Oggi siamo sempre più portati a delegare all’AI e questo, nel velocizzare ogni nostra elaborazione cognitiva, ci fa sentire più produttivi — ma nel tempo questo erode la fiducia in sé stessi. Dialogare con l’AI, paradossalmente, invece, la rafforza. In fondo, se trattassimo l’AI come un partner professionale di ricerca e analisi, si potrebbe instaurare un proficuo accrescimento culturale. Ebbene, questo è il paradosso che la ricerca più recente sta quantificando con precisione, e che ogni professionista che usa strumenti di intelligenza artificiale dovrebbe conoscere.
Indice degli argomenti
L’illusione della produttività
Immaginate questo scenario, che può accadere facilmente sul lavoro soprattutto quando i tempi sono stretti e gli approfondimenti sono molteplici: avete un report da scrivere, una proposta da sviluppare, un’analisi da produrre. Aprite il vostro strumento AI preferito, gli descrivete il compito il più dettagliatamente possibile, e in pochi secondi ottenete una bozza solida, articolata, pronta da rifinire. Veloce, efficiente, soddisfacente.
Ora immaginate di dover fare lo stesso compito da soli, due settimane dopo. Qualcosa però si inceppa. Il cursore lampeggia. Di colpo ci sentiamo incapaci, preda del panico da inconcludenza. Ma ci sentivamo così capaci. Prima che arrivasse l’AI?
Non è nostalgia, né sovrastima retrospettiva. È un effetto documentato, misurato sperimentalmente, con un nome preciso: erosione della self-efficacy. E capire come avviene — e come poter evitare situazioni come quella appena descritta — è oggi una delle competenze più rilevanti per chi usa l’AI nel proprio lavoro quotidiano.
Due modi di usare l’AI, due destini cognitivi opposti
Prima di analizzare i dati, vale la pena essere precisi su cosa intendiamo. Esiste una differenza fondamentale tra due modalità d’uso degli LLM, che per semplicità chiameremo modalità di delega e modalità di dialogo.
La modalità di delega
Modalità di delega: si affida all’AI un compito descrivendolo al meglio, si riceve un elaborato che ci soddisfa abbastanza da apportare modifiche minime. Il pensiero critico e la produzione cognitiva originale sono così prevalentemente esternalizzati, dati «in pasto» all’AI di cui ci fidiamo. L’utente si posiziona così come valutatore e assemblatore, non come autore.
La modalità di dialogo
Modalità di dialogo: si presenta all’AI il proprio pensiero, la propria intuizione, sia essa tecnica, analitica o di riflessione — insomma una bozza di pensiero, di ragionamento parziale, un problema articolato — e si usa lo strumento non per costruire da zero ma per raffinarlo, sfidarlo, espanderlo, renderlo più circostanziato. La direzione cognitiva rimane nell’utente; l’AI funziona da interlocutore esigente, efficiente e, in linea di massima, concludente.
La distinzione può sembrare sottile. Dal punto di vista del risultato immediato, entrambe le modalità producono elaborati anche comparabili. Dal punto di vista dell’effetto sull’utente, però, producono esiti radicalmente diversi.
Cosa succede davvero quando deleghiamo: i dati
Uno studio pubblicato su Scientific Reports nel 2026 (Lee, Yin, Jia & Wakslak) ha misurato con precisione sperimentale cosa accade ai professionisti a seconda di come usano l’AI. Nell’esperimento, 269 partecipanti hanno completato task di scrittura specifici per la loro occupazione in tre condizioni: senza AI, con uso passivo (copiare e incollare output generati dall’AI), o in collaborazione attiva (elaborare prima una propria bozza, poi usare l’AI per rifinirla).
I risultati sono inequivocabili. L’uso passivo ha minato la self-efficacy, il senso di ownership psicologica sul proprio lavoro e la percezione di significato — e i cali di self-efficacy e di significato sono persistiti anche quando i partecipanti sono tornati a lavorare senza l’utilizzo dell’AI. Non si tratta di un effetto temporaneo che svanisce con il riposo. Si tratta di una traccia che rimane.
Il dato più controintuitivo — e più importante — riguarda gli effetti di breve periodo. L’uso passivo aumentava inizialmente il piacere e la soddisfazione per il lavoro svolto. Ma questi benefici si sono invertiti non appena i partecipanti hanno ripreso a lavorare manualmente. In altri termini: delegare fa sentire bene nell’immediato, e meno capaci dopo. È una forma di debito cognitivo che si paga a rate, e spesso senza accorgersene.
