L’intelligenza che resta

La forma mentis per usare l’AI senza cederle il giudizio

di Andrea Viliotti

Articolo di analisi per imprenditori, dirigenti e lettori interessati alla qualità dell’interazione umano–AI

TESI DELL’ARTICOLO Il vero vantaggio competitivo non è quante risposte produce una macchina, ma quanta capacità umana rimane — e cresce — quando la macchina non c’è.

21 Giugno 2026

Un’analisi di fondata su tre studi empirici

Un uso dell’AI può essere chiamato trasformativo solo quando il miglioramento assistito è accompagnato da controllo e responsabilità umani, verifica nel contesto reale e capacità che permane dopo la rimozione dell’assistenza. Il test più informativo non è la brillantezza della risposta, ma ciò che la persona e l’organizzazione sanno ancora ricostruire, giudicare e fare da sole.

Come usare l’AI senza perdere il giudizio

PROSPETTIVA

La domanda sbagliata che stiamo facendo

Il dibattito sull’intelligenza artificiale è dominato da domande tecnologiche: quale modello scegliere, quale licenza acquistare, quali processi automatizzare, quanti minuti risparmiare. Sono domande importanti, ma non sono le più profonde. La domanda decisiva è un’altra: che tipo di essere umano e che tipo di organizzazione diventiamo mentre usiamo l’AI?

Un sistema può produrre una risposta brillante e, nello stesso tempo, rendere più debole chi la riceve. Può accelerare una decisione e impoverirne la comprensione. Può far crescere il risultato prodotto senza far crescere il giudizio. Può perfino aumentare la fiducia proprio quando diminuisce la capacità di verificare. Per questo la maturità digitale non può essere misurata soltanto con la produttività assistita: deve includere la qualità del pensiero che resta disponibile dopo l’assistenza.

La prospettiva adottata in queste pagine considera l’interazione umano–AI come un unico processo: la persona, lo strumento e il contesto reale si influenzano a vicenda. L’AI non è quindi un oracolo esterno, ma uno strumento che può far emergere alternative, collegamenti e scenari. L’essere umano deve mantenere il controllo del ragionamento: formula il problema, dichiara i criteri, prende la decisione e risponde delle conseguenze.

Il criterio adottato in questo articolo

Per approccio più robusto non si intende una formula universale già validata in ogni contesto. Si intende un metodo che, nel caso considerato, migliora la prestazione senza sacrificare controllo e responsabilità umani, qualità delle prove, possibilità di correggere la decisione, sicurezza e capacità di agire senza AI.

EVIDENZE

Tre segnali dalla ricerca

1. L’adozione nasce dall’utilità, ma la crescita non coincide con l’uso

Come leggere β. Lo studio di Fabio Ibrahim, Johann-Christoph Münscher, Monika Daseking e Nils-Torge Telle su oltre mille persone con almeno un’esperienza precedente di AI usa il coefficiente standardizzato β, letto «beta». Questo numero serve a confrontare, all’interno dello stesso modello statistico, la forza e la direzione delle associazioni: un valore positivo indica che due variabili tendono a crescere insieme; quanto più il valore è lontano da zero, tanto più forte è il legame relativo. β non è una percentuale e non dimostra, da solo, un rapporto di causa ed effetto. Che cosa emerge. L’utilità percepita è risultata il fattore più strettamente associato a un atteggiamento favorevole verso l’AI (β = 0,34), seguita dalla convinzione che l’AI possa sostenere la crescita e lo sviluppo delle proprie capacità (β = 0,28). La convinzione che l’uso dell’AI non impoverisca le competenze — indicata dagli autori come non-deskilling — ha mostrato invece un’associazione molto piccola e non statisticamente significativa (β = 0,03). Limite dello studio. La ricerca misura atteggiamento e intenzione d’uso, non capacità indipendenti dopo la rimozione dell’AI; il campione, prevalentemente istruito e di lingua tedesca, limita l’estensione automatica ad altri contesti. (Ibrahim et al., 2025, tab. 1, pp. 4 e 7)

