Tra delega e perdita: il prezzo cognitivo dell’intelligenza artificiale

GIAMPAOLO COLLECCHIA1

1Medico internista, Massa; Ufficio di Presidenza del Comitato per l’Etica nella Clinica (ComEC), Azienda Usl Toscana Nord Ovest.

Pervenuto il 30 aprile 2026. Non sottoposto a revisione critica esterna alla redazione della rivista.

Riassunto. L’articolo analizza l’impatto dell’intelligenza artificiale (IA) sulle capacità cognitive e la pratica clinica, evidenziando un equilibrio delicato tra benefici e rischi. Se da un lato l’IA migliora produttività e accesso alle informazioni, dall’altro favorisce fenomeni di offloading e deskilling cognitivo, ovvero perdita progressiva di competenze cliniche, decisionali e relazionali, aggravata da bias di automazione e dipendenza. Vari studi mostrano una riduzione dell’attività cognitiva e delle performance autonome in presenza di IA, pur confermandone l’efficacia nel supporto diagnostico. Sono necessarie strategie di mitigazione e modelli di integrazione uomo-macchina per preservare il giudizio clinico umano. L’IA non deve sostituire il medico, ma supportarlo, mantenendo al centro competenze fondamentali come pensiero critico, empatia e responsabilità.

Between delegation and loss: the cognitive cost of artificial intelligence.

Parole chiave. Intelligenza artificiale, deskilling cognitivo, offloading cognitivo.

Summary. This article examines the impact of artificial intelligence (AI) on cognitive processes and clinical practice, highlighting a delicate balance between benefits and risks. While AI enhances productivity and access to information, it also promotes cognitive offloading and deskilling, the progressive loss of clinical, decision-making, and interpersonal skills, exacerbated by automation bias and reliance. Several studies indicate reduced cognitive activity and autonomous performance when AI is heavily used, despite its proven effectiveness in diagnostic support. They are necessary mitigation strategies to preserve critical thinking and models of human-AI integration to save human clinical judgment. AI should not replace clinicians but support them, keeping core competencies such as critical thinking, empathy, and responsibility at the center.

Key words. Artificial intelligence, cognitive deskilling, cognitive offloading.

Introduzione

L’intelligenza artificiale (IA) sta ridefinendo le modalità con cui apprendiamo e ricordiamo e le nostre stesse capacità cognitive. Molti studi sottolineano il valore trasformativo dell’IA nel potenziare la creatività e la produttività umana, ma altri mettono in guardia sui potenziali rischi cognitivi legati all’uso sempre più esteso della tecnologia. L’avvento di internet aveva già manifestato un’incarnazione di questo meccanismo: il cosiddetto Google Effect ha dimostrato che la disponibilità facile di informazioni riduce la necessità di conservarle nella memoria, inducendo un’abitudine alla ricerca anziché alla memorizzazione. L’IA generativa porta questo fenomeno a un livello superiore poiché non si limita a fornire un link a un’informazione ma produce direttamente un’intera risposta già elaborata, senza che l’utente debba impegnarsi in una più approfondita attività cognitiva. Non solo ricordiamo meno, ma pensiamo meno. In pratica si ripropone un dibattito che ha da sempre accompagnato l’umanità ogni qual volta si è trovata di fronte a innovazioni tecnologiche: dalla scrittura a internet fino appunto all’IA.

La delega: l’offloading cognitivo

Esternalizzare alcune delle nostre capacità può comportare una perdita. Alcune fasi del ragionamento clinico vengono semplificate o, in parte, sostituite. Ciò è ben definito nel concetto di offloading cognitivo (“scaricamento cognitivo”) che, descritto da Risko e Gilbert nel 20161, delinea il processo mediante il quale gli individui delegano funzioni mentali (memoria, calcolo, pianificazione) a strumenti o sistemi esterni, per esempio il GPS, la calcolatrice, l’assistente vocale. Si tratta di una strategia sicuramente utile: consente di ridurre il sovraccarico cognitivo che si verifica quando la memoria a breve termine è oberata da troppe informazioni e di concentrarsi su attività più complesse come il pensiero critico, la creatività e la risoluzione di problemi di livello superiore. Quando l’offloading diventa sistematico può peraltro comportare una minore attivazione delle competenze coinvolte. A proposito del disuso cerebrale alcuni esperti sostengono che si tratti di una sorta di applicazione della Legge di Wolff, formulata dal chirurgo tedesco Julius Wolff, per i compiti cognitivi. Secondo tale legge l’osso sano si rimodella nel tempo per resistere in modo ottimale ai carichi e agli stress applicati. Se un osso è sottoposto a carichi o stress maggiori del solito (come durante l’attività fisica regolare o il sollevamento pesi), diventa più forte e denso per adattarsi alla nuova sollecitazione. Al contrario, l’assenza di carico (prolungata immobilizzazione dovuta a inattività o a tutore) porta al riassorbimento osseo con conseguente diminuzione della densità e della forza dell’osso. In pratica, use it or lose it (“se non usi lo perdi”)2. In sintesi, l’offloading cognitivo è una strategia utile ed efficiente, ma richiede un uso consapevole per bilanciare i benefici con il mantenimento delle proprie capacità mentali.

