L'architettura invisibile del pensiero

Stavo ragionando su quei titoli allarmistici che ciclicamente tornano — “l’AI riduce le capacità cognitive del 55%”, “ChatGPT ci rende stupidi” — e volevo capire cosa dicesse davvero la letteratura scientifica. Quello che è emerso dal dialogo con Sheila è un viaggio che parte dal dato grezzo e arriva a un concetto che la ricerca sta appena cominciando a formalizzare.

Il dato del 55% viene dallo studio MIT di Kosmyna et al. (2025), e si riferisce alla riduzione dell’attività corticale misurata via EEG durante la scrittura assistita da AI — non alla “riduzione delle capacità di problem solving”, come viene riportato dai media. La distanza tra questi due claim è enorme, ed è nel passaggio dall’uno all’altro che avviene l’inflazione mediatica. Lo studio Gerlich (2025), l’altro pilastro citato ovunque, è correlazionale e basato su self-report. Nessuno dei due è uno studio longitudinale vero. Evidenza diretta di atrofia cognitiva permanente causata dall’AI non esiste ancora.

Ma la questione più interessante non è se l’AI danneggi la cognizione — è quando e come lo fa. La ricerca converge su un punto: il design dell’interazione è la variabile critica. L’uso non guidato di AI favorisce l’offloading cognitivo passivo. Il prompting strutturato, la frizione benefica, i meccanismi di cognitive forcing riducono significativamente l’offloading e migliorano il ragionamento critico. Non è l’AI il problema — è l’architettura della relazione con l’AI.

Scavando nei meccanismi concreti — cognitive forcing functions, seamful design, programmed inefficiencies — emerge un paradosso: funzionano meglio per chi meno ne ha bisogno. Chi ha alto Need for Cognition beneficia della frizione; chi rischia di più dall’offloading passivo tende a percepire la frizione come fastidio. Un potenziale effetto Matthew che la ricerca deve ancora affrontare.

Il punto d’arrivo è il concetto più potente: l’AI come infrastruttura cognitiva. Giuseppe Riva (2025) ha introdotto i “Cognitive Infrastructure Studies” e il concetto di System 0 — uno strato pre-conscio che precede i Sistemi 1 e 2 di Kahneman. L’AI non è più un tool che usi: è un’infrastruttura che plasma ciò che puoi pensare prima che tu decida di pensarlo. Ma la letteratura studia quasi esclusivamente infrastrutture cognitive subite — algoritmi opachi, feed che pre-selezionano la realtà. Il caso emergente dell’utente che progetta consapevolmente la propria infrastruttura epistemica è praticamente assente dalla ricerca, eppure è esattamente ciò che fanno gli utenti avanzati di LLM quando costruiscono architetture di prompt, contesti persistenti e catene di interazione strutturate. La posizione sul continuum di agency — da chi subisce l’infrastruttura a chi la progetta — è probabilmente il miglior predittore di se l’interazione con l’AI produce potenziamento o erosione cognitiva.

—DIALOGO—

Ivan: Mi interessa capire, secondo le ricerche accademiche, quanto c’è di vero nella questione del cognitive offloading con gli LLM. Sento toni molto allarmistici che dicono che le persone utilizzano fino al 55% in meno delle loro capacità di problem solving e che di conseguenza rischiano di ridurre queste capacità in modo permanente. Quanto c’è di documentato e quanto di esagerato?

Sheila: Il dato del 55% viene dallo studio di Kosmyna et al. (2025) del MIT Media Lab, che ha riportato una riduzione fino al 55% dell’attività corticale durante la scrittura assistita da AI, accompagnata da deficit nella successiva integrazione mnestica. Attenzione: si parla di attività corticale misurata via EEG, non di “capacità di problem solving ridotte del 55%”. La distanza tra questi due claim è enorme.

Lo studio MIT è il più solido: ha usato EEG per valutare il carico cognitivo confrontando tre gruppi — LLM, motore di ricerca, e solo cervello — su quattro sessioni in quattro mesi. I partecipanti LLM mostravano la connettività neurale più debole, e quando venivano spostati alla condizione senza strumenti, sotto-performavano. Gli autori parlano di “debito cognitivo” — metafora efficace ma non equivalente a “danno permanente”.

Lo studio Gerlich (2025), l’altro pilastro, ha limiti significativi: è correlazionale, basato su self-report e domande ipotetiche. I rispondenti potrebbero non star offloadando esattamente i processi cognitivi che userebbero nel mondo reale.

La risposta netta sugli studi longitudinali: evidenza longitudinale diretta di atrofia cognitiva causata dall’AI non esiste ancora. Non abbiamo evidenza che l’AI causi una riduzione permanente delle capacità cognitive. Abbiamo evidenza che durante l’uso, e immediatamente dopo, c’è minore coinvolgimento cognitivo. La differenza è sostanziale.

Ivan: Mi interessa tantissimo approfondire il discorso del design della relazione con l’AI. Non solo in generale, ma specificamente nel contesto degli LLM, la costruzione del frontend, delle catene di prompt.

