Tra i dipendenti statunitensi che usano l'AI per uno o due compiti distinti, il 45% riporta un effetto positivo sulla propria produttività. Tra chi la usa per sette o più, la quota è del 90% (Gallup, 2026). Stessi strumenti. Stesse licenze. Stesso budget di formazione. L'unica variabile che è cambiata è quante parti diverse del lavoro lo strumento tocca davvero.
Quel gradiente è il numero operativamente più utile pubblicato quest'anno sulla produttività dell'AI, e punta in una direzione scomoda: ciò che la maggior parte dei rollout nel mid-market sta ottimizzando — l'accesso — si trova sulla parte piatta della curva.
Il gradiente di produttività dell'AI che Gallup ha effettivamente misurato
La rilevazione Gallup sul lavoro nel Q2 2026 colloca l'integrazione organizzativa dell'AI al 47% dei dipendenti statunitensi, in crescita di sei punti dal 41% del trimestre precedente. L'uso personale è al 52%; il 30% usa l'AI almeno alcune volte a settimana, il 15% ogni giorno (Gallup, 2026).
Questi sono i numeri da titolo, ed è a questi che finiscono per ridursi le presentazioni al board. Il taglio più interessante è la scomposizione per ampiezza di applicazione — la quota che riporta un effetto sulla produttività abbastanza o estremamente positivo, raggruppata per quanti compiti distinti il dipendente affida all'AI:
- 1–2 casi d'uso: 45%
- 3–4 casi d'uso: 66%
- 5–6 casi d'uso: 78%
- 7 o più: 90%
La curva è più ripida in basso. Portare un dipendente da due applicazioni a quattro vale circa 21 punti di beneficio riportato. Portarlo da cinque a sette ne vale circa 12. Il ritorno più grande disponibile nella maggior parte delle aziende mid-market non è nei power user: è nella maggioranza ferma a uno o due usi, che nella maggior parte dei casi ha già una licenza.
Perché questo riformula la domanda sul rollout
La domanda standard sul rollout è quante persone hanno accesso. I dati Gallup suggeriscono che la domanda migliore sia quanti lavori sono stati mappati. Sembrano simili. Vengono finanziate in modo completamente diverso — una è una voce di acquisto, l'altra è un progetto operativo — ed è esattamente per questo che la maggior parte delle aziende continua a rispondere alla prima.
Il mix di utilizzo è invertito rispetto al valore
Il secondo risultato è più tagliente del primo, perché spiega perché così tanti dipendenti restino fermi a uno o due usi.
I dati Gallup su cosa le persone usano davvero l'AI, messi a confronto con il rendimento di quelle applicazioni in termini di produttività:
| Applicazione | Quota di utenti AI | Riporta guadagno di produttività |
|---|---|---|
| Scrittura e revisione | 51% | 68% |
| Ricerca e documentazione | 49% | 65% |
| Data science e analytics | 18% | 75% |
| Slide e presentazioni | 17% | 76% |
| Assistenza alla programmazione | 16% | 77% |
| Automazione di processo | 16% | 77% |
Si leggano le due colonne l'una contro l'altra. Le due applicazioni più usate sono quelle che rendono meno in produttività. Le quattro meglio valutate sono usate ciascuna da meno di un utente AI su cinque (Gallup, 2026).
Il percorso di adozione di default — scrivere più in fretta, cercare più in fretta — è quello che si generalizza a ogni ruolo e non richiede lavoro di processo a nessuno. È anche quello che si esaurisce prima. Le applicazioni che rendono di più sono quelle che toccano un flusso di lavoro specifico: una riconciliazione, la costruzione di un report, un passaggio di consegne, uno script. A quelle nessuno arriva aprendo una finestra di chat. Qualcuno deve mapparle.
