La mente nell’ambiente sintetico

Social network, intelligenza artificiale e capacità cognitive lungo le età, i generi e le professioni

di Andrea Viliotti

I social selezionano ciò che merita attenzione; l’intelligenza artificiale seleziona, ricompone e produce ciò che appare come conoscenza. La questione non è se ci rendano, in assoluto, più intelligenti o più stupidi. È quali operazioni mentali alleniamo, quali deleghiamo e quali smettiamo persino di accorgerci di non saper più svolgere.

SOCIAL NETWORK  ·  INTELLIGENZA ARTIFICIALE  ·  COGNIZIONE

Social network, AI e capacità cognitive

La scena è ormai ordinaria. Si apre un documento per scrivere, arriva una notifica, si controlla un messaggio, si scorre un video, si torna al documento. A quel punto un assistente di intelligenza artificiale propone una sintesi, una struttura, magari il testo intero.

Il lavoro è concluso prima; resta però una domanda meno comoda: che cosa ha fatto, nel frattempo, la mente?

È una domanda diversa da quella che domina il dibattito pubblico. Le formule sul «declino dell’attenzione», sulla «dipendenza da dopamina» o sull’AI che «atrofizza il cervello» hanno la forza di una diagnosi e la debolezza di uno slogan. Mettono sullo stesso piano un adolescente che attraversa un feed notturno, un medico che consulta un modello linguistico, una pensionata che impara a usare Facebook, uno studente che riceve la soluzione di un’equazione e uno che dialoga con un tutor progettato per fargli esplicitare i passaggi. Non sono la stessa esposizione, non esercitano la stessa funzione cognitiva, non producono lo stesso esito.

La letteratura più seria suggerisce una tesi meno spettacolare e più impegnativa: non stiamo osservando una perdita uniforme di intelligenza, ma una redistribuzione del lavoro cognitivo. I social network intervengono soprattutto sulla disponibilità dell’attenzione, sulla gerarchia della salienza, sul ritmo con cui cambiamo contesto e sul sonno. L’AI generativa interviene sulla produzione, sulla ricerca, sulla memoria esterna e sul giudizio. Può liberare risorse mentali oppure svuotare il compito che avrebbe dovuto allenarle. A decidere non è soltanto la tecnologia: contano il progetto dell’interfaccia, l’età, la competenza precedente, il tipo di attività, la pressione sociale, gli incentivi e la presenza — o l’assenza — di una verifica indipendente.

La distinzione decisiva Prestazione con lo strumento, apprendimento senza lo strumento e capacità cognitiva nel tempo sono tre risultati diversi. Confonderli è l’errore che rende gran parte della discussione inutilmente apocalittica o ingenuamente ottimista.

Prima di misurare il danno, bisogna definire la mente

«Capacità cognitiva» è un’espressione comoda, ma troppo larga. Al suo interno convivono processi diversi:

·    l’attenzione sostenuta, cioè la capacità di restare sullo stesso compito;

·    il controllo inibitorio, necessario per resistere a uno stimolo o a una risposta immediata;

·    la memoria di lavoro, che mantiene e manipola informazioni per pochi secondi;

·    la memoria a lungo termine, che richiede codifica, consolidamento e recupero;

·    l’apprendimento, misurabile soltanto quando ciò che è stato acquisito sopravvive alla rimozione dell’aiuto;

·    il ragionamento e il giudizio, che comprendono valutazione delle fonti, calibrazione della fiducia e decisione sotto incertezza;

·    la metacognizione, vale a dire sapere che cosa si sa, che cosa non si sa e quando è necessario controllare.

Un sistema può migliorare una di queste funzioni mentre ne indebolisce un’altra. Un motore di ricerca riduce il carico della memoria fattuale, ma amplia l’accesso all’informazione. Una rete sociale interrompe un’attività, ma mantiene un legame che altrimenti si spegnerebbe. Un modello generativo produce in pochi secondi una prima bozza migliore di quella di un principiante, ma può impedire al principiante di costruire la rappresentazione mentale necessaria a riconoscere un errore.

Anche la qualità della prova cambia. Un’associazione trasversale fotografa due fenomeni nello stesso momento, senza stabilire quale venga prima. Una coorte longitudinale ordina gli eventi nel tempo, ma non elimina tutti i confondenti. Un esperimento randomizzato può identificare un effetto causale, purché si resti dentro il compito, la popolazione e la durata studiati. Un test svolto subito dopo dieci minuti di video brevi non dimostra un declino permanente. Un incremento di produttività con GPT-4 non prova un miglioramento della capacità professionale quando GPT-4 non c’è.

Questa prudenza non è un modo per sospendere il giudizio. È il modo corretto per formularlo.