La perdita: il deskilling

Con l’assunzione di un ruolo sempre più importante dell’IA nella pratica clinica, cresce la preoccupazione che delegare compiti clinici e ragionamento porti all’adozione passiva di errori o pregiudizi derivanti dall’IA (mis-skilling), alla dipendenza dei medici in formazione dall’IA prima di aver sviluppato pienamente le competenze chiave (never-skilling) e soprattutto alla perdita di competenze (deskilling)3. Il termine deskilling, mutuato dalla sociologia del lavoro4, indica la perdita di abilità dovuta alla sostituzione o riduzione dell’intervento umano nei processi produttivi. In ambito medico significa la scomparsa progressiva di competenze professionali (cliniche, decisionali e comunicative) a causa dell’automazione e della delega decisionale. I clinici, affidandosi in modo eccessivo agli algoritmi, possono perdere la capacità di formulare giudizi autonomi, interpretare i dati e prendere decisioni complesse in situazioni non previste dai sistemi automatizzati.

Le principali cause del deskilling in ambito medico sono strettamente legate all’introduzione e all’uso crescente delle tecnologie digitali e dell’IA nei processi clinici, in primis nel ragionamento diagnostico e decisionale. L’uso continuativo di sistemi di supporto può favorire per esempio la tendenza ad accettare il risultato proposto senza una verifica approfondita. Questo fenomeno, noto come automation bias, riduce l’esercizio del pensiero critico e la verifica autonoma delle informazioni. Allo stesso modo, la disponibilità di suggerimenti algoritmici immediati può ridurre la riflessione clinica e la capacità di esplorare ipotesi alternative, favorendo una forma di delega cognitiva alla macchina.

Un’altra causa rilevante è la progressiva sostituzione delle competenze procedurali. L’utilizzo di robot chirurgici e piattaforme automatizzate, se da un lato migliora precisione ed efficienza, dall’altro può ridurre le occasioni di pratica manuale, soprattutto per i medici più giovani, limitando lo sviluppo delle abilità tecniche. Parallelamente, si osserva una crescente standardizzazione dei percorsi di cura: checklist automatiche e protocolli rigidi trasformano il medico in un esecutore di flussi predefiniti, riducendo lo spazio per il giudizio individuale e l’adattamento al singolo caso clinico. Infine, la pressione dei sistemi sanitari verso maggiore velocità e produttività, spesso legata alla necessità di ridurre i costi e aumentare i volumi, porta a un utilizzo dell’IA orientato più all’accelerazione dei processi che al miglioramento della qualità cognitiva delle decisioni.

Questi fattori rendono particolarmente vulnerabili alcune aree fondamentali della pratica medica, in particolare quelle che richiedono integrazione e interpretazione: la capacità pratica di esaminare il paziente, la qualità della comunicazione medico-paziente, la costruzione di diagnosi differenziali, il ragionamento clinico complessivo e la gestione di situazioni non standardizzate. Anche la relazione con il paziente può risentirne, soprattutto quando la tecnologia diventa un intermediario costante nella visita5,6.

