L’intelligenza artificiale non fa crescere allo stesso ritmo le capacità che ci rendono persone competenti. Usando come linguaggio condiviso i quattro pilastri dell’apprendimento – sapere, saper fare, saper essere e saper vivere insieme – l’articolo mostra come, con l’uso dell’IA, i primi due avanzino più rapidamente degli ultimi due, indicando anche su quali conoscenze e capacità conviene investire di conseguenza: è in questa differenza di velocità, più che nell’uso degli strumenti in sé, che si gioca la vera difficoltà di regole, verifica, fiducia e responsabilità nell’era di assistenti e agenti.
Indice degli argomenti
I quattro pilastri dell’apprendimento nell’era dell’IA
La Commissione Internazionale sull’Educazione per il XXI° Secolo, presieduta da Jacques Delors, aveva immaginato i quattro pilastri dell’apprendimento – sapere, saper fare, saper essere e saper vivere insieme – come un’architettura unica e auto-rinforzante, nella quale nessuna delle quattro dimensioni poteva crescere isolata dalle altre senza impoverire l’intero processo formativo (UNESCO, 1996).
Questa architettura del resto già allora interagiva, più o meno esplicitamente, con categorie ben note alla psicologia dello sviluppo e dell’apprendimento – la conoscenza, la competenza, l’identità, la relazione – ed è stata proprio questa risonanza, più che il contesto specifico in cui il rapporto nacque, a renderla ancora oggi un linguaggio condiviso utile a chiarire i vari aspetti e le varie sfaccettature dell’apprendimento.
Trent’anni dopo, mentre assistenti e agenti basati su intelligenza artificiale si insediano stabilmente nel modo in cui lavoriamo, decidiamo e ci relazioniamo, quella stessa architettura ci offre una prospettiva insospettabilmente precisa per interrogarci su cosa impariamo davvero dal loro uso – non tanto, o non solo, in termini di produttività, quanto e soprattutto in termini di evoluzione e di trasformazione di quelle capacità che ci rendono, nell’accezione più piena del termine, “persone competenti”.
Oggi possiamo infatti riscontrare che l’uso dell’intelligenza artificiale non fa crescere i quattro pilastri allo stesso ritmo: mentre sapere e saper fare avanzano rapidamente, sospinti da un’evidenza già misurabile in termini di velocità ed estensione dei compiti eseguibili, saper essere e, soprattutto, saper vivere insieme stanno restando indietro, perché toccano dimensioni – come ad esempio l’autonomia di giudizio, la fiducia reciproca, la capacità di gestire in modo intelligente il conflitto – che nessuno strumento può accelerare per conto nostro – o per nostra delega.
Ed è proprio in questo divario, molto più che nell’uso dello strumento in sé, che va cercata una delle ragioni fondamentali per cui il saper stare insieme si sta complicando sempre di più: le dinamiche, le regole e i meccanismi di controllo delle interazioni con l’IA – ad esempio chi decide cosa un agente può fare in nostro nome, come si stabilisce la responsabilità di un errore commesso a valle di una delega, quale grado di trasparenza è dovuto a chi interagisce con noi senza sapere se sta parlando con una persona o con un sistema – sembrano quasi arrancare dietro un’adozione di strumenti e, forse soprattutto, di comportamenti, che tende ad andare più veloce di quanto le nostre categorie di riferimento riescano a seguire.
Il sapere nell’era dell’intelligenza artificiale
Il rapporto Delors già individuava nel sapere non un accumulo di conoscenze ma una combinazione fra cultura generale e approfondimento selettivo, e metteva in guardia su una possibile tensione fra l’espansione della conoscenza disponibile e la capacità umana di assimilarla, che oggi suona quasi profetica applicata a un sistema capace di assimilare, in pochi minuti, testi che a una persona richiederebbero mesi di lettura.
Quando la “memoria enciclopedica” smette di essere un vantaggio competitivo umano – e con un’IA capace di ingerire migliaia di pagine in tempi trascurabili questo è ormai già vero per larghissime porzioni del sapere fattuale – la domanda forse più utile diventa quanto – e cosa – è meglio o è necessario sapere quando il sapere fattuale rischia di non essere più una competenza distintiva.
