La fatica che ci rende capaci

Progettare intenzionalmente lo sforzo cognitivo nell’era dell’AI

Dal prodotto alla capacità che rimane

Angelo Irano

Edizione principale · 2026

Questa guida esplora il rapporto tra intelligenza artificiale, sforzo cognitivo e formazione delle capacità. Il suo punto di partenza è una distinzione essenziale: la qualità del prodotto realizzato con l’AI non coincide automaticamente con ciò che la persona ha imparato e saprà ancora fare in autonomia.

La guida appartiene al pilastro “Generare capacità”

---

Indice

Capitolo 1 · La prestazione non è ancora capacità · Capitolo 2 · A che cosa serve la fatica · Capitolo 3 · Le tre prove dell’apprendimento · Capitolo 4 · Dalla consegna alla capacità bersaglio · Capitolo 5 · Automatizzare il contorno, esercitare il nucleo · Capitolo 6 · Principianti, intermedi, esperti · Capitolo 7 · Prima dell’AI: generazione calibrata · Capitolo 8 · Durante l’AI: tutor, feedback e simulazioni · Capitolo 9 · Dopo l’AI: recupero, trasferimento e fading · Capitolo 10 · L’errore e il controllo epistemico · Capitolo 11 · Oltre la qualità dell’output · Capitolo 12 · Il protocollo di progettazione capacitante · Capitolo 13 · Organizzazioni che fanno crescere capacità · Capitolo 14 · Laboratori di applicazione · Strumenti operativi · Appendice metodologica · Bibliografia

Premessa

Delegare un’attività può significare delegare anche una parte dell’esperienza attraverso cui impariamo. Il rischio dipende meno dalla precedenza cronologica fra persona e sistema che dalla funzione svolta dall’assistenza. Un tutor adattivo può intervenire per primo e aprire uno spazio di apprendimento; una risposta completa può arrivare dopo un tentativo e assorbirne comunque il significato. La questione decisiva riguarda il modo in cui l’interazione distribuisce generazione, controllo e responsabilità.

Questa guida assume come unità di analisi il design dell’interazione. Chiede quali operazioni cognitive costruiscono la capacità bersaglio, quali ostacoli consumano risorse senza formare competenza, quali aiuti rendono possibile un’elaborazione più profonda e quali, invece, producono l’esito al posto della persona. In questa prospettiva lo sforzo da virtù morale diventa variabile progettuale.

L’opera è pensata per chi apprende e per chi crea le condizioni dell’apprendimento: studenti, professionisti, formatori, docenti, responsabili delle risorse umane, dirigenti e progettisti di servizi. La lettura personale e quella organizzativa restano intrecciate. Ogni persona può regolare il proprio uso dell’AI; la qualità di tale regolazione dipende anche dai tempi, dagli incentivi, dalle metriche e dalle responsabilità stabilite dal contesto.

La struttura segue il movimento della progettazione: vedere la distanza tra prodotto e capacità, scegliere la trasformazione desiderata, distribuire il lavoro cognitivo, verificare ciò che rimane e costruire un ambiente che sostenga l’expertise. Ogni capitolo contiene una domanda guida, evidenze graduate, esempi contrastivi e una prova di autonomia.

Glossario operativo

I termini portanti formano una sola architettura concettuale, nella quale ciascuno svolge una funzione distinta. Le definizioni seguenti fissano l’uso tecnico adottato nel volume e distinguono tale uso dagli impieghi ordinari dello stesso lemma.

La capacità bersaglio è l’oggetto della progettazione; nucleo e contorno ne distribuiscono le operazioni; l’autonomia ne precisa il livello di governo; la capacità stabile ne descrive la tenuta nel tempo e nella variazione; la capacità di riserva ne protegge le funzioni critiche in condizioni degradate; il fading regola il trasferimento delle funzioni dall’assistenza al soggetto. Fading, autonomia e capacità stabile restano quindi concetti collegati ma distinti: il primo è un processo, la seconda è una proprietà della relazione con il compito e l’assistenza, la terza è un esito verificato nel tempo e nel trasferimento. Tempo protetto, mentoring e slack organizzativo sostengono la capacità di riserva, senza coincidere con essa.

Nota di lettura. Nell’edizione principale i marcatori epistemici compaiono soltanto nei passaggi che sostengono una conclusione decisiva o ne delimitano la portata. La legenda, i criteri di attribuzione e il metodo della ricerca sono raccolti nell’appendice.

Indice ragionato

Il volume segue quattro movimenti: vedere il problema, decidere ciò che deve restare umano, progettare l’interazione e costruire sistemi capaci di riprodurre expertise. Le pagine rinviano all’inizio di ciascun capitolo e apparato.

Capitolo 1. La prestazione non è ancora capacità

1.1 Il documento impeccabile e il pensiero che manca

Immaginiamo una persona alle prese con un problema che conosce poco. Potrebbe essere uno studente chiamato a discutere un testo, una giovane analista che deve interpretare una serie di dati, un medico in formazione davanti a un caso clinico, un funzionario che prepara una nota per una decisione. La persona descrive il compito a un sistema generativo. In pochi secondi riceve una struttura ordinata, argomenti plausibili, un lessico adeguato e persino alcune cautele metodologiche. Dopo mezz’ora il prodotto appare migliore di quello che avrebbe realizzato da sola in molte ore.

A prima vista il bilancio sembra evidente. Il tempo si è ridotto, la qualità formale è cresciuta, l’incertezza iniziale è scomparsa. Eppure basta modificare la situazione per vedere emergere una domanda diversa. Se qualcuno chiede alla persona di ricostruire il ragionamento, distinguere l’argomento decisivo da quello ornamentale, applicare lo stesso criterio a un caso nuovo o riconoscere un errore plausibile introdotto nel testo, quanto del risultato rimane realmente disponibile?

Qui si apre la frattura da cui prende avvio questa guida. Un artefatto può diventare più competente mentre la persona che lo presenta resta uguale. Può perfino diventare meno consapevole dei passaggi necessari a produrlo. La qualità dell’output e la capacità dell’autore appartengono a due piani collegati, ma distinti. L’AI rende questa distinzione visibile perché comprime la distanza tra intenzione e risultato: porta rapidamente il prodotto oltre il livello che l’utilizzatore saprebbe generare, spiegare o controllare in autonomia.

Questo fenomeno possiede un precedente in ogni tecnologia cognitiva. La scrittura conserva ciò che la memoria dimentica; la calcolatrice esegue operazioni; il navigatore distribuisce orientamento nello spazio; i motori di ricerca esternalizzano una parte del reperimento delle informazioni. L’essere umano costruisce la propria intelligenza anche attraverso strumenti esterni. La questione decisiva riguarda la forma della dipendenza che si crea. Alcune tecnologie liberano risorse e permettono attività più complesse. Altri assorbono proprio le operazioni mediante le quali il principiante avrebbe costruito gli schemi necessari a governare lo strumento stesso.

1.2 Due studi, due esiti, una sola domanda

La ricerca recente offre risultati che sembrano contraddirsi. In un esperimento su studenti delle scuole superiori impegnati in matematica, l’accesso a GPT-4 ha migliorato fortemente la prestazione durante la pratica. [EP] Quando l’assistenza è stata rimossa, il gruppo che aveva potuto usare il sistema senza adeguati guardrail ha ottenuto risultati peggiori rispetto al gruppo di controllo. Una versione tutoriale, progettata per limitare la consegna diretta delle soluzioni, ha attenuato il danno. Il medesimo modello di base produceva dunque una scorciatoia o un supporto all’apprendimento a seconda del modo in cui era inserito nell’attività (Bastani et al., 2025).

In un altro studio randomizzato, realizzato in un corso universitario di fisica, un tutor AI costruito secondo principi pedagogici ha consentito agli studenti di apprendere più di quanto avvenisse in una lezione in presenza fondata sull’apprendimento attivo, impiegando meno tempo e dichiarando un maggiore coinvolgimento (Kestin et al., 2025). [EP] Anche il supporto generativo all’autoregolazione, quando incorpora prompt metacognitivi e struttura l’attività, può migliorare alcune dimensioni del self-regulated learning (Fütterer et al., 2026; Xu et al., 2025). In medicina, sistemi personalizzati e feedback generativo hanno mostrato benefici su apprendimento autodiretto, pensiero critico o ragionamento clinico, con risultati che dipendono dalle misure utilizzate e dal confronto scelto (Çiçek et al., 2025; Wang et al., 2025).

Le sintesi pubblicate nel 2026 rafforzano questa lettura e ne precisano i confini. Una meta-analisi di 27 studi sui conversational agent generativi rileva effetti medi positivi, di entità moderata, sugli esiti cognitivi e non cognitivi, ma mostra che i risultati cambiano con livello educativo, durata, ruolo assegnato al sistema e modalità didattica. Una meta-review di 35 revisioni segnala, insieme alle opportunità, basi teoriche spesso deboli e una valutazione ancora incompleta degli esiti di apprendimento; una review con meta-analisi nell’educazione STEM conferma effetti promettenti ma insiste sui limiti di interpretazione dovuti all’eterogeneità dei disegni e delle misure. [RR] Il quadro complessivo non autorizza quindi un verdetto generale sulla GenAI: rende più importante specificare configurazione pedagogica, comparatore e prova usata per inferire apprendimento (Suo et al., 2026; Zhang et al., 2026; Boolzen et al., 2026; OECD, 2026).

Questi esiti diventano coerenti quando cambiamo la domanda. Chiedere se “l’AI fa bene o male all’apprendimento” tratta come un’unica causa oggetti molto diversi: una risposta completa, un tutor che interroga, un feedback su un tentativo, una simulazione, un sistema che induce pianificazione e riflessione. La categoria tecnica resta la stessa, mentre cambia la distribuzione del lavoro cognitivo. L’intervento educativo reale è la configurazione formata da discente, compito, sistema, consegna, sequenza, feedback e prova finale.

1.3 L’errore di categoria: scambiare il prodotto per la trasformazione

Ogni attività cognitiva può essere osservata da due prospettive. La prima guarda a ciò che viene prodotto: un testo, una diagnosi, un piano, una previsione, un codice, una decisione. La seconda guarda a ciò che accade nel soggetto: quali distinzioni ha imparato a compiere, quali schemi ha costruito, quali segnali riconosce, quali errori sa correggere, quale giudizio saprà esercitare la volta successiva. Nel lavoro reale le due prospettive tendono a sovrapporsi, perché spesso impariamo mentre produciamo. L’AI può separarle.

Per un’organizzazione questa separazione è seducente. Se la misura dominante è la quantità di casi chiusi, il tempo di risposta o la qualità immediata del deliverable, l’assistenza generativa può apparire inequivocabilmente positiva. Lo studio su oltre cinquemila addetti all’assistenza clienti analizzato da Brynjolfsson, Li e Raymond mostra guadagni medi di produttività e vantaggi particolarmente elevati per i lavoratori meno esperti (Brynjolfsson et al., 2025). [EP] È un risultato importante: la tecnologia può diffondere pratiche incorporate nelle prestazioni dei migliori e rendere i principianti efficaci più rapidamente.

Dalla maggiore efficacia del principiante, tuttavia, segue una nuova domanda. Il sistema sta accelerando la sua curva di apprendimento oppure gli sta consentendo di operare stabilmente sopra il livello delle capacità possedute? Le due dinamiche possono coesistere. Un suggerimento contestuale può rendere visibile una regolarità e favorirne l’acquisizione; lo stesso suggerimento, se accettato senza interpretazione e ripetuto indefinitamente, può rendere superfluo costruire il criterio che lo giustifica. La produttività osservata durante l’assistenza, da sola, lascia aperta la questione.

Confondere questi piani costituisce un errore di categoria. È come valutare l’allenamento di un atleta soltanto dalla velocità raggiunta su una bicicletta elettrica. La velocità descrive la prestazione del sistema complessivo. Per conoscere la trasformazione dell’atleta dobbiamo osservare che cosa accade alla sua forza, alla resistenza, alla tecnica e alla capacità di affrontare un percorso diverso. Analogamente, un testo migliore documenta che la collaborazione ha prodotto un testo migliore. Diventa evidenza di apprendimento soltanto quando possiamo collegarlo a una modificazione relativamente stabile delle possibilità d’azione della persona.

1.4 Tre livelli che la ricerca deve tenere separati

Il lessico comune dispone di una sola parola, “miglioramento”, per fenomeni che richiedono misure differenti. La guida adotta una gerarchia a 3 livelli. Il primo livello è la prestazione assistita. Il secondo è l’apprendimento iniziale, osservato in una prova immediata senza supporto. Il terzo è la capacità stabile, riconoscibile quando l’apprendimento persiste nel tempo, attraversa variazioni pertinenti e sostiene un’azione al livello di autonomia dichiarato.

La distinzione cambia il modo in cui leggiamo uno studio e quello in cui valutiamo noi stessi. Se un gruppo produce saggi migliori con un sistema generativo, abbiamo una buona evidenza di augmentation. Se, subito dopo, scrive meglio senza sistema, osserviamo apprendimento iniziale. Se settimane più tardi sa costruire un’argomentazione in un dominio nuovo, riconoscere una fonte debole e spiegare le ragioni delle proprie scelte, disponiamo di indizi più forti di capacità stabile. Ogni passaggio aggiunge una condizione probatoria.

Questa gerarchia evita anche l’errore opposto. Un vantaggio che scompare alla rimozione dell’AI può avere comunque valore. In numerosi lavori lo scopo è produrre bene insieme a una tecnologia, proprio come un chirurgo opera dentro un sistema di strumenti e un analista lavora con software e banche dati. La prestazione distribuita è una forma autentica di competenza professionale. Diventa fragile quando la persona perde la capacità di riconoscere le condizioni in cui il sistema è affidabile, di intervenire nelle eccezioni e di assumersi la responsabilità del risultato.

1.5 La fatica non è il bene: è il luogo in cui può formarsi una capacità

La fatica diventa formativa quando coincide con un’operazione costitutiva della capacità, rimane affrontabile e incontra feedback e nuove occasioni di recupero. Lo sforzo che manca di queste condizioni consuma tempo o memoria di lavoro senza costruire schemi affidabili. Il Capitolo 2 distingue in modo sistematico difficoltà desiderabile, carico formativo e attrito improduttivo.

1.6 Esternalizzare è umano; scegliere che cosa esternalizzare è educativo

La cognizione umana ha sempre oltrepassato i confini biologici dell’individuo. Appunti, diagrammi, biblioteche, colleghi, procedure e istituzioni sono parti dell’ambiente attraverso cui pensiamo. Il cognitive offloading descrive proprio l’uso di azioni e supporti esterni per ridurre le richieste cognitive interne (Risko & Gilbert, 2016). Presentarlo come una resa della mente significherebbe ignorare una delle sorgenti della cultura. Il problema nasce quando l’esternalizzazione modifica le opportunità di apprendere senza che tale effetto sia visto e governato. [IT]

Una regola temporale universale trasformerebbe una prudenza utile in un vincolo pedagogico. Talvolta il principiante ha bisogno che un esempio preceda il tentativo, perché manca ancora dello schema minimo per comprendere il problema. L’expertise reversal effect ricorda inoltre che un aiuto utile al novizio può diventare ridondante e interferire con l’esperto. La domanda più precisa è quale lavoro cognitivo debba rimanere alla persona, con quale grado di guida, in questa fase del suo sviluppo.

1.7 Il rischio dei principianti e il paradosso degli esperti

I principianti traggono spesso i maggiori vantaggi immediati dall’AI. Hanno più lacune da colmare, impiegano più tempo nelle attività elementari e beneficiano di esempi, spiegazioni e feedback disponibili nel momento del bisogno. Proprio per questo sono anche più esposti alla sostituzione. Possiedono criteri ancora deboli per riconoscere errori plausibili e una memoria di casi troppo povera per accorgersi che una risposta, pur elegante, devia da ciò che conta. Un’assistenza abbondante può consentire loro di apparire competenti prima di aver costruito le strutture che rendono possibile il controllo.

Gli esperti incontrano il problema inverso. Dispongono di schemi, repertori e criteri che permettono di usare l’AI in modo selettivo. Possono delegare operazioni ormai automatizzate e concentrare l’attenzione sulle eccezioni. Al tempo stesso, l’uso prolungato di automazione può indebolire vigilanza, pratica e capacità di intervento quando il sistema fallisce. La letteratura sull’automazione parla da decenni di uso, abuso, disuso e uso improprio, mostrando che affidabilità tecnica e comportamento umano si influenzano reciprocamente (Parasuraman & Riley, 1997).

Tra questi due poli si colloca la questione collettiva della riproduzione dell’expertise. Se le organizzazioni affidano all’AI una quota crescente delle attività attraverso cui i giovani imparavano a riconoscere casi, eccezioni e segnali deboli, possono aumentare la produttività corrente e impoverire la pipeline futura delle competenze. La capacità esperta appare spesso come un talento individuale; in realtà è il risultato storico di una sequenza di esposizioni, tentativi, correzioni, responsabilità graduate e confronto con persone più competenti. Togliere i primi pioli della scala rende più difficile raggiungere quelli superiori.

La risposta consiste nel riprogettare la scala, non nel conservare ogni routine. Alcune attività ripetitive meritano di scomparire. Occorre allora identificare quale apprendimento tacito producevano e creare esperienze alternative più intenzionali: simulazioni, casi contrastivi, rotazioni, debriefing, revisione di errori, pratica deliberata, responsabilità progressiva e finestre in cui la persona deve agire senza assistenza. L’AI stessa può contribuire a costruire queste esperienze, purché venga impiegata come ambiente di pratica e interlocutore adattivo, oltre che come motore di produzione.

1.8 La domanda che precede il prompt

La maggior parte delle guide all’AI comincia dalla formulazione della richiesta. Questa guida comincia un passo prima. Prima di scrivere un prompt, occorre chiarire quale capacità vogliamo che cresca. Una consegna come “prepara un’analisi” descrive un prodotto. Una capacità bersaglio precisa che la persona dovrà saper selezionare dati pertinenti, distinguere correlazione e causalità, confrontare spiegazioni alternative, valutare l’incertezza e sostenere una raccomandazione. Solo dopo questa scomposizione possiamo decidere quali operazioni affidare al sistema e quali rendere osservabili nella persona.

La prova decisiva è dunque una prova di sottrazione. Dopo l’attività assistita chiediamo alla persona di spiegare senza consultare la conversazione, ricostruire i passaggi, applicare il criterio a un caso nuovo, trovare un errore o prendere una decisione motivata. Ciò che rimane indica la capacità autonoma residua. La parola “residua” non suggerisce una forma inferiore di competenza; segnala ciò che il percorso ha depositato nella persona e che potrà essere nuovamente combinato con strumenti, colleghi e contesti.

1.9 Dalla paura alla responsabilità progettuale

La facilità prodotta dall’AI alimenta una preoccupazione comprensibile: che diminuiscano curiosità, memoria, autonomia e giudizio. Le evidenze delineano uno scenario più esigente di una traiettoria tecnologica già scritta. Gli stessi sistemi possono sostenere spiegazione, feedback, simulazione e autoregolazione oppure anticipare la soluzione e restringere l’attività mentale. Tra queste possibilità operano scelte di design, istituzioni, incentivi e pratiche d’uso.

La responsabilità si distribuisce. Chi apprende può imparare a chiedere indizi prima delle soluzioni, dichiarare una previsione, verificare le fonti, alternare pratica assistita e recupero autonomo. Chi insegna può valutare processi, spiegazioni e trasferimento, oltre al prodotto. Chi dirige un’organizzazione può proteggere tempo per la formazione, mantenere occasioni di responsabilità graduata e misurare la crescita delle capacità insieme alla produttività. Chi progetta sistemi può rendere l’assistenza adattiva, visibile e progressivamente ritirabile.

Questo spostamento dalla paura al progetto costituisce la promessa dell’intera guida. L’obiettivo è imparare a vedere il lavoro cognitivo nascosto dentro un’attività e distribuirlo con intenzione. L’AI può fare di più mentre l’essere umano impara di meno; può anche fare diversamente affinché l’essere umano impari meglio. Il discrimine si trova nella relazione tra ciò che il sistema rende facile oggi e ciò che la persona saprà affrontare domani.

1.10 Il criterio con cui proseguire

Nei capitoli successivi lo sforzo diventa una risorsa limitata da allocare. Il percorso riduce il carico che distrae, calibra la difficoltà che forma, usa l’AI per rendere tempestivo il feedback e introduce finestre di recupero e trasferimento. Ogni raccomandazione resta collegata alla capacità bersaglio e al livello di evidenza disponibile. Le conclusioni diventano nette quando la ricerca converge, condizionali quando risultati e misure divergono, sperimentali quando il design appare promettente ma ancora poco testato.

Possiamo così formulare il criterio che orienta il cammino. Una buona collaborazione con l’AI produce un risultato valido, rende comprensibile il processo che lo ha generato, accresce la capacità di affrontare situazioni future e conserva nella persona la facoltà di giudicare quando la macchina merita fiducia. Efficienza e apprendimento diventano allora due obiettivi da comporre nel tempo, anziché due valori costretti a combattersi.

Domande di passaggio

Qual è la capacità che desidero rimanga disponibile dopo l’attività?

Quali operazioni cognitive costituiscono quella capacità?

Quale fatica è formativa e quale consuma soltanto attenzione?

L’AI sta elicitando il mio ragionamento oppure sta consegnando il suo prodotto?

Quale prova senza assistenza mi permetterà di osservare ciò che è rimasto?

Capitolo 2. A che cosa serve la fatica

2.1 Tra il culto della facilità e la morale della fatica

L’AI arriva dentro una cultura che associa il progresso alla rimozione degli ostacoli. Ogni passaggio risparmiato sembra restituire tempo; ogni risposta immediata appare preferibile a una ricerca incerta; ogni procedura che diventa invisibile promette di lasciarci liberi per attività più alte. Questa promessa contiene una parte importante di verità. Molte fatiche del lavoro e dello studio sono residui di cattiva organizzazione: documenti ridondanti, interfacce opache, consegne ambigue, attese, trascrizioni, ricerche meccaniche, barriere linguistiche. Un sistema capace di assorbirle può restituire attenzione alla comprensione e al giudizio.

Accanto al culto della facilità sopravvive una convinzione opposta, più antica e altrettanto seducente: ciò che costa di più forma di più. La scuola, il lavoro e persino il linguaggio morale hanno spesso trattato la fatica come prova del merito. Da qui nasce l’idea che una strada lunga sia pedagogicamente superiore proprio perché lunga, che l’errore nobiliti in quanto errore, che l’assistenza indebolisca per definizione. Questa posizione confonde il prezzo pagato con il valore prodotto. Una persona può consumare enormi risorse senza costruire alcuno schema utile; può anche imparare molto grazie a un aiuto ben collocato.

La progettazione intenzionale dello sforzo comincia quando ci sottraiamo a entrambe le semplificazioni. La facilità rappresenta un vantaggio quando rimuove attività periferiche e rende possibile un’elaborazione più ricca. La difficoltà diventa formativa quando obbliga la persona a compiere proprio le operazioni che desideriamo diventino disponibili in futuro. Il criterio risiede quindi nella funzione dello sforzo. Chiediamo quale trasformazione produce, su quale facoltà agisce e che cosa lascia dopo il proprio passaggio.

2.2 Il paradosso dello sforzo: andare peggio mentre si impara meglio

Una delle scoperte più controintuitive della psicologia dell’apprendimento riguarda la distanza tra prestazione durante la pratica e apprendimento durevole. Rileggere più volte un testo produce familiarità e una sensazione di scorrevolezza. Provare a ricostruirlo a memoria espone vuoti, esitazioni ed errori. Se il giudizio viene formulato nell’immediato, la rilettura sembra superiore. Se la prova avviene dopo un intervallo, il recupero attivo tende a lasciare tracce più accessibili. La difficoltà percepita può dunque aumentare proprio mentre cresce la probabilità di ricordare (Soderstrom & Bjork, 2015; Yang et al., 2021).

Lo stesso paradosso compare nella pratica distribuita. Concentrare molte ripetizioni in una sola sessione mantiene il materiale attivo e fa avvertire un rapido progresso. Distanziare gli incontri costringe invece a ricostruire ciò che è diventato meno disponibile. Una meta-analisi di studi condotti in classi reali ha rilevato un vantaggio medio della pratica distribuita rispetto a quella massiva, accompagnato da elevata eterogeneità tra contesti e da effetti tendenzialmente più forti con intervalli di ritenzione maggiori (Mawson & Kang, 2025). [EP] Il beneficio nasce dalla necessità di riattivare e ricodificare, più che dal semplice trascorrere del tempo.

Questa distanza spiega perché studenti e professionisti scelgano spesso condizioni che ottimizzano l’impressione di apprendere. La fluidità viene scambiata per padronanza; la risposta riconosciuta viene confusa con la risposta che sapremmo generare; il suggerimento seguito appare come un criterio posseduto. L’AI intensifica l’illusione perché produce una continuità discorsiva capace di farci sentire dentro un ragionamento che, in parte, è avvenuto altrove. Il risultato può essere eccellente e l’esperienza soggettiva convincente, mentre ritenzione e trasferimento restano invariati, come osservato nello studio sperimentale di Fan e colleghi sulla scrittura assistita (Fan et al., 2025). [EP]

Da questo paradosso segue una regola di lettura. Una difficoltà che abbassa la prestazione immediata merita attenzione, ma il suo valore emerge soltanto in una prova successiva. Se la ritenzione, il trasferimento o la capacità di discriminare migliorano, quella difficoltà ha funzionato. Se rimangono uguali o peggiorano, abbiamo osservato un ostacolo. Il disagio durante l’attività costituisce un segnale ambiguo; l’effetto dopo l’attività fornisce la prova.

2.3 Tre fenomeni che il linguaggio tende a confondere

Nel discorso quotidiano chiamiamo “fatica mentale” esperienze molto diverse. Possiamo essere affaticati perché il compito contiene molte relazioni nuove da coordinare, perché il materiale è presentato male, oppure perché stiamo compiendo un’elaborazione impegnativa ma feconda. La teoria del carico cognitivo offre una grammatica utile, purché venga impiegata con cautela. La memoria di lavoro che tratta informazioni nuove possiede capacità e durata limitate; la conoscenza organizzata nella memoria a lungo termine permette invece di raggruppare molti elementi in schemi e di operare con maggiore efficienza (Sweller et al., 2019).

Il carico intrinseco deriva dall’interattività degli elementi che devono essere trattati insieme ed è sempre relativo alla conoscenza posseduta. Interpretare un bilancio, formulare una diagnosi o valutare un disegno di ricerca può richiedere il coordinamento di numerose variabili. Per un esperto, molte relazioni sono già compresse in schemi; per un principiante restano elementi separati. Il carico estraneo nasce invece dal modo in cui l’attività è organizzata: informazioni da ricomporre tra fonti lontane, dettagli decorativi, istruzioni contraddittorie, interruzioni, passaggi tecnici privi di valore per la capacità bersaglio.

La formulazione originaria della teoria distingueva anche un carico germano, associato alla costruzione degli schemi. Gli sviluppi successivi hanno ridimensionato il suo statuto come categoria indipendente e parlano più precisamente di risorse della memoria di lavoro dedicate a processi rilevanti per l’apprendimento, dentro il carico intrinseco gestito dall’istruzione (Sweller et al., 2019). In questa guida useremo l’espressione “carico formativo” con un significato operativo, senza presentarla come una terza quantità misurabile: indica la parte dello sforzo effettivamente investita nelle operazioni che costruiscono la capacità desiderata.

Le tre nozioni si sovrappongono solo in parte. Una difficoltà desiderabile descrive una condizione di pratica e viene definita dai suoi effetti successivi. Il carico formativo descrive dove sono impegnate le risorse durante l’attività. L’attrito improduttivo descrive uno spreco o una sproporzione. Il medesimo compito può contenerli tutti: recuperare una regola a distanza introduce una difficoltà potenzialmente desiderabile; confrontarla con un caso nuovo assorbe carico formativo; cercare la consegna corretta dentro un ambiente confuso aggiunge attrito.

2.4 Quando una difficoltà merita di essere desiderata

L’espressione desirable difficulties è diventata popolare proprio perché rovescia un’intuizione. Alcune condizioni che rallentano la prestazione corrente sostengono una memoria più durevole e una conoscenza più flessibile. Tra le più studiate vi sono il recupero invece della sola rilettura, la distribuzione della pratica nel tempo, l’alternanza tra categorie o tipi di problema, la variazione dei contesti e la generazione di una risposta prima di riceverla (Bjork & Bjork, 2020). La solidità empirica e i confini cambiano da una tecnica all’altra.

