L’intelligenza artificiale generativa è diventata così facilmente accessibile da rendere quasi superfluo pensare prima di usarla — non tanto per incapacità, ma per un desiderio di ricerca di comodità. E la comodità, quando diventa sistematica, cambia le abitudini cognitive prima ancora che ce ne accorgiamo.
Attraverso tre concetti connessi — workslop, thinkslop ed epistemia — e un framework operativo a tre livelli (automazione, assistenza, potenziamento), proponiamo di seguito un percorso concreto per trasformare l’IA da sostituto del pensiero ad amplificatore della propria intelligenza professionale.
Indice degli argomenti
IA generativa e comodità: il rischio del thinkslop
Uno dei paradossi dell’intelligenza artificiale generativa è che tanto più diventa capace, quanto più rischia di renderci meno capaci, e questo non perché l’IA sia pericolosa in sé, ma perché è diventata straordinariamente comoda. Interagire con un chatbot, digitare una richiesta e ottenere in pochi secondi un testo, un’analisi, un report, una decisione abbozzata: la barriera che si frappone all’ottenimento di un risultato è oggi così bassa da rendere quasi superfluo di pensare prima di utilizzare l’IA. Tutto questo non per incapacità, ma per il piacere della comodità: e la ricerca delle comodità, quando diventa sistematica, rischia di cambiare le nostre abitudini cognitive prima ancora che ce ne accorgiamo.
Tre anni e mezzo dopo l’esplosione dell’IA generativa sulla scena mondiale, siamo certamente abbastanza lontani dall’entusiasmo ingenuo delle prime settimane — quello dei titoli trionfalistici, delle promesse di produttività illimitata, della narrazione secondo cui chiunque, con il prompt giusto, avrebbe potuto fare tutto meglio e più in fretta. La realtà che emerge dai dati è più sfumata, più interessante, e per certi versi più preoccupante. Le persone usano l’IA generativa in modo massiccio e crescente — ChatGPT ha raggiunto 900 milioni di utenti regolari, Google Gemini ha superato i 750 milioni — ma non sempre nel modo in cui ci si aspettava. E non sempre con i risultati che ci si aspettava.
Ad esempio, report recenti (Zao-Sanders su Harvard Business Review, 2026) evidenziano come il quadro che emerge non è certamente quello di una tecnologia che sostituisce le persone contro la loro volontà, ma è invece quello di persone che, spontaneamente e progressivamente, scelgono di delegare all’IA porzioni sempre più ampie del proprio pensiero, come decisioni, idee, emozioni, relazioni, e questo non perché ne abbiano effettivamente bisogno, ma perché risulta più facile farlo che non farlo. È un fenomeno che merita attenzione, perché non riguarda solo la produttività individuale, ma riguarda il modo in cui stiamo ridefinendo — spesso senza rendercene conto — il confine tra ciò che pensiamo noi e ciò che invece facciamo pensare alle macchine.
E riguarda le conseguenze di lungo periodo di questa ridefinizione, su di noi come professionisti, come organizzazioni, come comunità.
Non è un segnale isolato. Altri eventi recenti (Wharton AI and the Future Conference, 2026) hanno documentato un calo misurabile dell’autonomia di giudizio nei lavoratori che si affidano massivamente all’IA, anche in ambiti di loro consolidata expertise. I ricercatori descrivono questo come una “trappola dell’efficienza”: i guadagni di produttività a breve termine si accompagnano a una progressiva erosione della capacità di ragionamento indipendente, che diventa visibile solo quando è già avanzata, tanto che gli stessi lavoratori riferiscono di sentirsi meno capaci di giudizio autonomo in domini in cui erano esperti — e questo non dopo anni di uso intensivo, ma dopo solo alcuni mesi di utilizzo.
Un altro studio recente (ActivTrak, 2026) aggiunge un dato di contesto significativo: il tempo medio di focus lavorativo ininterrotto è sceso a 13 minuti, al minimo degli ultimi tre anni, in correlazione diretta con l’aumento dell’uso degli strumenti IA. In sostanza, le giornate lavorative sono diventate più brevi e la produttività misurata è aumentata — ma la capacità di concentrazione profonda e prolungata si sta erodendo: l’IA potrebbe star assorbendo il carico cognitivo che prima era sostenuto dal tempo di concentrazione, con effetti che ancora non sappiamo quantificare pienamente.
Naturalmente, il punto non è demonizzare l’AI, né ignorarne i benefici reali e documentati: il punto è che uno strumento così potente e così pervasivo richiede consapevolezza d’uso, e che la consapevolezza, in questo momento, è ancora largamente assente — non per malafede, ma perché manca ancora l’educazione a distinguere quando stiamo usando l’IA per pensare meglio da quando la stiamo usando per smettere di pensare.
Questo fenomeno ha anche ora un nome: thinkslop.
Thinkslop, workslop ed epistemia nell’IA generativa
Per capire la portata del fenomeno che stiamo affrontando, può essere utile partire da tre concetti distinti ma profondamente connessi: workslop, thinkslop ed epistemia. Insieme, descrivono una progressione che va dall’output alla persona che lo produce, fino alle conseguenze sistemiche sul sapere collettivo: tre livelli — prodotto, processo, sistema — che si rinforzano reciprocamente e che, presi insieme, restituiscono un quadro più completo di ciò che sta accadendo nel nostro rapporto con l’intelligenza artificiale generativa.
