Due per cento.
È la quota di lavoratori la cui attività osservata mostra l'AI realmente integrata nel modo in cui il lavoro viene svolto — non provata, non usata occasionalmente, ma incorporata nel flusso della mansione. Il dato viene dal Productivity Lab di ActivTrak, che ha classificato l'adozione dell'AI su 120.620 lavoratori in base a ciò che quei lavoratori facevano davvero, non in base alle licenze possedute o alle risposte date a un questionario. Il ventisette per cento ha raggiunto l'assistenza alla ricerca. Il quattordici per cento l'esecuzione di compiti. Il due per cento l'integrazione nel flusso di lavoro (ActivTrak Productivity Lab, 2026).
La tua dashboard di adozione AI riporta quasi certamente un numero molto più alto. Non sta mentendo. Sta rispondendo a un'altra domanda — una che hai smesso di accorgerti di porre.
Due misurazioni, una settimana, due realtà
Il tempismo è rivelatore. Nella stessa settimana, Gallup ha riportato un balzo di sei punti nell'adozione organizzativa dell'AI (Gallup, 2026) e ActivTrak ha pubblicato il 2% di integrazione nel flusso di lavoro (ActivTrak Productivity Lab, 2026).
Entrambi sono credibili. Non sono in conflitto, perché non misurano la stessa cosa. Gallup chiede a persone e organizzazioni cosa stanno facendo. ActivTrak osserva quali strumenti sono effettivamente aperti, in quale sequenza, con quale frequenza, lungo quale porzione di giornata lavorativa. L'autodichiarazione cattura intenzione, consapevolezza e accesso. La telemetria comportamentale cattura l'abitudine.
Voglio essere precisa qui, perché si tratta di un confronto tra metodi diversi e non di uno studio testa a testa: trattarlo come una contraddizione sarebbe superficiale. Campioni diversi, strumenti diversi, definizioni diverse della parola "adozione". Il punto non è che un dataset smentisca l'altro. Il punto è che la maggior parte dei team operativi riporta il primo tipo di numero a un board che sta finanziando il secondo tipo di risultato.
È in quel divario che i budget AI muoiono in silenzio. L'accesso sta scalando in fretta. La riprogettazione del lavoro no. E ogni dashboard costruita su postazioni, login e utenti attivi mensili mostrerà la prima curva e tacerà sulla seconda.
Cosa distinguono davvero i tre stadi
Il modello a stadi conta più della percentuale da titolo, perché dà a chi gestisce le operation qualcosa da strumentare.
Stadio 1 — Assistenza alla ricerca (27%). Il lavoratore fa domande al modello. Bozze, sintesi, ricerche. La mansione resta invariata; un passaggio di consultazione è diventato più veloce.
Stadio 2 — Esecuzione di compiti (14%). Il modello svolge un'unità discreta di lavoro: scrive la prima versione, estrae i campi, produce l'analisi. Il compito ora è condiviso. Il flusso di lavoro attorno resta intatto.
Stadio 3 — Integrazione nel flusso di lavoro (2%). L'AI è un passaggio portante di un processo che è stato ri-sequenziato attorno a essa. I passaggi di consegna si sono spostati. Le approvazioni si sono spostate. Il lavoro non è il vecchio lavoro fatto più in fretta; ha una forma diversa.
Solo lo Stadio 3 cambia la struttura di costo
Qui sta il nodo operativo. Gli Stadi 1 e 2 producono risparmi di tempo distribuiti in frammenti tra gli individui — venti minuti qui, un pomeriggio là. Reali, ma non capitalizzabili. Nel conto economico non si muove nulla perché nel processo non si è mosso nulla; i minuti risparmiati vengono riassorbiti dalla stessa coda che li ha generati.
Lo Stadio 3 è dove rispondono tempo di ciclo, piani di organico ed economia unitaria, perché il processo stesso è stato ricostruito. È lo stadio su cui è stato scritto il tuo business case. Ed è anche lo stadio raggiunto dal due per cento dei lavoratori.
