Il 71% dei dipendenti dichiara che gli strumenti di AI li aiutano a sentirsi più produttivi. Tra gli utenti più intensivi la quota sale al 93%. Chiedete alle stesse persone se il loro carico di lavoro è ragionevole per il ruolo che occupano e la risposta si muove appena: 72% tra i power user contro 69% tra i non utilizzatori — una differenza di tre punti (Culture Amp, 2026).
Questi due risultati vengono dalla stessa indagine, dagli stessi dipendenti, dagli stessi dodici mesi. Una curva sale rapidamente con l'intensità di utilizzo. L'altra è piatta.
Non è un errore di misurazione. È un artefatto gestionale, e significa che la capacità creata dalla vostra adozione dell'AI viene riassorbita all'interno degli stessi ruoli, invece di essere riallocata su qualcosa che avete scelto voi.
Due curve da un unico dataset
Il primo benchmark AI at Work di Culture Amp si basa su 342 indagini condotte da 292 organizzazioni sulla sua piattaforma, per circa 112.000 dipendenti e 343.000 risposte individuali raccolte nei dodici mesi fino a luglio 2026. I rispondenti coprono 16 settori e tutte le principali aree geografiche; i collaboratori individuali sono circa due terzi del campione. I dipendenti sono stati standardizzati in quattro fasce di utilizzo — non utilizzatori, utilizzatori leggeri (una o due volte a settimana), utilizzatori quotidiani e power user (più volte al giorno) (Culture Amp, 2026).
Dentro quelle fasce, quasi ogni misura dell'esperienza migliora con l'utilizzo. La consapevolezza dei rischi passa dal 67% tra i non utilizzatori al 95% tra i power user. La motivazione ad andare oltre quanto il ruolo richiederebbe altrove è al 72% tra gli utenti più intensivi contro il 57% tra i non utilizzatori. L'accordo sul fatto che l'AI li abbia aiutati a imparare e crescere si attesta in media al 66% a livello globale, trascinato in basso dai non utilizzatori al 27%.
Un solo elemento si rifiuta di seguire l'andamento. Sull'affermazione "In generale, il mio carico di lavoro mi sembra ragionevole per il mio ruolo", la favorevolezza va dal 69% tra i non utilizzatori al 71–72% tra tutti coloro che usano l'AI in qualche misura. La lettura di Culture Amp è netta: l'adozione iniziale migliora leggermente la percezione del carico di lavoro, mentre una maggiore frequenza di utilizzo non produce alcun sollievo aggiuntivo (Culture Amp, 2026).
La produttività percepita è al 71% sull'intero campione e al 93% tra gli utenti più intensivi. Il sollievo percepito sul carico di lavoro, sulle stesse fasce, vale tre punti.
Perché la vostra dashboard di adozione non vede un carico di lavoro piatto
La maggior parte dei programmi AI nel mid-market è strumentata sulla variabile sbagliata. Numero di licenze, utenti attivi settimanali, prompt per postazione, stime di tempo risparmiato a livello di strumento — tutte queste metriche salgono quando sale l'adozione. Nessuna di esse cambia quando l'ora liberata viene silenziosamente consumata da altro lavoro dello stesso tipo.
Il riassorbimento è invisibile per costruzione. Un dipendente che chiude il report del giovedì in quaranta minuti invece di novanta non riferisce una settimana più leggera; riferisce una settimana con più cose dentro. Culture Amp solleva questo punto contro se stessa, correttamente: i piatti si riempiono di nuovo man mano che le persone diventano più efficienti, e questo è normale. Nessuno si aspetta che una quilter con una macchina da cucire produca lo stesso numero di trapunte all'anno di una che lavora a mano.
Il problema non è che il piatto si sia riempito di nuovo. È che nessuno ha deciso cosa ci finisse dentro.
È qui che il risultato di Culture Amp smette di essere una curiosità e diventa una questione di budget. Se il vostro business case presupponeva che le ore recuperate si manifestassero come capacità liberata, mancate assunzioni o cicli più rapidi, e i vostri stessi dati di engagement dicono che il carico di lavoro percepito è piatto su tutte le fasce di utilizzo, allora il business case non è verificato — non smentito, non verificato. Non avete alcuno strumento puntato sulla cosa che avete promesso.
