Alla Wharton School, Steven Shaw e Gideon Nave hanno appena dato un nome a qualcosa che molti utenti di AI fanno senza neppure accorgersene: lasciare che sia il modello a decidere, accantonando il proprio giudizio. In uno studio pubblicato a gennaio con il titolo “Thinking, Fast, Slow, and Artificial”, i due ricercatori chiamano questo comportamento resa cognitiva, una tendenza che si manifesta quando l’intelligenza artificiale viene accettata come scorciatoia totale per il ragionamento.

La ricerca non parla di hardware né di pipeline. Eppure, per chi in azienda sta costruendo strategie attorno ai Large Language Models, la resa cognitiva è un concetto che tocca il cuore del rapporto tra automazione e controllo. Se i decisori cominciano a delegare l’analisi e perfino la scelta finale a un assistente AI, il rischio non è soltanto un errore occasionale: è l’erosione progressiva della capacità di verifica e della comprensione del contesto.

Cosa significa “resa cognitiva” nei fatti

L’osservazione di Shaw e Nave nasce da esperimenti in cui i partecipanti, messi di fronte a compiti che richiedono un ragionamento lento e deliberativo, tendono a saltare la fase di analisi quando un modello linguistico offre una risposta già confezionata. In pratica, il cosiddetto Sistema 2 – quello faticoso e riflessivo teorizzato da Kahneman – viene messo in benchmark. Al suo posto opera un’accettazione rapida, quasi automatica.

Non è un fenomeno nuovo: la psicologia cognitiva conosce bene la tendenza a risparmiare energia mentale. La differenza, oggi, sta in un’AI generativa che produce testi credibili, argomentazioni fluide e dati apparentemente solidi. Così il confine tra supporto e sostituzione si assottiglia, specie in contesti professionali dove velocità e produttività vengono premiate.

Perché la resa cognitiva diventa un problema sistemico

Per un’organizzazione, la posta in gioco è duplice. Da un lato, l’affidabilità delle decisioni: quando un LLM viene usato come oracolo senza incrociare fonti o validare output, gli errori del modello diventano errori dell’azienda, amplificati dall’assenza di un pensiero critico che li intercetti. Dall’altro, c’è un problema di responsabilità: se il processo decisionale diventa opaco, tracciare chi ha deciso cosa – e perché – si complica.

Qui emerge un collegamento diretto con il mondo del deployment on-premise. In molti settori regolati, dal finanziario alla sanità, la trasparenza e la tracciabilità non sono optional. Chi gestisce i modelli su infrastruttura propria ha la possibilità di mantenere log dettagliati, di attivare sistemi di audit e di costruire interfacce che obblighino l’operatore a confrontarsi con le fonti, anziché accettare passivamente il responso. Senza questi accorgimenti, la resa cognitiva diventa un rischio di sistema.

Sovranità dei dati e autonomia decisionale: due facce della stessa medaglia

Il termine “resa cognitiva” illumina anche un aspetto meno tecnico ma cruciale: la sovranità. Quando un’azienda sceglie di tenere i propri LLM on-premise – per ragioni di sovranità dei dati, conformità al GDPR o protezione della proprietà intellettuale – non sta solo governando dove risiedono i bit. Sta anche decidendo come le persone interagiscono con l’AI e quanto controllo mantengono sulle scelte finali.

Un assistente AI interno, girando su hardware controllato, può essere progettato per facilitare il pensiero lento: mostrare le catene di ragionamento, segnalare l’incertezza, citare documenti aziendali verificabili. Invece, un servizio cloud a consumo tende a offrire risposte immediate e piatte, proprio quelle che innescano più facilmente la dinamica della resa cognitiva. Non è una questione di tecnicia buona o cattiva, ma di architettura del flusso decisionale.

Per chi valuta un deployment on-premise di LLM, esistono trade-off complessi da bilanciare. AI-RADAR dedica approfondimenti e framework analitici a queste valutazioni, perché la scelta dell’infrastruttura non è mai solo un problema di TCO: è anche un modo per decidere quanta autonomia cognitiva si vuole preservare nell’organizzazione.

Oltre l’allarme: progettare l’interazione uomo-AI

Lo studio di Shaw e Nave non è un manifesto contro l’intelligenza artificiale, ma un invito a progettare interfacce e processi che mantengano attivo il pensiero critico. Nelle fabbriche software e nei centri di competenza AI, questo si traduce in pratiche concrete: modelli che esplicitano i passaggi logici, sistemi di verifica incrociata, obbligo di conferma umana prima di azioni irreversibili.

La resa cognitiva non va demonizzata. È una scorciatoia naturale del cervello. Ma ignorarla mentre si integrano LLM nei processi chiave significa costruire fragilità su larga scala. Affrontarla, al contrario, può diventare un vantaggio competitivo: un’azienda che allena i propri team a usare l’AI senza abdicare al giudizio è un’azienda che saprà adattarsi meglio quando i modelli sbagliano – e prima o poi sbagliano sempre.