Al contrario, la collaborazione attiva ha preservato la connessione psicologica al lavoro, producendo esiti comparabili a quelli del lavoro completamente indipendente. La conclusione degli autori è netta: la questione non è se usare l’AI, ma come integrarla nei propri flussi di lavoro.
La self-efficacy e perché conta per i professionisti
Per capire la portata di questi risultati, bisogna ricordare brevemente cosa sia la self-efficacy e perché è così rilevante in un contesto professionale.
Il costrutto, teorizzato da Albert Bandura a partire dagli anni Settanta, descrive la credenza soggettiva nella propria capacità di portare a termine con successo un compito specifico. Non è autostima generica, né ottimismo. È qualcosa di più preciso: la sensazione di sapere che ce la si può fare.
La self-efficacy ha conseguenze concrete e misurabili sulla performance lavorativa. Chi ha alta self-efficacy fissa obiettivi più ambiziosi, persiste di fronte alle difficoltà, gestisce meglio lo stress da prestazione e interpreta i fallimenti come dati utili anziché come segnali di incompetenza. La meta-analisi di Stajkovic e Luthans (1998), condotta su 114 studi e oltre 21.000 lavoratori, ha stimato una correlazione media significativa tra self-efficacy e performance lavorativa (r = .38) — una delle relazioni più robuste e replicate nella psicologia delle organizzazioni.
La fonte più potente di self-efficacy, secondo Bandura (1997), sono le esperienze di padronanza: il fare, il riuscire, il registrare internamente il proprio sforzo trasformato in competenza. È qui che il problema dell’uso passivo dell’AI diventa strutturale: quando l’AI produce l’output, l’esperienza di padronanza non viene vissuta dall’utente. Il risultato c’è, ma il percorso — che è ciò che costruisce la confidence — è stato saltato.
Il dialogo come frizione produttiva
C’è una parola che nella retorica sull’AI viene sistematicamente evitata, perché suona come un difetto: frizione. Qualsiasi sistema ben progettato dovrebbe minimizzarla, ridurre l’attrito, abbassare il costo cognitivo dell’interazione.
Ma la psicologia dell’apprendimento ci insegna qualcosa di controintuitivo: non tutta la frizione è uguale. Esiste una distinzione ormai consolidata tra difficoltà estranee — quelle che ostacolano senza produrre crescita — e difficoltà desiderabili (Bjork, 1994): le resistenze che, proprio perché rallentano il processo, ne approfondiscono l’apprendimento e consolidano le competenze.
Interagire in modalità dialogo con un LLM genera frizione desiderabile. Formulare una domanda precisa richiede di sapere cosa si sa e cosa non si sa — un atto metacognitivo non banale. Valutare criticamente un output generato richiede di avere un modello di riferimento interno. Riformulare il prompt quando la risposta non convince richiede di articolare il proprio pensiero con maggiore chiarezza. Ciascuno di questi micropassaggi è, in senso proprio, un esercizio di competenza.
Il quadro è coerente con il lavoro di Tankelevitch e colleghi (2024, CHI), secondo cui i sistemi di AI generativa richiedono all’utente un elevato grado di monitoraggio e controllo metacognitivo: formulare il prompt, valutare l’output, decidere se e come fidarsi. Sono esattamente le richieste che, in modalità dialogo, diventano un allenamento — e che la progettazione dei sistemi può sostenere anziché aggirare.
Il Comfort-Growth Paradox: dove c’è comfort, non c’è crescita
Il quadro fin qui descritto rispecchia un principio più generale che la ricerca sulla psicologia dell’AI ha iniziato a formalizzare: il Comfort-Growth Paradox (Riva, 2025, 2026).
Nella sua formulazione essenziale, il paradosso afferma che le condizioni che massimizzano il comfort nell’interazione con i sistemi AI tendono a minimizzare le opportunità di crescita per l’utente. E viceversa: le condizioni che generano una certa frizione, che richiedono uno sforzo aggiuntivo, che non eliminano del tutto l’incertezza, sono quelle che creano le premesse per lo sviluppo reale di competenza e confidence.
L’obiezione non riguarda la tecnologia in sé, ma l’idea ingenua che ne guida l’uso.
Questa tensione è al centro di un filone di ricerca sulla growth readiness nell’uso dell’intelligenza artificiale (La Rocca, Longoni, Reina & Riva, 2026): la capacità di un utente di tollerare la difficoltà produttiva nell’interazione con i sistemi AI, invece di rifugiarsi nella delega totale, è la dimensione che questo lavoro propone di misurare per valutare la prontezza a un uso sostenibile e psicologicamente sano degli strumenti generativi.