I social network: una macchina per assegnare salienza

Il costo cognitivo più plausibile dei social non risiede in una sostanza tossica contenuta nello schermo. Risiede nell’architettura delle interruzioni. Notifiche, badge, aggiornamenti continui, ricompense sociali variabili e scorrimento senza termine competono per definire che cosa debba essere considerato importante adesso. Il feed non si limita a consegnare contenuti: addestra una politica dell’attenzione.

La revisione delle National Academies sulla salute adolescenziale ricostruisce un quadro in cui le associazioni con regolazione attentiva, inibizione e memoria sono in media piccole e spesso incoerenti. La variabilità non è rumore da eliminare: è parte del fenomeno. Piattaforme, contenuti, uso attivo o passivo, momento della giornata e caratteristiche individuali cambiano il risultato (National Academies, 2024).

La sintesi più ampia sui video brevi, pubblicata su Psychological Bulletin, comprende 71 studi e 98.299 partecipanti. L’uso più intenso risultava associato a esiti cognitivi peggiori, con relazioni più marcate per attenzione e controllo inibitorio. Ma la maggioranza degli studi era correlazionale, molte ricerche provenivano dall’Asia e alcuni esiti — memoria e ragionamento in particolare — erano rappresentati da pochi lavori. Il coefficiente medio non è quindi la misura di quanto TikTok «riduca la mente»; è la misura di una relazione aggregata fra esposizioni e test non perfettamente omogenei (Nguyen et al., 2025).

Un piccolo esperimento del 2026 aiuta a isolare un meccanismo. Cinquantasette universitari furono assegnati alla visione di contenuti narrativi di pari durata, presentati però come sequenze frammentate di video brevi oppure come un flusso continuo. Il gruppo esposto alla frammentazione ricordò meno. È una prova causale di un effetto acuto sul compito, non di un danno stabile e neppure dell’effetto di una piattaforma reale con tutte le sue componenti sociali (Wei et al., 2026).

L’interruzione non deve nemmeno essere aperta

La letteratura su smartphone e notifiche — contigua, ma non identica a quella sui social — mostra che il costo può iniziare prima del consumo del contenuto. In laboratorio, una chiamata o un SMS non consultati sono stati sufficienti ad aumentare gli errori in un compito di attenzione sostenuta (Stothart, Mitchum e Yehnert, 2015). In altri esperimenti, la sola presenza del proprio telefono nelle vicinanze ha prodotto effetti piccoli ma misurabili su memoria di lavoro e intelligenza fluida, soprattutto fra gli utenti più dipendenti dal dispositivo (Ward et al., 2017).

Il punto non è demonizzare l’oggetto. È capire che l’attenzione ha un costo di riconfigurazione. Ogni passaggio obbliga a sospendere una rappresentazione mentale, gestire il nuovo stimolo e ricostruire il contesto precedente. Quando il ciclo si ripete decine di volte, l’esperienza soggettiva è quella di avere lavorato molto; l’esito può essere una giornata piena di attività e povera di profondità.

Il sonno è il grande mediatore dimenticato

Una parte dell’effetto attribuito direttamente ai social passa da ciò che essi sostituiscono. L’uso serale può ritardare l’addormentamento; l’attesa di messaggi mantiene vigilanza; la luce e l’attivazione emotiva interferiscono con la routine. Sonno insufficiente e irregolare incidono a loro volta su attenzione, memoria e autoregolazione. Per gli adolescenti, la raccomandazione di proteggere il sonno non è quindi moralismo digitale, ma politica cognitiva (APA, 2023; National Academies, 2024).

La rinuncia totale ha anch’essa un costo

I social sono anche infrastrutture di relazione e informazione. Un grande esperimento di disattivazione di Facebook per quattro settimane, condotto su adulti statunitensi, trovò un aumento del benessere soggettivo e una diminuzione della polarizzazione, ma anche una riduzione della conoscenza fattuale delle notizie. Il beneficio non era gratuito: veniva acquistato rinunciando a una parte del flusso informativo (Allcott et al., 2020).

È la ragione per cui la domanda «fanno bene o male?» è mal posta. Un ambiente può insieme aumentare connessione, accesso e stimolazione, e ridurre continuità attentiva, sonno o qualità della selezione informativa. Il saldo dipende da ciò che la piattaforma permette, da ciò che incentiva e da ciò che sostituisce.

L’intelligenza artificiale: protesi cognitiva o delega opaca

L’AI generativa modifica un passaggio che i social lasciavano ancora, in gran parte, all’utente: non ordina soltanto l’informazione, ma la produce. Scrive, sintetizza, traduce, programma, formula ipotesi, suggerisce diagnosi, prepara lezioni. Per questo la sua influenza cognitiva può essere più profonda, pur essendo al momento meno studiata nel lungo periodo.

