Stavo guidando in autostrada quando il navigatore mi ha suggerito improvvisamente di uscire. Non c’erano preavvisi, non vedevo segnali particolari e quella non era l’uscita prevista. Il sistema proponeva un cambio di percorso, ma non esplicitava la ragione né il suo guadagno. Ho continuato. Dopo circa dieci minuti il traffico si è bloccato: più avanti, un incendio aveva paralizzato l’autostrada.
L’episodio è quotidiano, ma scientificamente istruttivo. Mostra tre dimensioni centrali dell’interazione con i sistemi intelligenti: accesso asimmetrico all’informazione, fiducia situata e bisogno di spiegazione. Il navigatore probabilmente disponeva di dati aggiornati sul traffico; l’utente disponeva invece del contesto percettivo immediato, dell’obiettivo di viaggio e della responsabilità dell’azione. La decisione adattiva richiedeva l’integrazione tra questi due livelli. Una spiegazione minima (ad esempio, “incendio più avanti”, “ritardo previsto”, “uscita alternativa consigliata”) avrebbe trasformato un’indicazione opaca in un’informazione utilizzabile.
Indice degli argomenti
Flessibilità cognitiva e AI: il problema dell’interazione
Questo esempio introduce il problema più generale della flessibilità cognitiva nell’ambito dell’intelligenza artificiale (AI). In neuropsicologia, la flessibilità cognitiva indica la capacità di cambiare regola, strategia o prospettiva in risposta a richieste ambientali mutevoli. È parte delle funzioni esecutive, insieme a memoria di lavoro e controllo inibitorio, e sostiene pianificazione, problem solving e comportamento orientato agli obiettivi (Diamond, 2013; Hohl & Dolcos, 2024).
Con l’AI generativa (GenAI), questa funzione cognitiva può diventare una competenza digitale avanzata. I sistemi non si limitano più a eseguire istruzioni: generano testi, sintetizzano informazioni, propongono ipotesi, formulano spiegazioni, costruiscono alternative, simulano prospettive. L’utente dovrebbe quindi trasformare l’output in un oggetto interrogabile: con quali dati? con quali assunzioni? con quale incertezza? con quali criteri? con quali rischi?
Questa trasformazione trova un riferimento teorico nella letteratura sulla estensione cognitiva. Clark e Chalmers (1998) hanno sostenuto che alcuni strumenti esterni possono diventare parte funzionale dei processi cognitivi quando sono integrati in modo stabile e affidabile nell’attività mentale. Hutchins ha mostrato che molte attività cognitive complesse sono distribuite tra persone, strumenti e ambiente, come accade nella navigazione, nella medicina o nell’organizzazione del lavoro (Hutchins, 1995). Risko e Gilbert (2016) hanno descritto il cognitive offloading, cioè l’uso di strumenti e azioni esterne per ridurre il carico cognitivo interno. La GenAI porta questa dinamica a un nuovo livello: non esternalizziamo solo memoria o calcolo, ma anche generazione, sintesi, riformulazione e simulazione di prospettive.
La distinzione tra compiti operativi e compiti decisionali è essenziale. Se devo costruire una formula Excel, formattare un testo o riordinare una bibliografia, posso delegare molto al sistema, perché il compito è circoscritto, verificabile e reversibile. Se invece devo prendere una decisione clinica, educativa, organizzativa o etica, l’AI è utile quando aiuta a strutturare il ragionamento, non quando lo sostituisce. La delega operativa libera risorse cognitive; la decisione responsabile richiede criteri espliciti.
Questa impostazione è coerente con la letteratura sull’interazione uomo-AI. Tankelevitch e colleghi (2024) propongono la metacognizione come chiave per comprendere l’uso della GenAI: prompting, valutazione dell’output, affidamento al sistema e integrazione nel lavoro richiedono monitoraggio e controllo metacognitivo da parte dell’utente. L’interazione con un sistema generativo va quindi considerata come un processo regolativo, non come una semplice sequenza domanda-risposta.
La flessibilità cognitiva può diventare dunque una competenza di relazione con sistemi intelligenti. Non riguarda soltanto l’adattarsi allo strumento, ma il saperlo guidare: formulare prompt, chiedere ragioni, distinguere output operativo e decisione, calibrare la fiducia e costruire verifiche.
Il contrario della flessibilità non è la stabilità, ma la rigidità
La flessibilità cognitiva è una capacità di regolazione tra continuità e aggiornamento. Permette di modificare strategie e rappresentazioni mantenendo un orientamento verso lo scopo. La stabilità non è il suo opposto, ma la sua condizione: conservare obiettivi, criteri e conoscenze permette di non ricominciare da zero a ogni nuova informazione. La rigidità emerge quando una regola continua a guidare il comportamento anche mentre le informazioni disponibili rendono necessaria una revisione.
Questa definizione è coerente con la concezione moderna delle funzioni esecutive. Diamond (2013) descrive le funzioni esecutive come processi che consentono di controllare pensieri e azioni in modo orientato agli obiettivi, includendo memoria di lavoro, inibizione e flessibilità cognitiva. Cole (2024) propone di leggere la flessibilità cognitiva come riconfigurazione dei flussi informativi nelle reti cerebrali: la capacità di adattare il comportamento dipende da rappresentazioni neurali flessibili e da sistemi di controllo capaci di modulare dinamicamente l’informazione in funzione del compito.
