La versione breve
Edizione 2026Punti chiave
Ogni takeaway rimanda alla sua riga di dati canonica. Le cifre segnalate appartengono al loro produttore citato; i risultati modellati sono etichettati come calcoli.
- Esperimento di scrittura: tempo di attività ridotto con assistenza IA: 40% (esperimento 2023; pubblicato luglio 2023).MIT / Noy e Zhang
- Esperimento di scrittura: qualità dell'output valutata superiore: 18% (esperimento 2023; pubblicato luglio 2023).MIT / Noy e Zhang
- Esperimento di consulenza: aumento delle sottoattività completate: 12,2% (Studio rilasciato per la prima volta nel 2023; riepilogo studio pubblicato aprile 2026).Harvard Business School AI Institute / Dell’Acqua e colleghi
- Esperimento di consulenza: qualità approssimativamente superiore nell'esercizio di innovazione: 32% (Studio rilasciato per la prima volta nel 2023; riepilogo studio pubblicato aprile 2026).Harvard Business School AI Institute / Dell’Acqua e colleghi
- Compito di strategia: risposte corrette senza IA: 84,5% (Studio rilasciato per la prima volta nel 2023; riepilogo studio pubblicato aprile 2026).Harvard Business School AI Institute / Dell’Acqua e colleghi
- Compito di strategia: risposte corrette con accesso a GPT-4: 70,6% (Studio rilasciato per la prima volta nel 2023; riepilogo studio pubblicato aprile 2026).Harvard Business School AI Institute / Dell’Acqua e colleghi
- Compito di strategia: risposte corrette con GPT-4 e panoramica del prompt: 60% (Studio rilasciato per la prima volta nel 2023; riepilogo studio pubblicato aprile 2026).Harvard Business School AI Institute / Dell’Acqua e colleghi
- Esperimento Copilot: riduzione del tempo di completamento su un'attività di codifica: 55,8% (15 maggio-20 giugno 2022).Peng, Kalliamvakou, Cihon e Demirer
- Esperimento METR di inizio 2025: tempo di completamento più lungo con IA consentita: 19% (febbraio-giugno 2025).METR
- Partecipanti METR: accelerazione IA percepita dopo l'esperimento: 20% (febbraio-giugno 2025).METR
L'IA aiuta con brevi attività di scrittura professionale?
L'esperimento di scrittura ha riscontrato meno tempo impiegato e una maggiore qualità valutata con assistenza. I suoi incarichi non richiedevano la piena precisione fattuale o il contesto organizzativo di molti documenti reali rivolti ai clienti.
| Risultato rispetto al controllo | Cambiamento dichiarato |
|---|---|
| Riduzione del tempo di attività | 40%Esperimento randomizzato |
| Aumento della qualità valutata | 18%Esperimento randomizzato |
Il miglioramento del punteggio di qualità e la riduzione del tempo sono risultati diversi e non devono essere sommati.
Fonte primaria: MIT / Noy e Zhang — 14 luglio 2023
L'IA può migliorare un compito di consulenza e danneggiarne un altro?
Sì. Lo studio separa i compiti che il modello poteva gestire da un problema strategico su cui era inaffidabile. La produttività sul primo set non stabilisce l'accuratezza sul secondo.
| Risultato e condizione | Percentuale dichiarata |
|---|---|
| Più sottoattività completate nell'esercizio di innovazione | 12.2%Esperimento randomizzato |
| Qualità superiore nell'esercizio di innovazione, approssimativamente | 32%Esperimento randomizzato |
| Risposta corretta alla strategia: nessuna IA | 84.5%Esperimento randomizzato |
| Risposta corretta alla strategia: accesso a GPT-4 | 70.6%Esperimento randomizzato |
| Risposta corretta alla strategia: GPT-4 più panoramica dei prompt | 60%Esperimento randomizzato |
La stima della qualità è approssimativa. Questa è una prova storica di GPT-4, non un benchmark dei modelli odierni.
Fonte primaria: Harvard Business School AI Institute / Dell’Acqua e colleghi — 9 aprile 2026
Perché gli studi sulla codifica riportano diversi effetti sulla produttività?
