L’AI può ridurre le capacità cognitive umane? Cosa dicono gli studi
L’intelligenza artificiale sta entrando con una velocità crescente nelle attività di studio, lavoro e decisione. In molti casi consente di ridurre tempi, alleggerire attività ripetitive, sintetizzare grandi quantità di informazioni e supportare persone che devono operare in contesti complessi.
Sarebbe quindi sbagliato descriverla soltanto come una minaccia.
L’AI può ridurre le capacità cognitive umane? Cosa dicono gli studi
Cognitive offloading: quando delegare diventa un’abitudine
Studenti e apprendimento: il rischio di “saltare” il processo
Il problema del “ground work” nelle aziende
Sviluppatori: l’AI non è sempre sinonimo di maggiore velocità
Medicina e riduzione dello sforzo cognitivo
Il rischio organizzativo: dal deskilling al “cognitive debt”
Lo studio MIT e la prudenza necessaria
AI come strumento, non come sostituto: quattro strategie
- Definire cosa può essere delegato e cosa deve restare umano
- Ripensare i workflow per mantenere esperienza e conoscenza tacita
- Usare l’AI per generare domande, non soltanto risposte
- Premiare la qualità, non soltanto la velocità
AI Literacy significa anche questo
Il rischio vero: perdere la capacità di fare ciò che abbiamo automatizzato
Più dipendiamo dall’AI, più abbiamo bisogno di competenze umane solide per controllarla.
Ma proprio la sua efficacia apre una domanda più scomoda: cosa accade alle capacità umane quando iniziamo a delegare sistematicamente all’AI attività che prima richiedevano memoria, analisi, giudizio, confronto e sforzo cognitivo?
Alcuni studi recenti, condotti in ambiti molto diversi – studenti, lavoratori della conoscenza, sviluppatori, medici e manager – stanno iniziando a fornire indicazioni interessanti.
Non dimostrano che l’intelligenza artificiale “renda meno intelligenti” in senso generale, né consentono conclusioni definitive su effetti irreversibili.
Mostrano però un rischio concreto: se l’AI viene utilizzata come sostituto del pensiero, anziché come strumento di supporto, alcune capacità possono essere esercitate meno e quindi progressivamente indebolirsi.
Il tema non riguarda soltanto il singolo individuo.
Può diventare un problema organizzativo.
Cognitive offloading: quando delegare diventa un’abitudine
Una delle espressioni più utilizzate negli studi è cognitive offloading.
Indica la tendenza a trasferire all’esterno una parte del carico cognitivo necessario per svolgere un compito.
Non è un fenomeno nato con l’intelligenza artificiale.
Agenda, calcolatrice, motore di ricerca e navigatore satellitare sono tutti strumenti che ci consentono di non memorizzare o elaborare direttamente alcune informazioni.
Con l’AI generativa, però, la scala cambia.
Non deleghiamo soltanto memoria o calcolo.
Possiamo delegare:
- la prima analisi di un problema;
- la costruzione di un’argomentazione;
- la scrittura di un testo;
- la ricerca di alternative;
- la sintesi di documenti;
- perfino parti del processo decisionale.
Il vantaggio è evidente: meno tempo, minore overload informativo, risposte più rapide.
Il rischio emerge quando la delega diventa la modalità normale di lavoro.
Diversi studi richiamano il concetto di cognitive laziness, cioè una progressiva riduzione della propensione a sviluppare autonomamente pensiero analitico e valutazione critica.
Il passaggio successivo viene definito metacognitive laziness: non soltanto si delega il compito, ma si riduce anche l’attività di controllo sul modo in cui il compito è stato svolto.
È un punto centrale.
Se l’AI produce una risposta plausibile in pochi secondi, l’essere umano può essere progressivamente indotto a verificare meno, interrogarsi meno e accettare più facilmente il risultato.
Il problema quindi non è l’AI che “pensa al posto nostro” in senso letterale.
È l’essere umano che, abituandosi alla disponibilità immediata di una risposta, smette di esercitare alcune funzioni cognitive.
Studenti e apprendimento: il rischio di “saltare” il processo
Una parte della ricerca riguarda gli studenti.