Cambiare prospettiva significa spostare il costrutto dal piano della semplice variabilità a quello dell’adattamento controllato. Cambiare risposta non basta: occorre cambiare risposta per una ragione. Nell’esempio del navigatore, il problema era proprio la mancanza di una ragione esplicita. Il sistema proponeva un aggiornamento del comportamento, ma non forniva elementi sufficienti per aggiornare la rappresentazione della situazione.
La flessibilità cognitiva opera quindi a due livelli. Il primo è comportamentale: cambiare strategia, percorso, regola, priorità. Il secondo è rappresentazionale: cambiare il modo in cui il problema viene compreso. Questo secondo livello è cruciale nei contesti complessi, perché spesso il compito non è trovare rapidamente una risposta, ma riformulare la domanda.
Metafore e ristrutturazione cognitiva
La cognizione metaforica chiarisce questo passaggio. Comprendere una metafora significa trasferire una struttura di significato da un dominio a un altro. Dire che “una decisione è un bivio” rende salienti percorsi alternativi, costi di scelta e irreversibilità relativa. Dire che “un’organizzazione è un ecosistema” orienta l’attenzione su interdipendenze, equilibrio, vulnerabilità e adattamento. Dire che “un problema è un labirinto” suggerisce esplorazione, tentativi, vicoli ciechi e possibili uscite.
La metafora, in questa prospettiva, può essere considerata come una forma di ristrutturazione cognitiva. La teoria della metafora concettuale ha mostrato che le metafore non sono solo figure retoriche, ma possono essere dispositivi cognitivi che organizzano il pensiero astratto attraverso domini più concreti ed esperienziali attraverso cui comprendiamo, anticipiamo e agiamo nel mondo (Lakoff & Johnson, 1980; Gibbs, 2006).
Il legame con la flessibilità cognitiva nasce proprio qui. Essere flessibili significa aggiornare il modo in cui affrontiamo una situazione quando la rappresentazione iniziale non è più sufficiente. Questo aggiornamento può avvenire a livello comportamentale, quando cambiamo strategia, ma può avvenire anche a livello rappresentazionale, quando cambiamo il modo in cui definiamo il problema. La metafora agisce su questo secondo livello: permette di reinterpretare una situazione trasferendo su di essa una nuova struttura di significato. Questa connessione è particolarmente importante nei contesti complessi, dove il problema raramente si presenta già nella forma giusta. Prima ancora di scegliere una soluzione, dobbiamo spesso decidere “che tipo di problema” abbiamo davanti. È un ostacolo da superare, un sistema da riequilibrare, un conflitto da mediare, un percorso da riprogettare, un rischio da contenere? Ogni cornice apre alcune possibilità e ne rende meno visibili altre.
Realtà virtuale e GenAI nel cambio di prospettiva
Un modo per verificare e valutare questa relazione tra metafora, flessibilità cognitiva e cambiamento di prospettiva è utilizzare ambienti digitali capaci di rendere manipolabili le rappresentazioni. La realtà virtuale (VR) consente di studiare questi processi sul piano percettivo e multisensoriale, perché permette al soggetto di esplorare scenari, assumere prospettive alternative e modificare attivamente il rapporto tra corpo, spazio e azione (Pupillo et al., 2026).
La GenAI consente invece di operare sul piano simbolico-linguistico: può generare metafore alternative, riformulare un problema, esplicitare assunzioni e confrontare diverse cornici interpretative. In questo senso, VR e GenAI offrono due modalità complementari per osservare e modulare la flessibilità cognitiva: la prima rende esperibile il cambio di prospettiva, la seconda rende interrogabile il modo in cui il problema viene rappresentato e valutato.
Anche i modelli linguistici possono generare, parafrasare e classificare metafore. Possono spiegare un’immagine figurata e proporre analogie utili per comprendere un problema. Tuttavia, gli studi recenti mostrano che la competenza metaforica degli LLM dipende fortemente da prompt, dataset e caratteristiche superficiali del linguaggio; non equivale alla comprensione esperienziale umana (Hicke & Kristensen-McLachlan, 2024; Sanchez-Bayona & Agerri, 2025). Questa possibilità va però intesa in senso funzionale, non antropomorfico. Le prestazioni sono promettenti, soprattutto quando il compito è guidato da istruzioni esplicite, ma dipendono da prompt, dataset, formulazione linguistica e da elementi formali e lessicali dell’input. La capacità di trattare metafore non implica quindi una comprensione esperienziale analoga a quella umana: il modello opera su regolarità linguistiche e rappresentazioni apprese dai dati, mentre l’essere umano integra la metafora con esperienza corporea, memoria autobiografica, emozioni e contesto sociale (Hicke & Kristensen-McLachlan, 2024; Sanchez-Bayona & Agerri, 2025).
La flessibilità cognitiva come competenza digitale
Nell’interazione con la GenAI, la competenza digitale include una componente cognitiva e metacognitiva. L’utente competente definisce il problema, specifica il contesto, esplicita i criteri di valutazione, controlla la qualità dell’output e decide quale parte del processo può essere delegata (Tankelevitch et al., 2024). La flessibilità cognitiva entra in gioco in questa regolazione: permette di modificare la domanda, confrontare risposte alternative, riconoscere assunzioni implicite e aggiornare il ragionamento sulla base di nuove informazioni (Kaya & Keskin, 2026).
