Cognitive turn: la nuova era delle decisioni aziendali

Negli ultimi due decenni, la crescente convergenza tra scienze cognitive, strategic management e artificial intelligence ha progressivamente ridefinito il paradigma teorico della decisione organizzativa.

Tale trasformazione, oggi sempre più frequentemente descritta in letteratura come cognitive turn of management, riflette il superamento dell’impostazione tradizionale della razionalità manageriale fondata sul decisore individuale e sull’assunto di capacità cognitive sostanzialmente stabili e autonome. In sua sostituzione emerge una concezione della decisione come processo distribuito, situato e tecnologicamente mediato, nel quale le capacità cognitive dell’organizzazione derivano dall’interazione dinamica tra attori umani, architetture informative e routines organizzative.

Sul piano teorico, questo passaggio si colloca all’intersezione di diversi filoni di ricerca. La behavioral decision theory ha mostrato come il management operi sistematicamente in condizioni di bounded rationality (Simon, 1947), caratterizzate da incompletezza informativa, limiti attentivi ed euristiche decisionali. Successivamente, gli studi di Kahneman e Tversky (1974) sui cognitive biases hanno evidenziato come le decisioni strategiche siano frequentemente influenzate da distorsioni sistematiche nella valutazione del rischio, nell’interpretazione delle probabilità e nella selezione delle alternative. Parallelamente, la strategic cognition literature ha progressivamente spostato l’attenzione dai processi decisionali individuali alle rappresentazioni cognitive collettive, alle mental maps organizzative e alle dinamiche di interpretazione strategica dei contesti competitivi (Hodgkinson, 2001).

Cognitive turn nel management e razionalità organizzativa

In questo quadro, il contributo della cognitive science e delle teorie della distributed cognition (Hutchins, 1995) ha assunto una rilevanza crescente. Secondo tali approcci, la cognizione non può essere ricondotta esclusivamente all’attività mentale del singolo individuo, ma emerge dall’interazione tra soggetti, strumenti tecnologici, artefatti informativi e ambiente organizzativo. Applicata al management, questa impostazione implica che la qualità delle decisioni strategiche dipenda dalla configurazione dell’intero sistema cognitivo dell’impresa e non soltanto dalle competenze del decisore.

L’emergere dell’intelligenza artificiale avanzata, e in particolare delle cosiddette agentic AI systems, accelera ulteriormente questa trasformazione paradigmatica. A differenza dei tradizionali sistemi di predictive analytics, progettati per supportare il management attraverso output informativi statici, le nuove architetture agentiche introducono capacità di apprendimento continuo, pianificazione multi-step, adattamento dinamico e perseguimento autonomo di obiettivi (Acharya et al., 2025). L’AI non si limita più a fornire informazioni al decisore umano, ma interviene attivamente nella costruzione del processo decisionale, modificando le logiche di problem framing, le soglie di attenzione manageriale e le modalità di allocazione della razionalità organizzativa. Da questo punto di vista, il cognitive turn non rappresenta semplicemente un’evoluzione tecnologica del management, ma una trasformazione strutturale della governance decisionale dell’impresa.

La razionalità manageriale assume infatti una configurazione ibrida, nella quale funzioni cognitive differenti vengono distribuite tra esseri umani e sistemi artificiali. Le attività ad alta intensità computazionale vengono progressivamente esternalizzate ad architetture algoritmiche avanzate; al contrario, le funzioni di interpretazione strategica, attribuzione di significato, valutazione normativa e assunzione di responsabilità rimangono prevalentemente ancorate alla dimensione umana della decisione.

Questa transizione appare particolarmente rilevante nei contesti caratterizzati da incertezza sistemica, come la gestione della crisi d’impresa, il risk management strategico e la governance adattiva. In tali ambiti, la crescente disponibilità di modelli predittivi avanzati e sistemi AI-driven sta modificando non solo la capacità di anticipare eventi critici, ma anche la struttura cognitiva attraverso cui l’organizzazione interpreta il rischio e costruisce le proprie risposte strategiche.

