L’intelligenza artificiale non sta cambiando soltanto il modo di lavorare, apprendere e prendere decisioni. Il suo utilizzo sempre più esteso può incidere anche sui processi mentali, rafforzando alcune capacità e indebolendone altre. Comprendere questi effetti è essenziale per governare un’interazione destinata a diventare sempre più stretta.
Indice degli argomenti
Come l’intelligenza artificiale sta modificando i processi cognitivi umani
Questo contributo contiene una prima analisi delle trasformazioni –potenziali e in atto- nella sfera degli umani, in particolare su come l’interazione con l’IA influisce sulla mente. Siamo infatti di fronte ad una situazione quasi paradossale: una creazione della mente umana è “in loop” con ciò che quest’ultima produce, venendo così a crearsi un contesto globale di illimitati feedback loop a livello individuale e collettivo tra menti umane e sfera dell’IA, il tutto alimentato da sistemi hardware-software controllati da poche entità a livello planetario.
È quindi ineludibile l’esigenza di riflettere in modo sistematico su quello che accade nelle interazioni tra menti umane ed entità artificiali, al fine di individuare potenzialità positive e negative, effetti di amplificazione e di riduzione delle capacità cognitive umane. Questo è l’ambito cruciale di riflessione, che il presente contributo mira a esplorare, cercando di individuare processi e fenomeni peculiari, che stanno emergendo dai processi di adozione dell’IA nelle imprese e nelle organizzazioni.
La discontinuità tecnico-scientifica dell’IA
Per comprendere lo scenario, storicamente inedito, in cui si sviluppano le interazioni tra gli umani e la tecnologia, è necessario mettere in luce elementi radicalmente nuovi. L’evoluzione dell’umanità è stata caratterizzata dalla forte propensione a creare strumenti in grado di ridurre la fatica e aumentare la produttività per accrescere la disponibilità di beni e quindi superare la scarsità di risorse vitali.
Questi obiettivi sono stati costantemente perseguiti con innovazioni tecnologiche sostitutive della forza fisici-muscolare, grazie al fondamento cognitivo, accumulato nel corso di tanti secoli, delle leggi fisico-meccaniche. Il progresso della conoscenza scientifica ha portato alla scoperta della incredibile forza meccanica del calore (termodinamica). Si tratta di un grande esalto evolutivo nella storia umana, le cui conseguenze modificano profondamente il modo di concepire e produrre beni, gli scambi commerciali (rivoluzione nei trasporti), le basi e i meccanismi fondamentali delle guerre.
In questo scenario diviene sempre più importante lo studio dei sistemi, della loro composizione interna, delle forme che assumono (morfologia e molteplicità di stati) nel corso di traiettorie dinamiche, alimentate dalle interazioni sociali e dall’esigenza di sempre migliori condizioni di vita. Gli sviluppi nel XX secolo della logica computazionale, della fisica e dell’intelligenza artificiale (d’ora in poi IA) hanno indotto alcuni scienziati a concepire l’informazione non come spazio matematico-concettuale astratto, bensì come entità fisica: (Landauer, 1991: “Information is physical”) e “Information is inevitably inscribed in a Physical medium” (Landauer, 1999: 64). Gli ulteriori avanzamenti della teoria della computazione, in termini di calcolo e rappresentazione mediante sistemi algoritmici sempre più sofisticati, hanno paradossalmente portato alla realizzazione della visione anticipatrice del filosofo Leiebniz: “tutto può essere dedotto partendo dallo Zero, è sufficiente ‘Uno”[1].
Grazie ai contributi di eminenti personalità della filosofia e della scienza (Gödel, Church, von Neumann, Knuth, Minsky, Hinton e molti altri), dagli anni ’30 del secolo scorso si sono dispiegate direttrici evolutive della computer science in molteplici direzioni di IA: simbolica, sub-simbolica, reti neurali, Deep Learning, IA generativa e attualmente IA agentica. Le varie forme cercano di tradurre gli output umani di qualsiasi dominio della conoscenza in linguaggio binario, base fondamentale per eseguire operazioni di natura logico-matematica. Anche il filone neuro-simbolico, che sta prendendo quota attraverso la combinazione di reti neurali e simboli formali, con applicazione di regole logiche (Nawaz et al. 2025; Belle e Marcus, 2026) è riconducibile al paradigma fisico-tecnico standard, nonostante le innovazioni metodologiche impiegate.
