Nel 1987, l’economista Robert Solow scrisse una frase destinata a diventare uno dei paradossi più citati della teoria economica moderna: “Si vede l’era dei computer ovunque, tranne che nelle statistiche della produttività.” Era il paradosso di Solow. Sembrava destinato a restare nei libri di storia.

Non è così. Trentotto anni dopo, con l’intelligenza artificiale al posto dei personal computer e investimenti globali in AI superiori ai 250 miliardi di dollari nel solo 2024, il paradosso è tornato. Identico nella struttura, più grande nella scala, più inquietante nelle implicazioni — perché questa volta si porta dietro qualcosa di nuovo rispetto al 1987: la prova che forse non è solo un problema di timing.

Secondo i dati dell’OECD Compendium of Productivity Indicators 2025, la crescita della produttività del lavoro nei paesi OECD è rimasta stagnante intorno allo 0,4% nel 2024. I benefici attesi dall’AI generativa non si sono ancora materializzati nelle statistiche. Nell’area euro il dato è ancora più critico: la produttività del lavoro è calata dello 0,9% nel 2023, il calo più brusco dalla crisi finanziaria del 2008.

Poi, nel 2025, qualcosa si è mosso — almeno negli Stati Uniti. Erik Brynjolfsson, economista di Stanford, ha pubblicato all’inizio del 2026 un’analisi secondo cui la produttività americana sarebbe cresciuta di circa il 2,7% nel 2025, quasi il doppio della media annua dell’ultimo decennio. Jason Furman, ex consigliere economico della Casa Bianca e in precedenza scettico, ha concordato, citando le revisioni dei dati BLS come evidenza di un possibile effetto AI.

Sembrerebbe una buona notizia. Ma la lettura è molto più complessa. La Federal Reserve Bank di San Francisco, in un intervento di febbraio 2026, è esplicita: la maggior parte degli studi macroeconomici trova prove limitate di un effetto AI significativo sulla produttività aggregata. Un’analisi della Fed di Kansas City mostra che i guadagni di produttività dell’era AI non emergono fino a quando non si include circa il 64% del valore aggiunto dell’economia — una quota relativamente piccola di industrie ad alto rendimento ha guidato quasi tutti i guadagni netti.

La vera novità del 2025-2026 non è la risposta al paradosso. È la scoperta che il paradosso ha più strati di quanti si pensasse.

Il primo livello: le aziende investono senza risultati verificati. Secondo McKinsey, il 94% dei dipendenti dichiara familiarità con gli strumenti di AI generativa, ma i leader aziendali stimano che solo il 4% li utilizzi per almeno il 30% del lavoro quotidiano. Solo l’1% dei vertici aziendali descrive il proprio rollout di AI come “maturo”. Secondo i dati di BCG su oltre 850 aziende, il 74% dei progetti pilota di AI generativa non riesce a passare alla produzione scalata — bloccandosi in quella che i ricercatori chiamano “pilot purgatory”.

Il secondo livello — il più inquietante: i lavoratori si credono più produttivi quando non lo sono. Uno studio controllato randomizzato di METR (luglio 2025) ha misurato la produttività di 16 sviluppatori esperti su 246 task reali con e senza AI. Risultato: gli sviluppatori con AI impiegavano il 19% di tempo in più. Prima dello studio stimavano di guadagnare il 24% di velocità. Dopo averlo concluso, credevano ancora di aver lavorato il 20% più velocemente.

Va detto con onestà: METR stessa ha segnalato che un secondo studio di follow-up ha incontrato problemi di selezione campionaria — molti sviluppatori non volevano più lavorare senza AI — rendendo difficile replicare le condizioni controllate originali. Il dato del primo studio rimane valido come istantanea di un momento specifico, non come legge universale. Quello che resta indiscutibile è il gap percezione-realtà: gli sviluppatori erano convinti di essere più veloci quando non lo erano.

Il Global Talent Barometer 2026 di ManpowerGroup (13.918 lavoratori, 19 paesi) documenta questo paradosso su scala globale: l’uso regolare dell’AI è aumentato del 13%, raggiungendo il 45% dei lavoratori, mentre la fiducia nella tecnologia è crollata del 18%. Il 56% dei lavoratori globali dichiara di non aver ricevuto alcuna formazione recente. Si usa di più l’AI. Ci si fida sempre meno di ciò che produce.