Workslop: l’output scadente
Il primo livello è quello del prodotto. “Slop” è stata eletta parola dell’anno 2025 dal Merriam-Webster che la definisce come “contenuto digitale di scarsa qualità prodotto solitamente in quantità tramite l’intelligenza artificiale”. Da “slop” deriva “workslop“: il lavoro professionale svuotato di sostanza ma apparentemente rifinito — ad esempio, l’email perfettamente strutturata che non dice nulla, la presentazione visivamente impeccabile che non ha un’idea originale, il report che si legge bene ma che non stimola nulla. Il workslop non è facilmente riconoscibile proprio perché la sua caratteristica principale è la plausibilità: suona bene, è grammaticalmente corretto, è stilisticamente fluido; peccato che manchi tutta la sostanza.
Il workslop non è un fenomeno marginale, visto che una quota significativa degli output professionali generati con l’IA (Zao Sanders, 2026) presenta esattamente queste caratteristiche: formalmente impeccabili, ma cognitivamente vuoti. E la ragione sta al livello successivo.
Thinkslop: il processo cognitivo impoverito
Il secondo livello riguarda non il prodotto, ma il processo che lo genera. Thinkslop è il neologismo introdotto da Zao-Sanders per descrivere il pensiero pigro, approssimativo e superficiale che l’uso eccessivo e acritico dell’IA può indurre. Non è una conseguenza rara o patologica, quanto la deriva naturale di un uso non consapevole, alimentata da un sistema progettato per rendere l’ottenimento del risultato il più facile possibile. In sostanza, risulta che almeno un quarto dei principali casi d’uso dell’IA generativa riguarda attività in cui le persone delegano porzioni significative del proprio pensiero.
Il caso d’uso più diffuso in assoluto — primo in classifica per il secondo anno consecutivo — è quello della “terapia e supporto emotivo/compagnia”: ad esempio, seguono poi, tra lei prime venti posizioni, i consigli nelle relazioni personali, il supporto alle decisioni lavorative, la generazione di idee, la stesura di email, l’organizzazione della vita quotidiana. Attività, cioè, in cui il pensiero umano non è un optional tecnico, ma costituisce è il punto vero e proprio. Possiamo identificare quattro meccanismi specifici attraverso cui si manifesta il thinkslop (Zao Sanders, 2026).
Il primo è lo smarrimento delle proprie intenzioni: la facilità di accesso spinge scrivere un prompt prima ancora di aver chiarito a sé stessi cosa si vuole ottenere, e l’IA non amplifica le nostre intenzioni ma le sostituisce con un riflesso statistico di ciò che altri hanno scritto prima. Il secondo è l’esternalizzazione del ragionamento: quando si affida il problema all’IA prima di averlo affrontato autonomamente, si rinuncia alle idee e alle connessioni che esistono solo nella propria esperienza e memoria — quello che altri ricercatori hanno già chiamato “debito cognitivo”.
Il terzo meccanismo è la cessazione della scrittura: poiché scrivere non è trascrivere il pensiero già formato ma è il processo stesso attraverso cui il pensiero si forma e si affina, smettere di scrivere significa smettere di pensare in un senso molto preciso. Il quarto è lo sviluppo di una falsa sensazione di rigore intellettuale, alimentata dalla tendenza dei modelli a compiacere l’utente piuttosto che a sfidarlo — quella che in letteratura viene già chiamata “AI sycophancy”. Il risultato di questi quattro meccanismi è paradossale: uno strumento progettato per amplificare le capacità umane viene usato per aggirarle.
Non per malevolenza, non per pigrizia consapevole, ma per un effetto di sistema che nessuno ha esplicitamente scelto e che pochi hanno ancora riconosciuto per quello che è. Ed è qui che entra in gioco il terzo livello.
Epistemia: l’illusione sistemica di conoscenza
Il terzo livello è quello più profondo, e riguarda non il singolo output né il singolo processo cognitivo, ma le conseguenze collettive di questi fenomeni sul sapere condiviso. Questo livello ha ora un nome preciso, coniato in Italia (Quattrociocchi ed altri, 2025) e accolto dalla Treccani come uno dei neologismi dell’anno: “epistemia”. La definizione della Treccani è puntuale: “la confortevole illusione di conoscenza prodotta dall’interazione con l’AI generativa dei grandi modelli linguistici (LLM), là dove la plausibilità simulativa del discorso fluente e la coerenza narrativa sostituiscono l’efficienza cognitiva e l’affidabilità dei dati”.
Quindi, non si tratta di disinformazione classica, costruita intenzionalmente per manipolare, e non è nemmeno il sovraccarico informativo che può disorientare per eccesso, ma è qualcosa di più sottile e di più insidioso, ovvero una condizione in cui la produzione del sapere è di fatto “colonizzata” dalla sua apparenza, con testi assolutamente verosimili che simulano razionalità, argomentazione, autorevolezza — senza alcuna garanzia di fondamento.
In sostanza, l’IA, nella sua straordinaria capacità di generare risposte plausibili, ci illude di sapere: la fluidità del testo, la coerenza narrativa, la struttura argomentativa — tutti elementi che associamo istintivamente alla competenza e all’affidabilità — diventano in questo contesto una trappola, visto che ci convincono di aver compreso qualcosa che non abbiamo verificato, di sapere qualcosa che non abbiamo elaborato, di conoscere qualcosa che non abbiamo pensato.
Il legame tra i tre livelli è ora visibile in tutta la sua chiarezza. Chi produce workslop — output plausibile ma cognitivamente vuoto — lo fa perché ha ceduto al thinkslop, delegando il processo cognitivo invece di governarlo. E chi utilizza workslop — proprio o altrui — senza spirito critico alimenta l’epistemia, ovvero quella condizione collettiva in cui la conoscenza si confonde con la sua apparenza, e in cui la domanda “come so quello che so?” smette progressivamente di essere posta. Tre livelli, un unico meccanismo. E un unico antidoto: la consapevolezza con cui si sceglie come usare l’IA — che è esattamente il punto centrale di questo articolo.