È da mettere in risalto che i vari approcci hanno un comune obiettivo, storicamente inedito: rappresentare la conoscenza umana in qualsiasi forma esplicitata, su cui elaborare proposizioni logico-probabilistiche di sintesi proiettiva, cioè di attendibili proiezioni argomentative. L’ancoramento di base, per così dire, è la grande capacità dei chatbot di effettuare calcoli e (controverse) forme di “reasoning” su enormi domini informativi, generati da interazioni sociali e processi fisici, estraendo ipotesi di scenari combinatoriali, che appaiono fuori portata della capacità umana di elaborare informazioni.
L’aspetto cruciale non è però tanto la potenza computazionale dispiegata, quanto l’esplicito obiettivo dell’IA di rappresentare la conoscenza umana in tutte le sue forme, grazie a sistemi algoritmici in grado di catturare le regole composizionali dei vari linguaggi (parlato, scritto, pittorici, ecc.), riuscendo anche a captare le differenze di “stile” a livello individuale e collettivo. In breve, l’ideale –per così dire, dell’IA è riprodurre l’intelligenza umana e andare oltre i suoi limiti.
Questa è la novità epocale, che costituisce una vera a propria discontinuità di fondo rispetto alle precedenti rivoluzioni tecnologiche: l’IA non sostituisce solo la forza fisico-meccanica, bensì entra nello spazio astratto della conoscenza umana, per assumerne le modalità di rappresentazione ed esaltarne le potenzialità, almeno in linea di principio. Il punto decisivo da tenere presente è che inizia una nuova fase nella storia dell’umanità, quella incentrata sulle interazioni tra intelligenza umana e intelligenza artificiale. Tutto questo avviene mediante un impiego di crescente potenza occupazionale, che sovrasta ampiamente i limiti umani. Nell’affrontare i problemi emergenti bisogna tenere sempre presente un dato di fondo: la maggiore potenza non implica maggiore efficienza: “How Many Computers to Identify a Cat? 16,000” Markoff, 2012), 10 milioni di foto e un lungo processo di addestramento della rete neurale. Un bambino impiega molto meno, mentre il cervello umano ha un numero molto maggiore di neuroni e sinapsi, che lavorano con un consumo energetico incomparabilmente più basso[2].
La indicata discontinuità tecnico-scientifica è quindi intrinsecamente portata a interferire con i processi di rappresentazione umani, cioè con la nostra capacità di analizzare, estrarre informazioni dai processi fisici e dalle interazioni sotto qualunque forma con gli altri esseri viventi. Bisogna a questo proposito osservare che siamo l’unica specie ad aver creato uno strumento, il quale non è solo un’estensione di un nostro apparato conoscitivo, ma esso interagisce indirettamente sul nostro comportamento, perché può influenzare la genesi mentale del nostro modo di agire. L’IA può interferire con i nostri processi di formazione delle idee e quindi con l’evoluzione dello spazio cognitivo mentale, fino al punto che questa discontinuità tecnico-scientifica può configurarsi come una vera e propria “rottura ontologica ed epistemologica”[3]. Bisogna infatti considerare che la capacità dell’IA di simulare il funzionamento della mente umana sta producendo uno scenario senza precedenti nell’evoluzione della specie umana sulla Terra, in quanto sta modificando i processi vitali e quelli puramente fisici, esprimendo un potenziale di trasformazione radicale, nel senso di modificare/alterare le stesse radici della vita così come si è finora sviluppata sul nostro Pianeta.
L’ IA tra successi e impoverimento cognitivo degli umani
Da un’ampia serie di studi, che riguardano un insieme diversificato di attività di lavoro, emergono evidenze inequivocabili, tali da far ritenere urgente una riflessione sul futuro degli esseri umani.
Nel 2025 sulla rivista Fortune analisi segnalano un fenomeno importante, conseguenza dell’introduzione di IA nelle imprese. Licthenberg (2025) descrive le conseguenze dell’impiego di IA per svolgere il cosiddetto “grount work”, compiti ripetitivi basilari, ora automatizzati, ma essenziali per formare il middle managment, il quale deve acquisire la conoscenza pratica, derivante da una puntuale ricognizione dei processi economico-produttivi. Questo background conoscitivo è cruciale per acquisire un’expertise critica ai fini del pensiero strategico, dal momento che esso favorisce il consolidarsi di un mindset incentrato sulla risoluzione dei problemi, quindi tendenza al critical thinking, cioè individuazione dei problemi e ricerca delle soluzioni. Il punto cruciale è che con l’automazione del grount work si perde anche la propensione e l’attitudine a pensare strategie deliberate e a progettare (human-centered design) in ambienti innovativi come quello odierno.