Il cognitive turn del management pone quindi interrogativi teorici e manageriali di particolare rilevanza scientifica: in che misura l’AI modifica la natura della razionalità organizzativa? Come si redistribuiscono le funzioni cognitive tra management e sistemi artificiali? Quali sono i rischi di dipendenza cognitiva, opacità decisionale e deresponsabilizzazione strategica? E soprattutto: quali architetture organizzative risultano necessarie affinché l’integrazione uomo–AI produca un effettivo incremento della qualità decisionale anziché nuove forme di rigidità cognitiva?

Dalla razionalità individuale all’architettura cognitiva dell’impresa

L’evoluzione teorica del management può essere interpretata come una progressiva ridefinizione del concetto stesso di razionalità organizzativa. I modelli classici di strategic management, influenzati dall’economia neoclassica e dalla teoria della scelta razionale, assumevano implicitamente che il decisore fosse in grado di identificare obiettivi coerenti, raccogliere informazioni complete e selezionare l’alternativa ottimale attraverso processi decisionali sostanzialmente lineari. In questa impostazione, l’organizzazione costituiva prevalentemente il contesto operativo della decisione, mentre la razionalità rimaneva una proprietà individuale del management.

La prima rottura teorica significativa emerge con Herbert Simon (1947; 1957), il quale introduce il concetto di bounded rationality, sostenendo che le decisioni manageriali siano inevitabilmente condizionate da limiti cognitivi, incompletezza informativa e vincoli temporali. Il decisore non ottimizza, ma “satisficing”, ossia ricerca soluzioni sufficientemente soddisfacenti all’interno di contesti caratterizzati da complessità e incertezza. Questa impostazione segna il passaggio da una teoria normativa della decisione a una teoria descrittiva dei comportamenti manageriali reali.

Negli anni successivi, gli studi di Kahneman e Tversky (1974; 1979) approfondiscono ulteriormente tale prospettiva mostrando come il management utilizzi sistematicamente euristiche cognitive che, pur consentendo rapide semplificazioni decisionali, producono distorsioni prevedibili nella valutazione del rischio e delle probabilità. Bias quali anchoring, overconfidence, escalation of commitment e confirmation bias assumono particolare rilevanza nelle decisioni strategiche ad alta incertezza, contribuendo spesso alla persistenza di traiettorie organizzative inefficienti o deteriorate.

Parallelamente, la strategic cognition literature sviluppa una concezione più sofisticata della decisione organizzativa, focalizzandosi sulle mental representations attraverso cui i top managers interpretano ambienti competitivi complessi. Hodgkinson (2001) evidenzia come la strategia non derivi semplicemente da dati oggettivi, ma da processi cognitivi di interpretazione, categorizzazione e sensemaking che influenzano la percezione delle minacce e delle opportunità competitive.

Tuttavia, il passaggio teorico più rilevante per comprendere il cognitive turn contemporaneo consiste nello spostamento dalla cognizione individuale alla cognizione distribuita. Le teorie della distributed cognition (Hutchins, 1995) e della extended cognition sostengono infatti che l’attività cognitiva emerga dall’interazione tra soggetti, tecnologie, strumenti informativi e contesto organizzativo. Applicata al management, questa prospettiva implica che la razionalità dell’impresa non possa più essere ricondotta esclusivamente alla mente del decisore, ma debba essere interpretata come proprietà emergente di un’architettura cognitiva multilivello.

L’impresa contemporanea opera infatti attraverso ecosistemi informativi altamente complessi nei quali ERP systems, piattaforme di business intelligence, modelli predittivi, dashboard algoritmiche, sistemi AI-driven e routines organizzative contribuiscono direttamente alla costruzione della decisione strategica. La razionalità manageriale diventa così una funzione distribuita tra componenti eterogenee, umane e artificiali.