In lavori di ricerca su procedure assistite da IA è stata osservata una riduzione della performance autonoma dopo periodi relativamente brevi di utilizzo dei sistemi. In uno studio osservazionale retrospettivo, gastroenterologi che utilizzavano sistemi di colonscopia assistita dall’IA hanno mostrato, in soli 3 mesi, una riduzione del 20% nella capacità di individuare anomalie quando tornavano a lavorare senza supporto tecnologico, rispetto ai colleghi che non usavano tali sistemi. Gli autori hanno osservato medici «meno motivati, meno concentrati e meno responsabili» nelle decisioni cliniche non assistite7. I dati di oltre 40 studi randomizzati sulla rilevazione dei polipi tramite IA dimostrano peraltro che questa aiuta i medici a individuare più polipi precancerosi del colon. Dovremmo pertanto accogliere con favore tali progressi, ma rimanere vigili su come cambieranno il comportamento e l’assistenza clinica dei medici man mano che l’IA verrà integrata nella pratica clinica. Il potenziale di dequalificazione legato all’IA si estende infatti ben oltre l’endoscopia gastrointestinale. Le specialità chirurgiche e interventistiche richiedono una vigilanza costante e la prontezza a rispondere a eventi imprevisti. Specializzazioni come dermatologia, patologia, cardiologia e radiologia richiedono un’analisi visiva meticolosa e un riconoscimento di pattern8.

In generale il ragionamento diagnostico, il processo decisionale e la gestione del paziente necessitano di un pensiero critico che potrebbe essere eroso dalle interazioni con l’IA. Uno studio, condotto al Media Lab del Massachusetts Institute of Technology (MIT) di Boston, ha adottato un approccio multi-metodo che ha combinato dati neurofisiologici, test comportamentali e valutazioni qualitative per studiare gli effetti dell’uso di chatbot di IA generativa sull’attività cognitiva9. Lo studio ha esplorato le conseguenze neurali e comportamentali della scrittura di saggi assistita dai modelli linguistici di grandi dimensioni (large language models - Llm). Ha coinvolto 54 partecipanti (studenti universitari di età compresa tra 18 e 39 anni) divisi in tre gruppi. Il primo utilizzava ChatGPT (gruppo Llm), il secondo un motore di ricerca tradizionale come Google (gruppo motore di ricerca), il terzo esclusivamente le proprie capacità cognitive (gruppo Brain-only). I partecipanti hanno completato tre sessioni di scrittura di saggi nelle stesse condizioni assegnate. In una quarta sessione gli utenti di ChatGPT (Llm) sono stati riassegnati al gruppo Brain-only (Llm-to-Brain) e gli utenti Brain-only alla condizione Llm (Brain-to-Llm). Attraverso una particolare tipologia di elettroencefalogramma (Eeg) è stato valutato il carico cognitivo durante la scrittura, i saggi sono stati analizzati con tecniche di elaborazione del linguaggio naturale (natural language processing - Nlp) e corretti con l’aiuto di insegnanti umani e di un “giudice” AI. L’Eeg ha rivelato differenze significative nella connettività cerebrale. I partecipanti “Brain-only”, ossia quelli che hanno utilizzato unicamente le proprie capacità cognitive, hanno mostrato le reti più forti e distribuite; gli utenti dei “Motori di Ricerca” hanno mostrato un impegno moderato e gli “Utenti Llm” la connettività più debole. L’attività cognitiva si è dunque ridotta proporzionalmente all’uso di strumenti esterni. Nella quarta sessione, coloro che passavano da ChatGPT a lavorare senza strumenti mostravano una ridotta connettività alfa e beta, indicando un sotto-coinvolgimento cognitivo. Al contrario, chi passava da nessuno strumento a ChatGPT mostrava una maggiore attivazione delle aree di memoria e delle regioni occipito-parietali e prefrontali, simile agli utenti dei motori di ricerca. Gli utenti di Llm (83%) avevano anche difficoltà a citare e riassumere accuratamente il proprio lavoro.

Lo studio, che necessita di conferme con lavori metodologicamente più validi, evidenzia un fenomeno definito “accumulo di debito cognitivo”: nel corso di quattro mesi, gli utenti di ChatGPT hanno costantemente sottoperformato a livello neurale, linguistico e comportamentale. Mentre gli Llm offrono una convenienza immediata, i risultati sollevano preoccupazioni sui costi cognitivi potenziali, specialmente per quanto riguarda le implicazioni educative a lungo termine. Uno studio della Johns Hopkins Carey Business School ha mostrato che i medici che usano molto l’IA sono percepiti dai colleghi come meno competenti (“penalizzazione di status”).