La prima evidenza robusta riguarda la prestazione. In un esperimento preregistrato su 453 professionisti impegnati in compiti realistici di scrittura, ChatGPT ridusse il tempo medio di circa il 40 per cento e aumentò la qualità valutata del 18 per cento. I vantaggi furono maggiori per chi partiva da livelli inferiori (Noy e Zhang, 2023). In un’impresa di assistenza clienti, l’introduzione scaglionata di un sistema generativo aumentò del 15 per cento le risoluzioni orarie; ancora una volta, i guadagni si concentrarono fra i lavoratori meno esperti (Brynjolfsson, Li e Raymond, 2025).

Sono risultati importanti. Dicono che l’AI può incorporare e distribuire pratiche efficaci. Non dicono che i lavoratori abbiano imparato quelle pratiche, né che sapranno riprodurle senza assistenza.

La frontiera è frastagliata

L’esperimento con 758 consulenti di Boston Consulting Group offre una delle immagini più utili. Nei compiti collocati entro le capacità del modello, l’AI fece completare più attività, in meno tempo e con qualità superiore. In un compito progettato fuori da quella «frontiera», gli utenti dell’AI furono circa 19 punti percentuali meno propensi a individuare la soluzione corretta. Il modello appariva competente abbastanza da persuadere, ma non abbastanza da risolvere (Dell’Acqua et al., 2026).

Qui si trova il rischio cognitivo tipico dell’AI: non l’errore evidente, bensì l’errore plausibile che riduce l’impulso a controllare. La competenza dell’utente deve quindi crescere proprio dove lo strumento sembra consentirle di arretrare. Serve conoscere il dominio per formulare il problema, riconoscere i casi fuori distribuzione, chiedere prove, valutare alternative e sapere quando un testo ben scritto non merita fiducia.

Uno studio CHI su 319 lavoratori della conoscenza e 936 episodi reali d’uso non misura un deterioramento cognitivo, ma illumina il passaggio. Una maggiore fiducia nell’AI era associata a minore attivazione auto-riferita del pensiero critico; una maggiore fiducia nelle proprie capacità e nella possibilità di valutare l’output era associata a più controllo. Lo sforzo non spariva: si spostava dalla produzione alla definizione del compito, alla verifica, all’integrazione e alla supervisione (Lee et al., 2025).

L’offloading non è, di per sé, una sconfitta

La civiltà è costruita su forme di memoria esterna: scrittura, archivi, calcolatrici, biblioteche, mappe. Delegare può liberare risorse per attività di ordine superiore. Il problema nasce quando la delega riguarda proprio il passaggio che dovrebbe costruire la competenza: recuperare un concetto, svolgere una derivazione, confrontare ipotesi, sopportare l’incertezza di una prima bozza.

Un buon criterio è distinguere fra offloading strumentale e offloading costitutivo. Nel primo caso si delega un’operazione ripetitiva senza perdere la rappresentazione del problema. Nel secondo si delega il nucleo del ragionamento e si conserva soltanto il compito di approvare un risultato. L’AI può servire entrambi. L’interfaccia raramente avverte l’utente quando è avvenuto il passaggio.

L’età non determina l’effetto: modifica il contesto

Non esiste un esperimento che confronti, con lo stesso strumento e gli stessi compiti, bambini, adolescenti, adulti e anziani per stabilire chi subisca il maggiore impatto cognitivo. Le differenze d’età vanno quindi lette come differenze di sviluppo, routine, esperienza e funzione sociale, non come una classifica biologica della vulnerabilità.

Fase della vita	Opportunità e vulnerabilità cognitive	Che cosa autorizzano a dire le prove
Infanzia	Autoregolazione ancora esterna; forte ruolo di adulti, contenuti e routine; AI potenzialmente utile se mediata	Le prove dirette su social e GenAI sono scarse. Non è corretto sostituirle con la letteratura sul tempo-schermo generale.
Adolescenza	Sensibilità alla valutazione sociale, sonno, identità, ricompense immediate; crescita dell’autonomia d’uso	Esistono associazioni longitudinali piccole con memoria e disattenzione, ma non una causalità uniforme. Il design pedagogico dell’AI cambia l’esito.
Età adulta	Multitasking, carico lavorativo, notifiche e delega professionale; competenza precedente come protezione	Sono solidi gli effetti acuti dell’interruzione e i guadagni di prestazione con l’AI. Molto meno solide le inferenze su declino o apprendimento duraturo.
Età avanzata	Connessione sociale, apprendimento di nuove interfacce, accessibilità; rischio di esclusione e sovraffidamento	Piccoli studi mostrano benefici selettivi dell’uso guidato. Non provano prevenzione del declino; sulla GenAI generalista l’evidenza resta preliminare.

