Dopo l'adozione dell'IA, la sessione media di concentrazione ininterrotta è scesa a 13 minuti e 7 secondi — in calo dai 14 minuti e 23 secondi, una riduzione del 9% che porta il lavoratore tipo sotto la soglia di attenzione continua che la maggior parte del lavoro cognitivo profondo richiede (ActivTrak, 2026). Quel dato proviene da 443 milioni di ore di telemetria comportamentale su 163.638 dipendenti in 1.111 aziende — non un sondaggio, non un'autovalutazione, ma il registro reale, secondo per secondo, di come si svolge il lavoro. E indica un costo che la tua dashboard sull'IA non ti sta mostrando: la frammentazione dell'attenzione da IA sta silenziosamente erodendo la capacità di lavoro profondo che gli strumenti dovevano liberare.
È questo il risultato che dovrebbe ridefinire la tua domanda sul ROI dell'IA per il 2026. La storia di produttività che i leader monitorano sembra una vittoria — adozione vicina all'80%, throughput in aumento, volume di output in crescita. Al di sotto, la stessa telemetria mostra un lavoro che diventa più veloce, più voluminoso e più frammentato. Se sei un Head of Operations che misura l'IA in ore risparmiate e attività completate, stai guardando la metà del bilancio che lusinga l'investimento e ignorando la metà che lo erode.
La dashboard dice vittoria. La telemetria dice frammentazione.
Ecco la tensione in una coppia di numeri. Nell'analisi prima-e-dopo di ActivTrak su 10.584 utenti — confrontando 180 giorni di comportamento prima dell'adozione dell'IA con 180 giorni dopo — il tempo speso in ogni categoria di lavoro misurata è aumentato. L'attività email è cresciuta del 104%. Chat e messaggistica sono salite del 145%. Il lavoro di business management è cresciuto del 94% (ActivTrak, 2026). L'IA non ha alleggerito il carico. Lo ha accelerato, e l'accelerazione si è manifestata come più comunicazione, più coordinamento, più cambi di contesto.
È questo il meccanismo dietro la sessione di concentrazione che si accorcia. Quando il volume di messaggistica quasi raddoppia, le interruzioni che spezzano la concentrazione arrivano più spesso. Il lavoratore non sta oziando e non è inattivo — anzi, il contrario. È più occupato che mai, si muove più velocemente su più superfici e, proprio per questo, non riesce più a tenere un singolo filo di pensiero difficile per più di 13 minuti prima che il ping successivo lo tiri via.
La ragione per cui tutto ciò resta invisibile è che la maggior parte delle dashboard operative è stata costruita per contare il throughput, non per misurare la continuità. Tracciano attività chiuse, ticket risolti, messaggi inviati, ore registrate. Ognuna di queste metriche sale quando il lavoro si frammenta. Nessuna registra il costo della frammentazione stessa. Così il leader legge una dashboard verde e finanzia altro di ciò che sta rendendo rossi i numeri verdi un livello più in basso.
Cosa hanno effettivamente misurato 443 milioni di ore
La ragione per cui questo studio è difficile da liquidare è il suo metodo. Gran parte di ciò che hai letto sull'IA e la produttività sono dati da sondaggio — persone a cui si chiede come percepiscono l'effetto dell'IA sul loro lavoro. L'autovalutazione è utile, ma è esattamente il tipo di evidenza che lusinga uno strumento nuovo e scintillante: entusiasmo e bias di recency gonfiano i guadagni percepiti. Il dataset di ActivTrak è di natura diversa. È comportamentale — 443 milioni di ore di attività osservata, non opinioni sull'attività (PR Newswire, 2026).