Il meccanismo dietro quel divario è ben documentato. Lo studio Deloitte su 3.235 leader ha rilevato una risposta all'AI fortemente sbilanciata verso l'insegnamento degli strumenti anziché la ristrutturazione del lavoro: il 53% forma la forza lavoro per aumentare la fluidità nell'AI, mentre solo il 30% ripensa l'organizzazione attorno ai nuovi pattern AI e il 33% ridisegna i percorsi di carriera (Deloitte, 2026). Tutti formano. Quasi nessuno riprogetta. Poi tutti misurano i corsi completati e la chiamano adozione.
Perché il conteggio delle postazioni passa ancora per adozione AI
Le metriche di login sopravvivono per ragioni strutturali, non stupide.
Sono gratuite — la piattaforma di licensing le emette senza alcun lavoro di strumentazione. Si muovono presto, il che le rende soddisfacenti nei primi due trimestri di un rollout. Sono inequivocabili, quindi nessuno discute nel comitato di steering. E salgono in modo monotono, che è esattamente ciò che uno sponsor sotto pressione vuole da una slide.
Le metriche di lavoro cambiato non hanno nessuna di queste proprietà. Richiedono che qualcuno definisca il flusso di lavoro, ne fissi la baseline e poi ammetta quando non si è mosso. Sono contestabili. Possono restare piatte per due trimestri mentre si litiga sulla riprogettazione. Riportarle è un atto politico, in un modo in cui riportare le postazioni non lo è.
Quindi l'incentivo è netto e punta nella direzione sbagliata: il numero più facile da produrre è quello meno collegato al risultato che hai promesso. Non è un fallimento di misurazione. È un fallimento di governance travestito da misurazione.
C'è un costo di secondo ordine che quasi non viene mai nominato. Una volta che il conteggio delle postazioni si afferma come definizione di adozione AI, inizia a orientare i comportamenti. Il budget scorre verso ciò che lo fa salire — più licenze, rollout più ampio, un altro reparto onboardato — perché quello è il numero sotto gestione. La riprogettazione del flusso di lavoro, quella che sposterebbe davvero il business case, compete per fondi contro una metrica che strutturalmente non può premiarla. I team non scelgono la distribuzione al posto della riprogettazione nel merito. La scelgono perché la distribuzione è ciò che la dashboard paga.
La lettura corretta del due per cento
Tre precisazioni, perché altrimenti il numero verrà usato male.
Non è prova che l'AI non funzioni. È prova sulla diffusione, non sull'efficacia. Un tasso di integrazione del 2% dice che la pratica è rara, non che sia improduttiva. Le organizzazioni dentro quel 2% sono la popolazione interessante, e nulla in questi dati suggerisce che stiano perdendo tempo.
La traiettoria è reale. La coorte allo Stadio 3 è cresciuta da 1.739 lavoratori nel Q1 2026 a 2.369 nel Q2 — un aumento trimestrale del 36% (ActivTrak Productivity Lab, 2026). Base piccola, pendenza ripida. È comportamento da diffusione precoce, non stagnazione.
La telemetria comportamentale ha i suoi punti ciechi. Vede l'attività sugli strumenti, non il giudizio. Un lavoratore che usa l'AI una volta per riprogettare un processo e poi esegue il processo migliorato senza più toccare un modello sta facendo esattamente ciò che lo Stadio 3 dovrebbe descrivere, e non necessariamente verrà registrato come tale. I dati di comportamento osservato sono una proxy migliore dell'autodichiarazione. Restano una proxy.
Ciò che sopravvive a tutte e tre le precisazioni è l'asimmetria tra le due curve. L'accesso viene distribuito a un ritmo che il comportamento non avvicina nemmeno, e solo una di queste due cose compare nei report che arrivano alla leadership.
Fermarsi allo Stadio 2 ha il suo conto
C'è un'ulteriore ragione per non trattare lo Stadio 2 come un comodo punto d'arrivo, e viene dallo stesso strumento.
