Il dibattito sulle innovazioni tecnologiche tende spesso a riprodurre una vecchia opposizione tra apocalittici e integrati: da un lato la tecnologia come promessa di progresso, dall’altro come minaccia radicale. Non ne sono esenti le narrazioni sull’Intelligenza Artificiale che, anche se meno rigidamente binarie, continuano a organizzarsi attorno a narrazioni ricorrenti, che orientano il modo in cui individui e gruppi le attribuiscono senso e ne interpretano l’uso, attraverso assunzioni condivise su ciò che essa è e su come dovrebbe essere usata (Denia, 2025).
Pertanto la sua diffusione – sempre più massiva nelle pratiche quotidiane, educative, personali o professionali – rende insufficiente una divulgazione concentrata soltanto sull’uso dello strumento o sulla capacità dell’utente di formulare prompt efficaci.
Da fruitori, pensiamo di porre una domanda neutra e ricevere una risposta oggettiva. In realtà, né la domanda né la risposta sono neutre, perché l’utente formula la richiesta dentro i propri schemi, scegliendo non solo cosa chiedere, ma anche quali parole usare e inevitabilmente quali possibilità lasciare fuori, mentre il modello risponde a partire dai dati, dalle logiche con cui è stato progettato e dalle rappresentazioni culturali che incorpora. Possiamo dire che, seppur nelle proprie differenze oggettive, entrambe operano dentro cornici interpretative, dette frame, che selezionano alcuni aspetti della realtà e lasciano il resto sullo sfondo.
In questo senso, leggendo l’uso dell’AI all’interno del quadro teorico dei “technological frames”, questa apparirà un vero e proprio oggetto psicosociale, spostando il focus su qualcosa di diverso dalle sue potenzialità o dalla sua attendibilità, ma sulla riflessione che cerca di lasciar emergere entro quale cornice sociale impariamo a riconoscerla, desiderarla, temerla o considerarla inevitabile (Wang & Liang, 2024; Orlikowski & Gash,1994).
Il modo in cui la società incornicia l’AI, infatti, attiva un preciso interruttore psicologico nella nostra mente, che può generare fiducia o diffidenza, guidare in generale le scelte utente e quindi incidere sul modo cui lavoriamo o addirittura, alla lunga, pensiamo.
Parliamo, in questo caso, dell’effetto framing ovvero la tendenza a prendere decisioni diverse rispetto a come viene presentata la domanda. La stessa identica informazione, presentata in cornici diverse, produce scelte sistematicamente diverse, indipendentemente dalla competenza o dall’attenzione di chi decide (Tversky & Kahneman, 1981).
Il frame, in altri termini, precede il pensiero ed è proprio sull’impatto dei frame invisibili che si muove l’interazione con i modelli generativi.
Indice degli argomenti
I frame AI che orientano domande e risposte
Chiaramente l’Intelligenza artificiale è un sistema socio-tecnico nel quale immaginari collettivi, scelte progettuali, pratiche d’uso e schemi interpretativi si influenzano reciprocamente. Per comprenderne il funzionamento può essere utile osservare la relazione che si costruisce tra tecnologia, linguaggio e contesto sociale.
Dentro questa relazione possono essere distinti tre livelli del tutto interconnessi che aiutano la riflessione: il perimetro tecnico-epistemico del modello, il frame linguistico della domanda e la cornice interpretativa dell’utente.
Il perimetro tecnico-epistemico del modello
Partiamo dal modello generativo, che risponde a ciò che del mondo è stato scritto, archiviato, selezionato e reso disponibile. Non lavora sulla realtà in sé, ma su una sua rappresentazione testuale che è inevitabilmente parziale, costruita da lingue più presenti di altre, da fonti più visibili di altre, da culture che hanno avuto maggiore accesso alla produzione e alla circolazione della parola pubblica.
Questo non significa che il modello “abbia un’opinione” nel senso umano del termine, per quanto nell’immaginario collettivo rimanga l’idea di una intelligenza “intelligente”, che pensa quello che dice. Noto in letteratura come Effetto Eliza, la tendenza a interpretare le risposte come segnali di autentica comprensione è un fenomeno che prende il nome dal programma realizzato da Joseph Weizenbaum negli anni Sessanta, capace di simulare una conversazione attraverso il riconoscimento di parole chiave e la riformulazione delle frasi dell’utente.