Infanzia: il vuoto di prova è già un risultato

Sotto l’età in cui l’uso autonomo dei social diventa comune, gli studi specifici sono pochi. Molte affermazioni sui bambini derivano da ricerche su televisione, tablet o tempo davanti allo schermo: categorie troppo larghe per descrivere un feed algoritmico o un chatbot. La cautela è doppia. Da un lato, le funzioni esecutive e la capacità di valutare le fonti sono ancora in formazione. Dall’altro, l’effetto dipende fortemente dalla mediazione adulta, dalla qualità del contenuto e dal fatto che lo strumento sostituisca o sostenga conversazione, gioco e pratica.

Per l’AI, la domanda non dovrebbe essere soltanto a quale età consentirla, ma quale azione cognitiva il sistema richieda al bambino. Un assistente che fornisce direttamente la risposta riduce l’elaborazione. Un tutor che chiede di spiegare, recuperare dalla memoria, ricevere un indizio e correggersi può aumentarne la qualità.

Adolescenza: più esposizione non significa più causalità

Due analisi longitudinali della coorte statunitense ABCD hanno seguito migliaia di ragazzi fra la tarda infanzia e la prima adolescenza. Le traiettorie di crescita dell’uso social erano associate, due anni dopo, a punteggi leggermente inferiori in memoria, vocabolario, attenzione o compositi cognitivi. Gli studi controllavano la cognizione iniziale e numerose variabili familiari e cliniche, ma l’uso era auto-riferito e il disegno restava osservazionale. Le differenze erano piccole rispetto alla variabilità dei test (Nagata et al., 2025; Nagata et al., 2026).

Non è una ragione per ignorarle. È una ragione per intervenire sui meccanismi più plausibili — sonno, notifiche, uso problematico, contenuti, confronto sociale — e continuare a misurare. L’adolescenza combina un sistema di ricompensa sensibile all’approvazione dei pari con un controllo esecutivo ancora in consolidamento. Le piattaforme che trasformano la relazione in una sequenza di segnali pubblici e quantificati entrano proprio in questa asimmetria.

L’AI aggiunge un problema diverso: può rendere invisibile la differenza fra aver completato un esercizio e averlo imparato. In un esperimento sul campo con quasi mille studenti delle superiori, un chatbot generalista e un tutor con vincoli pedagogici aumentarono molto la prestazione durante la pratica. Quando l’AI fu rimossa, il gruppo con accesso al sistema generalista ottenne risultati inferiori del 17 per cento rispetto al controllo; il tutor progettato per guidare il ragionamento attenuò quasi interamente il danno (Bastani et al., 2025).

Adulti: l’ambiente di lavoro è il laboratorio principale

Nell’età adulta il tema non è una presunta maturità che immunizza dalla distrazione. È la pressione a essere simultaneamente reperibili, produttivi e aggiornati. La frammentazione diventa una norma organizzativa, non una debolezza individuale. Se ogni canale presume una risposta rapida, il costo del cambio di contesto viene scaricato sul lavoratore.

La GenAI può ridurre quel carico, soprattutto per chi deve redigere, tradurre, ricercare o sintetizzare. Può però creare un secondo livello di lavoro: controllare testi più numerosi e più fluidi, spesso senza il tempo necessario a farlo. Il collo di bottiglia si sposta dalla produzione al giudizio.

Anziani: connessione, novità e selezione

Gli anziani sono spesso rappresentati soltanto come persone da proteggere dalla tecnologia. I dati sono più interessanti. In un piccolo trial di otto settimane, 41 anziani sani furono assegnati all’uso guidato di Facebook, a un diario online o a una lista d’attesa. Il gruppo Facebook migliorò in un composito di aggiornamento e memoria di lavoro complessa, ma non negli altri test cognitivi o nel supporto sociale. Non è possibile separare l’effetto della piattaforma da quello della novità, dell’addestramento e dell’interazione (Myhre, Mehl e Glisky, 2017).

Un altro pilot, con 34 partecipanti analizzati e un’età media di 76,5 anni, trovò un miglioramento del controllo inibitorio a quattro mesi dopo una formazione su Facebook e Twitter, ma non di attenzione, velocità o memoria di lavoro (Quinn, 2018). Questi studi contraddicono l’idea di un danno necessario, non dimostrano che i social prevengano il declino.

L’AI può offrire accessibilità, conversazione, traduzione, promemoria e supporto sanitario. Le revisioni disponibili riguardano però soprattutto robot socialmente assistivi e sistemi dedicati, con campioni piccoli ed elevata eterogeneità; non possono essere trasferite all’uso quotidiano di un chatbot generalista (Lee et al., 2022; Liu et al., 2026).