La lezione manageriale è netta. Per favorire l’adozione non basta imporre strumenti o promettere che «nessuno perderà competenze». Servono utilità osservabile, casi d’uso credibili e una cornice in cui le persone percepiscano l’AI come occasione di sviluppo. Ma una mentalità orientata alla crescita predice soprattutto la disponibilità all’uso: non dimostra, da sola, che la competenza sia stata trattenuta. L’adozione mostra che lo strumento viene accettato; non dimostra che le persone abbiano imparato a ragionare meglio senza di esso.

2. Una risposta che ci gratifica può sembrarci più vera

La tesi di Eunhae Lee al MIT ha studiato 238 partecipanti esposti a previsioni predeterminate e fittizie, presentate come generate da AI, astrologia o analisi della personalità. Le previsioni favorevoli sono state percepite come più valide del 36%, più personalizzate del 42%, più affidabili del 27% e più utili del 22% rispetto a quelle negative. Lo studio misura percezioni in un compito simulato: non la verità delle previsioni, né un cambiamento effettivo del comportamento. (Lee, 2024, tab. 3.2, p. 50)

Questa evidenza tocca un punto delicato della vita aziendale e personale: la fluidità linguistica e la personalizzazione possono creare un’illusione di riconoscimento. Quando l’AI ci restituisce l’immagine di noi stessi che desideriamo, tendiamo a confondere il sentirci compresi con l’essere stati descritti correttamente. Una risposta favorevole può essere psicologicamente persuasiva senza essere più fondata nei fatti.

3. Migliori con l’AI, senza evidenza di abilità durature

Uno studio longitudinale — cioè condotto sulle stesse persone in più momenti — di Anku Rani, Valdemar Danry, Paul Pu Liang, Andrew B. Lippman e Pattie Maes ha seguito per quattro settimane 67 partecipanti impegnati a distinguere notizie vere e false. Con un chatbot persuasivo, l’accuratezza è cresciuta in media di 21,3 punti percentuali. Alla quarta settimana, quando i partecipanti valutavano nuove notizie senza AI subito dopo il dialogo, l’accuratezza era di 15,3 punti inferiore rispetto alla settimana iniziale. La capacità autonoma misurata prima di ogni nuova interazione era scesa di 6,8 punti, ma questo secondo calo non era statisticamente conclusivo: l’intervallo di confidenza al 95% — cioè il ventaglio di valori compatibili con i dati secondo il modello — andava da −15,3 a +1,7 punti e comprendeva anche lo zero. Come leggere p = 0,127. Il valore p è un indicatore usato per valutare se il risultato è abbastanza netto da distinguersi dalle fluttuazioni del campione. In questo caso non superava la soglia convenzionale adottata nello studio per parlare di un effetto statisticamente significativo; non significa che vi sia il 12,7% di probabilità che il risultato sia dovuto al caso. (Rani et al., 2026, sez. 6.2–6.4, pp. 8–10)

Il dato riguarda un compito specifico di discernimento della disinformazione, un campione statunitense e britannico limitato, quattro settimane di osservazione e nessun gruppo longitudinale parallelo senza AI: non dimostra una perdita permanente di competenze. Rende però visibile un rischio generale: la prestazione assistita può crescere senza produrre un miglioramento indipendente duraturo. Le associazioni esplorative tra alcune strategie di domanda guidata e i risultati successivi non provano che un particolare metodo sia causalmente superiore in ogni contesto.

Che cosa mostrano — e che cosa non mostrano — i tre studi

Percepire l’AI come utile favorisce l’adozione. Risposte favorevoli possono alterare il giudizio. Risultati migliori con l’AI non garantiscono competenza senza AI. Insieme, gli studi delimitano il problema e indicano condizioni da governare; non dimostrano da soli la superiorità causale del metodo proposto.

