Quando l’IA ci rende più veloci ma non più intelligenti e cosa i leader devono fare al riguardo

Per molti, l’IA offre la soluzione a una vasta gamma di sfide aziendali. Può essere un copilota per la codifica, migliorare l’automazione del flusso di lavoro e servire come assistente per l’analisi. Tuttavia, mentre le organizzazioni si muovono più velocemente, stanno anche pensando meno. Quindi, il vero rischio che l’IA rappresenta non è la sostituzione del lavoro, ma l’erosione della conoscenza.

La ricerca ha già dimostrato questo. La SBS Swiss Business School ha scoperto che un aumento della dipendenza dall’IA è collegato a un indebolimento delle capacità di pensiero critico.

Questa erosione ha conseguenze gravi, poiché le abilità che rendono il giudizio umano prezioso si stanno deteriorando mentre i team si affidano all’output della macchina senza capire come funziona. Un ragionamento indebolito, assunzioni non contestate e una governance dei modelli deteriorata non equivalgono all’efficienza dell’IA, ma aumentano la fragilità aziendale.

La mancanza di comprensione della competenza dell’IA

Le organizzazioni stanno celebrando output più veloci come prova di un’adozione di successo dell’IA. Tuttavia, la velocità è un parametro ingannevole. Quello che molti team chiamano competenza dell’IA è sempre più scambiato per fluidità dei prompt. Ma i lavoratori devono essere in grado di fidarsi delle risposte che ricevono.

Se un output sembra giusto, molte persone suppongono che lo sia. Le verifiche del modello vengono dimenticate e le assunzioni non vengono contestate. La forza lavoro inizia quindi a fare affidamento sull’IA per conclusioni che un tempo richiedevano ragionamento.

Uno studio di ricerca del 2025 supporta questo pattern. Ha scoperto “una correlazione negativa significativa tra l’uso frequente degli strumenti di IA e le capacità di pensiero critico, mediata da un aumento dell’offloading cognitivo”. E i partecipanti più giovani, che sono i più a loro agio con le interfacce di IA, hanno mostrato punteggi di pensiero critico più bassi rispetto ai partecipanti più anziani.

Questo punto è anche supportato da scoperte in The Economic Times, che ha scoperto che la vera competenza dell’IA non deriva dal padroneggiare i prompt. Deriva dalle abilità umane che interpretano, sfidano e contestualizzano l’output della macchina, e la competenza dell’IA deriva dal pensiero critico, dal ragionamento analitico, dalla risoluzione creativa dei problemi e dall’intelligenza emotiva. Senza queste, gli utenti diventano consumatori passivi di contenuti di IA invece di decision-maker attivi.

Preoccupantemente, questo offloading cognitivo è stato osservato a livello neurale. L’Economic Times ha riportato su uno studio del MIT Media Lab e ha scoperto che i partecipanti che utilizzavano frequentemente ChatGPT mostravano una riduzione della memoria, punteggi di performance più bassi e un’attività cerebrale ridotta quando tentavano di lavorare senza l’assistenza dell’IA. Come hanno affermato i ricercatori, “Questo vantaggio è arrivato a un costo cognitivo”. Gli studenti che utilizzavano l’IA hanno ottenuto risultati peggiori “a tutti i livelli: neurale, linguistico e di punteggio”.

Questi risultati aiutano a chiarire cosa le scorciatoie dell’IA minano. Indeboliscono le abilità cognitive che i professionisti utilizzano ogni giorno:

• Ragionamento analitico
• Test delle ipotesi
• Istinto di debug
• Intuizione del dominio

Questa recente ricerca sta finalmente gettando luce sugli svantaggi trascurati dell’IA a livello umano. E questo sta diventando un problema più grande nelle decisioni ad alto rischio, come il rischio, la previsione e l’allocazione delle risorse, che richiedono tutte una comprensione del contesto. Quanto meno le persone capiscono la logica dietro la progettazione di un modello, tanto più incerta diventa la presa di decisioni.