La domanda giusta da porsi non è «l’AI rende il mio lavoro più facile?» ma «l’AI mi rende più capace?»
Dalla teoria alla pratica: come cambiare modalità
Come si traduce questa distinzione in comportamenti concreti? Alcune indicazioni operative, pensate per chi usa LLM nel lavoro quotidiano.
Principio 1 — Prima tu, poi l’AI. Prima di aprire qualunque strumento generativo, dedicare anche solo cinque minuti a formulare per iscritto il proprio punto di vista sul problema. Questo non è un rituale romantico contro la tecnologia: è la condizione che trasforma l’AI da sostituto a interlocutore, e che garantisce che l’esperienza di padronanza rimanga propria.
Principio 2 — Usare l’AI per sfidare, non per confermare. Invece di chiedere all’AI di produrre un output, chiederle di contestare il proprio. «Ecco la mia analisi: quali sono i punti deboli? Cosa non ho considerato? Qual è la controargomentazione più forte?» Questo tipo di interazione genera frizione produttiva e affina il pensiero critico.
Principio 3 — Monitorare la propria «AI-independent confidence». Lee et al. (2026) misurano proprio questo: la confidence che si ha nel completare un task senza AI. È un indicatore proxy della propria curva di sviluppo. Se diminuisce nel tempo, qualcosa nell’equilibrio tra delega e dialogo va ricalibrato.
Principio 4 — Alternare deliberatamente. Non tutti i task richiedono lo stesso approccio. I task routinari e a basso valore cognitivo sono candidati naturali per la delega. Quelli complessi, nuovi, strategici — quelli che contribuiscono alla propria expertise professionale — richiedono invece la modalità dialogo. Sapere quale scegliere, e perché, è essa stessa una forma di competenza.
Conclusioni: l’AI literacy è confidence literacy
C’è una conversazione che il mondo del lavoro sta iniziando a fare sull’AI, e che tende a polarizzarsi in modo non utile: da una parte chi teme che l’AI sostituisca le persone, dall’altra chi celebra il fatto che l’AI faccia il lavoro al posto loro.
Entrambe le posizioni mancano la domanda più interessante: cosa fa l’AI a chi la usa?
I dati suggeriscono che la risposta dipende quasi interamente dal come. Un professionista che usa l’AI in modalità delega sta costruendo una dipendenza che lo indebolisce nel momento in cui lo strumento non è disponibile — o quando il problema è troppo complesso per essere delegato. Un professionista che usa l’AI in modalità dialogo sta invece usando ogni interazione come un’opportunità di affinamento: del pensiero, del linguaggio professionale, della propria capacità di ragionare su problemi complessi.
Una differenza di natura psicologica, prima ancora che tecnica — e alla portata di chiunque voglia scegliere consapevolmente.
Sviluppare questa consapevolezza — sapere come si usa l’AI, non solo quanto — è forse la forma più concreta di AI literacy che un professionista possa coltivare oggi. Perché al fondo di questa domanda non c’è solo una questione di produttività: c’è la domanda su chi si vuole diventare mentre il mondo del lavoro cambia intorno a noi.
Per approfondire
Bandura, A. (1997). Self-efficacy: The exercise of control. Freeman.
Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185–205). MIT Press.
La Rocca, S., Longoni, F., Reina, L., & Riva, G. (2026). GRAIT—Growth Readiness in Artificial Intelligence Technologies: Quantifying the Comfort-Growth Paradox. Cyberpsychology, Behavior, and Social Networking, 29(4), 267–269. https://doi.org/10.1177/21522715261428289
Lee, E. H., Yin, Y., Jia, N., & Wakslak, C. J. (2026). Relying on AI at work reduces self-efficacy, ownership, and meaning while active collaboration mitigates the effects. Scientific Reports, 16, 13583. https://doi.org/10.1038/s41598-026-42312-6
Riva, G. (2025). Digital “we”: Human sociality and culture in the era of social media and artificial intelligence. American Psychologist, 80(9), 1535–1549. https://doi.org/10.1037/amp0001577
Riva, G. (2026). The architecture of cognitive amplification: Enhanced cognitive scaffolding as a resolution to the comfort-growth paradox in AI-supported learning. Cognitive Systems Research, 99, 101500. https://doi.org/10.1016/j.cogsys.2026.101500
Stajkovic, A. D., & Luthans, F. (1998). Self-efficacy and work-related performance: A meta-analysis. Psychological Bulletin, 124(2), 240–261.
Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The metacognitive demands and opportunities of generative AI. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (Article 680). ACM. https://doi.org/10.1145/3613904.3642902
Partecipa alla community