Dove finiscono davvero le ore recuperate
Altri due dataset del 2026 mappano le destinazioni, e nessuna delle due è strategica.
La quarta indagine annuale AI at Work di BCG — 11.749 lavoratori in 14 mercati — ha rilevato che il 42% degli utilizzatori regolari in prima linea dichiara di risparmiare almeno una giornata di lavoro intera a settimana grazie all'AI, mentre il 66% afferma di ricevere indicazioni limitate o nulle su cosa fare con quel tempo, e più della metà non lo reindirizza su lavoro strategico. Nello stesso campione, il 47% dichiara ora di passare più tempo a gestire e indirizzare l'AI che a svolgere il lavoro, e il 72% afferma che l'AI ha già modificato considerevolmente le competenze richieste dal proprio ruolo (BCG, 2026).
Leggete quei due numeri insieme. L'ora esiste. La decisione su quell'ora non esiste. In sua assenza, l'ora va per default alla domanda più vicina disponibile — che, sempre più spesso, è l'AI stessa.
L'indagine di BambooHR su 1.608 impiegati statunitensi ha messo un cronometro su quel meccanismo di default. I lavoratori passano in media 87 minuti al giorno dentro strumenti di AI; il 42% di quel tempo va alla risoluzione di errori e all'iterazione sui prompt, contro il 35% dedicato a lavoro che fa effettivamente avanzare il proprio carico (BambooHR, 2026). Più tempo AI va a sistemare l'AI che a produrre con essa.
Quindi la capacità non svanisce nell'inattività. Viene spesa — in supervisione, correzione e nella nuova superficie di coordinamento creata dagli strumenti. Quel lavoro è reale. È semplicemente lavoro che nessuno ha messo a budget, nominato o assegnato a un ruolo.
Il vuoto di indicazioni è il meccanismo
Lo stesso benchmark che ha trovato il carico di lavoro piatto ha trovato anche la causa, e non è la resistenza dei dipendenti.
L'85% dei dipendenti dichiara che la propria organizzazione incoraggia attivamente l'esplorazione e la sperimentazione con l'AI. Solo il 58% afferma che i leader hanno spiegato chiaramente come l'AI si collega alla direzione in cui va l'azienda — l'elemento con il punteggio più basso dell'intero benchmark, e un divario di 27 punti rispetto all'elemento sull'incoraggiamento. Più vicino al lavoro quotidiano, solo il 60% dichiara che il proprio manager condivide esempi di come l'AI possa supportare i suoi obiettivi, e il supporto di sistemi e processi si attesta al 64% (Culture Amp, 2026).
Amy Lavoie, VP of People Science di Culture Amp, trae la conclusione dal dato sulla produttività più che da quelli sul sentiment: la maggior parte dei team esecutivi leggerebbe sette dipendenti su dieci che si sentono più produttivi come un ritorno sull'investimento, ma con i punteggi sul carico di lavoro fermi si tratta di una domanda senza risposta. Le organizzazioni che vedranno un ritorno reale, sostiene, "non saranno quelle con i tassi di adozione più alti. Saranno quelle che hanno deciso, esplicitamente, cosa avrebbero smesso di fare con il tempo restituito" (Culture Amp, 2026).
Questa è una forza lavoro che ha fatto la sua parte. L'artefatto che manca sta sopra di loro: una decisione scritta su cosa si smette di fare.
Un secondo segnale nello stesso comunicato
Un risultato adiacente va maneggiato con cura. La consapevolezza dei dipendenti rispetto alle opportunità di carriera interne è calata di 10 punti percentuali da luglio 2025 — la variazione annuale più ampia nei dati del benchmark di Culture Amp — mentre la soddisfazione per lo sviluppo professionale è rimasta al 66%, dove si trova dal 2021. I dipendenti non sono meno soddisfatti dello sviluppo che ricevono; sono meno chiari su cosa viene dopo.
La precisazione conta: Culture Amp dichiara che quelle cifre sulla carriera provengono dal suo benchmark di engagement più ampio, una popolazione più grande del campione AI da 112.000 dipendenti. Non attribuitele alla coorte AI. Trattatele come il clima circostante, non come la stessa misurazione.