Questo cambiamento assume una rilevanza decisiva nell’attuale fase di integrazione dell’AI nei processi di governance aziendale. Le architetture algoritmiche avanzate non si limitano più a supportare l’analisi quantitativa, ma modificano attivamente il modo in cui l’organizzazione costruisce attenzione strategica, interpreta segnali deboli e definisce priorità decisionali.

L’AI interviene quindi non soltanto sul contenuto della decisione, ma sulla struttura cognitiva attraverso cui la decisione viene prodotta. Da questa prospettiva, il cognitive turn del management coincide con la trasformazione dell’impresa in un sistema cognitivo ibrido, nel quale capacità computazionali artificiali e funzioni interpretative umane operano in modo interdipendente. La qualità della governance dipende pertanto non dalla semplice disponibilità di informazioni o tecnologie avanzate, ma dalla progettazione coerente dell’intera architettura cognitiva organizzativa.

Agentic AI e trasformazione delle architetture decisionali

L’evoluzione più avanzata del cognitive turn manageriale trova oggi espressione nello sviluppo delle cosiddette agentic AI architectures, ossia sistemi artificiali capaci non soltanto di elaborare informazioni o produrre inferenze statistiche, ma di operare come agenti cognitivi semi-autonomi all’interno dei processi decisionali organizzativi. Tale passaggio segna una discontinuità sostanziale rispetto alla tradizionale logica dei decision support systems e delle piattaforme di predictive analytics, poiché introduce una forma di cognizione artificiale orientata all’azione, all’adattamento e alla pianificazione strategica multi-step.

Dal punto di vista tecnico, i sistemi agentici integrano componenti differenti: large language models, reinforcement learning architectures, retrieval-augmented generation (RAG), memory systems persistenti, planning engines e moduli di environmental adaptation. L’interazione tra tali componenti consente all’agente artificiale di mantenere una rappresentazione dinamica dell’ambiente decisionale, aggiornare continuamente le proprie policy operative e perseguire obiettivi definiti attraverso strategie adattive. Come evidenziato da Acharya et al. (2025), l’elemento distintivo dell’agentic AI non consiste nella mera capacità predittiva, ma nella combinazione tra apprendimento continuo, goal-directed behavior e autonomia operativa contestuale (Figura 1).

Figura 1: Framework tecnico dell’agentic AI

Fonte: Acharya et al., 2025

Questa trasformazione produce implicazioni profonde per il management contemporaneo. Nei modelli decisionali tradizionali, il management operava secondo una sequenza relativamente lineare: raccolta delle informazioni, interpretazione, valutazione delle alternative e selezione della decisione. Le architetture agentiche rompono tale linearità, sostituendola con un ciclo cognitivo continuo nel quale percezione, inferenza, simulazione e azione vengono integrate in tempo reale. L’AI non fornisce più soltanto informazioni al decisore umano, ma contribuisce direttamente alla costruzione del contesto cognitivo entro cui la decisione emerge.

In termini organizzativi, ciò implica una progressiva transizione da strutture decisionali gerarchiche e sequenziali verso modelli cognitivi distribuiti e adattivi. L’impresa tende a configurarsi come un network di agenti cognitivi interconnessi — umani e artificiali — che operano attraverso flussi continui di feedback informativo. Le decisioni strategiche non derivano più esclusivamente da processi deliberativi top-down, ma emergono dall’interazione dinamica tra sistemi predittivi, modelli simulativi, piattaforme di monitoring e management umano.

Le implicazioni pratiche di questa evoluzione risultano particolarmente rilevanti nei sistemi di governance del rischio e nella gestione della crisi d’impresa. In un contesto di deterioramento aziendale, un sistema agentico avanzato può:

• rilevare pattern anomali nei flussi di cassa;
• correlare tali segnali con variabili macroeconomiche o settoriali;
• simulare scenari alternativi di evoluzione della crisi;
• suggerire strategie correttive differenziate;
• monitorare gli effetti delle decisioni implementate;
• aggiornare continuamente le proprie policy di intervento.

