Cita da Fondazione Olitec su 5 Agosto 2026, 4:32 pm

Di Nicolini Massimiliano

L’intelligenza artificiale come amplificatore differenziale della mente umana

Abstract

La diffusione dell’intelligenza artificiale generativa sta producendo una trasformazione che non riguarda soltanto la produttività, l’accesso alle informazioni o l’automazione del lavoro intellettuale. Essa interviene direttamente nel rapporto tra l’individuo e le proprie funzioni cognitive: memoria, attenzione, ragionamento, pianificazione, controllo dell’errore, creatività e capacità di valutare l’attendibilità delle informazioni. Da questa prospettiva emerge un’ipotesi inquietante: l’intelligenza artificiale potrebbe accrescere enormemente le capacità di chi possiede già solide competenze cognitive, culturali e metacognitive, mentre potrebbe ridurre l’autonomia mentale di chi la utilizza come sostituto del pensiero.

La formulazione scientificamente più corretta, tuttavia, non è che l’IA renda automaticamente “più intelligenti gli intelligenti” e “meno intelligenti i meno intelligenti”. Le ricerche disponibili non dimostrano una diminuzione generalizzata e drastica del quoziente intellettivo causata dall’uso dell’IA. In molti compiti delimitati, anzi, gli utenti inizialmente meno competenti ottengono i maggiori miglioramenti immediati. Il problema appare quando si distingue la prestazione assistita dalla competenza autonoma. Una persona può produrre testi, analisi o soluzioni migliori grazie all’IA senza aver sviluppato le rappresentazioni mentali necessarie per comprenderli, verificarli o ricostruirli senza assistenza.

La vera divergenza futura potrebbe quindi riguardare non tanto l’intelligenza biologica, quanto l’autonomia cognitiva. Gli individui dotati di conoscenze pregresse, metacognizione, capacità critica e controllo esecutivo possono utilizzare l’IA come moltiplicatore: affidano alla macchina le operazioni ripetitive e conservano per sé la formulazione dei problemi, il giudizio, la verifica e la responsabilità. Gli utenti cognitivamente più fragili rischiano invece di delegare proprio queste funzioni superiori, ottenendo risultati apparentemente migliori nel presente ma perdendo progressivamente capacità di apprendimento, orientamento e decisione. Il possibile esito è una società divisa non semplicemente tra chi possiede o non possiede l’IA, ma tra chi governa cognitivamente la macchina e chi ne viene governato.

Parole chiave: intelligenza artificiale, neuroscienze cognitive, metacognizione, cognitive offloading, memoria di lavoro, pensiero critico, automazione cognitiva, disuguaglianza, autonomia mentale.

---

La tesi di partenza deve essere precisata

Parlare genericamente di persone “molto intelligenti” e “poco intelligenti” rischia di trasformare una questione scientifica complessa in una classificazione rigida. L’intelligenza umana non coincide con una singola capacità e non può essere descritta soltanto attraverso il quoziente intellettivo. Comprende il ragionamento fluido, la memoria di lavoro, le conoscenze acquisite, la flessibilità mentale, l’inibizione delle risposte impulsive, la capacità di pianificare, la comprensione linguistica, la creatività, la motivazione e, soprattutto, la metacognizione: la capacità di valutare correttamente ciò che si sa, ciò che non si sa e quanto ci si possa fidare del proprio giudizio.

Le differenze di prestazione tra individui dipendono inoltre dall’istruzione ricevuta, dall’esperienza, dal contesto culturale, dalla salute, dall’età, dalla qualità del sonno, dallo stress, dalle condizioni economiche e dalle opportunità di apprendimento. Anche la memoria di lavoro, una funzione strettamente collegata al ragionamento, alla soluzione dei problemi e alla presa di decisione, dipende dall’attività coordinata di reti che comprendono corteccia prefrontale dorsolaterale, regioni parietali e corteccia cingolata anteriore, ma presenta una notevole variabilità legata a molteplici fattori personali e ambientali. (Nature)

Perciò, nel presente saggio, le espressioni “utenti cognitivamente forti” e “utenti cognitivamente fragili” non indicano due categorie biologiche immutabili. Descrivono differenti combinazioni di conoscenze, capacità di controllo, esperienza, consapevolezza dei propri limiti e possibilità di verificare le risposte dell’IA.

Occorre poi distinguere almeno tre fenomeni:

1. la prestazione assistita, ossia ciò che una persona riesce a produrre mentre utilizza l’intelligenza artificiale;
2. la competenza autonoma, cioè ciò che la stessa persona saprebbe comprendere e fare senza assistenza;
3. l’autonomia cognitiva, vale a dire la capacità di formulare obiettivi, scegliere criteri, riconoscere gli errori e decidere quando seguire o respingere il suggerimento della macchina.

L’IA può migliorare enormemente il primo livello e, contemporaneamente, lasciare invariato o persino indebolire il secondo e il terzo. È questa dissociazione, più che una presunta modificazione immediata del quoziente intellettivo, a rendere plausibile una futura polarizzazione cognitiva.