Il recupero mediante quiz o domande produce in media un vantaggio moderato nell’apprendimento in classe, secondo una revisione sistematica e meta-analitica che ha rilevato effetti variabili in funzione del formato, del feedback e del confronto utilizzato (Yang et al., 2021). [RR] La pratica distribuita mostra anch’essa un vantaggio complessivo negli studi applicati, con differenze notevoli tra domini, età e disegni (Mawson & Kang, 2025). L’interleaving può allenare la discriminazione tra categorie simili, ma il suo effetto dipende dal materiale: la meta-analisi di Brunmair e Richter ha trovato un vantaggio medio, più chiaro per materiali visivi e problemi matematici, e risultati incerti o contrari per altri contenuti (Brunmair & Richter, 2019).

Questi risultati invitano a usare il plurale. Esistono difficoltà desiderabili in determinate condizioni, per determinati apprendimenti e per determinati discenti. Una richiesta di recupero diventa sterile quando manca qualsiasi traccia da recuperare. L’alternanza diventa rumore quando le categorie sono prive di una struttura comune o quando il principiante ignora ancora le caratteristiche rilevanti. La variazione diventa dispersione quando mutano troppi elementi contemporaneamente. Persino il ritardo del feedback, utile se mantiene attiva una previsione, diventa rischioso quando consente all’errore di consolidarsi.

Possiamo allora definire quattro condizioni di desiderabilità. La difficoltà deve attivare un processo legato alla capacità bersaglio; deve essere superabile, almeno con aiuti graduati; deve produrre informazione sull’errore o sulla strategia; deve infine essere seguita da consolidamento, recupero o trasferimento. Il quarto requisito è decisivo. Una singola esperienza impegnativa può aprire una possibilità; l’apprendimento richiede che quella possibilità venga ripresa e stabilizzata.

2.5 Il fallimento produttivo e il valore del tentativo incompleto

Il tentativo prima della spiegazione occupa un posto particolare nella progettazione dello sforzo. Chiedere a una persona di affrontare un problema ancora priva della soluzione può attivare conoscenze pregresse, rendere visibili assunzioni, far emergere caratteristiche profonde e preparare domande che una spiegazione immediata lascerebbe dormienti. La meta-analisi di Sinha e Kapur, basata su 53 studi e 166 confronti, ha trovato un vantaggio moderato dei disegni problem solving–istruzione rispetto alla sequenza inversa. [RR] Gli effetti erano più forti quando venivano rispettati i principi del productive failure e apparivano meno favorevoli per bambini più piccoli e abilità generali (Sinha & Kapur, 2021).

La parola “fallimento” rischia tuttavia di attirare più attenzione dell’aggettivo “produttivo”. Il beneficio deriva da un’architettura in due tempi. Nel primo, il problema è accessibile attraverso le conoscenze disponibili, ammette strategie diverse e rende confrontabili le soluzioni parziali. Nel secondo, una guida esperta consolida il concetto, mette in relazione tentativi e struttura canonica, corregge le rappresentazioni e mostra perché alcune strade funzionano meglio. Lasciare una persona a vagare dentro uno spazio di ricerca troppo ampio produce soltanto un costo elevato sulla memoria di lavoro.

L’AI può occupare entrambi i tempi e proprio qui il design diventa determinante. Può generare il problema, chiedere una previsione, raccogliere una prima strategia, offrire un indizio contingente e poi confrontare il tentativo con una soluzione esperta. Può anche saltare l’intera fase generativa consegnando immediatamente un testo compiuto. La distribuzione del lavoro cognitivo, oltre alla potenza del modello, determina il carattere formativo dell’esperienza.

Il tentativo ha dunque valore quando costruisce uno spazio interrogativo. La persona incontra la distanza tra ciò che credeva e ciò che il problema richiede; la spiegazione successiva trova una mente preparata a distinguere. L’errore diventa materiale di apprendimento perché viene reso osservabile, interpretato e corretto. La difficoltà sterile, al contrario, lascia soltanto la sensazione di essere incapaci oppure induce a cercare una via di fuga.

2.6 L’attrito improduttivo: quando la fatica prende la strada sbagliata

L’attrito improduttivo comprende due famiglie di problemi. La prima è periferica. Una persona disperde attenzione per capire che cosa le viene chiesto, localizzare informazioni frammentate, decifrare un linguaggio inutilmente opaco, ripetere passaggi amministrativi, gestire notifiche o compensare un’interfaccia inaccessibile. Ridurre questi ostacoli amplia lo spazio disponibile per l’attività cognitiva rilevante. In questo senso, semplificazione, accessibilità e automazione appartengono pienamente a una pedagogia esigente.

La seconda famiglia nasce dalla sproporzione. Il compito riguarda il nucleo della capacità, ma la quantità di elementi nuovi supera ciò che la persona riesce a coordinare. L’effetto può apparire come confusione, tentativi casuali, dipendenza dal primo suggerimento, rinuncia o memorizzazione superficiale. Qui il rimedio consiste nel segmentare, offrire un esempio svolto, pre-addestrare gli elementi essenziali, rendere visibili le relazioni e ridurre progressivamente l’aiuto. Per i principianti, gli esempi guidati possono liberare risorse dalla ricerca casuale e indirizzarle alla costruzione di schemi; con la crescita della conoscenza, la stessa guida può diventare ridondante (Kalyuga et al., 2003; Sweller, 2024). [IT]

Esiste infine un attrito più sottile, prodotto dall’assistenza stessa. Una risposta ricca può introdurre troppi concetti, alternative e verifiche; una conversazione molto lunga può costringere a ricostruire il filo; continui suggerimenti possono frammentare l’intenzione; la richiesta di controllare ogni frase può trasformare il discente in revisore di un testo che ancora comprende poco. L’AI riduce lo sforzo di generazione e, nello stesso gesto, può aumentare quello di selezione. Il carico cambia luogo, senza necessariamente diminuire.

L’attrito improduttivo possiede anche una dimensione sociale. Ansia valutativa, paura di esporsi, stereotipi, scarsa padronanza linguistica, disabilità, precarietà del tempo e ambienti saturi di interruzioni consumano le stesse risorse cognitive richieste dal compito. Una politica dello sforzo che ignori queste differenze trasformerebbe privilegi ambientali in presunti meriti individuali. Calibrare la difficoltà significa quindi progettare accesso, sicurezza e sostegno, oltre alla sequenza dei contenuti.

2.7 L’AI come allocatore di sforzo

Considerare l’AI un allocatore di sforzo aiuta a superare la domanda se renda tutto troppo facile. Ogni interazione sposta attività tra persona e sistema. Può assorbire trascrizione, formattazione, traduzione preliminare, ricerca di esempi o calcolo ripetitivo. Può sostenere il nucleo attraverso domande, simulazioni, feedback e casi contrastivi. Può infine sostituire il nucleo formulando il problema, scegliendo i criteri, generando la strategia e valutando il risultato. Il bilancio dipende da quale capacità vogliamo lasciare nella persona.

Immaginiamo una funzionaria che deve imparare a valutare una proposta di policy. Nel primo scenario chiede all’AI di scrivere l’intera valutazione. La fatica scende e il prodotto migliora, mentre restano opache la selezione delle evidenze e la ponderazione dei trade-off. Nel secondo scenario la funzionaria formula una prima mappa causale e una previsione; il sistema segnala variabili trascurate, propone un caso contrario e chiede di rivedere il giudizio. La fatica rimane, ma cambia qualità. Nel terzo scenario la documentazione è dispersa e il linguaggio incoerente; l’AI la riordina e normalizza, lasciando alla persona l’interpretazione. Qui l’automazione elimina attrito e protegge il nucleo.

Lo stesso principio vale per la scrittura. Se la capacità bersaglio è costruire un’argomentazione, chiedere subito una scaletta completa può sottrarre il momento in cui si decide che cosa sostiene realmente la tesi. Se la capacità è revisionare criticamente, ricevere due versioni contrastanti può aumentare l’attività di confronto. Se l’autore possiede già un’architettura solida, delegare la correzione di ripetizioni o la proposta di titoli libera risorse per il significato. “Automatizzare il contorno, esercitare il nucleo” descrive questa geometria mobile.

2.8 La difficoltà giusta cambia mentre cresce l’expertise

La difficoltà risiede nella relazione tra compito e persona. Ciò che per un principiante occupa l’intera memoria di lavoro può diventare un’unica unità per l’esperto. Ciò che guida il novizio può annoiare o interferire con chi possiede già uno schema. L’expertise reversal effect descrive proprio il rovesciamento dell’efficacia di alcune tecniche al crescere della conoscenza: esempi completi e spiegazioni dettagliate aiutano nelle fasi iniziali, poi diventano ridondanti e lasciano spazio alla soluzione autonoma dei problemi (Kalyuga et al., 2003).

Per il principiante, il buon aiuto riduce la ricerca casuale senza eliminare l’elaborazione. Mostra un esempio e chiede di spiegarne i passaggi; completa le parti più complesse e lascia alcune decisioni; offre una scelta limitata e chiede di motivarla; segnala l’errore prima di correggerlo. Per l’intermedio, il supporto diventa contingente: suggerimenti dopo un tentativo, casi con variabili irrilevanti, confronto tra strategie, feedback ritardato quanto basta a mantenere attiva una previsione. Per l’esperto, la difficoltà può spostarsi verso eccezioni, scenari avversariali, trade-off, incertezza e audit del sistema.

Un tutor adattivo dovrebbe quindi regolare il proprio ritiro sulla competenza dimostrata, anziché sul numero di interazioni trascorse. Quando la persona spiega correttamente, recupera senza aiuto e trasferisce il criterio, una parte dello scaffolding può scomparire. Quando gli errori rivelano una rappresentazione fragile, il sistema torna a segmentare o modellare. Questa dinamica è più vicina a una relazione educativa che a una semplice interfaccia di risposta.

La calibrazione riguarda anche motivazione e identità. Una difficoltà appena oltre il livello attuale può generare agentività; una distanza enorme comunica impotenza; un compito sempre assistito comunica che l’autonomia è superflua. L’obiettivo consiste nel rendere visibile una progressione: prima con me, poi con meno aiuto, infine da solo e in un caso diverso. La fatica diventa sopportabile quando la persona ne comprende il senso e può osservare la propria crescita.

2.9 Misurare lo sforzo senza scambiarlo per apprendimento

Chiedere quanto un’attività sia stata faticosa fornisce un’informazione utile e insufficiente. Due persone possono attribuire lo stesso punteggio a esperienze opposte: una ha coordinato concetti rilevanti, l’altra ha cercato di decifrare una consegna. Anche tempo ed errori restano ambigui. Molto tempo può indicare elaborazione profonda oppure disorientamento; pochi errori possono riflettere padronanza oppure un supporto che impedisce di sbagliare.

Una valutazione rigorosa combina almeno quattro famiglie di indizi. La prestazione durante l’attività mostra che cosa riesce a fare la configurazione persona-sistema. Le tracce di processo mostrano se la persona ha generato, confrontato, verificato e corretto. Una prova immediata senza assistenza osserva l’apprendimento iniziale. Una prova differita o di trasferimento verifica se la capacità resta accessibile e sa adattarsi. A queste misure si aggiunge la calibrazione: quanto la fiducia espressa corrisponde alla correttezza reale.

La qualità dello sforzo può allora essere inferita dalla relazione tra processo ed esito. Se un’attività richiede molto impegno, produce tentativi pertinenti, beneficia del feedback e migliora la prova successiva, abbiamo buoni indizi di carico formativo. Se richiede molto impegno, genera strategie casuali e lascia invariata la prova, prevale l’attrito. Se richiede poco impegno e migliora comunque ritenzione o trasferimento, l’istruzione è stata efficiente. La pedagogia cerca apprendimento per unità di risorsa, oltre alla massima attivazione possibile.

Questa impostazione protegge anche dal moralismo organizzativo. Ore trascorse, quantità di attività e sofferenza visibile sono metriche povere della crescita professionale. Un’organizzazione intelligente osserva l’ampliamento delle decisioni che una persona sa assumere, la qualità delle spiegazioni, la gestione delle eccezioni, la riduzione degli errori ripetuti e la capacità di intervenire quando l’automazione esce dal proprio dominio di affidabilità.

2.10 Il criterio operativo: preservare la funzione, calibrare la dose

Possiamo ora tradurre il capitolo in un criterio di progettazione. Prima viene definita la capacità bersaglio. Poi il compito viene scomposto nelle operazioni che la costituiscono. A quel punto ogni fonte di sforzo viene interrogata per la funzione che svolge. Se un passaggio assorbe attenzione e appartiene al contorno, può essere semplificato o automatizzato. Se appartiene al nucleo ma supera le risorse del discente, richiede segmentazione, esempio, pre-training o scaffolding. Se appartiene al nucleo ed è affrontabile, merita di restare alla persona, accompagnato da feedback e da una prova successiva.

La dose conta quanto la funzione. Troppa facilità evita l’attivazione; troppa difficoltà impedisce di organizzare l’esperienza. Il punto utile si muove con la conoscenza pregressa, la stanchezza, il dominio, la motivazione, la qualità del feedback e il tempo disponibile. Per questo una regola universale come “prima sempre da soli” risulta meno robusta di una sequenza adattiva. Talvolta serve un esempio prima del tentativo; talvolta una previsione prima dell’esempio; quasi sempre serve che, a un certo punto, la persona compia senza sostituzione l’operazione che desideriamo apprenda.

In pratica, la domanda decisiva diventa questa: la difficoltà sta esercitando la funzione che domani dovrà essere autonoma? Se la risposta è affermativa, la preserviamo e la rendiamo sostenibile. Se la difficoltà riguarda un ostacolo periferico, la rimuoviamo. Se l’AI sta svolgendo la funzione bersaglio, trasformiamo il suo ruolo da produttore a tutor, simulatore, critico o generatore di feedback. Infine ritiriamo l’assistenza e osserviamo ciò che rimane.

Domande di passaggio

Quale operazione cognitiva desidero diventi più disponibile dopo questa attività?

La difficoltà che incontro appartiene a quella operazione oppure al modo in cui il compito è presentato?

Possiedo conoscenze sufficienti per un tentativo produttivo o serve prima un esempio, una segmentazione o un indizio?

L’AI sta riducendo attrito, sostenendo l’elaborazione o sostituendo la funzione bersaglio?

Quale prova differita o di trasferimento mostrerà se lo sforzo ha prodotto capacità?

Capitolo 3. Le tre prove dell’apprendimento

3.1 L’illusione della prova unica

L’AI rende possibile osservare prodotti che, fino a poco tempo fa, avremmo interpretato come indizi abbastanza affidabili della competenza di chi li presentava. Un’argomentazione ben strutturata suggeriva capacità di selezionare evidenze e collegarle; un codice funzionante suggeriva comprensione della logica implementata; una sintesi clinica coerente suggeriva che il caso fosse stato discriminato. Questa inferenza non è mai stata perfetta, ma l’AI la rende radicalmente più fragile. Il prodotto resta reale; diventa incerta la distribuzione delle operazioni che lo hanno reso possibile.

Il problema non si risolve vietando l’assistenza durante ogni valutazione. In molti contesti professionali la capacità rilevante è ormai distribuita: un medico lavora con sistemi diagnostici, una funzionaria con motori di ricerca e modelli linguistici, un progettista con strumenti di simulazione, un analista con librerie e agenti. Sapere orchestrare queste risorse, formulare richieste, integrare contributi e assumere responsabilità appartiene alla competenza contemporanea. Una prova soltanto autonoma ignorerebbe questa realtà; una prova soltanto assistita ignorerebbe ciò che accade quando il sistema sbaglia, manca o incontra un caso fuori distribuzione.

Occorre quindi smettere di chiedere a una singola misura di rispondere a domande diverse. Il voto assegnato al prodotto finale può descrivere la prestazione del sistema congiunto. Non dimostra, da solo, che la persona abbia appreso; non dimostra neppure che non abbia appreso. Per pronunciarsi servono altre finestre di osservazione, costruite dopo il ritiro dell’aiuto e dopo che la fluidità della sessione si è dissolta. La distinzione tra prestazione e apprendimento, consolidata nella scienza della memoria, diventa qui una regola di validità della valutazione (Soderstrom & Bjork, 2015).

Le tre prove proposte in questo capitolo non costituiscono un test standard universale. Sono un’architettura: obbligano a dichiarare quale capacità interessa, in quale configurazione deve essere disponibile e per quanto tempo. Solo dopo questa dichiarazione è possibile scegliere compiti, criteri e intervalli. La valutazione smette così di essere una fotografia indistinta e diventa una sequenza capace di mostrare che cosa l’AI amplifica, che cosa l’esperienza deposita e che cosa il tempo conserva.

3.2 Tre prove, tre domande

La prima prova osserva la prestazione assistita. La persona dispone dell’AI nelle condizioni d’uso previste e affronta un compito autentico. La seconda osserva l’apprendimento iniziale: l’assistenza viene ritirata e la persona incontra, nell’immediato, un compito equivalente ma non identico. La terza osserva la capacità stabile: dopo un intervallo, la persona deve recuperare e adattare ciò che ha appreso dentro un caso nuovo. Le tre prove sono legate, ma nessuna può essere dedotta automaticamente dalle altre.

L’ordine temporale protegge il significato delle misure. Se la prova autonoma ripete esattamente il compito appena svolto, può catturare memoria della risposta, imitazione o residui attivi nella memoria di lavoro. Se la prova differita ripropone lo stesso formato e gli stessi indizi, può misurare ritenzione letterale più che trasferimento. Servono perciò versioni equivalenti nella struttura profonda e variate nelle caratteristiche superficiali. La persona deve riconoscere il principio perché lo possiede, non perché riconosce la pagina.

Questa architettura rende visibili anche risultati favorevoli all’apprendimento con l’AI. Un tutor adattivo può migliorare la prestazione durante l’attività, sostenere una prima soluzione autonoma e produrre un vantaggio differito. Un feedback generativo può non cambiare molto il primo prodotto, ma migliorare revisioni successive. Una simulazione può lasciare invariato il ricordo di singoli fatti e aumentare la gestione di scenari inattesi. Se guardassimo soltanto un momento, perderemmo una parte essenziale dell’effetto.

3.3 Prima prova: la prestazione assistita

La prestazione assistita misura una capacità ecologica: ottenere un risultato affidabile coordinando risorse umane e artificiali. Il compito dovrebbe assomigliare a quello reale per scopo, vincoli, pressione temporale e conseguenze. L’accesso all’AI va descritto, non lasciato implicito: modello, funzioni disponibili, documenti forniti, possibilità di navigazione o calcolo, numero di interazioni, memoria della conversazione. Senza questa specificazione, due persone apparentemente sottoposte alla stessa prova possono operare con sistemi di potenza e rischio molto diversi.

Il primo insieme di indicatori riguarda l’esito: accuratezza, completezza, qualità dell’argomentazione, tempo, costo, sicurezza e appropriatezza rispetto al destinatario. Il secondo riguarda il processo. Osserviamo se la persona ha definito il problema, prodotto una rappresentazione iniziale, interrogato le assunzioni, richiesto alternative, verificato fonti, riconosciuto limiti, corretto errori e deciso che cosa accettare. Le tracce della conversazione sono utili, ma non vanno trasformate in una metrica ingenua: molti prompt non equivalgono a molto pensiero, così come un prompt breve può incorporare una competenza elevata.

Il terzo insieme riguarda la provenienza funzionale dei contributi. Non serve attribuire ogni parola a un autore; serve identificare chi ha compiuto le operazioni decisive. Chi ha formulato la domanda? Chi ha selezionato i criteri? Chi ha generato le alternative? Chi ha verificato l’evidenza? Chi ha risolto il conflitto? Chi ha assunto la decisione? Questa mappa rende interpretabile il prodotto. Una relazione eccellente in cui il sistema ha formulato problema, criteri e conclusione descrive una prestazione assistita elevata e una partecipazione cognitiva umana ancora da verificare.

Infine viene osservata la capacità di governare l’inaffidabilità. Possiamo inserire un dato incongruente, una fonte inesistente, un suggerimento plausibile ma errato o un caso che oltrepassa i limiti dichiarati. La misura non è quante volte la persona contraddice l’AI, bensì quanto appropriatamente calibra l’affidamento. Accettare un’indicazione corretta e respingerne una sbagliata sono entrambi successi; diffidare sempre è tanto poco intelligente quanto fidarsi sempre. Le ricerche sulle cognitive forcing functions mostrano che introdurre momenti che obbligano a pensare può ridurre l’overreliance, con costi in tempo e gradimento e con benefici diversi tra persone (Buçinca et al., 2021). [EP]

3.4 Seconda prova: l’apprendimento iniziale

La seconda prova inizia quando l’assistenza termina. Non è una punizione e non simula necessariamente l’intero lavoro futuro senza tecnologie. Funziona come una prova di sottrazione: rimuove per breve tempo il contributo esterno per osservare quali operazioni siano diventate disponibili alla persona. Deve avvenire abbastanza presto da descrivere l’apprendimento iniziale e abbastanza separata dal compito precedente da non ridursi alla copia della risposta appena vista.

Una buona prova immediata combina forme diverse di produzione. Chiede di ricostruire il principio senza consultare la conversazione, spiegare perché una soluzione funziona, applicare il criterio a un caso vicino, confrontare due alternative e individuare un errore intenzionalmente inserito. Questa pluralità riduce il rischio di scambiare la verbosità per comprensione. Una persona può ripetere una definizione senza saperla usare; può anche applicare correttamente una procedura e non possedere ancora un linguaggio raffinato per descriverla. Il profilo tra compiti offre più informazione di una somma indistinta.

Alla risposta va associata una stima di fiducia. Chiedere “quanto sei sicuro?” dopo ogni decisione permette di distinguere ignoranza riconosciuta, dubbio appropriato, padronanza e overconfidence. La calibrazione è una componente della capacità perché orienta la richiesta di aiuto. Chi sa di non sapere può fermarsi, consultare una fonte o coinvolgere un esperto; chi possiede una convinzione errata e molto sicura espone il sistema a un rischio maggiore. Nelle attività assistite questa misura aiuta inoltre a rilevare una possibile eredità della fluidità: il testo dell’AI può aumentare la sensazione di comprensione più della comprensione stessa.

Il confronto con la prima prova deve essere costruito su dimensioni comuni, quando ciò è possibile, senza pretendere identità. Accuratezza e qualità decisionale possono attraversare entrambe; tempo e completezza possono avere standard diversi. La prova autonoma non deve essere artificialmente più difficile, né privata degli strumenti ordinari non bersaglio. Se vogliamo misurare il ragionamento clinico, per esempio, possiamo mantenere accesso a linee guida già previste e ritirare soltanto il suggerimento diagnostico dell’AI. La sottrazione deve colpire la funzione di cui desideriamo conoscere l’appropriazione.

3.5 Terza prova: la capacità stabile

L’apprendimento iniziale è una promessa. La capacità stabile comincia quando la persona riesce a mantenere quella promessa dopo che il contesto immediato ha smesso di sostenerla. Una prova differita richiede il recupero della conoscenza dopo un intervallo significativo rispetto all’uso atteso: giorni per una micro-abilità impiegata ogni settimana, settimane per un modulo formativo, mesi per una competenza critica che deve restare disponibile durante interruzioni o emergenze. Non esiste un ritardo universalmente corretto; esiste un ritardo coerente con la pretesa che vogliamo avanzare.

La stabilità comprende almeno tre proprietà. La prima è la ritenzione: il criterio torna disponibile senza dover essere reimparato. La seconda è il trasferimento: il criterio guida l’azione quando cambiano superficie, formato, destinatario o contesto. La terza è la governabilità: la persona riconosce quando applicarlo, quando sospenderlo e quando cercare altro aiuto. La tassonomia di Barnett e Ceci ricorda che la distanza di trasferimento possiede molte dimensioni; dichiarare che una capacità “si trasferisce” senza specificare che cosa è cambiato rende il risultato quasi vuoto (Barnett & Ceci, 2002).

Il trasferimento va progettato per gradi. Un caso vicino conserva il principio e modifica dettagli irrilevanti; un caso intermedio cambia rappresentazione o richiede di scegliere tra strategie; un caso lontano porta il principio in un dominio o in una situazione meno familiare. Non ogni apprendimento produce automaticamente un trasferimento remoto. La meta-analisi di Pan e Rickard mostra che la pratica di recupero può sostenere il trasferimento, ma l’effetto varia con congruenza delle risposte, elaborazione durante il recupero e successo iniziale (Pan & Rickard, 2018). [RR] La prova più ambiziosa deve quindi essere accompagnata da una teoria plausibile di ciò che resta comune tra apprendimento e applicazione.

Nella terza prova inseriamo anche eccezioni e segnali deboli. Chi possiede una capacità stabile non esegue soltanto la procedura canonica: discrimina le condizioni in cui la procedura fallisce. Può spiegare quale informazione manca, riconoscere una fonte fragile, formulare una previsione prima di interrogare l’AI e rivederla alla luce di evidenze nuove. La stabilità che interessa nell’era dell’AI è quindi più ampia della memoria. È la possibilità di riattivare un modello mentale sufficiente per dirigere, controllare e, quando necessario, interrompere l’automazione.

3.6 Il profilo di dipendenza

Il confronto tra le prove produce un profilo di dipendenza, non una condanna. Se la qualità crolla quando l’AI viene ritirata, sappiamo che una parte importante della prestazione era sostenuta dal sistema. Questo può essere perfettamente accettabile quando l’obiettivo dichiarato è una capacità distribuita e il sistema sarà affidabilmente disponibile. Diventa una fragilità quando la persona deve operare durante un guasto, verificare un’uscita sbagliata, affrontare un caso non coperto o trasmettere la competenza ad altri.

La tentazione consiste nel comprimere tutto in un indice: prestazione assistita meno prestazione autonoma. Una differenza numerica può essere informativa solo se compiti e scale sono comparabili, e resta incapace di raccontare dove risieda la dipendenza. Due persone possono perdere lo stesso numero di punti: una ricorda i criteri ma procede lentamente; l’altra conserva la forma del prodotto e non riconosce un errore critico. È preferibile mantenere un vettore di dimensioni — accuratezza, tempo, spiegazione, trasferimento, rilevazione dell’errore, calibrazione — e interpretarlo alla luce della capacità bersaglio.

Il caso degli endoscopisti rende concreto il valore della prova non assistita. In quattro centri polacchi, uno studio retrospettivo osservazionale ha confrontato colonoscopie senza AI prima e dopo l’introduzione routinaria di un sistema di rilevazione: il tasso di rilevazione degli adenomi è sceso dal 28,4% al 22,4%, una differenza assoluta di 6 punti percentuali (Budzyń et al., 2025). [EP] Il risultato non dimostra da solo un meccanismo causale di deskilling: il disegno non randomizzava l’esposizione nel tempo e gli autori parlano prudentemente di possibile cambiamento del comportamento. Mostra però perché la prestazione senza supporto debba essere sorvegliata anche dopo l’adozione, anziché misurata soltanto nella formazione iniziale.

Il monitoraggio longitudinale distingue inoltre apprendimento, dipendenza ed erosione. Una prova autonoma bassa subito dopo l’intervento segnala che la capacità non si è ancora formata. Una prova inizialmente alta che diminuisce dopo mesi di uso assistito suggerisce mancato esercizio o cambiamento dell’attenzione. Una prestazione stabile accompagnata da un forte miglioramento assistito descrive invece un’augmentazione più robusta. Lo stesso protocollo, ripetuto con parsimonia, rende visibile la traiettoria.

3.7 Costruire prove valide e comparabili

La validità comincia dalla definizione della capacità bersaglio in termini osservabili. “Pensiero critico” è troppo ampio; “distinguere un’affermazione causale da una correlazionale, valutando disegno e confondenti” può generare prove. “Saper scrivere” è indeterminato; “costruire una tesi, selezionare evidenze pertinenti e anticipare una confutazione” permette di decidere che cosa lasciare alla persona. La precisione protegge dal rischio di misurare eleganza testuale quando interessa il giudizio, o memoria terminologica quando interessa la decisione.

Le versioni del compito devono essere equivalenti, non identiche. Si costruisce una piccola banca di casi con struttura profonda comune, difficoltà stimata simile e caratteristiche superficiali differenti. L’ordine può essere controbilanciato quando confrontiamo gruppi; i valutatori possono essere ciechi alla condizione; criteri e soglie vengono fissati prima di osservare i risultati. Nei contesti meno sperimentali, una doppia valutazione di un campione aiuta a verificare che la rubrica non dipenda eccessivamente da chi la applica.

Vanno controllate le contaminazioni. La prova immediata non dovrebbe riutilizzare frasi che l’AI ha appena prodotto; quella differita non dovrebbe essere annunciata con un dettaglio tale da trasformarla in una sessione di studio specifica, se desideriamo stimare la ritenzione ordinaria. Il tempo tra le prove, le attività intermedie, l’accesso ad altre fonti e l’eventuale uso personale dell’AI devono essere registrati. In un ambiente reale non elimineremo ogni influenza; possiamo però renderla visibile e limitare le conclusioni.

