Dipendenza cognitiva dall'AI: il rischio che l'upskilling non vede
Mentre si investe nella transizione delle competenze, cresce un problema strutturale opposto: l'erosione della capacità di apprendere senza AI.
Il dibattito sull'apprendimento nell'era dell'AI si concentra su un problema: come riqualificare abbastanza velocemente da stare al passo con l'automazione. È la domanda giusta, ma non è l'unica. Tre segnali della settimana, letti insieme, aprono un problema diverso e meno esplorato: l'AI non sta solo ridisegnando cosa si impara, sta ridisegnando come si impara, con effetti che possono essere opposti a quelli attesi.
Il primo segnale: la dipendenza da AI come rischio di sicurezza
Un position paper pubblicato su arXiv (arXiv:2608.14565) propone un'espansione del perimetro della AI safety. Accanto all'allineamento tecnico e alla regolazione degli impatti sociali, gli autori identificano un terzo rischio sistematicamente trascurato: l'AI lock-in. Non si tratta solo di dipendenza infrastrutturale delle organizzazioni dai sistemi AI, ma di una forma più sottile di dipendenza cognitiva degli individui. Quando i processi di problem-solving, valutazione e decisione vengono progressivamente delegati a sistemi AI, si atrofizzano le capacità che quei processi richiedono. Il rischio non è che l'AI sbaglia, ma che noi perdiamo la capacità di accorgercene.
Questo ha implicazioni dirette per qualsiasi programma di transizione professionale. Se un lavoratore si riqualifica utilizzando strumenti AI per apprendere, il rischio di lock-in si replica nel processo stesso di apprendimento.
Il secondo segnale: il rallentamento come metodo
Uno studio su oltre 6.000 studenti medi in Tennessee, riportato da The Hechinger Report, produce un risultato controintuitivo. Gli studenti imparano di più la matematica quando il tutor AI li costringe a rallentare: rivede i loro errori con loro, li obbliga a dimostrare di aver capito prima di procedere. Non è l'AI che accelera ad essere efficace, è l'AI che crea attrito. La velocità, default di qualsiasi strumento AI, non è un vantaggio didattico. La frizione cognitiva - l'obbligo di confrontarsi con l'errore, di spiegarlo, di riattraversarlo - è il motore dell'apprendimento profondo.
Il problema è che questo tipo di attrito è esattamente ciò che la maggior parte degli strumenti AI per la formazione professionale è progettata per eliminare. I percorsi adattivi, i contenuti personalizzati, il feedback immediato: tutto converge verso la rimozione degli ostacoli. Ma se l'ostacolo è il processo, rimuoverlo significa rimuovere l'apprendimento.
Il terzo segnale: infrastrutture per percorsi non lineari
L'Aspen Institute pubblica un'analisi sull'approccio skills-first per le piccole imprese. Il punto più rilevante non è tecnico ma strutturale: i percorsi di carriera raramente sono lineari, e le infrastrutture esistenti non sono progettate per riconoscere l'apprendimento informale, gestire transizioni multiple, restituire al lavoratore controllo sui propri dati di competenza. Le PMI, che rappresentano la maggioranza del tessuto occupazionale in Italia e in Europa, non hanno né gli strumenti né le risorse per gestire transizioni complesse. Il risultato è che il carico della transizione ricade interamente sull'individuo, senza scaffolding istituzionale.
Il problema aperto
I tre segnali convergono su una tensione non risolta. Da un lato, la pressione a riqualificarsi rapidamente usando strumenti AI che ottimizzano la velocità. Dall'altro, evidenza crescente che la velocità ottimizzata erode le fondamenta cognitive che rendono sostenibile qualsiasi apprendimento futuro. E sullo sfondo, infrastrutture istituzionali - aziendali, formative, regolatorie - progettate per percorsi lineari che non esistono più.
La domanda che rimane aperta: come si costruisce una transizione professionale che sia effettiva e non solo veloce? E chi è responsabile di garantire che la risposta non sia semplicemente più AI nel processo di apprendimento?
Fonti