Una recente riflessione pubblicata nel luglio 2026 su Trends in Cognitive Sciences conclude che la delega all’IA può ostacolare l’acquisizione di abilità e favorire il decadimento di competenze specifiche, ma sottolinea anche che è ancora troppo presto per affermare che l’IA stia deteriorando le capacità cognitive fondamentali dell’essere umano. Gli effetti dipendono dal tipo di attività delegata, dalla progettazione del sistema e dal modo in cui l’utente interagisce con esso. (Cell)

La tesi scientificamente sostenibile è dunque la seguente:

L’intelligenza artificiale non separa necessariamente le persone in base a un’intelligenza innata, ma può amplificare le differenze iniziali di conoscenza, metacognizione e capacità di giudizio, producendo nel tempo una crescente disuguaglianza nell’autonomia mentale.

---

L’IA come estensione della memoria di lavoro

La memoria di lavoro consente di mantenere temporaneamente attive alcune informazioni, manipolarle e utilizzarle per raggiungere un obiettivo. È indispensabile quando si costruisce un ragionamento, si confrontano alternative, si comprende un testo complesso o si pianifica una sequenza di azioni. Ma è una risorsa limitata. Quando il numero di elementi da gestire supera una certa soglia, aumentano gli errori, la distrazione e la tendenza a semplificare.

L’intelligenza artificiale può funzionare come una memoria di lavoro esterna. Può conservare dati intermedi, organizzare documenti, riassumere materiale, tradurre, eseguire calcoli, confrontare versioni e recuperare informazioni. In tal modo riduce il carico imposto alle reti prefrontali e parietali e rende disponibili risorse mentali per attività più elevate.

Questo processo prende il nome di cognitive offloading, ossia esternalizzazione o delega cognitiva: l’individuo modifica l’ambiente, utilizza oggetti o tecnologie e trasferisce all’esterno una parte delle operazioni che altrimenti dovrebbero essere svolte mentalmente. Prendere appunti, usare una calcolatrice, impostare un promemoria o consultare una mappa sono forme tradizionali di delega cognitiva. Di per sé, quindi, l’esternalizzazione non costituisce una perdita: può essere una strategia altamente razionale ed efficiente. (PubMed)

La differenza decisiva riguarda ciò che viene delegato.

Un utente esperto tende a esternalizzare le operazioni a basso valore cognitivo: formattazione, ricerca preliminare, ordinamento, calcolo, trascrizione, generazione di varianti. Conserva invece il controllo sulla definizione del problema, sulle ipotesi, sui criteri di qualità e sulla decisione finale.

Un utente fragile può arrivare a delegare la costruzione stessa del modello mentale: non soltanto la memoria di un dato, ma la comprensione delle relazioni tra i dati; non soltanto la stesura di un testo, ma la scelta di ciò che quel testo deve sostenere; non soltanto il calcolo, ma la decisione circa la formula da utilizzare; non soltanto la ricerca delle prove, ma la determinazione di che cosa debba essere considerato una prova.

Nel primo caso l’IA libera la mente. Nel secondo la sostituisce.

---

La differenza tra alleggerire il cervello e disattivare l’apprendimento

L’apprendimento non consiste nella semplice esposizione a una risposta corretta. Esso richiede che il soggetto produca attivamente rappresentazioni, tenti di recuperare informazioni, formuli previsioni, commetta errori e corregga i propri modelli.

La pratica del recupero dalla memoria è particolarmente importante per la stabilizzazione delle conoscenze. Gli studi sull’“effetto del test” mostrano che tentare ripetutamente di richiamare un’informazione rafforza la ritenzione a lungo termine più della semplice rilettura. È inoltre frequente che gli studenti non siano consapevoli di questa differenza e scambino la facilità della rilettura per un apprendimento durevole. (PubMed)

L’IA generativa può interferire con questo processo quando fornisce la risposta prima che l’utente abbia tentato di produrla. Se ogni difficoltà viene immediatamente risolta da un sistema esterno, vengono ridotte:

• la ricerca attiva nella memoria;
• la generazione di ipotesi;
• il confronto tra previsione e risultato;
• l’analisi dell’errore;
• la ricostruzione autonoma dei passaggi;
• il trasferimento delle conoscenze a problemi nuovi.

Il risultato può essere una forma di competenza apparente. L’utente riconosce la soluzione quando la vede, ma non saprebbe generarla. Comprende le singole frasi, ma non possiede la struttura concettuale che le collega. Riesce a seguire un ragionamento già costruito, ma non a ricostruirlo partendo dal problema.

È la differenza tra familiarità e padronanza. La familiarità produce la sensazione: “Questo argomento mi è noto”. La padronanza consente invece di spiegare, applicare, criticare e modificare ciò che si è appreso.

Già prima dell’IA generativa, gli studi sul cosiddetto “effetto Google” avevano mostrato che, quando le persone si aspettano che un’informazione rimanga disponibile esternamente, tendono a ricordare maggiormente dove recuperarla e meno il suo contenuto. Questo adattamento può essere utile, ma diventa problematico quando l’individuo non conserva conoscenze interne sufficienti per valutare ciò che recupererà successivamente. (PubMed)

Con l’IA il fenomeno compie un salto qualitativo. Un motore di ricerca restituisce fonti che l’utente deve leggere e mettere in relazione. Un modello generativo può consegnare direttamente una sintesi coerente, una diagnosi argomentativa, un piano d’azione o una decisione apparentemente completa. Non esternalizza soltanto la memoria: può esternalizzare l’elaborazione.

---

Il ruolo dell’errore di previsione

Il cervello non apprende unicamente accumulando informazioni. Costruisce aspettative sul mondo e le aggiorna quando gli eventi non corrispondono alle previsioni. La discrepanza tra ciò che era previsto e ciò che accade costituisce un errore di previsione.