Un'attività di codifica autonoma e la manutenzione all'interno di un repository maturo sono compiti diversi. Gli studi hanno anche utilizzato diverse generazioni di modelli e metodi di reclutamento. I loro risultati dovrebbero rimanere separati anziché mediati.
| Studio e risultato | Cambiamento dichiarato |
|---|---|
| Assegnazione Copilot: riduzione del tempo di completamento | 55.8%Esperimento randomizzato |
| METR: aumento del tempo di completamento effettivo | 19%Esperimento randomizzato |
| METR: accelerazione prevista prima del lavoro | 24%Percezione del partecipante |
| METR: accelerazione percepita dopo il lavoro | 20%Percezione del partecipante |
Il successivo follow-up di METR ha segnalato seri problemi di selezione e misurazione del tempo. I suoi autori non considerano il follow-up una stima affidabile dell'effetto attuale; il rallentamento storico non è una rivendicazione su tutti gli sviluppatori nel 2026.
Fonti primarie: Peng, Kalliamvakou, Cihon e Demirer — 13 febbraio 2023 · METR — 10 luglio 2025 · METR — 24 febbraio 2026
Cosa significa ogni variazione di tempo misurata sulla stessa baseline?
Un indice di base semplifica la lettura dell'aritmetica senza unire gli studi. A ogni condizione di controllo viene assegnato lo stesso indice iniziale; l'indice assistito risultante si riferisce ancora solo al proprio esperimento.
| Esperimento | Indice di tempo assistito; controllo = 100 |
|---|---|
| Esperimento di scrittura | 60Calcolo normalizzato |
| Assegnazione Copilot | 44.2Calcolo normalizzato |
| Attività del repository METR | 119Calcolo normalizzato |
Normalizzazione Workspace369, non un nuovo risultato osservato. Minore significa meno tempo. Una riduzione del tempo non è la stessa percentuale di aumento del throughput, e nessun throughput stimato è rivendicato.
Fonti primarie: MIT / Noy e Zhang — 14 luglio 2023 · Peng, Kalliamvakou, Cihon e Demirer — 13 febbraio 2023 · METR — 10 luglio 2025
Come dovrebbe un'azienda testare i risparmi di tempo con l'IA?
Definire un'attività ripetibile e uno standard di accettazione prima di confrontare il lavoro assistito e non assistito. Includere la preparazione del prompt, la verifica dei fatti, la revisione e la rilavorazione. Mantenere invariati l'accesso ai dati del cliente e i requisiti di approvazione umana durante il confronto.
Traccia sia il tempo che la qualità. Non applicare una percentuale di attività di scrittura all'intero libro paga né presumere lo stesso risultato per un agente autonomo.
Come è stato costruito questo report
Metodologia e limitazioni
- Questo è un confronto di prove selezionate, non una revisione sistematica o una meta-analisi. Gli studi sono stati inclusi per compiti identificabili, prove del produttore originale e definizioni dei risultati chiaramente dichiarate.
- Le cifre relative alla scrittura e alla consulenza utilizzano i riepiloghi pubblici delle istituzioni di ricerca sui loro studi pubblicati. Il documento di codifica e il rapporto METR forniscono dettagli sperimentali originali. Le versioni working paper e pubblicate non sono mescolate.
- I risultati misurati e gli aumenti di velocità percepiti hanno etichette di prova separate. Il calcolo dell'indice temporale utilizza solo le modifiche misurate del tempo di completamento; le opinioni del sondaggio sono escluse.
- Le versioni del modello e le date dello studio rimangono allegate ai risultati. Abbiamo verificato il follow-up di METR e mantenuto il suo avviso sull'affidabilità delle stime più recenti.
Cosa questi numeri non possono dirti
- Gli esperimenti selezionati non possono stabilire un ritorno sull'investimento universale dell'IA. Diversi compiti, condizioni di controllo, partecipanti e test di qualità impediscono una percentuale aggregata difendibile.
- Le dimensioni del campione descrivono l'ambito dello studio, non repliche indipendenti. Il coinvolgimento del fornitore nello studio Copilot è rilevante per l'interpretazione.