Conoscenza del contesto, discernimento e memoria
Nei fatti, ciò che resta necessario sapere si sposta su almeno tre piani che non competono con la memoria ma si pongono a livelli superiori. Il primo è la conoscenza del contesto: sapere abbastanza di un dominio da comprendere quali domande porgli, cosa un’analisi seria dovrebbe coprire, cosa probabilmente manca in una trattazione che sembra completa ma non lo è.
Questa conoscenza, per esistere, deve essere stata costruita nel tempo – ed è proprio la sua costruzione lenta e faticosa che l’uso disinvolto dell’IA rischia di scavalcare fin dall’inizio: chi si affida a un assistente su un tema che non conosce affatto non ha ancora nessuna conoscenza del contesto con cui orientarsi, ed è quindi esposto ad accettarne acriticamente l’impostazione anche quando è sbagliata, senza nessun modo di accorgersene.
È un paradosso che vale la pena di evidenziare per quello che è: la stessa competenza che serve a usare bene l’IA è quella che l’uso disinvolto dell’IA rende più difficile costruire.
Il secondo piano è il discernimento, ossia la capacità di giudicare cosa sia affidabile.
Questa competenza, distinta da quella di possedere l’informazione stessa, con gli assistenti generativi diventa più difficile da esercitare proprio nel momento in cui diventa più necessaria: infatti, un sistema costruito per essere il più possibile convincente e collaborativo tende a smussare proprio quei segnali – l’esitazione, l’ammissione di incertezza, il disaccordo non risolto in un campo – che nella lettura umana avvertivano che qualcosa andava verificato con più attenzione. Esercitare discernimento verso un interlocutore progettato per risultare gradevole e per massimizzare la qualità percepita richiede un atteggiamento scettico che va coltivato deliberatamente, perché lo strumento stesso non offre di per sé alcun incentivo a farlo.
Il terzo piano, forse il più difficile da accettare, è che usare bene un assistente su un tema richiede comunque una base di conoscenza pregressa sufficiente a verificarne l’output: il che significa che chi possiede già una competenza solida ne ricava un moltiplicatore, perché può spingere lo strumento oltre, controllarlo, correggerlo;
mentre chi non la possiede ottiene dallo stesso strumento una versione meno verificata e più rischiosa, senza accorgersene. L’IA, in altre parole, non livella affatto il sapere fra chi ne ha di più e chi ne ha di meno, ma anzi lo amplifica in modo diseguale, ed è la stessa tensione fra eccellenza ed equità che il rapporto Delors poneva a proposito delle politiche educative, riproposta qui su un terreno che allora certamente nessuno poteva immaginare.
C’è infine un quarto piano, a livello non individuale ma collettivo: la cultura generale di cui parlava il rapporto Delors non serviva solo a rendere ciascuno più capace per conto proprio, ma anche a costituire un repertorio condiviso che permetteva alle persone di capirsi, di riconoscere gli stessi riferimenti, di discutere partendo da un terreno comune.
Se il sapere specifico diventa sempre più “just in time”, recuperato solo quando serve e da fonti che variano da persona a persona, il rischio non è più solo individuale ma diventa anche collettivo, ovvero che si assottigli proprio quel repertorio condiviso che rendeva possibile intendersi senza dover ricostruire da zero, ogni volta, le premesse di un’interazione – una perdita questa che finirebbe per pesare non tanto sul sapere, ma sul saper vivere insieme.
Ne discende una conseguenza pratica per come vale la pena allocare oggi il proprio tempo dedicato alla conoscenza: visto che il sapere ampio e generico è sempre più disponibile “a comando”, inseguire quell’ampiezza e quella genericità risulta sempre meno pagante, mentre invece rende sempre di più investire in profondità nel proprio campo – dove si può davvero costruire nel tempo la conoscenza del contesto, il discernimento e la base per verificare descritti sopra.
Per chi si occupa di formazione professionale questo pone una domanda diretta, che qui preferiamo lasciare aperta piuttosto che tentare di risolverla in poche righe: se il tempo dedicato a costruire l’ampiezza generica della conoscenza rende sempre meno, mentre il tempo dedicato a costruire approfondimenti che consentano anche verifiche rende sempre di più, i percorsi di apprendimento andrebbero probabilmente ripensati di conseguenza – ad esempio, meno programmi che inseguano la copertura di un intero corpus di conoscenze, più percorsi che portino davvero fino in fondo, su un numero limitato di domini, quei tre piani di conoscenza del contesto, discernimento e capacità di verifica che abbiamo visto.