La corteccia cingolata anteriore partecipa al rilevamento della necessità di modificare una regola e all’adattamento del comportamento. Studi sperimentali hanno fornito evidenze causali del ruolo dei segnali di errore di previsione in questa regione durante il passaggio rapido da una regola comportamentale a un’altra. (Nature)

L’applicazione di questo principio all’uso dell’IA deve essere presentata come un’inferenza neuroscientifica, non come una conclusione già dimostrata in ogni contesto. Tuttavia, il meccanismo è plausibile: per produrre un errore di previsione utile all’apprendimento, il soggetto deve aver formulato una previsione propria.

Quando l’IA presenta subito il risultato, l’utente può non aver costruito alcuna ipotesi da confrontare con esso. La risposta viene ricevuta senza che si generi una differenza significativa tra modello interno ed evidenza esterna. Non essendoci stata una vera previsione, viene meno una parte del processo di aggiornamento.

Un utilizzatore cognitivamente attivo fa l’opposto. Prima formula una soluzione, poi interroga l’IA; confronta i passaggi, individua le divergenze, chiede controesempi e tenta di stabilire quale delle due rappresentazioni spieghi meglio i dati. In questo caso la macchina aumenta la quantità e la precisione degli errori informativi disponibili per l’apprendimento.

L’intelligenza artificiale può dunque diventare:

• un anestetico dell’errore, quando impedisce all’individuo di tentare;
• un amplificatore dell’errore utile, quando viene utilizzata per mettere alla prova una previsione già formulata.

La prima modalità produce dipendenza. La seconda produce affinamento cognitivo.

---

Metacognizione: la vera variabile discriminante

La capacità determinante nell’interazione con l’IA potrebbe non essere l’intelligenza generale, ma la metacognizione. Una persona metacognitivamente competente sa distinguere tra comprensione e familiarità, sa stimare la probabilità di errore, riconosce quando una questione supera le proprie conoscenze e modifica il proprio grado di fiducia in presenza di nuove prove.

Per utilizzare bene un sistema di intelligenza artificiale è necessario compiere almeno quattro valutazioni:

• quanto sono competente io in questo specifico compito;
• quanto è competente il sistema in questa particolare situazione;
• quali conseguenze avrebbe un errore;
• quali verifiche indipendenti sono necessarie.

Queste valutazioni non sono automatiche. In due esperimenti pubblicati nel 2026, 89 partecipanti hanno interagito con agenti artificiali caratterizzati da differenti profili di accuratezza e metacognizione. Gli individui adattavano parzialmente il proprio affidamento alla qualità del consigliere, ma l’integrazione restava significativamente subottimale. Le differenze individuali dipendevano soprattutto dalla sensibilità metacognitiva e dalla calibrazione della fiducia. (Nature)

Il problema è aggravato dalla forma linguistica delle risposte generative. Un testo fluido, ordinato e assertivo viene facilmente percepito come espressione di competenza. Ma coerenza retorica e correttezza epistemica sono proprietà diverse. Una risposta può sembrare sicura perché è stilisticamente ben costruita, non perché poggi su prove sufficienti.

Il soggetto competente possiede una struttura conoscitiva che gli permette di notare incongruenze, omissioni, generalizzazioni indebite e ipotesi nascoste. Il soggetto privo di tale struttura può valutare soprattutto la superficie del testo: chiarezza, lunghezza, tono e apparente precisione.

Una ricerca presentata alla conferenza CHI 2025, basata su 319 lavoratori della conoscenza e 936 esempi d’uso, ha rilevato che una maggiore fiducia nell’IA era associata a un minore esercizio percepito del pensiero critico, mentre una maggiore fiducia nelle proprie capacità era associata a un suo maggiore impiego. Lo studio è basato su autovalutazioni e non dimostra una perdita causale dell’intelligenza, ma segnala un rapporto importante tra affidamento alla macchina e riduzione dello sforzo di verifica. (Microsoft)

La linea di separazione non passa quindi semplicemente tra chi sa utilizzare l’IA e chi non la sa utilizzare. Passa tra chi sa quando non deve fidarsi e chi non possiede criteri sufficienti per dubitare.

---

Perché le persone cognitivamente forti possono diventare molto più capaci

La ricchezza degli schemi mentali

Una persona esperta non possiede soltanto più informazioni. Organizza le informazioni in strutture significative. Quando legge una risposta dell’IA, non la confronta con un archivio di fatti isolati, ma con un modello causale del settore.

Questo consente di comprimere la complessità. Dove il principiante vede cento elementi separati, l’esperto riconosce cinque configurazioni. Tale organizzazione permette di interrogare l’IA con maggiore profondità, interpretarne le proposte e individuare rapidamente ciò che non è coerente.

L’IA offre una grande quantità di materiale, ma la disponibilità di materiale non equivale alla capacità di ordinarlo. Un sistema generativo può proporre venti strategie; è la conoscenza dell’utente a stabilire quale sia pertinente, quale sia incompatibile con i vincoli reali e quale richieda ulteriori dati.

La capacità di scomporre il problema

I problemi complessi raramente possono essere risolti con una sola domanda. Occorre distinguere obiettivi, vincoli, variabili, fonti, alternative e criteri di successo.

