L'AI non rende in azienda: il nodo del knowledge gap

L’adozione dell’intelligenza artificiale nelle organizzazioni incontra frequenti ostacoli di rendimento perché una quota consistente delle competenze necessarie a svolgere il lavoro quotidiano resta esclusa dai registri aziendali. Secondo una ricerca condotta da ricercatori di Harvard e del MIT su 4043 lavoratori, circa il 40% delle informazioni pratiche risiede nella memoria delle persone e non compare nei documenti formali. Senza questo patrimonio operativo, l’efficacia dei modelli linguistici si riduce drasticamente, spiegando come mai molte iniziative tecnologiche fatichino a generare valore misurabile.

I report di settore evidenziano un divario concreto tra investimenti e risultati economici. Boston Consulting Group registra che il 60% delle imprese riscontra benefici minimi su costi e ricavi dai progetti di intelligenza artificiale. Parallelamente, l’IBM Institute for Business Value rileva che solo il 25% delle iniziative guidate dal management raggiunge gli obiettivi di rendimento preventivati. La causa principale non risiede nella capacità di calcolo dei software, bensì nella scarsità di contesto operativo strutturato all’interno dei sistemi informativi.

Lo studio di Zoë Cullen (Harvard), Danielle Li (MIT) e Shengwu Li (Harvard), intitolato «Labor as Capital: AI and the Ownership of Expertise» (working paper HBS, revisione del 23 luglio 2026), approfondisce questo snodo attraverso una rigorosa indagine empirica e un modello microeconomico. Il campione di lavoratori a tempo pieno, reclutato tramite Prolific con criteri di stratificazione demografica e settoriale, descrive una realtà in cui le procedure scritte e la prassi operativa divergono in modo sistematico.

La distanza tra capacità tecnica e diffusione reale

Le stime sull’automazione tendono a focalizzarsi unicamente sull’esposizione teorica delle mansioni. L’approccio tradizionale valuta se un modello sia in grado di svolgere una determinata attività formale, come riassumere un testo o scrivere codice informatico. Questo metodo fotografa il potenziale dell’algoritmo, ma non verifica se l’organizzazione possieda i dati e il contesto necessari per renderlo operativo in compiti specifici.

Gli autori del paper confrontano i dati del sondaggio con il Missing AI Index, indicatore sviluppato sui log effettivi di utilizzo di Claude di Anthropic. L’associazione rilevata è pari a 0.58 deviazioni standard: nelle categorie professionali con un knowledge gap più pronunciato, la distanza tra l’uso teorico dell’AI e la sua applicazione concreta sul campo risulta molto più ampia. Non mancano le facoltà computazionali del modello. Mancano le informazioni di contesto, le eccezioni e le consuetudini che governano la vita quotidiana dei reparti.

La distribuzione del divario tra ruoli e processi

L’ampiezza delle competenze non registrate varia a seconda dei comparti produttivi:

Settore creativo, ambito legale e informatica mostrano i divari medi più elevati, compresi tra il 46% e il 51%.
Vendite e trasporti riportano scarti più contenuti, oscillanti tra il 28% e il 36%.

La discrepanza più significativa emerge tuttavia confrontando la medesima mansione in aziende diverse. Il divario non dipende dall’anzianità di servizio o dal percorso formativo dell’addetto, ma dalle scelte organizzative dell’impresa: cresce dove i processi sono meno tracciati e dove mancano strumenti strutturati di monitoraggio.

Questo sapere invisibile trova una valorizzazione economica diretta sui mercati dell’addestramento algoritmico. Esaminando le offerte pubblicate sulla piattaforma Mercor tra gennaio e luglio 2026, gli economisti osservano che le assunzioni e i compensi per esperti umani crescono proprio nelle discipline in cui i lavoratori segnalano la minor formalizzazione del proprio lavoro. Gli sviluppatori di software pagano cifre elevate per acquisire e codificare l’esperienza che i sistemi aziendali non sono stati in grado di catturare.

La gestione delle informazioni da parte dei lavoratori

Il livello di documentazione presente in azienda non è un parametro rigido. Il 90% dei partecipanti dichiara di poter attuare scelte concrete per diminuire le informazioni cedute all’organizzazione, mentre il 96% indica azioni volte a incrementarle. Tra le pratiche più comuni figurano lo spostamento delle comunicazioni verso canali privi di registrazione (71%) e la compilazione di report o verbali meno dettagliati (47%).

Nelle valutazioni dei lavoratori, queste decisioni alterano drasticamente le capacità operative di un sostituto:

Nel caso ordinario, basato sui soli documenti aziendali archiviati, la resa stimata del subentrante è inferiore di 45 punti percentuali rispetto al titolare.
Se l’operatore sceglie di trattenere le informazioni per limitare la propria tracciabilità, il divario di produttività sale a 54 punti percentuali.
In presenza di una collaborazione attiva nella stesura di manuali e procedure, il divario scende a 21 punti percentuali.

Questo scarto di 35 punti dimostra che la decisione individuale sulla condivisione pesa quanto l’intero patrimonio documentale accumulato fino a oggi dall’impresa.