Genere: le esposizioni differiscono più degli effetti cognitivi

La domanda «chi è più danneggiato, uomini o donne?» sembra precisa, ma la letteratura raramente consente di rispondervi. Molti studi registrano il sesso come covariata: controllarlo statisticamente non equivale a verificare se modifichi l’effetto. Servirebbero interazioni formalmente testate o stime stratificate. Le persone nonbinary sono quasi sempre assenti o troppo poche per un’analisi affidabile. Inoltre, sesso e genere vengono spesso usati come sinonimi, cancellando la differenza fra caratteristiche biologiche, identità, ruoli sociali e condizioni di esposizione.

I dati più solidi descrivono pratiche diverse. Nell’indagine HBSC dell’Organizzazione mondiale della sanità su quasi 280 mila adolescenti, il 13 per cento delle ragazze e il 9 per cento dei ragazzi riferiva un uso problematico dei social; i rischi legati al gaming erano invece più frequenti fra i ragazzi. Sono differenze di comportamento e contesto, non prove di una diversa perdita cognitiva (WHO Europe, 2024).

Le ragazze possono essere più esposte a confronto sociale, pressione estetica e connessione continua; i ragazzi a dinamiche competitive, gaming e comunità specifiche. Questi percorsi incidono su sonno, stress, tempo e tipo di attenzione. Non autorizzano una teoria di cervelli femminili o maschili che reagiscono in modo uniforme.

Anche per l’AI, uno dei migliori studi sui lavoratori della conoscenza non trovava coefficienti significativi di genere nei modelli sul pensiero critico auto-riferito. Altri lavori rilevano differenze di fiducia, adozione, consapevolezza etica o autoregolazione, ma i risultati cambiano con età, materia e contesto culturale (Lee et al., 2025). La conclusione più difendibile è quindi negativa: non sappiamo se, a parità di uso, un genere subisca conseguenze cognitive sistematicamente maggiori. Sappiamo che non è uguale il modo in cui piattaforme e AI entrano nella vita sociale.

C’è poi un problema di misura. Una meta-analisi preregistrata ha mostrato che le stime soggettive del tempo digitale correlano soltanto moderatamente con i log reali e raramente li riproducono con accuratezza (Parry et al., 2021). Se gruppi diversi ricordano o classificano il proprio uso in modi diversi, una differenza apparente può nascere dallo strumento di misura prima ancora che dalla cognizione.

Il genere è dunque una lente necessaria, purché non venga trasformato in destino. Servono dati intersezionali: età, reddito, istruzione, responsabilità di cura, professione, piattaforma, contenuto, orientamento e identità. Isolare una sola casella anagrafica produce spiegazioni ordinate e persone irriconoscibili.

Professioni: il rischio segue il compito, non il titolo

La categoria professionale conta perché determina quali operazioni vengono delegate, quali errori sono tollerabili e chi paga le conseguenze. Ma è troppo grossolana per prevedere l’effetto. Un programmatore che genera un test standard e uno che modifica una base di codice critica usano entrambi l’AI; il carico cognitivo e il rischio non sono comparabili. Lo stesso vale per un medico che riordina una nota e uno che formula una diagnosi, o per un giornalista che trascrive un’intervista e uno che verifica un’accusa.

Ambito	Leva cognitiva più plausibile	Rischio da governare
Lavoro della conoscenza e consulenza	Prima bozza, sintesi, alternative, trasferimento di pratiche ai meno esperti	Fiducia oltre la frontiera del modello; verifica ridotta; dipendenza da output plausibili
Scuola e formazione	Tutoraggio personalizzato, feedback, indizi, domande adattive	Prestazione assistita scambiata per apprendimento; rimozione della pratica di recupero
Professioni creative	Espansione rapida dello spazio delle idee; supporto ai meno esperti	Omogeneizzazione, ancoraggio alle proposte del modello, indebolimento della selezione autoriale
Software, sanità, diritto e finanza	Ricerca, documentazione, controllo preliminare, traduzione di conoscenza	Errori ad alta conseguenza, automation bias, responsabilità opaca, competenze che non si consolidano
Management	Compressione informativa, scenari, preparazione di decisioni	Decisioni costruite su sintesi prive di provenienza; velocità che sostituisce deliberazione

Lavoratori della conoscenza: vantaggi forti, apprendimento incerto

Gli esperimenti su scrittura, assistenza clienti e consulenza mostrano guadagni reali, spesso maggiori per i meno esperti. L’AI può democratizzare procedure che prima richiedevano anni di esposizione: formule di risposta, strutture argomentative, repertori linguistici, sequenze operative. È una forma di trasferimento di conoscenza organizzativa.

Ma la distribuzione della prestazione può accompagnarsi a una concentrazione della comprensione. Se il principiante riceve sempre la forma corretta prima di aver costruito i criteri per riconoscerla, diventa più produttivo e più dipendente nello stesso momento. L’organizzazione vede l’output; la fragilità compare soltanto quando il sistema sbaglia, non è disponibile o incontra un caso nuovo.