Gli utenti cognitivamente forti tendono a usare l’IA in maniera iterativa. Chiedono alla macchina di:

• rappresentare il problema secondo modelli differenti;
• individuare assunzioni non dichiarate;
• costruire scenari contrari;
• cercare casi limite;
• criticare una soluzione;
• simulare l’obiezione di un esperto;
• separare fatti, ipotesi e inferenze;
• indicare quali dati potrebbero falsificare la conclusione.

In questa modalità l’utente non domanda alla macchina di pensare al suo posto. Costruisce un ambiente artificiale nel quale il proprio pensiero viene sottoposto a un numero di verifiche che, senza l’IA, richiederebbero molto più tempo o il coinvolgimento di numerosi interlocutori.

La selezione del consiglio

Un risultato particolarmente importante è stato pubblicato online il 10 luglio 2026 su Management Science. In un esperimento condotto con imprenditori kenioti, l’accesso a un assistente basato su GPT-4 non produsse un miglioramento medio statisticamente significativo dei ricavi e dei profitti. Dietro la media si nascondeva però una forte divergenza: gli imprenditori inizialmente meno performanti registrarono un peggioramento vicino al 10%, mentre quelli inizialmente più performanti mostrarono possibili guadagni superiori al 15%.

La differenza non sembrava dipendere principalmente dalle domande poste o dalla qualità dei consigli ricevuti, che risultavano relativamente simili. Dipendeva da quali suggerimenti gli imprenditori decidevano di applicare. I migliori selezionavano interventi specifici e adattati al proprio contesto; gli altri adottavano più frequentemente indicazioni generiche, come sconti o pubblicità, che potevano ridurre i margini senza aumentare sufficientemente le vendite. (PubsOnLine)

Questo risultato è centrale perché dimostra che la capacità di “fare buoni prompt” non esaurisce il problema. Due persone possono ricevere indicazioni comparabili e ottenere conseguenze opposte. L’elemento differenziale è il giudizio applicativo.

Il reinvestimento del tempo liberato

Un utente competente può utilizzare il tempo risparmiato per affrontare compiti più difficili. Se l’IA riduce da cinque ore a una la preparazione di un’analisi, le quattro ore rimanenti possono essere reinvestite in verifica, approfondimento, progettazione o studio.

Un utente dipendente può invece utilizzare l’efficienza soltanto per produrre più risultati superficiali. Nel primo caso si crea un ciclo di crescita:

maggiore competenza → migliore uso dell’IA → maggiore tempo disponibile → problemi più complessi → ulteriore competenza.

Il vantaggio diventa cumulativo. La persona non si limita a fare più rapidamente ciò che sapeva già fare: amplia continuamente il perimetro delle attività che è in grado di governare.

---

Perché gli utenti cognitivamente fragili possono perdere capacità autonome

La sostituzione precoce dello sforzo

Quando l’IA interviene prima che si sia formato un modello interno, la persona può ottenere il prodotto senza attraversare il processo che avrebbe costruito la competenza.

Lo studente consegna un esercizio corretto senza aver acquisito il metodo. Il lavoratore produce una relazione senza comprendere il problema. Il cittadino formula un’opinione articolata senza aver analizzato le fonti. L’utente percepisce un aumento delle proprie capacità perché il risultato è migliore, ma la capacità è in parte esterna al suo sistema cognitivo.

La situazione può essere rappresentata distinguendo:

prestazione del sistema uomo-IA = competenza interna + contributo artificiale;

competenza autonoma futura = competenza attuale + apprendimento attivo − attività cognitiva sostituita.

Queste non sono equazioni quantitative già validate, ma una rappresentazione concettuale. Mostrano perché un miglioramento immediato della prestazione non garantisce un incremento della capacità individuale.

L’illusione di comprensione

Le spiegazioni generate dall’IA sono spesso più ordinate di quelle che una persona sarebbe in grado di produrre da sola. Questo crea un’esperienza soggettiva di fluidità: leggendo, tutto sembra evidente.

Ma la fluidità di elaborazione può essere scambiata per comprensione. L’utente riconosce i passaggi e li trova plausibili, senza essere capace di produrli, modificarli o applicarli a un caso differente.

L’illusione diventa particolarmente pericolosa quando l’IA restituisce un linguaggio specialistico. Il possesso del vocabolario viene confuso con il possesso del concetto. La persona impara a riprodurre la forma esteriore della competenza senza acquisirne l’architettura interna.

La perdita della pratica non assistita

Un esperimento sul campo pubblicato nel 2025 su Proceedings of the National Academy of Sciences ha coinvolto quasi mille studenti delle scuole superiori impegnati in esercizi di matematica. Durante l’accesso all’IA, il gruppo con una normale interfaccia GPT ottenne un miglioramento del 48% nei voti, mentre un tutor progettato con protezioni pedagogiche produsse un miglioramento del 127%.

Quando l’accesso venne successivamente rimosso, tuttavia, gli studenti che avevano utilizzato liberamente l’interfaccia di base ottennero risultati inferiori del 17% rispetto a chi non aveva mai avuto accesso all’IA. Le conseguenze negative venivano in gran parte attenuate dal tutor progettato per evitare che il sistema fornisse semplicemente la soluzione. (PubMed)

Il dato dimostra con particolare chiarezza la differenza tra successo durante l’assistenza e apprendimento dimostrabile dopo l’assistenza. L’IA aveva reso gli studenti più efficaci mentre era presente, ma la modalità non protetta aveva compromesso la costruzione di una competenza trasferibile.