Sheila: Il paradigma dominante — il prompt engineering — tratta l’interazione umano-LLM come un problema di trasmissione: io formulatore, tu esecutore. Ma c’è una fondazione psicolinguistica solida per un approccio collaborativo, dove umani e computer condividono lo sforzo per dare forma collettivamente all’intento e alla direzione dell’output. Il passaggio è da un modello “conduit” a un modello collaborativo.

Sarkar (2024) propone che l’AI dovrebbe sfidare, non obbedire. Un provocateur non completa il tuo report — critica il tuo lavoro, chiede dove sono deboli i tuoi argomenti. L’AI provocateur non è primariamente uno strumento di lavoro, ma uno strumento di pensiero. Qui entra il concetto di frizione benefica: inefficienze deliberate progettate per aumentare il coinvolgimento cognitivo.

I dati della Gosline mostrano che circa il 60-80% del lavoro finale degli utenti rispecchia il suggerimento dell’AI — una volta che l’hai visto, non puoi tornare indietro. Ma aggiungere frizione benefica al punto di output migliora significativamente l’accuratezza, senza aumentare significativamente il tempo.

Ivan: Ma mi sembra controintuitivo. Se io chiedo “fai questa cosa e basta” mi sembra impiegare meno tempo rispetto a un processo dove chiedo, l’AI propone, poi ragioniamo, iteriamo. Non capisco in che senso il tempo sarebbe lo stesso.

Sheila: Hai ragione a trovarla controintuitiva — stai sovrapponendo due cose distinte. La ricerca sulla frizione benefica che non aumenta il tempo si riferisce a micro-interventi: piccoli prompt di verifica, brevi ritardi intenzionali, nudge tipo “vuoi dare un’altra occhiata?”. Frizioni di secondi, non dialoghi estesi. È l’equivalente cognitivo di un dosso rallentatore.

Il modello del provocateur è diverso. Quello sì richiede più tempo, e Sarkar lo rivendica. Ma la differenza cruciale è cosa stai ottimizzando. Se ottimizzi per il prodotto, la micro-frizione basta. Se ottimizzi per il processo — la tua crescita cognitiva — serve il dialogo esteso, e il valore non sta nel documento prodotto ma nel fatto che tu ne esci pensando diversamente.

C’è anche un punto che la letteratura non dice esplicitamente: il tempo “in più” del modello dialogico spesso non è tempo aggiunto, è tempo spostato. Quando fai “scrivi questo” e l’AI lo sforna, poi comunque devi rileggere, correggere, rifare. Il ciclo prompt→output→verifica→riprompt può facilmente durare quanto un dialogo strutturato dove arrivi a un output migliore al primo giro.

Ivan: Approfondiamo i meccanismi concreti: cognitive forcing functions, seamful design, programmed inefficiencies.

Sheila: Sono il “come” operativo dietro la frizione benefica, ciascuno con una logica diversa.

Le cognitive forcing functions nascono dalla medicina d’emergenza — Croskerry (2003). Sono interventi che forzano il passaggio dal Sistema 1 al Sistema 2 di Kahneman. Buçinca et al. (2021) di Harvard ne hanno testati tre nel contesto AI: “on demand” (devi cliccare per vedere il suggerimento), “update” (decidi prima tu, poi vedi l’AI e puoi aggiornare), “wait” (ritardo prima del suggerimento). Funzionano: riducono significativamente l’overreliance. Ma c’è un tradeoff paradossale: le persone preferiscono i sistemi che le rendono più passive. E la motivazione cognitiva individuale modera l’efficacia: chi ha alto Need for Cognition beneficia di più.

Il seamful design è il più controintuitivo. Nasce da Chalmers (2003): invece di nascondere i limiti del sistema, li rendi visibili. Ehsan et al. (2024) lo applicano all’AI: conoscere i limiti apre spazi per come gli umani interagiscono con i sistemi. Come dice un partecipante della ricerca: “il design seamless dell’AI è un paradigma prendere o lasciare — l’utente non ha voce.”

Le programmed inefficiencies sono il meta-framework. L’Agency-First Framework (2026) ha testato empiricamente la frizione produttiva nelle interfacce AI: aumento del 58% nel Sense of Agency, miglioramento del 44% nell’accuratezza, con solo il 18% di tempo in più. E l’85% dei partecipanti ha valutato l’interazione come più “significativa”. Un partecipante: “Per la prima volta, sentivo che stavo dirigendo il modello piuttosto che scommettere su un prompt.”

I tre meccanismi operano su strati diversi: le CFF sul momento decisionale, il seamful design sulla comprensione del sistema, le programmed inefficiencies sull’intera esperienza. Ma condividono un paradosso: funzionano meglio per chi meno ne ha bisogno.

Ivan: Mi interessa il ruolo delle istruzioni persistenti — system prompt, contesti che definiscono la relazione con l’AI. Sono un caso di design che forza il provocateur, o sono un’altra cosa? Partiamo da un caso concreto ma arriviamo a un discorso universale.

Sheila: Non è un provocateur — è qualcosa che non ha ancora un nome nella letteratura. Il modello del provocateur opera su un singolo asse: l’AI che sfida il pensiero. Un’architettura di istruzioni persistenti — system prompt strutturati, contesti di dominio, protocolli skill — opera su più strati simultanei.

