Novembre 2024, Nature Human Behaviour pubblica un esperimento condotto da un gruppo guidato dalla University College London. La domanda è semplice e radicale insieme: chi prevede meglio i risultati di nuovi studi di neuroscienza, gli esperti del settore o un grande modello linguistico?
Il benchmark si chiama BrainBench. I neuroscienziati selezionati si fermano al 63% di accuratezza, gli LLM generalisti raggiungono l’81%, una versione specializzata addestrata su letteratura neuroscientifica, BrainGPT, arriva all’86%. Anche restringendo il pool ai soli esperti con auto-valutazione di expertise più alta nel sotto-dominio specifico, gli umani non superano il 66%. C’è di più. Quando i modelli erano più sicuri delle proprie risposte, erano anche più spesso corretti, una proprietà che apre la porta a un uso intelligente di questa fiducia algoritmica.
La classifica, da sola, racconta poco. Quello che racconta di più è cosa succede quando umani e AI lavorano insieme, e cosa serve perché quella combinazione produca davvero risultati superiori a entrambe le parti prese singolarmente.
Una pubblicazione di Steyvers e colleghi su Nature Machine Intelligence di gennaio 2025 mostra che gli LLM con alta sensibilità metacognitiva, capaci cioè di comunicare la propria confidenza in modo discriminante, permettono ai collaboratori umani di identificare con maggiore accuratezza quali risposte AI siano probabilmente corrette. La condizione perché funzioni, però, è che gli umani sappiano leggere quei segnali, sospendere il proprio giudizio quando serve e mantenerlo fermo quando l’algoritmo sbaglia.
Indice degli argomenti:
La soglia che separa amplificazione e dipendenza
Qui entrano in gioco due competenze che la letteratura cognitiva conosce da tempo, ma che fino a ieri sembravano lontane dal dibattito tecnologico. La prima è il perspective-taking, la capacità di assumere il punto di vista di un altro agente (umano o algoritmico che sia) per anticiparne i ragionamenti e le possibili distorsioni. La seconda è l’umiltà intellettuale, la disposizione a riconoscere i limiti della propria conoscenza e a rivedere le proprie posizioni di fronte a evidenze nuove. Uno studio del 2023 su Personality and Individual Differences aveva già mostrato che chi presenta tratti elevati di umiltà intellettuale tende a sviluppare un atteggiamento più aperto e critico verso strumenti come ChatGPT, mediato da una maggiore apertura cognitiva.
Tradotto operativamente: i team ibridi vincono solo se gli umani esercitano queste due qualità. Quando l’umano si limita a delegare, la combinazione perde valore. Quando l’umano arriva con il pregiudizio della propria infallibilità, la combinazione arretra rispetto all’AI da sola. C’è una soglia sottile dove la collaborazione diventa amplificazione, e sopra o sotto quella soglia tutto si appiattisce.
Il paradosso riguarda la macchina o noi?
La preoccupazione del momento, almeno nei dibattiti pubblici, è che l’AI sostituisca il lavoro umano. Ma il problema reale, quello documentato dai dati di campo, è diverso. Una ricerca pubblicata su Societies nel 2025 da Michael Gerlich ha trovato che chi delega frequentemente compiti cognitivi all’AI mostra capacità di pensiero critico più deboli, e la correlazione è particolarmente marcata nei più giovani, fra i 17 e i 25 anni.
Il MIT Sloan Management Review, in un articolo dell’ottobre 2025, definisce questa fase come la transizione da una conoscenza fondata su risposte verso una conoscenza fondata sul giudizio, dove l’AI sintetizza quantità enormi di informazioni ma non può sostenere il peso delle conseguenze, mentre l’accountability resta interamente umana.
Una ricerca CHI 2025 di Microsoft e Carnegie Mellon, condotta su lavoratori della conoscenza, riporta riduzioni auto-dichiarate di sforzo cognitivo quando si usa l’AI generativa, accompagnate da effetti di confidenza che alterano la qualità del ragionamento.
Harvard Business School ha coniato il termine human-AI oversight paradox per descrivere la tensione fondamentale dei sistemi collaborativi, dove integrare l’AI per aumentare le capacità decisionali finisce paradossalmente per ridurre l’impegno critico umano, in particolare quando le capacità AI migliorano.