La crisi non viene quindi trattata come evento discreto da identificare ex post, ma come processo dinamico da governare adattivamente attraverso una cognizione organizzativa aumentata. Tuttavia, proprio questa crescente capacità di autonomia cognitiva introduce nuove criticità strutturali.

• La prima riguarda il problema dell’opacità algoritmica. I sistemi agentici operano spesso attraverso processi inferenziali non pienamente interpretabili nemmeno dai progettisti, soprattutto nei casi di reinforcement learning avanzato o deep neural reasoning. Ciò genera un progressivo disallineamento tra capacità operativa del sistema e comprensibilità manageriale delle sue logiche decisionali.
• La seconda criticità riguarda la redistribuzione della responsabilità. Quanto più l’AI assume funzioni di pianificazione, prioritizzazione e selezione delle azioni, tanto più si complica l’attribuzione dell’accountability decisionale. Nei sistemi cognitivi ibridi, la decisione emerge dall’interazione tra management umano e architetture artificiali, rendendo difficile distinguere responsabilità operative, strategiche e sistemiche.
• Un terzo elemento riguarda il rischio di cognitive overreliance. Le evidenze empiriche sui processi di human-AI collaboration mostrano che l’incremento dell’accuratezza predittiva tende progressivamente a ridurre la capacità critica del decisore umano, favorendo fenomeni di automation bias, delega cognitiva e dipendenza algoritmica. In tali condizioni, l’AI rischia paradossalmente di ridurre la resilienza cognitiva dell’organizzazione, soprattutto nei contesti caratterizzati da eventi rari, discontinuità sistemiche o cambiamenti strutturali non rappresentati nei dati storici.

Da un punto di vista manageriale, emerge quindi la necessità di progettare architetture decisionali ibride nelle quali autonomia algoritmica e supervisione umana risultino bilanciate dinamicamente. La sfida non consiste nell’opporre decisione umana e decisione artificiale, ma nel definire modelli di integrazione cognitiva capaci di sfruttare la superiorità computazionale dell’AI senza compromettere capacità interpretativa, responsabilità strategica e adattabilità organizzativa. Il cognitive turn del management conduce pertanto verso una nuova configurazione della governance aziendale: non più fondata esclusivamente sull’autorità gerarchica o sulla disponibilità informativa, ma sulla capacità di orchestrare sistemi cognitivi distribuiti ad alta complessità.

Architetture cognitive ibride, explainability e governance adattiva

L’integrazione strutturale dell’agentic AI nei processi di governance aziendale rende necessario il passaggio da modelli tradizionali di IT governance a forme più avanzate di cognitive governance, nelle quali il problema centrale non consiste più esclusivamente nel controllo dell’infrastruttura tecnologica, ma nella regolazione dell’interazione cognitiva tra sistemi artificiali e decisori umani. In tale contesto, l’efficacia delle architetture decisionali dipende dalla capacità dell’organizzazione di gestire simultaneamente tre dimensioni interdipendenti: autonomia algoritmica, supervisione umana e adattamento dinamico del sistema cognitivo complessivo.

Dal punto di vista tecnico-organizzativo, le moderne architetture cognitive ibride possono essere descritte come sistemi multilivello composti da quattro layer principali: data layer, reasoning layer, decision orchestration layer e governance layer.