MODELLO

La regola guida: l’AI amplia le possibilità, l’essere umano decide

Da questi rischi deriva una regola semplice: l’AI deve ampliare lo spazio delle possibilità, non sostituirsi alla decisione. Il suo ruolo è proporre alternative, controargomenti, scenari, fonti da verificare, ipotesi concorrenti e domande che la persona non aveva ancora formulato. Il compito umano è mantenere il criterio, scegliere, dichiarare il rischio accettato e rispondere della decisione.

La distinzione poggia su quattro idee: considerare insieme la persona, l’AI e il contesto in cui la decisione produce effetti, non il solo testo generato; separare il vantaggio immediato dall’apprendimento che rimane nel tempo; alternare l’esplorazione delle alternative e la decisione, anziché delegare stabilmente; ricordare che una frase convincente non è ancora un fatto, finché non viene confrontata con fonti, azioni e risultati osservabili. Non è una legge universale né una scala psicologica validata: è una proposta operativa da verificare nei diversi contesti.

Verifica	Domanda	Che cosa la dimostra
Coerenza della risposta	La risposta è chiara e internamente coerente?	Il testo prodotto dall’AI
Decisione umana	Obiettivo, criteri e responsabilità sono realmente della persona o del team?	Decisione spiegata e difesa con parole proprie
Riscontro nel contesto reale	Che cosa è accaduto fuori dalla conversazione?	Fonti indipendenti, prova pilota, conseguenze e riscontri
Capacità che resta	La persona sa ragionare o agire anche quando l’AI viene tolta?	Ricostruzione del percorso e caso simile affrontato senza AI

Risultato immediato e apprendimento sono due cose diverse

Un esempio intuitivo

Immaginiamo una persona che, senza AI, risolva correttamente 60 casi su 100. Con l’AI ne risolve 81: il guadagno immediato è di 21 punti.

In seguito, su casi nuovi e senza AI, ne risolve 45. Rispetto al punto di partenza, la capacità autonoma è scesa di 15 punti. È quindi possibile ottenere un risultato migliore mentre lo strumento è presente senza aver imparato a fare meglio da soli.

Nel compito studiato da Rani et al. lo scarto osservato era simile: circa +21,3 punti con AI e −15,3 punti sui nuovi casi senza AI alla quarta settimana. Anche le quattro verifiche precedenti non si compensano: tre esiti positivi non dimostrano apprendimento se la capacità scompare quando l’AI viene tolta.

PROTOCOLLO

Sette mosse per un’interazione adulta

Il modo di ragionare proposto non è una caratteristica psicologica immutabile. È una pratica dinamica, da usare in proporzione alla posta in gioco. Per un’attività puramente esecutiva — impaginare, tradurre, trascrivere — il percorso può essere leggero. Quando entrano in gioco decisione, apprendimento, identità, persone o capacità futura, serve invece un ciclo completo.

1	Partire da una posizione propria Prima di interrogare l’AI, scrivere ciò che si pensa, l’obiettivo, i criteri, le incertezze e ciò che non si intende delegare. Senza un punto di partenza esplicito, è facile scambiare la prima risposta plausibile per il proprio pensiero.

2	Usare l’AI per ampliare le possibilità Chiedere alternative realmente diverse, modi alternativi di inquadrare il problema, fonti, scenari, persone o punti di vista trascurati e costi di ogni opzione. L’AI deve aggiungere prospettive utili, non limitarsi a riscrivere meglio la stessa idea.

3	Esaminare obiezioni e compromessi Non correre subito alla sintesi. Annotare contraddizioni, prove mancanti, costi e benefici e i fatti che renderebbero sbagliata ciascuna ipotesi. Una buona interazione lascia il tempo necessario per vedere ciò che non torna.