Il progressivo disallenamento

L’uso continuativo di strumenti automatici può produrre deskilling, ossia perdita di abilità specifiche quando la persona smette di esercitarle autonomamente. Non si tratta di una trasformazione misteriosa del cervello, ma di una conseguenza della plasticità dipendente dall’esperienza: le funzioni utilizzate vengono mantenute e affinate; quelle sistematicamente bypassate possono diventare meno disponibili o meno efficienti.

Un’indagine multicentrica nel campo della colonscopia ha osservato che, dopo l’introduzione continuativa di sistemi di rilevamento assistito, la capacità degli endoscopisti di identificare adenomi durante esami non assistiti si era ridotta. Lo studio era osservazionale e non dimostra che ogni sistema medico produca automaticamente perdita di competenza, ma mostra che il rischio di disallenamento può riguardare anche professionisti altamente specializzati. (The Lancet)

Questo complica ulteriormente la tesi iniziale: non sono soltanto le persone meno competenti a rischiare. Anche un esperto può perdere capacità quando accetta passivamente l’automazione. L’intelligenza protegge soltanto se continua a essere esercitata.

---

L’evidenza apparentemente contraddittoria

Molti studi dimostrano che, nei compiti ben delimitati, l’IA favorisce proprio chi parte da livelli inferiori.

Una ricerca pubblicata nel 2025 sul Quarterly Journal of Economics ha analizzato 5.172 operatori dell’assistenza clienti. L’adozione di un assistente generativo aumentò mediamente del 15% il numero di problemi risolti per ora. I lavoratori meno esperti e meno qualificati migliorarono sia in velocità sia in qualità, arrivando a un incremento del 30% dei problemi risolti per ora; gli operatori più esperti ottennero vantaggi modesti e, in alcuni casi, un lieve peggioramento qualitativo. Lo studio rilevò anche segnali di apprendimento persistente quando il sistema diventava temporaneamente indisponibile. (OUP Academic)

Un esperimento con consulenti di Boston Consulting Group ha mostrato risultati analoghi entro il perimetro delle capacità affidabili dell’IA. Nei compiti collocati “dentro la frontiera”, i partecipanti assistiti completarono il 12,2% di attività in più, lavorarono mediamente il 25,1% più velocemente e produssero risultati qualitativamente migliori. I benefici furono particolarmente rilevanti nella metà inizialmente meno performante del campione.

In un compito complesso collocato “fuori dalla frontiera”, tuttavia, gli utilizzatori dell’IA ebbero una probabilità inferiore di 19 punti percentuali di fornire la soluzione corretta. L’output artificiale era persuasivo ma fuorviante, e i consulenti non sempre riuscirono a riconoscerne l’errore. (PubsOnLine)

Non esiste dunque una contraddizione reale. Gli studi descrivono condizioni differenti.

Nei compiti:

• ripetitivi;
• standardizzati;
• ricchi di esempi;
• facilmente verificabili;
• con criteri di qualità chiari;

l’IA tende a diffondere le pratiche dei migliori e a ridurre il divario di prestazione.

Nei compiti:

• aperti;
• ambigui;
• strategici;
• privi di una soluzione immediatamente verificabile;
• dipendenti dal contesto;
• caratterizzati da conseguenze differite;

aumenta il valore delle conoscenze pregresse e del giudizio. In tali condizioni l’IA può amplificare il vantaggio di chi sa selezionare, contestualizzare e respingere i suggerimenti.

In altre parole, l’IA è spesso livellatrice dell’esecuzione ma può diventare polarizzatrice della decisione.

---

L’IA non possiede una frontiera uniforme

L’intelligenza artificiale può essere molto affidabile in un compito e inaffidabile in un altro apparentemente simile. Questa irregolarità è stata definita “frontiera tecnologica frastagliata”. Non è sufficiente sapere che un modello è generalmente potente; occorre capire se il problema specifico ricada dentro o fuori il suo campo di affidabilità. (PubsOnLine)

Gli utenti più preparati dispongono di indicatori interni per riconoscere questa frontiera. Notano quando una risposta viola un principio, trascura una variabile, confonde correlazione e causalità o applica una regola fuori contesto.

Gli utenti meno preparati possono interpretare la qualità media del sistema come garanzia per ogni singola risposta. Se l’IA è corretta nove volte, la decima risposta errata può essere accettata proprio perché arriva dopo una sequenza di successi. L’affidabilità precedente costruisce fiducia e la fiducia riduce il controllo.

Da qui nasce un paradosso: più l’IA diventa competente, più i suoi errori residui possono diventare pericolosi. Gli errori grossolani sono facili da riconoscere. Gli errori rari, plausibili e ben argomentati richiedono invece una competenza umana superiore.

Il miglioramento dell’IA non elimina quindi la necessità del giudizio. Può innalzare il livello di preparazione necessario per esercitarlo.

---

La biforcazione tra IA-tutore e IA-sostituto

Il medesimo modello può essere utilizzato secondo due architetture cognitive opposte.

L’IA-sostituto

L’utente formula una richiesta generica, riceve il prodotto completo, lo adotta e termina il compito. Lo sforzo è concentrato sul risultato esterno. Non viene richiesto di tentare, ricordare, spiegare o verificare.

Questa modalità massimizza la produttività immediata e minimizza l’apprendimento. È particolarmente attraente nei sistemi scolastici e lavorativi che valutano soltanto il prodotto finale.