Ampliando ulteriormente lo sguardo, viviamo un’epoca in cui la velocità è divenuta un principio regolatore delle attività umane e la rapidità della risposta ad esigenze di mercato è un fattore competitivo. Conseguentemente, gli operatori a qualsiasi livello, oberati da una molteplicità di compiti operativi, sono indotti a “delegare” attività cognitive appunto all’IA, riducendo il carico di informazioni da elaborare personalmente. Avviene così che una parte sempre più consistente di flussi informativi viene delegata (offloading) all’IA: “let AI do the dirty work for us” (Hymel, 2025). Ciò avviene ad ogni livello delle organizzazioni, da cui consegue -data la prontezza con la quale l’IA esegue i compiti richiesti- che vengono meno elementi basilari per lo sviluppo del pensiero critico, ingrediente essenziale per generare “effective leadership, problem-solving, and innovation (Ibidem).
Il cognitive offloading, espressione usata per designare la delega umana all’IA, la quale a sua volta produce immediati feedback, paradossalmente riduce il tempo e le risorse per la riflessione autonoma e l’approfondimento dei processi che si esplicano in contesti tecno-economici. In breve, si consolida il rischio di quella che è definita “cognitive laziness”, cioè il declino della propensione, individuale e collettiva, a sviluppare il pensiero analitico e le capacità intellettive più adatte per affrontare le novità emergenti. Di qui poi deriva la delega della memoria e della presa di decisioni agli agenti artificiali. Questa sorta di pigrizia cognitiva diviene “metacognitive laziness” (Fan et al., 2024), rafforzando la tendenza ad affidarsi alle risposte degli agenti artificiali, basate su processi combinatori e ricombinatori di aggregati statistici tratti da enormi dataset. Una ricerca sull’uso intensivo di chatbot, condotta su un campione di 117 studenti, mette in luce gli effetti sui processi di apprendimento dei giovani, confermando quanto rilevato in studi effettuati decenni or sono (Risko e Gilbert, 2016; Alter et al., 2007). L’aspetto fondamentale analizzato da Fan et al. (2024) è ciò che viene definito “metacognitive laziness as learners’ dependence on AI assistance, offloading metacognitive load and less effectively associating responsible metacognitive processes with learning tasks. (Fan et al, 2024).
La forma odierna di intelligenza “ibrida” tra umani e IA induce la diminuzione della capacità di apprendimento dei primi, che si affidano alle fonti cognitive esterne, rinunciando ad impegnarsi in processi metacognitivi, cioè in attività di auto-riflessione, unita a monitoraggio e controllo degli output ricevuti. Emerge quindi la “dipendenza” dalle sequenze di risposte date dall’IA, depotenziando così lo sforza cognitivo necessario per analizzare, approfondire e valutare gli output. Tale cognitive offloading consente un minore sforzo cognitivo nel risolvere i problemi, grazie alla “percepita utilità” dell’IA, da cui deriva l’indebolimento della capacità di giudizio non solo nel lavoro, ma anche nella formazione degli studenti (Urban et al. 2024). Le analisi sulle alterazioni prodotte nelle dinamiche cognitive degli studenti sono interessanti ai fini dell’analisi di due fenomeni, che saranno trattati successivamente, ovvero le difficoltà dei neo-assunti nelle imprese e gli ostacoli nella trasmissione intergenerazionale delle conoscenze.
Le forme di intelligenza ibrida analizzate negli studi citati e in un’ampia letteratura, che giunge a conclusioni analoghe, porta dunque alla scoperta di aspetti rilevanti circa le modalità con cui si apprende o “disapprende” nelle interazioni tra umani e IA, molto diverse da quelle tra persone con background conoscitivi disomogenei, dove l’offloading non è la norma.