Il subappalto dell’intelligenza e la delega all’IA
C’è una metafora che può descrivere con precisione ciò che accade quando si interagisce con l’IA senza aver prima fatto il lavoro cognitivo necessario: il subappalto. Nel mondo dei progetti e delle organizzazioni, il subappalto è una pratica legittima e spesso efficiente — si affida a terzi una parte del lavoro che non si vuole o non si è in grado di svolgere internamente. Ma il subappalto funziona a una condizione fondamentale, che è quella che chi affida il lavoro sappia esattamente cosa vuole, sia in grado di valutare il risultato, e mantenga la responsabilità finale dell’output: quando queste condizioni vengono meno, il subappalto non è più uno strumento di efficienza, ma si traduce in una cessione di controllo.
Con l’IA generativa accade qualcosa di analogo, e nel contempo di più sottile: quando si interroga un chatbot prima ancora di aver chiarito a sé stessi cosa si vuole ottenere, quando si accetta l’output con minime verifiche, quando si smette di interrogarsi sulla qualità del ragionamento perché il testo prodotto appare fluido e plausibile — è come se si stesse dando parte della propria intelligenza in subappalto. E tutto questo non a un fornitore esterno che comunque si può valutare, sostituire o ritenere responsabile, ma a un sistema statistico che non ha intenzioni, non ha esperienza, non sa dare significato alle cose, e magari non ha alcuna conoscenza del contesto specifico in cui si opera.
Il punto cruciale è che questo subappalto non è quasi mai una scelta consapevole. Infatti, nessuno decide deliberatamente di “smettere di pensare”, ma questo accade gradualmente, per accumulo di piccole comodità, come, ad esempio, la prima bozza chiesta all’IA perché “tanto poi la modifico”, l’idea generata dal chatbot perché “serve solo uno spunto”, la decisione suffragata dall’output del modello perché “conferma quello che pensavo”, e così via. Di per sé, ogni singolo atto sembra ragionevole: l’insieme però genera una deriva cognitiva che è difficile da riconoscere, proprio perché avviene in modo invisibile e incrementale.
Questa deriva ha conseguenze concrete e documentate, che alcuni ricercatori (Wharton AI and the Future of Work, 2026) hanno definito una “trappola dell’efficienza”: i guadagni di produttività a breve termine si accompagnano a un calo misurabile della capacità di autonomia di giudizio, calo che peraltro diventa visibile solo quando è già a uno stadio avanzato. I lavoratori che hanno adottato massivamente l’IA riferiscono infatti di sentirsi meno capaci di ragionamento indipendente anche in ambiti di loro consolidata competenza — e tutto questo non dopo anni, ma solo dopo alcuni mesi di uso intensivo e acritico. Per utilizzare un’altra metafora, è come avere un muscolo che si atrofizza per mancanza di esercizio: la capacità c’è ancora, ma si indebolisce progressivamente.
C’è poi una dimensione specifica del subappalto che riguarda la scrittura, e che merita un’attenzione particolare nel contesto professionale. La scrittura non è solo la trascrizione di un pensiero già formato: è il processo attraverso cui il pensiero si forma, si chiarisce, si affina, si mette alla prova. Infatti, chi ad esempio scrive una relazione, un’analisi, una proposta progettuale non sta semplicemente registrando o commentando idee preesistenti — le sta costruendo nel processo stesso della scrittura. Quando questo processo viene delegato all’IA, non solo si risparmia tempo — per fare cosa, poi? Ma questo è un altro grande tema — ma si rinuncia a una parte preziosa del proprio lavoro intellettuale.
In definitiva, il testo che ne risulta può essere grammaticalmente corretto, strutturalmente coerente, stilisticamente fluido — ma allo stesso tempo risultare cognitivamente vuoto: è il workslop come nella definizione del Merriam-Webster, ed è tanto più insidioso quanto più appare credibile.
Va detto con chiarezza che il “subappalto dell’intelligenza” non è una conseguenza inevitabile dell’uso dell’IA, ma è la conseguenza di un uso non consapevole, non governato, non intenzionale: fortunatamente abbiamo tanti esempi di persone che usano l’IA in modo radicalmente diverso — ad esempio, come interlocutore critico, come strumento per sfidare le proprie assunzioni, come specchio che rimanda domande invece di fornire risposte; queste modalità d’uso non producono thinkslop, ma pensiero aumentato, e la differenza fra le due situazioni non è puramente tecnica, ma sta nell’intenzione, nel metodo, nella consapevolezza.
Ed è esattamente qui che entra in gioco la distinzione tra i livelli di utilizzo dell’IA — una distinzione che, come vedremo nella sezione successiva, è fondamentale per capire non solo il rischio del thinkslop, ma anche come evitarlo.
Automazione, assistenza e potenziamento nell’uso dell’IA
Per comprendere il thinkslop non come fenomeno isolato ma come sintomo di un modo specifico di rapportarsi all’IA, è utile adottare un framework interpretativo che distingue tre livelli di utilizzo dell’intelligenza artificiale: l’automazione, l’assistenza e il potenziamento. Non si tratta di una classificazione teorica astratta: è una mappa pratica che consente di riconoscere, in ogni singolo atto di interazione con l’IA, dove ci si trova e dove si vuole andare. Il framework si articola lungo tre direttrici che si intrecciano e si rinforzano reciprocamente: il livello di coinvolgimento cognitivo della persona, la complessità del problema affrontato, e il tipo di interazione che si instaura con il sistema IA.