L’IA-tutore

Il sistema richiede un primo tentativo, domanda il grado di sicurezza dell’utente, fornisce suggerimenti progressivi, indica l’errore senza sostituire subito il ragionamento e propone un problema analogo dopo un intervallo di tempo. In questo caso la macchina costruisce condizioni favorevoli alla generazione attiva, alla correzione e al trasferimento.

Uno studio con misurazioni mediante spettroscopia funzionale nel vicino infrarosso ha confrontato differenti forme di feedback fornite da un chatbot educativo. Il feedback metacognitivo migliorò i risultati di trasferimento, aumentò la sensibilità metacognitiva e fu associato a una maggiore attivazione nell’area frontopolare e nel giro temporale medio. L’attivazione risultava correlata con la capacità metacognitiva. Si tratta di un esperimento specifico, che non autorizza generalizzazioni assolute sul cervello, ma dimostra che la progettazione dell’interazione modifica tanto il comportamento quanto i correlati neurofunzionali dell’apprendimento. (Nature)

Il problema politico e pedagogico non è quindi stabilire se l’IA debba entrare o meno nell’educazione. È decidere quale IA debba entrarvi: una macchina che evita lo sforzo o una macchina che lo organizza in maniera più efficace.

---

Un modello della divergenza cognitiva cumulativa

La possibile separazione tra utenti può essere descritta attraverso due cicli.

Il ciclo espansivo

La persona possiede conoscenze sufficienti per formulare il problema. Utilizza l’IA per generare alternative. Verifica le risposte. Corregge sia la macchina sia il proprio modello. Integra soltanto ciò che supera il controllo. Reinveste il tempo risparmiato in compiti più complessi. Accresce così le proprie conoscenze e diventa ancora più capace di utilizzare l’IA.

Il ciclo è:

conoscenza → domande migliori → selezione migliore → risultati migliori → nuova conoscenza.

Il ciclo regressivo

La persona possiede una rappresentazione debole del problema. Chiede una soluzione completa. Riceve una risposta plausibile. Non dispone dei criteri per verificarla. La adotta senza rielaborazione. Ottiene magari un risultato accettabile, ma non costruisce nuove competenze. La volta successiva avrà ancora più bisogno dell’IA.

Il ciclo è:

conoscenza fragile → delega integrale → scarsa elaborazione → mancato apprendimento → maggiore dipendenza.

La distanza tra i due utenti non aumenta necessariamente dopo una singola interazione. Cresce attraverso migliaia di episodi quotidiani. La divergenza è cumulativa perché ogni uso modifica le condizioni del successivo.

Il primo utente sviluppa una forma di intelligenza aumentata: mente biologica, strumenti artificiali e sistemi di verifica operano come un’unica architettura coordinata.

Il secondo sviluppa una forma di competenza in affitto: la qualità della prestazione dipende dalla disponibilità della piattaforma e non è pienamente trasferita alla persona.

---

L’omologazione cognitiva dei meno autonomi

L’IA generativa tende a produrre risposte statisticamente probabili sulla base delle configurazioni apprese. Può generare soluzioni originali, ma, soprattutto nelle richieste generiche, converge spesso verso formulazioni centrali e convenzionali.

Uno studio pubblicato su Science Advances ha rilevato che i suggerimenti generativi miglioravano la qualità percepita delle storie individuali, in particolare per gli autori inizialmente meno creativi, ma riducevano la diversità collettiva dei contenuti prodotti. (Science.org)

Questa dinamica potrebbe riprodursi in ambiti più vasti. Gli utenti competenti possono utilizzare l’IA per esplorare molte direzioni e poi allontanarsi dalle soluzioni medie. Gli utenti dipendenti rischiano di assumere la risposta media come punto di arrivo.

Si produrrebbe così una società paradossale:

• più persone capaci di produrre testi formalmente eccellenti;
• meno persone capaci di elaborare prospettive realmente indipendenti;
• una maggiore qualità media della superficie comunicativa;
• una minore varietà profonda dei modelli interpretativi.

La standardizzazione linguistica può mascherare la standardizzazione concettuale. Persone differenti sembrano esprimersi con competenza, ma utilizzano strutture argomentative generate dagli stessi modelli e derivate dalle medesime distribuzioni informative.

---

Le possibili conseguenze educative

La scuola rischia di confondere il miglioramento del prodotto con il miglioramento dello studente. Un compito scritto perfettamente non dimostra più, da solo, la capacità di scrivere; una soluzione matematica corretta non dimostra il possesso del procedimento; una ricerca ricca di riferimenti non dimostra che le fonti siano state comprese.

La valutazione dovrà quindi spostarsi dal prodotto al processo. Diventeranno centrali:

• la spiegazione orale;
• la ricostruzione dei passaggi;
• la capacità di affrontare una variante;
• la discussione degli errori;
• la verifica delle fonti;
• il confronto tra soluzione assistita e soluzione autonoma;
• la capacità di dichiarare il grado di incertezza.

Il rischio maggiore riguarda gli studenti che possiedono minori risorse culturali. A prima vista l’IA offre loro un vantaggio straordinario: spiegazioni personalizzate, traduzioni, esercizi, tutoraggio continuo. Questo potenziale è reale e può democratizzare l’accesso a forme di assistenza prima riservate alle famiglie più abbienti.