Occorre mettere in risalto che Urban et al. (2024) individuano un aspetto di grande rilevanza: di fronte a compiti di maggiore complessità si verifica che l’offloading è minore, perché in queste situazioni gli studenti mettono un maggiore impegno, mettendo in atto anche riflessioni e valutazioni critiche. Questo dato induce a ritenere che, mentre l’automazione del grount work tende a svuotare l’attitudine alla valutazione critica, le attività complesse hanno una valenza più coinvolgente e spinge gli umani a un maggiore sforzo cognitivo (Risko e Gilbert, 2016; Alter et al., 2007)). Il punto è importante e sarà ripreso successivamente, perché mostra una peculiarità della mente umana: le sfide rilevanti possono innescare spinte reattive, quindi un apprendimento attivo, e non un apprendimento passivo a fronte delle sfide meno rilevanti, anche se queste ultime possono avere effetti non previsti, quali la perdita e non solo l’obsolescenza delle proprie conoscenze e della capacità di ricrearle, una volta trasferite alla macchina. In altri termini, nel secondo caso si hanno fenomeni di deskilling degli umani, nel primo invece propensioni all’upskilling. In entrambi gli scenari sono evidentemente necessari interventi strategici per ridurre le asimmetrie e le connesse disparità economico-sociali.
Occorre pertanto una precisa e sistematica analisi delle dinamiche in atto e creare le condizioni per lo sviluppo e l’espansione del critical thinking, dal momento che divengono fondamentali cambiamenti di cultura e relativi mindset, non facili da realizzare senza un esercizio di intelligenza strategica entro un orizzonte di medio-lungo periodo.
Altri studi, relativi a lavori di frontiera, evidenziano l’alterazione delle capacità professionali, dovuta all’uso di IA. L’attività degli sviluppatori, rilevata da METR (2026), mostra evidenze del rallentamento nel completare il lavoro quando viene fatto ricorso a tools di IA, con un netto divario tra realtà (+19% il tempo aggiuntivo nell’eseguire certe prestazioni) e ipotesi preventiva (risparmio del 24%). Il divario tra tempo di implementazione prefigurata e quello effettivo, pur tenendo presente i limiti dell’esperimento realizzato, porta a ritenere che fattori causali possano essere molteplici: 1) eccessivo ottimismo iniziale. 2) Gap tra l’esperienza degli sviluppatori e la novità dei tools impiegati rispetto al set operativo della sperimentazione. 3) Ruolo dell’ampiezza e della complessità degli archivi digitalizzati di applicazione. 4) Bassa affidabilità dell’IA, dato che gli sviluppatori spesso costretti a “pulire” gli output ricevuti. 5) Gli sviluppatori riferiscono che il lavoro supplementare è necessario, perché l’IA “doesn’t use utilize tacit knowledge or context”.
I limiti quantitativi della rilevazione, 16 sviluppatori di grande esperienza, inducono alla prudenza nel generalizzare le conclusioni. È tuttavia significativo, a nostro avviso, sottolineare l’importanza del terzo e del quarto fattore causale, precedentemente sintetizzati, estraendoli dalla seguente tabella originale:
Tab. 1
Sono indicatori di notevole interesse per future ricerche, che METR ha in programma di effettuare. Si tratta, infatti, di elementi importanti ai fini della realizzazione di forme ibride di intelligenza (umani-IA). Quella che chiamiamo intelligenza contestuale è un ingrediente essenziale nei processi decisionali umani, che è molto difficile (forse impossibile) da simulare con strumentazioni tecnico-scientifiche prive di una sfera emotivo-esperienziale, anche e soprattutto in contesti caratterizzati da potenziali rischi e da effetti conseguenti a eventuali defaillances, relative a safety, security, finance, per fare solo alcuni esempi.
I fenomeni segnalati indicano chiaramente le possibilità di interferenze tra IA pervasiva e conoscenze-competenze umane., che in effetti esistono in qualsiasi sfera di attività, mettendo ulteriori aspetti di primaria importanza.
Prendiamo brevemente in esame il campo della medicina, dove l’impiego di strumenti tecnico-scientifici di frontiera è particolarmente attrattivo e mostra avanzamenti in grado di migliorare sostanzialmente un rilevante ammontare di trattamenti sanitari, nonché di innalzare il livello dell’attività diagnostica.