Uno degli studi richiamati, relativo a un campione di 117 studenti, collega la dipendenza dall’assistenza AI alla tendenza a trasferire all’esterno anche il carico metacognitivo necessario per imparare.
Il punto è particolarmente interessante perché apprendere non significa soltanto ottenere la risposta corretta.
Significa:
- formulare ipotesi;
- sbagliare;
- correggersi;
- confrontare alternative;
- ricordare informazioni;
- costruire collegamenti;
- comprendere perché una soluzione funziona.
Se l’AI interviene troppo presto nel processo, può consentire di ottenere un output soddisfacente senza attraversare le fasi che producono realmente apprendimento.
Questo non significa che l’AI debba essere esclusa dalla formazione.
Gli stessi studi richiamati mostrano una dinamica diversa quando il compito è più complesso.
Di fronte a problemi che richiedono maggiore coinvolgimento, gli utenti tendono a delegare meno e ad aumentare lo sforzo di analisi.
Da qui emerge una distinzione importante per aziende e organizzazioni.
L’automazione dei compiti semplici può produrre efficienza, ma se elimina tutte le occasioni in cui una persona costruisce esperienza rischia di generare deskilling.
Le attività più complesse, invece, possono favorire upskilling quando l’AI viene utilizzata come interlocutore, strumento di confronto o acceleratore della ricerca, lasciando però all’essere umano il compito di valutare e decidere.
Il problema del “ground work” nelle aziende
Questo punto diventa particolarmente rilevante nel mondo del lavoro.
Molte carriere professionali si costruiscono attraverso attività apparentemente poco strategiche:
- controllare documenti;
- elaborare dati;
- confrontare casi;
- verificare errori;
- seguire procedure;
- assistere colleghi più esperti.
Sono attività che possono sembrare ripetitive e che l’AI può automatizzare con facilità.
Ma rappresentano anche una parte importante del processo con cui si forma la conoscenza pratica.
Alcune analisi sottolineano come l’automazione del cosiddetto ground work possa ridurre le occasioni attraverso cui il middle management acquisisce familiarità con i processi reali dell’organizzazione.
Un manager che non ha mai analizzato direttamente un certo problema potrebbe essere meno attrezzato, in futuro, per comprenderne le anomalie.
Il rischio non è quindi soltanto perdere una competenza tecnica.
È perdere la capacità di riconoscere il contesto.
E proprio il contesto resta uno dei terreni nei quali l’esperienza umana continua ad avere un ruolo centrale.
Sviluppatori: l’AI non è sempre sinonimo di maggiore velocità
Un altro dato interessante riguarda gli sviluppatori software.
Nel documento viene richiamata una ricerca METR del 2026 condotta su 16 sviluppatori esperti.
Prima dell’esperimento, i partecipanti stimavano che l’utilizzo di strumenti AI avrebbe ridotto il tempo di implementazione del 24%.
Il risultato effettivo è stato opposto: in alcune attività il tempo necessario è aumentato del 19%.
Il campione è limitato e gli stessi autori invitano alla prudenza.
Non sarebbe quindi corretto generalizzare il risultato sostenendo che l’AI rallenta gli sviluppatori.
Ma lo studio mette in luce alcuni fattori molto utili:
- eccessivo ottimismo iniziale;
- difficoltà dell’AI nei repository complessi;
- bassa affidabilità di alcuni output;
- tempo necessario per correggere e “pulire” il codice prodotto;
- incapacità dello strumento di utilizzare pienamente conoscenza tacita e contesto.
Quest’ultimo elemento è particolarmente importante.
Una persona esperta non lavora soltanto sulla base delle informazioni formalmente disponibili.
Utilizza esperienza, memoria di problemi precedenti, conoscenza delle persone, comprensione delle conseguenze e una quantità di informazioni difficili da formalizzare.
Questa intelligenza contestuale diventa decisiva quando la decisione coinvolge sicurezza, finanza, qualità o altri ambiti nei quali un errore può produrre conseguenze significative.
Medicina e riduzione dello sforzo cognitivo
Anche nel settore sanitario l’AI offre opportunità enormi.