Cosa succede quando il giudizio diventa accessorio
Esiste già un nome per questo fenomeno, e non arriva dal marketing: digital cognitive atrophy, atrofia cognitiva digitale. È la condizione documentata da studi neurali in cui gli utenti frequenti di AI mostrano riduzione dell’attivazione neurale in aree associate alla memoria di lavoro e al ragionamento analitico. Un sondaggio nazionale negli Stati Uniti riporta che il 90% dei docenti universitari ritiene che l’AI generativa diminuirà le capacità di pensiero critico degli studenti, e il 74% afferma che ne ridurrà il valore complessivo dei titoli accademici.
Nel mondo del lavoro accade qualcosa di analogo, anche se meno raccontato: programmatori junior che hanno imparato a scrivere codice con assistenza AI massiccia faticano a fare debugging in autonomia o a comprendere la logica di porzioni di codice che non hanno scritto loro stessi.
La differenza fra il motore di ricerca e l’AI generativa, segnalata da diversi educatori, è proprio sul filtro del giudizio. Quando si cercava su Google bisognava scegliere parole chiave, valutare i primi dieci risultati, decidere quale fosse rilevante in base a una propria interpretazione. Con l’AI generativa il giudizio è tolto a monte, l’output arriva sintetizzato, presentato con tono autorevole, già formattato per essere copiato. La sequenza percepire, valutare, scegliere si comprime in una sola operazione: accettare. Ed è proprio la fase intermedia, quella di valutazione, dove avviene l’apprendimento profondo.
Cosa fare nella formazione e nelle organizzazioni
Il dato che fa pensare è che gli adulti con master o dottorato mostrano capacità di pensiero critico ancora forti anche con uso intensivo dell’AI. La differenza è strutturale, non anagrafica. Chi ha già costruito muscoli cognitivi prima dell’arrivo di queste tecnologie può usarle come amplificatori. Chi le incontra in fase di formazione rischia di non costruirli mai. Questo cambia radicalmente le priorità per chi disegna percorsi educativi e formativi.
Nelle aziende il problema si presenta in forma più subdola. Bain & Company in un report di aprile 2026 segnala che la fiducia è il fattore limitante per la scalabilità dell’AI nei settori regolati, e che governance significa anche definire dove l’umano mantiene autorità decisionale e dove invece accetta l’output algoritmico.
Il rapporto Deloitte 2026 sullo stato dell’AI in azienda nota che soltanto il 34% dei leader sta davvero ridisegnando il business, mentre il 50% di crescita nell’accesso dei lavoratori all’AI nel 2025 ha aperto un divario di competenze considerato dalle organizzazioni come la principale barriera all’integrazione. Il modo in cui le aziende hanno risposto a quella barriera è significativo, hanno scelto la formazione, non il ridisegno dei ruoli o dei flussi.
Il rischio, in questo scenario, è di formare persone che sappiano usare l’AI ma non sappiano più pensare senza. Il valore del professionista nell’era dell’AI passa, parafrasando una formula apparsa su MIT Sloan, dalla capacità di trovare risposte alla capacità di formulare le domande giuste, di identificare i non detti, di riconoscere quali decisioni non vanno mai esternalizzate.
Nei libri Pelle Digitale e Spatial Shift ho provato a descrivere questa transizione come un cambio di registro nell’identità professionale, dove l’individuo non perde centralità, però deve riposizionarla.
Coltivare le qualità che fanno funzionare la combinazione
Coltivare perspective-taking e umiltà intellettuale è una scelta progettuale, non un esercizio retorico. Significa, nei programmi formativi, dedicare tempo alla critica strutturata degli output AI, non solo alla loro produzione. Significa, nelle aziende, premiare i collaboratori che sollevano dubbi sulle raccomandazioni algoritmiche e non solo quelli che le applicano velocemente. Significa, nelle scuole, mantenere spazi di lavoro senza AI dove i muscoli del ragionamento si formano in autonomia, prima di essere amplificati.
Senza dubbio una parte del lavoro intellettuale verrà ridefinita dagli strumenti, e in alcuni casi sostituita. A valle di una lettura di questo tipo ci si pone una domanda più scomoda: stiamo formando persone che useranno l’AI come specchio del proprio pensiero, o come scorciatoia per non pensare più?