Creativi: più qualità individuale, meno diversità collettiva

In un esperimento preregistrato su brevi racconti, l’accesso a idee generate da GPT-4 migliorò le valutazioni di novità e utilità, soprattutto per gli autori inizialmente meno creativi. Le storie assistite divennero però più simili fra loro e più vicine alle idee proposte dal modello. Il singolo guadagnava; l’ecosistema perdeva varietà (Doshi e Hauser, 2024).

È un risultato che supera la narrativa del posto di lavoro sostituito. La questione cognitiva è anche culturale: se milioni di professionisti partono dalle stesse distribuzioni linguistiche e dagli stessi suggerimenti, la convergenza può diventare una proprietà del sistema. La competenza creativa si sposta allora dalla generazione alla capacità di rifiutare, deviare, contaminare e scegliere.

Scuola: l’AI deve produrre attività mentale, non soltanto risposte

Il confronto fra lo studio di Bastani e quello di Kestin è istruttivo. Nel primo, l’accesso non vincolato a un chatbot migliorava la pratica ma danneggiava la prova successiva senza AI. Nel secondo, un tutor costruito con materiali, risposte e scaffolding progettati da esperti permise a 194 studenti universitari di fisica di apprendere di più in meno tempo rispetto a due lezioni di didattica attiva. Il test era immediato e il contesto limitato, quindi non dimostra ritenzione durevole; dimostra però che «usare AI» non è un intervento unico (Kestin et al., 2025).

La variabile centrale è il comportamento richiesto allo studente. Se il sistema consegna il prodotto, sottrae pratica. Se chiede una previsione, offre un indizio, sollecita una spiegazione, segnala una contraddizione e rinvia la soluzione, può aumentare il tempo cognitivamente produttivo.

Sanità e professioni ad alta conseguenza: il benchmark non è il lavoro

In un trial su 50 medici e vignette cliniche, l’accesso a GPT-4 non migliorò in modo significativo il ragionamento diagnostico rispetto alle risorse convenzionali, sebbene il modello da solo ottenesse punteggi superiori. Avere uno strumento capace non garantiva saperlo integrare (Goh et al., 2024). Studi successivi in contesti diversi hanno trovato benefici più ampi dopo una formazione strutturata, ma una vignetta, la qualità di una nota e l’esito di un paziente restano misure diverse.

Il principio vale per diritto, finanza, ingegneria e sicurezza informatica. Più il costo dell’errore è alto, meno l’efficienza grezza è una misura sufficiente. La capacità cognitiva professionale comprende anche sapere quando fermare l’automazione.

Manager: il nuovo collo di bottiglia è la provenienza

L’AI consente di comprimere decine di pagine in pochi paragrafi e di generare scenari con una rapidità prima impossibile. Ma ogni compressione elimina dettagli e nasconde scelte. Se il decisore non vede quali fonti sono state incluse, quali escluse, dove il modello ha inferito e con quale incertezza, la sintesi diventa un oggetto retorico più che conoscitivo.

Il management rischia così una forma di debito epistemico: decisioni più veloci oggi, minore capacità di ricostruirne le ragioni domani. La cura non è chiedere testi più lunghi, ma conservare provenienza, alternative, dissenso e soglie di fiducia.

Il circuito congiunto: attenzione a monte, giudizio a valle

Social e AI vengono spesso analizzati separatamente. Nell’esperienza reale formano già un circuito. Le piattaforme decidono che cosa entra nel campo visivo; i sistemi generativi riassumono, traducono, spiegano o ricreano ciò che è entrato. L’utente riceve un ambiente informativo selezionato a monte e ricomposto a valle.

Il primo rischio è la compressione senza attrito. Un contenuto scelto perché suscita reazione viene trasformato dall’AI in una risposta fluida, priva dei segnali che permetterebbero di riconoscerne provenienza, conflitto e qualità. La velocità cresce due volte: nel reperimento e nell’elaborazione. La riflessione non scompare per necessità tecnica; scompare perché nessun passaggio la richiede.

Il secondo rischio è il ciclo di rinforzo. L’AI produce contenuti ottimizzati per le piattaforme; le piattaforme premiano quelli che trattengono attenzione; i nuovi contenuti diventano dati, esempi e aspettative per ulteriore produzione. L’omogeneizzazione osservata nei piccoli esperimenti creativi può così diventare una proprietà su larga scala.

Il vantaggio possibile è speculare. La stessa integrazione può ridurre barriere linguistiche, rendere accessibili testi complessi, offrire contesto a una notizia, confrontare versioni, generare domande e restituire all’utente il controllo del percorso. Ma perché accada, l’obiettivo del sistema deve essere la comprensione, non soltanto il tempo di permanenza o il volume di output.