Dall’effetto Google a Your Brain on ChatGPT
Non abbiamo a disposizione molte evidenze scientifiche a supporto di questo fenomeno, ma delle indicazioni puntuali sì.
Ad esempio, sulla problematica dello spostamento dal contenuto “interiorizzato” alla capacità di reperirlo e verificarlo, ci offre una prima indicazione lo studio ormai classico di Betsy Sparrow, Jenny Liu e Daniel Wegner, pubblicato su Science nel 2011: l’aspettativa di poter recuperare un’informazione online ne riduce la probabilità di essere memorizzata internamente, mentre aumenta il ricordo di dove trovarla, in quella che gli stessi autori hanno letto come un’estensione ai motori di ricerca della teoria della memoria transattiva di Wegner – la stessa dinamica osservata da decenni nelle coppie e nei gruppi di lavoro, dove la conoscenza si distribuisce fra le persone invece che risiedere per intero in ciascuna di esse (certamente l’effetto va letto con la cautela dovuta a uno studio del 2011 su Internet, non sugli assistenti generativi).
Più pertinente, perché condotta specificamente su un assistente generativo, è la recente ricerca del MIT Media Lab del 2025, Your Brain on ChatGPT, per ora disponibile come preprint: su un campione di partecipanti divisi fra chi scriveva un saggio assistito da un modello linguistico, chi usava un motore di ricerca tradizionale e chi lavorava senza alcun supporto, nel primo gruppo è risultata evidente una connettività neurale sensibilmente più bassa, i docenti hanno giudicato i testi come più poveri di contenuti propri, e sono emerse difficoltà persino a citare correttamente ciò che era stato appena scritto.
Saper fare con l’IA: contesto, dati e giudizio
Il rapporto Delors distingueva già la competenza dalla semplice abilità tecnica, e la legava alla capacità di affrontare situazioni impreviste e di lavorare in squadra più che all’esecuzione ripetitiva di un compito – una distinzione che con l’IA generativa diventa la direttrice principale lungo la quale si misura tutto il resto, e che trova un corrispettivo più recente nel Quadro Europeo delle Qualifiche (EQF): il passaggio dalle conoscenze alle abilità che infatti l’EQF pone alla base dei propri otto livelli segna esattamente lo stesso confine fra conoscere un contenuto e saperlo applicare a un compito reale.
Il fil rouge che tiene insieme le capacità che oggi contano di più – definire il contesto, dare significato e importanza, lavorare sui dati invece che sulle opinioni, pensiero creativo, pensiero critico – è che l’IA sposta il baricentro del fare dall’esecuzione, sempre più automatizzabile, alla contestualizzazione: ad esempio, diventa determinante e qualificante decidere cosa conta, cosa è fuori perimetro, qual è la domanda giusta prima ancora di cercare la risposta.
Definire il contesto e dare significato a un risultato sono, in fondo, la stessa competenza esercitata in due momenti diversi del lavoro – prima di iniziare, nell’inquadrare il problema, e dopo aver ottenuto un output, nel giudicarne la rilevanza per uno specifico destinatario in uno specifico momento; un punto questo che si lega a un’idea più ampia, già sviluppata altrove (Pirozzi, 2026), per cui il valore di un risultato non è mai una proprietà intrinseca ma qualcosa che si definisce sempre in relazione a chi lo riceve.
Resta però un problema che vale la pena affrontare in modo diretto: questo genere di giudizio si è sempre formato attraverso la pratica ripetuta dell’esecuzione – in sostanza, si impara a riconoscere una buona contestualizzazione avendone prima costruite, a proprie spese, altre “non così buone”.
Se l’esecuzione viene assorbita dall’IA prima ancora che un professionista abbia avuto modo di accumulare esperienze su quella pratica, la domanda che ci si pone non è retorica: attraverso cosa si formerà, in futuro, la capacità di giudizio di chi oggi è ancora agli inizi del suo percorso professionale?