Per quanto riguarda quest’ultima, l’impiego di IA è particolarmente attrattivo di cognitive offloading. Una serie di studi significativi, come ad esempio quello svolto da Hagen (2026), rilevano che l’IA genera eccessiva dipendenza in base al seguente meccanismo: i nostri comportamenti sono abitudini acquisite più o meno consapevolmente perseguendo un obiettivo (efficienza, rapidità di risposta)[4], che si consolidano in una morfologia neurale (neuroplasticità): “Simply put, the capacities we exercise tend to strengthen, and the capacities we neglect become less accessible over time.” (Hagan, 2025)
La tendenza a minimizzare il proprio sforzo mentale nell’eseguire un compito usando un tool di IA è attrattiva, specie in ambienti complessi, che richiedono più tempo e risorse cognitive al/i decisore/i umano/i, anche per l’inevitabile presenza di incertezza. Il supporto dell’IA può alleviare l’overload cognitivo e quindi ridurre lo stress, attingendo ad output algoritmici basati su set informativi molto ampi. In questo modo l’IA modifica l’architettura mentale dei medici, che rischiano di perdere competenze in conseguenza di un minore sforzo cognitivo (Chirayath et al. 2025).
Numerose e illuminanti evidenze emergono nel corso di un’indagine che ha coinvolto 70 manager apicali (Goels et al., BCG, 2026), fornendo notevoli spunti di riflessione. Da questa survey emerge innanzitutto che il 60% dei manager coinvolti individua il de-skilling, l’erosione di competenze come effetto dell’offloading, come una material threat per le organizzazioni nei prossimi 3-5 anni. L’IA generativa, infatti, non svolge funzioni di puro supporto del pensiero umano, ma tende a sostituirla, riducendo abilità e competenze, specie quelle critiche per l’organizzazione, quali “critial thinking, judgment, curiosity, and originality, causal reasoning…”. Fig.1
Fig.1
Questo fenomeno, che gli analisti del BCG chiamano cognitive debt, non è confinato ad una particolare attività, ma si riverbera sull’intera struttura organizzativa, fino a generare un distributed deskilling. Ciò comporta un depotenziamento degli ingredienti basilari per la sostenibilità e resilienza organizzativa: capacità di analizzare e valutare per prendere decisioni; analisi e comprensione dei problemi, inquadramento dei contesti e pensiero creativo; attitudine a individuare cause e definire ipotesi di soluzione. Lo studio rileva giustamente che non sin tratta di un problema relativo alla mancanza di adeguate competenze, bensì di un problema sistemico, che richiede un ripensamento strategico del contesto multi-dimensionale in cui si svolge l’attività economico-produttiva. L’attitudine all’elaborazione di pensiero strategico viene a mancare quando IA generativa viene usata in assenza di appropriati meccanismi di salvaguardia (guardrails). L’adozione di IA investe l’intera struttura organizzativa di un’impresa, modificandone i contenuti dal grount work alle funzioni più elevate, in quanto agisce sui processi di apprendimento a tutti i livelli. Sia i neo-assunti che il personale con esperienza lavorativa tendono a cadere nella cosiddetta “autopilot trap”, cioè ad affidarsi alla pronta risposta dell’IA, rinunciando automaticamente alla propria valutazione critica e all’approfondimento delle risposte ricevute, sulla base di un meccanismo lineare: “descrive the task, ask for an answer, tidy output” (Goel et al., 2026). Questa modalità di comportamento, generalizzata nell’organizzazione, porta all’impoverimento cognitivo e mina la solidità della stessa organizzazione, anche perché ha effetto deleteri sui neo-assunti, i quali da un lato non possono fare esperienza e accumulare conoscenze nello svolgere di attività affidate all’IA, dall’altro non possono trarre giovamento dal mentoring degli operatori da più tempo impiegati. Questi ultimi sono a loro volta impoveriti dal punto di vista cognitivo, perché l’outsourcing all’IA dei compiti da svolgere porta alla disabitudine nel vagliare, mettere in discussione, apprendere sulla base di interrogativi autonomamente generati. Nel fronteggiare l’incertezza dell’ambiente decisionale, il pensiero umano viene “catturato” (cognitive entrapment) dalle sequenze di feedback lineari con l’IA.
Un altro studio, che ha coinvolto 319 lavoratori della conoscenza di Microsoft (Lee et al., 2025) pone in evidenza che l’effetto dell’uso prolungato di IA generativa per eseguire determinati task di routine priva le persone della pratica di riflettere ed elaborare propri giudizi, accettando l’output dell’IA senza sottoporlo a un’attenta valutazione.