Una politica cognitiva per persone e organizzazioni

Le raccomandazioni utili non consistono in un numero universale di minuti di schermo. Devono modificare le condizioni d’uso.

Per le persone

1.  Proteggere blocchi di attenzione. Notifiche raggruppate, telefono fuori dalla portata visiva durante il lavoro profondo, finestre esplicite per messaggi e feed. Non è disciplina ascetica: è riduzione dei costi di riconfigurazione.

2.  Usare l’AI dopo un primo atto cognitivo. Formulare un’ipotesi, una scaletta o una soluzione prima di chiedere assistenza. Il confronto fra la propria rappresentazione e quella del modello produce più apprendimento della ricezione passiva.

3.  Separare generazione e verifica. Non chiedere allo stesso flusso di produrre una risposta e certificarla. Controllare fonti primarie, cercare un controesempio, esplicitare ciò che farebbe cambiare idea.

4.  Prevedere prove senza strumento. Se l’obiettivo è imparare, occorre talvolta recuperare, spiegare o risolvere senza AI. La sensazione di fluidità durante l’uso non è una misura della competenza acquisita.

5.  Proteggere il sonno. Soprattutto in adolescenza, orari e luoghi liberi da notifiche sono interventi cognitivi prima ancora che regole familiari.

Per scuole e università

La distinzione non dovrebbe essere fra divieto e accesso indiscriminato, ma fra compiti in cui l’AI rimuove l’obiettivo formativo e compiti in cui lo rende più raggiungibile. Se si valuta la capacità di argomentare, una bozza generata può essere materia da criticare, non prodotto da consegnare. Se si valuta la padronanza, serve una fase senza assistenza. Se si usa un tutor, va progettato per chiedere spiegazioni, graduare indizi e rendere visibili gli errori.

Per le organizzazioni

Ogni processo dovrebbe essere classificato secondo due assi: maturità della capacità del sistema e costo dell’errore. Nei compiti a basso rischio e alta affidabilità, l’automazione può essere ampia. Quando l’affidabilità è incerta o l’errore è grave, servono doppio controllo, provenienza delle fonti, log delle decisioni e responsabilità nominative.

La formazione non può limitarsi al prompting. Deve comprendere conoscenza del dominio, calibrazione della fiducia, test su casi limite e capacità di lavorare quando lo strumento manca. Un’organizzazione che misura soltanto il tempo risparmiato non vede l’eventuale perdita di competenza finché non diventa incidente.

Per piattaforme e politiche pubbliche

La regolazione cognitiva più efficace agisce sui default: notifiche, autoplay, scorrimento infinito, indicatori sociali, modalità notturne, accesso dei minori, trasparenza della raccomandazione. Per l’AI servono provenienza, separazione fra citazione e generazione, accesso dei ricercatori ai dati e valutazioni indipendenti su apprendimento, sovraffidamento e uso nel tempo.

Attribuire tutto all’autocontrollo individuale significa ignorare che le interfacce sono progettate precisamente per orientare il comportamento. La responsabilità personale resta; non è una scusa per assolvere il design.

Conservare l’attrito che produce competenza

Ogni tecnologia cognitiva elimina attrito. È spesso la ragione per cui la adottiamo. Non tutto l’attrito, però, è spreco. Cercare una parola, mantenere un’idea mentre se ne valuta un’altra, ricostruire una fonte, scrivere una prima frase insoddisfacente, tollerare il silenzio prima di una decisione: sono costi, ma anche esercizi.

I social network hanno reso l’attenzione continuamente contendibile. L’AI rende contendibile anche l’autorialità del pensiero: non soltanto che cosa guardare, ma chi formula, collega e conclude. La risposta non può essere il ritorno romantico a un mondo privo di strumenti. Deve essere una scelta più esigente su quali facoltà vogliamo amplificare e quali non possiamo permetterci di delegare.

Per i più giovani significa progettare ambienti che sostengano autoregolazione e apprendimento prima dell’autonomia totale. Per gli adulti, difendere profondità e responsabilità dentro organizzazioni che premiano la velocità. Per gli anziani, evitare sia l’esclusione sia la promessa infondata di una cura digitale. Per ogni genere, studiare esposizioni e condizioni senza trasformare differenze sociali in essenze cognitive. Per ogni professione, distinguere l’output ottenuto dalla competenza posseduta.

La misura più utile non sarà quante attività una macchina riesce a svolgere al nostro posto. Sarà quanta capacità di comprendere, verificare e decidere resta disponibile quando la macchina tace — o quando parla con assoluta sicurezza e ha torto.