Parte di questa difficoltà sta nel fatto che definire correttamente un contesto richiede spesso conoscenze che non sono scritte da nessuna parte – ad esempio, la storia di una relazione con uno stakeholder, le ragioni non dichiarate di una decisione precedente, gli equilibri politici di un’organizzazione – e che nessun corpus, per quanto vasto, contiene, in primo luogo perché sono delle lesson learned che non sono mai state formalizzate e, quindi, rese disponibili.
È questa forse la forma più solida, oggi, del vantaggio umano più autentico: non quindi la velocità né la memoria, ma l’accesso a un contesto che esiste solo nell’esperienza vissuta e che – per motivi che possono essere vari – non è stata resa (almeno ancora) disponibile.
C’è poi una tentazione che lo stesso guadagno in termini di velocità dovuto all’uso della IA porta con sé, distinta e meno visibile della “normale” eventuale frettolosità della risposta: se generare è diventato praticamente gratuito, si è tentati di saltare del tutto la contestualizzazione e affidarsi direttamente a un ciclo di produzione e scelta – generare molte varianti, scartare, rigenerare – invece di pensare prima cosa si sta effettivamente cercando.
È un modo di lavorare che sembra rapido e in realtà sposta a valle, sotto forma di tempo speso a scartare soluzioni inadeguate – o addirittura hallucinations – lo stesso lavoro di framing che sarebbe costato molto meno, a rischi molto inferiori, e con risultati sicuramente migliori almeno in termini di appropriatezza, se fosse stato fatto a monte.
Dai dati alle simulazioni, come cambia la verifica
Il lavorare sui dati invece che sulle opinioni va quindi oggi ripensato a partire da un punto che, di per sé, precede l’utilizzo dell’IA: la semplice economia del tempo. Dire “io penso che” è immediato; ricostruire “la situazione è questa”, con i dati che la sostengono, richiede tempo e concentrazione – e sotto la pressione ordinaria del lavoro quotidiano questa asimmetria ha spinto per anni verso risposte fondate sulle opinioni più che sui dati, semplicemente perché le opinioni “costavano” meno tempo, non perché fossero preferite per ragioni di affidabilità o altro – anzi!
L’IA oggi può ribaltare questo calcolo: abbatte il tempo necessario a lavorare sui dati e ne migliora la precisione, e il saper fare può tornare a essere data-driven invece che opinion-based perché è sparito, insieme al tempo che richiedeva, il vantaggio che rendeva l’opinione la scorciatoia (solo) apparentemente più conveniente – fermo restando, naturalmente, che il controllo sul risultato resta comunque necessario.
Questo cambia, prima ancora del risultato, l’incentivo che per anni ha governato il modo di lavorare: chi si prendeva il tempo di dire “andrebbe verificato” rischiava di apparire meno preparato e risolutivo di chi rispondeva subito per intuito, e quel pseudo-incentivo – premiare la velocità sull’accuratezza – ha pesato sulla qualità del risultato quanto la difficoltà tecnica del verificare, se non di più.
Nel momento in cui invece verificare richiede un tempo paragonabile con quello necessario a affermare, quell’incentivo perde gran parte della sua forza: chi controlla non è più necessariamente sensibilmente più lento di chi improvvisa, e il saper fare smette di premiare chi arriva prima a scapito di chi arriva “bene”.
Questo sposta, coerentemente con quanto abbiamo detto sopra a proposito della contestualizzazione, il punto in cui si misura la competenza: se l’elaborazione dei dati diventa rapida per chiunque, il saper fare che fa la differenza non è più saperli raccogliere in tempi accettabili, ma saper scegliere quali dati contano per la decisione che si ha davanti – una domanda questa che è di contesto, non di calcolo, e che nessuna velocità di elaborazione può risolvere al posto di chi decide.
Lo stesso meccanismo, per estensione, vale per le simulazioni: verificare un’ipotesi prima di agire, cosa oggi magari realizzabile in minuti invece che in giorni, non riduce solo tassi di errore e costi diretti, ma sposta indietro nel tempo il momento in cui un errore viene individuato – da dopo la decisione, quando è già stata esplicitata e magari anche difesa davanti ad altri, a prima della decisione stessa, quando correggerla non costa ancora nulla né in termini di credibilità né in termini di compromissione della relazione – che si ha, ad esempio, anche quando si fa notare a qualcuno che ha sbagliato.