Questa prospettiva si inserisce nella letteratura riguardante la cognizione estesa e dell’offloading cognitivo, introdotti in precedenza (Clark & Chalmers, 1998; Risko e Gilbert, 2016). La GenAI non si limita a supportare memoria, calcolo e orientamento, ma interviene anche nella generazione di ipotesi, nella riformulazione di problemi e nella simulazione di prospettive. Per questo l’uso competente della GenAI richiede la capacità di governare una forma di estensione cognitiva che partecipa attivamente alla costruzione del ragionamento umano (Clark, 2025; Tankelevitch et al., 2024).
Il prompting è il punto operativo in cui questa competenza diventa osservabile. Un prompt come “qual è la soluzione migliore?” lascia impliciti obiettivo, criteri e vincoli. Un prompt più strutturato definisce invece le condizioni del ragionamento: “confronta queste opzioni considerando accuratezza, costi, reversibilità, rischi, impatto sulle persone coinvolte, livello di incertezza e informazioni mancanti”. Nel primo caso l’AI produce una risposta; nel secondo viene inserita in una procedura di valutazione.
Negli ultimi anni questa dimensione è diventata ancora più rilevante con lo sviluppo di modelli orientati al ragionamento, spesso descritti come modelli reasoning o thinking. Questi sistemi sono progettati per dedicare più calcolo alla scomposizione del problema, alla valutazione dei passaggi intermedi e alla correzione di strategie prima di generare una risposta finale. OpenAI, ad esempio, ha presentato i modelli della serie o1 come sistemi addestrati tramite reinforcement learning per migliorare la capacità di ragionare su problemi complessi, riconoscere errori e provare strategie alternative (OpenAI, 2024a, 2024b). In parallelo, la letteratura sui Large Reasoning Models descrive questa evoluzione come un passaggio verso modelli che utilizzano più calcolo al momento dell’inferenza, strategie di reasoning supervisionate o rinforzate e meccanismi di valutazione del processo, non solo del risultato finale (Xu et al., 2025).
Per l’utente, questo significa che l’interazione con l’AI può diventare più analitica e verificabile, anche se ne impatta la latenza di risposta. Questa maggiore capacità esplicativa richiede però una distinzione importante: spiegazione e trasparenza causale non coincidono. La ricerca sulla faithfulness delle spiegazioni chain-of-thought mostra che le giustificazioni prodotte dai modelli possono non riflettere fedelmente il processo causale che ha portato alla risposta, e possono talvolta razionalizzare decisioni influenzate da bias o segnali irrilevanti nell’input (Turpin et al., 2023; Lanham et al., 2023). I modelli thinking, quindi, aumentano le possibilità di lavorare sul ragionamento, ma richiedono comunque verifica esterna e giudizio umano.
La letteratura sulla GenAI sottolinea che l’utente deve esercitare controllo metacognitivo non solo sul proprio ragionamento, ma anche sulla relazione tra ragionamento umano e output algoritmico: valutare la qualità della risposta, monitorare il proprio affidamento al sistema, riconoscere i limiti del compito e decidere quando verificare esternamente l’informazione (Tankelevitch et al., 2024).
La fiducia, in questo quadro, è una valutazione situata. Fidarsi dell’AI in un compito operativo e verificabile è diverso dal fondare su un output generativo una decisione. La flessibilità cognitiva può aiutare a calibrare la fiducia in funzione del compito, del rischio, della verificabilità dell’output e della propria competenza. Studi recenti sull’advice-taking da GenAI mostrano che l’uso dei consigli dipende sia dalla fiducia nel sistema sia dalla fiducia dell’utente nelle proprie capacità; inoltre, l’esposizione al consiglio può modificare retrospettivamente la percezione di affidabilità del sistema (Colombatto et al., 2025). In modo coerente, Doyeon Lee e colleghi (2025) propongono la metacognizione come fattore chiave per calibrare fiducia e uso ottimale dei consigli forniti dall’AI.
Inoltre, la flessibilità cognitiva svolge un ruolo anche sullo stato emotivo alle tecnologie intelligenti. La ricerca sull’AI anxiety mostra che la capacità di cambiare prospettiva, insieme all’autoefficacia percepita nell’uso dell’AI, può ridurre la percezione di minaccia e aumentare l’accettazione dello strumento. Kaya e Keskin (2026) evidenziano che la relazione tra flessibilità cognitiva e minore ansia verso l’AI è mediata da AI self-efficacy e AI acceptance; Karaoglan Yilmaz e colleghi (2025) mostrano inoltre che flessibilità cognitiva, competenze digitali e autoregolazione sono associate all’ansia verso la GenAI negli studenti universitari.
In sintesi, la flessibilità cognitiva diventa parte della competenza digitale quando consente all’utente di regolare l’interazione con l’AI: formulare meglio il problema, chiedere alternative, esplicitare criteri, valutare limiti, riconoscere incertezze e decidere quale livello di delega è appropriato. L’uso adattivo dell’AI dipende da questa capacità di guida: la familiarità tecnica con lo strumento è necessaria, ma la qualità dell’interazione dipende dal controllo cognitivo e metacognitivo che l’utente esercita sul processo.
Il dilemma stabilità-plasticità
Ogni sistema che apprende deve conservare ciò che ha acquisito e integrare ciò che è nuovo. Nella cognizione umana, questa tensione tra stabilità e plasticità è alla base dell’adattamento. La stabilità permette continuità, memoria, competenza e orientamento. La plasticità permette aggiornamento, apprendimento e cambiamento. La flessibilità nasce dalla loro coordinazione.