Può migliorare analisi, supportare la diagnostica e ridurre il carico informativo di professionisti che operano in condizioni di forte pressione.
Proprio per questo il cognitive offloading può essere particolarmente attraente.
Alcuni studi richiamano la possibilità che la tendenza a minimizzare lo sforzo mentale attraverso strumenti AI diventi un’abitudine e, nel lungo periodo, incida sull’esercizio delle capacità professionali.
Il meccanismo proposto è intuitivo:
le capacità che esercitiamo frequentemente tendono a rafforzarsi, mentre quelle che utilizziamo meno possono diventare progressivamente meno accessibili.
Anche qui serve cautela.
Non significa che l’uso dell’AI renda automaticamente meno competente un medico.
Significa che un sistema progettato per ridurre lo sforzo cognitivo può produrre un effetto secondario se sostituisce attività che risultano invece essenziali per mantenere allenata la capacità di giudizio.
È quindi necessario distinguere tra AI che supporta il ragionamento e AI che lo sostituisce.
Il rischio organizzativo: dal deskilling al “cognitive debt”
La parte forse più interessante per imprese e manager riguarda un’indagine BCG richiamata nel documento.
Su 70 manager apicali coinvolti, il 60% individua il de-skilling prodotto dal cognitive offloading come una minaccia materiale per le organizzazioni nei successivi tre-cinque anni.
Le competenze considerate più esposte non sono marginali.
Parliamo di:
- pensiero critico;
- giudizio;
- curiosità;
- originalità;
- ragionamento causale;
- comprensione dei problemi;
- generazione e valutazione delle soluzioni.
Sono proprio le capacità che un’impresa necessita maggiormente quando l’ambiente diventa incerto.
Lo studio utilizza il concetto di cognitive debt.
Il parallelismo con il debito tecnico è interessante.
Un’organizzazione può ottenere nel breve periodo un guadagno di velocità delegando sempre più attività all’AI.
Ma può contemporaneamente accumulare un debito invisibile:
- persone che conoscono meno i processi;
- verificano meno;
- producono meno ipotesi autonome;
- diventano progressivamente dipendenti dal sistema.
Il problema diventa ancora più serio quando questa dinamica si diffonde in tutta l’organizzazione.
Si parla allora di distributed deskilling.
Non perde competenze una sola persona.
È l’intero sistema aziendale che può perdere gradualmente capacità di analisi, memoria organizzativa e autonomia decisionale.
La “autopilot trap”
Il rischio viene descritto anche attraverso l’espressione autopilot trap.
Lo schema è semplice:
- descrivere il compito;
- chiedere una risposta;
- sistemare l’output.
È probabilmente il modo in cui milioni di persone utilizzano oggi l’AI generativa.
Il problema non è che questo flusso sia sempre sbagliato.
È estremamente efficace per attività di basso valore o quando serve una prima bozza.
Diventa rischioso quando viene applicato indistintamente a qualsiasi compito.
Se l’utente non formula una propria interpretazione prima di interrogare l’AI, non confronta alternative e non mette in discussione il risultato, il processo cognitivo viene progressivamente compresso.
La persona passa dalla produzione del ragionamento alla sola validazione di un output già pronto.
E con il tempo anche la validazione può diventare superficiale.
Uno studio su 319 knowledge worker di Microsoft richiamato nel documento evidenzia proprio questo punto: l’utilizzo prolungato dell’AI generativa nei task di routine può ridurre le occasioni in cui le persone riflettono e costruiscono giudizi propri, favorendo l’accettazione dell’output senza una valutazione approfondita.
Lo studio MIT e la prudenza necessaria
Il documento richiama inoltre uno studio MIT del 2025 basato su EEG di persone impegnate in attività di scrittura.
Nelle condizioni sperimentali descritte, il gruppo che utilizzava ChatGPT mostrava configurazioni di connettività neurale differenti rispetto ai gruppi che non lo utilizzavano.
È un risultato interessante, ma deve essere comunicato con prudenza.
Non dimostra che ChatGPT “danneggi il cervello”.
Non dimostra neppure che tali differenze siano necessariamente permanenti.