Il disegno prima-e-dopo su quei 10.584 utenti conta ancora di più. Isola ciò che è cambiato quando l'IA è entrata nel flusso di lavoro, anziché confrontare gli utenti IA con i non utenti che potrebbero differire per una dozzina di altre ragioni. E ciò che è cambiato non è stata una riduzione del lavoro — è stata una ridistribuzione in schemi più veloci, più frammentati, più incentrati sulla comunicazione. La copertura indipendente è arrivata alla stessa lettura: l'IA non sta tanto riducendo i carichi di lavoro quanto mettendoli sotto pressione, con il tempo speso a scrivere email raddoppiato e le sessioni di lavoro concentrato in calo (Fortune, 2026). L'onere della prova ricade ora su chiunque affermi che il proprio rollout di IA abbia riacquistato concentrazione. Il più grande dataset comportamentale sulla questione dice che l'esito predefinito è l'opposto.
La neuroscienza che la tua metrica di throughput ignora
Tredici minuti non sono una linea arbitraria. Si collocano sotto la soglia in cui il lavoro cognitivo sostenuto avviene realmente, e la ragione è un effetto ben documentato chiamato residuo attentivo. Quando passi da un compito a un altro, parte della tua attenzione resta bloccata sul primo — non arrivi al nuovo compito a piena capacità, e il residuo può persistere per 20 minuti o più (Leroy, Organizational Behavior and Human Decision Processes, 2009).
Accosta questo alla sessione di concentrazione di 13 minuti e l'aritmetica diventa ostile. Se servono nell'ordine di 20 minuti o più per ricaricare completamente un compito complesso, e le interruzioni ora arrivano ogni 13, il lavoratore non raggiunge mai il pieno coinvolgimento cognitivo prima che il cambio successivo lo resetti. La ricerca di Gloria Mark sul lavoro interrotto ha rilevato che tornare a un compito dopo un'interruzione può richiedere circa 23 minuti (Mark et al., 2008). Un team frammentato in intervalli di 13 minuti sta, di fatto, pagando una tassa di riorientamento su quasi ogni tratto di lavoro difficile che tenta.
Ecco perché "il volume di output è in aumento" può coesistere con "il lavoro importante sta peggiorando". I compiti superficiali e ad alto volume sopravvivono bene alla frammentazione — puoi rispondere a dodici messaggi in dodici minuti interrotti. I compiti profondi no. L'analisi, il giudizio critico, il testo che aveva bisogno di un'ora ininterrotta sono esattamente la categoria che un tetto di 13 minuti rende silenziosamente impossibile. La tua metrica di throughput non riesce a vedere la differenza, perché conta i dodici messaggi e non conta mai l'ora che non è mai avvenuta.
Perché aggiungere altra IA non risolve il problema
La risposta istintiva a un rollout di IA deludente è aggiungerne di più — un altro agente, un altro copilot, un'altra integrazione. La telemetria suggerisce che quell'istinto peggiora la frammentazione. L'organizzazione media nel dataset gestisce già sette diverse piattaforme di IA, e solo il 3% degli utenti raggiunge lo "sweet spot" di produttività in cui gli strumenti aiutano davvero senza aggiungere attrito (ActivTrak, 2026).
Sette piattaforme non sono sette moltiplicatori di produttività. Sono sette superfici in più da controllare, sette flussi di notifiche in più, sette cambi di contesto in più tra strumenti che non si parlano. Ogni nuova licenza di IA che atterra sulla scrivania di un lavoratore senza rimuovere una superficie esistente aggiunge al carico di interruzione anziché sottrarre. Il vincolo al ROI dell'IA qui non sono le licenze e non è l'abilità di prompting — è l'architettura dell'attenzione. Un team che già cambia ogni 13 minuti non recupera la concentrazione ricevendo un ottavo strumento in cui commutare.
"Ma l'output è in aumento — non è questo il punto?"
L'obiezione legittima: se l'IA produce più lavoro in meno tempo, perché considerare la frammentazione un problema? Forse le sessioni di 13 minuti sono semplicemente la forma della produttività moderna, e il lavoro profondo è una nostalgia che il conto economico può permettersi di perdere.