Il rischio è confondere la simulazione linguistica della comprensione con la comprensione stessa, mentre in realtà il suo campo di risposta non è neutro, ma riguarda ciò che appare più frequente nei dati e che quindi diventa più disponibile nella risposta. Quello che è stato scritto di più, meglio indicizzato o più autorevolmente riconosciuto tende a presentarsi come più plausibile, al contrario ciò che è poco documentato o meno rappresentato resterà sullo sfondo.
È qui che si costruisce il frame del modello, che diventa perimetro invisibile del pensabile. Una risposta può sembrare completa, ordinata e professionale, ma portare con sé una certa idea di competenza, una certa gerarchia delle fonti, una certa visione del progresso, del lavoro, dell’efficienza o dell’innovazione. Il problema è che questa cornice non viene dichiarata. Non compare un avvertimento che dica quali assunzioni stanno orientando la risposta, ma per l’effetto suddetto gode di un’aura di autorevolezza e neutralità per il semplice fatto di essere prodotta da una AI.
La sua forza sta proprio nel farci dimenticare che ogni risposta nasce dentro una sorta di storia sociale della conoscenza, a causa anche del processo di esposizione ripetuta. Ogni interazione con un modello generativo, infatti, ci restituisce una risposta organizzata in un certo modo, con una certa gerarchia degli argomenti e una certa idea di completezza, che tendenzialmente sarà lineare e apparentemente completa.
Questo sta accadendo molte volte, in contesti diversi, per un numero crescente di persone, rendendo familiare una forma che diventa di conseguenza progressivamente più naturale, che diventa in qualche modo il punto di partenza implicito da cui qualsiasi altro modo di strutturare un pensiero sembra deviare, per l’effetto di mera esposizione (Zajonc, 1968).
Il prompt come frame della domanda
Il secondo frame è quello della domanda, dal momento che chiedere significa in qualche modo delimitare un campo, offrire una Gestalt. Ogni domanda contiene già una prima interpretazione del problema giacché nel momento in cui scegliamo le parole con cui formularla, definiamo anche ciò che riteniamo importante, ciò che lasciamo sullo sfondo e, in modo implicito, il tipo di risposta che ci aspettiamo.
Una stessa questione, formulata in modi diversi, può quindi produrre traiettorie interpretative molto differenti come Entman (1993) descrive nella teoria del framing applicata ai media. Selezionare alcuni aspetti della realtà e renderli più salienti, vuol dire orientare così la definizione del problema e ciò che ne consegue, quali le cause considerate rilevanti, le valutazioni possibili e le soluzioni immaginabili.
Con i modelli linguistici questo processo diventa, di fatto, invisibile. Il prompt in sostanza è un atto interpretativo che già indica al modello quale ruolo assumere, quali priorità seguire, quale tono adottare, quali aspetti considerare centrali e quali invece trattare come secondari.
Per questo il modo in cui formuliamo una domanda contribuisce a costruirla e anche variazioni apparentemente minime nella formulazione, nell’ordine delle informazioni, nello stile o nel formato della richiesta possono produrre differenze significative nell’output (Zhuo et al., 2024). In questo senso, l’interazione con l’AI va letta come un processo co-costruito giacché tra domanda e risposta si crea uno spazio di orientamento reciproco, in cui il frame della richiesta indirizza ciò che il sistema renderà più plausibile e più rilevante.
Il problema in questo caso è l’invisibilizzazione ovvero smettere di percepirlo come frame. Laddove, infatti, sia riconoscibile come tale può essere contestato ed eventualmente anche abbandonato. Nel contesto dei modelli generativi, il rischio è che certi modi di strutturare un problema, semplificati e iper lineari, diventino “la forma normale” di ottenere risposte e non una delle forme possibili, laddove, invece, molto spesso l’autenticità del pensiero umano è tutt’altro che lineare.
Interpretazione utente, bias e fiducia
Questo aspetto si connette direttamente al terzo frame, che riguarda strettamente l’interpretazione utente. Quando formuliamo una domanda non partiamo mai da zero, giacché portiamo con noi il nostro bagaglio emotivo e cognitivo, che siano credenze, aspettative, appartenenze e schemi interpretativi, il che rende alcune domande più naturali di altre e alcune risposte più accettabili di altre. Come già mostrava Goffman, l’esperienza sociale viene organizzata attraverso cornici interpretative che definiscono quale significato attribuire alla situazione. L’utente, quindi, non interroga il modello da una posizione neutra, ma a partire da una certa idea di ciò che è rilevante per sè, in linea con il processo noto come confirmation bias, di cui oggi abbiamo riscontri anche sul piano neurocognitivo.