Questa tensione attraversa sia il comportamento quotidiano sia l’ambito neurocognitivo. A livello comportamentale, modifichiamo routine, strategie e credenze quando nuove informazioni cambiano la struttura del problema. A livello neurale, la flessibilità richiede sistemi capaci di mantenere informazioni rilevanti e riconfigurare il flusso informativo in base agli obiettivi correnti (Cole, 2024).
L’interazione con l’AI introduce un ulteriore livello. L’utente deve decidere quando accogliere un suggerimento, quando verificarlo, quando riformularlo e quando ignorarlo. Il criterio dipende dal tipo di compito. Nei compiti operativi e reversibili, l’automazione può aumentare efficienza senza compromettere il giudizio: una formula, un riassunto, una traduzione preliminare o una bozza possono essere controllati rapidamente. Nei compiti decisionali, l’AI deve essere usata come strumento di esplorazione e controllo, perché la responsabilità resta legata a criteri, valori e conseguenze.
Comfort e crescita nell’uso dell’AI
Questo equilibrio tra riduzione dello sforzo e promozione dello sviluppo può essere interpretato attraverso il paradosso comfort-growth (Riva et al., 2025). Le tecnologie intelligenti producono comfort quando riducono sforzo, complessità e incertezza; promuovono crescita quando introducono sfide calibrate, sostengono esplorazione e rafforzano autonomia. Ad esempio, se un’app per imparare nuove lingue fornisce subito la traduzione a ogni dubbio dell’utente, lo sforzo nell’immediato (comfort) verrà ridotto; se invece supporta il recupero della parola dalla memoria prima di mostrarla, la fatica in più è proprio ciò che consoliderà l’apprendimento (growth). La teoria dual-mode dello sviluppo uomo-AI (Riva e Pedreschi, 2026) interpreta comfort e crescita come due modalità complementari da bilanciare in funzione del compito, del contesto e del livello di competenza dell’utente.
Questa cornice permette di distinguere tra semplificazione utile e riduzione improduttiva dello sforzo. Ridurre il carico tecnico di un’attività può liberare risorse cognitive per analisi, creatività e decisione. Ridurre il carico critico di una decisione può invece indebolire autonomia e apprendimento. Lo stesso principio emerge nelle applicazioni digitali per la salute, dove un sistema efficace deve offrire sufficiente prevedibilità e sicurezza da generare fiducia, senza però eliminare quelle forme di partecipazione attiva e di sfida che sostengono il cambiamento terapeutico e lo sviluppo di nuove strategie psicologiche.
La progettazione dell’AI dovrebbe quindi sostenere forme diverse di supporto: automazione nei compiti ripetitivi, scaffolding nei compiti formativi, trasparenza e controllo nei compiti decisionali. In questa prospettiva, l’interazione migliore non è sempre la più facile; è quella che offre il tipo di aiuto adatto allo scopo.
Catastrophic forgetting e continual learning nelle reti neurali
La tensione tra stabilità e plasticità attraversa anche il machine learning. Nei sistemi artificiali, il problema è studiato nel campo del continual learning: la capacità di apprendere progressivamente da flussi di dati non stazionari, integrando nuove informazioni senza perdere prestazioni acquisite. Il catastrophic forgetting descrive la perdita rapida di performance su compiti precedenti quando una rete neurale viene addestrata su nuovi compiti (van de Ven et al., 2024).
Il problema nasce dal modo in cui i modelli apprendono. Una rete neurale modifica parametri per adattarsi a nuovi dati. Ma gli stessi parametri possono essere rilevanti anche per competenze apprese in precedenza; aggiornarli può quindi interferire con prestazioni pregresse. Si pensi a un modello inizialmente addestrato a classificare immagini di animali e successivamente addestrato solo a riconoscere veicoli. Se durante la seconda fase non vengono più presentati esempi di animali, il modello può diventare più accurato nel riconoscere i veicoli, ma perdere parte della capacità di classificare correttamente gli animali. Le strategie di continual learning cercano di ridurre questa interferenza attraverso replay, regolarizzazione, architetture modulari, memoria episodica o vincoli sui parametri.
Il replay è particolarmente rilevante per il confronto con la cognizione. Nei sistemi biologici, consiste nella riattivazione di pattern neurali legati a esperienze precedenti e contribuisce a memoria, consolidamento, pianificazione e apprendimento. Nei sistemi artificiali, invece, è una strategia computazionale: esempi precedenti, o rappresentazioni generate di essi, vengono reintrodotti durante l’apprendimento di nuovi compiti per ridurre l’interferenza e limitare il catastrophic forgetting. In questo senso, Wittkuhn e colleghi (2021) mostrano che il replay può sostenere funzioni analoghe pur assumendo forme molto diverse nei cervelli e nelle macchine.
La ricerca recente ha inoltre messo in evidenza la perdita di plasticità. Dohare e colleghi (2024) mostrano che, in contesti di deep continual learning, alcuni modelli possono diventare progressivamente meno capaci di apprendere nuovi esempi, comportandosi come sistemi sempre meno plastici nel tempo.