Due cose rispondono. Primo, i guadagni di volume sono concentrati esattamente nel lavoro che non necessita di concentrazione profonda — comunicazione e coordinamento — mentre la tassa ricade sul lavoro che ne ha bisogno. Non stai scambiando lavoro profondo con output superficiale equivalente; stai scambiando una categoria con un'altra, più economica, e registrandola come guadagno netto. Secondo, la frammentazione si accumula in modo invisibile. La formulazione stessa del report è che l'IA sta accelerando il lavoro, non sostituendolo — lo stesso volume di pensiero ora viene fatto più velocemente e più frammentato, il che risulta negativo per il lavoro cognitivamente impegnativo anche mentre il conteggio delle attività aumenta (PR Newswire, 2026). Il costo non compare come voce di bilancio. Compare come il documento di strategia che continua a slittare, l'analisi che torna debole, l'assunzione senior il cui miglior giudizio non ottiene mai un'ora ininterrotta in cui operare. Sono perdite reali. Sono solo perdite che la tua strumentazione attuale non è mai stata costruita per catturare.
Cosa dovrebbe strumentare l'Ops del mid-market questo trimestre
La leva non è la disciplina del tuo team e non è un altro strumento. È l'architettura dell'attenzione del flusso di lavoro — e a differenza della forza di volontà, è qualcosa che l'operations può effettivamente progettare. Tre mosse concrete, nessuna delle quali richiede nuovo software:
1. Misura la continuità della sessione di concentrazione, non solo il throughput. Quasi certamente tracci attività chiuse e ore registrate. Aggiungi una metrica: durata media della sessione di concentrazione ininterrotta e frequenza delle interruzioni al suo interno. Dati in stile ActivTrak o persino l'analisi di calendario e stato la faranno emergere. Non puoi gestire una tassa di frammentazione che non stai misurando, e in questo momento è il numero mancante da ogni dashboard operativa.
2. Consolida le superfici IA prima di aggiungerle. Prima di finanziare la prossima licenza di agente o copilot, verifica quante superfici di IA e comunicazione ogni ruolo già gestisce. Se la risposta è vicina a sette, la mossa a maggior leva è la sottrazione — ritirare o unire strumenti — non un'altra integrazione. Ogni superficie che rimuovi è un flusso di interruzione che chiudi.
3. Proteggi i blocchi di lavoro profondo in modo strutturale, non con un memo di policy. Il residuo attentivo significa che un blocco di 13 minuti non è "parte di un'ora di concentrazione" — è un reset completo ogni volta. Designa finestre genuine senza interruzioni per i ruoli cognitivamente impegnativi e difendile a livello di flusso di lavoro: notifiche raggruppate, norme async-by-default, blocchi senza riunioni. L'obiettivo è ripristinare tratti abbastanza lunghi da smaltire il residuo, non spremere altri frammenti di 13 minuti dalla giornata.
Poi mettilo alla prova contro i tuoi dati. Hai i timestamp. Guarda se l'output più difficile e di maggior valore del tuo team traccia davvero con la durata della sessione di concentrazione — e osserva cosa succede quando consolidi le superfici e proteggi un blocco. La risposta è misurabile all'interno della tua stessa operatività, e ti dirà se il tuo stack di IA sta comprando capacità o solo frammentandola.
L'unica decisione per questo trimestre
La promessa di produttività dell'IA era che avrebbe restituito tempo al tuo team. Il più grande dataset comportamentale sulla questione dice che gli ha dato invece una giornata lavorativa più veloce, più rumorosa e più frammentata — una in cui la finestra media di lavoro profondo si è ridotta sotto il punto in cui il lavoro profondo può avvenire. Il throughput sulla tua dashboard è reale. Lo è anche la frammentazione dell'attenzione che sta nascondendo.
Quindi la decisione concreta per questo trimestre è ristretta: prima di finanziare un'altra licenza di IA, strumenta la continuità della sessione di concentrazione per un team cognitivamente impegnativo, poi consolida le sue superfici di strumenti e proteggi un blocco ininterrotto al giorno — e misura come reagisce il suo lavoro migliore. Se la qualità del lavoro difficile sale mentre il numero di strumenti cala, avrai trovato la leva del ROI dell'IA che le tue metriche di throughput erano costruite per mancare. La sessione di concentrazione di 13 minuti non è il prezzo del progresso. È un problema di design che hai il potere di risolvere.