Ma senza protezioni pedagogiche gli stessi studenti possono essere più esposti alla tentazione di sostituire l’apprendimento. Chi vive in un ambiente culturalmente ricco può utilizzare l’IA e, contemporaneamente, ricevere da insegnanti e familiari domande, correzioni e stimoli. Chi non dispone di tale ambiente può avere come unico interlocutore il sistema artificiale e accettarne l’output senza mediazione.

Il divario educativo potrebbe quindi non coincidere più soltanto con l’accesso alla tecnologia. Potrebbe riguardare la qualità dell’uso:

IA come tutor per alcuni, IA come esecutore per altri.

---

Le conseguenze sul lavoro

Nel mercato del lavoro l’IA può comprimere le differenze nelle attività standardizzate, ma aumentare il valore delle funzioni che restano umane: scelta degli obiettivi, comprensione del contesto, assunzione di responsabilità, verifica e gestione delle eccezioni.

Si formeranno probabilmente due profili.

Il primo è il governatore cognitivo dell’IA. Non deve necessariamente produrre personalmente ogni componente del lavoro, ma comprende sufficientemente il sistema da organizzare il processo, riconoscere anomalie e intervenire quando l’automazione fallisce.

Il secondo è l’operatore dipendente dall’IA. Riesce a lavorare finché il sistema fornisce suggerimenti compatibili con situazioni note. Quando emerge un caso eccezionale, una contraddizione o un’interruzione, non possiede il modello necessario per recuperare il controllo.

Questo fenomeno può provocare la scomparsa di una parte dell’apprendistato professionale. Molte competenze avanzate vengono costruite svolgendo inizialmente compiti semplici: redigere bozze, esaminare documenti, classificare casi, controllare calcoli, preparare sintesi. Se tali attività vengono completamente automatizzate, i giovani lavoratori possono perdere le occasioni attraverso cui maturavano la conoscenza tacita necessaria per assumere in seguito responsabilità superiori.

L’automazione delle mansioni iniziali potrebbe quindi creare un problema generazionale: l’IA sostituisce il lavoro attraverso cui, in passato, si imparava a controllare l’IA stessa.

---

La nascita di una disuguaglianza epistemica

La disuguaglianza tradizionale riguarda reddito, istruzione e accesso alle risorse. L’intelligenza artificiale può aggiungere una disuguaglianza epistemica: la distanza tra chi può stabilire autonomamente che cosa sia vero, plausibile o dimostrato e chi può soltanto scegliere tra risposte generate da sistemi esterni.

Non sarebbe una semplice divisione tra informati e disinformati. Anche l’utente dipendente potrebbe disporre di una quantità enorme di informazioni. Ciò che gli mancherebbe sarebbe la capacità di:

• ricostruire l’origine delle affermazioni;
• distinguere dato, interpretazione e propaganda;
• riconoscere quando una risposta supera le evidenze;
• tollerare l’incertezza;
• sospendere il giudizio;
• formulare una posizione non suggerita.

Una società composta da individui altamente produttivi ma scarsamente autonomi sarebbe vulnerabile alla manipolazione. La persuasione non richiederebbe necessariamente la diffusione di falsità grossolane. Sarebbe sufficiente controllare i sistemi attraverso cui le persone formulano le domande, selezionano le fonti e ricevono le spiegazioni.

L’autonomia cognitiva diventerebbe così una componente della libertà politica.

---

Il pericolo non è una riduzione generalizzata del cervello umano

È importante evitare il determinismo neuroscientifico. Non vi sono prove sufficienti per affermare che l’uso ordinario dell’IA causi un’atrofia cerebrale generalizzata o una drastica diminuzione biologica dell’intelligenza nelle persone meno capaci. Formulazioni di questo tipo superano le evidenze disponibili.

È invece ragionevole parlare di:

• minore esercizio di alcune funzioni;
• apprendimento più superficiale;
• perdita di competenze specifiche;
• dipendenza da supporti esterni;
• riduzione della capacità di operare senza assistenza;
• indebolimento della calibrazione metacognitiva;
• maggiore esposizione all’errore plausibile.

Queste conseguenze possono essere molto gravi anche senza una modificazione del quoziente intellettivo. Una persona può mantenere le proprie capacità potenziali ma smettere di esercitarle, come un individuo fisicamente sano che perda resistenza perché non cammina più.

Il concetto più appropriato non è quindi “diminuzione dell’intelligenza”, ma depotenziamento funzionale dell’autonomia cognitiva.

Tale depotenzionamento potrebbe apparire più drastico proprio nelle persone con minori conoscenze iniziali, perché esse dispongono di meno risorse compensative. Se una funzione viene delegata, l’esperto conserva una rete di conoscenze attraverso cui controllare il risultato; il principiante può non avere alcun secondo sistema sul quale fare affidamento.

---

Come impedire che l’IA allarghi il divario

La soluzione non consiste nel vietare l’intelligenza artificiale alle persone più fragili. Un divieto lascerebbe ai più forti tutti i vantaggi dello strumento e renderebbe il divario ancora maggiore. È necessario progettare forme di assistenza che aumentino contemporaneamente prestazione e apprendimento.

Obbligare alla generazione iniziale

Prima di mostrare una soluzione completa, il sistema dovrebbe chiedere all’utente di formulare un’ipotesi, anche incompleta. Questo crea una rappresentazione interna da confrontare con il feedback.