Mostra invece che modalità differenti di svolgere un compito possono associarsi a modalità differenti di attivazione e coordinamento delle aree cerebrali.
Per chi governa l’AI nelle organizzazioni il messaggio utile non è quindi allarmistico.
È molto più concreto:
se una tecnologia modifica il modo in cui le persone affrontano sistematicamente i compiti, è plausibile che nel tempo modifichi anche le competenze che quelle persone allenano maggiormente.
AI come strumento, non come sostituto: quattro strategie
Arriviamo alla parte più interessante.
Se il rischio di impoverimento cognitivo esiste, dobbiamo rinunciare all’AI?
No.
La conclusione degli studi richiamati va nella direzione opposta.
Il problema non è se utilizzare l’intelligenza artificiale. È come utilizzarla.
Lo studio BCG citato propone alcune strategie che possono essere tradotte in principi organizzativi molto concreti.
1. Definire cosa può essere delegato e cosa deve restare umano
La prima misura consiste nel definire con precisione le attività nelle quali l’AI può essere utilizzata e quelle nelle quali deve rimanere centrale il contributo umano.
Non tutto ha lo stesso valore cognitivo.
Generare una prima bozza di una comunicazione standard non equivale a prendere una decisione che coinvolge:
- responsabilità etiche;
- persone;
- investimenti;
- sicurezza;
- conseguenze strategiche.
Le attività nelle quali originalità, giudizio etico e sintesi sono fondamentali dovrebbero mantenere un forte presidio umano.
Questo significa che una buona AI Policy non dovrebbe limitarsi a indicare quali strumenti sono autorizzati.
Dovrebbe anche stabilire per quali processi possono essere utilizzati e dove invece l’AI deve avere soltanto una funzione di supporto.
2. Ripensare i workflow per mantenere esperienza e conoscenza tacita
La seconda strategia riguarda la progettazione dei processi.
Se automatizziamo completamente i compiti di base, rischiamo di eliminare anche il percorso attraverso cui le persone imparano.
Il problema emerge soprattutto per i neo-assunti.
Come costruirà esperienza un giovane professionista se tutte le attività attraverso cui le generazioni precedenti hanno imparato vengono assegnate direttamente a un agente artificiale?
Una possibile soluzione è progettare workflow nei quali l’AI non sostituisca integralmente l’esperienza.
Ad esempio:
- prima analisi umana e successivo confronto con l’AI;
- revisione obbligatoria degli output;
- affiancamento tra junior e senior;
- discussione dei casi più significativi;
- rotazione su attività che permettono di comprendere i processi reali.
Il trasferimento intergenerazionale della conoscenza diventa così un elemento della governance dell’AI.
3. Usare l’AI per generare domande, non soltanto risposte
Questa è probabilmente la strategia più interessante per l’utilizzo quotidiano.
La maggior parte degli utenti usa l’AI in modo lineare:
“Qual è la soluzione migliore?”
L’approccio suggerito dagli studi è quello di modificare il tipo di interazione.
Invece di chiedere soltanto:
“Qual è il modo migliore per fare questa cosa?”
possiamo chiedere:
“Come potrebbe fallire questa soluzione?”
oppure:
“Quali assunzioni sto facendo?”
“Quali argomenti userebbe una persona che non è d’accordo?”
“Quali informazioni mi mancano?”
“Quali conseguenze indirette non sto considerando?”
È una forma di reverse questioning.
L’AI smette di essere la macchina che fornisce la risposta e diventa uno strumento per mettere in difficoltà il nostro ragionamento.
Questo cambia completamente la natura dell’interazione.
Il critical thinking non viene esternalizzato.
Viene stimolato.
4. Premiare la qualità, non soltanto la velocità
L’ultima strategia riguarda gli incentivi.
Se l’organizzazione misura la produttività soltanto sulla velocità, le persone avranno un incentivo fortissimo a delegare il massimo numero possibile di attività all’AI.
Ma velocità e qualità non sono sinonimi.
Un output ottenuto in due minuti può richiedere ore per correggere errori, verificare informazioni o gestire conseguenze inattese.