Questo confronto permette di precisare il rapporto tra flessibilità cognitiva e adattamento computazionale. In entrambi i casi, il problema funzionale riguarda il rapporto tra stabilità e cambiamento: integrare informazioni nuove preservando ciò che resta utile. Nei sistemi umani, questa integrazione avviene attraverso significati, obiettivi, emozioni, esperienza corporea e contesto sociale. Nei sistemi artificiali, avviene attraverso l’aggiornamento di parametri, rappresentazioni e procedure di ottimizzazione. La somiglianza è quindi a livello del problema adattivo; la differenza riguarda i meccanismi che lo realizzano. La metafora aiuta a rendere visibile questa differenza. Una persona può reinterpretare una situazione attraverso una nuova immagine integrando prospettive diverse dentro un’esperienza personale e sociale. Nei modelli artificiali, invece, l’aggiornamento delle rappresentazioni può produrre interferenza con configurazioni precedenti e degradare prestazioni già acquisite. La somiglianza è quindi a livello del problema adattivo; la differenza riguarda i meccanismi che lo realizzano.
Stesso lessico, meccanismi diversi
Il confronto tra cognizione umana e sistemi artificiali richiede precisione concettuale. Termini come apprendimento, memoria, forgetting, ragionamento, spiegazione e comprensione vengono spesso usati sia per descrivere processi umani sia per descrivere funzioni computazionali. Questa sovrapposizione lessicale è utile perché permette di confrontare problemi adattivi simili: acquisire informazioni, conservare prestazioni, integrare novità, correggere errori, produrre risposte. Tuttavia, l’uso degli stessi termini può favorire un equivoco: attribuire ai sistemi artificiali processi mentali, intenzioni o forme di esperienza che appartengono alla cognizione umana.
Il punto centrale è quindi evitare l’antropomorfizzazione. Un modello linguistico può “apprendere” nel senso tecnico di aggiornare parametri a partire dai dati; l’essere umano apprende integrando informazioni con esperienza corporea, memoria autobiografica, emozioni, obiettivi e contesto sociale. Un sistema può “dimenticare” nel senso di perdere prestazione su compiti precedenti dopo un nuovo addestramento; una persona dimentica all’interno di una storia personale, di processi attentivi, affettivi e motivazionali. Un modello può produrre una “spiegazione” linguisticamente coerente; una spiegazione umana implica responsabilità epistemica, intenzionalità comunicativa e possibilità di giustificare una scelta rispetto a norme, valori e conseguenze.
Questa distinzione vale anche per i modelli orientati al ragionamento. I cosiddetti modelli thinking o reasoning possono scomporre problemi, confrontare alternative, individuare errori e presentare passaggi argomentativi più espliciti. Queste capacità aumentano l’interrogabilità dell’interazione, ma descrivono una funzione computazionale, non una forma di esperienza riflessiva. Come discusso in precedenza, la ricerca sulla faithfulness delle spiegazioni chain-of-thought mostra che queste giustificazioni possono non corrispondere fedelmente ai processi causali reali (Turpin et al., 2023; Lanham et al., 2023). La spiegazione generata dal modello va quindi valutata come output, non trattata come accesso diretto a una mente artificiale.
Evitare l’antropomorfizzazione non significa, tuttavia, rinunciare a modellizzare computazionalmente processi cognitivi o cerebrali. Un modello può riprodurre in forma semplificata alcune proprietà di una funzione, come l’apprendimento, la memoria, l’attenzione o la flessibilità, per formulare ipotesi, simulare dinamiche e confrontare previsioni con dati empirici. In questo caso, la somiglianza non riguarda l’esistenza di un’esperienza mentale nel sistema, ma la capacità del modello di rappresentare alcuni meccanismi o regolarità osservabili. Ricostruire computazionalmente una funzione non equivale quindi ad attribuire alla macchina la corrispondente capacità psicologica: significa utilizzare un’astrazione formalizzata per studiare come quella funzione potrebbe essere organizzata e quali condizioni ne influenzano il funzionamento.
Usare lo stesso lessico in modo rigoroso significa distinguere tra analogie funzionali ed equivalenze psicologiche. L’analogia funzionale è utile: cervelli e macchine possono affrontare problemi comparabili di adattamento, stabilità, interferenza e aggiornamento. L’equivalenza psicologica è invece fuorviante, perché i meccanismi, i vincoli e i significati dei processi sono differenti.
Questa precisione non riduce il valore dell’AI; al contrario, permette di definirlo meglio. I sistemi generativi possono estendere alcune attività cognitive. Il loro contributo è più utile quando viene integrato con giudizio umano, verifica, sensibilità al contesto e responsabilità decisionale. Parlare con rigore dei meccanismi consente quindi di evitare due errori opposti: attribuire alla macchina una mente umana o ridurre l’impatto dell’AI a una semplice automazione tecnica. L’AI non replica la flessibilità cognitiva umana; può però diventare uno strumento che la sostiene, la orienta o la indebolisce a seconda di come viene progettata e usata.