Il ricorso sistematico all’IA influisce sulla neuroplasticità delle persone, come emerge da uno studio del MIT (Kosmina et al., 2025), elaborato sulla base degli EEG di persone impegnate in lavori di scrittura. L’uso intenso e prolungato di ChatGPT modifica gli assetti neurali e la connettività tra le varie aree cerebrali, tutti aspetti non rilevati sulle componenti del campione che non hanno usato ChatGPT.
È logico dedurre che ne risultano modificate competenze e skills, ma soprattutto che si consolida una delega completa al “lavoro” dell’IA, con depauperamento cognitivo, cognitive deficiency nello studio in questione (p. 126).
È a questo legittimo affrontare l’interrogativo: il trend rilevato dagli studi indicati è irreversibile oppure esistono traiettorie possibile, da innescare con appositi interventi strategici?
Ipotesi per rendere l’IA nostro strumento, anziché l’opposto
Lo studio BCG (Goel et al. 2025), prima citato, propone sette interessanti strategie per mitigare il rischio del distributed deskilling. Rinviando allo studio in questione per una completa analisi, in questa sede ci limitiamo a metterne in risalto quattro di particolare interesse.
Innanzitutto, è necessario che le imprese e le organizzazioni definiscano con precisione le sfere di attività in cui si può impiegare l’IA, distinguendo quelle che devono essere svolte solo da umani, cioè quelle dove “originality, ethical Judgment or synthesis is most crucial”. Complementare a tutto questo è la formazione del personale, definendo le regole di comportamento nel caso di “allucinazioni” dell’IA e nell’analizzare il processo di “reasoning” del modello di IA impiegato.
Una seconda strategia è individuata nel riprogettare il workflow e quindi nell’assegnare centralità alla riflessione sul e alla valutazione del contesto, tenendo presente il ruolo essenziale della conoscenza tacita, cioè l’accumulazione esperienziale di elementi cognitivi. Di qui l’importanza del trasferimento intergenerazionale delle conoscenze e la necessità che i nuovi assunti non siano posti di fronte ad agenti artificiali che eseguono sequenze algoritmiche, comunicando solo output. Questo è lo schema operativo prevalente, causa di impoverimento cognitivo negli occupati da più tempo, per il mancato esercizio delle abilità, e di un gap conoscitivo per i nei neo-assunti, i quali non possono incrementare il loro background mediante il trasferimento intergenerazionale.
La terza strategia di grande interesse è incentrata sulla formazione degli occupati affinché interagiscano in modo non lineare con l’IA. L’approccio lineare prima descritto, alimenta l’offloading, per cui è cruciale ripensare la struttura dei prompt in vari modi, ad esempio impiegando una sorta di “reverse questioning” (espressione nostra), ponendo domande opposte rispetto a quelle correnti. Se anziché chiedere “qual è il modo migliore” viene chiesto “how could this go wrong”, si può innescare il critical thinking nella mente degli operatori, inducendo la valutazione autonoma dei flussi informativi e del processo logico-operativo.
È a questo punto opportuno proporre alla riflessione del lettore di queste note due dei molti temi, che alcuni studi mettono in rilievo, ai fini di una direttrice di trasformazione affinché imprese e organizzazioni possano misurarsi con sfide cruciali per l’adozione di AI.
Un importante tema da prendere n considerazione è la difficoltà di impiego delle nuove generazioni, che dovrebbero possedere competenze idonee a gestire i chatbot nelle realtà che lo assumono (Jones e Law, 2026; WEF, 2026). Non è da trascurare poi il fatto che un altro requisito per l’entrata in azienda è il possesso di precedente esperienza lavorativa. A questo si aggiunge un ulteriore ostacolo: le difficoltà di trasmissione intergenerazionale di conoscenze in un contesto automatizzato. Il problema è molto rilevante e richiede interventi strategici che vanno ben al di là di nuove regole per il mercato del lavoro.
È infatti necessario una rielaborazione strategica in merito a tre sfere di possibili azioni:
1) la formazione universitaria dovrebbe esplicarsi in un orizzonte interdisciplinare, progettando figure di expert generalist.
2) Occorre far maturare la consapevolezza che l’apprendimento continuo deve essere il motivo costante a livello individuale e collettivo, perché solo così è possibile coniugare attitudine al pensiero strategico, evoluzione delle conoscenze e ambiente collaborativo.
3) Le imprese dovrebbero riprogettare le struttura degli incentivi, come suggerisce una quarta strategia dello studio BCG, in modo da assegnare priorità non alla velocità di risposta bensì alla qualità dell’output. Per questa via può essere stimolato il pensiero creativo e quindi la capacità di misurarsi con le sfide di una dinamica competitiva globale.