C'è una conseguenza di budget nascosta in quella tabella. Scrittura e ricerca sono le due applicazioni su cui una demo di un fornitore si vende da sola, perché non richiedono configurazione né contesto sul vostro business. Sono anche le due che un dipendente può adottare da solo, in un pomeriggio, senza chiedere niente a nessuno. Tutto ciò che rende sopra il 75% richiede che qualcuno sappia come funziona un processo specifico prima che lo strumento possa esservi puntato contro. Quella conoscenza sta nella vostra funzione operations, non nel fornitore e non nel singolo — ed è per questo che la fascia ad alto valore resta ferma al 16% di adozione in un mercato in cui le licenze sono ormai universali.
I dati Gallup sulla frequenza confermano questa lettura. Gli utenti frequenti hanno una probabilità circa tre volte maggiore rispetto agli utenti sporadici di usare l'AI per la programmazione (22% contro 8%) e per l'automazione (21% contro 8%), e più che doppia per la gestione di attività e progetti (21% contro 9%). Ampiezza e profondità arrivano insieme, ed entrambe arrivano dal lato processo del lavoro.
La stessa settimana, due realtà opposte
Ecco la parte che vale la pena portare alla vostra prossima revisione operativa.
Gallup ha pubblicato il suo salto di sei punti nell'adozione il 20 luglio 2026. Il giorno dopo, il Productivity Lab di ActivTrak ha pubblicato telemetria comportamentale su 120.620 lavoratori, classificando la maturità dell'AI in base all'attività osservata anziché a licenze, login o autodichiarazioni. Il risultato: il 27% dei lavoratori raggiunge l'Assistenza alla Ricerca, il 14% l'Esecuzione di Compiti e il 2% l'Integrazione nel Flusso di Lavoro (ActivTrak, 2026).
Due dataset credibili, pubblicati a ventiquattr'ore di distanza, che descrivono la stessa forza lavoro in termini opposti. Non c'è alcuna contraddizione da risolvere: misurano cose diverse. Gallup misura se l'AI ha raggiunto le persone. ActivTrak misura se ha raggiunto il lavoro. L'accesso sta scalando rapidamente. La riprogettazione del lavoro no.
Quel 2% è il pavimento empirico sotto la coorte "7 o più" di Gallup. Il dato del 90% di produttività è reale, e descrive un numero molto ristretto di persone che hanno ristrutturato il modo in cui funziona il proprio lavoro.
Cosa comporta per la vostra dashboard
Se il vostro reporting sull'AI è costruito su licenze attivate, utenti attivi settimanali e tempo risparmiato autodichiarato, ognuna di quelle metriche sta seguendo la sezione piatta della curva Gallup. Saliranno tutte in un rollout che non produce nemmeno un flusso di lavoro riprogettato — e saliranno più in fretta proprio nella fascia scrittura-e-revisione che rende meno in produttività.
Distribuzione non è adozione. La vostra dashboard, oggi, non sa distinguerle.
Dove questa evidenza si ferma
Tre limiti, dichiarati prima che qualcuno costruisca un business case sul gradiente.
Il legame ampiezza–produttività è correlazionale. Gallup lo dice esplicitamente. L'autoselezione è una spiegazione alternativa concreta: i dipendenti che già traggono valore dall'AI vanno a cercarne altri ambiti di applicazione, quindi la freccia causale potrebbe andare nella direzione opposta a quella che la lettura operativa assume.
La superficie utile varia per ruolo. Alcuni lavori offrono davvero sette applicazioni AI plausibili; altri ne offrono due. Un analista finanziario e un tecnico sul campo non sono ugualmente aggredibili, e un mandato del tipo "portare tutti a cinque casi d'uso" fabbricherà lavoro inutile nei ruoli che non li hanno.
Sia la misura di produttività sia il conteggio dei casi d'uso sono autodichiarati. Provengono dallo stesso rispondente nello stesso strumento, che è esattamente la condizione in cui beneficio percepito e comportamento riportato tendono a muoversi insieme.