Entropia e decisioni: più possibilità non significano più adattamento
La nozione di entropia permette di collegare il funzionamento dei modelli generativi con i processi decisionali umani. In teoria dell’informazione, l’entropia misura il grado di incertezza di una distribuzione di probabilità: quando molte alternative hanno probabilità simili, l’incertezza è più alta; quando una possibilità domina sulle altre, l’entropia è più bassa. Nei modelli generativi, questa logica entra direttamente nella produzione dell’output. A ogni passaggio, il modello stima una distribuzione di probabilità sulle possibili continuazioni; parametri di decoding come temperatura e campionamento modificano il grado di variabilità della risposta, aumentando o riducendo la dispersione delle alternative generate. Strategie come il nucleus sampling, ad esempio, cercano di preservare diversità e fluidità limitando al tempo stesso la parte meno affidabile della distribuzione probabilistica (Holtzman et al., 2020). In modo analogo, nel reinforcement learning, gli approcci a massima entropia usano l’entropia della policy per favorire esplorazione e robustezza, bilanciando rendimento atteso e varietà delle azioni possibili (Haarnoja et al., 2018).
Questo piano computazionale va distinto dal piano della decisione umana. Un modello può aumentare la varietà delle risposte prodotte, ma l’adattamento dell’utente dipende dalla capacità di trasformare quella varietà in una scelta orientata da criteri. In altre parole, l’entropia può descrivere sia la distribuzione delle possibilità generate dal sistema sia l’incertezza del decisore davanti a quelle possibilità. La prima è una proprietà del modello e delle sue procedure di generazione; la seconda riguarda carico cognitivo, valutazione delle alternative e capacità di selezionare un’azione in funzione del contesto.
Questa distinzione è cruciale per comprendere il rapporto tra GenAI e flessibilità cognitiva. Un sistema generativo può ampliare rapidamente lo spazio delle risposte disponibili, ma l’aumento delle possibilità non coincide automaticamente con un aumento dell’adattamento. Nei processi decisionali umani, la flessibilità cognitiva richiede un equilibrio tra apertura e vincolo: apertura sufficiente per esplorare opzioni diverse, vincoli sufficienti per selezionare ciò che è pertinente. Questo equilibrio è descritto anche nella letteratura sul dilemma exploration–exploitation: esplorare permette di raccogliere nuove informazioni e individuare alternative migliori; sfruttare ciò che si conosce consente di agire in modo più efficiente e stabile (Addicott et al., 2017; Schulz & Gershman, 2019).
In questo senso, la GenAI può sostenere la fase esplorativa del pensiero: aiuta a generare formulazioni diverse, ipotesi concorrenti, scenari possibili e controargomentazioni. Tuttavia, la fase esplorativa diventa adattiva solo quando è seguita da una fase valutativa. La letteratura sul choice overload mostra che un numero più elevato di opzioni non produce necessariamente decisioni migliori: gli effetti dipendono dalla complessità del set di scelta, dall’incertezza delle preferenze, dalla difficoltà del compito e dall’obiettivo decisionale (Scheibehenne et al., 2010; Chernev et al., 2015). Ad esempio, chiedere a un modello di generare molte idee per il titolo di un articolo può produrre una lunga serie di proposte simili o generiche, rendendo difficile il confronto. Al contrario, richiedere cinque titoli di massimo otto parole, privi di termini tecnici e ordinati in base alla chiarezza, restringe lo spazio delle risposte e introduce criteri che ne facilitano la valutazione. In modo coerente, gli studi sull’information overload indicano che la qualità della decisione può diminuire quando quantità, ambiguità o complessità delle informazioni superano la capacità di elaborazione del decisore (Eppler & Mengis, 2004; Roetzel, 2019).
L’uso competente della GenAI richiede quindi una regolazione attiva dell’entropia prodotta dall’interazione. Nella pratica, questo significa chiedere al sistema non solo di generare alternative, ma di organizzarle secondo criteri espliciti: rilevanza, accuratezza, costo, rischio, reversibilità, evidenza disponibile, conseguenze prevedibili e condizioni di applicabilità. Significa anche chiedere al modello di indicare quali informazioni mancano, quali assunzioni sta facendo, quali opzioni sono deboli e quali criteri potrebbero modificare la decisione.
La flessibilità cognitiva, in questo quadro, consiste nella capacità di passare dall’apertura alla selezione, dalla divergenza alla valutazione, dall’esplorazione alla decisione. La variabilità generata dal sistema diventa utile quando l’utente riesce a ridurla in modo funzionale al compito. Al contrario, quando la moltiplicazione delle opzioni non è accompagnata da criteri di scelta, l’interazione con l’AI può aumentare incertezza, carico cognitivo e dipendenza dal sistema. Più possibilità, quindi, non significano necessariamente più adattamento: l’adattamento emerge quando le possibilità vengono ordinate, confrontate e trasformate in una decisione responsabile.
Adaptability: performance immediata e apprendimento futuro
L’adattabilità nell’uso della GenAI va valutata su due piani distinti: la prestazione ottenuta nel compito immediato e gli effetti dell’interazione sulle capacità future dell’utente. Un sistema può aumentare accuratezza, rapidità o produttività in una singola attività, ma il miglioramento della performance non implica necessariamente apprendimento. La psicologia dell’apprendimento distingue da tempo tra prestazione osservabile nel breve periodo e acquisizione stabile di competenze trasferibili: alcune condizioni che facilitano l’esecuzione immediata possono ridurre lo sforzo elaborativo necessario alla ritenzione e al transfer, mentre difficoltà calibrate possono peggiorare la prestazione iniziale ma sostenere apprendimento più duraturo (Bjork, 1994; Bjork & Bjork, 2011; Soderstrom & Bjork, 2015).