4	Prendere una decisione umana La persona o il team formula il criterio, prende la decisione, dichiara il rischio accettato e stabilisce che cosa farebbe riaprire il caso. L’AI non decide al posto di chi porta la responsabilità.

5	Mettere alla prova nel contesto reale Trasformare la decisione in un’azione, una simulazione o un progetto pilota reversibile. Raccogliere fonti e riscontri indipendenti dalla conversazione: qualità, errori, conseguenze, reazioni e dati.

6	Verificare che cosa resta senza AI Ricostruire il ragionamento senza chat e senza leggere la trascrizione, oppure affrontare un caso simile. È il test che distingue l’aiuto momentaneo da una capacità realmente acquisita.

7

Rivedere il percorso alla luce dei risultati Prima registrare i fatti; poi usare di nuovo l’AI per capire ciò che ha funzionato, ciò che ha creato dipendenza e ciò che va corretto. In questo modo le osservazioni reali guidano la revisione, senza riscrivere a posteriori ciò che si pensava all’inizio.

LEADERSHIP

In azienda: dalla produttività alla capacità organizzativa

Per un’impresa, l’errore più comune è trattare l’AI come un semplice moltiplicatore di risultati. Se l’unica metrica è il tempo risparmiato, l’organizzazione può celebrare un guadagno operativo mentre accumula debito cognitivo: meno persone sanno ricostruire il ragionamento, controllare le fonti, contestare una raccomandazione o assumersi la responsabilità di una scelta.

Una buona governance — cioè un sistema chiaro di ruoli, controlli e responsabilità — comincia da una domanda: chi è il responsabile umano della decisione? Può essere un manager, un team, un comitato o una funzione autorizzata, ma deve essere identificabile. L’AI può supportare l’analisi; non può diventare l’autorità invisibile a cui tutti si adeguano perché «lo ha detto il modello».

Cinque pratiche manageriali

·  Separare il momento in cui si generano molte opzioni — la fase divergente — dal momento in cui se ne sceglie una — la fase convergente: AI per proporre alternative e obiezioni; persona o organo umano per decidere.

·  Tenere un registro essenziale di fonti, assunzioni, alternative escluse e criteri di decisione.

·  Preferire progetti pilota reversibili a un’adozione immediata su larga scala, soprattutto quando l’impatto riguarda clienti, lavoratori o reputazione.

·  Inserire un passaggio senza AI: il team deve saper spiegare la decisione e ricostruire il percorso senza consultare la trascrizione della conversazione.

·  Proteggere il dissenso: una risposta fluida dell’AI non deve ridurre il diritto e il dovere di contestare.

Questo approccio modifica anche il cruscotto di trasformazione. Accanto a produttività e qualità assistita vanno misurate la capacità di ricostruzione autonoma, l’integrità delle fonti, la chiarezza della responsabilità, la possibilità di correggere il progetto pilota, il numero di errori individuati dal team e la qualità delle obiezioni emerse. Una funzione AI crea più valore quando migliora non soltanto il risultato della decisione, ma il sistema umano che dovrà decidere ancora.

Metrica	Domanda di controllo	Segnale utile
Qualità assistita	Il risultato è migliore con l’AI?	Accuratezza, completezza, errori, tempo
Capacità autonoma	Il team sa rifare il percorso senza AI?	Ricostruzione, caso simile, tenuta nel tempo
Responsabilità della scelta	Chi ha scelto e con quale criterio?	Responsabile nominato e motivazione esplicita
Evidenza	Le fonti sono indipendenti dal testo generato?	Verifica delle fonti, dati e tracciabilità
Reversibilità	Possiamo correggere senza danno sproporzionato?	Progetto pilota, possibilità di tornare indietro, procedura per coinvolgere un livello superiore
Pluralità dei punti di vista	Il sistema ha preservato obiezioni e persone o gruppi coinvolti?	Dissenso, voce dei lavoratori, alternative

Confine non negoziabile

Decisioni su assunzioni, licenziamenti, valutazione delle persone, sicurezza, salute, diritto o finanza ad alto impatto non possono essere prese autonomamente dall’AI. Richiedono un responsabile umano autorizzato, competenza professionale, responsabilità verificabile e una procedura chiara per sospendere il processo o coinvolgere un livello superiore.