Occorre infine proteggere equità e accessibilità. Ritirare l’AI non significa ritirare ausili compensativi, tecnologie assistive o adattamenti ragionevoli quando non coincidono con la funzione bersaglio. Una persona che usa sintesi vocale, traduzione o dettatura non deve essere valutata sulla gestione di barriere irrilevanti. La regola è funzionale: manteniamo ciò che permette accesso al compito; sottraiamo temporaneamente ciò di cui vogliamo verificare la disponibilità autonoma.

3.8 Il gradiente di assistenza

Tra piena assistenza e completa autonomia esiste un gradiente utile alla diagnosi e alla formazione. Possiamo offrire prima l’AI nelle condizioni ordinarie, poi limitare il sistema a domande o indizi, infine ritirarlo. Oppure possiamo partire senza aiuto e introdurre sostegni progressivi fino a quando la persona riprende il compito. Il punto in cui la prestazione torna adeguata indica il livello minimo di scaffolding necessario e informa il passaggio successivo.

Questo disegno evita due letture grossolane dell’insuccesso. Se un principiante fallisce senza AI ma riesce con un singolo indizio, possiede una rappresentazione fragile ma attivabile; non è nella stessa condizione di chi richiede la soluzione completa. Se un esperto riesce senza AI e peggiora quando riceve spiegazioni verbose, l’assistenza introduce carico estraneo o interferenza. La valutazione diventa dinamica: non si limita a classificare ciò che la persona sa fare oggi, ma osserva a quale sostegno risponde e quanto rapidamente quel sostegno può ritirarsi.

Il fading deve seguire la competenza dimostrata. Possiamo ridurre prima la completezza delle risposte, poi la frequenza dei suggerimenti, quindi la disponibilità immediata del sistema. Ogni ritiro è seguito da una prova breve. Se la prestazione resta solida, procediamo; se emergono errori concettuali, torniamo al livello di aiuto capace di riattivare il ragionamento. La provvisorietà dell’assistenza diventa così osservabile invece di essere affidata alla speranza.

Il gradiente rende anche più onesta la valutazione dei tutor AI. Un sistema può produrre un grande guadagno perché offre spiegazioni chiare, pratica adattiva e feedback; può anche produrlo perché guida ogni passaggio fino a rendere l’errore quasi impossibile. Solo il ritiro graduato mostra se il successo si è spostato verso la persona. Non svaluta l’esperienza positiva: ne identifica il meccanismo e stabilisce quale fase manca per trasformarla in autonomia.

3.9 Dalla prova al laboratorio

Le Tre prove conservano la stessa grammatica nei diversi domini e cambiano nella forma concreta dei compiti, degli errori e delle responsabilità. La scrittura richiede di separare qualità testuale e governo dell’argomentazione; l’analisi distingue correttezza del calcolo e validità dell’inferenza; la decisione osserva criteri, trade-off e revisibilità; le professioni sanitarie aggiungono sicurezza, segnali deboli ed escalation. Il Capitolo 14 attraversa l’intero protocollo con laboratori completi, mentre qui resta il principio di misura che li rende comparabili.

3.10 Dal punteggio alla decisione

Il sistema delle tre prove serve a decidere come progettare, non a produrre un’etichetta definitiva sulla persona. Un’alta prestazione assistita accompagnata da basso apprendimento iniziale chiede di restituire alcune operazioni al discente: previsione prima della risposta, giustificazione, confronto, rilevazione dell’errore. Un buon apprendimento iniziale che svanisce nella prova differita chiede recupero distribuito, variazione e nuove occasioni di applicazione. Una capacità stabile che non beneficia dell’AI indica invece un problema di interfaccia, coordinamento o qualità del supporto.

Le soglie dipendono dal rischio e dal ruolo. In un’attività creativa a basso impatto può essere accettabile una forte dipendenza dal sistema, purché il risultato sia adeguato. In medicina, sicurezza, infrastrutture o decisioni pubbliche, alcune funzioni devono rimanere disponibili anche durante guasti, errori e casi eccezionali. La definizione delle capacità residue non può essere delegata al test: è una decisione normativa e organizzativa da rendere esplicita.

Anche la frequenza delle prove va calibrata. Una verifica autonoma troppo rara lascia invisibile l’erosione; una continua interrompe il lavoro e può trasformarsi in sorveglianza. Possiamo usare campionamenti brevi, simulazioni periodiche, casi sentinella e rotazioni di pratica non assistita, aumentando la frequenza quando cambiano modello, compito o popolazione. L’obiettivo è mantenere un circuito di apprendimento, non moltiplicare adempimenti.

La decisione finale conserva le tre colonne separate. Diciamo quanto bene funziona la configurazione persona–AI, che cosa la persona sa fare dopo l’esperienza e quale capacità permane nel tempo. Questo linguaggio rende possibile riconoscere contemporaneamente augmentazione e fragilità. Soprattutto, trasforma il ritiro dell’aiuto da gesto ideologico a strumento conoscitivo: per alcuni minuti o in una simulazione controllata, sottraiamo il sistema per vedere che cosa abbiamo costruito insieme.

Protocollo minimo delle tre prove

1. Definire la capacità bersaglio e le operazioni che devono restare alla persona o al gruppo.

2. Osservare un compito autentico con l’AI, registrando esito, processo, provenienza funzionale e gestione degli errori.

3. Ritirare soltanto la funzione di assistenza rilevante e proporre subito un compito equivalente, non identico.

4. Ripetere la prova dopo un intervallo coerente con l’uso atteso, variando contesto e introducendo almeno un’eccezione.

5. Conservare un profilo per dimensioni e decidere quale assistenza mantenere, quale sfumare e quale capacità esercitare periodicamente.

Domande di passaggio

Il risultato che sto osservando appartiene alla persona, al sistema o alla loro coordinazione?

Quale operazione desidero rendere disponibile subito dopo il ritiro dell’aiuto?

Quanto deve durare questa capacità, e quale intervallo rende credibile la prova?

Quale variazione del caso distingue il trasferimento dalla semplice memoria della risposta?

Quale livello di dipendenza è accettabile rispetto a rischio, disponibilità dell’AI e responsabilità professionale?

Come verificherò nel tempo che l’uso routinario non eroda una capacità inizialmente posseduta?

Capitolo 4. Dalla consegna alla capacità bersaglio

4.1 Il verbo nascosto dentro il prodotto

“Prepara una relazione sul fenomeno.” “Costruisci un piano di intervento.” “Analizza questo caso.” “Formula una diagnosi.” Le consegne abituali nominano un prodotto e lasciano nell’ombra il lavoro cognitivo che dovrebbe generarlo. La relazione può nascere da una ricerca, da una sintesi, da un confronto tra ipotesi o dalla ricomposizione elegante di materiale già selezionato. Il piano può richiedere previsione, negoziazione, allocazione di risorse e gestione del rischio, oppure soltanto l’applicazione di un formato. Due persone possono consegnare oggetti simili avendo esercitato facoltà molto diverse.

Finché il prodotto era difficile da ottenere senza possedere almeno una parte delle capacità sottostanti, l’ambiguità rimaneva tollerabile. Un saggio coerente costituiva un indizio imperfetto, ma ragionevole, della capacità di argomentare. Un programma funzionante suggeriva una certa comprensione del problema e del codice. L’AI generativa allenta questo legame. Può produrre la forma visibile dell’expertise mentre lascia aperta la domanda su chi abbia formulato il problema, selezionato i criteri, riconosciuto le eccezioni e verificato il risultato.

Immaginiamo una giovane analista cui venga chiesto di predisporre una nota per una decisione pubblica. Il sistema raccoglie la documentazione, costruisce tre opzioni, elenca vantaggi e rischi e propone una raccomandazione. La nota è migliore di quella che l’analista avrebbe scritto da sola. Se la consegna coincide con l’obiettivo, il lavoro è riuscito. Se l’obiettivo comprende imparare a distinguere una correlazione da una causa, valutare la solidità delle fonti e ponderare effetti distributivi, il prodotto ci dice ancora poco. La trasformazione desiderata deve essere nominata separatamente.

Il primo gesto progettuale consiste allora nel sostituire il nome dell’artefatto con i verbi della capacità. Dietro “relazione” possono esserci selezionare, collegare, spiegare e confutare. Dietro “diagnosi” troviamo notare, discriminare, aggiornare ipotesi e decidere sotto incertezza. Dietro “piano” compaiono rappresentare vincoli, anticipare conseguenze, coordinare attori e correggere la rotta. I verbi aprono il prodotto e mostrano quali operazioni possono essere allenate, osservate e, nel capitolo successivo, distribuite tra persona e AI.

4.2 La capacità bersaglio è una possibilità d’azione

In questa guida, la capacità bersaglio indica una possibilità d’azione che desideriamo diventi più affidabile e trasferibile per un soggetto dichiarato: persona, gruppo, relazione persona–AI oppure organizzazione. Comprende, secondo il soggetto scelto, conoscenze e rappresentazioni, procedure attivabili, indizi riconoscibili, criteri decisionali e operazioni di controllo. Possiede sempre un oggetto e un contesto. “Valutare criticamente” resta vago; “valutare se un’evidenza sostiene una decisione causale in presenza di confondenti e dati incompleti” definisce uno spazio progettuale.

Parlare di possibilità d’azione evita di ridurre la capacità a un possesso interiore. Una persona può conoscere un criterio e non riuscire ad applicarlo sotto pressione; può saperlo applicare con una rappresentazione visiva e perderlo in una pagina densa; può esprimere un ottimo giudizio dentro un gruppo e fallire quando deve agire sola. La capacità emerge dall’incontro tra risorse personali e condizioni del compito. Questa prospettiva ecologica mantiene aperta la dimensione delle relazioni, degli strumenti e dell’organizzazione.

Allo stesso tempo, la capacità bersaglio deve essere formulata in modo da consentire una prova. Dire che il percorso “promuove consapevolezza” esprime un’intenzione apprezzabile e difficile da confutare. Dire che, al termine, la persona saprà esplicitare le proprie assunzioni, confrontarle con un caso contrario e rivedere il giudizio quando l’evidenza cambia permette di costruire osservazioni. La precisione non impoverisce la finalità educativa; le offre una forma attraverso cui diventare conoscibile.

La formulazione contiene infine un orizzonte temporale. Alcune capacità servono durante una sessione; altre devono tornare disponibili dopo settimane; altre ancora devono reggere anni di cambiamenti e casi eccezionali. Il Capitolo 3 ha mostrato che prestazione assistita, apprendimento iniziale e capacità stabile richiedono prove diverse. [IT] Il presente capitolo compie il passo precedente: chiarisce che cosa, precisamente, quelle prove dovranno cercare.

4.3 L’anatomia di una capacità

Le capacità complesse assomigliano meno a un interruttore e più a un sistema. Possiamo riconoscere almeno sei componenti, strettamente intrecciate. Le conoscenze forniscono concetti, fatti e relazioni; le rappresentazioni organizzano il problema in una forma trattabile; le procedure trasformano quella rappresentazione; gli indizi rendono visibili le caratteristiche rilevanti; i criteri orientano la scelta; il controllo metacognitivo ed epistemico verifica se il percorso resta affidabile. Un esperto coordina queste componenti con una fluidità che spesso le rende invisibili persino a lui.

La tabella va letta come una mappa, non come una tassonomia di parti indipendenti. Riconoscere un indizio dipende dalla conoscenza posseduta; scegliere una strategia cambia ciò che diventa visibile; controllare un errore richiede un modello di ciò che dovrebbe accadere. Nella pratica, una sola azione può mobilitare tutte le componenti. La scomposizione serve a evitare che una di esse scompaia dalla progettazione perché assorbita dal prodotto o dallo strumento.

Consideriamo la capacità di valutare una raccomandazione generata dall’AI. Occorre conoscere il dominio e i limiti del sistema; rappresentare la catena che collega evidenze e conclusione; verificare fonti e dati; notare incongruenze; distinguere plausibilità linguistica e validità; stimare le conseguenze di un errore; decidere quando accettare, correggere o sospendere. Limitarsi a chiedere “controlla la risposta” affida a un verbo generico un’intera architettura di competenza.

La mappa rende visibili anche le asimmetrie. Una persona può possedere molte conoscenze e pochi criteri di applicazione; può eseguire bene una procedura canonica e riconoscere male le eccezioni; può individuare l’errore e avere scarsa fiducia nel proprio giudizio; può sapere quando chiedere aiuto senza saper formulare la domanda utile. Progettare una capacità significa conoscere queste configurazioni, perché ciascuna richiede un’esperienza diversa.

4.4 Rendere visibile l’expertise tacita

Per risalire dal prodotto alla capacità, la descrizione formale del processo raramente basta. Le procedure ufficiali raccontano il caso regolare; l’expertise vive spesso negli scarti. Un professionista esperto nota un dettaglio prima degli altri, riconosce una configurazione familiare, sospende una regola in presenza di un’eccezione, anticipa dove cercare l’errore e sa quali informazioni possono attendere. Una parte di questo sapere è tacita: agisce con efficacia e diventa difficile da verbalizzare perché è stata compressa dall’esperienza.

La cognitive task analysis raccoglie metodi progettati per far emergere conoscenze, obiettivi, decisioni e processi che l’osservazione comportamentale tende a perdere (Clark et al., 2008). Invece di chiedere soltanto a un esperto “come si fa?”, si ricostruisce un episodio concreto: che cosa ha notato, quali ipotesi ha considerato, quando ha cambiato direzione, quale errore temeva, che cosa avrebbe fatto un principiante. Si confrontano più esperti e casi diversi, perché una singola narrazione può trasformare una pratica situata in una regola troppo generale.

Una meta-analisi sull’istruzione fondata sulla cognitive task analysis ha rilevato un effetto complessivo ampio rispetto ad altri modi di identificare e rappresentare il contenuto formativo, insieme a limiti di qualità e varietà negli studi disponibili (Tofel-Grehl & Feldon, 2013). [EP] Il risultato sostiene l’utilità del metodo senza convertirlo in una procedura infallibile. L’elicitazione dipende dalla scelta degli esperti, dalla qualità dell’intervista, dai casi richiamati e dalla capacità di trasformare ciò che emerge in attività formative.

Esiste inoltre un expert blind spot. La conoscenza avanzata può rendere difficile ricostruire i passaggi necessari a chi ancora non possiede gli stessi schemi. Nello studio di Nathan e Petrosino, futuri insegnanti di matematica con maggiore preparazione disciplinare tendevano a valutare la difficoltà dei problemi attraverso la struttura formale della disciplina più che attraverso il modo in cui gli studenti li affrontavano (Nathan & Petrosino, 2003). [EP] Per questo l’analisi della capacità combina esperti, principianti, errori reali, osservazione del lavoro e dati di processo. L’expertise va interrogata anche attraverso le sue assenze.

4.5 La catena capacità–evidenza–compito

Una volta nominata la capacità, dobbiamo chiederci quale comportamento la renderebbe plausibile. L’evidence-centered assessment design propone una struttura particolarmente utile: definire ciò che vogliamo sostenere sulla persona, precisare quali osservazioni costituirebbero evidenza e costruire compiti capaci di produrre quelle osservazioni (Mislevy et al., 2003). [IT] La sequenza impedisce di partire dall’esercizio disponibile e attribuirgli, a posteriori, il significato desiderato.

Supponiamo di voler sostenere che una persona sa valutare la qualità causale di un’analisi. L’evidenza potrebbe consistere nel riconoscere un confondente, spiegare la direzione del bias, distinguere ciò che i dati permettono di affermare e indicare quale informazione cambierebbe il giudizio. Il compito dovrà contenere un caso in cui queste operazioni siano necessarie e osservabili. Un quiz di definizioni può misurare conoscenze preliminari; una relazione generica rischia di permettere molte strade che aggirano il nucleo.

La catena vale anche per la formazione. Biggs ha descritto l’allineamento costruttivo come coerenza tra risultati di apprendimento, attività e valutazione (Biggs, 1996). Se desideriamo che una persona impari a discriminare, deve incontrare casi da distinguere; se desideriamo che sappia generare alternative, deve produrle; se desideriamo che sappia correggere, deve ricevere un esito e rivedere il percorso. L’AI può arricchire ciascuna attività oppure svolgerla al posto della persona. Il verbo bersaglio stabilisce la differenza.

Il principio del transfer-appropriate processing aggiunge una cautela. L’apprendimento tende a essere favorito quando le operazioni esercitate hanno una relazione funzionale con quelle richieste dalla prova successiva (Morris et al., 1977). Questo non significa ripetere sempre lo stesso compito. Significa conservare l’elaborazione centrale mentre cambiano contenuti e superficie. Chi dovrà decidere sotto incertezza deve esercitare decisioni sotto incertezza, non soltanto leggere spiegazioni sull’incertezza.

4.6 Scegliere verbi che conservino il lavoro cognitivo

I verbi differiscono per ciò che chiedono alla mente. Riconoscere una risposta tra alternative mobilita processi diversi dal generarla; riassumere un’argomentazione differisce dal valutarne la validità; applicare una procedura nota differisce dallo scegliere quale procedura usare; produrre molte idee differisce dal selezionare quella sostenibile. Una capacità bersaglio ben formulata evita verbi contenitore come “comprendere”, “conoscere” o “padroneggiare” finché non vengono tradotti in operazioni osservabili.

La tassonomia revisionata di Bloom offre un primo vocabolario — ricordare, comprendere, applicare, analizzare, valutare, creare — e ricorda che la conoscenza può essere fattuale, concettuale, procedurale e metacognitiva (Anderson & Krathwohl, 2001). Il suo uso più utile consiste nel porre domande, non nel classificare meccanicamente ogni attività su una scala. “Creare” può richiedere una combinazione superficiale; “ricordare” può costituire il nucleo di una risposta esperta sotto pressione. Il dominio e la funzione decidono il valore dell’operazione.

Il framework ICAP distingue comportamenti passivi, attivi, costruttivi e interattivi e ipotizza, a condizioni comparabili, una maggiore profondità dell’apprendimento quando la persona genera inferenze o costruisce significato con altri (Chi & Wylie, 2014). Anche qui la forma visibile può ingannare. Conversare a lungo con un’AI appare interattivo, mentre la persona può limitarsi a chiedere e ricevere. Una breve spiegazione generata dal discente prima del feedback può contenere più lavoro costruttivo di dieci scambi fluidi.

Per ogni verbo bersaglio conviene indicare oggetto, condizioni e standard. “Confrontare tre opzioni di policy sulla base di efficacia attesa, distribuzione degli effetti, fattibilità e reversibilità, esplicitando incertezza e fonte dei dati” guida il design più di “analizzare le opzioni”. La formulazione consente di costruire casi, rubriche e prove autonome; rende anche evidente quali passaggi un sistema generativo potrebbe assorbire.

4.7 Decidere dove risiede la capacità

Ogni capacità professionale è, in qualche misura, distribuita. Un’équipe clinica pensa attraverso persone, protocolli, cartelle, strumenti diagnostici e conversazioni. Un ufficio pubblico ricorda attraverso archivi, norme, procedure e relazioni tra livelli istituzionali. Hutchins ha mostrato che alcuni sistemi di attività possiedono proprietà cognitive che emergono dal coordinamento tra individui e artefatti, come accade nella navigazione di una nave (Hutchins, 1995). [IT] Chiedere che tutto resti nella testa del singolo descriverebbe male il lavoro reale.

La capacità bersaglio può dunque appartenere alla persona, alla relazione persona–AI, al gruppo o all’organizzazione. La scelta dipende dalla situazione d’uso. Se un’informazione è sempre accessibile e facilmente verificabile, ricordarla a memoria può avere poco valore. Se serve per riconoscere che il sistema sta sbagliando, orientare una ricerca o agire durante un’interruzione, una rappresentazione interna conserva un ruolo critico. Il confine non coincide con ciò che la tecnologia sa fare; coincide con le condizioni di affidabilità e responsabilità che desideriamo costruire.

Questo conduce a distinguere disponibilità ordinaria e capacità di riserva. Nella routine, la persona può operare con l’AI e raggiungere una prestazione più alta. In casi sentinella, guasti o transizioni, deve riattivare alcune funzioni senza quella specifica assistenza. La capacità di riserva non replica l’intero sistema: conserva abbastanza comprensione per diagnosticare il problema, mantenere sicurezza, scegliere un’alternativa e sapere quando fermarsi. Nei domini ad alto rischio, tale riserva appartiene al progetto dell’affidabilità.

Esiste infine una distribuzione nel tempo. Un’organizzazione può affidare una parte del sapere a procedure e archivi, purché continui a produrre persone capaci di interpretarli e aggiornarli. Se l’AI assorbe le esperienze attraverso cui i principianti imparavano a riconoscere anomalie, la prestazione corrente può crescere mentre si restringe la capacità futura del sistema. La specificazione della capacità deve quindi includere chi la possiederà domani e attraverso quali esperienze verrà rigenerata.

4.8 La stessa consegna, capacità diverse

Una consegna acquisisce significati diversi lungo lo sviluppo dell’expertise. Per un principiante, scrivere una sintesi può servire a costruire una prima rappresentazione del dominio; per un intermedio, a selezionare e organizzare; per un esperto, a comunicare un giudizio già strutturato. Chiedere a tutti lo stesso prodotto e offrire la stessa AI produce quindi esperienze formative differenti. Il bersaglio va calibrato sulla conoscenza pregressa e sulla prossima soglia di autonomia.

Per il principiante, la capacità può consistere nel riconoscere gli elementi fondamentali, spiegare relazioni e seguire una procedura con supporto. La rappresentazione esperta deve essere resa accessibile attraverso esempi, confronto e segmentazione. Per l’intermedio, il bersaglio si sposta verso scelta della strategia, discriminazione tra casi, integrazione di fonti e correzione. Per l’esperto, può riguardare eccezioni, audit dell’AI, gestione dei trade-off, trasmissione dell’expertise e revisione delle regole quando il contesto cambia.

Questa progressione evita due errori speculari. Il primo consiste nel chiedere al principiante un’autonomia priva delle strutture necessarie e interpretare il sovraccarico come apprendimento. Il secondo consiste nel mantenere un supporto completo dopo che la persona potrebbe assumere il compito, sottraendole le occasioni di decisione. Il fading adattivo richiede una capacità bersaglio graduata: il sistema può ritirare soltanto ciò che sappiamo osservare.

La progressione dovrebbe essere descritta mediante cambiamenti qualitativi, oltre ai punteggi. Un novizio segue criteri dichiarati; un intermedio li sceglie e li combina; un esperto riconosce quando risultano insufficienti e ne costruisce di nuovi. L’autonomia cresce insieme all’ampiezza delle situazioni governabili, alla sensibilità per le eccezioni e alla responsabilità assunta. Diventare più capaci significa vedere più possibilità e regolare meglio la propria azione.

4.9 Quattro traduzioni dalla consegna alla capacità

Nella scrittura, “produci un articolo” può diventare “formulare una tesi discutibile, selezionare evidenze pertinenti, anticipare un’obiezione e rivedere l’argomentazione alla luce del destinatario”. Il prodotto resta l’articolo, ma la capacità diventa osservabile. L’AI potrà in seguito aiutare nella ricerca, proporre controargomenti o migliorare lo stile; sapremo però che la costruzione della tesi e la valutazione delle evidenze appartengono al nucleo prescelto.

Nell’analisi di policy, “predisponi una nota” può diventare “rappresentare il problema, distinguere cause e sintomi, confrontare opzioni attraverso criteri espliciti, stimare effetti distributivi e indicare quali evidenze cambierebbero la raccomandazione”. La capacità bersaglio comprende così anche revisibilità e incertezza. Una nota conclusiva senza questi passaggi potrebbe restare utile alla decisione corrente e povera come esperienza di formazione.

In medicina, “formula una diagnosi” può essere tradotto in “rilevare indizi, costruire e aggiornare una diagnosi differenziale, riconoscere segnali di allarme, calibrare la fiducia e scegliere il prossimo dato informativo”. Questa formulazione rende possibile progettare casi in cui l’AI offre un suggerimento corretto, uno errato o uno incompleto. La capacità professionale comprende l’accuratezza e il governo dell’assistenza.

Nel lavoro organizzativo, “gestisci una crisi” può diventare “costruire una rappresentazione condivisa, distinguere fatti e interpretazioni, coordinare attori con interessi diversi, preservare opzioni reversibili, aggiornare le decisioni e documentare ciò che il sistema deve apprendere”. Qui il bersaglio appartiene in parte al gruppo. Le evidenze includeranno la qualità delle transizioni informative, delle escalation e della memoria organizzativa, oltre alla performance del responsabile.

4.10 La scheda della capacità bersaglio

Prima di progettare prompt, tutor o esercizi, conviene produrre una breve specificazione. Si parte dalla situazione autentica in cui la capacità dovrà funzionare e dal risultato di cui qualcuno risponderà. Si nominano quindi le operazioni decisive, le conoscenze e rappresentazioni necessarie, gli indizi da riconoscere, i criteri di scelta, gli errori critici e le condizioni che richiedono escalation. Infine si definiscono il livello di autonomia, l’orizzonte temporale e le variazioni attraverso cui riconosceremo il trasferimento.

La scheda acquista qualità quando nasce da fonti diverse. La descrizione del ruolo offre il perimetro; l’osservazione del lavoro mostra ciò che accade; gli esperti rendono visibili decisioni e segnali; i principianti mostrano dove la rappresentazione si spezza; incidenti ed errori rivelano funzioni critiche; utenti e destinatari chiariscono il valore del risultato. L’AI può aiutare a organizzare questi materiali e proporre una prima mappa. La validazione resta un atto collettivo con chi conosce il compito e ne porta le conseguenze.

Una formulazione completa potrebbe assumere questa forma: “Di fronte a casi di difficoltà di reperimento, la persona distingue carenza quantitativa, disallineamento di competenze e problemi di qualità del lavoro; integra dati amministrativi, segnali delle imprese e caratteristiche territoriali; esplicita alternative e confondenti; formula una diagnosi graduata; indica quale evidenza potrebbe smentirla; sa operare con strumenti di supporto e ricostruire il nucleo del giudizio in una prova autonoma e in un territorio diverso”. La consegna futura nascerà da questa architettura, anziché sostituirla.

La scheda resta revisionabile. Le capacità cambiano insieme ai compiti, agli strumenti e alle responsabilità. L’introduzione dell’AI può rendere periferica un’operazione prima centrale e trasformare in nucleo il controllo di nuovi rischi. Una capacità bersaglio è quindi una scelta storica, sostenuta da evidenze e aperta all’apprendimento del sistema. La sua funzione è rendere intenzionale ciò che altrimenti verrebbe deciso implicitamente dalla tecnologia disponibile.

Traccia minima per specificare la capacità

Situazione e responsabilità. In quale contesto la capacità deve funzionare, per chi e con quali conseguenze?

Operazioni decisive. Che cosa occorre recuperare, rappresentare, distinguere, spiegare, decidere, verificare o correggere?

Conoscenze, indizi e criteri. Che cosa rende possibile vedere il problema e scegliere in modo giustificato?

Errori ed eccezioni. Quali fallimenti contano di più, quali segnali li annunciano e quando serve escalation?

Distribuzione e capacità di riserva. Quale capacità appartiene alla persona, al gruppo o al sistema, e che cosa deve restare recuperabile senza quella specifica assistenza?

Evidenza e trasferimento. Quali comportamenti sosterranno la nostra inferenza e in quali variazioni del caso dovranno ricomparire?

Domande di passaggio

La consegna descrive un prodotto oppure la trasformazione che desidero produrre nella persona?

Quali verbi rendono osservabile il lavoro cognitivo nascosto dentro quel prodotto?

Quali indizi, criteri ed eccezioni distinguono l’esecuzione ordinaria dal giudizio esperto?

Dove deve risiedere la capacità: nella persona, nella relazione con l’AI, nel gruppo o nell’organizzazione?

Quale capacità di riserva serve quando il supporto manca, sbaglia o incontra un caso nuovo?

Quale compito produrrà davvero l’evidenza necessaria, senza permettere di aggirare l’operazione bersaglio?

Capitolo 5. Automatizzare il contorno, esercitare il nucleo

5.1 Ogni automazione è anche un curricolo

Quando una tecnologia svolge una parte del lavoro, produce due risultati. Il primo è visibile: modifica tempi, costi, qualità e accessibilità della prestazione. Il secondo matura più lentamente: cambia ciò che le persone osservano, provano, ricordano e imparano a correggere. Un sistema che prepara una prima bozza libera tempo; nello stesso gesto decide chi eserciterà l’inquadramento del problema, la selezione delle evidenze e la costruzione dell’argomento. Ogni automazione disegna quindi un curricolo implicito, anche quando nasce come progetto di efficienza.