Le organizzazioni dovrebbero quindi ripensare i propri KPI.
Non soltanto:
“Quanto rapidamente hai concluso il task?”
Ma anche:
- quanto è robusta la soluzione?
- quali alternative sono state valutate?
- quali rischi sono stati identificati?
- quali fonti sono state verificate?
- quale contributo originale è stato prodotto?
In questo modo l’AI può aumentare la produttività senza trasformare la velocità nell’unico criterio di valutazione.
AI Literacy significa anche questo
Queste riflessioni aprono anche una prospettiva interessante sull’AI Literacy.
Alfabetizzare il personale sull’intelligenza artificiale non dovrebbe significare soltanto spiegare:
- cos’è un modello generativo;
- quali dati non inserire;
- come riconoscere un’allucinazione.
Dovrebbe significare anche insegnare a usare l’AI senza rinunciare al proprio giudizio.
Una persona realmente AI-literate dovrebbe sapere:
- quando utilizzare lo strumento;
- quando non utilizzarlo;
- come verificare gli output;
- come contestare una risposta;
- come distinguere un supporto da una delega;
- quando è necessario tornare alle fonti;
- quando una decisione deve rimanere integralmente umana.
In questo senso AI Literacy e governance organizzativa diventano inseparabili.
Non basta mettere a disposizione strumenti potenti.
Bisogna progettare il modo in cui le persone interagiscono con essi.
Il rischio vero: perdere la capacità di fare ciò che abbiamo automatizzato
Ogni innovazione tecnologica elimina alcune competenze e ne crea altre.
È sempre successo.
L’AI presenta però una differenza importante.
Non automatizza soltanto attività fisiche o meccaniche.
Interviene direttamente nei processi con cui produciamo informazioni, formuliamo idee e prendiamo decisioni.
Per questo il rischio di deskilling merita attenzione.
Se una persona non esercita più una determinata capacità perché la funzione viene sistematicamente delegata alla macchina, potrebbe progressivamente perdere non soltanto velocità nell’eseguirla, ma anche la capacità di valutare correttamente il risultato prodotto dalla macchina stessa.
È il paradosso più importante.
Più dipendiamo dall’AI, più abbiamo bisogno di competenze umane solide per controllarla.
Eppure proprio quelle competenze rischiano di indebolirsi se deleghiamo troppo.
La sfida delle organizzazioni sarà quindi mantenere questo equilibrio.
Non rallentare l’innovazione.
Non demonizzare l’automazione.
Ma evitare che l’efficienza immediata produca un impoverimento delle capacità necessarie per governare l’organizzazione nel lungo periodo.
Conclusione: la domanda non è “AI sì o no?”
La contrapposizione tra favorevoli e contrari all’intelligenza artificiale è probabilmente poco utile.
Gli studi richiamati non suggeriscono di rinunciare all’AI.
Mostrano piuttosto che il modo in cui la utilizziamo conta.
L’AI può ridurre overload cognitivo, aumentare la capacità di analizzare informazioni e accelerare moltissime attività.
Ma può anche favorire dipendenza, eccesso di fiducia, riduzione della memoria operativa, deskilling e indebolimento del pensiero critico quando sostituisce sistematicamente lo sforzo mentale.
Il rischio non è quindi una macchina che improvvisamente ci sottrae l’intelligenza.
È molto più ordinario.
È smettere lentamente di esercitare alcune capacità perché qualcun altro – o qualcosa – lo fa più velocemente.
Per imprese e professionisti la risposta non dovrebbe essere il rifiuto della tecnologia.
Dovrebbe essere una governance consapevole del rapporto tra persone e AI.
Definire dove l’AI può operare.
Preservare attività che costruiscono esperienza.
Favorire il trasferimento delle conoscenze.
Utilizzare prompt capaci di stimolare dubbi e non soltanto ottenere risposte.
Premiare qualità, ragionamento e capacità di giudizio.
In altre parole, progettare sistemi nei quali l’AI aumenti le capacità umane senza sostituirne il necessario esercizio.
Perché il vero problema non è più decidere se utilizzare l’intelligenza artificiale.
È imparare a decidere come utilizzarla.