La logica di fondo è semplice ma potente: più un problema è complesso, più richiede giudizio ponderato, esperienza accumulata e capacità di navigare l’ambiguità — e meno, quindi, è delegabile all’IA senza perdita di valore. Al tempo stesso, più il problema è complesso, più l’interazione con l’IA deve essere articolata, adattiva, incrementale: non un prompt singolo che esternalizza il ragionamento, ma un dialogo strutturato che lo amplifica. Complessità del problema e profondità dell’interazione sono, in questo senso, le due coordinate che orientano la scelta del livello appropriato.
Il primo livello: l’automazione
Il primo livello è quello dell’automazione, che corrisponde operativamente alla delega: si affida all’IA un compito con l’obiettivo principale di ottenere un risultato senza investire energia cognitiva propria. Sul piano della complessità, l’automazione è appropriata per problemi semplici, ben definiti, a bassa varianza: attività standardizzabili, ripetitive, il cui output può essere verificato rapidamente e non richiede giudizio contestuale profondo. Formattare un documento, estrarre dati da un testo lungo, tradurre un contenuto tecnico, generare una prima bozza di email di routine: in questi casi delegare è efficiente e appropriato. Sul piano dell’interazione, l’automazione si caratterizza per la sua semplicità: tipicamente un prompt singolo, diretto, che descrive il compito e attende l’output. Non c’è dialogo, non c’è adattamento, non c’è iterazione.
La persona formula la richiesta, il sistema risponde, la persona accetta il risultato. Questa linearità è perfettamente adeguata per i problemi semplici a cui l’automazione si applica correttamente. Il problema però nasce quando l’automazione si estende — spesso inconsapevolmente — a problemi che non sono affatto semplici. Quando si affida ad un singolo prompt la generazione di idee per una strategia, la formulazione di un giudizio su una situazione complessa, la struttura di un ragionamento che richiederebbe esperienza contestuale profonda, si sta applicando lo strumento sbagliato al problema sbagliato.
Si ottiene un output che appare plausibile — perché i modelli attuali sono straordinariamente capaci di produrre testi fluidi e strutturati su qualsiasi argomento — ma che è privo della sostanza che solo un processo cognitivo autentico, contestualizzato, radicato nell’esperienza specifica, avrebbe potuto produrre. È thinkslop nella sua forma più insidiosa: non riconoscibile dall’esterno, e spesso nemmeno dall’interno.
Il secondo livello: l’assistenza
Il secondo livello è quello dell’assistenza. Qui il rapporto con l’IA cambia strutturalmente: non si delega semplicemente un compito, ma si collabora con uno strumento che amplifica specifiche capacità operative. La persona resta al centro del processo — definisce gli obiettivi, valuta i risultati, mantiene la responsabilità dell’output finale — e usa l’IA per potenziare fasi specifiche del proprio lavoro: la ricerca di informazioni, la verifica di coerenza logica, l’esplorazione di opzioni alternative, la revisione di un testo già scritto. Sul piano della complessità, l’assistenza è appropriata per problemi di media complessità: situazioni in cui il giudizio della persona è necessario e insostituibile, ma in cui l’IA può fornire un contributo reale su componenti specifiche del processo.
Non si tratta di problemi banali — altrimenti basterebbe l’automazione — ma nemmeno di problemi così complessi e ambigui da richiedere un’interazione profondamente adattiva e iterativa. Sul piano dell’interazione, l’assistenza si caratterizza per una sequenza strutturata di prompt: non un singolo scambio, ma un dialogo in cui la persona guida progressivamente l’IA attraverso fasi successive del lavoro. Si parte da una richiesta, si valuta l’output, si affina la direzione, si chiede un approfondimento, si integra il risultato con il proprio giudizio. È un processo iterativo, ma con una struttura relativamente predefinita: la persona sa dove vuole arrivare e usa la sequenza di prompt per avvicinarsi progressivamente all’obiettivo.
Il rischio principale a questo livello è la deriva verso l’automazione: accade quando si smette di valutare criticamente l’output dell’IA e lo si accetta come definitivo, quando la sequenza di prompt diventa una routine automatica invece che un processo guidato dal giudizio, quando il confine tra “l’IA mi aiuta a sviluppare il mio pensiero” e “l’IA sviluppa il pensiero al posto mio” si fa progressivamente più sottile. Mantenere l’assistenza al livello appropriato richiede una vigilanza attiva che, con l’abitudine, può venire meno — ed è uno dei meccanismi attraverso cui il thinkslop si insinua anche in chi usa l’IA con buone intenzioni.
Il terzo livello: il potenziamento
Il terzo livello è quello del potenziamento, ed è il più interessante, il più esigente, e purtroppo ancora il più raro. Al livello del potenziamento, l’IA non esegue compiti al posto della persona né si limita ad assisterla in attività che avrebbe fatto comunque: amplia ciò che la persona è in grado di fare, apre possibilità che senza l’IA non sarebbero accessibili, e lo fa in modo che rafforza — non indebolisce — le sue capacità cognitive nel tempo.