Buona parte infatti del costo relazionale del dire a qualcuno che si è sbagliato non sta nell’errore in sé, ma nel fatto che questo sia stato reso pubblico prima di essere verificato; in altre parole, anticipare la verifica a monte della esplicitazione elimina non l’errore, ma il momento più costoso in termini relazionali in cui l’errore stesso viene tipicamente evidenziato.
Naturalmente non tutto ciò che entra in una decisione è riducibile ad un dato simulabile – ad esempio, gli equilibri esistenti in un’organizzazione, le ragioni non dichiarate di una scelta precedente, i valori in conflitto fra due opzioni apparentemente ugualmente sostenute dai numeri – e su questo il giudizio resta necessario esattamente come prima, con la sola differenza che però ora è più difficile – anche rispetto a clienti e top management – usare la scarsità di tempo come alibi per non averlo esercitato dove sarebbe stato possibile farlo.
Pensiero critico tra automazione e potenziamento
Ma come cambia il pensiero critico? Sul pensiero critico la ricerca forse più solida disponibile è quella di Lee e colleghi, condotta nel 2025 da Microsoft Research e Carnegie Mellon University: il pensiero critico non scompare con l’uso dell’IA, ma cambia natura, spostandosi dall’elaborazione concettuale verso la verifica e la supervisione dei risultati – e cala quanto più cresce la fiducia riposta nello strumento, mentre la fiducia nelle proprie competenze produce l’effetto opposto.
Infine, la distinzione operativa delle possibili tipologie di supporto che l’IA può dare in automazione (automation), e potenziamento (augmentation) può aiutare a separare, in questo quadro, l’opportunità dal rischio: l’opportunità sta evidentemente nel potenziamento, quando lo strumento estende un perimetro d’azione altrimenti non o difficilmente accessibile; il rischio risiede nell’automazione costante di attività delegate senza più essere correttamente presidiate.
Ma il rischio non è solo la perdita della singola abilità: è anche la perdita dell’esperienza – e quindi di parte della competenza – da cui quell’abilità nasceva. Infatti, il giudizio professionale si è sempre formato in buona parte attraverso l’effort del fare delle cose di persona – ad esempio, a seguito di errori corretti, di tentativi scartati, di tempo speso su un problema prima di risolverlo – e quando quello sforzo sparisce insieme al compito – per essere rimpiazzata dalla comodità – sparisce anche la materia prima da cui il giudizio si costruiva, non solo l’azione in sé.
Quanto di questo guadagno individuale si traduca poi in beneficio organizzativo, e perché poi questo non accada proprio così spesso, è un discorso a sé, che merita di essere sviluppato in un altro articolo.
Saper essere con l’IA: autonomia e identità professionale
Il rapporto Delors legava il saper essere all’autonomia di giudizio e a un viaggio interiore fatto di conoscenza, meditazione e autocritica – categorie queste che restano ancora oggi utili anche fuori dal contesto in cui furono scritte, per descrivere ciò che continua a essere specificamente umano quando gran parte dell’esecuzione viene delegata a un sistema.
C’è una prospettiva in cui tutto questo si traduce in un’opportunità reale: il tempo cognitivo liberato dall’esecuzione può infatti essere reinvestito proprio in quei processi che il rapporto Delors considerava il cuore del saper essere – valutare le implicazioni di una decisione prima di prenderla, tornare su un’ipotesi con più calma, praticare quell’autocritica che la fretta normalmente scoraggia.
C’è però anche un’altra prospettiva, altrettanto plausibile, e forse più insidiosa perché meno evidente: il rischio non è tanto quello di delegare meno tempo alla riflessione, quanto quello di delegare silenziosamente la riflessione stessa, spostando la direttrice dal formulare una richiesta su ciò che si è già deciso al chiedere cosa converrebbe decidere – uno spostamento graduale, quasi mai percepito come tale nel momento in cui avviene, e per questo più difficile da correggere di una rinuncia esplicita.
