L’intelligenza artificiale accelera le risposte, riduce l’attrito e migliora le performance, ma l’apprendimento resta un processo umano.
Un nuovo paper pubblicato da Anthropic riporta il tema al centro del dibattito: la ricerca mostra come l’uso intensivo di assistenza AI aumenti l’efficienza nel breve periodo, ma possa indebolire la comprensione profonda e la capacità di affrontare problemi in autonomia quando l’AI non è disponibile.
Non è una condanna della tecnologia. È una distinzione fondamentale: ottenere un risultato non significa costruire una competenza.
I temi trattati all’interno dell’articolo
Se l’AI impara da noi, cosa succede quando smettiamo di farlo?
Il punto va oltre il perimetro tecnico o accademico. Se l’AI impara dai nostri dati, dalle nostre domande e dai nostri tentativi, cosa accade quando smettiamo di porci domande? Quando riduciamo la sperimentazione, evitiamo l’errore e rinunciamo ad approfondire perché “l’AI lo fa meglio”?
In un sistema di questo tipo, evoluzione umana ed evoluzione dell’AI non sono indipendenti: rallentano insieme.
Il caso Stack Overflow: un segnale misurabile
Un primo segnale concreto arriva dai dati. Il grafico tratto da data.stackexchange.com (sotto, ndr) racconta una storia difficile da ignorare: dopo oltre dieci anni di crescita, le pubblicazioni mensili su Stack Overflow – la più grande community online di domande e risposte dedicata ai programmatori e sviluppatori software, ndr – hanno iniziato una discesa costante, particolarmente marcata dal 2022, in coincidenza con l’adozione di massa dei modelli generativi come ChatGPT.
Tra il 2019 e il 2024, il numero di nuove domande mensili si è ridotto di oltre il 50%, passando da più di 200.000 pubblicazioni al mese a una frazione di quel volume (Stack Exchange Data Explorer, 2024). Non si tratta semplicemente di una migrazione di piattaforma, ma di un cambiamento nel comportamento cognitivo.
Dall’apprendimento pubblico a quello silenzioso
Quando l’AI fornisce risposte immediate, contestuali e personalizzate, diminuisce l’incentivo a rendere pubbliche le domande. Eppure Stack Overflow non era solo un archivio di soluzioni: era una palestra collettiva di learning by doing, fatta di errori visibili, discussioni imperfette, correzioni pubbliche e ragionamento esplicitato.
Spostando questo processo in interazioni private con un modello, l’apprendimento diventa silenzioso: non si accumula, non si trasmette, non diventa cultura condivisa.
Un cambiamento che attraversa più settori
Lo stesso schema emerge in altri contesti. Secondo Gartner, il traffico dei motori di ricerca tradizionali potrebbe diminuire fino al 25% entro il 2026 a causa della diffusione delle interfacce conversazionali basate su AI. La riduzione del traffico coinvolgerà sia ricerca organica sia search marketing, con impatto sulla visibilità e sugli investimenti pubblicitari. Gartner spiega che i modelli generativi stanno diventando “answer engines”: invece di restituire una lista di link, forniscono risposte dirette alle domande, sostituendo così molte query tradizionali.
Come conseguenza, le strategie di marketing dovranno rivedere l’approccio all’ottimizzazione dei contenuti, ponendo maggiore enfasi su qualità, utilità, fiducia ed esperienza dell’utente (E-A-T), piuttosto che sull’ottimizzazione classica di keyword e posizionamento (Gartner, 2024).
Innovazione, attrito e pensiero critico
Qui emerge il nodo centrale: l’innovazione non nasce dall’ottimizzazione continua, ma dall’attrito, dall’incertezza e dal pensiero che fatica.
La velocità migliora l’esecuzione; la fatica costruisce intuizione, giudizio e capacità di orientarsi quando le risposte non sono ovvie. Se eliminiamo sistematicamente il percorso, restano solo gli output e gli output, da soli, non generano nuove idee.
Un recente articolo di Time Magazine racconta i risultati preliminari di uno studio condotto dal MIT Media Lab che ha analizzato l’impatto dell’uso di ChatGPT sulla cognizione durante un compito di scrittura. Utilizzando elettroencefalografia (EEG) per monitorare l’attività cerebrale, i ricercatori hanno confrontato tre gruppi di partecipanti: uno che scriveva senza strumenti, uno che usava un motore di ricerca e uno che si affidava a ChatGPT.
I risultati mostrano che chi ha usato ChatGPT ha registrato livelli più bassi di attività neurale, engagement linguistico e performance comportamentale, e alla fine tendeva a ricorrere a strategie di copia-incolla anziché elaborazione originale. Il paper evidenzia anche che questo effetto si manifesta progressivamente nel tempo, sollevando dubbi sull’effetto dell’uso intensivo di LLM su processi cognitivi critici come la memoria e la comprensione profonda (Time Magazine, 2025).
Il rischio sistemico: quando l’AI si nutre di AI
Negli ultimi anni questo schema si ripete in contesti diversi: meno domande pubbliche, meno tentativi visibili, meno errori condivisi. Sempre più problemi vengono risolti in privato, dialogando con sistemi che forniscono risposte senza chiedere di rendere esplicito il ragionamento. È efficiente, ma anche opaco.
Se l’AI impara da ciò che produciamo, cosa succede quando la produzione di nuova conoscenza rallenta? Se iniziamo a nutrire i modelli prevalentemente con contenuti generati da altri modelli, il rischio non è solo tecnologico: è culturale.
L’innovazione smette di essere esplorazione e diventa raffinamento dell’esistente. E senza esplorazione, le idee davvero nuove diventano sempre più rare.