• Il data layer costituisce il livello infrastrutturale della cognizione organizzativa aumentata. In questa dimensione vengono raccolti, integrati e normalizzati flussi informativi eterogenei provenienti da ERP systems, sistemi di tesoreria, CRM, supply chain platforms, dati ESG, fonti macroeconomiche e dati non strutturati. L’aspetto tecnicamente più rilevante non riguarda semplicemente il volume dei dati, ma la loro sincronizzazione temporale e semantica. Le architetture agentiche avanzate richiedono infatti pipeline informative caratterizzate da bassa latenza, continuità di aggiornamento e interoperabilità semantica tra domini differenti. La qualità cognitiva del sistema dipende pertanto dalla capacità di costruire una rappresentazione coerente dell’ambiente organizzativo in tempo quasi reale.
• Il reasoning layer rappresenta il nucleo cognitivo propriamente detto. In questa componente operano modelli di inferenza probabilistica, reinforcement learning agents, sistemi di planning multi-step e moduli di causal reasoning. L’evoluzione più significativa rispetto ai tradizionali modelli di machine learning consiste nella transizione da architetture prediction-oriented a architetture intention-oriented. I sistemi non si limitano più a stimare probabilità di eventi futuri, ma costruiscono sequenze operative coerenti con obiettivi strategici definiti. Tale evoluzione implica l’introduzione di capacità di world modeling, ossia la costruzione di rappresentazioni interne dell’ambiente organizzativo attraverso cui simulare traiettorie evolutive alternative. Dal punto di vista computazionale, questo passaggio comporta un aumento esponenziale della complessità cognitiva del sistema. Gli agenti artificiali non elaborano più soltanto relazioni statistiche tra variabili, ma sviluppano strutture inferenziali dinamiche nelle quali memoria, contesto, obiettivi e feedback ambientali interagiscono continuamente. La decisione emerge quindi da processi di recursive reasoning difficilmente riducibili a logiche lineari di input-output.
• Il decision orchestration layer svolge invece la funzione di coordinamento tra agenti artificiali, management umano e sistemi operativi aziendali. È in questa dimensione che si definiscono le soglie di autonomia decisionale, le escalation rules, i protocolli di intervento e le modalità di human override. Nelle organizzazioni più avanzate, l’orchestrazione cognitiva non avviene attraverso controlli statici, ma mediante sistemi adattivi di allocazione dinamica dell’autonomia algoritmica.

In pratica, il livello di autonomia dell’AI varia in funzione di:

• criticità della decisione;
• volatilità ambientale;
• qualità dei dati disponibili;
• livello di confidenza predittiva;
• impatto sistemico dell’errore potenziale.

Ciò conduce verso modelli di adaptive autonomy, nei quali l’AI può operare con elevata indipendenza nei processi routinari e bassa criticità, mentre richiede crescente supervisione umana al crescere della complessità strategica e dell’incertezza sistemica.

• Il quarto livello, il governance layer, rappresenta oggi la componente più critica e meno sviluppata delle architetture cognitive ibride. Qui emerge il problema centrale della explainability e della accountability algoritmica. L’aumento della sofisticazione inferenziale dei sistemi agentici produce infatti una progressiva tensione tra performance predittiva e interpretabilità decisionale. I modelli più performanti tendono a essere anche quelli cognitivamente meno trasparenti.

Da qui emerge la crescente importanza delle tecniche di Explainable AI (XAI) e causal interpretability. Tuttavia, la explainability tradizionale, basata prevalentemente su feature importance o local explanations, appare insufficiente nelle architetture agentiche avanzate. Nei sistemi cognitivi distribuiti, infatti, la decisione non deriva da una singola inferenza, ma dall’interazione continua tra memoria, pianificazione, retrieval contestuale e apprendimento adattivo.

Si rende quindi necessaria una nuova generazione di framework interpretativi orientati non soltanto alla spiegazione dell’output, ma alla tracciabilità dell’intero processo cognitivo artificiale. Alcuni studi recenti definiscono questa esigenza come cognitive auditability: la capacità di ricostruire l’evoluzione del ragionamento algoritmico nel tempo, identificando le interazioni tra dati, inferenze, obiettivi e feedback ambientali.

Implicazioni

Le implicazioni manageriali sono profonde. La governance dell’AI non può più essere trattata come funzione esclusivamente tecnica o compliance-oriented. Diventa una componente strutturale della governance strategica dell’impresa. Il management deve sviluppare capacità di meta-governance cognitiva, ossia la capacità di progettare, supervisionare e adattare ecosistemi decisionali ibridi caratterizzati da crescente complessità computazionale.