La delega delle decisioni e i rischi per l’autonomia
Su questo la ricerca offre un’indicazione concreta, anche se non specifica, sulla deliberazione professionale di cui si diceva sopra: uno studio del 2026 su quasi 31.000 persone in 35 paesi (Yankouskaya e colleghi, su AI and Society) mostra che la disponibilità a delegare a un’IA segue una gerarchia precisa e tutt’altro che casuale – più alta per la compagnia, poi per il supporto psicologico, poi per l’insegnamento, e più bassa per la medicina. Le persone, cioè, non delegano alla cieca: calibrano istintivamente quanto affidare all’IA in base alla posta in gioco.
Proprio per questo, però, il rischio della delega silenziosa di cui si diceva sopra si annida più facilmente dove la vigilanza è già più bassa per costruzione – ad esempio nella compagnia e nel supporto psicologico, dove la gerarchia appena citata colloca la disponibilità più alta a delegare – non nella medicina o nell’insegnamento, dove le persone restano, comprensibilmente, più caute.
A questo si aggiunge un secondo aspetto, dato ormai per scontato l’uso diffuso e anche personale dell’IA: come cambia il comportamento – linguaggio compreso – verso l’assistente stesso man mano che l’interazione procede, il che può naturalmente avere impatto anche sulle modalità di condurre le relazioni interpersonali.
Si può ipotizzare, restando nel campo dell’osservazione più che del dato misurato, che l’abitudine a un interlocutore sempre disponibile, che non si stanca, non fraintende una seconda volta, non ha una giornata storta, ricalibri silenziosamente ciò che si è disposti a tollerare altrove – come, ad esempio, la pazienza per un fraintendimento, l’ambiguità di una richiesta lasciata a metà, il tempo di risposta di un’altra persona – proprio perché il termine di paragone quotidiano è diventato un’interazione priva, per costruzione, di quell’”attrito relazionale”.
Identità professionale e voce autoriale
C’è poi una terza implicazione, forse ancora meno esplorata delle prime due, che riguarda l’identità professionale in un senso più diretto: se una quota crescente di ciò che produciamo – email, relazioni, persino decisioni motivate per iscritto – è mediata da un assistente, chi riceve quel lavoro sta comunque, implicitamente, dando fiducia al giudizio che lo ha plasmato. Quando quel giudizio diventa meno riconoscibile come autentico, anche la fiducia che lo accompagna diventa più difficile da estendere, e questo paradossalmente può avvenire indipendentemente dalla qualità effettiva del risultato.
Un segnale indiretto ma misurato in questa direzione viene dallo stesso studio del MIT Media Lab richiamato a proposito del sapere: il senso di appartenenza verso il proprio lavoro risultava più basso proprio nel gruppo che si era affidato di più all’assistente per un problema non tanto di qualità del testo prodotto, quanto di percezione di esserne davvero gli autori – lo stesso segnale, letto da un’altra angolazione, di quanto la voce autoriale di cui si diceva sopra sia già, oggi, più fragile di quanto la qualità tecnica del lavoro lasci intuire.
Saper vivere insieme con assistenti e agenti IA
È il pilastro a cui il rapporto Delors dava forse più importanza, costruendolo sulla comprensione reciproca e sulla capacità di gestire in modo intelligente i conflitti – piuttosto che cercare sempre e comunque di evitarli, obiettivo questo non sempre raggiungibile – e sostanzialmente vedendolo più come un’integrazione che una quarta voce distinta in tutto e per tutto dalle altre tre.
Vale la pena notare, a questo proposito, che questo è anche l’unico pilastro dei quattro a non trovare un vero corrispettivo nemmeno nei quadri di certificazione più recenti: la responsabilità e l’autonomia che l’EQF pone a coronamento di conoscenze e abilità – la terza dimensione, che dal 2017 ha sostituito la precedente categoria di “competenza” – restano attributi pensati per caratterizzare la singola persona, e non hanno, per loro stessa identità, alcun modo di rappresentare ciò che si costruisce solo insieme agli altri.
Con l’uso di assistenti e agenti questo pilastro è interessato da una doppia evoluzione: da un lato siamo noi ad addestrarli e a decidere quale autonomia concedere loro, dall’altro il loro uso ricodifica in modo silenzioso i comportamenti non solo verso di loro, ma anche fra di noi – ad esempio, come calibriamo la fiducia, cosa deleghiamo, quanto siamo disposti a dichiarare quando una comunicazione è passata attraverso un assistente.