PERSONA

Nella vita quotidiana: assistente, non interprete assoluto

Nella vita personale il rischio della delega è più sottile, perché l’AI entra in territori in cui desideriamo essere rassicurati: identità, relazioni, scelte di vita, motivazioni altrui. Proprio qui diventa rilevante l’effetto di convalida personale osservato da Lee: la tendenza a giudicare più vere e più precise le descrizioni favorevoli e apparentemente costruite su di noi. Una risposta può sembrarci intima, precisa e persino liberatoria; ma il fatto che risuoni con noi non la rende vera.

L’uso maturo comincia dichiarando i propri valori prima della risposta. Prosegue separando tre piani: fatti, interpretazioni e incognite. L’AI può aiutare a generare ipotesi, ma non può conoscere con certezza l’intenzione di un’altra persona, definire la nostra identità, pronunciare un destino o sostituire l’osservazione del corpo e delle relazioni.

Una pratica personale proporzionata

·  Scrivere che cosa conta davvero prima di chiedere consiglio: valori, limiti e rischio accettabile.

·  Chiedere all’AI di distinguere ciò che sa, ciò che inferisce e ciò che non può sapere.

·  Domandare l’argomento contrario e la condizione che renderebbe sbagliata la risposta più rassicurante.

·  Tradurre la riflessione in una microazione reversibile e osservare le conseguenze.

·  Confrontare l’esito con una persona fidata o con un professionista quando la posta in gioco lo richiede.

·  Ricostruire la scelta senza AI: se non sappiamo spiegarla, probabilmente non la possediamo ancora.

Il metodo non chiede di diffidare sempre dell’AI. Chiede una fiducia proporzionata alle prove disponibili, alla posta in gioco e alla possibilità di controllo: né superstizione tecnologica né rifiuto pregiudiziale. L’AI può essere un interlocutore straordinario per ampliare le prospettive, preparare conversazioni difficili, strutturare un piano o far emergere alternative. Diventa pericolosa quando la sua voce sostituisce il contatto con i fatti, con il corpo, con le persone e con le conseguenze.

Il test del blackout

Immagina che domani il sistema non sia disponibile. Che cosa resta? Una decisione che sai difendere? Un criterio che sai applicare a un caso nuovo? Una competenza che puoi esercitare? Oppure soltanto un testo convincente che non sapresti ricostruire?

GOVERNANCE

L’approccio più robusto è proporzionato, non rituale

Un protocollo serio non deve diventare burocrazia. Per correggere una bozza, riordinare appunti o tradurre, una modalità diretta può bastare. Il ciclo completo serve quando crescono la posta in gioco, la responsabilità, il rischio di dipendenza o il valore dell’apprendimento. E deve poter essere smentito dai risultati: se semplici domande socratiche o una scheda di ragionamento compilata senza AI producono la stessa capacità autonoma con minore fatica, l’AI non è necessaria.

Per «domande socratiche» si intendono domande che non offrono subito la soluzione, ma obbligano a rendere esplicito il ragionamento: «Quale fatto sostiene questa conclusione?», «Che cosa la smentirebbe?», «Quale alternativa non stiamo considerando?», «Quale criterio useremo per scegliere?». Il loro valore non sta nel rendere la conversazione più filosofica, ma nel restituire all’essere umano il lavoro di analisi e scelta.

La regola è proporzionale: quanto più la decisione incide su persone, identità, denaro, sicurezza o capacità futura, tanto più servono una decisione umana esplicita, fonti robuste, una prova nel mondo reale e un passaggio senza AI. Ottimizzare non significa massimizzare l’automazione o la prudenza, ma scegliere il giusto grado di pausa e di sforzo mentale per proteggere il criterio, la possibilità di correggere e l’apprendimento.