Ciò che sopravvive a queste cautele è l'asimmetria operativa, non le percentuali specifiche. I dipendenti fermi a una o due applicazioni sono la larga maggioranza, sono la coorte più economica da spostare, e ogni applicazione ad alto rendimento sta dal lato processo del lavoro, non dal lato scrittura. È abbastanza per cambiare dove un rollout spende il prossimo trimestre, anche se non è abbastanza per promettere un numero.
Spostate la metrica dalle licenze attivate ai casi d'uso per ruolo
La letteratura più ampia punta in questa direzione da un anno, dal lato investimenti anziché dal lato utilizzo.
Il rapporto Deloitte State of AI in the Enterprise 2026, su 3.235 leader in 24 Paesi, ha individuato nelle competenze insufficienti dei lavoratori la principale barriera all'integrazione dell'AI — e una risposta sbilanciata a questa barriera. Il 53% forma la forza lavoro per aumentarne la padronanza dell'AI, ma solo il 30% ripensa l'organizzazione attorno ai nuovi pattern dell'AI e il 33% ridisegna i percorsi di carriera (Deloitte, 2026). Tutti formano. Quasi nessuno ridisegna.
Il Work Trend Index 2026 di Microsoft, condotto su 20.000 lavoratori in 10 Paesi, quantifica il costo di questo scarto: i fattori organizzativi — cultura, supporto manageriale, pratiche di gestione dei talenti — determinano più del doppio dell'impatto AI realizzato rispetto ai fattori individuali, 67% contro 32% (Microsoft, 2026). Solo il 26% degli utenti AI riporta una leadership allineata su una strategia AI.
Mettete i tre dataset in sequenza e il disegno del rollout si scrive da sé. L'accesso è risolto. La padronanza individuale è finanziata. La variabile di cui nessuno è titolare è la mappatura tra un ruolo specifico e i due o tre compiti lato processo dove l'AI rende davvero — e quella mappatura è un deliverable delle operations, non della formazione.
La versione pratica
Scegliete tre ruoli, non l'intera azienda. Alto numero di addetti, alta ripetitività, oggi fermi a uno o due usi dell'AI. Quella coorte ha la pendenza più ripida disponibile.
Nominate i casi d'uso prima di nominare lo strumento. Per ogni ruolo, scrivete due o tre compiti ricorrenti specifici — la riconciliazione settimanale, la sintesi fornitori, lo smistamento dei ticket. Abbastanza specifici da poter dire se sono accaduti.
Orientate la lista verso la fascia a bassa adozione e alto rendimento. Automazione, analytics, assistenza alla programmazione, produzione di slide. Se la vostra lista è tutta stesura e ricerca, avete documentato la parte piatta della curva.
Vincolate l'espansione delle licenze a un'integrazione di flusso dimostrata. Prima di comprare il blocco successivo di licenze, pretendete che almeno un flusso di lavoro nominato si sia visibilmente spostato — il report che ora si costruisce da solo, il passaggio di consegne che non richiede più una riunione. Un flusso di Stage 3 verificato vale più di mille licenze attivate come evidenza.
Riportate i casi d'uso per ruolo, non gli utenti per licenza. È l'unica metrica AI sulla vostra dashboard che non può essere soddisfatta dall'ufficio acquisti.
Una decisione per questo trimestre
Prendete i vostri tre ruoli con più addetti. Per ciascuno, chiedete a cinque persone di elencare ogni compito distinto per cui usano l'AI. Contateli. Se la risposta più frequente è uno o due, ed entrambi sono scrittura o ricerca, ora sapete esattamente dove si trova il vostro ritorno di produttività dell'AI — e non è in un altro blocco di licenze.
Il rollout che tutti finanziano finisce quando lo strumento raggiunge la persona. Il ritorno inizia quando lo strumento raggiunge il lavoro. Sono due progetti diversi, e solo uno dei due è oggi sul vostro budget.