Gli esperimenti sulla scrittura professionale mostrano perché la promessa è concreta. Noy e Zhang hanno osservato, in compiti di scrittura di livello intermedio, una riduzione media del tempo e un aumento della qualità quando i partecipanti potevano usare un modello generativo (Noy & Zhang, 2023). Questi sono guadagni importanti. Non dimostrano però, da soli, che le operazioni delegate siano state apprese o che la prestazione resti disponibile senza lo strumento. La produttività della sessione e la produttività dello sviluppo sono variabili diverse. [IT]

Anche la complementarità non può essere presunta. La revisione sistematica e meta-analisi preregistrata di Vaccaro, Almaatouq e Malone, basata su 106 studi e 370 dimensioni dell’effetto, ha rilevato che le combinazioni persona–AI miglioravano in media rispetto alla persona sola, ma risultavano inferiori al migliore tra persona e AI considerati separatamente. [EP] I compiti di creazione mostravano condizioni più favorevoli dei compiti decisionali (Vaccaro et al., 2024). Non basta dunque aggiungere un umano al circuito o dichiarare che “la decisione finale resta alla persona”. Occorre progettare che cosa quella persona possa vedere, comprendere e contestare.

La domanda decisiva non è chi esegue meglio oggi una micro-operazione. È quale configurazione consenta al sistema di raggiungere un esito affidabile oggi e di conservare o accrescere le capacità necessarie domani. Questa prospettiva intertemporale rende compatibili innovazione e apprendimento: permette di usare l’AI con intensità, purché l’efficienza acquistata non venga pagata attraverso l’invisibile impoverimento delle funzioni che dovranno governarla.

5.2 Nucleo e contorno sono una relazione

Il nucleo comprende le operazioni costitutive della capacità bersaglio definita nel Capitolo 4. Se desideriamo formare la capacità di valutare una tesi, appartengono al nucleo la ricostruzione dell’argomento, la scelta dei criteri, la ricerca di controevidenze e la revisione del giudizio. Il contorno comprende ciò che rende possibile il lavoro ma non coincide con la trasformazione desiderata: uniformare citazioni, trascrivere un’intervista, convertire formati o eliminare duplicati possono essere esempi ragionevoli. [IT]

Nessuna operazione appartiene per natura a una delle due categorie. Riassumere può essere contorno per un ricercatore che deve confrontare cento abstract, ma nucleo per chi sta imparando a distinguere idea principale ed evidenza. Scrivere codice ripetitivo può essere contorno per un programmatore esperto e nucleo per chi deve costruire i primi schemi sintattici e diagnostici. Redigere una lettera può essere un passaggio accessorio per un dirigente e il centro di una formazione sulla comunicazione clinica o amministrativa.

La classificazione dipende almeno da quattro coordinate. La prima è lo scopo: quale capacità vogliamo produrre. La seconda è la persona: che cosa sa già fare in modo stabile. La terza è la situazione: quali conseguenze avrebbe un errore e quanto è reversibile. La quarta è il tempo: quale funzione oggi assistita dovrà diventare autonoma, e quale funzione oggi centrale potrebbe diventare periferica quando nuovi strumenti e nuove responsabilità cambieranno il lavoro.

Per questa ragione “automatizzare il contorno, esercitare il nucleo” non è una lista di mansioni umane e artificiali. È una regola di progettazione dinamica. La stessa attività può passare dal nucleo al contorno quando la persona la padroneggia; può compiere il percorso inverso quando un cambiamento normativo, una nuova popolazione o un sistema meno trasparente richiedono di ricostruirne i fondamenti. Il confine va negoziato e riesaminato, non incorporato una volta per tutte nell’interfaccia.

5.3 Quattro modi di affidare lavoro all’AI

Tra “usare” e “non usare” l’AI esistono configurazioni molto diverse. Un sistema può assorbire attrito esecutivo, ampliare una rappresentazione, sostenere un tentativo o sostituire l’operazione centrale. Le quattro modalità non corrispondono a tecnologie distinte: lo stesso modello può agire in ognuna di esse a seconda della consegna, della sequenza e dei vincoli. Chiedere una soluzione completa lo rende esecutore; chiedere un indizio dopo un tentativo lo rende impalcatura; chiedere di trasformare dati già valutati in un grafico lo rende automatore del contorno.

L’automatore del contorno riduce soprattutto il carico estraneo e il costo di coordinamento. L’amplificatore rende il problema più interrogabile senza decidere che cosa significhi. Il tutor calibra l’aiuto per far compiere alla persona il passo successivo. Il sostituto produce direttamente la prestazione. Nessuna modalità è sempre virtuosa o sempre nociva. Se una funzione non è bersaglio, è altamente standardizzata e l’esito è verificabile, la sostituzione può essere razionale. Se la funzione genera gli schemi necessari a giudicare l’output, la medesima sostituzione costruisce una dipendenza.

L’offloading cognitivo è una proprietà ordinaria dell’intelligenza umana: appunti, diagrammi, calcolatrici e promemoria cambiano le richieste interne e possono liberare risorse per attività più importanti (Risko & Gilbert, 2016). L’alternativa non è una mente “pura” senza strumenti. La questione progettuale consiste nel distinguere un offloading adattivo, che sposta risorse verso il nucleo, da uno sostitutivo, che rende sempre meno disponibile la capacità con cui dovremmo dirigere e verificare lo strumento.

5.4 Le sei domande dell’allocazione

La scheda della capacità bersaglio offre il punto di partenza. Per ogni operazione si può ora formulare una decisione di allocazione attraverso sei domande. La prima riguarda la centralità: l’operazione costruisce una conoscenza, un criterio o una strategia che desideriamo rimanga? La seconda riguarda la padronanza: la persona sa già svolgerla e correggerla in condizioni comparabili? La terza riguarda il rischio: un errore può essere rilevato, invertito o contenuto prima di produrre danno?

La quarta domanda riguarda la verificabilità. Un risultato può sembrare plausibile e restare difficile da controllare senza possedere la stessa competenza che lo ha generato. In questi casi l’affidamento crea il paradosso della supervisione: chiediamo a chi non compie più l’operazione di riconoscere quando è stata svolta male. La quinta domanda riguarda il rendimento dell’esperienza: quel passaggio espone a varianti, anomalie e feedback da cui nasce l’expertise? La sesta riguarda la capacità di riserva: che cosa deve restare possibile durante guasti, casi nuovi, attacchi, cambiamenti di modello o assenza del servizio?

A queste domande si aggiunge l’affidabilità situata dell’AI. Non è sufficiente conoscere l’accuratezza media. Servono la distribuzione degli errori, le condizioni di fallimento, la qualità dei dati, la stabilità nel tempo e l’adattamento alla popolazione concreta. Un’operazione periferica e facilmente verificabile tollera più incertezza. Una decisione centrale, opaca e irreversibile richiede soglie, ridondanze, escalation e, spesso, una maggiore quota anticipata di lavoro umano.

L’allocazione può essere riassunta come una scelta su due orizzonti. Nel breve periodo chiediamo quale configurazione produca l’esito migliore con le risorse disponibili. Nel medio e lungo periodo chiediamo quali configurazioni alimentino l’esperienza, la calibrazione e la capacità di riserva. Quando i due orizzonti divergono, la divergenza deve diventare visibile nella decisione, insieme a una contromisura: pratica autonoma, simulazione, rotazione dei ruoli, revisione di casi sentinella o ritiro progressivo dell’aiuto.

5.5 Le ironie dell’automazione

Molto prima dell’AI generativa, gli studi sui sistemi automatizzati avevano descritto un effetto ricorrente. Automatizzare il funzionamento ordinario lascia alla persona gli eventi rari, anomali e difficili, proprio mentre la routine automatizzata riduce le occasioni attraverso cui imparare a riconoscerli. Bainbridge chiamò questa configurazione una delle ironie dell’automazione: l’operatore è necessario soprattutto quando il sistema incontra i propri limiti, ma l’automazione può averlo reso meno preparato a intervenire (Bainbridge, 1983). [IT]

Il problema dell’out-of-the-loop riguarda la perdita di consapevolezza della situazione e di prontezza manuale quando il controllo viene delegato. Endsley e Kiris mostrarono che livelli più alti di automazione potevano rallentare il recupero del controllo in caso di malfunzionamento (Endsley & Kiris, 1995). Parasuraman, Sheridan e Wickens proposero di distinguere funzioni e livelli dell’automazione, dalla raccolta dell’informazione alla selezione e all’esecuzione dell’azione, perché automatizzare stadi diversi modifica in modo diverso prestazione, carico e consapevolezza (Parasuraman et al., 2000).

Con i sistemi generativi l’ironia acquista una forma linguistica. L’output è leggibile, coerente e spesso accompagnato da una spiegazione. Questa trasparenza apparente può diminuire l’attrito senza aumentare l’accesso al processo che ha prodotto la risposta. Una spiegazione fluida non garantisce che la persona disponga delle conoscenze per verificarla. L’automation bias può condurre ad accettare suggerimenti errati o a trascurare informazioni non segnalate; il disuso può invece portare a ignorare un aiuto valido. Affidamento e diffidenza sono entrambi problemi di calibrazione (Parasuraman & Riley, 1997).

Le interfacce possono modificare questa dinamica. In uno studio sull’assistenza decisionale, Buçinca e colleghi hanno osservato che funzioni di cognitive forcing — per esempio richiedere una prima valutazione prima di mostrare il suggerimento — riducevano la sovradipendenza, pur aumentando tempo e sforzo e senza essere sempre preferite dagli utenti (Buçinca et al., 2021). [EP] L’attrito può dunque essere una funzione di sicurezza e di apprendimento quando obbliga a produrre l’informazione che renderà possibile un confronto reale.

5.6 Automatizzare bene il contorno

Automatizzare il contorno significa sottrarre alla persona costi che non generano il tipo di apprendimento desiderato. La trascrizione di una registrazione può essere delegata se il bersaglio è interpretare le testimonianze; la normalizzazione di formati bibliografici se il bersaglio è valutare la letteratura; la produzione di varianti linguistiche se il bersaglio è scegliere un messaggio in base al destinatario. L’AI può inoltre recuperare documenti, estrarre campi, rilevare incongruenze formali, costruire una prima visualizzazione o trasformare una struttura già decisa in un artefatto.

Una buona automazione del contorno possiede tre qualità. È circoscritta: il confine tra dato, trasformazione e scelta resta riconoscibile. È verificabile: l’utente può risalire alle fonti, confrontare versioni o applicare controlli proporzionati. È reinvestita: il tempo liberato viene destinato a elaborazione, confronto, simulazione, feedback o riposo necessario, invece di essere riempito automaticamente da un volume maggiore della stessa produzione. Senza reinvestimento, l’efficienza può diventare soltanto intensificazione.

Conviene anche conservare una traccia delle trasformazioni. Se il sistema sintetizza trenta interviste, il lettore deve poter tornare ai passaggi originali. Se genera codice di collegamento, test e documentazione devono rendere osservabile il comportamento. Se prepara una nota, le affermazioni fattuali devono mantenere una provenienza. La tracciabilità non trasferisce magicamente il controllo alla persona, ma rende il controllo praticabile e distribuisce meglio la responsabilità.

Infine il contorno di oggi può contenere il nucleo del principiante. La delega dovrebbe essere graduata per profilo e fase. Un bibliotecario esperto può automatizzare la normalizzazione dei metadati senza perdere il proprio giudizio; chi sta imparando a riconoscere tipi documentali potrebbe aver bisogno di classificare esempi e discutere gli errori prima che l’automazione assuma la routine. La personalizzazione più importante non riguarda il tono del chatbot, ma quale lavoro lascia alla persona.

5.7 Esercitare il nucleo con l’AI

Preservare il nucleo non implica escludere l’AI. Significa assegnarle un ruolo che faccia compiere alla persona le operazioni bersaglio. Prima della risposta, il sistema può chiedere una previsione, una rappresentazione iniziale o il recupero di ciò che si sa. Durante il lavoro può offrire un indizio graduato, porre una domanda diagnostica, introdurre un caso contrario o simulare una conseguenza. Dopo il tentativo può confrontare strategie, rendere visibile un errore, generare varianti e chiedere una revisione motivata.

Gli studi recenti rendono plausibile che l’architettura pedagogica moderi gli esiti dell’AI educativa. Nell’esperimento di Kestin e colleghi, un tutor AI progettato secondo principi didattici — sequenza controllata, coinvolgimento attivo, feedback e scaffolding — ha prodotto maggiori guadagni di apprendimento, in meno tempo, rispetto a lezioni in presenza con active learning su due argomenti di fisica universitaria (Kestin et al., 2025). [EP] Il risultato riguarda un tutor specificamente progettato, un corso e prove immediate; non autorizza a estendere l’effetto a ogni chatbot o a ogni capacità. Mostra, entro il perimetro dello studio, che ridurre attrito e preservare attività cognitiva possono procedere insieme.

Il contrasto con lo studio di Bastani e colleghi è istruttivo. In matematica scolastica, l’accesso a un sistema generativo migliorava la prestazione durante la pratica; quando l’AI veniva rimossa, la configurazione priva di guardrail poteva produrre risultati peggiori, mentre un sistema progettato per offrire aiuto didattico mitigava il danno (Bastani et al., 2025). La differenza non è tra AI e assenza di AI. È tra un’interfaccia ottimizzata per ottenere la soluzione e un ambiente che protegge il percorso necessario a costruirla. [IT]

Un pattern robusto conserva almeno cinque azioni umane: formulare una prima ipotesi, esplicitare i criteri, confrontare alternative, verificare l’evidenza e assumere la decisione spiegandone i limiti. L’AI può rendere ciascuna azione più ricca, proponendo casi, obiezioni e feedback. Non dovrebbe fornire sistematicamente il prodotto finale prima che l’operazione bersaglio abbia lasciato una traccia osservabile. Tale traccia alimenta sia l’apprendimento sia la valutazione descritta nel Capitolo 3. [IT]

5.8 Un confine che si muove con l’expertise

Per il principiante il problema principale è costruire schemi iniziali senza essere travolto. L’AI può scomporre il compito, mostrare esempi risolti, evidenziare caratteristiche rilevanti e offrire suggerimenti. L’aiuto è capacitante quando orienta l’attenzione e richiede una risposta; diventa sostitutivo quando completa ogni passaggio difficile prima che il principiante abbia formulato una rappresentazione. In questa fase, alcune procedure apparentemente meccaniche appartengono ancora al nucleo perché rendono visibile la struttura del dominio.

L’intermedio ha bisogno di variabilità, scelta e correzione. Può ricevere meno passaggi predefiniti e più casi che richiedono di selezionare la strategia. L’AI diventa avversario benevolo, paziente simulatore o generatore di eccezioni. Il supporto dovrebbe ritirarsi in risposta a evidenze di padronanza, non soltanto al tempo trascorso. Il fading non è l’assenza improvvisa dell’aiuto: è un trasferimento intenzionale di controllo, accompagnato da prove autonome.

Per l’esperto, molte componenti esecutive possono passare al contorno. Il nucleo si sposta verso formulazione del problema, audit, anomalie, trade-off e revisione dei criteri. Anche l’esperto, tuttavia, può diventare out-of-the-loop se l’esposizione ai casi reali scompare. Servono campioni non filtrati, revisioni di errori dell’AI, simulazioni di fallimento e periodiche prestazioni senza la configurazione ordinaria. L’obiettivo non è mantenere nostalgicamente ogni abilità, ma conservare le funzioni necessarie a governare un sistema più potente.

La progressione può essere descritta come un movimento dell’iniziativa. All’inizio l’AI struttura e la persona completa; poi la persona sceglie e l’AI suggerisce; infine la persona dirige, interroga e audita. Alcune operazioni si automatizzano perché hanno prodotto gli schemi necessari. Altre restano umane perché portano responsabilità o perché costituiscono la sorgente dell’adattamento. La personalizzazione segue la traiettoria della capacità, non la sola preferenza dell’utente.

5.9 Quattro casi di allocazione

Nella scrittura argomentativa, l’AI può normalizzare riferimenti, proporre varianti stilistiche e segnalare ripetizioni. Se il bersaglio è argomentare, la persona formula la tesi, seleziona le prove e costruisce una prima obiezione prima di ricevere alternative. Il sistema può poi impersonare un lettore scettico e chiedere una revisione. Se genera subito tesi, struttura e confutazione, la qualità del testo può crescere mentre l’autore esercita soprattutto scelta tra proposte.

Nell’analisi di policy, il sistema può raccogliere documenti, estrarre dati e produrre matrici preliminari. Il nucleo rimane nella definizione del problema, nella scelta dei criteri, nella lettura degli effetti distributivi e nella decisione su quali incertezze siano tollerabili. Una configurazione formativa richiede una raccomandazione iniziale, mostra poi una sintesi AI e domanda che cosa cambia, perché e quale dato potrebbe ribaltare il giudizio. La divergenza diventa materiale di apprendimento.

In medicina, l’AI può ridurre il carico documentale, organizzare informazioni e suggerire una diagnosi differenziale. Se la capacità bersaglio comprende riconoscimento degli indizi e ragionamento clinico, il professionista in formazione deve produrre una rappresentazione iniziale e indicare segnali di allarme prima di vedere il suggerimento. Nei casi ad alto rischio, tracciabilità, escalation e capacità di riserva sono parte dell’allocazione. Lasciare formalmente la decisione al medico non basta se il flusso informativo rende impraticabile un giudizio indipendente.

In un’organizzazione, l’AI può preparare verbali, classificare richieste e generare report. Il rischio sistemico compare quando i compiti junior da automatizzare erano anche il percorso attraverso cui si apprendevano clienti, eccezioni e conseguenze. L’organizzazione deve allora creare esperienze equivalenti: rotazioni, revisione di casi, affiancamento, simulazioni e responsabilità graduali. La domanda non è soltanto quali posti cambieranno, ma come verranno prodotti gli esperti capaci di correggere il sistema fra cinque anni.

5.10 Il protocollo di allocazione dinamica

Il protocollo comincia dalla capacità, non dallo strumento. Si riprende la scheda costruita nel Capitolo 4 e si scompone il lavoro in operazioni osservabili. Per ciascuna si specificano centralità, padronanza, rischio, verificabilità, rendimento dell’esperienza e necessità di capacità di riserva. Solo allora si assegna all’AI uno dei quattro ruoli: automatore, amplificatore, tutor o sostituto. La decisione include una motivazione e una condizione di revisione.

Il secondo passaggio consiste nel proteggere l’azione umana minima. Può essere una previsione prima del suggerimento, un criterio prima della graduatoria, una diagnosi differenziale prima della raccomandazione, un controllo su fonte e dato, oppure una spiegazione dopo il feedback. L’azione deve corrispondere al verbo della capacità bersaglio e produrre una traccia. Se si riduce a cliccare “approva”, la supervisione è rituale e l’evidenza di apprendimento quasi nulla.

Il terzo passaggio definisce l’evoluzione dell’aiuto. Quale evidenza autorizza a offrire più supporto? Quale consente di ritirarlo? Quando una procedura ormai padroneggiata può diventare contorno? Quando un cambiamento del compito richiede di riportarla temporaneamente nel nucleo? Le tre prove del Capitolo 3 — prestazione assistita, apprendimento iniziale e capacità stabile — forniscono misure diverse per regolare questa traiettoria. [PP]

Il quarto passaggio riguarda il sistema di lavoro. Si osservano qualità e tempo, ma anche distribuzione degli errori, capacità di contestare l’AI, escalation, esposizione ai casi, differenze tra principianti ed esperti e prestazione durante interruzioni o variazioni. Una dashboard che registra soltanto produttività premia inevitabilmente la delega. Una valutazione matura rende visibile se l’organizzazione sta accumulando capacità o consumando capacità di riserva costruita in passato.

Infine si stabilisce una cadenza di revisione. Nuovi modelli cambiano affidabilità e costi; le persone apprendono; i rischi si spostano; alcune procedure diventano stabili e altre obsolete. L’allocazione è un’ipotesi sottoposta a monitoraggio. La sua unità di analisi non è il singolo utente né il singolo output, ma il sistema persona–AI–organizzazione nel tempo.

Traccia minima per allocare il lavoro

Nominare il bersaglio. Quale capacità deve crescere o restare disponibile, per chi e in quali condizioni?

Mappare le operazioni. Quali passaggi producono il risultato, quali costruiscono expertise e quali assorbono soltanto risorse?

Classificare in modo situato. Che cosa è nucleo o contorno per questa persona, in questa fase e con questo rischio?

Assegnare il ruolo dell’AI. Automatore, amplificatore, tutor o sostituto: quale configurazione serve e perché?

Proteggere l’azione umana. Quale tentativo, criterio, verifica, decisione o spiegazione deve precedere o seguire l’assistenza?

Definire fading e capacità di riserva. Quale evidenza cambierà il livello di aiuto e che cosa deve funzionare quando il supporto manca?

Monitorare nel tempo. Che cosa accade a qualità, errori, apprendimento, contestazione, pipeline dell’expertise e carico di lavoro?

Domande di passaggio

Il tempo liberato dall’AI viene reinvestito nel nucleo oppure soltanto convertito in maggiore volume?

La persona possiede davvero le conoscenze necessarie a verificare ciò che le chiediamo di supervisionare?

Quale operazione deve compiere prima di vedere la risposta dell’AI perché il confronto sia cognitivamente reale?

Il supporto cambia con la padronanza o offre la stessa soluzione completa a principianti ed esperti?

Quali esperienze generavano l’expertise prima dell’automazione e come verranno rigenerate nel nuovo sistema?

Quale prova autonoma o simulazione mostra che esiste ancora una capacità di riserva proporzionata al rischio?

Capitolo 6. Principianti, intermedi, esperti

6.1 Lo stesso compito, tre attività cognitive

Immaginiamo che tre persone debbano valutare un rapporto prodotto con l’aiuto di un sistema generativo. Il principiante legge soprattutto ciò che è esplicito: struttura, termini, numeri e conclusione. Può percepire la prosa ordinata come segnale di qualità perché gli mancano ancora criteri stabili per riconoscere omissioni e incompatibilità. L’intermedio possiede criteri e procedure, ma fatica a scegliere quali siano pertinenti nel caso concreto. L’esperto nota invece la forma del problema, le eccezioni, ciò che avrebbe dovuto comparire e il punto nel quale una decisione apparentemente tecnica incorpora un giudizio di valore.

Se a tutti viene offerto lo stesso riepilogo, la medesima graduatoria di rischi e la stessa raccomandazione, la prestazione può migliorare in modo simile mentre l’apprendimento diverge. Il principiante riceve un prodotto che non sa ancora ricostruire. L’intermedio evita la scelta diagnostica che avrebbe consolidato il proprio criterio. L’esperto può risparmiare tempo, purché mantenga accesso alle fonti, alle anomalie e alla possibilità di riformulare il problema. L’effetto dell’AI dipende dalla relazione fra assistenza e organizzazione della conoscenza già disponibile.

I tre profili sono situati, non identità personali. Una cardiologa esperta può essere principiante nella valutazione di un nuovo modello statistico; un giovane analista può essere esperto di un particolare database e intermedio nella decisione di policy. La domanda utile non è «quanto è esperta questa persona?» in generale, ma «quale conoscenza rilevante possiede per questa operazione, in queste condizioni e rispetto a quale standard?» La calibrazione comincia rendendo il profilo circoscritto e falsificabile.

Questo spostamento evita due errori simmetrici. Il primo consiste nel proteggere troppo chi ha già costruito gli schemi necessari, imponendogli spiegazioni ridondanti e percorsi rigidi. Il secondo consiste nell’esporre troppo presto il principiante a una libertà che consuma memoria di lavoro nella ricerca casuale. Un ambiente adattivo non massimizza né l’aiuto né l’indipendenza: organizza il passaggio fra i due.

6.2 L’expertise cambia ciò che si vede

L’expertise non coincide con una maggiore quantità di informazioni. La conoscenza viene organizzata in configurazioni che permettono di riconoscere relazioni, comprimere passaggi e richiamare procedure appropriate. Negli studi classici sulla rappresentazione dei problemi di fisica, Chi, Feltovich e Glaser osservarono che i principianti tendevano a raggruppare i problemi attraverso caratteristiche letterali, mentre gli esperti li organizzavano secondo principi fisici profondi (Chi et al., 1981). [EP] La differenza precedeva il calcolo: riguardava che cosa il problema era diventato per chi lo osservava.

Gli schemi riducono il carico perché elementi che il principiante deve trattare separatamente diventano per l’esperto un’unità significativa. Una clausola, un tracciato clinico o un frammento di codice possono attivare rapidamente famiglie di casi, vincoli e mosse plausibili. Questa efficienza sostiene il ragionamento complesso, ma rende parte della competenza tacita. L’esperto può omettere passaggi che per lui sono ovvi e progettare spiegazioni troppo compresse. Chiedergli semplicemente di «mostrare come fa» non garantisce una buona istruzione.

L’AI può rendere visibile questa organizzazione oppure occultarla. È utile quando confronta classificazioni, chiede perché un indizio sia diagnostico, mostra casi quasi uguali con esiti differenti o invita a rappresentare la struttura prima della soluzione. È meno utile quando offre una catena verbale fluida che simula il ragionamento senza obbligare la persona a selezionare e collegare gli indizi. Una spiegazione leggibile resta informazione esterna finché chi apprende non la usa per prevedere, ricostruire o risolvere.

Anche l’esperto può essere ingannato dalla fluidità. La padronanza di un dominio non si trasferisce automaticamente alla valutazione di ogni output, soprattutto quando il sistema opera su dati, popolazioni o assunzioni fuori dall’esperienza abituale. Perciò l’expertise deve includere metacognizione situata: riconoscere dove il proprio sapere è affidabile, dove serve un secondo sguardo e quali condizioni rendono impraticabile una verifica sostanziale.

6.3 Il principiante: costruire una prima architettura

Il principiante non beneficia sempre della massima esplorazione. Quando il dominio contiene molti elementi interagenti, chiedere di scoprire da zero una soluzione può saturare la memoria di lavoro e trasformare lo sforzo in ricerca improduttiva. Esempi risolti, segmentazione, dimostrazione dei passaggi e criteri espliciti riducono il carico estraneo e orientano l’attenzione verso relazioni che ancora non sono riconoscibili. L’obiettivo non è rendere tutto facile, ma rendere possibile lo sforzo che costruisce gli schemi.

Un buon tutor AI per principianti presenta un modello sufficientemente completo, poi interrompe la propria iniziativa. Può chiedere di anticipare il passo successivo, spiegare la funzione di una scelta, completare una parte mancante o confrontare l’esempio con un caso vicino. Il feedback arriva presto, quando l’errore è ancora interpretabile, e indica il principio da rivedere invece di sostituire immediatamente l’intero prodotto. La risposta completa diventa una risorsa da studiare e ricostruire, non un punto di arrivo da accettare.

Per il principiante, una generazione totalmente autonoma può essere prematura e produrre soltanto disorientamento. Può essere più formativo osservare un esempio commentato prima di completarne uno analogo. Prima dell’aiuto resta comunque utile una piccola azione cognitiva: una previsione, l’indicazione di un indizio, una scelta fra alternative o una domanda sul passaggio incomprensibile. L’attività richiesta deve essere proporzionata alla conoscenza disponibile.

Per verificare che l’assistenza stia costruendo capacità, il principiante deve progressivamente ricostruire la logica con meno segnali e applicarla a una variazione. Una prestazione impeccabile ottenuta seguendo una sequenza generata non basta. Servono errori osservabili, spiegazioni con parole proprie e piccole prove prive dell’aiuto appena utilizzato. Il sostegno rimane finché orienta l’attenzione; comincia a ritirarsi quando l’allievo mostra di riconoscere e collegare gli elementi essenziali.

6.4 L’intermedio: attraversare il plateau

La fase intermedia è spesso la meno progettata. Il principiante riceve istruzioni; l’esperto esercita autonomia. In mezzo si trova chi sa eseguire procedure familiari ma non seleziona ancora con affidabilità la strategia, non distingue bene casi confinanti e può usare una regola corretta nel contesto sbagliato. È una fase nella quale la prestazione ordinaria appare competente, mentre le variazioni rivelano schemi fragili.

L’intermedio ha bisogno di problemi comparabili ma non identici, casi limite, informazioni irrilevanti, diagnosi di errori e confronto fra strategie. L’AI può generare variazioni, impersonare un interlocutore con obiezioni coerenti, simulare conseguenze e restituire feedback contingente. Il suo contributo più prezioso arriva dopo una scelta sufficientemente impegnativa: «Quale strategia useresti e quale indizio ti farebbe cambiarla?» La risposta del sistema diventa un contrasto con una rappresentazione già prodotta.

Il rischio tipico è il plateau assistito. Suggerimenti sempre accessibili rendono scorrevole il lavoro e riducono gli errori visibili; proprio per questo nascondono la mancata discriminazione. La persona impara a riconoscere la soluzione quando la vede, senza saperla generare o scegliere nel momento opportuno. La disponibilità costante dell’AI può anche frammentare la perseveranza: ogni incertezza diventa una richiesta e ogni richiesta impedisce di osservare abbastanza a lungo il proprio modello mentale.

