempo e avresti potuto lavorare meno. Ma poi, in realtà, non lavori meno. Lavori solo lo stesso o anche di più”.

Le organizzazioni potrebbero vedere questa espansione volontaria del lavoro come una chiara vittoria. Dopotutto, se i lavoratori lo fanno di propria iniziativa, perché dovrebbe essere un male? Non è questa l’esplosione di produttività che ci era stata promessa?

Ma la nostra ricerca rivela i rischi di lasciare che il lavoro si espanda e acceleri in modo informale: quella che sembra una maggiore produttività nel breve periodo può mascherare un silenzioso aumento del carico di lavoro e una crescente tensione cognitiva, poiché i dipendenti devono destreggiarsi tra più flussi di lavoro abilitati dall’IA. Poiché lo sforzo supplementare è volontario e spesso presentato come una sperimentazione piacevole, è facile per i leader trascurare il carico aggiuntivo che i lavoratori devono sostenere. Nel tempo, il superlavoro può compromettere la capacità di giudizio, aumentare la probabilità di errori e rendere più difficile per le organizzazioni distinguere i reali aumenti di produttività dall’intensità insostenibile. Per i lavoratori, l’effetto cumulativo è la stanchezza, il burnout e la crescente sensazione che sia più difficile allontanarsi dal lavoro, soprattutto con l’aumentare delle aspettative dell’organizzazione in termini di velocità e reattività.

Invece di rispondere passivamente al modo in cui gli strumenti di IA stanno ridefinendo i luoghi di lavoro, sia gli individui che le aziende dovrebbero adottare una “pratica di IA”: un insieme di norme e routine intenzionali che strutturano il modo in cui l’IA viene utilizzata, quando è opportuno interromperne l’uso e come il lavoro dovrebbe e non dovrebbe espandersi in risposta alle nuove capacità acquisite. Senza tali pratiche, la tendenza naturale del lavoro assistito dall’IA non è la contrazione, ma l’intensificazione, con implicazioni per il burnout, la qualità delle decisioni e la sostenibilità a lungo termine.

Mentre le organizzazioni lavorano per costruire la loro pratica di IA, dovrebbero considerare l’adozione di:

Pause intenzionali. Man mano che i compiti accelerano e i confini si confondono, i lavoratori potrebbero trarre vantaggio da brevi momenti strutturati che regolano il ritmo: intervalli protetti per valutare l’allineamento, riconsiderare le ipotesi o assorbire le informazioni prima di andare avanti.

Queste pause non rallenterebbero il lavoro nel complesso, ma impedirebbero semplicemente il silenzioso accumulo di sovraccarico che emerge quando l’accelerazione non viene controllata. Ad esempio, una pausa decisionale potrebbe richiedere, prima di finalizzare una decisione importante, una controargomentazione e un collegamento esplicito agli obiettivi organizzativi, ampliando il campo di attenzione quanto basta per proteggersi dalla deriva. Incorporare tali pause nel flusso di lavoro quotidiano è un modo in cui le organizzazioni possono supportare decisioni migliori, confini più sani e forme di produttività più sostenibili in ambienti potenziati dall’IA.

Sequenziamento. Poiché l’IA consente un’attività costante in background, le organizzazioni possono trarre vantaggio da norme che modellano deliberatamente quando il lavoro va avanti, non solo quanto velocemente. Ciò include il raggruppamento delle notifiche non urgenti, il mantenimento degli aggiornamenti fino a punti di interruzione naturali e la protezione delle finestre di concentrazione in cui i lavoratori sono protetti dalle interruzioni.

Anziché reagire a ogni output generato dall’IA man mano che appare, il sequenziamento incoraggia il lavoro ad avanzare in fasi coerenti. Quando il coordinamento è scandito in questo modo, i lavoratori sperimentano meno frammentazione e meno cambi di contesto costosi, mentre i team mantengono la produttività complessiva. Regolando l’ordine e i tempi del lavoro, anziché richiedere una reattività continua, il sequenziamento può aiutare le organizzazioni a preservare l’attenzione, ridurre il sovraccarico cognitivo e supportare un processo decisionale più ponderato nei luoghi di lavoro orientati all’IA.

Radicamento umano. Poiché l’IA consente un lavoro più autonomo e indipendente, le organizzazioni possono trarre vantaggio dalla protezione del tempo e dello spazio dedicati all’ascolto e alla connessione umana. Brevi opportunità di interagire con gli altri, sia attraverso brevi check-in, momenti di riflessione condivisa o dialoghi strutturati, interrompono il coinvolgimento continuo con gli strumenti di IA e aiutano a ripristinare la prospettiva.

Oltre alla prospettiva, lo scambio sociale supporta la creatività. L’IA fornisce una prospettiva unica e sintetizzata, ma l’intuizione creativa dipende dall’esposizione a molteplici punti di vista umani. Istituzionalizzando il tempo e lo spazio per l’ascolto e il dialogo, le organizzazioni ancorano nuovamente il lavoro al contesto sociale e contribuiscono a contrastare gli effetti esaurenti e individualizzanti del lavoro veloce e mediato dall’IA.

LA PROMESSA DELL’IA GENERATIVA non risiede solo in ciò che può fare per il lavoro, ma anche nel modo ponderato in cui viene integrata nel ritmo quotidiano. I nostri risultati suggeriscono che, senza intenzionalità, l’IA rende più facile fare di più, ma più difficile smettere. Una pratica di IA offre un contrappeso: un modo per preservare momenti di recupero e riflessione anche quando il lavoro accelera. La domanda che le organizzazioni devono porsi non è se l’IA cambierà il lavoro, ma se saranno loro a plasmare attivamente quel cambiamento o se lasceranno che sia lui a plasmare silenziosamente loro.

Aruna Ranganathan è professoressa associata di Management e organizzazione alla Haas School of Business dell’Università della California, Berkeley. Ha conseguito il dottorato di ricerca presso la Sloan School of Management del MIT. Xingqi Maggie Ye è dottoranda nel gruppo di Management e organizzazione alla Haas, ha conseguito il master alla Cornell University e una laurea all’Imperial College di Londra.