Il confronto comportamentale di ActivTrak su circa 10.584 dipendenti, misurati 180 giorni prima e dopo l'adozione dell'AI, ha rilevato attività email +104%, chat +145%, uso degli strumenti aziendali +94%, ore produttive +5% — e sessioni di concentrazione ininterrotta in calo del 9%, da 14 minuti e 23 secondi a circa 13 minuti (ActivTrak, 2026).
Leggilo come un'affermazione operativa. Il lavoro è diventato più veloce e più denso. È diventato anche più frammentato, e la frammentazione colpisce esattamente la capacità di concentrazione profonda che la riprogettazione dei processi richiede. Lo Stadio 2 senza lo Stadio 3 ti compra più transazioni all'ora e meno tratti ininterrotti in cui qualcuno possa chiedersi perché quel processo abbia tutte quelle transazioni.
Intanto la curva di deployment continua a salire. Il Work Trend Index 2026 di Microsoft riporta agenti attivi in crescita di 15 volte anno su anno nel suo ecosistema, 18 volte nelle grandi imprese, mentre solo il 26% degli utenti AI dichiara una leadership allineata sulla strategia AI (Microsoft, 2026). La distribuzione sta superando la direzione, e la dashboard sta misurando la distribuzione.
Ricostruisci la dashboard attorno al lavoro cambiato
Quattro cambiamenti, ordinati per quanto costano poco.
Ritira il conteggio delle postazioni come metrica di testa. Tienilo come input di costo, dove appartiene — accanto alla spesa per licenze, non accanto ai risultati. Nel momento in cui compare su una slide di risultati, inizia a sostituirne uno.
Nomina un solo flusso di lavoro e classificalo onestamente. Scegli un singolo processo con un owner reale. Classificalo: assistenza alla ricerca, esecuzione di compiti o integrazione nel flusso di lavoro. La maggior parte dei team scopre che la propria storia AI di punta è uno Stadio 1 con dei buoni aneddoti attaccati. Quella scoperta è il deliverable.
Strumenta fatti di processo, non fatti di attività. Tempo di ciclo end-to-end, numero di passaggi di consegna, tasso di rilavorazione, volume di eccezioni. Sono le cose che si muovono solo quando si muove il flusso di lavoro, ed è esattamente per questo che sono più difficili da manipolare e valgono più di qualsiasi grafico di utilizzo.
Vincola l'espansione delle postazioni a una prova di Stadio 3. Blocca l'aumento delle licenze finché un flusso di lavoro nominato non supera dimostrabilmente l'integrazione nel processo. È l'unico meccanismo della lista con dei denti, perché rende la misurazione consequenziale invece che decorativa.
Aggiungi un controllo sull'attenzione: traccia la durata delle sessioni di concentrazione ininterrotta prima e dopo ogni rollout. Se l'adozione dell'AI sta frammentando la giornata lavorativa, vuoi che compaia nello stesso report dei guadagni di throughput, non scoprirlo un anno dopo.
Una decisione per questo trimestre
Prendi il flusso di lavoro con cui il tuo investimento in AI è pubblicamente giustificato. Classificalo secondo il modello a tre stadi insieme a qualcuno che non abbia interessi nella risposta. Se è Stadio 1 o Stadio 2 — e su questa evidenza molto probabilmente lo è — congela l'espansione delle postazioni e spendi il prossimo trimestre per portare quel singolo flusso allo Stadio 3.
L'esercizio costa poco, richiede circa una settimana e produce l'unico artefatto che manca alla maggior parte dei programmi AI: una baseline onesta. Tutto ciò che viene dopo — il business case, il piano di espansione, la discussione sull'organico — diventa più accurato per il fatto di avere sotto un numero vero.
La domanda a cui risponde la tua dashboard di adozione AI è quante persone possono usare l'AI. La domanda su cui poggia il tuo business case è quanto lavoro viene ora svolto in modo diverso. Solo una delle due è mai comparsa nel conto economico, e non è quella sulla slide.
