Un working paper appena pubblicato dalla Harvard Business School offre la prima analisi sistematica di come sono organizzate le imprese costruite attorno all’intelligenza artificiale. I risultati confermano molte intuizioni già circolanti tra operatori e osservatori, ma aggiungono una distinzione cruciale che cambia i termini del dibattito: non è l’uso interno degli strumenti AI a trasformare l’organizzazione, ma la riprogettazione del prodotto attorno alle capacità dell’AI. Per il tessuto produttivo italiano, quasi interamente concentrato sul primo versante, è una lezione che vale la pena esaminare con attenzione.Indice degli argomenti
I numeri di Harvard sulle imprese AI-nativeProcesso versus prodotto: la distinzione che contaLa tassonomia dei prodotti AI-nativiNei servizi l’effetto delle imprese AI-native è massimoLa Scala Spezzata e il lavoro entry-levelL’Italia tra canale processo e canale prodottoLe implicazioni per il management italianoUna questione di architettura, non di strumentiI numeri di Harvard sulle imprese AI-nativeLo studio di Hyunjin Kim (INSEAD) e Rembrand Koning (Harvard Business School), analizza quasi 3.000 startup passate da Y Combinator tra il 2020 e il 2024 e oltre 45.000 startup venture-backed statunitensi tratte da PitchBook, incrociandole con dati sulla forza lavoro di Revelio Labs. La domanda è semplice: le imprese che si dichiarano AI-native sono davvero organizzate in modo diverso?La risposta è sì, e le differenze sono sostanziali. Rispetto a startup non-AI nello stesso settore e nella stessa coorte temporale, le imprese AI-native presentano circa il 25% di dipendenti in meno, una quota di ingegneri superiore del 13%; una percentuale di lavoratori entry-level e di manager ciascuna inferiore di circa il 15%; gerarchie più piatte di mezzo livello di seniority; valutazioni per dipendente superiori del 30% nel campione Y Combinator e del 76% nel campione PitchBook più ampio.Non si tratta di imprese più deboli o sottocapitalizzate: raccolgono fondi comparabili e ottengono valutazioni in linea con i peer non-AI. Semplicemente, producono valore con meno persone e strutture più snelle.Processo versus prodotto: la distinzione che contaIl contributo analitico più rilevante del paper non sta nei numeri aggregati, ma nella disaggregazione dei meccanismi. Kim e Koning identificano due canali attraverso cui l’IA trasforma l’organizzazione.Il canale di processo riguarda l’adozione di strumenti AI, ChatGPT, GitHub Copilot, Cursor, Claude e simili, per rendere più produttivi i lavoratori esistenti. Stiamo parlando del fenomeno su cui si concentra la maggior parte della ricerca attuale e della narrazione mediatica: il programmatore che scrive codice più velocemente, il customer service agent che risolve più ticket, l’analista che produce report in metà tempo.Il canale di prodotto riguarda invece l’incorporazione dell’AI direttamente in ciò che l’impresa vende, così che il prodotto stesso svolga lavoro cognitivo che prima richiedeva team umani interni.La scoperta chiave è che solo il canale di prodotto predice team più piccoli e gerarchie più piatte. I ricercatori misurano il canale processo attraverso le menzioni di strumenti AI specifici negli annunci di lavoro delle startup: le imprese AI-native li citano 2,6 volte più spesso, ma questa variabile non risulta statisticamente significativa nel predire dimensioni aziendali ridotte né strutture organizzative diverse. Il canale processo, in altre parole, rende i lavoratori più efficienti ma non trasforma l’architettura dell’organizzazione.Il canale prodotto, al contrario, agisce sulla struttura stessa dell’impresa. Quando l’AI è incorporata nel prodotto, capacità che prima dovevano essere costruite internamente, attraverso persone, gerarchia e coordinamento, vengono trasferite nel prodotto stesso. Il cliente interagisce direttamente con l’AI; l’impresa non ha bisogno di organizzare un flusso di lavoro umano per ogni richiesta.La tassonomia dei prodotti AI-nativiKim e Koning hanno classificato con un LLM le descrizioni di 990 startup AI di Y Combinator, facendo emergere una tassonomia a quattro categorie che merita