La progressione dovrebbe aumentare la variabilità e trasferire la scelta. Si passa dal completamento di passaggi al confronto tra metodi, poi alla selezione autonoma in casi nuovi. Il feedback si sposta dall’esito alla diagnosi: non soltanto «corretto o errato», ma quale indizio è stato sovrappesato, quale alternativa è stata esclusa troppo presto e quale controllo avrebbe intercettato l’errore. L’intermedio avanza quando la propria strategia regge a perturbazioni, non quando produce più velocemente casi ripetitivi.

6.5 L’esperto: efficienza, eccezioni, adattamento

L’esperto ha già automatizzato molte operazioni che assorbivano attenzione nelle fasi precedenti. Può quindi usare l’AI per ampliare la ricerca, produrre alternative, verificare consistenza o assorbire il contorno. Il nucleo si sposta verso l’inquadramento, i trade-off, le anomalie e la responsabilità. Un’assistenza troppo prescrittiva può diventare ridondante: obbliga a seguire spiegazioni e passaggi che interferiscono con strategie più efficienti già disponibili.

L’efficienza esperta porta però una vulnerabilità. Gli schemi che permettono di riconoscere rapidamente una situazione possono irrigidire l’interpretazione; le routine affidabili nei casi tipici possono fallire quando cambia il contesto. Hatano e Inagaki distinsero l’expertise routinaria, capace di prestazioni accurate ed efficienti in ambienti familiari, dall’expertise adattiva, che conserva comprensione, flessibilità e capacità di innovare davanti a variazioni (Hatano & Inagaki, 1986). Nell’era dell’AI, il secondo profilo diventa decisivo perché gli strumenti modificano continuamente la distribuzione dei compiti e degli errori.

Per l’esperto l’AI dovrebbe anche diventare oggetto di indagine. Una buona configurazione mostra fonti e trasformazioni, produce scenari contrari, segnala l’incertezza e consente di interrogare casi nei quali il modello fallisce. Revisioni periodiche di campioni non filtrati evitano che il sistema decida quali anomalie arriveranno all’attenzione umana. Simulazioni di indisponibilità o degrado verificano che esista ancora una capacità di riserva proporzionata alle conseguenze dell’errore.

La prova dell’esperto non consiste nel battere l’AI sul caso medio. Consiste nel definire quando usarla, riconoscere quando la situazione esce dal suo campo affidabile, modificare criteri e flussi, rendere espliciti conflitti e assumere una decisione contestabile. L’autonomia più matura non è isolamento dallo strumento: è governo della relazione con lo strumento.

6.6 Quando l’aiuto si rovescia

La ricerca sull’expertise reversal effect fornisce una base empirica alla calibrazione. Strategie che aiutano chi possiede poca conoscenza — spiegazioni dettagliate, ridondanza, segmentazione, guida passo a passo — possono perdere efficacia o ostacolare chi dispone già degli schemi necessari. L’informazione che per il principiante orienta diventa per l’esperto un elemento da coordinare con una conoscenza interna più efficiente, aumentando carico e interferenza (Kalyuga et al., 2003). [IT]

Una meta-analisi recente ha consolidato il quadro su 60 studi sperimentali, 176 dimensioni dell’effetto e 5.924 partecipanti. [RR] Gli allievi con conoscenza pregressa bassa beneficiavano maggiormente di un’assistenza elevata (d = 0,505), mentre quelli con conoscenza elevata beneficiavano relativamente di un’assistenza ridotta (d = −0,428). Gli effetti variavano con il modo in cui la conoscenza era misurata, lo status educativo e il dominio (Tetzlaff et al., 2025). La revisione segnala inoltre un’asimmetria: il vantaggio di aiutare i principianti risulta più forte del danno prodotto da un eccesso di aiuto agli esperti.

Questi dati sostengono l’adattività, non una classificazione rigida. L’evidenza è meno chiara per allievi più giovani e in alcuni ambiti umanistici e linguistici; inoltre gli studi riguardano parametri didattici diversi e precedono in larga parte gli attuali sistemi generativi. È quindi ragionevole trasferire il principio — misurare la conoscenza e modulare l’assistenza — senza fingere che esista già una dose universale di prompt, spiegazioni o suggerimenti per ogni dominio.

La conseguenza progettuale è netta. Un’unica interfaccia che offre sempre la soluzione più completa tratta l’utente come una costante e l’aiuto come un bene cumulativo. Un sistema capacitante raccoglie segnali di comprensione, modifica la granularità, permette di saltare spiegazioni già padroneggiate e reintroduce struttura quando gli errori rivelano fragilità. La personalizzazione riguarda il controllo cognitivo ceduto o restituito, non soltanto lessico e tono.

6.7 Dal modello all’autonomia: il fading

Il fading organizza un trasferimento progressivo di responsabilità. La ricerca sugli esempi risolti mostra che transizioni graduali dall’osservazione alla soluzione autonoma possono sostenere l’acquisizione di abilità: un esempio completo viene seguito da problemi nei quali alcuni passaggi devono essere completati, poi da compiti con una quota crescente di soluzione indipendente (Renkl et al., 2002; Renkl & Atkinson, 2003). [EP] Il supporto non scompare per calendario; cambia perché la prestazione offre evidenza sufficiente.

Con l’AI il fading può ridurre la completezza della risposta, ritardarne la comparsa, sostituire la soluzione con una domanda o diminuire il numero di indizi. Ogni ritiro trasferisce una funzione precisa e resta reversibile quando la prestazione segnala una fragilità. Il Capitolo 9 sviluppa segnali, tempi e condizioni di ripristino.

6.8 La pratica che cambia la prestazione

Diventare esperti richiede esperienza, ma l’esperienza non produce automaticamente expertise. La pratica deliberata è orientata a componenti migliorabili, collocata oltre la prestazione comoda, accompagnata da feedback informativo e ripetuta con correzione (Ericsson et al., 1993). L’AI può ampliare la disponibilità di casi, accelerare cicli di feedback e simulare interlocutori o condizioni rare. Il suo valore dipende da quanto fedelmente l’attività allena la capacità bersaglio e da quanto accuratamente il feedback localizza l’errore.

La formula popolare delle «diecimila ore» va trattata con cautela. Una meta-analisi di Macnamara, Hambrick e Oswald ha mostrato che la quota di varianza associata alla pratica deliberata differisce molto fra domini: maggiore in giochi e musica, più contenuta nello sport e nell’istruzione, minima nelle professioni considerate (Macnamara et al., 2014). [RR] Opportunità, qualità dell’insegnamento, caratteristiche individuali, selezione, contesto e natura del compito contribuiscono alla prestazione. La pratica è importante senza essere una spiegazione sufficiente.

Un sistema generativo può inoltre offrire feedback persuasivo ma errato. Nei domini ad alto rischio la generazione di scenari e la valutazione della risposta dovrebbero essere separate quando possibile: casi validati, rubriche trasparenti, revisione esperta e campioni sentinella impediscono che lo stesso modello inventi il compito, stabilisca la soluzione e certifichi l’apprendimento. La velocità del ciclo non compensa una misura priva di validità.

La pratica capacitante conserva una zona di difficoltà interpretabile. Troppo facile, consolida soltanto routine. Troppo difficile, produce rumore e dipendenza. Il livello utile permette di tentare, ricevere un segnale specifico, correggere e ritentare su una variante. Per il principiante la variazione è stretta e il modello vicino; per l’intermedio cresce l’ambiguità; per l’esperto si allenano eccezioni, conflitti e recupero del controllo.

6.9 L’organizzazione deve riprodurre i propri esperti

L’expertise non è soltanto una proprietà individuale. Nasce dall’accesso a compiti, persone, strumenti, linguaggi, feedback e responsabilità. Molti lavori junior hanno storicamente combinato produzione e apprendistato: preparare dossier, classificare richieste, osservare revisioni, partecipare a passaggi routinari consentiva di vedere casi e correzioni. Se l’AI assorbe quelle attività, l’organizzazione ottiene efficienza oggi ma può interrompere la formazione di chi dovrà affrontare eccezioni domani.

Fuller e Unwin descrivono ambienti di apprendimento espansivi, nei quali le persone accedono a una gamma ampia di attività, conoscenze e comunità, collegando sviluppo individuale e organizzativo (Fuller & Unwin, 2004). Questa prospettiva suggerisce di trattare la pipeline dell’expertise come infrastruttura. Affiancamento, rotazioni, discussione di casi, simulazioni, accesso alle ragioni delle decisioni e responsabilità graduale devono essere progettati quando la partecipazione spontanea al lavoro reale si riduce.

L’AI può contribuire a questa infrastruttura. Può ricostruire casi de-identificati, rendere interrogabili archivi, simulare escalation e offrire confronti immediati. Non sostituisce però l’accesso alle conseguenze, ai conflitti di responsabilità e alla conoscenza sociale del lavoro. Un apprendistato sintetico interamente mediato dal modello rischia di mostrare un ambiente più regolare di quello che l’esperto dovrà governare. Servono casi reali, errori reali e confronto con persone che possano spiegare anche ciò che il sistema non registra.

6.10 Un protocollo a tre profili

La calibrazione inizia con una diagnosi breve, specifica e prestazionale. Si chiede alla persona di classificare un caso, spiegare un passaggio, prevedere un esito o correggere un errore. Autovalutazione, anzianità e titolo professionale forniscono contesto ma non sostituiscono questa prova. Si osservano accuratezza, strategia, qualità della spiegazione e bisogno di indizi. Il profilo risultante vale per la capacità esaminata e viene aggiornato quando cambiano compito o condizioni.

Per il principiante si protegge una prima architettura: pochi elementi alla volta, esempi commentati, criteri visibili, pratica di completamento e feedback immediato. Per l’intermedio si protegge la decisione: tentativo prima dell’indizio, casi contrastivi, scelta della strategia, diagnosi e variazioni. Per l’esperto si protegge il governo: accesso alle fonti, campioni non filtrati, alternative, audit, simulazioni di fallimento e responsabilità sui criteri.

Ogni configurazione include una regola di passaggio. L’aiuto diminuisce quando la persona ricostruisce, trasferisce e mantiene la prestazione; aumenta quando errori sistematici mostrano che gli schemi sono incompleti. La soglia dipende dal rischio: una capacità usata in decisioni reversibili può tollerare più esplorazione; una funzione di sicurezza richiede prove più rigorose e addestramento periodico. Nessun livello è definitivo.

Traccia minima per calibrare l’assistenza

Definire il dominio locale. Su quale compito e su quale componente stiamo stimando l’expertise?

Raccogliere una prova. Che cosa la persona riconosce, spiega, sceglie e corregge prima dell’assistenza?

Assegnare una funzione all’AI. Modello, indizio, simulatore, amplificatore o oggetto di audit: quale lavoro cognitivo deve restare umano?

Stabilire il gradino successivo. Quale parte della guida verrà ritirata o quale variabilità verrà aggiunta?

Definire la reversibilità. Quale errore farà reintrodurre aiuto e in quale forma minima?

Verificare senza la configurazione ordinaria. Che cosa rimane dopo un intervallo, su una variazione o durante un’interruzione?

Proteggere la pipeline. Quali esperienze, casi e responsabilità produrranno i futuri esperti dell’organizzazione?

Domande di passaggio

Stiamo misurando una competenza specifica oppure usando anzianità e ruolo come sostituti?

L’aiuto rende visibile la struttura del problema o rende soltanto disponibile il prodotto finale?

L’intermedio deve scegliere e diagnosticare, oppure può ottenere un suggerimento a ogni incertezza?

L’esperto incontra ancora casi non filtrati e pratica il recupero del controllo?

Quale evidenza autorizza il fading e quale evidenza ne richiede l’inversione?

L’efficienza presente sta finanziando o consumando la capacità futura dell’organizzazione?

Capitolo 7. Prima dell’AI: generazione calibrata

7.1 Il momento che precede la risposta

Un sistema generativo tende a occupare per primo lo spazio cognitivo. Appena riceve una domanda, propone parole, categorie, relazioni e una direzione. La sua velocità è un vantaggio produttivo; dal punto di vista dell’apprendimento introduce un effetto d’ordine. La prima rappresentazione disponibile diventa un’ancora. Chi la riceve può correggerla, ma deve ormai pensare dentro o contro una struttura che qualcun altro ha già costruito.

Chiedere alla persona di fare qualcosa prima dell’AI modifica questa sequenza. Una previsione rende visibile ciò che si attende; una prima diagnosi mostra quali segnali considera; un tentativo espone la strategia; un richiamo dalla memoria rende misurabile ciò che è accessibile; la formulazione dei criteri prepara il giudizio. Quando compare la risposta del sistema, esiste già un termine di confronto. Lo scarto può diventare informazione anziché semplice sostituzione.

Il valore di questa fase precede la correttezza. Una rappresentazione iniziale parziale può orientare l’attenzione verso il passaggio che la risposta dell’AI chiarirà. Un errore può produrre sorpresa e rendere diagnostica la spiegazione successiva. Una previsione corretta può rivelare conoscenza stabile o soltanto una coincidenza; saranno la giustificazione e la variazione a distinguerle. La traccia iniziale rende osservabile un processo che altrimenti scomparirebbe dentro il prodotto congiunto.

“Prima dell’AI” indica dunque una funzione, non un rituale cronologico. A volte richiede trenta secondi, altre un’ora; può avvenire individualmente, in gruppo o con un’impalcatura. La domanda progettuale è quale operazione debba cominciare nella persona perché il contributo successivo del sistema possa ampliarla, correggerla o metterla alla prova.

7.2 Generare non significa inventare tutto

La parola generazione comprende attività cognitive differenti. Negli studi di memoria, generare una parola o una relazione tende a renderla più memorabile rispetto alla sola lettura. La meta-analisi di Bertsch e colleghi ha sintetizzato 445 dimensioni dell’effetto tratte da 86 studi, rilevando un vantaggio medio di circa 0,40 deviazioni standard per il materiale generato rispetto a quello letto (Bertsch et al., 2007). [RR] Il risultato è robusto e insieme sensibile alla procedura, al tipo di materiale e al rapporto fra ciò che viene generato e ciò che verrà poi richiesto.

Una guida per l’AI deve ampliare quel significato senza diluirlo. Generare può voler dire richiamare un concetto, prevedere un esito, proporre una rappresentazione, completare un passaggio, formulare criteri o produrre una prima soluzione. In ogni caso la persona trasforma una consegna in qualcosa che prima non era disponibile in quella forma. Tale trasformazione mobilita selezione, organizzazione e monitoraggio; sono proprio queste operazioni a costituire spesso il nucleo della capacità bersaglio.

Il beneficio non deriva dalla proprietà simbolica dell’autorialità. Scrivere una frase prima del sistema serve poco se la frase è casuale, se il compito non offre conoscenze utilizzabili o se il prodotto successivo non richiede di confrontarla. Anche una generazione riuscita può fissare un’ipotesi prematura. Il valore emerge dalla sequenza completa: produrre una traccia pertinente, incontrare evidenza o feedback, interpretare la distanza e modificare la propria rappresentazione.

La generazione calibrata occupa quindi una zona intermedia fra due configurazioni sterili. Da un lato, la sostituzione anticipata consegna il prodotto prima che la persona attivi le operazioni bersaglio. Dall’altro, l’abbandono chiede un’elaborazione sproporzionata e lascia il soggetto in una ricerca senza struttura. La calibrazione dosa oggetto, ampiezza, tempo, criteri di arresto e aiuto disponibile.

7.3 Prevedere per prepararsi a vedere

Una previsione costringe a rendere esplicito un modello, anche rudimentale. Prima di mostrare una stima, l’AI può chiedere quale variabile peserà di più; prima di rivelare una diagnosi differenziale, quale ipotesi sembra prioritaria; prima di valutare un testo, quale obiezione potrebbe indebolirlo. La previsione crea un’attesa contro cui l’informazione successiva acquista rilievo. Il sistema smette di essere soltanto una fonte e diventa un evento che conferma, sorprende o obbliga a riorganizzare.

La ricerca sul prequestioning e sul pretesting mostra che rispondere a domande prima di apprendere il contenuto può favorire memoria e talvolta trasferimento, malgrado molte risposte iniziali siano errate. La revisione di Pan e Carpenter documenta l’effetto in testi, video, lezioni e altri materiali, sottolineando l’importanza dell’opportunità successiva di incontrare la risposta corretta e la variabilità degli esiti in base alla procedura e alla misura adottata (Pan & Carpenter, 2023). [EP] La previsione funziona come preparazione dell’attenzione, non come prova punitiva di una conoscenza ancora assente.

Perché sia interpretabile, conviene chiedere anche una ragione e un grado di fiducia. La coppia previsione–fiducia distingue almeno quattro situazioni: conoscenza calibrata, intuizione incerta ma corretta, errore consapevole e convinzione errata. Il feedback può così agire diversamente. Davanti a un errore ad alta fiducia, il sistema deve rendere visibile l’indizio trascurato; davanti a una risposta corretta ma fragile, può chiedere di ricostruire il meccanismo; davanti a un’incertezza fondata, può confermare il limite e mostrare quale informazione sarebbe decisiva.

Una previsione eccessivamente aperta aumenta rumore e ansia. Per il principiante può bastare scegliere fra due esiti e indicare un segnale. L’intermedio può ordinare ipotesi e nominare ciò che le separa. L’esperto può formulare una previsione condizionata, specificando soglie, eccezioni e dati capaci di ribaltarla. Cambia la profondità richiesta; rimane costante la funzione di preparare lo sguardo.

7.4 Recuperare prima di consultare

Quando la conoscenza è già stata incontrata, la prima mossa può essere il recupero. Provare a richiamare un concetto, una procedura o un precedente rende la memoria più accessibile e segnala ciò che richiede studio. L’effetto del testing è ben documentato: rispetto alla rilettura, il recupero attivo sostiene la ritenzione differita, con risultati modulati dal tipo di test, dal successo iniziale, dal feedback e dall’intervallo (Roediger & Karpicke, 2006; Rowland, 2014). [IT] Qui il test svolge una funzione formativa e diagnostica, separata dal voto.

L’AI modifica il costo della consultazione. Basta una richiesta per ottenere una definizione, una procedura o un esempio; la facilità può far saltare sistematicamente il tentativo di richiamo. Nel tempo la persona impara dove trovare più di quanto impari a rendere disponibile ciò che serve per riconoscere, decidere e controllare. Il problema emerge soprattutto quando la conoscenza deve agire rapidamente, orientare una domanda o consentire di verificare la risposta stessa del sistema.

Un’interfaccia capacitante può introdurre una breve finestra di recupero. Prima di mostrare la sintesi, chiede tre idee essenziali; prima di proporre il codice, invita a descrivere la funzione o il possibile errore; prima di recuperare una norma, domanda quale principio e quale eccezione siano pertinenti. Subito dopo offre la risorsa, distingue ciò che era disponibile da ciò che mancava e consente una correzione. Il ritardo deve essere breve e motivato, così da mantenere la consultazione realmente utile.

Recuperare ha senso per conoscenze già apprese o almeno incontrate. Chiedere a un principiante di richiamare ciò che non possiede trasforma una tecnica efficace in teatro della frustrazione. In quel caso è preferibile un pretest a scelta, un esempio parzialmente completato o una previsione basata su indizi disponibili. La differenza fra pretesting e retrieval practice è sostanziale: il primo prepara l’incontro con informazione nuova; il secondo rafforza e diagnostica una traccia precedente.

7.5 Costruire una prima rappresentazione

Molti compiti complessi diventano trattabili soltanto dopo essere stati rappresentati. Un caso clinico viene compresso in una problem representation; una crisi aziendale in una mappa di attori, vincoli e dinamiche; un testo in una struttura argomentativa; un dataset in variabili, relazioni e assenze. Se l’AI produce per prima questa forma, decide che cosa apparirà centrale e che cosa resterà sullo sfondo. La persona può approvare una mappa elegante senza aver esercitato l’operazione che seleziona e collega.

La prima rappresentazione può essere deliberatamente incompleta. Si può chiedere di nominare gli elementi, proporre due relazioni, formulare la domanda decisiva o indicare l’incertezza principale. L’AI interviene poi come amplificatore: propone una mappa alternativa, segnala un attore omesso, distingue fatto e inferenza, mostra un nesso causale concorrente. Il confronto fra rappresentazioni rende visibile che ogni forma illumina e nasconde.

Questo passaggio è particolarmente importante quando la qualità dell’output dipende dal framing. Un prompt molto dettagliato può incorporare una rappresentazione già costruita dall’autore; un prompt vago delega al sistema anche l’inquadramento. La generazione calibrata chiede alla persona di fissare almeno oggetto, domanda, confini e incertezza prima dell’espansione artificiale. L’AI riceve così un problema su cui collaborare, mentre la responsabilità della cornice resta osservabile.

Per il principiante servono strutture semivuote, categorie suggerite e piccoli casi. L’intermedio deve scegliere fra rappresentazioni concorrenti e motivare la scelta. L’esperto dovrebbe produrre più cornici, cercare ciò che ciascuna rende invisibile e indicare quale evidenza richiederebbe una riformulazione. Il movimento dall’una alle molte rappresentazioni accompagna la crescita dell’expertise adattiva.

7.6 Formulare criteri prima del giudizio

Quando l’AI propone una graduatoria, una raccomandazione o una valutazione, può modificare retrospettivamente i criteri con cui verrà giudicata. Una soluzione convincente invita a considerare importanti proprio le qualità che possiede; un’omissione rimane invisibile perché nessun criterio la cerca. Formulare prima due o tre criteri riduce questa dipendenza dall’output e trasforma la revisione in un confronto più sostanziale.

I criteri non devono essere una checklist ornamentale. Devono esprimere proprietà osservabili e priorità situate. In una nota di policy possono riguardare evidenza causale, fattibilità amministrativa, effetti distributivi e reversibilità; in medicina, sicurezza, coerenza clinica e segnali di allarme; nella scrittura, pertinenza delle prove, forza dell’inferenza e adeguatezza al destinatario. Dichiarare anche quale criterio pesa di più rende visibili i trade-off.

Dopo questa prima formulazione, l’AI può proporre criteri mancanti, casi in cui entrano in conflitto e conseguenze di pesature diverse. Il suo contributo amplia la razionalità senza cancellarne la provenienza. La persona rivede la propria griglia, indicando che cosa ha aggiunto e perché. Se adotta integralmente la proposta del sistema, la traccia permette almeno di osservare il cambiamento e di sottoporlo a una prova.

La mossa è anche una funzione di sicurezza. Le cognitive forcing functions studiate da Buçinca, Malaya e Gajos — fra cui impegnarsi in una valutazione prima di vedere il suggerimento — hanno ridotto la sovradipendenza dall’AI, pur richiedendo più tempo e ricevendo valutazioni soggettive meno favorevoli (Buçinca et al., 2021). L’attrito progettato può proteggere il giudizio; deve però restare proporzionato, accessibile e sostenuto, perché i benefici risultavano maggiori nelle persone più inclini allo sforzo cognitivo.

7.7 Il tentativo produttivo ha bisogno di un dopo

Il tentativo prima dell’istruzione prepara una comprensione più profonda quando attiva risorse precedenti, rende visibili strategie parziali e viene seguito da una spiegazione che confronta e consolida. Il vantaggio osservato nella letteratura sul productive failure appartiene alla sequenza completa, non al fallimento isolato (Sinha & Kapur, 2021). [IT] Nel rapporto con l’AI l’attenzione si sposta quindi sulla qualità del seguito: che cosa il sistema rende visibile, come corregge e quale nuova prova richiede.

Un tentativo diventa produttivo quando il problema è accessibile, richiama conoscenze pertinenti, ammette più strategie e prepara le caratteristiche che la spiegazione successiva renderà visibili. Il tempo è delimitato; il prodotto richiesto può essere parziale; il feedback connette gli errori ai principi. Se il compito richiede conoscenze totalmente assenti, se la ricerca si prolunga senza segnali o se l’AI mostra soltanto la soluzione finale, il fallimento perde la propria funzione preparatoria.

Con l’AI possiamo costruire una scala del tentativo. Il livello più leggero chiede una scelta e una ragione. Il secondo richiede un passaggio o una rappresentazione incompleta. Il terzo domanda una strategia e un punto di incertezza. Il quarto propone una soluzione autonoma delimitata. Il sistema osserva la traccia e offre il minimo intervento utile: domanda diagnostica, indizio, caso analogo, esempio commentato o risposta completa. L’aiuto arriva quando può ancora essere interpretato.

Anche la self-explanation offre un ponte fra tentativo e istruzione. Una meta-analisi di 64 rapporti e 69 dimensioni dell’effetto ha stimato un beneficio medio di g = 0,55 per i prompt di auto-spiegazione, con variazioni legate a compito, dominio, livello educativo e forma dell’induzione (Bisra et al., 2018). [RR] Chiedere «perché questo passaggio è necessario?» o «che cosa rende questa alternativa meno adatta?» orienta l’elaborazione. La domanda deve però puntare alla relazione bersaglio, altrimenti sottrae attenzione ad altri elementi importanti.

7.8 Cinque mosse, tre profili

Previsione, tentativo, rappresentazione, recupero e criteri costituiscono una famiglia di mosse generative. Nessuna deve comparire in ogni interazione. La scelta dipende dal verbo della capacità bersaglio: ricordare richiede recupero; spiegare può richiedere una rappresentazione e un’auto-spiegazione; decidere richiede criteri e previsione delle conseguenze; diagnosticare richiede ipotesi, indizi discriminanti e un tentativo di classificazione.

Per il principiante la generazione ha confini stretti. Il sistema può offrire categorie, mostrare un esempio, delimitare il tempo e chiedere un solo passaggio. Una risposta incompleta attiva il feedback; il silenzio o una produzione casuale attivano un livello maggiore di struttura. La soglia di ingresso deve permettere quasi sempre un’azione significativa, anche piccola.

Per l’intermedio la generazione protegge soprattutto la scelta. Conviene chiedere una strategia prima dell’indizio, una diagnosi prima della spiegazione, criteri prima della graduatoria. L’AI introduce casi contrastivi e segnali deboli, poi chiede di rivedere la decisione. La prima produzione deve essere abbastanza estesa da rivelare il modello mentale, ma abbastanza breve da lasciare tempo al confronto.

Per l’esperto la fase iniziale può riguardare framing, soglie, eccezioni e condizioni di falsificazione. Chiedere una soluzione completa prima dell’AI rischia di duplicare lavoro a basso rendimento. È spesso sufficiente fissare la domanda, gli standard, l’incertezza critica e ciò che renderebbe inaccettabile una proposta. Il sistema amplia lo spazio delle alternative; l’esperto conserva il governo della ricerca e dell’arresto.

7.9 L’architettura impegno–rivelazione–revisione

Una sequenza operativa può essere descritta in cinque momenti. Prima si definisce l’impegno minimo: quale traccia deve produrre la persona. Poi si stabilisce la soglia di aiuto: dopo quanto tempo, quale errore o quale richiesta il sistema interviene. Il terzo momento è la rivelazione del contributo AI, graduata dalla domanda alla risposta completa. Il quarto è il confronto esplicito. Il quinto introduce una variazione per verificare se il cambiamento appartiene ormai alla persona.

L’impegno deve essere salvato prima della rivelazione, soprattutto nelle decisioni. Questa semplice separazione evita che la memoria ricostruisca retrospettivamente una posizione più vicina al suggerimento ricevuto. La traccia può essere privata e formativa; il suo scopo principale è rendere possibile un confronto autentico. In contesti valutativi servono regole chiare sull’uso dei dati, perché una tecnologia di apprendimento può facilmente trasformarsi in sorveglianza.

La soglia di aiuto combina tempo, comportamento ed errore. Un timer rigido ignora differenze reali; l’aiuto immediato premia la rinuncia; una lunga attesa punisce chi manca dello schema iniziale. È preferibile offrire un canale di escalation: la persona può chiedere un indizio e dichiarare il punto in cui è bloccata. La qualità della richiesta diventa essa stessa una capacità. Il sistema risponde al livello più basso capace di riaprire il lavoro.

La rivelazione può procedere per gradi: domanda, indizio, vincolo, caso analogo, esempio parziale, spiegazione e soluzione. Dopo ogni livello la persona riprende l’iniziativa. Il confronto richiede di nominare che cosa cambia: dato, rappresentazione, criterio, strategia o fiducia. Infine una variazione vicina verifica l’apprendimento iniziale; una prova differita e più distante, come mostrato nel Capitolo 3, verifica la capacità stabile.

Questa architettura protegge anche l’efficienza. Le interazioni a basso rischio e le operazioni di contorno possono saltare direttamente all’output. La generazione preliminare viene riservata alle funzioni che costruiscono, dimostrano o mantengono il nucleo. L’attrito diventa selettivo: appare dove produce informazione e scompare dove sarebbe soltanto costo.

7.10 Un protocollo di generazione calibrata

Il protocollo comincia dalla capacità bersaglio e dal profilo situato. Si identifica l’operazione che l’AI rischia di anticipare: recuperare, rappresentare, selezionare, prevedere, valutare o decidere. Si sceglie quindi la più piccola produzione capace di lasciare una traccia di quella funzione. La consegna include un limite di tempo, un criterio di sufficienza e una via d’accesso all’aiuto.