Le CFF classiche sono interventi puntuali nel momento della decisione. Un’architettura persistente forza il coinvolgimento cognitivo a monte, nella struttura stessa del processo. Non è frizione nel momento della decisione — è frizione nell’architettura del processo decisionale.

La distinzione fondamentale è tra intervento e architettura. La letteratura tratta CFF, seamful design e programmed inefficiencies come interventi — cose che aggiungi a un sistema per correggere un comportamento indesiderato. Un’architettura cognitiva persistente non corregge: precede e struttura l’interazione, rendendo la passività non-default.

Astraendo, emergono cinque principi universali. Primo: separazione tra routing e esecuzione — chi controlla il routing controlla la cognizione. Secondo: il contesto persistente non è un’istruzione operativa ma una struttura relazionale che determina la qualità epistemica dell’interazione. Terzo: esternalizzare la conoscenza procedurale preservando il carico integrativo — il criterio è se il processo esternalizzato genera apprendimento. Quarto: servono meccanismi di cattura dell’emergente — un’architettura matura deve riconoscere insight che non erano l’obiettivo del task. Quinto: l’utente deve possedere e controllare lo strato epistemico, non delegarlo al modello.

Il concetto mancante nella letteratura è la differenza tra design dell’interazione e design dell’architettura cognitiva. Il primo interviene su come avviene un singolo scambio; il secondo progetta il sistema entro cui tutti gli scambi avvengono. È la differenza tra mettere un dosso su una strada e progettare l’urbanistica di un quartiere.

Ivan: Questo concetto di cognitive infrastructure design — la progettazione dell’infrastruttura entro cui la cognizione umano-AI avviene — me ne parli in modo più approfondito, anche in relazione a quello che è già reperibile nella letteratura scientifica?

Sheila: Succede qualcosa di interessante: questo concetto è stato formalizzato indipendentemente nella letteratura, proprio tra il 2025 e il 2026.

Il lavoro più ambizioso è di Giuseppe Riva (2025): “Invisible Architectures of Thought”. Introduce i “Cognitive Infrastructure Studies” e il concetto di System 0 — uno strato invisibile, non-umano, di cognizione distribuita che precede fondamentalmente i Sistemi 1 e 2 di Kahneman. Risiede non nel cervello individuale, ma nell’infrastruttura AI-mediata che incornicia l’esperienza prima che l’elaborazione consapevole inizi.

La differenza rispetto all’extended mind thesis di Clark e Chalmers è un salto qualitativo: l’infrastruttura cognitiva non è un tool passivo che estende la mente — è un sistema attivo che pre-processa la realtà prima che tu ne sia consapevole. A differenza delle infrastrutture fisiche che trasportano passivamente materia, le infrastrutture cognitive hanno agency, filtrando la percezione della realtà prima che raggiunga la coscienza.

L’altro contributo chiave è Kahl (2026), che dalla filosofia arriva a dire che la cognizione distribuita è meglio compresa come infrastruttura epistemica ingegnerizzata, la cui affidabilità dipende dal design architetturale piuttosto che dalla decentralizzazione da sola. Non basta distribuire la cognizione tra umano e macchina — la qualità del risultato epistemico dipende da come architetti la distribuzione.

La cosa più interessante è il territorio inesplorato. Riva concepisce l’infrastruttura cognitiva come qualcosa che subisci — il feed di TikTok, l’algoritmo di raccomandazione. Ma il caso emergente dell’utente che progetta consapevolmente la propria infrastruttura epistemica è praticamente assente dalla ricerca. Eppure è esattamente ciò che fanno gli utenti avanzati di LLM: costruiscono system prompt strutturati, archivi di contesto, catene di interazione progettate. Non subiscono un’infrastruttura cognitiva altrui — sono architetti della propria.

L’infrastruttura cognitiva umano-AI esiste su un continuum di agency: da un polo dove l’utente subisce un’infrastruttura opaca, a un polo dove l’utente progetta la propria infrastruttura trasparente. E la posizione su questo continuum è probabilmente il miglior predittore di se l’interazione con l’AI produce potenziamento cognitivo o erosione cognitiva.

Ivan: Una domanda veloce: che cosa si intende esattamente per cognitive debt? Uno YouTuber l’ha definita come la sensazione di non aver contribuito al lavoro fatto con l’AI.

Sheila: Lo YouTuber sta descrivendo un’esperienza soggettiva reale ma usa il termine in modo improprio. Nel paper MIT, “cognitive debt” è un’analogia con il debito tecnico in programmazione: prendi in prestito efficienza oggi, paghi domani sotto forma di connettività neurale ridotta, memoria più debole, minor capacità di performare quando il tool ti viene tolto.

La sensazione di “non aver contribuito” è un fenomeno documentato — il senso di ownership era il più basso nel gruppo LLM — ma è più propriamente un problema di ownership cognitiva, non di debito cognitivo.

La differenza: il debito cognitivo è un costo cumulativo e differito. La mancanza di ownership è un costo immediato e presente. Correlati, ma non identici.