In questo scenario, il vantaggio competitivo delle organizzazioni non dipenderà soltanto dalla disponibilità di modelli AI avanzati, ma dalla capacità di integrare tali sistemi all’interno di architetture cognitive resilienti, interpretabili e istituzionalmente sostenibili. Il rischio principale non consiste infatti nell’autonomia dell’AI in sé, bensì nella costruzione di organizzazioni cognitivamente dipendenti da sistemi che non comprendono pienamente.

La sfida del management contemporaneo diventa quindi eminentemente architetturale: progettare sistemi decisionali nei quali intelligenza artificiale e intelligenza organizzativa co-evolvano senza generare perdita di controllo strategico, rigidità cognitiva o deresponsabilizzazione manageriale.

Cognitive turn, strategic representations e misconduct organizzativo

Uno degli sviluppi teoricamente più rilevanti del cognitive turn del management riguarda la ridefinizione del rapporto tra rappresentazioni strategiche, percezione del rischio e comportamenti organizzativi devianti. La letteratura sulla strategic cognition ha infatti progressivamente dimostrato che le organizzazioni non reagiscono alla realtà competitiva in modo oggettivo, ma attraverso strutture cognitive collettive — strategic representations, mental models, interpretative schemas — che filtrano selettivamente informazioni, segnali ambientali e priorità decisionali (Hodgkinson, 2001; Weick, 1995).

Le decisioni strategiche non emergono quindi da una lettura neutrale del contesto competitivo, bensì da processi di sensemaking attraverso cui il management costruisce rappresentazioni cognitive della realtà organizzativa. Tali rappresentazioni svolgono una funzione fondamentale di riduzione della complessità: consentono di stabilizzare aspettative, coordinare comportamenti e rendere gestibili ambienti altamente incerti. Tuttavia, proprio questa funzione stabilizzatrice può generare fenomeni di rigidità cognitiva e distorsione interpretativa.

Nel tempo, le strategic representations tendono infatti a cristallizzarsi in vere e proprie architetture percettive organizzative. Il management non interpreta semplicemente il mercato o il rischio: interpreta la propria rappresentazione del mercato e del rischio. Ciò produce un effetto di autoreferenzialità cognitiva che può ridurre drasticamente la capacità dell’organizzazione di riconoscere segnali deboli, discontinuità sistemiche o deterioramenti progressivi delle proprie condizioni operative.

Questo meccanismo assume particolare rilevanza nell’analisi dei fenomeni di misconduct organizzativo. Una parte crescente della letteratura contemporanea mostra infatti che molte forme di misconduct, come financial misreporting, escalation opportunistica del rischio, manipolazione informativa, aggressive accounting practices, governance failures, non derivano necessariamente da intenzionalità fraudolenta originaria, ma da processi graduali di normalizzazione cognitiva della devianza. In tali contesti, il cognitive turn offre una chiave interpretativa particolarmente avanzata: il misconduct può essere interpretato come il prodotto di un progressivo disallineamento tra rappresentazione strategica interna e realtà organizzativa esterna.

Quando le strategic representations diventano eccessivamente rigide o autoreferenziali, l’organizzazione sviluppa meccanismi cognitivi difensivi volti a preservare la coerenza interna del proprio modello interpretativo. Informazioni incoerenti con la narrativa dominante tendono a essere:

• sottostimate;
• reinterpretate;
• marginalizzate;
• ritardate nei processi decisionali;
• escluse dai flussi di escalation organizzativa.

Questo fenomeno è stato osservato empiricamente in numerosi corporate scandals, nei quali segnali di deterioramento erano presenti molto tempo prima dell’emersione formale della crisi, ma venivano sistematicamente neutralizzati da strutture cognitive organizzative incapaci di integrare informazioni dissonanti.