Il problema non è se, ma come utilizzare l’intelligenza artificiale.
Riferimenti
Abrams Z, 2026, How AI is reshaping human skills and thinking, Monitor on Psychology, American Psychological Association, June 1.
AlterA. L., Oppenheimer D. M., Epley N., Eyre, R. N., 2007, Overcoming intuition: Metacognitive difficulty activates analytic reasoning. Journal of Experimental Psychology: General, 136(4): 569–576.
Belle V., Marcus G., 2026, The Future Is Neuro-Symbolic: Where Has It Been, and Where Is It Going?, Association for the Advancement of Artifcial Intelligence (www.aaai.org).
Chirayath G., Premalini K., Joseph J., 2025, Cognitive offloading or cognitive overload? How AI alters the mental architecture of coping, Frontiers in Psychology, November 21.
Dhunno P., 2026, Are Physicians Losing Skills Due To AI? What Is Cognitive Offloading? The Medical Futurist, June 22.
Fan Y., et al., 2024, Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance, British Journal of Education Technologies, September 24.
Fan Y., et al., 2025, Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance, British Journal of Educational Technology, November, 58: 489-531.
Fortune, 2026, The entry-level job market is the worst it’s been in 37 years. Stop blaming Gen Z, March 22.
Goel S., Martin D, Kaffe C., -2026, When Everyone Uses AI, Companies Risk Losing Critical Skills. Boston Conulting Group, June 17.
Hagan A., 2025, Habit Formation, Psychology Today, November 12.
Hagan E., 2026, AI and the Psychology of Cognitive Surrender, Psychology Today, June 1.
Human Brain Project, 2023, Learning from the brain to make AI more energy-efficient, September 4.
Hymel C., 2025 Are we getting dumber? How AI affects critical thinking, Fortune, March 31.
Jones J., Law N., 2026, The entry-level job market is the worst it’s been in 37 years. Stop blaming Gen Z Fortune, March 22.
Kosmyna N. et al., 2025, paper inder Review, Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task, MIT Media Lab.
Landauer R., 1981, Information is Physical, Physics Today, May: 24-28.
Landauer R., 1999, Information is a Physical Entity, Physica A, 263: 63-67.
Lee H., et al., 2025, The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers, Microsoft.com.
Leibniz G.W., 1969, Philosophical Papers and Letters, Kluwer Academic Edition.
Lichtenberg N., 2025, The AI skills gap is really a ‘critical thinking’ gap: The Fortune 500 fears it can’t find talent with enough sharp thinking, Fortune, December 13.
Markoff J., 2012, How Many Computers to Identify a Cat? 16,000, New York Times, June 25.
METR, (Becker J., Rush N., Barnes B., Rein D., 2026, Measuring the Impact of Early-2025 AI on Experienced OpenSource Developer Productivityl
Morey D. A., Rayo M., Woods D., 2025, HowAI Can Degrade Human Performance in High-Stakes Settings, AI Frontiers 15.
Nawaz U., Anees-ur-Rahaman M., Zubair Saeed Z., 2025, A review of neuro-symbolic AI integrating reasoning and learning for advanced cognitive systems, Intelligent Systems with Applications, 26.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688-
Urban M., et al.2024, ChatGPT improves creative problem-solving performance in university students: An experimental study. Computers & Education, 215, 105031.
WEF (World Economic Forum). 2026, Entry-level hiring is tougher than ever. How universities are adapting, April 1.
Note
[1] “Omnibus ex nihilo ducendis: sufficiet unum”, Imago Creationis (Leibniz, 1969)
[2] “In contrast to power-hungry computers, brains have evolved to be energy-efficient. It is estimated that a human brain uses roughly 20 Watts to work – that is equivalent to the energy consumption of your computer monitor alone, in sleep mode…80–100 billion neurons are capable of performing trillions of operations that would require the power of a small hydroelectric plant if they were done artificially.” (Human Brain Project, 2023). https://www.humanbrainproject.eu/
[3] Non approfondiamo i due conetti n questa sede, che verte sui meccanismi di interferenza tra IA e processi cognitivi umani.
[4] Ovviamente gli obiettivi sono innumerevoli. Quelli indicati sono tra i più diffusi in contesti tecno-economici ad alto dinamismo.
Partecipa alla community