Relazioni umane e funzioni pratiche affidate ai chatbot
In generale, vista la gran maggioranza degli usi non lavorativi dei chatbot (Chatterji, Cunningham, Deming, Hitzig, Ong, Shan, Wadman, 2025), ma, al contempo, le categorie davvero dominanti costituite da guida pratica quotidiana, ricerca di informazioni e scrittura, non sembra tanto che le persone stiano sostituendo le relazioni umane con l’IA, quanto piuttosto che l’IA stia assorbendo una quota crescente delle funzioni pratiche e decisionali quotidiane – un consiglio, un confronto, un aiuto a orientarsi – che un tempo rimanevano interne alla persona, lasciando alla relazione interpersonale, per sottrazione, un possibile spazio più concentrato su ciò che resta specificamente relazionale, come, ad esempio, la presenza, la vulnerabilità condivisa, l’esperienza vissuta in comune.
Teaming, leadership e fiducia nei gruppi ibridi
Una evoluzione analoga riguarda teaming e leadership, in cui si passa dal coordinamento di persone che realizzano per delega dei task a dei fenomeni che includono anche la decisione di cosa delegare, a chi – umano o agente – e il mantenimento della coesione in un team ibrido dove parte del lavoro diventa una black box perché viene automatizzata: c’è però una differenza sostanziale in questi “nuovi” tipi di delega.
Ad esempio, a un collaboratore umano si può, in linea di principio, chiedere conto di un risultato secondo una logica che condividiamo: si può domandare perché ha deciso così, e la risposta, quale che essa sia, si inserisce in un registro di ragioni che riconosciamo come nostro;
invece, da un agente si può ottenere una spiegazione, ma non nello stesso senso: il leader che ne risponde davanti al team, o all’organizzazione, deve far ricorso a una fiducia che, in questo caso, riguardando un agente e non una persona, non può poggiare sulla reciprocità su cui la fiducia interpersonale si è sempre basata, e bisogna quindi ridefinire e definire ruoli, responsabilità e meccanismi di verifica capaci di supportare effettivamente questi aspetti.
Tuttavia, proprio perché la fiducia verso un agente non può poggiare sulla stessa reciprocità di quella fra persone, la fiducia interpersonale rischia paradossalmente di diventare ancora più preziosa, in un ambiente sempre più mediato da sistemi che possono spiegare le proprie decisioni ma non condividerne davvero i rischi: ciò che resta specificamente umano in una relazione di lavoro o di team è proprio la capacità di rispondere l’uno dell’altro in un modo che nessun agente, per quanto trasparente, può riprodurre.
Regole formali e norme informali della delega
Ma è proprio in questa infrastruttura ancora da costruire o certamente da perfezionare che si annida un rischio importante: le regole che dovrebbero accompagnare la delega – ad esempio, chi risponde di un errore commesso da un agente, quale trasparenza è dovuta a chi comunica con noi senza sapere se sta parlando con una persona – restano largamente ancora da scrivere, mentre l’adozione dell’IA nel frattempo non si ferma ad aspettarle.
Lo stesso squilibrio si osserva a livello organizzativo, dove il divario fra alto beneficio individuale percepito e modesto miglioramento dei risultati complessivi è spesso alimentato da dinamiche di fiducia fra persona e organizzazione più che da limiti dello strumento – un meccanismo che merita uno sviluppo a sé, e che quindi affronteremo in un altro articolo.
Vale la pena distinguere, in questo contesto, due velocità diverse. Le regole formali – ad esempio, chi è responsabile di un errore, quali soglie di autonomia un agente può avere – si possono scrivere in tempi relativamente brevi, per quanto la loro scrittura richieda una volontà politica e tecnica che oggi manca ancora quasi ovunque.
Le norme informali – ad esempio, cosa percepiamo come una mancanza di trasparenza, quanto ci sembra lecito che una decisione sia stata presa con l’aiuto di un assistente senza dichiararlo – si consolidano invece solo attraverso la pratica reiterata, nello stesso modo – più lento – in cui si consolidano tutte le convenzioni sociali non scritte; ed è soprattutto in questo secondo tipo di ritardo, meno visibile e meno governabile con il rilascio di norme e regole, che si misura quanto il quarto pilastro sia davvero indietro rispetto agli altri tre.