Sul piano della complessità, il potenziamento è il livello appropriato per i problemi ad alta complessità: situazioni ambigue, multidimensionali, ricche di variabili interdipendenti, in cui il valore e la competenza del professionista si misurano esattamente nella capacità di navigare l’incertezza con giudizio, esperienza e prospettiva propria. Sono i problemi che non hanno una risposta corretta predefinita — le decisioni strategiche, i giudizi su situazioni nuove, le scelte che richiedono di integrare dati, valori e contesto in modo che nessun modello può fare autonomamente. Per questi problemi, l’automazione non solo è inappropriata: è controproducente; l’assistenza è necessaria ma non sufficiente; solo il potenziamento coglie il valore pieno di ciò che l’IA può offrire.
Sul piano dell’interazione, il potenziamento si caratterizza per un’interazione articolata, adattiva e incrementale: non un prompt, non una sequenza predefinita, ma un dialogo vero e proprio in cui la persona e il sistema si influenzano reciprocamente, in cui la direzione evolve in risposta a ciò che emerge, in cui ogni scambio affina il pensiero invece di semplicemente eseguire un compito. La persona porta all’interazione un pensiero già avviato, lo sottopone all’ IA per sfidarlo e arricchirlo, integra l’output con il proprio giudizio, riformula la domanda alla luce di ciò che ha imparato, procede per passi successivi che si adattano al territorio che si va scoprendo.
È un processo che richiede più tempo e più energia cognitiva dell’automazione — ma produce output qualitativamente diversi, che portano inconfondibilmente il segno dell’intelligenza, dell’esperienza e della prospettiva della persona. Il potenziamento richiede anche, paradossalmente, la maggiore competenza nell’uso dell’IA — non competenza tecnica, ma competenza cognitiva e metodologica. Richiede di sapere cosa si vuole, di essere in grado di valutare la qualità di ciò che si ottiene, di usare l’IA come interlocutore critico piuttosto che come fornitore di risposte. È il livello in cui il prompting smette di essere una tecnica e diventa un atto di leadership intellettuale: si guida l’IA, non ci si fa guidare da essa.
E — fatto ovviamente non trascurabile — è il livello in cui l’uso dell’IA, invece di erodere le capacità cognitive nel tempo, le rafforza: perché ogni interazione ben condotta è anche un esercizio di pensiero, di giudizio, di articolazione della propria prospettiva.
Una mappa, non una gerarchia rigida. È importante chiarire che i tre livelli non costituiscono una gerarchia di valore assoluto, anche perché i loro confini sono necessariamente sfumati: non si tratta tanto di dire che il potenziamento è sempre meglio dell’automazione, o che chi automatizza sta sbagliando, quanto di riconoscere che ogni livello ha il suo dominio appropriato, definito dall’incrocio tra la complessità del problema e il tipo di interazione che ne consegue:
- Automazione — Problemi semplici, standardizzabili, a bassa varianza. Interazione: un prompt singolo, diretto, lineare. Rischio: estendere l’automazione oltre i confini appropriati, applicandola a problemi che richiederebbero assistenza o potenziamento.
- Assistenza — Problemi di media complessità, in cui il giudizio della persona è necessario ma l’IA può contribuire su componenti specifiche. Interazione: una sequenza strutturata di prompt, iterativa ma con direzione predefinita. Rischio: deriva verso l’automazione per abitudine o stanchezza cognitiva.
- Potenziamento — Problemi ad alta complessità, ambigui, multidimensionali, in cui il valore professionale si misura nella capacità di giudizio situato. Interazione: dialogo adattivo e incrementale, per passi successivi che evolvono in risposta a ciò che emerge. Rischio: sottoutilizzo per mancanza di competenza metodologica o per pressione verso l’efficienza immediata.
Il thinkslop vive e prospera nell’errore di livello: nell’applicare l’automazione — con la sua semplicità di un prompt singolo, la sua linearità, la sua assenza di giudizio critico — a problemi che richiederebbero assistenza o potenziamento. Non è una questione di strumento sbagliato: è una questione di livello sbagliato per il problema in questione. E riconoscere questo errore — prima che si consolidi in abitudine — è il primo passo verso un uso dell’IA che potenzi invece di impoverire.
Costi cognitivi dell’IA generativa: evidenze recenti
Il thinkslop e la deriva cognitiva che lo accompagna non sono fenomeni ipotetici, né preoccupazioni riservate ai filosofi della tecnologia, ma sono tendenze già in atto, documentate da una convergenza crescente di ricerche provenienti da contesti e metodologie diverse. Vale la pena esaminarle con attenzione, perché forniscono la base empirica su cui fondare una risposta consapevole — e perché i dati, in questo caso, sono più eloquenti di qualsiasi argomentazione teorica.
Il quadro più articolato emerge forse dalla Wharton AI and the Future of Work Conference 2026, che ha sintetizzato una serie di ricerche convergenti su come l’adozione massiva dell’AI stia ridisegnando le capacità cognitive dei lavoratori. Il dato più significativo riguarda quello che i ricercatori definiscono una “trappola dell’efficienza”: le organizzazioni che hanno spinto l’adozione aggressiva dell’IA nel 2024 e nel 2025 stanno registrando tassi di errore piatti o in aumento nel lavoro a contatto con i clienti, con la maggior parte degli incidenti riconducibile a personale junior che approva output che non ha le competenze per valutare.
I guadagni di produttività a breve termine si stanno traducendo in un impoverimento della pipeline di competenze senior — un costo che non appare nei bilanci di oggi, ma che si manifesterà con forza nei prossimi anni, quando mancheranno i professionisti in grado di giudicare ciò che l’IA produrrà. Questa dinamica è particolarmente insidiosa perché inverte la logica tradizionale dell’apprendimento professionale: infatti, in un percorso di crescita normale, il professionista junior affronta problemi, commette errori, sviluppa progressivamente la capacità di giudizio autonomo attraverso l’esperienza diretta.