Cosa ipotizza il modello economico

Per interpretare queste evidenze, gli autori delineano un modello microeconomico strutturato in due periodi negoziali distinti. Nel primo periodo il lavoratore svolge la propria attività ordinaria e sceglie quanta conoscenza trasferire nei sistemi aziendali. L’azienda impiega queste tracce per istruire un’infrastruttura intelligente. Nel secondo periodo le parti rinegoziano i termini contrattuali e la retribuzione.

Nel modello teorico, una maggiore cessione di competenze arricchisce l’opzione esterna dell’impresa: il sistema automatizzato può replicare compiti complessi o consentire l’affiancamento di figure meno qualificate. La scelta di trattenere informazioni non rappresenta una generica chiusura culturale, ma una risposta economica coerente a un impianto di incentivi che minaccia il potere negoziale futuro del dipendente. L’assenza di patti chiari porta a un fallimento di coordinamento, danneggiando la qualità dei dati raccolti e la produttività complessiva dell’azienda.

I diversi regimi di proprietà dei dati

Il tema centrale diventa la governance dei dati prodotti durante il lavoro. Interrogati su tre scenari di regolamentazione:

Il 62.8% dei lavoratori guarda con favore alla proprietà individuale, con facoltà di vendere i propri dati all’azienda.
Il 57.7% richiede limitazioni vincolanti sui dati ricavati tramite sorveglianza passiva.
Il 46.7% indica una preferenza per la gestione collettiva.

La formalizzazione teorica dimostra tuttavia che la proprietà individuale crea un paradosso negoziale. Il 64% del campione ammette che i dati dei colleghi potrebbero sostituire i propri nell’istruzione di un subentrante. Quando un singolo cede le proprie informazioni, l’algoritmo impara procedure standard utili a replicare il lavoro dell’intero ufficio. Questa cessione genera una esternalità di competizione che riduce la leva salariale dei colleghi della stessa area, innescando una corsa al ribasso sul prezzo dei dati.

La negoziazione collettiva sui diritti dei dati di addestramento emerge nel modello come l’assetto teorico capace di preservare la cooperazione e ripristinare la qualità dei flussi informativi. Un’adozione tecnologica priva di conflitti richiede l’analisi preliminare di questi equilibri interni per evitare che il capitale di competenze accumulato nelle persone rimanga inaccessibile. Per definire una mappatura metodologica dei processi e verificare la fattibilità delle soluzioni tecnologiche, è possibile consultare i nostri esperti tramite la pagina Contattaci.

Domande frequenti

Che cos’è il knowledge gap descritto nello studio di Harvard e MIT?

Rappresenta la differenza stimata tra la conoscenza necessaria per svolgere una mansione e le informazioni formalmente registrate nei documenti, nei manuali o nei software aziendali. Nell’indagine sui lavoratori statunitensi, questa quota non documentata raggiunge in media il quaranta per cento del sapere professionale utile.

Perché molti progetti di intelligenza artificiale non generano ritorni economici adeguati?

Le rilevazioni di Boston Consulting Group e IBM documentano che gran parte delle iniziative non raggiunge gli obiettivi preventivati. Il collo di bottiglia principale risiede nella mancanza di dati contestuali ed eccezioni operative reali, elementi che risiedono nella memoria del personale e che non figurano negli archivi aziendali.

I dipendenti possono limitare la quantità di dati appresi dai sistemi intelligenti?

Sì. Il novanta per cento dei lavoratori dichiara di poter ridurre attivamente le informazioni tracciabili, ricorrendo a canali informali o redigendo resoconti sintetici. Se il personale sceglie di non collaborare, il divario di resa di un eventuale sostituto cresce di quasi dieci punti percentuali.

La proprietà individuale dei dati protegge le retribuzioni dei lavoratori?

Secondo il modello analitico elaborato da Cullen, Li e Li, la vendita individuale innesca una esternalità di competizione. Poiché le competenze sono condivise tra colleghi con mansioni simili, la cessione di dati da parte di un singolo consente all’impresa di replicare il processo di reparto, deprimendo il potere negoziale dell’intera categoria.

Fonti

Harvard University, Massachusetts Institute of Technology, Zoë Cullen, Danielle Li, Shengwu Li, «Labor as Capital: AI and the Ownership of Expertise», Harvard Business School Working Paper Series, n. 26-063, bozza del 23 luglio 2026. Documento originale consultabile su Harvard Business School Faculty & Research.
Agenda Digitale, Maurizio Carmignani, «AI, così la conoscenza dei lavoratori diventa capitale», 7 settembre 2026. Articolo consultabile su Agenda Digitale.
Boston Consulting Group (BCG), «The widening AI value gap: Build for the future 2025», settembre 2025 (indagine sul divario di valore e ritorni su costi e ricavi nell’adozione AI aziendale), citato in Cullen et al. (2026), nota 3.
IBM Institute for Business Value, «CEO study: Double down on AI while navigating enterprise hurdles», (maggio 2025), indagine su 2000 CEO globali sul ROI delle iniziative AI. Rilevazione consultabile su IBM Newsroom.
Michael Polanyi, «The Tacit Dimension», Anchor Books, 1967, riferimento teorico sulla natura non codificabile dell’esperienza umana citato nel working paper di Harvard e MIT.