attenzione.La categoria più ampia, il 43% del totale, è quella dei prodotti a workflow autonomo: l’AI svolge un lavoro che prima faceva una persona. Artisan costruisce rappresentanti commerciali AI che trovano lead, ricercano prospect e scrivono email personalizzate. FazeShift automatizza l’intero ciclo di gestione dei crediti, fatturazione, solleciti, riconciliazione, con un team di dieci persone e decine di clienti enterprise. Aurelian gestisce un operatore telefonico AI per le centrali 911. In tutti questi casi, il prodotto è il lavoratore.La seconda categoria, il 24%, è quella dei prodotti di augmentation per esperti: l’AI potenzia il professionista senza sostituirlo. Tower aiuta gli avvocati nella due diligence, Medium Biosciences supporta i biologi nella progettazione di proteine terapeutiche. Il lavoro resta umano, ma il prodotto incorpora capacità analitiche, generative o di ricerca che espandono ciò che l’esperto può fare.Insieme, queste due categorie rappresentano il 67% delle startup AI-native, due terzi delle imprese costruite attorno all’AI incorporano esplicitamente l’intelligenza artificiale nel prodotto venduto. Il restante terzo comprende infrastruttura AI (15%) e casi non facilmente classificabili (18%).Nei servizi l’effetto delle imprese AI-native è massimoIl paper testa un’ipotesi precisa: se l’AI nel prodotto sostituisce lavoro che prima richiedeva persone, l’effetto dovrebbe essere maggiore nei settori dove l’impresa scalava assumendo personale per erogare il servizio, terapia, tutoring, telemedicina, consulenza.I dati confermano l’ipotesi in modo inequivocabile. Nelle imprese di servizi, le startup AI-native operano con circa il 70% di personale in meno rispetto ai peer non-AI e presentano gerarchie più piatte di quasi un intero livello. Educato AI, piattaforma di preparazione agli esami, ha 7 dipendenti; Careerist, piattaforma non-AI che eroga corsi attraverso tutor umani, ne ha 912. Legion Health, piattaforma di psichiatria costruita su LLM e agenti AI, ha 28 dipendenti; Intellect, azienda di salute mentale basata su una rete di terapeuti umani, ne ha 446.Questo dato ha implicazioni profonde. Non dice semplicemente che l’AI rende le imprese più efficienti: dice che in certi settori l’AI permette di costruire un tipo di impresa radicalmente diverso, dove la capacità produttiva risiede nel prodotto anziché nell’organizzazione.La Scala Spezzata e il lavoro entry-levelUn risultato del paper merita particolare attenzione per chi si occupa di mercato del lavoro e percorsi di carriera. Le imprese AI-native impiegano circa il 15% in meno di lavoratori entry-level e circa il 20% in più di lavoratori senior. Questo dato sembra contraddire la letteratura a livello di singolo task, che mostra come l’AI spesso avvantaggi di più i lavoratori meno esperti, il fenomeno documentato da Brynjolfsson, Li e Raymond nel customer service, da Dell’Acqua et al. nella consulenza strategica, da Noy e Zhang nella scrittura professionale.La contraddizione è solo apparente: ciò che avvantaggia il lavoratore junior a livello di task può ridurre la domanda di lavoratori junior a livello di impresa. Se un’organizzazione può fare di più con meno persone, le persone rimaste devono essere più capaci di lavorare con l’AI, integrare output, gestire eccezioni e prendere decisioni complesse, allora la selezione si sposta verso l’alto. L’AI livella verso l’alto la performance individuale, ma alza la soglia d’ingresso nell’organizzazione.Si tratta del meccanismo che abbiamo descritto come Scala Spezzata in precedenti analisi: l’IA erode i gradini inferiori del percorso di formazione professionale. Il paper di Kim e Koning fornisce ora una base empirica su larga scala a questa dinamica, confermando il pattern anche a livello di dati cross-sectional su migliaia di imprese. Lo conferma in modo coerente con il recente lavoro di Brynjolfsson, Chandar e Chen, che documenta un calo relativo del 13% nell’occupazione early-career nelle professioni esposte all’AI.L’Italia tra canale processo e canale prodottoArriviamo al punto per il nostro contesto. Il tessuto produttivo italiano è composto in larghissima