Dal punto di vista cognitivo, emerge un fenomeno di strategic attentional lock-in: l’organizzazione continua a interpretare la realtà attraverso schemi mentali divenuti progressivamente incompatibili con l’evoluzione dell’ambiente competitivo. La misconduct non appare quindi soltanto come violazione normativa o etica, ma come esito patologico di un sistema cognitivo organizzativo che perde capacità adattiva. L’introduzione dell’AI nei processi decisionali modifica profondamente questa dinamica.

Le architetture agentiche avanzate hanno infatti la capacità di operare al di fuori delle rappresentazioni strategiche consolidate del management, identificando pattern anomali, incoerenze sistemiche e segnali di deterioramento che potrebbero risultare cognitivamente invisibili agli attori organizzativi umani. Da questo punto di vista, l’AI può funzionare come dispositivo di cognitive debiasing organizzativo.

Attraverso capacità di pattern recognition multidimensionale, continuous monitoring e anomaly detection, i sistemi AI-driven possono ridurre alcuni dei principali limiti cognitivi del management:

• confirmation bias;
• escalation of commitment;
• overconfidence;
• attentional narrowing;
• interpretative rigidity.

Tuttavia, questa potenzialità introduce una tensione strutturale estremamente rilevante. Più l’AI diventa efficace nell’identificare segnali incoerenti con le strategic representations dominanti, più aumenta il rischio di conflitto cognitivo tra management e sistema algoritmico. In presenza di output che contraddicono la narrativa organizzativa prevalente, il management può sviluppare forme di resistenza cognitiva all’AI stessa. Emergono così nuovi fenomeni di:

• selective algorithmic trust;
• defensive override;
• symbolic adoption of AI;
• algorithmic decoupling.

L’organizzazione adotta formalmente sistemi predittivi avanzati, ma ne neutralizza sostanzialmente la funzione trasformativa quando gli output risultano incompatibili con gli equilibri cognitivi, politici o strategici esistenti. L’anticipazione algoritmica del deterioramento organizzativo non è cognitivamente neutrale: rende visibili vulnerabilità che il management potrebbe avere interesse, consapevole o inconsapevole, a non riconoscere pienamente.

Il cognitive turn del management mostra quindi che il vero problema della governance contemporanea non riguarda soltanto la qualità tecnica dei modelli AI, ma la compatibilità tra architetture cognitive artificiali e rappresentazioni strategiche umane.

Da questa prospettiva, la governance dell’AI diventa anche governance delle rappresentazioni organizzative. Le organizzazioni più resilienti non saranno necessariamente quelle con gli algoritmi più sofisticati, ma quelle capaci di costruire ecosistemi cognitivi nei quali:

• le rappresentazioni strategiche rimangano adattive;
• il dissenso informativo possa emergere;
• i segnali deboli vengano integrati tempestivamente;
• l’AI possa funzionare come meccanismo di revisione cognitiva e non soltanto di automazione operativa.

La vera implicazione del cognitive turn è dunque che la crisi d’impresa, il misconduct e il fallimento strategico non possono più essere interpretati esclusivamente come problemi economici o di governance formale. Essi rappresentano, sempre più chiaramente, fenomeni di deterioramento cognitivo organizzativo, nei quali la perdita di capacità interpretativa precede e produce progressivamente il deterioramento operativo e finanziario dell’impresa.

Conclusioni e opportunità future

Il cognitive turn del management rappresenta una delle trasformazioni più profonde e strutturali della teoria e della pratica manageriale contemporanea. Non si tratta semplicemente dell’introduzione di strumenti digitali più sofisticati o dell’automazione di singole attività decisionali, ma della progressiva riconfigurazione delle architetture cognitive attraverso cui imprese, istituzioni e territori interpretano la realtà, costruiscono conoscenza e coordinano azioni strategiche. La vera discontinuità introdotta dall’AI, e in particolare dalle agentic AI architectures, non riguarda soltanto la capacità di elaborare grandi volumi di dati, ma la possibilità di redistribuire funzioni cognitive tra esseri umani e sistemi artificiali. La razionalità organizzativa cessa progressivamente di essere una proprietà individuale del management e assume la forma di un sistema cognitivo distribuito, dinamico e multilivello, nel quale algoritmi, dati, piattaforme digitali, routines organizzative e capacità interpretative umane operano in modo interdipendente.

