I guadagni di produttività dell’IA potrebbero tardare ad arrivare nei flussi di lavoro “weak-link”, in cui le attività dipendono l’una dall’altra

Man mano che l’intelligenza artificiale si diffonde dai call center alla programmazione e alla logistica, il dibattito economico si concentra spesso su una promessa familiare: automatizzare un numero sufficiente di attività e la produttività aumenterà. Eppure, un corpus crescente di ricerche suggerisce che il ritorno può essere più lento e più disomogeneo quando il lavoro è organizzato come una catena di compiti strettamente interconnessi — ciò che gli economisti chiamano una struttura produttiva a “anelli deboli” (weak links), in cui ogni fase dipende dalle altre.

In questi contesti, i compiti si comportano come complementi più che come sostituti. Ciò significa che migliorare un singolo compito non si traduce automaticamente in grandi guadagni nella produzione complessiva se un’altra attività resta un collo di bottiglia. Una fabbrica può installare, per esempio, sistemi di visione per individuare difetti ad alta velocità; ma se la movimentazione a valle, i controlli di conformità o la pianificazione della manutenzione rimangono lenti o soggetti a errori, la linea continuerà a procedere al ritmo della sua fase più debole. Studi che modellano la produzione come un insieme di compiti interdipendenti mostrano che, quando la sostituibilità tra compiti è bassa — talvolta rappresentata da elasticità molto piccole — l’automazione in una sola area può generare miglioramenti aggregati sorprendentemente modesti.

Questo aiuta a spiegare perché le imprese possano riportare successi clamorosi dell’AI in funzioni specifiche mentre le statistiche nazionali sulla produttività si muovono più gradualmente. L’AI tradizionale, basata su sistemi a regole e su machine learning addestrato per compiti circoscritti, da tempo migliora precisione ed efficienza in ambiti come l’ispezione manifatturiera, il credit scoring e la schedulazione. Più di recente, l’AI generativa ha aggiunto un livello di flessibilità: redazione di testi, generazione di codice, produzione di design e interazione con i clienti in linguaggio naturale. Ma anche quando l’AI esegue la propria parte in modo rapido e accurato, le prestazioni end-to-end possono restare limitate da input complementari — approvazioni umane, qualità dei dati, processi organizzativi o requisiti regolatori — che il modello non elimina.

Gli economisti sottolineano che la complementarità cambia gli incentivi all’investimento. Se i rendimenti dell’automazione di un compito dipendono dall’aggiornamento di diversi altri, le imprese possono rinviare l’adozione finché non sono in grado di implementare AI e cambiamenti di processo in pacchetti coordinati. Il risultato è un modello di diffusione che assomiglia meno a una rivoluzione immediata e più a una serie di aggiornamenti scaglionati — soprattutto nei settori fortemente regolamentati come finanza e sanità, dove trasparenza, accountability e documentazione possono diventare vincoli stringenti. I ricercatori che studiano l’adozione tecnologica osservano da tempo che le “tecnologie a uso generale” spesso richiedono innovazioni complementari — nuovi flussi di lavoro, competenze e pratiche manageriali — prima che i loro benefici completi emergano. In molti luoghi di lavoro, l’AI sembra seguire proprio questo copione.

La complementarità ha anche un’implicazione più cupa: può aumentare la vulnerabilità. In un sistema a weak links (anelli deboli), un attaccante non deve compromettere tutto; interrompere il compito più fragile può degradare l’intero output. La ricerca che esplora questi modelli rileva che, quando i compiti sono difficili da sostituire l’uno con l’altro—cioè quando la produzione non può facilmente “aggirare” un guasto—anche piccoli shock possono avere effetti sproporzionati. In termini pratici, questo può significare che i sistemi abilitati dall’AI, pur efficienti, possono anche creare bersagli più chiari. Se un’azienda si affida a un modello di triage automatizzato per le richieste dei clienti, avvelenare i dati che alimentano quel modello, mandarlo offline o manipolarne gli output può creare un collo di bottiglia per l’intera operazione di servizio. Lo stesso vale per le supply chain potenziate dall’AI: un singolo componente compromesso di previsione o instradamento può propagarsi a catena fino a causare consegne mancate e scorte inattive.

La Generative AI aggiunge un ulteriore elemento, perché può ridurre il costo di eseguire certi attacchi. La ricerca ha evidenziato come l’AI possa scalare messaggi di phishing convincenti, automatizzare il social engineering e accelerare la scoperta di vulnerabilità dei sistemi. Quando la produzione è complementare, il danno economico di queste tattiche può aumentare: un attacco che ritarda anche solo una fase critica—verifica dell’identità, elaborazione dei pagamenti o spedizione—può fermare il resto. In altre parole, i guadagni di produttività dell’AI possono arrivare lentamente negli ambienti a weak links, ma il potenziale di interruzione può arrivare rapidamente.

Anche i mercati del lavoro riflettono questo mix di benefici graduali e posta in gioco più alta. Le previsioni sintetizzate in studi internazionali suggeriscono un ricambio sostanziale entro il 2030, con molti ruoli sconvolti dalla tecnologia mentre ne emergono ancora più nuovi. La complementarità aiuta a conciliare queste forze: l’automazione può sostituire o comprimere alcuni compiti, ma può anche aumentare il valore dei compiti rimanenti che l’AI non riesce facilmente a sostituire—supervisione, giudizio, compliance e lavoro ad alta intensità relazionale. Questo, a sua volta, accresce la domanda di nuovi ruoli per costruire, monitorare e governare i sistemi di AI, inclusi ingegneri, specialisti dei dati e professionisti di etica e rischio.

Per i decisori pubblici e i leader aziendali, la lezione non è semplicemente “adottare l’AI”, ma comprendere il sistema che la circonda. Dove la produzione assomiglia a una catena, i ritorni economici dipendono dal rafforzamento di più anelli: pipeline dei dati, cybersecurity, formazione dei dipendenti e procedure di fallback resilienti. Altrimenti, l’AI può rendere un segmento di livello mondiale lasciando però l’intero processo solo marginalmente migliore—e potenzialmente più facile da mandare fuori equilibrio.

Perché è importante

L’AI è spesso trattata come un sostituto diretto del lavoro umano, ma in molte organizzazioni reali funziona come un componente all’interno di un sistema strettamente interconnesso. Quando i compiti sono complementari, i guadagni di produttività dipendono da aggiornamenti coordinati, mentre la stessa struttura può amplificare i danni dovuti a errori o attacchi. Capire dove si trovano i colli di bottiglia può determinare se l’AI diventerà uno strumento di efficienza a combustione lenta—oppure una nuova fonte di rischio sistemico.