Questo pone un dilemma: accettare l’IA può ridurre lo sforzo cognitivo ma anche minare la credibilità professionale?10. Il tema non riguarda peraltro solo il singolo professionista. Se la riduzione delle competenze diventa diffusa, il sistema sanitario nel suo complesso può diventare meno resiliente, soprattutto in condizioni di fallimento tecnologico o in situazioni cliniche complesse che esulano dai modelli standard.

Strategie di contrasto e mitigazione: IA come fattore di up-skilling

L’introduzione dell’IA in ambito clinico non dovrebbe portare a una perdita di competenze, ma diventare un’occasione per rafforzarle. Esperienze provenienti da settori ad alta sicurezza, come aviazione e nucleare, mostrano che l’automazione richiede formazione continua, simulazioni e mantenimento delle competenze fondamentali. Nell’aviazione, i sistemi di pilotaggio automatico hanno migliorato la sicurezza, ma anche sollevato preoccupazioni circa l’erosione delle competenze di volo manuale. Per questo, le autorità di regolamentazione richiedono sessioni regolari di volo pratico e simulazioni di guasti. Allo stesso modo, gli operatori delle centrali nucleari si esercitano periodicamente su scenari critici, così da mantenere intatte le competenze necessarie in caso di fallimento dell’automazione.

In ambito formativo sanitario una possibile strategia è il “doppio tempo”: durante la formazione, l’out­put dell’IA viene mostrato solo dopo che lo studente o il professionista ha già formulato la propria interpretazione. Un’altra strategia è la pratica “Brain only”, cioè momenti di allenamento cognitivo senza strumenti digitali, soprattutto in casi clinici complessi, referti e percorsi di ragionamento diagnostico. Si può inoltre adottare il cosiddetto metodo “80/20”: mantenere l’80% dello sforzo intellettuale autonomo e utilizzare l’IA solo per il restante 20%, come supporto e non come sostituto11. In ambito organizzativo i sistemi di IA dovrebbero essere progettati secondo un modello human-in-the-loop, in cui il clinico mantiene un ruolo attivo, decisionale e responsabile. Le interfacce dovrebbero mantenere il medico al centro, offrendo avvisi e feedback mirati, per esempio tramite sistemi a semaforo, triage assistiti o consulti controllati dal professionista. È fondamentale che i sistemi siano trasparenti e spiegabili: il medico deve poter comprendere perché l’IA propone una determinata opzione e su quali dati o fonti si basa. Servono inoltre protocolli clinici per regolare uso e supervisione dell’IA, audit periodici sulle performance degli algoritmi, valutazioni delle competenze dei professionisti, standard indipendenti di validazione, linee guida e normative chiare e applicabili facilmente. È necessario integrare corsi di alfabetizzazione all’IA nella formazione medica (AI literacy). Non basta saper usare un chatbot: bisogna saper valutare la qualità dello strumento e dei suoi output con la stessa attenzione con cui si valutano studi scientifici e linee guida. Questo significa chiedersi se esistono dati sull’accuratezza dell’IA per quel compito, quali sono i suoi limiti, quali bias può introdurre, su quali prove basa le sue risposte. È inoltre indispensabile sviluppare competenze di prompt engineering, imparando a formulare domande efficaci. Un prompt generico produce infatti risposte generiche mentre un prompt strutturato, contestualizzato e orientato al compito produce informazioni utilizzabili, coerenti e verificabili.

Centauro o cyborg

L’introduzione dell’IA in medicina non è dunque solo un cambiamento tecnologico, ma anche cognitivo. Comprendere cosa si guadagna e cosa si rischia di perdere è essenziale per orientarne l’uso. In molti ambiti il suo contributo è rilevante e difficilmente sostituibile. La questione centrale è capire quali competenze è necessario mantenere attive e in che modo. Esperienze in altri settori ad alta automazione mostrano che è possibile bilanciare tecnologia e competenze umane. In concreto, l’IA può essere utilizzata per ridurre attività burocratiche e ripetitive, lasciando spazio al ragionamento clinico e alla relazione con il paziente. Ma questo equilibrio non si crea automaticamente: deve essere esplicitamente costruito. In questo senso può essere utile distinguere, in modo operativo, due possibili modalità di integrazione tra medico e IA. Una è quella “centauro”, in cui esiste una chiara divisione dei compiti: l’IA si occupa di attività ad alto volume, basate su regole o su elaborazioni complesse di dati, mentre il medico mantiene il controllo sul giudizio clinico, sull’interpretazione e sulla decisione finale. In questo modello, la tecnologia agisce come supporto, ma il processo cognitivo resta centrato sull’operatore umano. Una seconda modalità è quella “cyborg”, caratterizzata da un’integrazione molto più stretta e continua. Medico e sistema co-producono l’output attraverso interazioni iterative: la macchina suggerisce, il medico modifica, la macchina riformula. È una modalità efficiente, soprattutto in compiti ripetitivi o a bassa ambiguità, ma che, se non regolata, può favorire fenomeni di never-skilling o di progressivo deskilling, in particolare nelle fasi formative. Le due modalità non sono mutualmente esclusive, ma richiedono una gestione consapevole12. La capacità di passare flessibilmente dall’una all’altra modalità, in funzione del rischio clinico, del livello di validazione dello strumento e del proprio livello di esperienza, mantenendo comunque un atteggiamento vigile*, diventa essa stessa una competenza professionale.