Quando invece l’IA risolve i problemi al posto suo — producendo output apparentemente corretti che vengono approvati senza comprensione critica — questo processo di apprendimento viene cortocircuitato, e il risultato è una generazione di professionisti tecnicamente efficienti nell’uso degli strumenti, ma cognitivamente dipendenti da essi, sì capaci di operare in condizioni normali, ma allo stesso tempo assolutamente fragili di fronte a situazioni nuove, ambigue o ad alta complessità — esattamente quelle in cui il valore professionale si misura davvero.
Lo studio ActivTrak 2026 State of the Workplace aggiunge una prospettiva complementare, basata sull’analisi di dati comportamentali reali di lavoratori in contesti aziendali. I numeri sono eloquenti: il tempo medio di focus lavorativo ininterrotto è sceso a 13 minuti e 7 secondi, in calo del 9% rispetto al 2023 e al minimo degli ultimi tre anni. Le giornate lavorative si sono accorciate, la produttività misurata è aumentata del 5%, le sessioni produttive sono cresciute del 13% — ma la capacità di concentrazione profonda e prolungata si sta erodendo in modo sistematico. La collaborazione è aumentata del 34%, il multitasking del 12%.
Gli autori dello studio formulano un’ipotesi che merita attenzione: l’IA potrebbe star assorbendo il carico cognitivo che prima era sostenuto dal tempo di concentrazione, producendo un effetto di sostituzione che aumenta l’output a breve termine ma riduce la capacità di pensiero profondo nel tempo. Va sottolineato, per onestà intellettuale, che la correlazione tra aumento dell’uso dell’IA e riduzione del focus non implica necessariamente causalità diretta: altri fattori — la crescita della collaborazione sincrona, l’aumento delle notifiche, la frammentazione dei flussi di lavoro — contribuiscono alla stessa dinamica: tuttavia la convergenza temporale è assolutamente significativa, e la direzione del trend è coerente con quanto emerge da altre ricerche.
Un ulteriore elemento di preoccupazione emerge dai dati sul gap tra adozione e trasformazione reale. Lo studio MIT Project NANDA State of AI in Business 2025 ha analizzato l’impatto degli investimenti in IA generativa su un ampio campione di organizzazioni, rilevando un dato che ha fatto – e fa ancora – discutere: nonostante investimenti tra i 30 e i 40 miliardi di dollari in iniziative formali di IA, solo il 5% delle organizzazioni sta vedendo ritorni trasformativi, mentre il 95% apparentemente non registra alcun impatto misurabile sul conto economico.
Eppure, sotto la superficie, lo stesso studio rileva un uso massiccio e diffuso dell’IA da parte dei singoli lavoratori — quella che i ricercatori chiamano una “Shadow IA economy”, un’economia sommersa dell’intelligenza artificiale che produce benefici individuali non coordinati, non governati e non capitalizzati dall’organizzazione.
Il quadro che emerge da questi dati è abbastanza coerente e, per certi versi, controintuitivo: l’IA viene usata molto, viene usata diffusamente, e in molti casi produce guadagni di efficienza reali e misurabili a livello individuale, ma a livello organizzativo e cognitivo, i costi nascosti stanno emergendo, quali, ad esempio, l’erosione delle competenze di giudizio autonomo, la riduzione della capacità di focus profondo, la pipeline di talenti senior che si assottiglia, e un divario crescente tra l’attività intensa di adozione e i risultati trasformativi reali.
McKinsey, nel suo State of Organizations 2026, sintetizza questa dinamica con una formula che vale la pena citare: il valore dell’IA “dipende tanto dalle persone quanto dagli investimenti tecnologici”, e “per ogni dollaro speso in tecnologia, ne andrebbero spesi cinque in sviluppo delle persone”. È una proporzione che pochissime organizzazioni stanno rispettando — e che spiega, almeno in parte, perché i risultati trasformativi restano così rari nonostante l’adozione così diffusa.
Il costo nascosto del thinkslop, in definitiva, non si misura solo in output scadenti o in decisioni mal ponderate, ma si misura in competenze che non si sviluppano, in giudizi che non si affinano, in professionisti che diventano progressivamente più dipendenti dagli strumenti e meno capaci di operare senza di essi: è un costo che non appare in nessuna dashboard di produttività, e che per questa ragione è particolarmente difficile da riconoscere — e da contrastare.
Come evitare il thinkslop nell’uso professionale dell’IA
Riconoscere il thinkslop è certamente il primo passo, ma la consapevolezza da sola non basta: serve un insieme di principi operativi che traducano la comprensione del fenomeno in comportamenti concreti e sostenibili nel tempo. Non si tratta ovviamente di rinunciare all’IA, né di usarla con sospetto o con reticenza: si tratta di usarla bene, responsabilmente, avendo chiari gli obiettivi che si vogliono raggiungere e il contesto in cui si opera.
Le indicazioni che seguono non sono ovviamente regole universali, ma piuttosto degli orientamenti che ciascuno potrà adattare al proprio contesto, al proprio ruolo, al proprio modo di lavorare, e che partono tutti dalla stessa premessa: l’IA è uno strumento straordinario, e come tutti gli strumenti straordinari richiede di essere governata, non solo utilizzata, e tanto meno subita.