Infatti che la neutralità sia difficile da sostenere è confermato anche dalle teorie del predictive processing, che descrivono la percezione come un processo guidato da aspettative e modelli interni, interpretando le informazioni che riceviamo alla luce di ciò che siamo già predisposti a riconoscere come rilevante o plausibile (Walsh et al., 2020). Molto incide anche, in tal senso, il tema della fluidità sull’affidabilità percepita, dal momento che un testo ordinato e privo di esitazioni richiede meno sforzo cognitivo e può generare una sensazione di affidabilità superiore alla sua effettiva fondatezza.
La letteratura sulla processing fluency mostra che ciò che è più facile da elaborare può essere giudicato più familiare o più credibile (Reber & Unkelbach, 2010). Con l’AI generativa questo diventa un nodo critico, perché la forma della risposta può simulare competenza anche quando il contenuto richiederebbe verifica, come nel caso delle “allucinazioni” del mezzo (risposte false, ma riportate con assertività convincente).
Va da sé che la forma linguistica diventa parte del problema dal momento che un testo può apparire credibile o “umano” per il semplice motivo che attiva indizi che l’utente associa all’autenticità, mentre come dimostrato dalla ricerca di Jakesch, Hancock e Naaman (2023), le persone per valutare il linguaggio generato dall’AI e stabilire se un testo sia umano o artificiale, ricorrono a euristiche intuitive.
Interviene in questo meccanismo la dinamica, documentata a lungo dalla ricerca sull’interazione uomo-macchina, in contesti ben diversi da quello dei modelli generativi: l’automation bias ovvero la tendenza a sovra-fidarsi degli output di sistemi automatizzati, riducendo progressivamente il monitoraggio critico anche quando segnali di errore o incongruenza sarebbero effettivamente riconoscibili (Parasuraman & Manzey, 2010).
Con i modelli generativi, questo effetto acquista una forma particolare dal momento che, diversamente da altri contesti in cui segnali di errore sono visivi (come ad esempio luci colorate, segnali di errore 404), un testo generativo non mostra incertezza e difficilmente segnala i propri limiti di conoscenza. La forma assertiva dell’output, di cui abbiamo parlato in termini di fluency, coincide esattamente con i pattern che l’utente impara ad associare all’affidabilità. L’automation bias non nasce quindi da ingenuità, ma da un transfert ragionevole: le stesse strategie cognitive che in altri contesti funzionano vengono applicate a un sistema che non fornisce le basi necessarie per calibrarle (per lo meno in questa fase di sviluppo).
È qui che entra in gioco la trust calibration intesa come la corrispondenza tra il grado di fiducia accordato a un sistema automatizzato e le sue reali prestazioni in quel dominio e in quelle condizioni. Una fiducia correttamente calibrata non significa né cieca deferenza né rifiuto sistematico, quanto piuttosto la capacità di modulare l’affidamento in funzione delle caratteristiche reali del sistema che richiede però una profonda conoscenza dello strumento.
Per le AI la calibrazione è strutturalmente difficile, sia perché le prestazioni del modello variano enormemente sia perché non esistono indicatori affidabili della propria incertezza. Questo non significa che la fiducia sia sempre mal riposta, né che l’utente sia necessariamente passivo, ma che il contesto tecnico dell’interazione ostacola attivamente la calibrazione così come intesa fino ad oggi. Il problema, allora, non è solo cognitivo ma anche di design e di trasparenza e riguarda le scelte con cui i sistemi generativi vengono progettati e resi disponibili, non solo le abitudini di chi li usa e la sua capacità di validare il contenuto.
Quando i frame AI diventano abitudine di pensiero
Quindi l’utente porta i propri schemi cognitivi, formula una domanda che li incorpora, il modello risponde dentro il proprio frame implicito, l’output viene percepito come fluente e autorevole, e l’utente lo integra nel proprio sistema di credenze. La catena è potente proprio perché non si presenta come imposizione.
Il rischio più profondo, non è pertanto ricevere una risposta sbagliata, ma abituarsi a un certo formato del pensiero: stesso tono, stessa struttura, stessa idea di completezza, stessa gerarchia di ciò che appare rilevante. Su grandi numeri come l’uso intensivo e massivo che se ne sta facendo in ambiti sia professionali che personali, questa dinamica comporta un vero e proprio dilemma sociale. Il beneficio individuale è maggiore di quello collettivo, creativamente parlando (Doshi & Hauser, 2024). Se molte persone usano gli stessi strumenti per produrre testi, decisioni e argomentazioni, alcuni frame diventano più facili da riprodurre e più difficili da riconoscere. Molto semplicemente, si perde l’unicità e si va verso una convergenza culturale.