Il secondo passaggio progetta la risposta del sistema. L’AI deve utilizzare la traccia anziché ignorarla: riconoscere ciò che regge, localizzare la lacuna, proporre un contrasto e rendere visibile la provenienza delle nuove informazioni. Una risposta standard scollegata dal tentativo trasforma la generazione in pedaggio. Il valore nasce dalla contingenza fra ciò che la persona ha prodotto e ciò che il sistema offre.

Il terzo passaggio protegge la revisione. La persona indica che cosa conserva, che cosa modifica e quale evidenza ha determinato il cambiamento. Nei compiti decisionali può registrare anche la nuova fiducia e il criterio decisivo. Questa fase riduce l’assimilazione passiva e costruisce memoria del cambiamento. Consente inoltre di distinguere una revisione motivata dalla semplice convergenza verso l’autorità percepita dell’AI.

Il quarto passaggio verifica il trasferimento. Una variazione breve compare subito; una prova equivalente ritorna dopo un intervallo. Se la persona riproduce la strategia e governa l’aiuto, la produzione iniziale può diventare più leggera o scomparire nelle attività routinarie. Se la prestazione dipende ancora dalla rivelazione, si reintroducono rappresentazioni, esempi o indizi. Il protocollo dialoga così con il fading del Capitolo 6.

Infine si misura il costo. Tempo aggiunto, frustrazione, abbandono, qualità delle richieste di aiuto, accuratezza assistita, apprendimento iniziale e capacità stabile devono essere osservati insieme. Una generazione che migliora lievemente la ritenzione ma espelle le persone con minore conoscenza o maggiore carico è un cattivo progetto. La calibrazione cerca il massimo apprendimento sostenibile per quella persona e quel rischio, non la massima quantità di sforzo.

Traccia minima per progettare il prima

Nominare l’operazione. Quale funzione cognitiva l’AI rischia di compiere prima della persona?

Scegliere la mossa. Serve una previsione, un tentativo, una rappresentazione, un recupero o la formulazione di criteri?

Ridurre alla traccia minima. Qual è il prodotto più piccolo che rende osservabile quella funzione?

Calibrare ingresso e arresto. Quanto tempo, quali indizi iniziali e quale segnale attiveranno l’aiuto?

Graduare la rivelazione. Domanda, indizio, caso analogo, esempio parziale o soluzione: qual è il livello minimo utile?

Obbligare al confronto. Che cosa deve nominare la persona fra dato, modello, criterio, strategia e fiducia?

Provare la variazione. Quale caso vicino mostrerà subito se il contributo è stato appropriato?

Controllare il costo. Chi beneficia, chi si blocca e quale attrito può essere rimosso senza perdere il nucleo?

Domande di passaggio

La produzione iniziale esercita davvero la capacità bersaglio oppure aggiunge soltanto lavoro?

Un principiante possiede abbastanza struttura per un tentativo interpretabile?

L’AI risponde alla traccia prodotta o consegna comunque una soluzione standard?

La persona può chiedere aiuto senza dover prima accumulare frustrazione?

Il confronto rende esplicito che cosa è cambiato nella rappresentazione e nei criteri?

Una variazione successiva mostra appropriazione oppure semplice memoria dell’output?

Capitolo 8. Durante l’AI: tutor, feedback e simulazioni

8.1 Dalla risposta alla regolazione

Il Capitolo 7 ha lasciato la persona davanti al sistema con una prima traccia: una previsione, un tentativo, una rappresentazione, un recupero o un criterio. Da quel momento l’AI può seguire due logiche. Nella prima tratta la traccia come un preambolo e consegna comunque il proprio prodotto. Nella seconda la usa come evidenza per decidere quale intervento sia ora utile. Soltanto questa seconda configurazione inaugura una funzione tutoriale. [IT]

La distinzione riguarda il controllo del processo. Un generatore ottimizza la pertinenza della risposta; un tutor deve regolare la distanza fra stato attuale e capacità bersaglio. Può spiegare, porre una domanda, indicare una contraddizione, offrire un indizio, proporre un caso oppure tacere e chiedere un nuovo passo. La qualità linguistica conta, ma resta subordinata alla scelta pedagogica: che cosa deve compiere adesso la persona affinché il prossimo cambiamento avvenga nel suo repertorio e non soltanto nello schermo?

Questa regolazione è un ciclo di controllo sotto incertezza. La traccia osservabile non coincide con la conoscenza: una risposta corretta può nascere da indovinare, imitare o riconoscere; un errore può derivare da distrazione, lessico, concetto, strategia o sovraccarico. Il sistema deve perciò trattare la propria diagnosi come ipotesi aggiornabile. Interviene, osserva l’effetto, cambia livello di aiuto e cerca una nuova prova. La contingenza è la relazione fra evidenza, decisione tutoriale e risposta successiva del discente.

La ricerca offre ragioni per prendere sul serio questa architettura. La meta-analisi sugli intelligent tutoring systems di Kulik e Fletcher, basata su cinquanta valutazioni controllate, ha rilevato un vantaggio mediano di 0,66 deviazioni standard rispetto all’istruzione convenzionale (Kulik & Fletcher, 2016). [RR] Si tratta in gran parte di sistemi pre-generativi, con modelli del dominio, dello studente e delle strategie tutoriali più vincolati degli attuali chatbot. Il dato sostiene il valore della regolazione adattiva; non autorizza a chiamare tutor qualunque interfaccia conversazionale.

8.2 Quando un’AI merita il nome di tutor

Un’AI può svolgere almeno tre funzioni. Come risposta automatica produce un risultato. Come spiegatore riformula, esemplifica e chiarisce un contenuto. Come tutor collega ogni mossa a un’ipotesi sulla comprensione e al passo che il discente deve compiere. Le prime due funzioni possono essere utilissime; la terza richiede una memoria pedagogica dell’interazione e un criterio di progressione.

Quattro componenti rendono riconoscibile questa funzione. Il modello della capacità descrive che cosa significa riuscire e quali errori sono diagnostici. Il modello del discente raccoglie tracce, strategie, livello di fiducia e uso dell’aiuto. La politica tutoriale sceglie fra domanda, feedback, hint, esempio, contrasto e spiegazione. Il ciclo di verifica controlla l’effetto su un nuovo passo, un nuovo caso e, quando possibile, su una prova senza assistenza. Se manca uno di questi elementi, la personalizzazione rischia di ridursi a tono, lunghezza o vocabolario.

Un esperimento randomizzato in un corso universitario di fisica ha mostrato che un tutor generativo appositamente progettato, guidato da principi pedagogici e integrato nei materiali del corso, poteva produrre guadagni immediati superiori a una lezione di active learning in aula e in meno tempo (Kestin et al., 2025). [EP] Il risultato documenta una possibilità empirica nel contesto studiato, oltre la sola promessa teorica. Rimane circoscritto a un corso, due argomenti e misure ravvicinate; soprattutto descrive un sistema costruito per insegnare, non l’effetto generale del dialogare con un modello.

Il contrasto è istruttivo. In uno studio sul problem solving matematico nella scuola secondaria, un’interfaccia generativa di base aumentava fortemente la prestazione durante l’accesso ma poteva ridurre quella successiva senza AI; una versione tutoriale con vincoli pedagogici mitigava il danno (Bastani et al., 2025). [EP] La differenza non era quanta intelligenza fosse disponibile, ma quale comportamento l’interfaccia rendeva conveniente. Un tutor efficace deve impedire che la via più rapida verso la risposta diventi la via abituale intorno all’apprendimento.

8.3 Feedback contingente: rendere lavorabile lo scarto

Il feedback è spesso descritto come informazione sulla qualità di una risposta. In una relazione tutoriale è più precisamente una trasformazione dello scarto: rende visibile la distanza fra il risultato attuale e il criterio, ne seleziona una parte lavorabile e indica una prossima azione. Hattie e Timperley hanno organizzato la funzione del feedback attorno a tre domande — dove si sta andando, come si sta procedendo e quale sia il passo successivo — distinguendo livelli riferiti al compito, al processo, all’autoregolazione e alla persona (Hattie & Timperley, 2007). Il feedback più utile dipende dal livello dell’errore e dalla possibilità concreta di agire sull’informazione ricevuta.

La contingenza comincia con il riconoscere ciò che regge. Non per addolcire la correzione, ma per preservare le parti della rappresentazione che possono sostenere la revisione. Il sistema localizza poi un nodo prioritario: il dato ignorato, il nesso causale debole, il criterio incoerente, il passaggio procedurale o la stima mal calibrata. Correggere simultaneamente ogni imperfezione produce un testo completo e un compito cognitivo indifferenziato. Un buon feedback comprime l’errore senza nasconderne la struttura.

Shute ha sintetizzato il feedback formativo efficace come specifico, chiaro, orientato al compito e capace di sostenere l’elaborazione, mettendo in guardia da lodi generiche, confronti con gli altri e sovraccarico informativo (Shute, 2008). Con l’AI questo principio acquista una precisione ulteriore. La risposta può essere prodotta in quantità quasi illimitata; il vincolo progettuale deve quindi essere scelto, non subito. La dose appropriata è quella che consente alla persona di compiere il prossimo passo, non quella che esaurisce l’argomento.

Il timing segue la stessa logica. Un feedback immediato è prezioso quando impedisce di consolidare un errore, tutela la sicurezza o sostiene un principiante privo di strategie. Un breve ritardo può essere utile quando la persona possiede risorse per controllare e correggere. La regola operativa consiste nel chiedere quanta elaborazione autonoma sia ancora informativa. Se il tentativo produce nuove evidenze, conviene lasciarlo procedere; se ripete lo stesso errore o perde il criterio, l’intervento va anticipato.

8.4 Domande diagnostiche: chiedere per decidere

Una domanda è pedagogica quando riduce un’incertezza rilevante. «Puoi spiegare meglio?» invita a parlare; «quale dato del caso esclude la seconda ipotesi?» permette di distinguere fra una conclusione ricordata e un ragionamento basato sugli indizi. La prima può essere utile per aprire il discorso. La seconda produce evidenza che modifica la scelta tutoriale.

Le domande diagnostiche possono cercare oggetti diversi. Una domanda di elicitazione recupera ciò che la persona sa. Una domanda di discriminazione separa ipotesi concorrenti. Una domanda di elaborazione chiede il meccanismo. Una domanda metacognitiva rende visibili fiducia, blocco e strategia. Una domanda di trasferimento varia il contesto e verifica la regola. Il tutor sceglie l’oggetto in funzione dell’ambiguità rimasta, evitando sequenze standard che assomigliano a un’interrogazione più che a un’indagine.

La risposta dovrebbe essere abbastanza piccola da interpretare. Se una domanda richiede un saggio, un errore può avere molte cause e il feedback diventa generico. Domande brevi e discriminanti permettono una diagnosi progressiva: prima la scelta, poi la ragione, poi il segnale che farebbe cambiare idea. La fiducia aggiunge una dimensione decisiva. Una risposta errata ad alta fiducia richiede un contrasto capace di destabilizzare; una risposta corretta a bassa fiducia richiede ricostruzione e consolidamento, non soltanto conferma.

Ogni domanda ha anche un costo. Può frammentare il pensiero, imporre categorie premature o trasferire al sistema il governo dell’agenda. Per questo il tutor deve rendere visibile lo scopo quando la sequenza si allunga: “Sto verificando se il problema riguarda il criterio o l’applicazione”. La trasparenza consente alla persona di partecipare alla diagnosi e prepara l’autoregolazione.

8.5 Hint graduati: il minimo aiuto che riapre il lavoro

Quando emerge un blocco, la risposta completa è soltanto l’ultimo gradino possibile. Una scala di aiuto può iniziare chiedendo di nominare il punto preciso di arresto; proseguire richiamando l’attenzione su un indizio; restringere le alternative; ricordare un principio; proporre un caso analogo; mostrare un passo parziale; offrire un esempio svolto e, infine, una soluzione commentata. Dopo ogni gradino la persona deve tornare ad agire.

La gradualità protegge due beni in tensione. Un aiuto troppo debole prolunga l’attrito improduttivo; un aiuto troppo forte sottrae la diagnosi, la selezione o il calcolo che si voleva mantenere. Il tutor cerca il livello minimo sufficiente e aggiorna rapidamente la scelta. Per un principiante può essere necessario saltare alcuni gradini e mostrare un esempio; per un intermedio basta spesso rendere saliente la caratteristica trascurata; per l’esperto un controesempio o una domanda sulle condizioni di validità può riaprire il lavoro.

Anche la richiesta di aiuto è una capacità. Gli studi sugli intelligent tutoring systems hanno mostrato comportamenti poco produttivi come chiedere hint in rapida successione, consultarli prima di un tentativo o usarli per attraversare il compito senza elaborazione. Un sistema può limitarsi a bloccare tali comportamenti oppure insegnare a chiedere aiuto: domanda dove si è bloccati, quale strategia è stata provata e che tipo di indizio sarebbe utile. L’aiuto diventa così metacognizione osservabile.

Una scala di hint deve evitare la punizione. Se ogni richiesta viene interpretata come debolezza, chi apprende nasconderà il bisogno e accumulerà errori. Se ogni richiesta consegna la soluzione, imparerà a esternalizzare il passo difficile. La norma più utile è dichiarare che chiedere aiuto è parte del compito, mentre la qualità della richiesta e l’uso del suggerimento sono oggetto di apprendimento.

8.6 Dialogo socratico senza teatro

L’etichetta socratica viene spesso applicata a qualunque catena di domande. La funzione più rigorosa è diversa: rendere esplicite premesse e criteri, sottoporre un’ipotesi a casi che potrebbero smentirla e condurre la persona a rivedere la propria posizione per ragioni che sa articolare. Il valore sta nella trasformazione del modello, non nel fatto che il tutor trattenga la risposta.

Un dialogo efficace alterna mosse. Elicita una tesi, chiede l’evidenza, introduce un caso limite, invita a prevederne l’esito, confronta la previsione con il principio e domanda quale formulazione sopravviva. Se emerge una lacuna informativa, il tutor spiega direttamente ciò che manca. Se emerge un conflitto fra criteri, mantiene aperta la decisione e aiuta a esplicitare il trade-off. La domanda non è sempre superiore alla spiegazione; è superiore quando permette una discriminazione che la spiegazione anticiperebbe.

Il rischio principale è il teatro dell’attività: molte domande, molta produzione verbale, poca revisione. Un modello può lodare, rilanciare e chiedere “perché?” senza aggiornare alcuna ipotesi. Per evitare questo esito, ogni turno dovrebbe avere una funzione identificabile e lasciare una traccia: premessa emersa, criterio modificato, contraddizione risolta, fiducia ricalibrata o nuova previsione. Quando due o tre turni non producono progresso osservabile, si cambia rappresentazione o livello di aiuto.

La ricerca sul tutoring umano ricorda inoltre che l’efficacia non deriva soltanto da domande profonde. Nell’analisi di Chi e colleghi, tutor umani relativamente inesperti favorivano l’apprendimento soprattutto inducendo gli studenti a costruire attivamente e offrendo feedback situato, mentre la qualità delle spiegazioni dei tutor era variabile (Chi et al., 2001). Per l’AI la lezione è sobria: far parlare la persona ha senso quando la produzione viene ascoltata, interpretata e usata. [IT]

8.7 Simulazioni: far reagire il mondo

Una simulazione trasforma l’interazione da scambio di enunciati a ambiente responsivo. La persona decide; il caso reagisce; emergono conseguenze; il sistema rende osservabili segnali che una descrizione statica terrebbe separati. Questa forma è preziosa quando la capacità riguarda sequenze, pressioni temporali, comunicazione, coordinamento o eventi rari e rischiosi. Consente di ripetere, fermare e variare senza esporre persone e sistemi reali.

Nella formazione sanitaria, la meta-analisi di Cook e colleghi sulla simulazione potenziata dalla tecnologia ha rilevato, rispetto a nessun intervento, effetti ampi su conoscenze e abilità, più moderati sui comportamenti e sugli esiti legati ai pazienti (Cook et al., 2011). [RR] L’ampiezza di questi risultati sostiene la simulazione come ambiente di pratica, ma non identifica una singola caratteristica sufficiente. La fedeltà utile è funzionale: il caso deve reagire alle decisioni rilevanti e rappresentare correttamente i vincoli della capacità, anche se l’esperienza non è visivamente realistica.

La sequenza completa comprende briefing, azione, conseguenza, debrief e replay. Il briefing chiarisce ruolo, obiettivo, limiti del modello e criteri di sicurezza. Durante l’azione il sistema evita suggerimenti che trasformerebbero la simulazione in esercizio guidato, salvo segnali predefiniti di rischio o blocco. Il debrief ricostruisce decisioni, segnali, alternative e conseguenze. Il replay varia una condizione e chiede una nuova azione. Senza debrief, un’esperienza coinvolgente può lasciare intatte spiegazioni errate.

I modelli generativi rendono economici pazienti, clienti, avversari e contesti conversazionali, ma introducono rischi specifici. Possono inventare norme, adattare retroattivamente il caso, premiare la retorica più della decisione, rafforzare stereotipi o produrre conseguenze clinicamente e socialmente implausibili. Nei domini ad alto rischio servono un modello di caso validato, stati e criteri espliciti, confini informativi, registrazione delle deviazioni e supervisione esperta. La fluidità del ruolo non è una prova di validità.

La simulazione dovrebbe separare apprendimento e certificazione. Un ambiente generativo è adatto a esplorare, ripetere e ricevere feedback; diventa una base fragile per decisioni ad alto impatto se il comportamento del caso non è stabile e verificabile. Le Tre prove del Capitolo 3 restano necessarie: prestazione assistita nella simulazione, apprendimento iniziale su un caso nuovo, capacità stabile in condizioni indipendenti e appropriate al dominio.

8.8 Casi contrastivi: imparare dove cambia la regola

Un caso isolato invita a ricordare una soluzione. Due casi ben scelti invitano a cercare la differenza che rende una soluzione appropriata nell’uno e inadeguata nell’altro. I casi contrastivi possono variare un solo fattore, mantenere lo stesso esito con segnali diversi oppure presentare superfici simili governate da principi differenti. Il confronto orienta l’attenzione verso caratteristiche strutturali e condizioni di confine.

Schwartz e Bransford mostrarono che analizzare casi contrastivi poteva preparare gli studenti a comprendere una spiegazione successiva: il contrasto differenziava le caratteristiche rilevanti e creava un bisogno di interpretazione che la lezione poteva soddisfare (Schwartz & Bransford, 1998). Il principio si collega alla generazione calibrata del capitolo precedente. La persona descrive che cosa varia e ne prevede gli effetti; poi l’AI fornisce il concetto, un controesempio o una formalizzazione; infine un terzo caso verifica se la distinzione è diventata utilizzabile.

La generazione rende quasi illimitata la produzione di casi, ma quantità e variabilità non coincidono con qualità. Il tutor deve controllare quali dimensioni restano costanti, quale cambia, perché il contrasto è diagnostico e se i dettagli sono plausibili. Variazioni decorative possono insegnare associazioni superficiali; variazioni simultanee rendono ambiguo ciò che ha causato il cambio di decisione. La progettazione procede da una matrice di caratteristiche, non dall’invito generico a “creare un altro esempio”.

I casi contrastivi sono anche uno strumento di equità. Possono mostrare come una regola si comporti in popolazioni, contesti e vincoli differenti, rendendo visibili assunzioni date per universali. Questo richiede dati e competenza contestuale: il sistema deve dichiarare dove il caso è sintetico, quale evidenza lo sostiene e quali gruppi sono scarsamente rappresentati. Il contrasto deve ampliare il giudizio, non fabbricare una diversità verosimile.

8.9 Autoregolazione: un’impalcatura che restituisce il governo

Imparare con l’AI richiede governare obiettivi, strategie, attenzione, tempo, fiducia e richieste di aiuto. L’autoregolazione non è un’aggiunta motivazionale al compito; determina se la persona sa iniziare, monitorare lo scarto, cambiare strategia e decidere quando l’output è sufficiente. I principali modelli descrivono cicli di previsione e pianificazione, esecuzione e monitoraggio, riflessione e adattamento (Panadero, 2017). Un tutor può rendere visibili queste operazioni oppure assumerle silenziosamente.

Prima di una sessione il sistema può chiedere quale capacità si vuole esercitare, quale prodotto si deve ottenere e quale parte resterà umana. Durante il lavoro può far registrare una previsione, una soglia di aiuto, una stima di fiducia o il criterio che giustifica l’arresto. Dopo può chiedere che cosa è cambiato, quale strategia sarà riutilizzabile e che cosa occorre provare senza assistenza. Sono prompt brevi, legati a decisioni reali; un diario metacognitivo continuo diventerebbe esso stesso attrito.

L’AI può però diventare un sostituto dell’esecutivo cognitivo. Fan e colleghi hanno osservato che l’accesso a un supporto generativo poteva indurre dipendenza e ridurre l’attivazione di processi metacognitivi rispetto ad altri strumenti, un fenomeno descritto come pigrizia metacognitiva (Fan et al., 2025). La persona può apparire impegnata mentre il sistema definisce obiettivi, sceglie strategie, valuta sufficienza e propone la mossa successiva. La conversazione resta attiva; il governo del compito migra altrove.

Il principio di fading deve quindi applicarsi anche all’autoregolazione. All’inizio l’AI rende esplicito il ciclo e offre opzioni. Successivamente chiede alla persona di scegliere e motivare. Infine si limita a registrare il piano e interviene soltanto quando una soglia concordata viene superata. L’esito desiderato non è un tutor sempre più accurato nel prevedere ogni bisogno, ma una persona sempre più capace di riconoscerlo e comunicarlo.

8.10 Il ciclo tutoriale e le sue soglie

Le funzioni descritte possono essere raccolte in un ciclo. Il sistema osserva la traccia e il contesto; formula una diagnosi con un grado di incertezza; sceglie la mossa meno invasiva che possa produrre nuova evidenza; la persona agisce; il sistema verifica su un passo o un caso; la diagnosi viene aggiornata. Il ciclo termina, cambia livello o restituisce il compito a un docente o esperto secondo soglie definite prima dell’interazione.

Le soglie servono a evitare due illusioni. La prima è che la persistenza sia sempre educativa: oltre un certo punto, ripetere domande o hint consuma risorse senza produrre informazione. La seconda è che il sistema possa risolvere ogni ambiguità. Quando dati, norme o conseguenze eccedono il modello, l’escalation a una fonte verificata o a una persona competente è parte della pedagogia. Insegnare dove si arresta l’AI costruisce giudizio epistemico.

Le evidenze contemporanee sugli effetti accademici della GenAI risultano complessivamente favorevoli ma eterogenee. La meta-analisi di Gu e Yan, su diciannove studi e ventiquattro dimensioni dell’effetto, rileva un vantaggio medio e insieme risultati negativi in una parte degli studi, con differenze legate al disegno dell’intervento e al supporto educativo (Gu & Yan, 2025). [EP] Questo quadro non indebolisce la promessa dei tutor generativi; sposta l’onere della prova dal modello all’architettura.

Per valutare tale architettura occorre osservare insieme accuratezza assistita, tempo, qualità delle strategie, uso dell’aiuto, calibrazione della fiducia, trasferimento e prestazione differita senza AI. Un sistema può accelerare e insegnare; può anche accelerare nascondendo una dipendenza. Le tre prove dell’apprendimento permettono di distinguere questi esiti. Il successo durante l’interazione è un dato necessario, mai conclusivo.

Protocollo operativo per progettare il durante

Definire lo stato bersaglio. Quale cambiamento osservabile deve avvenire nella persona durante questa interazione?

Acquisire una traccia. Quale risposta, scelta, spiegazione, tempo o richiesta di aiuto consente una diagnosi prudente?

Nominare l’incertezza. Quali cause concorrenti possono produrre la stessa traccia e quale domanda le separa?

Scegliere la mossa minima. Serve feedback, una domanda, un hint, un contrasto, una spiegazione o una simulazione?

Restituire l’iniziativa. Quale azione significativa deve compiere subito la persona dopo l’intervento?

Variare con controllo. Quale caratteristica cambierà nel caso successivo e quale resterà costante?

Programmare il debrief. Come verranno ricostruiti decisioni, segnali, conseguenze e alternative?

Far sfumare l’aiuto. Quale evidenza consentirà di ridurre domande, hint e prompt autoregolativi?

Stabilire l’escalation. Quando occorrono una fonte verificata, un docente, un esperto o l’arresto del compito?

Misurare l’appropriazione. Quale prova nuova e senza assistenza mostrerà che la capacità è ora disponibile?

Domande di passaggio

L’AI sta rispondendo alla traccia della persona oppure sta soltanto personalizzando la forma dell’output?

Il feedback identifica un nodo lavorabile e lascia alla persona il passo successivo?

Le domande riducono un’incertezza diagnostica o moltiplicano il dialogo senza cambiare strategia?

Gli hint sono graduati e insegnano anche a chiedere aiuto?

La simulazione possiede un modello del caso, criteri di validità e un debrief, oltre alla verosimiglianza narrativa?

I casi contrastivi variano caratteristiche controllate e fanno emergere condizioni di confine?

I prompt metacognitivi restituiscono progressivamente il governo oppure lo amministrano al posto della persona?

Una prova successiva senza AI distingue l’apprendimento dalla sola fluidità dell’interazione?

Capitolo 9. Dopo l’AI: recupero, trasferimento e fading

9.1 Il dopo è una zona di conversione

Quando termina una conversazione con l’AI, il prodotto rimane disponibile e l’esperienza sembra conclusa. Dal punto di vista dell’apprendimento, proprio allora comincia il passaggio più delicato. Durante l’interazione, ragionamento umano e contributo artificiale formano un sistema congiunto: promemoria, domande, esempi, correzioni e formulazioni sono distribuiti fra persona e strumento. Chiudere la finestra non separa automaticamente ciò che la persona ha costruito da ciò che il sistema ha sostenuto.

Il “dopo” è la zona in cui questa distribuzione viene resa visibile e trasformata. La persona prova a recuperare il principio senza rileggere, ricostruisce il percorso senza copiare, applica la strategia a una variazione e affronta gradualmente un compito senza assistenza. Ogni prova produce una nuova traccia. Se qualcosa manca, l’AI può rientrare con un intervento circoscritto; poi si ritira ancora. L’autonomia nasce da questa alternanza, non da una separazione improvvisa.

La distinzione fra prestazione e apprendimento, sviluppata nel Capitolo 1 e resa misurabile dalle Tre prove del Capitolo 3, trova qui il proprio dispositivo operativo. La prestazione assistita mostra che la configurazione persona–AI sa produrre un risultato. Il recupero vicino mostra che una parte della rappresentazione è disponibile. La variazione verifica l’apprendimento iniziale. La prova differita e indipendente cerca una capacità stabile. Il dopo collega queste prove in una traiettoria, invece di trattarle come valutazioni isolate.

La questione possiede anche una dimensione temporale. L’output dell’AI è presente, fluido e facilmente riconoscibile; ciò crea familiarità, che può essere scambiata per padronanza. Soltanto un intervallo, anche breve, e l’assenza temporanea della fonte costringono il sistema cognitivo a ricostruire. La piccola difficoltà del richiamo segnala che la conoscenza deve essere resa nuovamente accessibile. Qui la fatica torna a essere informazione.

9.2 Recuperare significa ricostruire, non recitare

Il recupero è l’atto di rendere disponibile una conoscenza senza averla davanti. La ricerca sul testing effect ha mostrato con grande continuità che tentare di ricordare può sostenere la ritenzione più della sola rilettura. La meta-analisi di Adesope, Trevisan e Sundararajan, basata su 272 dimensioni dell’effetto, ha rilevato un beneficio complessivo moderato della pratica di recupero rispetto a condizioni di ristudio e ad altre condizioni di confronto (Adesope et al., 2017). [RR] Una revisione degli studi condotti in scuole e corsi reali ha inoltre trovato benefici attraverso livelli educativi, contenuti e intervalli diversi, pur segnalando la forte concentrazione della ricerca in contesti WEIRD (Agarwal et al., 2021).

Dopo l’AI, recuperare non equivale a riprodurne le frasi. Il bersaglio è la struttura capace di generare una prestazione: il concetto che organizza i fatti, il criterio che separa due opzioni, il meccanismo causale, la sequenza procedurale, il segnale di allarme, la domanda che orienta la ricerca. Una sintesi memorizzata può sostenere un quiz e lasciare intatta la dipendenza quando il caso cambia. Il prompt di recupero deve quindi riprendere il verbo della capacità bersaglio: spiegare, diagnosticare, decidere, progettare, controllare o riparare.