L'obiezione onesta
Tre limiti, detti chiaramente.
Questa è percezione, non output. Ogni cifra qui è un dipendente che riferisce come si sente. Culture Amp lo dice esplicitamente: ogni risultato del benchmark è un insieme di dipendenti che vi dice come si sente rispetto a qualcosa, non una misura di output o di ore. Un punteggio piatto sul carico di lavoro è compatibile con guadagni reali di capacità che le persone hanno semplicemente assorbito senza accorgersene.
Il campione si autoseleziona. Le organizzazioni che conducono un'indagine sull'AI sono, per definizione, più avanti di quelle che non lo fanno. Il Nord America rappresenta il 58% delle aziende che usano il template, la tecnologia guida per settore e le organizzazioni con oltre 1.000 dipendenti sono circa un terzo degli utilizzatori. L'inquadramento di Culture Amp è corretto: leggetelo come il ritratto di organizzazioni già coinvolte dall'AI, non di qualunque datore di lavoro. (Il corpo del comunicato stampa cita anche "123 organizzazioni" in un paragrafo, contro 292 nel blocco metodologico; è la nota metodologica quella da citare.)
La spiegazione alternativa è il tempismo, non il fallimento. Il working paper NBER 35684 — Babina, He e Jiang — collega i primi guadagni di produttività dell'AI all'accumulo di capitale organizzativo, la conoscenza durevole e specifica dell'impresa costruita con il learning-by-doing, più che agli strumenti o al numero di persone dedicate all'AI (NBER, 2026). Il corpo del paper è ad accesso riservato, quindi non va attribuita alcuna dimensione dell'effetto. Ma la direzione è un'obiezione legittima: un anno di carico di lavoro piatto può essere il costo della costruzione di conoscenza di processo che paga più tardi. Quella lettura però è disponibile solo per le imprese che stanno effettivamente codificando qualcosa. Non è disponibile per un'impresa con 400 workflow ottimizzati individualmente e nessuna traccia scritta di nessuno di essi.
Cosa decidere prima della chiusura del trimestre
Quattro mosse. Nessuna di queste è una nuova licenza.
- Scrivete la lista di ciò che si smette di fare, per team, con i nomi sopra. Non "ridurre il lavoro manuale" — tre output ricorrenti specifici che dopo questo trimestre non vengono più prodotti, e chi ha confermato che non servono più. Se nella lista non c'è nulla di scomodo, la lista è decorativa.
- Nominate la destinazione delle ore recuperate prima di rivendicarle. Un'ora liberata senza una destinazione nominata è un'ora riassorbita. Scegliete una destinazione per ruolo: un obiettivo di sviluppo, un progetto trasversale, una mobilità interna o margine deliberato. "Lavoro strategico" non è una destinazione.
- Aggiungete una domanda sul carico di lavoro al prossimo sondaggio di engagement e segmentatela per fascia di utilizzo dell'AI. Potete riprodurre il risultato di Culture Amp dentro la vostra azienda in un solo ciclo di indagine. Se i vostri utenti più intensivi riferiscono lo stesso carico dei non utilizzatori, avete misurato il riassorbimento in modo diretto — nei vostri dati, con i vostri ruoli attaccati.
- Strumentate il ruolo, non lo strumento. La decisione su cosa smettere richiede una visione di ciò che ogni posizione contribuisce davvero, di quali competenze le ore recuperate potrebbero costruire e di quale mobilità interna la capacità liberata rende possibile. Questi sono dati a livello di ruolo, non dati di adozione. Il livello performance e successione di Scovai misura le competenze per ciclo e da lì mappa mobilità interna e prontezza alla successione, se volete un riferimento concreto di come appare quella strumentazione.
Il vero risultato del benchmark non è che l'AI non ha ridotto il carico di lavoro. È che 112.000 dipendenti hanno ricevuto un guadagno di produttività e nessuno, sopra di loro, ha specificato a cosa servisse.
I vostri utenti AI più intensivi hanno già trovato il tempo. L'unica domanda che resta per questo trimestre è se deciderete voi dove va, o se lo deciderà la loro casella di posta.