Prima pensa, poi interagisci con dei prompt
Il principio più importante — e paradossalmente forse il più controcorrente rispetto alle abitudini che si stanno consolidando — è semplice: è meglio non interagire con il chatbot finché non si sia fatto un lavoro cognitivo preliminare. Questo non significa necessariamente arrivare a una risposta completa prima di coinvolgere l’IA: significa avere chiarito a sé stessi cosa si vuole ottenere, perché lo si vuole ottenere, e quale contributo specifico ci si aspetta dall’IA in quel contesto.
Ad esempio, la differenza tra “scrivi una strategia per il lancio di questo prodotto” e “ho identificato tre possibili direzioni strategiche per questo lancio — aiutami a valutarne i punti deboli” non è solo di formulazione, ma è una vera e propria differenza di postura cognitiva: nel primo caso si sta cercando di automatizzare il pensiero, nel secondo lo si sta potenziando; in entrambi i casi si usa lo stesso strumento, ma solo nel secondo si resta al centro del processo.
Dare a sé stessi il tempo di pensare prima di scrivere dei prompt richiede una piccola disciplina che va contro la ricerca istintiva di efficienza immediata, ma è esattamente questa disciplina che separa l’uso consapevole dall’uso passivo — e che nel tempo produce la differenza tra una competenza che cresce e una che si standardizza. In sostanza, è opportuno scegliere il livello giusto per il problema giusto. Il framework automazione/assistenza/ potenziamento non è solo uno strumento descrittivo: è una bussola operativa. Prima di ogni interazione significativa con l’IA, vale la pena chiedersi: qual è la complessità reale di questo problema? Un prompt singolo è sufficiente, o serve una sequenza strutturata, o serve un dialogo adattivo e incrementale?
Automatizzare un problema complesso non è efficienza: è thinkslop mascherato da produttività. Una euristica potenzialmente utile: più un’attività è costitutiva della propria identità professionale, del proprio giudizio, della propria competenza distintiva, più va protetta dall’automazione. Le attività che definiscono perché si è bravi nel proprio lavoro — non quelle che si fanno, ma quelle in cui si è riconoscibilmente competenti — sono esattamente quelle che non si dovrebbe “dare in subappalto”: non perché l’IA non possa produrre un output accettabile, ma perché il processo attraverso cui si produce quell’output è, di per sé, parte del proprio valore professionale.
Usa l’IA come interlocutore critico
Uno degli usi più potenti e meno sfruttati dell’IA generativa è quello di interlocutore critico: un sistema con cui confrontarsi, a cui sottoporre le proprie idee per identificarne i punti deboli, che può simulare obiezioni, prospettive alternative, controargomentazioni. Questo uso non produce thinkslop: produce esattamente il contrario, visto che sfida il pensiero invece di sostituirlo, e lo arricchisce invece di aggirarlo. In pratica, significa cambiare il tipo di domande che si pone all’ IA.
Ad esempio, non “dimmi cosa pensi di questa idea” – che invita alla sycophancy – ma piuttosto “trova i cinque argomenti più forti contro questa idea”; non “scrivi una sintesi di questa analisi” – che delega la comprensione – ma “identifica le assunzioni implicite in questa analisi che potrebbero essere contestate”; non “come dovrei rispondere a questa email difficile” – che delega la relazione – ma “quali sono le possibili interpretazioni del tono di questa email, e quali implicazioni ha ciascuna per come rispondo”. Questo tipo di prompting richiede un maggiore sforzo iniziale, ma produce degli output che effettivamente amplificano il valore del pensiero invece di tentare di sostituirlo.
Ed è, non casualmente, il tipo di utilizzo che i professionisti più efficaci descrivono come il più prezioso.
Mantieni l’abitudine della scrittura autonoma
Poiché scrivere è anche pensare, mantenere l’abitudine della scrittura autonoma – anche in contesti in cui l’IA potrebbe farlo al posto nostro – è una delle protezioni più efficaci contro il thinkslop. Non si tratta di un posizionamento romantico della scrittura, ma di contribuire a preservare un processo cognitivo che ha un valore intrinseco, indipendentemente dall’output che produce. Un esempio pratico: scrivere la prima bozza di persona, anche quando è imperfetta, anche quando richiede più tempo, anche quando l’IA produrrebbe qualcosa di stilisticamente più fluido, e usare l’IA più per rivedere, raffinare, migliorare che per generare. Questa sequenza – prima il proprio pensiero, poi il contributo dell’IA – è l’inverso di quella che produce thinkslop, e produce risultati qualitativamente importanti.
Coltiva il feedback scomodo
La sycophancy (adulazione) dei modelli è un rischio reale, ma è anche un rischio gestibile — a condizione di essere consapevoli della sua esistenza e di costruire attivamente contromisure. La più efficace è cercare deliberatamente il feedback critico, sia dall’ IA stessa, chiedendo esplicitamente di identificare debolezze e contraddizioni invece di valutazioni generali, sia da colleghi e interlocutori umani, che non sono generalmente ottimizzati per mantenerci coinvolti e soddisfatti.
Un professionista che usa l’IA solo per ricevere conferme di ciò che già pensa non sta usando uno strumento di potenziamento, ma sta usando uno specchio che riflette le proprie certezze amplificate: il valore dell’IA come interlocutore emerge esattamente quando la si usa per mettere in discussione le proprie certezze — e questo richiede una disponibilità al feedback “scomodo” che va coltivata consapevolmente.