- I risultati storici non stabiliscono le capacità dei modelli disponibili oggi. La normalizzazione non include i costi di implementazione né dimostra risparmi annuali sostenuti.
Freschezza e correzioni
Mantenuto dal team editoriale di Workspace369. Revisionare trimestralmente e quando un produttore citato rilascia uno studio sostitutivo. Prossima revisione editoriale: dicembre 2026. Conservare le versioni dei modelli storici e le date delle osservazioni. La data dell'edizione cambia solo quando le evidenze o il contenuto vengono sostanzialmente revisionati; non cambia il periodo di osservazione sottostante.
Prima edizione: . Estrazione dati, attribuzione della fonte e calcoli verificati per questa edizione. Non si rivendica alcuna revisione paritaria indipendente.
Trovato un errore o una versione primaria più recente? Invia una correzione con la fonte e la statistica interessata. Le correzioni confermate devono essere registrate nella cronologia delle revisioni prima di ripubblicare.
Fonti primarie e provenienza
Ogni cella numerica segnalata è collegata direttamente al suo produttore. I download includono le esatte ubicazioni delle tabelle o delle cartelle di lavoro, i periodi di osservazione, le date di accesso, le formule e i riferimenti di input.
- MIT / Noy e ZhangAnnuncio di ricerca del MIT per l'esperimento di scrittura scientifica pubblicato ↗Pubblicato il 14 luglio 2023. Accesso il 12 settembre 2026.Osservazioni fattuali selezionate parafrasate con attribuzione. Nessun rapporto sorgente, grafico, dati dei partecipanti o database proprietario viene ridistribuito; i diritti sorgente rimangono al suo produttore.
- Harvard Business School AI Institute / Dell’Acqua e colleghiRitorno agli inizi dell'IA al lavoro: revisione istituzionale dell'esperimento di consulenza pubblicato ↗Pubblicato il 9 aprile 2026. Accesso il 12 settembre 2026.Osservazioni fattuali selezionate parafrasate con attribuzione. Nessun rapporto sorgente, grafico, dati dei partecipanti o database proprietario viene ridistribuito; i diritti sorgente rimangono al suo produttore.
- Peng, Kalliamvakou, Cihon e DemirerL'impatto dell'IA sulla produttività degli sviluppatori: prove da GitHub Copilot, arXiv v1 ↗Pubblicato il 13 febbraio 2023. Accesso il 12 settembre 2026.Osservazioni fattuali selezionate parafrasate con attribuzione. Nessun rapporto sorgente, grafico, dati dei partecipanti o database proprietario viene ridistribuito; i diritti sorgente rimangono al suo produttore.
- METRMisurazione dell'impatto dell'IA di inizio 2025 sulla produttività degli sviluppatori esperti di open source ↗Pubblicato il 10 luglio 2025. Accesso il 12 settembre 2026.Osservazioni fattuali selezionate parafrasate con attribuzione. Nessun rapporto sorgente, grafico, dati dei partecipanti o database proprietario viene ridistribuito; i diritti sorgente rimangono al suo produttore.
- METRStiamo cambiando il nostro design sperimentale sulla produttività degli sviluppatori ↗Pubblicato il 24 febbraio 2026. Accesso il 12 settembre 2026.Osservazioni fattuali selezionate parafrasate con attribuzione. Nessun rapporto sorgente, grafico, dati dei partecipanti o database proprietario viene ridistribuito; i diritti sorgente rimangono al suo produttore.
Fatto per essere verificato, poi citato
Come citare questo report
Per una statistica segnalata dalla fonte, accreditare l'editore originale e collegarsi alla riga esatta qui quando si utilizza la nostra compilazione. Per un risultato modellato, citare Workspace369 e includere le ipotesi. Il collegamento a questa pagina non ci rende produttori originali di dati di terze parti.
Workspace369. (2026-09-12). Benchmark di produttività IA e risparmio di tempo. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Fonti primarie e periodi di osservazione come elencati nel rapporto.
I download sono set di dati di riferimento in lingua inglese, anche su pagine tradotte. I diritti sulle fonti rimangono ai loro produttori. Attribuire la compilazione e i calcoli di Workspace369; consultare i termini di riutilizzo di ciascuna fonte.