parte da PMI, spesso manifatturiere, spesso familiari, spesso inserite in filiere distrettuali, che stanno approcciando l’AI quasi esclusivamente attraverso il canale di processo. Adottano strumenti: chatbot per il customer service, Copilot per gli sviluppatori, sistemi di analisi predittiva per la manutenzione, assistenti AI per l’amministrazione. Sono tutte mosse sensate e necessarie. Ma il paper di Harvard suggerisce che non è lì che si produce la vera trasformazione organizzativa.La domanda che le imprese italiane dovrebbero porsi, e che troppo poche si stanno ponendo, è sul canale prodotto: posso ripensare ciò che vendo in modo che sia l’AI a svolgere parte del lavoro che oggi fanno i miei collaboratori, o che i miei clienti oggi commissionano ad altri?Qualche esempio concreto di come questa logica potrebbe applicarsi. Uno studio di commercialisti che offre ai clienti un portale con un agente AI per la compliance fiscale, non un chatbot generico, ma un sistema che raccoglie documenti, classifica fatture, prepara dichiarazioni, segnala anomalie, sta facendo con il canale prodotto esattamente ciò che FazeShift fa con i crediti commerciali. Un’azienda di formazione professionale che incorpora un tutor AI adattivo nel proprio prodotto formativo, anziché limitarsi a usare l’AI internamente per preparare le slide, sta seguendo la traiettoria di Educato AI. Un’impresa di servizi industriali che inserisce capacità diagnostiche AI nel prodotto venduto al cliente, anziché usarle solo internamente, sta trasferendo capacità produttiva dall’organizzazione al prodotto.Nessuno di questi scenari richiede di essere una startup della Silicon Valley. Richiede però un passaggio concettuale che va oltre l’adozione di strumenti: ripensare l’architettura dell’offerta.Le implicazioni per il management italianoSe Kim e Koning hanno ragione, i dati sono robusti, replicati su due campioni indipendenti e controllati per settore e coorte, le implicazioni per chi gestisce imprese in Italia sono molteplici.La prima riguarda la strategia di adozione dell’AI. Dotare i dipendenti di strumenti AI è necessario ma non sufficiente. Il vero vantaggio competitivo emerge quando l’IA viene incorporata nel prodotto o servizio venduto al cliente. Questo richiede una riflessione strategica che parte dalla domanda: quale parte del valore che i miei clienti pagano è lavoro cognitivo che potrebbe essere svolto dall’IA dentro il prodotto?La seconda riguarda l’organizzazione. Se il canale prodotto è il vero driver, le imprese italiane che riusciranno a percorrerlo potrebbero trovarsi a gestire team più piccoli, più tecnici, con meno livelli gerarchici. Questo non significa semplicemente tagliare teste, significa ripensare quali competenze servono, come si coordinano, e come si forma la prossima generazione di professionisti quando i ruoli entry-level si riducono.La terza riguarda i rischi. Il paper mostra che le startup AI-native sono più concentrate geograficamente, più maschili, più elitarie nelle credenziali educative. In un paese con divari territoriali già pronunciati e un mercato del lavoro poco flessibile, la transizione verso modelli AI-native rischia di accentuare le disuguaglianze. Non è un argomento per non procedere, ma per procedere con consapevolezza e con politiche di accompagnamento adeguate.Una questione di architettura, non di strumentiIl paper di Kim e Koning chiude un cerchio analitico aperto da diversi filoni di ricerca convergenti. L’AI non sta semplicemente rendendo le organizzazioni più efficienti, sta cambiando dove risiede la capacità produttiva dell’impresa. Quando questa capacità si sposta dalle persone al prodotto, cambia la natura stessa dell’organizzazione: servono meno persone, più senior, più tecniche, con meno livelli di coordinamento.Per le imprese italiane, il messaggio non è di allarme ma di direzione: il canale processo è il punto di partenza, il canale prodotto è quello che trasforma. Chi si ferma al primo cattura efficienza incrementale. Chi arriva al secondo ripensa il proprio modello di business. Come mostrano i dati di Harvard, è nel secondo che si concentra la creazione di valore.