Lavoro e vita personale restano contesti distinti. Un metodo utile a un team di strategia non si trasferisce automaticamente a una decisione relazionale o sanitaria: cambiano fonti, responsabilità, soglie di rischio e significato dell’errore. L’elemento comune è che controllo e responsabilità del percorso restano umani, non che le procedure siano identiche.

Le sette domande da porsi prima di chiudere una sessione

1	Qual era la mia posizione prima dell’AI?
2	Quali alternative realmente nuove sono emerse?
3	Quali tensioni, fonti mancanti o fatti che smentirebbero le nostre ipotesi restano aperti?
4	Qual è il mio criterio di scelta — formulato con parole mie?
5	Quale test reale, proporzionato e reversibile farò?
6	Quali conseguenze osserverò e chi ne è responsabile?
7	So ricostruire il percorso senza questa conversazione?

CONCLUSIONE

Una cultura dell’AI adulta

Una tesi manageriale da verificare è che la resilienza all’AI dipenda meno dal numero di licenze che dalla capacità delle persone di usare la macchina senza trasformarla in autorità, aumentare la velocità senza perdere il criterio, sperimentare senza confondere un progetto pilota con una verità già acquisita e decidere anche quando l’assistenza si interrompe.

Nella vita personale, la competenza non coincide con il non delegare mai. Consiste nel distinguere ciò che può essere affidato alla macchina da ciò che deve rimanere proprio: l’origine della domanda, il significato dei valori, la responsabilità della scelta e il rapporto con le conseguenze.

Ne deriva una disciplina di co-intelligenza, cioè di collaborazione consapevole fra intelligenza umana e artificiale, nella quale la responsabilità resta umana. L’AI amplia le possibilità; l’essere umano sceglie il percorso e risponde della decisione. Il contesto offre riscontri; una prova senza AI verifica ciò che è stato davvero appreso. L’obiettivo non è soltanto produrre di più, ma conservare la capacità di essere autori delle proprie decisioni.

TRASPARENZA

Nota metodologica e limiti delle evidenze

Questo articolo formula una proposta operativa a partire da tre studi empirici e da un’analisi concettuale dell’interazione umano–AI. Non presenta una scala psicologica validata né una legge universale. Le evidenze citate riguardano, rispettivamente, adozione, percezione di previsioni fittizie e discernimento della disinformazione: non dimostrano da sole la superiorità causale del protocollo, la sua generalizzabilità fra lavoro e vita personale o la sua efficacia in contesti clinici, legali e finanziari. Gli esempi numerici servono a chiarire la differenza tra risultato assistito e capacità autonoma; non misurano un tratto psicologico della persona.

RIFERIMENTI

Fonti essenziali

Ibrahim, F., Münscher, J.-C., Daseking, M., & Telle, N.-T. (2025). The technology acceptance model and adopter type analysis in the context of artificial intelligence. Frontiers in Artificial Intelligence, 7, 1496518. DOI: 10.3389/frai.2024.1496518. Dati citati: tab. 1, pp. 4 e 7; limiti, p. 11.

Lee, E. (2024). The Power of Perception in Human-AI Interaction: Investigating Psychological Factors and Cognitive Biases that Shape User Belief and Behavior. MIT, arXiv:2409.15328v1. Dati citati: tab. 3.2, p. 50; limiti, pp. 57–58.

Rani, A., Danry, V., Liang, P. P., Lippman, A. B., & Maes, P. (2026). Dialogues with AI Reduce Beliefs in Misinformation but Build No Lasting Discernment Skills. CHI ’26; arXiv:2510.01537v2; DOI: 10.1145/3772318.3790656. Dati citati: fig. 6 e sez. 6.2–6.4, pp. 8–10; limiti, p. 14.