Scrittura, apprendimento e delega cognitiva
La questione diventa ancora più delicata quando l’AI viene usata per sostituire attività che non sono solo operative, ma cognitive. Scrivere, ad esempio, non significa semplicemente trascrivere idee già formate: spesso è il modo attraverso cui le idee prendono forma. Nel tentativo di scegliere le parole, ordinare i passaggi, correggere le incoerenze e sostenere l’incertezza del testo, il pensiero si precisa.
La tradizione del writing to learn ha mostrato che scrivere non serve solo a esprimere ciò che si sa, ma a costruire conoscenza mentre la si formula (Emig, 1977). Per questo la scrittura è anche una pratica di apprendimento: non coinvolge solo l’espressione di un contenuto, ma l’esercizio di funzioni cognitive che si sviluppano attraverso l’uso, come formulare, ordinare, rivedere, argomentare e sostenere l’incertezza. Il punto è interrogarsi su cosa accade quando deleghiamo in modo sistematico proprio quei passaggi attraverso cui il pensiero si allena e diventa consapevole.
Delegare interamente questo passaggio a un modello generativo non significa soltanto guadagnare tempo, ma sottrarsi a quel momento di attrito in cui il pensiero si organizza e diventa davvero nostro. Una cosa è usare il modello per confrontare, riformulare, mettere alla prova un’idea; un’altra è ricevere un testo già ordinato senza aver attraversato il processo che avrebbe reso più chiaro il nostro punto di vista. Anche Wolf (2018), parlando di lettura profonda, ricorda quanto tempo, attenzione e complessità siano condizioni essenziali per un pensiero non puramente reattivo.
Sia chiaro, la delega cognitiva non è in sé negativa, considerando che gli esseri umani hanno sempre usato strumenti esterni, il problema nasce quando la delega non è usata per sostenere il pensiero, ma finisce per sostituirlo del tutto. Già il cosiddetto Google effect mostrava che, quando le persone pensano di poter recuperare facilmente un’informazione online, tendono a ricordare meno l’informazione stessa e più il luogo in cui ritrovarla (Sparrow, Liu & Wegner, 2011).
Ora con l’AI generativa non deleghiamo solo il recupero o l’informazione, ma anche la formulazione stessa del pensiero e questo deve farci riflettere ora più di prima, perchè quando uno strumento raggiunge una diffusione di massa, il problema smette di essere soltanto individuale ma diventa culturale. Riguarda quali forme di scrittura e ragionamento diventano progressivamente “normali” e, sul lungo periodo, quale attività cognitiva sarà allenata al pensiero complesso.
Postman (1992) ricordava che le tecnologie di massa trasformano l’ambiente culturale, cambiando le aspettative, le pratiche, le soglie di sforzo cognitivo che una comunità considera accettabili.
Empiricamente che l’AI generativa aumenta la creatività individuale ma riduce la diversità collettiva dei contenuti prodotti, per cui se una sola persona adotta inconsapevolmente un frame, è un problema individuale e reversibile, ma se milioni di persone usano gli stessi strumenti per scrivere, decidere e argomentare, i frame tendono a convergere su scala sociale (Doshi e Hauser 2024). In questo modo alcune domande diventano più difficili da formulare non perché siano proibite, ma perché le categorie con cui le formuleremmo non sono quelle che i modelli rendono facilmente disponibili.
Riconoscere i frame AI per praticare il reframing
Imparare a usare meglio i modelli generativi è utile, ma non è sufficiente. Quello che serve è qualcosa di più fondamentale: riconoscere i frame dentro cui si pensa quando si interagisce con l’AI. Trattandosi della struttura attraverso cui il pensiero si organizza, la risposta non è ignorarli, ma praticare il reframing, ovvero la capacità di riconoscere una cornice, metterla in discussione e cercarne un’altra. È un esercizio che richiede tempo e intenzione, proprio perché va nella direzione opposta rispetto ai meccanismi che rendono i frame invisibili, nonchè le motivazioni di presunta efficenza per cui si usa l’AI stessa.
Questo vale ben oltre la singola interazione con un chatbot, giacché gli algoritmi sono già dentro molti ambienti che abitiamo ( i feed, i motori di ricerca, i sistemi di raccomandazione, le piattaforme di lavoro, i servizi pubblici digitalizzati ) e orientano attenzione e accesso alle informazioni prima ancora che ci poniamo una domanda. Imparare a leggere questi ambienti come ambienti di framing è parte della stessa competenza (Park, 2025; Rapanta et al., 2025).