Il terzo livello: i CEO dichiarano trasformazioni che non misurano. Uno studio del National Bureau of Economic Research su oltre 6.000 dirigenti in USA, UK, Germania e Australia ha rilevato che la grande maggioranza non vede alcun impatto materiale dell’AI sulle proprie operazioni — nonostante i loro stessi comunicati agli investitori descrivano l’AI come strategicamente centrale. Il divario tra narrativa esterna e realtà interna è documentato e misurato.

In questo contesto, la voce analitica più autorevole è quella di Daron Acemoglu, economista del MIT e premio Nobel per l’economia 2024. La sua posizione non è quella di chi nega il potenziale dell’AI. È più utile di così: cambia la domanda.

“Stiamo usando l’AI troppo per l’automazione e non abbastanza per fornire competenze e informazioni ai lavoratori,” ha dichiarato Acemoglu. In “The Wrong Kind of AI?”, paper pubblicato con Restrepo, argomenta che il cambiamento tecnologico recente è stato orientato verso l’automazione con insufficiente attenzione alla creazione di nuovi task. Le conseguenze: domanda di lavoro stagnante, quota del lavoro in declino nel reddito nazionale e minore crescita della produttività.

Non è che la tecnologia non funziona. È che viene sviluppata nella direzione sbagliata — per sostituire il lavoro umano anziché potenziarlo. E questo errore di rotta non è accidentale: la sostituzione del lavoro è misurabile e rendicontabile; il potenziamento delle capacità umane è più difficile da quantificare e da vendere agli investitori. “I CEO sentono di dover investire in AI per non restare indietro rispetto ai competitor — non perché l’investimento sia dimostrato utile,” ha aggiunto Acemoglu.

Nel 2013, l’antropologo David Graeber pubblicò un saggio — poi libro — intitolato Bullshit Jobs. La tesi era provocatoria: una quota crescente del lavoro moderno esiste senza una funzione percepita come realmente utile, per una logica sistemica che premia la presenza sul valore prodotto. Graeber attribuiva la proliferazione di questi lavori al “feudalesimo manageriale”: i manager hanno bisogno di subordinati per mantenere il proprio status, indipendentemente dal contributo produttivo reale.

Le critiche empiriche a Graeber vanno dette chiaramente: studi pubblicati su Work, Employment and Society hanno rilevato che meno dell’8% dei lavoratori europei percepisce il proprio lavoro come inutile, e che il dato è in calo. La cattiva gestione spiega meglio la sensazione di inutilità rispetto alla tesi strutturale di Graeber.

Eppure l’intuizione regge — non applicata ai singoli lavori, bensì alle architetture organizzative nel loro complesso. E qui Graeber incontra i dati del 2025 in modo inatteso: quella “violenza psicologica” di chi sa di non produrre valore reale ha oggi un gemello quantificato — il lavoratore che usa l’AI, si sente più efficiente e produce meno di prima. Due forme diverse dello stesso disallineamento tra percezione e realtà produttiva.

Il paradosso di Solow si risolse — ma lentamente. Nel 2000, tredici anni dopo la sua famosa osservazione, Solow disse al New York Times: “Ora si vedono i computer nelle statistiche della produttività.” Erano serviti più di dieci anni e trasformazioni organizzative profonde.

Forse la stessa cosa accadrà con l’AI. I segnali americani del 2025 potrebbero essere l’inizio di quella “fase di raccolto” teorizzata dagli economisti. Brynjolfsson pensa di sì. Furman si è convinto. Ma Acemoglu resta cauto. La Fed di San Francisco concorda che è presto per conclusioni definitive. Il Budget Lab di Yale ha avvertito a febbraio 2026 che i dati di produttività 2025 non vanno interpretati come prova definitiva: la revisione del PIL per il 2025 è ancora incompleta.

La risposta onesta, nel marzo del 2026, è che non lo sappiamo. Quello che sappiamo è questo: le aziende investono perché hanno paura di restare indietro. I lavoratori si sentono più efficienti mentre i dati raccontano un’altra storia. I CEO dichiarano trasformazioni che le operazioni non confermano. E i mercati prezzano aspettative che potrebbero non materializzarsi nei tempi attesi.

Non è necessariamente un sistema destinato al collasso. È un sistema che si regge su una promessa. La domanda non è se quella promessa sia falsa — è se stiamo costruendo le condizioni perché si avveri, o se stiamo semplicemente costruendo molto bene l’economia sbagliata.