Questa distinzione è centrale per comprendere l’uso della GenAI. Quando il sistema produce direttamente una soluzione, riduce il carico operativo e accelera il compito. Questo effetto è utile quando il carico riguarda passaggi secondari, ripetitivi o facilmente verificabili. Diventa più problematico quando l’assistenza sostituisce le operazioni cognitive attraverso cui l’utente dovrebbe costruire competenza: formulare il problema, selezionare criteri, confrontare ipotesi, riconoscere limiti, verificare fonti e correggere errori. In termini di cognitive offloading, esternalizzare una parte del lavoro cognitivo può liberare risorse, ma può anche modificare ciò che viene esercitato, consolidato e ricordato dall’utente (Risko & Gilbert, 2016; Sparrow et al., 2011).
La letteratura sulla GenAI conferma che il punto critico è metacognitivo. Tankelevitch e colleghi (2024) descrivono l’interazione con i sistemi generativi come un’attività che richiede monitoraggio e controllo: l’utente deve formulare prompt, valutare output, decidere quanto affidarsi al sistema e correggere il processo quando la risposta non è adeguata. H.-P. Lee e colleghi (2025), in uno studio su knowledge workers, mostrano che una maggiore fiducia nella GenAI è associata a minore coinvolgimento del pensiero critico, mentre una maggiore fiducia dell’utente nelle proprie capacità è associata a un maggiore esercizio di controllo critico. Gli autori osservano inoltre che, nell’uso della GenAI, il pensiero critico tende a spostarsi verso tre funzioni: verifica dell’informazione, integrazione della risposta e supervisione del compito.
L’adattabilità dipende quindi dal tipo di relazione che si stabilisce tra utente e sistema. Un’interazione orientata solo alla risposta favorisce un uso compensatorio: il sistema colma una lacuna, accelera una procedura o produce un risultato. Un’interazione orientata al processo favorisce invece un uso formativo: il sistema aiuta a rendere espliciti criteri, assunzioni, alternative, incertezze e condizioni di errore. Nel primo caso l’AI sostiene soprattutto la performance immediata; nel secondo può sostenere anche apprendimento futuro, perché lascia all’utente una struttura di ragionamento riutilizzabile in compiti successivi.
La ricerca sull’automation bias conferma questo rischio: nei sistemi di supporto alla decisione, gli utenti possono affidarsi eccessivamente alle raccomandazioni automatizzate, soprattutto quando percepiscono il sistema come competente o quando il compito è complesso, incerto o svolto sotto pressione. Il rischio non riguarda soltanto l’errore dell’AI, ma la riduzione del controllo umano sull’errore: l’utente può accettare una raccomandazione senza valutarne adeguatamente assunzioni, limiti e conseguenze (Parasuraman & Manzey, 2010; Romeo & Conti, 2025). Per questo, nei contesti ad alto impatto, il supporto dell’AI deve essere progettato e usato in modo da favorire affidamento appropriato, verifica e responsabilità decisionale.
Applicata alla flessibilità cognitiva, questa distinzione consente di precisare il concetto di adattabilità. Essere adattivi non significa usare l’AI per ridurre ogni forma di sforzo, ma distinguere tra sforzo operativo e sforzo produttivo. Lo sforzo operativo riguarda operazioni meccaniche, ridondanti o facilmente automatizzabili. Lo sforzo produttivo riguarda invece i processi che sostengono comprensione e transfer. In questa prospettiva, il bilanciamento tra comfort e crescita diventa un criterio operativo: la GenAI sostiene l’adattabilità quando semplifica ciò che è accessorio e mantiene attivo ciò che è formativo.
La domanda decisiva, quindi, non è soltanto se l’AI migliori il risultato immediato, ma che cosa accade all’utente dopo l’interazione. Un uso adattivo lascia maggiore chiarezza sul problema, criteri più espliciti, migliore consapevolezza dei limiti, capacità di trasferire il ragionamento e maggiore autonomia nel compito successivo. Un uso disadattivo produce invece dipendenza dalla risposta, riduce la verifica e impoverisce il processo di apprendimento. La GenAI sostiene la flessibilità cognitiva quando aiuta l’utente a ragionare, non solo a produrre più rapidamente.
Criteri pratici per usare l’AI come supporto alla flessibilità cognitiva
Dalle sezioni precedenti derivano alcuni criteri operativi per usare la GenAI come supporto alla flessibilità cognitiva.
Il primo è distinguere il tipo di compito. Nei compiti circoscritti, verificabili e a basso rischio, l’offloading cognitivo può ridurre carico e tempo di esecuzione senza compromettere il giudizio. Nei compiti interpretativi o decisionali, invece, la delega deve restare parziale: il sistema può aiutare a esplorare alternative, esplicitare criteri e segnalare incertezze, ma la valutazione finale richiede controllo umano e responsabilità situata (Risko & Gilbert, 2016; Tankelevitch et al., 2024).
Il secondo criterio è usare il prompt come strumento di regolazione, non come semplice richiesta. Un prompt utile definisce obiettivo, contesto, vincoli, criteri di confronto e livello di incertezza accettabile. Può chiedere al sistema di distinguere tra evidenze forti e deboli, indicare assunzioni implicite, proporre controargomentazioni e specificare quali condizioni renderebbero una conclusione meno valida. In questo modo, l’utente non si limita a ricevere una risposta: costruisce una procedura di valutazione.