Fornire aiuti progressivi

Il tutor dovrebbe offrire inizialmente un indizio, poi una domanda orientativa e soltanto alla fine la soluzione. La difficoltà non deve essere eliminata, ma regolata.

Rendere visibile l’incertezza

Le risposte dovrebbero distinguere chiaramente fatti consolidati, stime, ipotesi e inferenze. Il sistema dovrebbe anche indicare quali informazioni mancanti potrebbero cambiare la conclusione.

Richiedere una verifica attiva

Dopo aver fornito una risposta, l’IA dovrebbe domandare all’utente di individuare un possibile errore, un’ipotesi nascosta o un controesempio. La verifica non deve essere un’aggiunta facoltativa, ma parte del compito.

Prevedere prove senza assistenza

Scuole e organizzazioni dovrebbero misurare periodicamente ciò che l’individuo sa fare quando l’IA non è disponibile. La competenza assistita e quella autonoma devono essere registrate separatamente.

Utilizzare il recupero differito

Dopo un certo intervallo, il sistema dovrebbe riproporre il problema in una forma nuova senza mostrare la soluzione precedente. In tal modo si verifica la ritenzione e non soltanto il riconoscimento.

Proteggere le funzioni superiori

Calcolo, trascrizione e formattazione possono essere ampiamente delegati. Formulazione degli obiettivi, scelta dei criteri, interpretazione causale, giudizio morale e responsabilità finale dovrebbero restare esplicitamente attribuiti all’essere umano.

Formare alla metacognizione

L’alfabetizzazione all’IA non dovrebbe limitarsi alla scrittura dei prompt. Dovrebbe insegnare calibrazione della fiducia, riconoscimento dei limiti del modello, confronto tra fonti, analisi delle evidenze e gestione dell’incertezza.

---

Conclusione

L’intelligenza artificiale non è un semplice strumento aggiunto alla mente umana. È un ambiente cognitivo nel quale una parte crescente della memoria, del linguaggio, dell’analisi e della decisione viene distribuita tra cervello e macchina.

La sua conseguenza più importante potrebbe non essere un aumento o una diminuzione uniforme dell’intelligenza. Potrebbe essere una biforcazione.

Da una parte vi saranno persone che utilizzeranno l’IA per estendere la propria memoria di lavoro, esplorare alternative, simulare scenari, sottoporre le ipotesi a critica e affrontare problemi prima irraggiungibili. Questi individui non delegheranno il giudizio: lo eserciteranno su una quantità molto maggiore di materiale. La loro intelligenza operativa potrà crescere in modo esponenziale perché ogni nuova competenza renderà più efficace l’uso successivo della macchina.

Dall’altra parte vi saranno persone che utilizzeranno l’IA per evitare la formulazione del problema, lo sforzo di recupero, il confronto con l’errore e la costruzione di conoscenze interne. Esse potranno produrre risultati formalmente eccellenti ma diventare progressivamente meno capaci di comprenderli, verificarli e ricostruirli. La prestazione esterna aumenterà mentre l’autonomia diminuirà.

Il futuro divario non sarà quindi semplicemente tra intelligenti e meno intelligenti. Sarà tra:

• chi usa l’IA per pensare oltre i propri limiti;
• chi la usa per non dover più pensare entro i propri limiti.

La distinzione fondamentale sarà tra intelligenza aumentata e intelligenza sostituita.

Nel primo caso, la macchina diventa un’estensione governata della mente. Nel secondo, la mente diventa un terminale passivo della macchina.

La direzione non è inevitabile. Dipenderà dalla progettazione degli strumenti, dai sistemi educativi, dagli incentivi lavorativi e dalla cultura con cui verrà insegnato il loro impiego. Ma, qualora la società continuasse a premiare soltanto la velocità e la qualità apparente del prodotto, ignorando la comprensione e la competenza autonoma, l’intelligenza artificiale potrebbe produrre un esito storico paradossale: rendere mediamente migliori le prestazioni umane e, nello stesso tempo, rendere molto più profonda la distanza tra coloro che conservano la sovranità sul proprio pensiero e coloro che ne delegano progressivamente l’esercizio.

Riferimenti scientifici essenziali

Brynjolfsson, E., Li, D., Raymond, L., Generative AI at Work, The Quarterly Journal of Economics, 2025. (OUP Academic)

Dell’Acqua, F. et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality, Organization Science, 2026. (PubsOnLine)

Bastani, H. et al., Generative AI without guardrails can harm learning: Evidence from high school mathematics, Proceedings of the National Academy of Sciences, 2025. (PubMed)

Otis, N. G. et al., The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya, Management Science, 2026. (PubsOnLine)

Risko, E. F., Gilbert, S. J., Cognitive Offloading, Trends in Cognitive Sciences, 2016. (PubMed)

Karpicke, J. D., Roediger, H. L., The Critical Importance of Retrieval for Learning, Science, 2008. (PubMed)

Sparrow, B., Liu, J., Wegner, D. M., Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips, Science, 2011. (PubMed)

Yin, J. et al., Effects of different AI-driven Chatbot feedback on learning outcomes and brain activity, npj Science of Learning, 2025. (Nature)

Zonca, J. et al., Adaptive yet suboptimal integration of advice in decision-making, Communications Psychology, 2026. (Nature)

Cash, T. N. et al., Is AI making us stupid?, Trends in Cognitive Sciences, 2026. (Cell)

Doshi, A. R., Hauser, O. P., Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 2024. (Science.org)