Riferimenti essenziali

Allcott, H., Braghieri, L., Eichmeyer, S., e Gentzkow, M. (2020). “The Welfare Effects of Social Media.” American Economic Review, 110(3), 629–676. DOI

American Psychological Association. (2023). Health Advisory on Social Media Use in Adolescence. Documento

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., e Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” PNAS, 122(26). DOI

Benge, J. F., e Scullin, M. K. (2025). “A Meta-Analysis of Technology Use and Cognitive Aging.” Nature Human Behaviour. DOI

Brynjolfsson, E., Li, D., e Raymond, L. R. (2025). “Generative AI at Work.” Quarterly Journal of Economics, 140(2), 889–942. Articolo

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., e Lakhani, K. R. (2026). “Navigating the Jagged Technological Frontier.” Organization Science. DOI

Doshi, A. R., e Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28). DOI

Firth, J., Torous, J., Stubbs, B., Firth, J. A., Steiner, G. Z., Smith, L., Alvarez-Jimenez, M., Gleeson, J., Vancampfort, D., Armitage, C. J., e Sarris, J. (2019). “The online brain: how the Internet may be changing our cognition.” World Psychiatry, 18(2), 119–129. DOI

Goh, E., Gallo, R., Hom, J., Strong, E., Weng, Y., Kerman, H., Cool, J. A., Kanjee, Z., Lane, K. P., Li, S., Liu, T., Rodman, A., McDuff, D., Loon, K., e Chen, J. H. (2024). “Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial.” JAMA Network Open, 7(10). Articolo

Kestin, G., Miller, K., Klales, A., Milbourne, T., e Ponti, G. (2025). “AI tutoring outperforms in-class active learning.” Scientific Reports, 15, 17458. DOI

Lee, H., Kim, J., Kim, S., Kong, S., e Kim, S. (2022). “The Effect of Cognitive Function Health Care Using Artificial Intelligence Robots for Older Adults: Systematic Review and Meta-analysis.” JMIR Aging, 5(2), e38896. DOI

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., e Wilson, N. (2025). “The Impact of Generative AI on Critical Thinking.” Proceedings of CHI 2025. DOI

Liu, T., et al. (2026). “The Role of Multimodal Generative AI in Older Adults’ Health Management: Systematic Scoping Review.” JMIR AI. Articolo

Myhre, J. W., Mehl, M. R., e Glisky, E. L. (2017). “Cognitive Benefits of Online Social Networking for Healthy Older Adults.” The Journals of Gerontology: Series B, 72(5), 752–760. DOI

Nagata, J. M., et al. (2025). “Social Media Use Trajectories and Cognitive Performance in Adolescents.” JAMA. DOI

Nagata, J. M., et al. (2026). “Associations of adolescent social media use trajectories with spatial and verbal memory: a prospective cohort study.” The Lancet Regional Health – Americas, 57, 101454. DOI

National Academies of Sciences, Engineering, and Medicine. (2024). Social Media and Adolescent Health. Washington, DC: The National Academies Press. DOI

Nguyen, D., et al. (2025). “Feeds, Feelings, and Focus: A Systematic Review and Meta-Analysis Examining the Cognitive and Mental Health Correlates of Short-Form Video Use.” Psychological Bulletin. DOI

Noy, S., e Zhang, W. (2023). “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence.” Science, 381(6654), 187–192. DOI

Parry, D. A., Davidson, B. I., Sewall, C. J. R., Fisher, J. T., Mieczkowski, H., e Quintana, D. S. (2021). “A systematic review and meta-analysis of discrepancies between logged and self-reported digital media use.” Nature Human Behaviour, 5, 1535–1547. DOI

Quinn, K. (2018). “Cognitive Effects of Social Media Use: A Case of Older Adults.” Social Media + Society, 4(3). DOI

Sharifian, N., e Zahodne, L. B. (2020). “Social Media Bytes: Daily Associations Between Social Media Use and Everyday Memory Failures Across the Adult Life Span.” The Journals of Gerontology: Series B, 75(3), 540–548. DOI

Stothart, C., Mitchum, A., e Yehnert, C. (2015). “The Attentional Cost of Receiving a Cell Phone Notification.” Journal of Experimental Psychology: Human Perception and Performance, 41(4), 893–897. DOI

Ward, A. F., Duke, K., Gneezy, A., e Bos, M. W. (2017). “Brain Drain: The Mere Presence of One’s Own Smartphone Reduces Available Cognitive Capacity.” Journal of the Association for Consumer Research, 2(2), 140–154. DOI

Wei, X., et al. (2026). “Fragmented learning from short videos modulates neural activity and connectivity during memory retrieval.” npj Science of Learning, 11, 15. Articolo

WHO Regional Office for Europe. (2024). A focus on adolescent social media use and gaming in Europe, central Asia and Canada. Health Behaviour in School-aged Children, Volume 6. Rapporto