Una prova utile comincia a fonte chiusa. Chiede dapprima una ricostruzione libera, poi una risposta più vincolata e infine un’applicazione. La ricostruzione libera mostra l’organizzazione spontanea; i cue successivi distinguono ciò che è assente da ciò che è soltanto poco accessibile; l’applicazione rivela se il ricordo governa un’azione. Subito dopo arriva il feedback, perché un recupero errato e lasciato senza correzione può rafforzare una traccia inadeguata.

Una recente revisione meta-analitica ha ridimensionato l’idea che il recupero superi sempre qualunque elaborazione. Nel confronto con strategie elaborative già efficaci, il vantaggio medio era piccolo e dipendeva in modo rilevante dalla presenza di feedback correttivo; senza feedback, le attività elaborative potevano risultare superiori (Gonçalves et al., 2025). [IT] La lezione progettuale è importante. Il recupero non è un rito autosufficiente: funziona dentro un ciclo di tentativo, informazione correttiva e nuovo tentativo.

9.3 Alternare assistenza e prova

Una lunga fase assistita seguita da un esame finale crea una frattura troppo ampia. Durante l’uso, il sistema può colmare lacune prima che diventino percepibili; nella prova autonoma, tutte emergono insieme. È più produttivo alternare cicli brevi: assistenza, chiusura, recupero, feedback, nuovo tentativo. La prova senza AI entra nell’apprendimento e smette di essere soltanto il giudizio che lo conclude.

Il primo ciclo può durare pochi minuti. Dopo una spiegazione o una simulazione, la persona chiude la fonte e ricostruisce tre elementi essenziali, oppure affronta un caso equivalente. L’AI ritorna per confrontare la traccia con criteri espliciti, localizzare una lacuna e proporre una correzione. La seconda prova cambia una caratteristica. La terza arriva dopo un intervallo. L’alternanza crea ripetute occasioni di generazione e impedisce che la disponibilità continua dell’aiuto cancelli il momento in cui il bisogno diventa percepibile.

Il sistema deve distinguere accesso e uso. Durante una prova di recupero l’AI può essere tecnicamente raggiungibile, purché l’apertura richieda una scelta consapevole: dichiarare il punto di blocco, chiedere un tipo di indizio e registrare che cosa l’aiuto ha sostituito. In altri momenti l’accesso va escluso per ottenere una misura interpretabile. La combinazione consente di osservare sia la capacità autonoma sia la qualità della richiesta di aiuto.

L’alternanza protegge anche la persistenza. Un preprint recente, basato su tre esperimenti randomizzati e 1.222 partecipanti, ha rilevato che un’assistenza generativa capace di fornire rapidamente soluzioni migliorava la prestazione immediata ma poteva ridurre sia la prestazione successiva senza AI sia la disponibilità a perseverare; gli autori invitano a interpretare con cautela la generalizzabilità e a progettare sistemi orientati alla capacità di lungo periodo (Liu et al., 2026). [EP] Essendo un lavoro non ancora sottoposto a peer review, costituisce un segnale causale emergente, coerente con il risultato già discusso di Bastani e colleghi, più che una stima definitiva.

La risposta progettuale consiste nel rendere normali piccoli intervalli di autonomia durante l’apprendimento. La persona sperimenta che l’assenza temporanea dell’AI è attraversabile, impara a restare nel problema abbastanza a lungo da produrre evidenza e incontra il supporto prima che la difficoltà diventi abbandono. Persistenza e richiesta d’aiuto cessano di essere estremi opposti e diventano due regolazioni della stessa attività.

9.4 Il feedback deve arrivare dopo una traccia

Il feedback del Capitolo 8 diventava contingente perché rispondeva a ciò che la persona faceva. Nel dopo, questa regola acquista una forma temporale: prima si recupera, poi si confronta. Mostrare immediatamente la risposta corretta crea riconoscimento; chiedere prima una ricostruzione produce una traccia che permette di capire che cosa mancava, che cosa era distorto e quale parte era già disponibile.

Il confronto dovrebbe separare almeno quattro esiti. Una risposta corretta con una ragione solida segnala appropriazione iniziale. Una risposta corretta con ragione fragile richiede una variazione. Un errore a bassa fiducia richiede informazione e un nuovo recupero ravvicinato. Un errore ad alta fiducia richiede un contrasto capace di ristrutturare la rappresentazione. La correttezza da sola comprime configurazioni pedagogicamente diverse.

Dopo il feedback, la persona produce nuovamente. Può correggere la risposta a fonte chiusa, spiegare l’errore, generare un esempio o affrontare un microcaso. Questa seconda generazione evita che la correzione resti proprietà della fonte. L’AI dovrebbe conservare la cronologia degli errori concettuali, senza trasformarla in una diagnosi identitaria. Una difficoltà osservata è un’ipotesi di lavoro e può scomparire nel tentativo successivo.

La chiusura del ciclo richiede una domanda semplice: che cosa farai diversamente la prossima volta? La risposta collega informazione e strategia. Nei domini ad alto rischio occorre aggiungere quale segnale imporrà una verifica esterna o un’escalation. L’autonomia competente comprende anche la capacità di riconoscere quando l’indipendenza sarebbe imprudente.

9.5 Fading: ritirare funzioni, non soltanto quantità

Il termine fading indica il ritiro progressivo dell’impalcatura. La letteratura sullo scaffolding identifica tre proprietà connesse: contingenza rispetto allo stato del discente, riduzione del supporto e trasferimento della responsabilità (van de Pol et al., 2010). Togliere aiuto secondo un calendario fisso realizza soltanto la seconda in apparenza. Un fading pedagogico osserva la prestazione, ritira una funzione e verifica se la persona riesce ad assumerla.

Con l’AI le funzioni da ritirare sono numerose. Il sistema può definire l’obiettivo, scomporre il problema, recuperare informazioni, proporre opzioni, eseguire passaggi, monitorare errori, valutare sufficienza e decidere quando fermarsi. Ridurre la lunghezza della risposta lasciando al sistema tutte queste decisioni cambia la quantità di testo e conserva la dipendenza funzionale. Il fading deve rendere visibile chi governa ciascuna operazione.

Una sequenza può partire da un esempio completo, proseguire con passaggi mancanti, lasciare alla persona la selezione della strategia e terminare con un problema intero. Negli esperimenti di Atkinson, Renkl e Merrill, la combinazione fra ritiro dei passaggi svolti e prompt di auto-spiegazione migliorò il trasferimento vicino e distante rispetto a configurazioni meno integrate (Atkinson et al., 2003). [IT] Il principio si estende con cautela oltre i problemi ben strutturati: ciò che viene rimosso deve corrispondere a un’operazione che la persona può ormai interpretare e assumere.

Il fading procede meglio lungo una dimensione per volta. Si può lasciare disponibile la verifica mentre si ritira la pianificazione, oppure conservare gli hint e togliere la soluzione completa. Se accuratezza e spiegazione crollano insieme, il cambiamento è stato troppo ampio e la causa resta ambigua. Ritirare una funzione, osservare due o più occasioni e poi decidere produce evidenza più pulita.

Il supporto può tornare. Una nuova complessità, una lunga interruzione o un contesto ad alto rischio rendono appropriato ripristinare un esempio, una checklist o una supervisione. Il fading è reversibile e sensibile al compito. La sua direzione generale conduce verso l’autonomia; il percorso locale può avanzare, fermarsi e fare un passo indietro senza trasformare il bisogno di aiuto in fallimento.

9.6 Quando ritirare il supporto

Il ritiro richiede criteri più ricchi della sola accuratezza. Una persona può ottenere il risultato per memoria dell’esempio, indovinare fra poche opzioni o applicare una regola senza riconoscerne i limiti. Conviene osservare una costellazione di segnali: correttezza su più occasioni, qualità della spiegazione, scelta della strategia, tempo compatibile con il compito, calibrazione della fiducia, recupero dopo l’errore e capacità di chiedere aiuto con precisione.

Nessun singolo indicatore deve diventare una soglia universale. Due risposte corrette possono bastare per ritirare un cue in un esercizio a basso rischio; una decisione clinica, giuridica o infrastrutturale richiede standard, supervisione e prove indipendenti definite dal dominio. Il criterio generale è la convergenza. Il supporto si riduce quando evidenze diverse indicano che la funzione bersaglio è disponibile e governabile.

Anche gli errori contengono segnali di prontezza. Chi riconosce un’incoerenza, torna al criterio e corregge senza suggerimenti sta mostrando una capacità più robusta di chi esegue perfettamente un caso familiare. La misura dovrebbe registrare la traiettoria della riparazione, non soltanto l’esito finale. Nei compiti complessi, autonomia significa spesso saper recuperare da una deviazione.

L’AI può proporre il ritiro, mentre la decisione rimane negoziabile. “Hai risolto tre casi con strategie coerenti; nel prossimo nasconderò gli hint, che resteranno accessibili su richiesta.” Questa trasparenza rende il fading parte dell’autoregolazione. La persona comprende quale evidenza lo giustifica, può segnalare un sovraccarico e impara a distinguere il bisogno di sicurezza dalla preferenza per la comodità.

9.7 Spaziare per rendere nuovamente necessario il recupero

Una capacità disponibile subito dopo la spiegazione può dipendere ancora dalla memoria del contesto. Il tempo indebolisce questa accessibilità momentanea e crea una nuova occasione di ricostruzione. La sintesi quantitativa di Cepeda e colleghi, su 839 valutazioni in 317 esperimenti, ha confermato il vantaggio generale della pratica distribuita rispetto alla concentrazione, mostrando anche che l’intervallo utile dipende dalla distanza prevista della prova finale (Cepeda et al., 2006). [IT] Lo spacing è una relazione fra tempi, non un numero magico.

Dopo una sessione con l’AI conviene prevedere almeno tre distanze. Una prova immediata verifica se la persona ha interpretato. Una prova dopo un intervallo rilevante verifica l’accessibilità senza il sostegno della memoria recente. Una prova ulteriore controlla il mantenimento. Gli intervalli possono allungarsi quando il recupero riesce e accorciarsi quando fallisce, purché la pianificazione resti proporzionata alla durata attesa della capacità e alle conseguenze dell’errore.

Lo spacing richiede variazione. Ripresentare la stessa domanda può produrre memoria dell’episodio; riprendere il principio in forme diverse rafforza la possibilità di riconoscerlo dove servirà. L’AI può generare variazioni, ma deve preservare l’equivalenza del costrutto e controllare le differenze introdotte. Una domanda linguisticamente nuova può essere cognitivamente identica; una piccola modifica può invece cambiare del tutto la competenza richiesta.

Il calendario non deve diventare sorveglianza continua. È sufficiente programmare finestre coerenti con il rischio e lasciare alla persona una traccia dei propri risultati. L’obiettivo è costruire memoria e autoregolazione: sapere che cosa tende a decadere, quale richiamo riattiva la capacità e quando serve tornare a una fonte o a una pratica guidata.

9.8 Trasferire significa riconoscere sotto un’altra forma

Il recupero rende disponibile ciò che è stato appreso; il trasferimento chiede di riconoscerne la pertinenza quando qualcosa cambia. La distanza può riguardare il contenuto, il contesto fisico, il momento, la funzione richiesta, il formato, le persone coinvolte o il grado di organizzazione del problema. Barnett e Ceci hanno proposto una tassonomia multidimensionale proprio per evitare che “trasferimento lontano” designi fenomeni troppo diversi per essere confrontati con un’unica misura (Barnett & Ceci, 2002).

Una progettazione rigorosa nomina la distanza. Nel trasferimento vicino cambiano dati e superficie, mentre il principio e la procedura restano simili. Nel trasferimento intermedio la persona deve scegliere fra strategie o ricostruire la rappresentazione. Nel trasferimento più distante cambia anche la cornice: il principio deve essere riconosciuto in un dominio, un ruolo o una finalità differente. Ogni passaggio aggiunge fonti di difficoltà e richiede evidenze proprie.

La meta-analisi di Pan e Rickard, che ha sintetizzato 192 effetti, ha rilevato un vantaggio medio del recupero anche su prove di trasferimento, modulato dalla congruenza fra pratica e test, dal successo del recupero iniziale e dalla richiesta di elaborare (Pan & Rickard, 2018). [RR] Questo risultato sostiene l’uso di prove generative e insieme ne mostra il confine. Recuperare una risposta prepara meglio situazioni che richiedono una risposta affine; per attraversare distanze maggiori occorre recuperare relazioni, spiegazioni e criteri.

Il trasferimento va preparato con contrasti e variazioni controllate. Dopo aver risolto un caso, la persona esplicita ciò che considera invariabile e ciò che dipende dal contesto. L’AI propone un caso che conserva il principio e altera una caratteristica, poi un caso superficialmente simile governato da un principio diverso. La persona deve scegliere, motivare e indicare il segnale discriminante. Il sistema verifica la regola prodotta e cerca un controesempio.

La capacità trasferibile include il giudizio sui limiti. Applicare una regola ovunque è una forma di rigidità, non di generalizzazione. Il buon esito consiste nel riconoscere quando il principio vale, quando deve essere adattato e quando occorre sospenderlo. Nelle professioni questa sensibilità alle condizioni di confine distingue spesso la procedura dall’expertise.

9.9 Interleaving: imparare a scegliere prima di eseguire

La pratica a blocchi presenta molti casi dello stesso tipo. Facilita l’esecuzione perché la strategia è già implicita nella sequenza; può creare una sensazione di progresso che scompare quando i problemi vengono mescolati. L’interleaving alterna categorie o procedure e costringe a riconoscere quale approccio sia pertinente prima di applicarlo. La difficoltà aggiunta riguarda la selezione, una componente spesso centrale della capacità reale.

La meta-analisi di Brunmair e Richter ha rilevato un vantaggio complessivo dell’apprendimento intercalato, fortemente moderato dal materiale e dalla somiglianza fra categorie; gli effetti risultavano particolarmente utili quando occorreva discriminare esempi confondibili, mentre alcuni materiali verbali mostravano esiti meno favorevoli (Brunmair & Richter, 2019). [RR] Mescolare indiscriminatamente compiti diversi produce rumore. L’interleaving deve rendere necessaria una scelta significativa.

Dopo l’AI, la progressione può passare da casi omogenei assistiti a casi omogenei senza assistenza, quindi a una serie mescolata. Nella prima fase si acquisisce la procedura; nella seconda la si recupera; nella terza si decide quando usarla. Il sistema può chiedere prima la classificazione e il criterio, poi nascondere ogni etichetta. Se la persona esegue bene ma seleziona male, occorre tornare ai casi contrastivi anziché aumentare la quantità di esercizi.

Nel lavoro, i problemi arrivano già intercalati e spesso privi di nome. Una mail può contenere un conflitto, un rischio normativo, un errore di processo o un semplice disallineamento informativo. L’AI tende a classificare prima e a proporre la procedura. Una formazione orientata all’autonomia deve restituire alla persona almeno alcune occasioni di riconoscere che tipo di problema ha davanti.

9.10 Un’architettura di riconsegna

Recupero, trasferimento e fading formano un’unica architettura. Il recupero rende osservabile ciò che è disponibile; la variazione mostra quanto quella disponibilità dipenda dal caso; il fading trasferisce funzioni sulla base delle evidenze raccolte; lo spacing verifica che la capacità sopravviva al tempo; l’interleaving controlla se la persona sa scegliere prima di eseguire. Ogni componente risponde a un diverso modo in cui la prestazione assistita può simulare competenza.

L’architettura deve restare adattiva. Un principiante beneficia di recuperi brevi, cue graduati, casi vicini e fading lento. Un intermedio deve assumere rapidamente la scelta della strategia e affrontare casi mescolati. Un esperto può mantenere l’AI nelle attività di esplorazione e verifica, mentre periodiche prove indipendenti proteggono diagnosi, criteri, eccezioni e capacità di arresto. La stessa persona può occupare profili diversi in funzioni diverse.

La misura decisiva è la funzione ritirata. Se l’AI smette di formulare il testo ma continua a definire il problema, selezionare le fonti e giudicare sufficienza, l’autonomia riguarda soltanto l’esecuzione linguistica. Se la persona recupera il modello, sceglie il criterio, produce il primo passo, controlla l’output e sa quando sospenderlo, la collaborazione può restare intensa senza svuotare il governo umano.

Questo sposta anche il significato dell’efficienza. Il percorso più rapido verso il prodotto può essere diverso dal percorso più rapido verso una capacità durevole. Una breve prova a fonte chiusa, una variazione e un ritorno mirato dell’aiuto aggiungono minuti e possono evitare una dipendenza che si ripeterebbe per anni. Il tempo guadagnato dall’AI diventa così una risorsa da reinvestire nella riconsegna delle funzioni che desideriamo conservare.

Protocollo operativo per progettare il dopo

Nominare ciò che deve restare. Quale conoscenza, criterio, strategia o funzione di controllo dovrà essere disponibile senza AI?

Chiudere la fonte. Quale prova breve può iniziare senza output, cronologia o suggerimenti visibili?

Chiedere una ricostruzione generativa. La persona deve ricordare, spiegare, decidere, eseguire o controllare?

Raccogliere fiducia e strategia. Quanto è sicura della risposta e quale criterio ha utilizzato?

Offrire feedback dopo la traccia. Quale correzione minima permetterà un nuovo tentativo autonomo?

Variare con intenzione. Quale dimensione cambia e quale principio deve rimanere riconoscibile?

Definire la soglia di fading. Quali evidenze convergenti autorizzano il ritiro di una funzione dell’AI?

Ritirare una funzione per volta. Pianificazione, esecuzione, hint, controllo o criterio d’arresto: quale passa ora alla persona?

Programmare il ritorno. Dopo quale intervallo la capacità verrà recuperata di nuovo e con quale distanza dal caso iniziale?

Mescolare i casi. La persona sa scegliere la strategia quando il tipo di problema non è dichiarato?

Prevedere il ripristino. Quale errore, cambiamento di rischio o lunga interruzione farà tornare temporaneamente l’impalcatura?

Verificare la capacità stabile. Quale prova indipendente mostrerà disponibilità, trasferimento, calibrazione e recupero dall’errore?

Domande di passaggio

La persona sa ricostruire la struttura che ha prodotto la risposta oppure riconosce soltanto l’output dell’AI?

Le prove senza assistenza compaiono durante il percorso o soltanto alla fine?

Il feedback arriva dopo una traccia e conduce a una nuova produzione?

La variazione misura davvero trasferimento oppure cambia soltanto dettagli decorativi?

Il fading ritira funzioni cognitive identificabili o accorcia semplicemente le risposte del sistema?

Le soglie combinano accuratezza, spiegazione, fiducia, strategia e capacità di riparare l’errore?

Gli intervalli sono coerenti con la durata per cui la capacità dovrà restare disponibile?

I casi mescolati verificano anche la scelta della strategia?

La persona sa quando chiedere aiuto, quale aiuto chiedere e quando sospendere l’AI?

La prova differita e indipendente mostra una capacità stabile oppure riapre un ciclo mirato di sostegno?

Capitolo 10. L’errore e il controllo epistemico

10.1 La forma seducente dell’errore

Una risposta può essere chiara, specifica, coerente e falsa. Nei modelli linguistici la qualità della superficie non certifica il rapporto con il mondo: la sequenza viene costruita per continuare linguisticamente il contesto, mentre verità, provenienza e validità dell’inferenza richiedono controlli ulteriori. La plausibilità è un indizio utile per comprendere e generare ipotesi; diventa pericolosa quando viene usata come surrogato dell’evidenza.

Il termine “allucinazione” raccoglie fenomeni differenti e può suggerire impropriamente un’esperienza mentale. Per lavorare con precisione conviene nominare il guasto osservabile. Un’affermazione può essere falsa rispetto al mondo, infedele alla fonte fornita, incompatibile con un vincolo del compito, sostenuta da una citazione inesistente oppure derivata attraverso un passaggio che non segue dalle premesse. La tassonomia della ricerca resta in evoluzione, ma la distinzione fra fattualità e fedeltà è già indispensabile (Ji et al., 2023). [EP]

Lo stesso output può combinare accuratezza locale ed errore globale. I singoli fatti possono essere veri mentre la raccomandazione ignora un’alternativa; una sintesi può riprodurre correttamente molti dettagli e cancellare una condizione decisiva; un calcolo corretto può rispondere a una domanda formulata male. Verificare soltanto le frasi sospette lascia intatta la rappresentazione del problema. Il controllo deve seguire la catena che collega domanda, dati, inferenza, opzioni e azione.

La seduzione aumenta quando il lettore desidera una risposta definitiva, possiede poca conoscenza indipendente o lavora sotto pressione. Dettagli, tono sicuro e lunghezza della spiegazione possono essere interpretati come competenza. In esperimenti con domande di conoscenza generale, spiegazioni più lunghe hanno aumentato la fiducia umana nelle risposte dei modelli senza migliorare in modo corrispondente la capacità di distinguere risposte corrette e scorrette (Steyvers et al., 2025). [IT] Più spiegazione può significare più materiale da controllare e, nello stesso tempo, più persuasione.

10.2 Dal sospetto al controllo epistemico

Diffidare di tutto non costituisce una strategia sostenibile. Se ogni frase richiede una ricerca completa, il costo del controllo annulla il vantaggio dell’assistenza; se nessuna lo richiede, l’output diventa autorità per difetto. Il controllo epistemico assegna un onere di prova proporzionato alla funzione dell’affermazione, alla disponibilità di criteri indipendenti e alle conseguenze di un errore.

La dimensione educativa e sociale di questa capacità viene sviluppata nel saggio La competenza epistemica nell’era dell’intelligenza artificiale.

La vigilanza epistemica è una capacità ordinaria della comunicazione umana. Valutiamo insieme la credibilità della fonte e la plausibilità del contenuto, perché dipendiamo dalla conoscenza altrui e siamo esposti a informazione fuorviante (Sperber et al., 2010). Con l’AI la fonte diventa composita: modello, dati di addestramento non visibili, materiali recuperati, istruzioni, strumenti, configurazione dell’interfaccia e organizzazione che decide l’impiego. Chiedere se “l’AI è affidabile” comprime livelli che devono restare separati. [PP]

L’unità di controllo più utile è l’affermazione decisiva. Un documento lungo può essere scomposto in affermazioni decisive che, se false, cambierebbero conclusione o azione. Per ciascuna si registrano tipo di affermazione, fonte proposta, riscontro indipendente, incertezza e conseguenza. Il resto può ricevere un controllo più leggero. Questa selezione non elimina il rischio; rende esplicito dove viene investita l’attenzione.

Una semplice matrice distingue quattro stati: sostenuto, parzialmente sostenuto, contraddetto e al momento non verificabile. “Non verificabile” non equivale a falso, così come “non contraddetto” non equivale a vero. Mantenere queste categorie impedisce alla pressione per concludere di trasformare un’assenza di prova in conferma. Permette inoltre di decidere se cercare, rimandare, formulare una condizione o non agire.

Il controllo è distribuito. L’interfaccia può mostrare provenienza e limiti; la procedura può richiedere un secondo controllo; l’organizzazione può definire soglie di escalation; la persona può contestare premesse e confrontare fonti; il dominio può fornire standard e checklist. Attribuire tutto alla vigilanza individuale è fragile, soprattutto quando gli errori sono rari, il carico è alto e il sistema appare affidabile per lunghi periodi.

10.3 Incertezza: quattro problemi sotto la stessa parola

Dire “sono incerto” può riferirsi a oggetti diversi. L’incertezza fattuale riguarda che cosa sia accaduto o quale valore sia corretto. Quella modellistica riguarda la stabilità di una stima e l’adeguatezza dei dati. Quella interpretativa riguarda il meccanismo o il significato attribuito ai fatti. Quella decisionale riguarda il rapporto fra conseguenze, preferenze e valori. Una percentuale può descrivere soltanto alcune di queste dimensioni.

È utile distinguere anche la causa: informazione mancante, ambiguità linguistica, disaccordo fra fonti, variabilità del fenomeno, caso nuovo rispetto ai dati disponibili oppure conflitto fra obiettivi. Ogni causa richiede una risposta diversa. L’informazione mancante invita a cercare; l’ambiguità a chiarire; il disaccordo a rappresentare le posizioni e la qualità delle prove; la novità a ridurre l’estrapolazione; il conflitto di valori a restituire la scelta a chi ne porta la responsabilità.

La sicurezza verbale di un modello non è automaticamente una probabilità calibrata. Espressioni come “certamente”, “probabilmente” o “sembra” sono parti di una risposta linguistica e possono variare con il prompt, lo stile e il dominio. Anche un numero prodotto dal modello richiede validazione rispetto a casi comparabili. Quando possibile, la probabilità deve provenire da un metodo esplicito e valutato; quando ciò non è possibile, è più informativo dichiarare basi, lacune e condizioni di revisione.

Steyvers e colleghi hanno mostrato un risultato istruttivo. Un linguaggio d’incertezza calibrato sulla probabilità del modello riduceva alcuni scarti fra fiducia e accuratezza e migliorava la discriminazione umana rispetto alle spiegazioni standard; tuttavia non garantiva migliori decisioni congiunte quando le persone non possedevano conoscenza complementare (Steyvers et al., 2025). Rappresentare meglio l’incertezza aiuta, ma non crea da solo la capacità di valutare. [IT]

Il controllo epistemico usa tre registri separati. Il primo descrive la forza dell’evidenza. Il secondo registra la fiducia della persona nella propria conclusione. Il terzo indica la conseguenza di un errore. Una conclusione ben sostenuta può richiedere comunque una verifica indipendente se il danno potenziale è alto; una conclusione debole può essere sufficiente per un’esplorazione reversibile. La decisione emerge dalla combinazione, non da un singolo punteggio.

10.4 Automation bias e affidamento appropriato

L’automazione può indurre errori di commissione, quando una raccomandazione scorretta viene seguita, e di omissione, quando l’assenza di un avviso viene trattata come prova che tutto sia in ordine. Questi fenomeni non derivano da una debolezza morale dell’utilizzatore. Sono favoriti da carico, pressione temporale, opacità, alta affidabilità apparente e divisioni del lavoro che rendono costoso il controllo. Parasuraman e Riley hanno descritto uso, abuso, disuso e uso improprio come configurazioni del sistema sociotecnico, non come una semplice scala di fiducia (Parasuraman & Riley, 1997).

L’obiettivo non è fidarsi di più o di meno, ma fare affidamento in modo appropriato. Questo richiede due capacità distinte: accettare un consiglio corretto e respingere un consiglio errato. Misurare soltanto la concordanza con l’AI confonde obbedienza e qualità. Schemmer e colleghi propongono infatti di valutare separatamente l’affidamento appropriato e la resistenza appropriata, perché sia l’eccesso sia il difetto di affidamento possono ridurre la prestazione congiunta (Schemmer et al., 2023).

Anche il rifiuto sistematico ha costi. Una persona può ignorare un segnale accurato per preservare identità professionale, reagire a un precedente errore o non comprendere la base della raccomandazione. Il controllo epistemico evita di trasformare l’autonomia in opposizione rituale. Chiede quale componente possieda informazione migliore in quel caso e costruisce un percorso attraverso cui il dissenso possa essere motivato e risolto.

La fiducia deve quindi essere locale e aggiornabile. Si può avere elevata fiducia nella capacità del sistema di estrarre elementi da un formato stabile e bassa fiducia nella sua interpretazione causale; si può accettare una proposta creativa e rifiutare la citazione che la accompagna. Lee e See definiscono appropriato l’affidamento quando la fiducia corrisponde alle capacità dell’automazione nel contesto d’uso (Lee & See, 2004). L’oggetto della fiducia va specificato insieme al compito e alle condizioni.

Le funzioni cognitive forzanti possono creare una pausa prima dell’adozione. Chiedere una risposta iniziale, nascondere temporaneamente la raccomandazione o imporre una ragione per accettarla riduce in alcuni compiti l’eccessivo affidamento. Negli esperimenti di Buçinca, Malaya e Gajos questi interventi hanno migliorato la resistenza a consigli errati, pur risultando meno graditi e con benefici differenti fra persone (Buçinca et al., 2021). [EP] L’attrito è utile quando apre un controllo; diventa improduttivo se viene applicato ovunque senza selezione.

10.5 Le spiegazioni possono informare e persuadere

Una spiegazione è spesso proposta come rimedio all’opacità. Può rendere visibili caratteristiche, regole e fonti, ma può anche offrire una storia plausibile che aumenta la disponibilità ad accettare. Nei sistemi generativi il ragionamento esposto non deve essere trattato automaticamente come una registrazione fedele del processo che ha prodotto la risposta. Il suo valore pratico dipende da quanto rende controllabili premesse, passaggi e condizioni.

La ricerca sull’interpretabilità invita alla cautela. In esperimenti preregistrati con modelli semplici, una maggiore trasparenza aiutava le persone a simulare le previsioni, ma poteva ridurre la capacità di individuare e correggere errori grandi, anche per sovraccarico informativo (Poursabzi-Sangdeh et al., 2021). [EP] Rendere tutto visibile non equivale a rendere visibile ciò che serve per decidere.