Sappiamo che le tecnologie incorporano valori nelle scelte di progettazione e nel loro codice sociotecnico, che definisce ciò che viene privilegiato o, al contrario, ostacolato. Sappiamo anche che queste scelte tendono a diventare invisibili, proprio perché l’uso ordinario raramente le mette in discussione (Feenberg, 1991).
Con l’AI, questo processo si complica ulteriormente, a causa dell’opacità dei modelli e dei criteri che ne orientano il funzionamento. Una conoscenza dei sistemi generativi che si fermi al livello dell’interazione lascia quindi intatto proprio questo strato implicito. Un approccio realmente critico e, soprattutto, etico, deve rendere visibili le logiche incorporate nei modelli, affinché il loro uso non venga semplicemente appreso, ma anche compreso, discusso e reso consapevole, in tutti i diversi contesti in cui essi vengono integrati in modo sempre più pervasivo.
Riferimenti bibliografici sui frame AI
Denia, E. (2025). AI narratives model: Social perception of artificial intelligence. Technovation, 146, 103266. https://doi.org/10.1016/j.technovation.2025.103266
Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
Eco, U. (1964). Apocalittici e integrati. Bompiani.
Emig, J. (1977). Writing as a mode of learning. College Composition and Communication, 28(2), 122–128. https://doi.org/10.2307/356095
Entman, R. M. (1993). Framing: Toward clarification of a fractured paradigm. Journal of Communication, 43(4), 51–58. https://doi.org/10.1111/j.1460-2466.1993.tb01304.x
Feenberg, A. (1991). Critical theory of technology. Oxford University Press.
Goffman, E. (1974). Frame analysis: an essay on the organization of experience. Harvard University Press.
Orlikowski, W. J., & Gash, D. C. (1994). Technological frames: making sense of information technology in organizations. ACM Transactions on Information Systems, 12(2), 174–207. https://doi.org/10.1145/196734.196745
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. Proceedings of the National Academy of Sciences, 120(11), e2208839120. https://doi.org/10.1073/pnas.2208839120
Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: an attentional integration. Human Factors, 52(3), 381–410. https://doi.org/10.1177/0018720810376055
Park, J. (2025). A systematic literature review of generative artificial intelligence (GenAI) literacy in schools. Computers and Education: Artificial Intelligence, 9, 100487. https://doi.org/10.1016/j.caeai.2025.100487
Postman, N. (1992). Technopoly: The surrender of culture to technology. Knopf.
Rapanta, C., Bhatt, I., Bozkurt, A., et al. (2025). Critical GenAI literacy: postdigital configurations. Postdigital Science and Education, 7, 1296–1333. https://doi.org/10.1007/s42438-025-00573-w
Reber, R., & Unkelbach, C. (2010). The epistemic status of processing fluency as source for judgments of truth. Review of Philosophy and Psychology, 1(4), 563–581. https://doi.org/10.1007/s13164-010-0039-7
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. https://doi.org/10.1126/science.1207745
Tversky, A., & Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211(4481), 453–458.
Walsh, K. S., McGovern, D. P., Clark, A., & O’Connell, R. G. (2020). Evaluating the neurophysiological evidence for predictive processing as a model of perception. Annals of the New York Academy of Sciences, 1464(1), 242–268. https://doi.org/10.1111/nyas.14321
Wang, S., & Liang, Z. (2024). What does the public think about artificial intelligence? An investigation of technological frames in different technological context. Government Information Quarterly, 41(2), 101939. https://doi.org/10.1016/j.giq.2024.101939
Wolf, M. (2018). Reader, come home: The reading brain in a digital world. Harper.
Weizenbaum, J. (1966). ELIZA. A computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36–45.
Zhuo, J., Zhang, S., Fang, X., Duan, H., Lin, D., & Chen, K. (2024). Assessing and understanding the prompt sensitivity of LLMs. In Findings of the Association for Computational Linguistics: EMNLP 2024 (pp. 1908–1926). Association for Computational Linguistics. https://aclanthology.org/2024.findings-emnlp.108/
Zajonc, R. B. (1968). Attitudinal effects of mere exposure. Journal of Personality and Social Psychology, 9(2, Pt. 2), 1–27. https://doi.org/10.1037/h0025848
Partecipa alla community