Ed è effettivamente qui, più ancora che nelle altre tre dimensioni, che si misura il gap di cui dicevamo in apertura: non perché il saper vivere insieme cresca meno degli altri pilastri in assoluto, ma perché è l’unico dei quattro che non può crescere per iniziativa individuale, dato che richiede un accordo, esplicito o tacito, fra più persone, ed è proprio questo tratto strutturalmente collettivo a renderlo il più lento ad adattarsi ai nuovi contesti.
I quattro pilastri dell’apprendimento tra delega e competenze umane
Attraversando i quattro pilastri affiora una filigrana comune, che vale la pena rendere esplicita: nel sapere, il punto nodale è la sequenza fra il costruire una competenza pregressa e il poterla poi verificare con l’IA; nel saper fare, è la sequenza fra l’accumulare pratica attraverso l’esecuzione e il poter poi giudicare, con quella pratica alle spalle, cosa un risultato generato valga davvero; nel saper essere e nel saper vivere insieme, è la sequenza fra il costruire fiducia – in se stessi, negli altri, in un giudizio riconoscibile come proprio – e il poterla poi estendere a una collaborazione mediata anche da un sistema.
In tutti e quattro i casi il problema non è tanto la delega in sé, che porta generalmente dei benefici reali e non sempre scontati, quanto il fatto che i meccanismi di delega tendono a moltiplicarsi più velocemente del tempo che le competenze umane, proprio quelle che permetterebbero di usare la stessa delega al meglio, richiedono per formarsi.
Il rapporto Delors, parlando dei diversi stadi dell’istruzione, insisteva sulla necessità di costruire “ponti” fra un livello e l’altro, affinché nessuna scelta compiuta in un momento della vita chiudesse definitivamente le porte a un percorso diverso in un momento successivo.
È un’immagine che forse si presta bene anche a concludere questo articolo: se sapere e saper fare evolvono velocemente, sospinti da un’evidenza che si accumula rapidamente, mentre saper essere e saper vivere insieme avanzano con la lentezza propria di tutto ciò che richiede accordo, pratica e tempo, il compito che ci aspetta non è tanto quello di rallentare i primi due, quanto quello di costruire i “ponti” che permettano ai secondi due di raggiungerli – prima che lo scarto fra ciò che sappiamo fare con l’intelligenza artificiale e ciò che sappiamo, insieme, decidere cosa farne, diventi esso stesso il problema.
È un compito che riguarda tanto chi progetta questi strumenti quanto chi li usa ogni giorno, e che nessuna delle due categorie può, da sola, portare a termine – ed è forse questo, più di ogni tecnologia specifica, il vero banco di prova dei prossimi anni.
Fonti
Chatterji A., Cunningham T., Deming D. J., Hitzig Z., Ong C., Shan C.J., Wadman K., 2025, How People Use ChatGPT, NBER Working Paper 34255.
Consiglio dell’Unione europea, Raccomandazione del 22 maggio 2017 sul Quadro europeo delle qualifiche per l’apprendimento permanente (EQF), Gazzetta ufficiale dell’Unione europea, 2017/C 189/03.
Delors J. (a cura di), 1996, Learning: The Treasure Within – Report to UNESCO of the International Commission on Education for the Twenty-first Century, UNESCO Publishing.
Hyoungwook P. 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, Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Microsoft Research, Carnegie Mellon University).
Kosmyna N., Hauptmann E., et al., 2025, Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task, MIT Media Lab, preprint arXiv:2506.08872.
Pirozzi M., 2026, The Stakeholder Perspective: Projects, People and Performance in the Generative AI Era, CRC Press, Taylor and Francis Group.
Sparrow B., Liu J., Wegner D.M., 2011, Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips, Science, 333(6043), 776-778.
Yankouskaya, A., Almourad, M.B., Liebherr, M., Beyahi, F., Xu, G., Ali, R. (2026). “Who lets AI take over? Cross-national variation in willingness to delegate socially important roles to artificial intelligence.” AI and Society, 41, 6151–6169. DOI: 10.1007/s00146-026-02858-5. Springer.
Partecipa alla community