Perché le abilità umane deboli nella catena di comando creano rischi a livello aziendale

La nuova divisione delle competenze indebolisce la governance

Mentre l’adozione dell’IA diventa più diffusa, una divisione emerge in molte organizzazioni. Da un lato ci sono gli ispettori, che possono interrogare, sfidare, interpretare e raffinare gli output. Dall’altro lato ci sono gli operatori che accettano i risultati come oro colato e proseguono.

Questa divisione conta molto più di quanto la maggior parte dei leader si renda conto. La governance dipende da team che possano interrogare le assunzioni di un modello, non solo le risposte. Quando meno persone capiscono come funziona un sistema, piccoli cambiamenti possono passare inosservati, come i primi segni di deriva del modello e i cambiamenti nella qualità dei dati.

Quando i team accettano gli output dell’IA senza metterli in discussione, piccoli errori si spostano a valle e si moltiplicano rapidamente. La dipendenza eccessiva diventa un punto di fallimento unico. Questo solleva la domanda, cosa succede quando un’organizzazione esternalizza il giudizio più velocemente di quanto costruisca la comprensione?

Questo gap di governance blocca anche l’innovazione. I team che non possono interrogare l’IA non possono raffinare i prompt o riconoscere quando un’intuizione è nuova e originale. L’innovazione diventa centralizzata intorno a un numero sempre più ristretto di esperti, rallentando la capacità dell’organizzazione di adattarsi.

L’innovazione si ferma quando la curiosità umana declina

L’IA può accelerare e automatizzare molti compiti, ma non può sostituire l’istinto umano di interrogare e andare oltre le risposte ovvie. Eppure, questo istinto umano innato si sta erodendo. Questo è noto come decadimento dell’agenzia. Un processo in quattro fasi su come gli esseri umani esternalizzano il pensiero alle macchine:

1. Sperimentazione: per curiosità e convenienza, le persone iniziano a delegare piccoli compiti all’IA. È empowerment e efficiente.
2. Integrazione: l’IA diventa parte dei compiti quotidiani. Le persone hanno ancora le abilità di base, ma si sentono un po’ a disagio lavorando con l’assistenza.
3. Dipendenza: l’IA inizia a prendere decisioni complesse. Gli utenti crescono compiacenti e le abilità cognitive iniziano ad atrofizzare, spesso inosservate.
4. Dipendenza: anche nota come cecità scelta. Le persone non possono funzionare efficacemente senza l’IA, ma rimangono convinte della propria autonomia.

Questo processo conta perché l’IA erode la capacità di riconoscere quando manchiamo di conoscenza e pensare a soluzioni nuove per problemi nuovi. Queste abilità di ordine superiore richiedono esercizio costante. Eppure, la convenienza dell’IA rende facile trascurarle.

Le organizzazioni diventano quindi efficienti ma non creative. La ricerca e lo sviluppo dipendono dalla curiosità e dallo scetticismo umano, poiché entrambi declinano quando gli output non vengono messi in discussione. Questa perdita di curiosità e agenzia è un rischio strategico.

La perdita di conoscenza tacita rende l’organizzazione fragile

Nei team sani e funzionali, l’esperienza fluisce orizzontalmente attraverso le connessioni peer-to-peer e verticalmente da senior a junior. Ma mentre i lavoratori rinviano le domande all’IA invece che agli esseri umani, quei loop di mentorship si indeboliscono. I junior smettono di imparare e assorbire le decisioni di giudizio degli esperti, e i senior gradualmente smettono di documentare la conoscenza perché l’IA riempie le lacune routinarie.

Nel tempo, la conoscenza essenziale si svuota. Ma questo rischio richiede tempo per manifestarsi, quindi le aziende appaiono produttive, ma la loro base diventa fragile. Quando un modello fallisce o appaiono anomalie, i team non hanno più la profondità del dominio per rispondere con fiducia.