Costruisci momenti di pensiero non mediato dalla IA
L’ultimo principio è forse il più controcorrente: riservare deliberatamente spazio e tempo al pensiero non mediato dalla IA. Infatti, non ogni problema richiede l’IA; non ogni decisione beneficia di un output generato; non ogni idea deve essere validata da un modello prima di essere sviluppata: costruire momenti – nella giornata, nella settimana, nel flusso di lavoro – in cui si pensa, si scrive, si decide senza coinvolgere l’IA non è un atto puramente nostalgico, ma è una vera e propria pratica cognitiva di igiene professionale, ed è anche il modo in cui – per tornare ad una metafora precedente – si mantiene allenato quel “muscolo” dell’autonomia di giudizio che altrimenti si atrofizza silenziosamente quando non viene esercitato.
Dal thinkslop al pensiero aumentato con l’IA
Tre anni e mezzo dopo l’esplosione dell’IA generativa, siamo quindi abbastanza lontani sia dall’entusiasmo ingenuo delle prime settimane sia dalle catastrofi che alcuni profetizzavano, e la realtà che si sta delineando è più complessa, più sfumata, e per certi versi più interessante di entrambi gli estremi: l’IA è uno strumento potente, diffuso, in rapida evoluzione, che sta cambiando il modo in cui lavoriamo, comunichiamo, decidiamo. E lo sta facendo in modo reale, con benefici reali, per milioni di persone. Il punto non è quindi quello di metterla in discussione, quanto quello di usarla bene.
Usarla bene significa qualcosa di preciso. Significa portare all’interazione con l’AI un pensiero già avviato, un’intenzione già chiarita, un giudizio già attivo. Significa sapere cosa si vuole automatizzare, cosa si vuole far assistere, e cosa si vuole potenziare — e agire di conseguenza, con consapevolezza invece che per abitudine o per comodità. Significa usare l’IA non come punto di partenza del proprio processo cognitivo, ma come moltiplicatore di un processo già in corso. Chi lo fa ottiene dall’IA molto di più di chi la usa passivamente: output più pertinenti, più originali, più radicati nel proprio contesto specifico. E nel tempo, la competenza, invece di impoverirsi cognitivamente, cresce.
Il thinkslop non è una conseguenza inevitabile dell’IA, ma la conseguenza di un uso non consapevole. L’epistemia non è una condizione ineluttabile dell’era digitale, ma il risultato sistemico di milioni di atti individuali di delega non governata. La distinzione è fondamentale in entrambi i casi. Ad esempio, un martello non è pericoloso di per sé, lo diventa se lo si usa senza sapere cosa sta costruendo, e l’IA generativa, con tutta la sua potenza e la sua pervasività, non è poi tanto diversa: il valore che produce dipende interamente dalla qualità del pensiero che la precede e la guida. E questa qualità — l’intenzione, il giudizio, la prospettiva, l’esperienza — è qualcosa che nessun modello può generare al posto nostro.
Può amplificarla, affinarla, sfidarla. Non può sostituirla.
C’è una frase emersa dalla ricerca di Zao-Sanders che sintetizza con buona precisione la postura giusta: “L’IA è uno specchio, non un genio. Usatela come tale.” Uno specchio non pensa al posto nostro: riflette, amplifica, restituisce. Ci aiuta a vedere meglio ciò che già abbiamo — e quando lo usiamo bene, ci mostra una versione di noi stessi più nitida, più consapevole, più capace. È esattamente questo il potenziale dell’IA generativa quando viene usata al livello del potenziamento: non una scorciatoia per evitare la “fatica” del pensiero, ma piuttosto uno strumento straordinario per farlo meglio, più in profondità, con più rigore e più ampiezza di quanto potremmo fare da soli.
La sfida, allora, non è quella di resistere all’IA, ma quella di essere (almeno!) all’altezza dell’IA — sapendo portare all’interazione con essa la stessa cura, la stessa intenzione, la stessa qualità di pensiero che vorremmo trovare nell’output che ci restituisce. Chi lo fa scopre che l’IA non è affatto una minaccia alle proprie capacità cognitive, ma anzi può essere il loro amplificatore più potente che abbiamo mai avuto a disposizione; chi non lo fa rischia qualcosa di più sottile e più costoso di qualsiasi errore tecnico, come una progressiva cessione del proprio pensiero a un sistema che, per quanto sofisticato, non conosce il nostro contesto, non condivide la nostra esperienza, e non ha alcun interesse nella nostra crescita professionale.
Meglio, quindi, sviluppare il pensiero aumentato – imparare a usare l’AI come moltiplicatore della propria intelligenza, non come suo sostituto. Meglio costruire, interazione dopo interazione, la consapevolezza di quando automatizzare, quando farsi assistere e quando potenziare. Meglio scegliere, ogni giorno, di restare al centro del proprio processo cognitivo – perché è lì che risiede il valore professionale che nessun modello può replicare, e che nessuna efficienza a breve termine vale la pena di svendere. L’intelligenza non si dà in subappalto. Il pensiero aumentato, invece, si costruisce – un prompt consapevole alla volta.
Riferimenti
Wharton – University of Pennsylvania, AI and the Future of Work Conference 2026, Maggio 2026
Zao-Sanders, M. (2026). How People Are Really Using AI in 2026. Harvard Business Review, 1 giugno 2026. https://hbr.org/2026/06/how-people-are-really-using-ai-in-2026
ActivTrak (2026). 2026 State of the Workplace.
Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. MDPI.
McKinsey (2026). State of Organizations 2026.
MIT Project NANDA (2025). State of AI in Business 2025.
Quattrociocchi, W., Loru, E., Nudo, J., Di Marco, N. (2025). The Simulation of Judgment in LLMs. PNAS — Proceedings of the National Academy of Sciences, 13 ottobre 2025.
Slater, T. (2026). AI isn’t coming for your job. It’s coming for your mind. Baillie Gifford, march 2026.
Partecipa alla community