Il terzo criterio è alternare apertura e selezione. La GenAI è utile nelle fasi divergenti, quando serve ampliare il campo delle ipotesi; diventa rischiosa quando l’aumento delle opzioni non è seguito da criteri di scelta. Per evitare choice overload e information overload, ogni fase di generazione dovrebbe essere seguita da una fase di riduzione: ordinare le alternative per rilevanza, accuratezza, rischio, reversibilità, evidenza disponibile e conseguenze prevedibili (Scheibehenne et al., 2010; Chernev et al., 2015; Roetzel, 2019).
Il quarto criterio è rendere esplicita la verifica. Gli output generativi vanno trattati come ipotesi operative, soprattutto nei contesti ad alto impatto. Questo implica controllare fonti, chiedere limiti, cercare errori possibili, confrontare l’output con competenze esterne e distinguere tra ciò che è documentato e ciò che è soltanto plausibile. La ricerca sull’automation bias mostra che gli utenti possono affidarsi eccessivamente alle raccomandazioni automatizzate quando percepiscono il sistema come competente; la verifica serve quindi a mantenere calibrata la fiducia (Parasuraman & Manzey, 2010; H.-P. Lee et al., 2025).
Il quinto criterio è preservare lo sforzo produttivo. La GenAI dovrebbe semplificare ciò che è secondario ma mantenere attivi i processi che sostengono comprensione e apprendimento. La psicologia dell’apprendimento mostra che facilitare la prestazione immediata non coincide sempre con favorire ritenzione e transfer; alcune difficoltà calibrate sono necessarie per consolidare competenze riutilizzabili (Bjork & Bjork, 2011; Soderstrom & Bjork, 2015).
Questi criteri convergono su un punto: l’AI sostiene la flessibilità cognitiva quando non assorbe il processo di pensiero, ma lo rende più esplicito, verificabile e trasferibile. Il valore dell’interazione non si misura soltanto dalla qualità dell’output, ma dalla qualità del controllo che l’utente riesce a mantenere sul problema, sui criteri e sulle conseguenze della decisione.
Conclusioni
La GenAI modifica le condizioni in cui la flessibilità cognitiva viene esercitata. L’utente opera sempre più spesso in ambienti cognitivi ibridi, nei quali sistemi artificiali partecipano alla formulazione dei problemi, alla produzione di alternative, all’organizzazione delle informazioni e alla costruzione di scenari decisionali. In questo contesto, la questione è comprendere come l’interazione con questi sistemi possa sostenere o indebolire i processi umani di adattamento, giudizio e apprendimento.
Il confronto con i sistemi artificiali richiede una puntualizzazione concettuale. Nei modelli computazionali, l’adattamento riguarda distribuzioni probabilistiche, aggiornamento di parametri, procedure di ottimizzazione, gestione dell’interferenza e continual learning. Nella cognizione umana, la flessibilità cognitiva riguarda un soggetto situato che interpreta informazioni, attribuisce significato, valuta conseguenze, integra memoria, emozioni, corpo, obiettivi e contesto sociale. Il confronto è utile quando consente di riconoscere problemi funzionali comuni, come il rapporto tra stabilità e cambiamento; diventa fuorviante quando trasforma analogie operative in equivalenze psicologiche.
Da questa distinzione deriva una conseguenza pratica. La GenAI può sostenere la flessibilità cognitiva quando viene integrata come strumento di esplorazione, riformulazione e verifica: può rendere più accessibili prospettive alternative, esplicitare criteri, segnalare assunzioni, generare controargomentazioni e aiutare a organizzare informazioni complesse. Può invece indebolirla quando favorisce delega passiva, accettazione acritica dell’output o riduzione delle occasioni di esercitare giudizio, revisione e apprendimento.
Nei contesti clinici, educativi e organizzativi, questa distinzione assume un rilievo particolare. I sistemi di supporto alla decisione possono avere un valore importante: aiutano a recuperare informazioni, individuare pattern, aumentare aderenza a linee guida, formulare ipotesi e rendere più espliciti alcuni criteri decisionali. Il loro uso non è in contrasto con il giudizio umano; richiede però un’integrazione supervisionata, verificabile e contesto-specifica. Il professionista resta responsabile dell’interpretazione, della valutazione dell’incertezza, della ponderazione delle conseguenze e della decisione finale.
La conclusione, quindi, non è che l’AI debba essere usata di meno o di più, ma che debba essere usata con criteri più espliciti. Il punto decisivo è la regolazione: sapere quando ampliare lo spazio delle ipotesi e quando restringerlo, quando delegare operazioni secondarie e quando preservare il giudizio, quando ridurre il carico cognitivo e quando mantenere lo sforzo necessario all’apprendimento. La GenAI diventa un supporto alla flessibilità cognitiva quando rafforza questa capacità di regolazione; diventa un rischio quando sostituisce criteri, verifica e responsabilità con la sola produzione di risposte.
La posta in gioco non è rendere l’essere umano più simile alla macchina, né attribuire alla macchina proprietà mentali umane. È progettare e usare sistemi artificiali che aumentino la capacità delle persone di orientarsi in contesti complessi senza perdere agency, competenza e responsabilità. In questo senso, la flessibilità cognitiva resta un costrutto psicologico umano, ma il suo esercizio dipende sempre più dalla qualità degli ambienti cognitivi (compresi quelli digitali) in cui interpretazioni e decisioni vengono costruite.
Partecipa alla community