Conclusioni

L’IA può alleggerire il carico burocratico, restituire tempo alla relazione di cura e aprire nuove traiettorie di apprendimento. Ma, se adottata senza spirito critico, rischia di generare professionisti meno coinvolti, meno competenti e meno responsabili. Il deskilling non è peraltro un esito inevitabile, dipende da come formiamo i medici, da come progettiamo gli strumenti e da quanto riusciamo a mantenere centrale il giudizio clinico.

Delegare alcune attività è sensato, delegare in modo sistematico il processo decisionale molto meno. Il futuro della professione non passa dalla difesa di ogni singola abilità tecnica, ma da una riorganizzazione attorno a ciò che conta davvero: ragionamento, comunicazione, empatia e visione etica. L’obiettivo non è competere con i software, ma ridistribuire le competenze: meno tempo assorbito dalle procedure, più tempo dedicato al paziente e alla qualità delle decisioni. Il problema non sono le macchine in sé, ma l’uso che ne facciamo. Mantenere il giudizio umano al centro del processo decisionale è la condizione necessaria per evitare che l’automazione si trasformi in dipendenza cognitiva. Come affermato da Edmund Pellegrino: «La medicina del futuro non sarà quella che saprà di più, ma quella che saprà ancora pensare».

Note

*L’autore dichiara che per preparare questo articolo ha utilizzato alcuni Llm, mantenendo comunque un atteggiamento vigile.

Conflitto di interessi: l’autore dichiara l’assenza di conflitto di interessi.

Bibliografia

1. Risko EF, Gilbert SJ. Cognitive Offloading. Trends Cogn Sci 2016; 20: 676-88.

2. Cabitza F. Deskilling, o del lato oscuro delle tecnologie cognitive in medicina. Monitor 2021; 46: 52-5.

3. Berzin TM, Topol EJ. Preserving clinical skills in the age of AI assistance. Lancet 2025; 406: 1719.

4. Braverman H. Labor and monopoly capital: the degradation of work in the Twentieth century. New York: Monthly Review Press, 1974.

5. Floridi L, Cowls J. A unified framework of five principles for AI in society. Harvard Data Science Review 2019; 1: 535-45.

6. Greenhalgh T. Primary health care and the digital revolution. BMJ 2021; 372: n109.

7. Budzyn´ K, Roman´czyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol 2025; 10: 896-903.

8. Heudel PE, Crochet H, Filori Q, Bachelot T, Blay JY. Artificial intelligence in medicine: a scoping review of the risk of deskilling and loss of expertise among physicians. ESMO Real World Data Digit Oncol 2026; 12: 100693.

9. Kosmyna N, Hauptmann E, Yuan YT, et al. Your brain on ChatGPT: accumulation of cognitive debt when using an AI assistant for essay writing task. arxiv.org.

10. Doctors who use AI are viewed negatively by their peers. Johns Hopkins Carey Business School 2025; 16 settembre. Disponibile su: https://short.do/VlpS1d [ultimo accesso 21 maggio 2026].

11. Galetta G. “Ignoranza artificiale”: quando l’IA riduce il nostro impegno mentale. Agenda Digitale 2025; 31 ottobre. Disponibile su: https://short.do/2LQb1s [ultimo accesso 21 maggio 2026].

12. Abdulnour RE, Gin B, Boscardin CK. Educational strategies for clinical supervision of artificial intelligence use. N Engl J Med 2025; 393: 786-97.