Uno studio di caso di una società di contabilità pubblicato in The Vicious Circles of Skill Erosion ha scoperto che la dipendenza a lungo termine dall’automazione cognitiva crea un declino significativo dell’esperienza umana. Mentre i lavoratori si fidavano di più delle funzioni automatizzate, la loro consapevolezza delle attività, la manutenzione della competenza e la valutazione dell’output si sono indebolite. I ricercatori notano che questa erosione delle abilità passa inosservata ai dipendenti e ai manager, lasciando i team impreparati quando i sistemi falliscono.

Cosa devono fare i leader per ripristinare la profondità e proteggersi contro la dipendenza eccessiva

Le imprese non possono rallentare l’adozione dell’IA, ma possono rafforzare il giudizio umano dei loro dipendenti, che rende l’IA più affidabile. Ciò inizia con la ridefinizione della competenza dell’IA in tutta l’organizzazione, perché la fluidità dei prompt non è la stessa cosa che la competenza. La vera capacità include la comprensione del ragionamento di un modello e la conoscenza di quando sovrascrivere l’output della macchina.

Per capire questo, i dipendenti hanno bisogno di una formazione su come il modello semplifichi il contesto, come la deriva si manifesti nel lavoro quotidiano e la differenza tra un output che suona sicuro e uno ben ragionato. Una volta che queste basi sono poste, i leader possono ricostruire il pensiero critico nei flussi di lavoro quotidiani normalizzando i controlli di verifica, come ad esempio:

• Quale assunzione sta facendo questo modello?
• Cosa renderebbe questo output errato?
• Contrasta con qualcosa che sappiamo per esperienza?

Questa analisi critica richiede solo pochi minuti, ma contrasta la crisi di offloading cognitivo, aiutando a mantenere i dipendenti e l’output del modello dell’IA sotto controllo.

Il modo migliore per le aziende di insegnare ai loro dipendenti è sui sistemi reali. Troppo spesso, la formazione si concentra su scenari ideali. Ma le aziende non hanno questi; hanno sistemi in cui i dati sono incompleti, il contesto è ambiguo e il giudizio umano conta.

Ad esempio, se una società di logistica avesse addestrato il suo team di routing solo su set di dati puliti in cui l’IA funzionava perfettamente, i lavoratori sarebbero stati vastamente impreparati. Le condizioni del mondo reale, come le interruzioni del tempo, possono causare modelli di IA a produrre istruzioni errate. Se i dipendenti non avessero mai visto il sistema comportarsi in modo incerto, non avrebbero riconosciuto i primi segni di deriva o saputo quando intervenire. In questo caso, il problema non è il modello, ma la formazione inadeguata. È essenziale addestrare i dipendenti sull’IA che hanno, inclusi scenari di deriva, output ambigui, dati parziali e fallimenti. È lì che la capacità umana viene ricostruita.

Per assicurarsi che la formazione sia pratica, i leader aziendali devono misurare la capacità umana, non solo i risultati del sistema. Le organizzazioni di solito monitorano l’accuratezza del modello o le metriche di risparmio dei costi, ma raramente monitorano i comportamenti che indicano una forte supervisione umana. I dipendenti stanno documentando il motivo per cui si fidano dell’output di un modello? Stanno escalando risultati insoliti? Queste azioni osservabili mostrano se il ragionamento si sta rafforzando o indebolendo. Quando i leader riconoscono e premiano le persone che migliorano i prompt attraverso un ragionamento profondo o sollevano dubbi validi sugli output dell’IA, rafforzano le abitudini che rendono la distribuzione dell’IA resiliente.

L’IA continuerà a diventare più veloce. Quella parte non è in discussione. La domanda è se i team conservano le abilità necessarie per mettere in discussione, correggere e reindirizzare l’IA quando le cose vanno storte. È lì che si vedrà la differenza. Le organizzazioni che investono nel giudizio umano adesso saranno quelle che otterranno un valore reale dall’IA, non un’efficienza fragile. Tutti gli altri stanno costruendo sulla sabbia.