AI e delega cognitiva: quali compiti siamo pronti a cedere

Secondo uno studio pubblicato da Microsoft Research il 70% degli utenti di Copilot dichiara di delegare regolarmente la stesura di email professionali all’assistente AI. Un dato che, isolato, potrebbe sembrare banale. Ma se lo incrociamo con le ricerche di Stanford HAI sulla crescente dipendenza cognitiva dai modelli linguistici, emerge un quadro più complesso: stiamo attraversando una fase di rinegoziazione silenziosa dei confini tra ciò che facciamo e ciò che lasciamo fare.

La tassonomia della delega: compiti a basso e alto rischio

Non tutti i compiti hanno lo stesso peso. Esiste una gerarchia implicita nella disponibilità umana a cedere controllo, e questa gerarchia riflette fattori come reversibilità dell’errore, coinvolgimento emotivo e percezione di competenza.

I compiti a basso rischio percepito vengono delegati con facilità crescente: generazione di bozze, riassunti, traduzione, coding boilerplate, organizzazione di dati. Qui l’AI funziona come amplificatore di produttività, e la resistenza psicologica è minima. GitHub Copilot, secondo i dati interni di GitHub, viene utilizzato per generare circa il 46% del codice in file dove è attivo. Gli sviluppatori accettano questo livello di automazione perché il costo dell’errore è contenuto: si revisiona, si corregge, si itera.

Diverso il discorso per i compiti ad alto rischio: diagnosi mediche, decisioni legali, valutazioni creditizie, selezione del personale. Qui la delega incontra resistenze strutturali, normative e psicologiche. Eppure anche in questi ambiti l’AI si sta infiltrando, spesso non come decisore finale ma come sistema di supporto. Strumenti come quelli sviluppati da Google DeepMind per la diagnosi retinopatica o i modelli di Anthropic per l’analisi documentale legale operano già in contesti critici, sebbene con supervisione umana obbligatoria.

Il paradosso della competenza: deleghiamo ciò che non sappiamo fare?

Una delle dinamiche più interessanti riguarda la relazione tra competenza personale e propensione alla delega. Contrariamente all’intuizione, non sempre deleghiamo ciò che non sappiamo fare. Spesso deleghiamo ciò che sappiamo fare ma che consideriamo tedioso, ripetitivo o a basso valore aggiunto.

Uno studio del MIT Sloan pubblicato su Management Science nel 2023 ha evidenziato che i knowledge worker tendono a delegare all’AI compiti che richiedono sforzo cognitivo medio: abbastanza complessi da essere faticosi, ma non abbastanza da richiedere giudizio critico. Il rischio, sottolineano i ricercatori, è una progressiva atrofia delle competenze intermedie.

La delega cognitiva funziona come un muscolo al contrario: meno lo usi, più si indebolisce.

Questo fenomeno è già osservabile nella scrittura. Docenti universitari di diverse istituzioni, da Harvard a Bologna, segnalano un declino nella capacità degli studenti di strutturare argomentazioni complesse, correlato temporalmente con l’adozione massiva di ChatGPT. Correlazione non implica causazione, ma il pattern merita attenzione.

Il ruolo del design: cosa ci spingono a delegare

Le scelte architetturali dei sistemi AI non sono neutrali. Il modo in cui un modello viene presentato influenza profondamente cosa siamo disposti a cedergli. OpenAI, con la modalità vocale di GPT-4o, ha esplicitamente progettato un’esperienza conversazionale che simula empatia e presenza. Anthropic, con Claude, enfatizza invece trasparenza e ammissione dei limiti.

Queste scelte di design determinano il trust calibration, ovvero quanto accuratamente gli utenti valutano l’affidabilità del sistema. Ricerche di Google DeepMind mostrano che interfacce troppo fluide e confident generano sovrastima delle capacità AI, portando gli utenti a delegare compiti per cui il modello non è adeguato.

Il problema si amplifica con i modelli multimodali. Quando un sistema può vedere, ascoltare, parlare e ragionare, i confini percepiti delle sue competenze si espandono oltre le capacità reali. È il fenomeno che i ricercatori chiamano capability overhang: la percezione supera la sostanza.

Il costo nascosto: autonomia, privacy, dipendenza

Ogni atto di delega comporta costi che non sempre figurano nel calcolo costi-benefici immediato.

• Autonomia decisionale: delegare significa accettare i bias incorporati nel modello. I LLM riflettono distribuzioni statistiche dei dati di training, non verità oggettive.
• Privacy: ogni prompt inviato a un sistema cloud è potenzialmente un dato ceduto. Le policy di retention variano, ma il principio resta.
• Dipendenza infrastrutturale: affidarsi a servizi AI significa dipendere da provider che possono modificare termini, prezzi e disponibilità unilateralmente.

Meta AI ha recentemente modificato le condizioni d’uso per consentire l’addestramento sui contenuti degli utenti europei, salvo opt-out esplicito. Questo tipo di asimmetria informativa e di potere è strutturale nel mercato AI attuale.

Verso una delega consapevole

La questione non è se delegare, ma come costruire una cultura della delega consapevole. Alcuni principi emergono dalla letteratura e dalle best practice aziendali:

1. Mantenere competenza di supervisione: delegare l’esecuzione, non la comprensione. Se non puoi valutare l’output, non dovresti delegare l’input.
2. Preferire sistemi che esplicitano incertezza: modelli che ammettono limiti sono più sicuri di quelli che simulano certezza.
3. Diversificare le fonti: non affidarsi a un solo sistema per compiti critici riduce il rischio di bias sistematico.
4. Praticare periodicamente senza AI: mantenere attive le competenze che si delegano previene l’atrofia cognitiva.

Anthropic ha introdotto in Claude funzionalità che incoraggiano la riflessione prima di fornire risposte su temi sensibili. È un approccio che potrebbe diventare standard, ma richiede che gli utenti lo valorizzino invece di percepirlo come frizione.

La posta in gioco

La delega cognitiva all’AI non è un fenomeno nuovo nella storia tecnologica. La calcolatrice ha ridotto le competenze aritmetiche, il GPS quelle di orientamento, il correttore automatico quelle ortografiche. Ogni volta abbiamo accettato il trade-off, guadagnando efficienza e perdendo qualcosa.

Ma la scala attuale è diversa. I LLM non automatizzano singole funzioni cognitive: simulano il ragionamento generale. La domanda che dovremmo porci non è quali compiti siamo disposti a cedere, ma quali compiti definiscono chi siamo. E se la risposta è nessuno, forse abbiamo già ceduto più di quanto pensassimo.