In questo scenario, l’impresa evolve da struttura gerarchica orientata all’efficienza operativa a infrastruttura cognitiva adattiva. Il vantaggio competitivo non dipenderà più esclusivamente dalla disponibilità di capitale finanziario, tecnologico o produttivo, ma dalla capacità di costruire ecosistemi decisionali resilienti, caratterizzati da elevata integrazione cognitiva, interpretabilità strategica e apprendimento continuo.

Tale evoluzione produce implicazioni profonde anche sul piano territoriale e istituzionale. La competizione economica tenderà progressivamente a configurarsi come competizione tra architetture cognitive territoriali: ecosistemi nei quali università, imprese, istituzioni pubbliche e infrastrutture digitali collaborano nella produzione, interpretazione e utilizzo strategico della conoscenza. In questo contesto, la AI literacy e la cognitive literacy diventano assets strategici collettivi, essenziali quanto le infrastrutture fisiche o finanziarie.

Allo stesso tempo, il cognitive turn rende più evidenti nuove fragilità sistemiche. L’aumento della capacità computazionale non elimina infatti i limiti della razionalità organizzativa, ma li ridefinisce. Fenomeni di automation bias, dipendenza algoritmica, rigidità interpretativa e opacità decisionale possono produrre nuove forme di vulnerabilità cognitiva, soprattutto nelle organizzazioni incapaci di integrare criticamente l’AI nei propri processi decisionali.

La sfida centrale del management contemporaneo non consiste quindi nello scegliere tra decisione umana e decisione artificiale, ma nel progettare architetture ibride capaci di bilanciare autonomia algoritmica, supervisione umana e adattabilità strategica. La qualità della governance dipenderà sempre più dalla capacità di orchestrare sistemi cognitivi complessi mantenendo interpretabilità, accountability e resilienza organizzativa (Tabella 1).

Tabella 1: Cognitive turn del management: traiettorie di ricerca futura e implicazioni manageriali

Per una trattazione più ampia delle trasformazioni cognitive dei sistemi decisionali d’impresa, delle implicazioni manageriali dell’intelligenza artificiale e dell’evoluzione dei modelli predittivi applicati alla governance organizzativa, si rinvia al volume “Modelli predittivi e Intelligenza Artificiale per il governo della crisi d’impresa”, (Giappichelli Editore, 2026).

Modelli predittivi e Intelligenza Artificiale per il governo della crisi d’impresa – Giappichelli Editore

Bibliografia

Acharya, D. B., Kuppan, K., & Divya, B. (2025). Agentic AI: Autonomous intelligence for complex goals—A comprehensive survey. IEEE Access, 13, 18912–18936.

Hodgkinson, G. P. (2001). Cognitive processes in strategic management: Some emerging trends and future directions. In N. Anderson, D. S. Ones, H. K. Sinangil, & C. Viswesvaran (Eds.), Handbook of industrial, work and organizational psychology: Vol. 2. Organizational psychology (pp. 416–440). SAGE. https://doi.org/10.4135/9781848608368.n22

Hutchins, E. (1995). Cognition in the wild. MIT Press.

Kahneman, D., & Tversky, A. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124

Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185

lo Conte, D. L. (2026). Modelli predittivi e Intelligenza Artificiale per il governo della crisi d’impresa. Giappichelli.

Simon, H. A. (1947). Administrative behavior: A study of decision-making processes in administrative organization. Macmillan.

Simon, H. A. (1957). Models of man: Social and rational. Wiley.

Weick, K. E. (1995). Sensemaking in organizations. SAGE.