Gli effetti delle spiegazioni dipendono inoltre dal costo dell’analisi. In cinque studi, Vasconcelos e colleghi hanno osservato che le spiegazioni potevano ridurre l’eccessivo affidamento quando rendevano conveniente impegnarsi nella valutazione; non costituivano un antidoto automatico (Vasconcelos et al., 2023). [EP] Anche i punteggi di confidenza possono migliorare la calibrazione, ma non compensano l’assenza di conoscenza complementare e non garantiscono il miglior esito congiunto (Zhang et al., 2020).

Una spiegazione controllabile espone affermazioni decisive, fonti, assunzioni, soglie, alternative e condizioni che farebbero cambiare conclusione. Può essere breve. Una spiegazione persuasiva accumula invece dettagli senza offrire punti di presa verificabili. Il criterio progettuale non è quanta razionalità appare nel testo, ma quale operazione di controllo il destinatario può compiere grazie a esso.

10.6 Contestare la raccomandazione

Contestare non significa chiedere al sistema di produrre genericamente “pro e contro”. Significa ricostruire la raccomandazione come una decisione condizionata: in presenza di questi dati, secondo questi criteri, fra queste alternative, per questo obiettivo e con questi rischi, una scelta appare preferibile. Ogni elemento può essere esaminato e attribuito a un responsabile.

Il primo passo isola le affermazioni decisive. Il secondo rende espliciti dati mancanti e assunzioni. Il terzo costruisce la migliore alternativa, non una caricatura. Il quarto chiede quale evidenza farebbe invertire la raccomandazione. Il quinto verifica le fonti attraverso un percorso indipendente. Il sesto registra la decisione umana, le ragioni e le condizioni di revisione. La contestazione diventa così una procedura ripetibile.

Chiedere allo stesso modello di criticare la propria risposta è utile per generare ipotesi, controlli e controesempi. Rimane però una verifica correlata: il secondo testo condivide architettura, contesto e possibili lacune con il primo. Un modello può correggersi, ma può anche razionalizzare o produrre un dissenso altrettanto plausibile. Le affermazioni ad alto impatto richiedono almeno una fonte, uno strumento o una competenza realmente indipendenti.

La procedura deve proteggere il diritto di fermarsi. In molte organizzazioni il consiglio automatizzato arriva con un vantaggio istituzionale: contestarlo richiede tempo, documentazione e responsabilità personale. Se il dissenso non ha un canale, la supervisione umana è nominale. Servono criteri di override, tempi compatibili, tracciabilità e assenza di penalità quando l’escalation è motivata.

La contestazione produce apprendimento quando chi decide confronta la propria rappresentazione con quella del sistema e osserva dove divergono. Il risultato non è soltanto una risposta più sicura. È una mappa dei segnali che meritano controllo, delle condizioni che limitano una regola e delle fonti capaci di risolvere l’incertezza. Nel tempo questa mappa alimenta la capacità autonoma.

10.7 Calibrare la fiducia

La calibrazione confronta fiducia e accuratezza su molte decisioni. Una persona è ben calibrata quando, fra le risposte a cui assegna circa settanta per cento di fiducia, all’incirca sette su dieci risultano corrette. La discriminazione riguarda invece la capacità di attribuire più fiducia alle risposte corrette che a quelle errate. Si può essere mediamente calibrati e discriminare male, oppure discriminare bene mantenendo un’eccessiva sicurezza sistematica.

Nel singolo caso la calibrazione non è osservabile direttamente. Per questo occorre raccogliere una serie: previsione o decisione iniziale, fiducia prima dell’AI, scelta dopo la raccomandazione, fiducia dopo il controllo, esito e tipo di errore. Le traiettorie mostrano se il sistema corregge un’incertezza giustificata, induce sicurezza senza prova o viene ignorato quando è accurato. Senza il momento precedente all’AI, l’influenza resta invisibile.

La fiducia va scomposta. Posso essere sicuro che il dato sia stato estratto correttamente, meno sicuro dell’interpretazione e incerto sulla scelta perché i valori sono in conflitto. Posso anche avere elevata fiducia in una raccomandazione condizionata e bassa fiducia che le condizioni siano soddisfatte. Registrare un numero unico appiattisce il problema; poche valutazioni mirate producono una diagnosi più utile.

L’alta fiducia non riduce automaticamente l’onere del controllo. Quando l’impatto è elevato, una convinzione molto sicura può richiedere una verifica più forte, perché gli errori ad alta fiducia vengono contestati meno spontaneamente. La fiducia informa la scelta del feedback e del contrasto; il rischio determina il livello minimo di garanzia.

L’organizzazione può analizzare le bande di fiducia senza trasformarle in classifiche personali. Lo scopo è identificare domini, compiti e interfacce in cui l’affidamento è mal calibrato, poi modificare fonti, soglie e formazione. La calibrazione è una proprietà della relazione fra persona e sistema in un ambiente specifico. Cambiando modello, popolazione o compito, deve essere verificata di nuovo.

10.8 L’errore come materiale didattico

Un errore può interrompere l’illusione di comprensione e rendere visibile un criterio. La ricerca sull’apprendimento dagli errori mostra che un tentativo errato seguito da feedback correttivo può produrre memoria robusta; gli errori commessi con alta fiducia possono essere corretti con particolare efficacia in alcune condizioni, un effetto noto come ipercorrezione (Metcalfe, 2017). [IT] Il beneficio non appartiene all’errore in sé. Dipende dal tentativo, dalla correzione, dall’elaborazione e da una successiva occasione di recupero.

Con l’AI esistono due materiali possibili. Il primo è l’errore autentico incontrato durante una generazione, che viene congelato prima di propagarsi. Il secondo è un errore selezionato o inserito intenzionalmente in un caso costruito. Quest’ultimo offre maggiore controllo su difficoltà, tipo di guasto e soluzione, mentre il primo mostra la varietà del fenomeno reale. Entrambi devono essere chiaramente confinati in un ambiente di apprendimento.

L’esercizio comincia con una previsione o un giudizio della persona. Poi presenta l’output e chiede di isolare la prima affermazione problematica, classificarne il guasto, indicare una verifica e proporre una correzione. Il debrief confronta non soltanto la risposta corretta, ma il segnale che avrebbe permesso di riconoscerla. Una prova successiva cambia il contenuto e conserva il tipo di errore; soltanto allora sappiamo se il criterio è trasferibile.

Per i principianti l’errore deve essere delimitato e contrastivo. Una falsità plausibile lasciata a lungo senza correzione può essere appresa; un documento pieno di guasti sovraccarica chi non possiede ancora uno schema. È preferibile un solo errore diagnostico accanto a un esempio corretto, con fonti disponibili e feedback immediatamente dopo il tentativo. Agli intermedi si possono combinare omissioni e inferenze; agli esperti si possono proporre casi ambigui e pressioni decisionali realistiche.

Il materiale deve rimanere tracciabile. Gli output errati vanno marcati, separati dai repository operativi e accompagnati da una versione corretta. Non devono essere copiabili in cartelle cliniche, pratiche, codice di produzione o comunicazioni reali. La conclusione dell’esercizio include sempre la bonifica delle tracce e la verifica che la correzione sia diventata disponibile.

10.9 Rischio controllato: tre zone, non una licenza generale

Il rischio non coincide con la probabilità di errore. Dipende anche dalla gravità delle conseguenze, dalla possibilità di rilevarlo, dal tempo disponibile e dalla reversibilità dell’azione. Un errore frequente ma innocuo può sostenere l’esplorazione; un errore raro, invisibile e irreversibile richiede barriere forti. Il profilo NIST per l’AI generativa tratta la confabulazione e l’integrità dell’informazione come rischi da gestire lungo progettazione, valutazione e uso, in relazione al contesto (National Institute of Standards and Technology, 2024).

Nella zona verde le conseguenze sono basse e reversibili. Si possono generare ipotesi, confrontare versioni e usare errori selezionati come esercizi, mantenendo una fonte corretta e un debrief. Nella zona ambra la decisione è conseguenziale ma ancora riesaminabile. Servono una pausa, verifica delle affermazioni decisive, registrazione della provenienza e un secondo controllo proporzionato. Nella zona rossa sono coinvolti sicurezza, salute, diritti, denaro rilevante o azioni difficili da annullare. L’output generativo non deve attivare da solo l’azione.

Le zone descrivono un caso d’uso, non un prodotto. Lo stesso modello può operare in verde quando propone domande per un seminario e in rosso quando suggerisce un dosaggio clinico. Anche il passaggio da simulazione a realtà cambia la zona: una raccomandazione volutamente fallace può essere eccellente materiale in un laboratorio protetto e inaccettabile nell’interfaccia operativa.

I confini richiedono segnali osservabili. Importo, tipo di dato, popolazione coinvolta, possibilità di ricorso, tempo di latenza e presenza di un professionista autorizzato possono determinare l’escalation. Se la classificazione dipende soltanto dalla sensazione dell’utilizzatore, la pressione del lavoro tenderà ad abbassare il livello di controllo proprio quando è più necessario.

La zona rossa non impone l’assenza dell’AI. Può limitarne la funzione a ricerca, organizzazione o confronto, mentre fonti validate, strumenti certificati e professionisti responsabili governano la decisione. Il principio è impedire che una formulazione plausibile chiuda prematuramente un processo la cui garanzia deve provenire altrove.

10.10 Un’architettura di controllo epistemico

Le forme dell’errore richiedono controlli differenti. La tabella seguente collega il modo in cui un output può fallire al motivo per cui appare credibile, al controllo minimo e alla soglia oltre la quale occorre fermare il flusso. L’ultima colonna mostra come lo stesso guasto possa diventare oggetto di apprendimento, purché separato dall’azione reale.

Il ciclo operativo procede in otto mosse. Osservare l’output senza assumerlo come unità indivisibile. Scomporre le affermazioni che sostengono la conclusione. Classificare tipo e causa dell’incertezza. Contestare premesse, alternative e condizioni di inversione. Verificare attraverso fonti o strumenti indipendenti. Decidere assegnando un responsabile. Registrare provenienza e ragioni. Ritestare, a distanza, il criterio appreso.

Il ciclo non deve essere applicato con la stessa intensità a ogni testo. La zona di rischio e il ruolo dell’affermazione modulano la profondità. Per una bozza creativa può bastare il controllo di vincoli e attribuzioni; per una revisione scientifica occorre risalire agli studi originali e distinguere risultati, interpretazioni e limiti; per una decisione ad alto impatto servono procedure del dominio, validazione locale ed escalation.

L’esito desiderato è una competenza congiunta che resti governabile. La persona sa quando accettare, quando contestare, quale evidenza cercare e quando fermarsi. Il sistema rende visibili provenienza e incertezza, sostiene la generazione di alternative e lascia tracce verificabili. L’organizzazione definisce responsabilità, soglie e canali di ricorso. Nessun componente garantisce da solo la qualità; la loro relazione può renderla controllabile.

Questo capitolo completa la riconsegna iniziata nel Capitolo 9. Recuperare una conoscenza non basta se la persona non sa giudicare l’informazione che incontra; contestare un output non basta se il criterio dipende ogni volta da un’altra risposta dell’AI. Le prove autonome devono quindi includere errori, omissioni e incertezze nuove. La capacità stabile comprende la possibilità di arrestare una risposta seducente e riaprire l’indagine.

Protocollo operativo per il controllo epistemico

Definire la posta in gioco. Quali conseguenze, persone, diritti e possibilità di revisione rendono questo caso verde, ambra o rosso?

Conservare una decisione iniziale. Che cosa pensa la persona prima di vedere la raccomandazione e con quale fiducia?

Scomporre l’output. Quali affermazioni, dati e inferenze sono decisivi per la conclusione?

Classificare il possibile guasto. Fattualità, fedeltà alla fonte, vincolo, inferenza, omissione o qualità della decisione?

Nominare l’incertezza. Riguarda fatti, modello, interpretazione o valori? Nasce da dati mancanti, ambiguità, disaccordo o novità?

Costruire l’alternativa più forte. Quale spiegazione o azione concorrente merita davvero confronto?

Cercare la condizione di inversione. Quale evidenza farebbe cambiare la raccomandazione o imporrebbe l’arresto?

Verificare fuori dal circuito. Quale fonte primaria, strumento validato o competenza indipendente può controllare l’affermazione decisiva?

Registrare l’influenza. Che cosa è cambiato dopo l’AI, perché è cambiato e quanto è ora sicura la persona?

Assegnare la decisione. Chi possiede autorità, responsabilità e diritto di contestare o escalare?

Chiudere il ciclo didattico. Quale correzione, spiegazione e nuovo caso renderanno trasferibile il criterio?

Bonificare le tracce. Come si impedirà che un output errato o simulato entri in documenti, dati o azioni operative?

Domande di passaggio

Stiamo valutando la qualità linguistica oppure la giustificazione dell’affermazione?

Quale singolo errore cambierebbe maggiormente la conclusione o l’azione?

Le citazioni sono state reperite e lette nel loro contesto originario?

L’incertezza dichiarata corrisponde a un metodo validato o soltanto allo stile della risposta?

La spiegazione rende possibili controlli concreti oppure aggiunge soprattutto persuasione?

La persona sa accettare il consiglio corretto e respingere quello scorretto?

Esiste una via praticabile per contestare, fermare ed escalare la raccomandazione?

La verifica è indipendente oppure chiede allo stesso sistema di confermare se stesso?

L’errore usato per apprendere è confinato, corretto e seguito da una prova di trasferimento?

Un output generativo può produrre direttamente conseguenze difficili da annullare?

Le misure di fiducia vengono confrontate con esiti reali su casi sufficientemente simili?

Il controllo resta disponibile quando aumentano fretta, carico e pressione organizzativa?

Capitolo 11. Oltre la qualità dell’output

11.1 Il prodotto è un evento, la capacità una disposizione

La qualità dell’output è la misura più vicina e visibile. Un testo può essere accurato, una diagnosi ben argomentata, un codice efficiente, una decisione tempestiva. Queste proprietà contano e devono essere misurate. Descrivono però un evento prodotto da una configurazione concreta di persone, modelli, fonti, interfacce, procedure e tempo. Da sole dicono poco su ciò che ciascun componente saprà fare nella prova successiva.

La capacità è una disposizione a produrre prestazioni in una famiglia di situazioni. Diventa osservabile soltanto attraverso campioni di compiti, occasioni e condizioni. Per questo un singolo risultato eccellente può sostenere un giudizio sul prodotto e restare insufficiente per attribuire una competenza alla persona. La distanza fra evento e disposizione è il problema centrale della misurazione.

Il punto non è svalutare il prodotto. È attribuirgli l’inferenza corretta. La qualità dell’output risponde alla domanda “che cosa è stato realizzato?”. Le Tre prove rispondono a domande diverse: che cosa sa fare il sistema congiunto, che cosa è disponibile subito nella persona, che cosa rimane stabile e trasferibile. Confondere le domande produce decisioni fragili su formazione, certificazione e organizzazione del lavoro.

11.2 Prima del punteggio viene l’inferenza

Una misura acquista significato attraverso l’uso che intendiamo farne. Lo stesso punteggio può orientare un feedback, autorizzare il fading, certificare una competenza o giustificare una riorganizzazione. Ogni uso richiede evidenze e garanzie differenti. Kane formula il problema come un argomento interpretativo: occorre esplicitare le inferenze che portano dalla risposta osservata alla decisione e verificare le assunzioni che sostengono ciascun passaggio (Kane, 2013). [IT]

Nel Q3P la catena comincia dal compito osservato. Dal punteggio inferiamo una prestazione su quel compito; attraverso più compiti inferiamo una competenza nel dominio campionato; attraverso variazioni e tempo inferiamo generalizzazione e stabilità; infine usiamo l’interpretazione per decidere supporto, certificazione o assegnazione di responsabilità. Ogni freccia può fallire e richiede prove proprie.

Messick ha ricondotto la validità all’insieme delle evidenze che sostengono il significato e l’uso dei punteggi, includendo le conseguenze delle interpretazioni (Messick, 1995). [IT] Questa prospettiva è decisiva nell’era dell’AI. Una prova può essere tecnicamente affidabile e favorire un uso iniquo; può misurare bene la prestazione con uno strumento e venire presentata come certificazione della persona; può premiare la capacità di ottenere una risposta dal modello mentre dichiara di valutare il ragionamento professionale.

Prima di costruire la rubrica conviene quindi scrivere una frase completa: “Useremo queste evidenze per sostenere che questo soggetto possiede questa capacità, entro queste condizioni, al fine di prendere questa decisione”. Più l’uso è consequenziale, più la frase deve essere circoscritta e sostenuta. Un feedback formativo tollera maggiore incertezza; una selezione, un’abilitazione o l’assegnazione di un’attività ad alto rischio richiedono standard più forti.

Gli Standards for Educational and Psychological Testing richiamano validità, affidabilità, equità e trasparenza come responsabilità connesse (American Educational Research Association et al., 2014). Nel Q3P questi criteri riguardano sia la prova sia l’ambiente digitale. Versione del modello, prompt di sistema, strumenti collegati, accesso alle fonti e regole di assistenza devono essere documentati, perché modificano ciò che viene realmente misurato.

11.3 Il Q3P come architettura di evidenze

Il Quadro delle Tre Prove conserva la distinzione introdotta nel Capitolo 3 e la trasforma in un protocollo. La qualità dell’output rimane il livello osservabile comune. La prima prova misura la prestazione assistita. La seconda cerca l’apprendimento iniziale attraverso un compito indipendente equivalente. La terza verifica la capacità stabile mediante distanza temporale, variazione e trasferimento. Ogni livello autorizza un’inferenza diversa.

Le prove formano una sequenza e restano logicamente distinte. Una prestazione assistita elevata può precedere un apprendimento iniziale debole. Un buon post-test immediato può decadere. Una capacità stabile può emergere anche quando l’output assistito era soltanto moderato, perché la persona ha usato il processo per costruire criteri e strategie. Il profilo delle differenze è più informativo della media complessiva.

Le Tre prove devono condividere il costrutto e variare ciò che serve a identificare l’origine della prestazione. La prima permette l’assistenza. La seconda la ritira e modifica con cautela la superficie del caso. La terza aggiunge tempo e distanza. Se ogni prova cambia insieme dominio, formato, difficoltà e criteri, l’eventuale caduta diventa ambigua. Un disegno interpretabile varia poche dimensioni per volta.

Il Q3P può essere iterativo. Un fallimento nella seconda prova riapre feedback e pratica; un successo permette fading e maggiore distanza; una terza prova fragile suggerisce richiamo, interleaving o nuovi casi contrastivi. In formazione la misura governa il percorso. In ricerca permette di testare meccanismi. Nell’organizzazione segnala se la produttività attuale sta costruendo, conservando o consumando capacità.

11.4 Definire il costrutto e la famiglia di compiti

Misurare una capacità richiede descriverla prima di scegliere gli item. “Scrivere bene”, “analizzare dati” o “usare l’AI” sono contenitori troppo ampi. Una definizione operativa nomina le funzioni rilevanti: rappresentare il problema, scegliere il criterio, recuperare conoscenze, eseguire, controllare, contestare, correggere, trasferire e sapere quando chiedere aiuto. Il profilo cambia da un dominio all’altro.

La famiglia di compiti identifica l’universo al quale vogliamo generalizzare. Comprende situazioni tipiche, eccezioni, livelli di complessità, rischi e forme di variazione. Un campione composto soltanto da casi frequenti misura fluidità nella routine. Un campione formato soltanto da anomalie misura un’altra capacità. La proporzione deve riflettere l’uso previsto oppure essere deliberatamente stratificata e dichiarata.

La progettazione parte dalle caratteristiche profonde. Due casi possono cambiare nomi e numeri restando cognitivamente identici; un dettaglio minimo può invece richiedere una strategia diversa. Per ogni compito occorre indicare principio bersaglio, informazioni necessarie, distrattori, alternative plausibili, condizioni di confine e criterio di successo. Questa mappa consente di costruire forme parallele senza affidarsi alla sola somiglianza linguistica.

La distanza di trasferimento deve essere nominata. Può cambiare il contenuto, il contesto, il tempo, il formato, la funzione, il ruolo o il grado di organizzazione del problema. La meta-analisi di Pan e Rickard mostra che la pratica di recupero può sostenere il trasferimento, con effetti modulati dalla congruenza fra pratica e test e dal successo del recupero iniziale (Pan & Rickard, 2018). [RR] Dichiarare la distanza evita di presentare un trasferimento vicino come prova universale.

Per i compiti aperti conviene campionare anche la variabilità legittima. Una decisione professionale può ammettere più soluzioni se criteri e trade-off sono ben argomentati. La rubrica deve premiare la qualità del giudizio, non la coincidenza con una risposta unica generata a priori. Nei domini regolati, invece, alcuni errori e omissioni restano vincoli critici indipendentemente dall’eleganza dell’argomentazione.

11.5 Rubriche che separano risultato e governo

Una rubrica utile distingue dimensioni che possono muoversi in direzioni diverse. La prima riguarda il risultato: accuratezza, completezza, pertinenza, sicurezza e qualità comunicativa. La seconda riguarda la rappresentazione: definizione del problema, uso dei dati e riconoscimento dei vincoli. La terza riguarda la strategia: scelta, sequenza e adattamento. La quarta riguarda il controllo epistemico: verifica, calibrazione, contestazione ed escalation. La quinta riguarda il recupero dall’errore.

La qualità dell’output può essere valutata senza conoscere la condizione sperimentale, attraverso valutatori ciechi e criteri di dominio. Il processo richiede invece tracce: prima rappresentazione, decisioni intermedie, richieste di aiuto, revisioni, fonti consultate, fiducia e ragioni dell’arresto. Le tracce digitali acquistano significato soltanto quando sono collegate a ipotesi. Molti prompt o molto tempo possono indicare esplorazione, confusione oppure prudenza.

La scala deve descrivere comportamenti osservabili. “Ottimo ragionamento” è una conclusione; “identifica due ipotesi, indica il dato discriminante e modifica la scelta quando il dato cambia” è un criterio. Esempi ancorati ai livelli aiutano i valutatori a distinguere la qualità e riducono l’attrazione esercitata dallo stile. Nei casi ad alto impatto è utile definire anche errori critici che impediscono il superamento della prova, qualunque sia il punteggio medio.

L’affidabilità dipende da compiti, valutatori e occasioni. La teoria della generalizzabilità permette di stimare quanta variabilità provenga da ciascuna faccia della misurazione e quale disegno migliori la precisione (Brennan, 2001). [IT] A volte aggiungere compiti produce più informazione che aggiungere valutatori; in altri casi la divergenza fra esperti è il problema principale. Un coefficiente unico, privo del disegno che lo ha generato, offre una rassicurazione incompleta.

Nei punteggi prodotti o assistiti dall’AI occorre validare localmente il valutatore automatico. Si confrontano giudizi umani indipendenti, si cercano errori sistematici per stile, lingua e gruppo, si testano casi avversariali e si mantengono controlli periodici. Il modello valutatore può accelerare la codifica formativa. Per decisioni consequenziali la responsabilità resta affidata a procedure trasparenti e a una revisione competente.

11.6 Tempo, assistenza e comparabilità

Il tempo trasforma la prova. Una valutazione immediata rileva accessibilità e comprensione iniziale; una prova differita chiede alla conoscenza di sopravvivere. L’intervallo va scelto in rapporto alla durata per cui la capacità dovrà essere disponibile. Una settimana può essere informativa in un corso breve; mesi possono essere necessari per una funzione professionale. Scrivere soltanto “follow-up” nasconde una componente decisiva del costrutto.

Anche l’assistenza deve essere descritta come una dose. Accesso libero, domande socratiche, hint graduati, soluzioni complete, ricerca documentale e verifica automatica sono trattamenti diversi. Occorre registrare quali funzioni erano disponibili, quando sono state usate e che cosa la persona doveva produrre prima dell’accesso. Il nome del modello è insufficiente, perché la configurazione pedagogica governa l’esperienza.

La comparabilità richiede forme parallele, non copie. Il compito successivo conserva costrutto e difficoltà attesa, modifica i dettagli che impediscono il ricordo episodico e viene controllato attraverso pilotaggio. Se la seconda prova è più difficile della prima, il divario di dipendenza viene sovrastimato; se è quasi identica, l’apprendimento viene confuso con memoria della risposta. L’equivalenza è un’ipotesi da verificare.

Una sequenza robusta prevede un T0 indipendente, un T1 assistito, un T2 indipendente ravvicinato e un T3 differito con trasferimento. Quando interessa la continuità operativa si aggiunge una prova in condizioni degradate: AI indisponibile, fonte incompleta, raccomandazione errata o tempo ridotto. Questa prova misura la capacità di mantenere il governo quando l’ecosistema cambia.

Le condizioni di prova devono evitare contaminazioni e creare realismo sufficiente. In ricerca può servire un ambiente controllato. Nella formazione può bastare una finestra a fonte chiusa. Nel lavoro, dove l’AI è parte legittima della pratica, si possono affiancare una prova con gli strumenti ordinari e una microprova indipendente sulle funzioni che l’organizzazione desidera preservare. Autenticità e isolamento rispondono a domande diverse.

11.7 Indicatori derivati senza falsa precisione

Il Q3P produce confronti utili. L’uplift assistito è la differenza fra prestazione con AI e baseline indipendente su compiti equivalenti. Il guadagno iniziale confronta la seconda prova con la baseline. Il guadagno stabile usa la terza prova, specificando intervallo e distanza. Il divario di dipendenza confronta la prestazione assistita con quella indipendente. Sono descrizioni, non diagnosi automatiche.

Un divario ampio può indicare sostituzione, una fase iniziale di apprendimento oppure una divisione del lavoro intenzionale. L’interpretazione dipende dal ruolo futuro dell’AI, dalla reversibilità e dal rischio. Se una funzione resterà permanentemente assistita, la misura importante comprende capacità congiunta, controllo e continuità in caso di guasto. Se la funzione deve restare autonoma, il divario segnala un lavoro formativo incompleto.

Il rapporto fra guadagno stabile e uplift assistito può descrivere quanta parte del vantaggio immediato si sia convertita in capacità, purché le scale siano comparabili e l’uplift sia positivo. Vicino allo zero il rapporto diventa instabile; valori superiori a uno sono possibili. Conviene presentarlo come analisi secondaria con intervalli d’incertezza, mai come classifica individuale.

La calibrazione confronta fiducia e correttezza su una serie di casi. L’affidamento appropriato separa l’accettazione di consigli corretti dal rifiuto di consigli errati. Il recupero dall’errore osserva rilevazione, arresto, fonte scelta, tempo e qualità della riparazione. Questi indicatori completano l’accuratezza perché rendono visibile chi governa la prestazione quando il sistema devia.

Il Q3P resiste alla tentazione del numero unico. Aggregare produttività, trasferimento, sicurezza ed equità richiede pesi che incorporano valori e possono compensare un errore critico con molti successi minori. Un profilo mantiene le tensioni visibili. Eventuali soglie composite devono essere giustificate dall’uso, testate empiricamente e accompagnate da vincoli che restano invalicabili.

11.8 Usare il Q3P nella ricerca

Nella ricerca il primo compito è separare l’effetto sull’esecuzione dall’effetto sull’apprendimento. Il confronto minimo include una baseline indipendente, una condizione di assistenza chiaramente descritta e almeno una prova successiva senza AI. Un controllo attivo permette di distinguere il beneficio specifico del sistema dal tempo aggiuntivo, dall’attenzione o dall’accesso a qualunque supporto.

La randomizzazione rafforza l’inferenza causale quando è possibile. Nei contesti reali servono spesso disegni quasi-sperimentali, introduzioni scaglionate o confronti entro persona. Qualunque sia il disegno, occorre documentare assegnazione, equivalenza iniziale, attrito, uso effettivo dell’assistenza, contaminazione fra condizioni e cambiamenti del modello. Il trattamento dichiarato e quello ricevuto possono divergere ampiamente.

I compiti sono campioni e spesso le persone appartengono a classi, team o organizzazioni. L’analisi deve rispettare questa struttura, stimare effetti con intervalli di confidenza e mostrare l’eterogeneità per esperienza, tipo di compito e configurazione dell’AI. Medie favorevoli possono nascondere principianti dipendenti, esperti rallentati o sottogruppi esposti a errori differenti.

Gli esiti principali vanno preregistrati. Se output, tempo, soddisfazione, apprendimento, trasferimento, fiducia e molte sottoscale sono tutti trattati come conclusioni equivalenti, aumenta la possibilità di selezionare il risultato più favorevole. Una gerarchia distingue outcome primari, secondari, meccanismi e analisi esplorative. Materiali, prompt, rubriche e versioni rendono lo studio replicabile.

La ricerca deve includere anche evidenze favorevoli all’AI. Un sistema può offrire feedback tempestivo, ampliare la pratica e diffondere conoscenza tacita. Il Q3P è costruito per rilevare questi benefici quando diventano apprendimento, invece di assumere in anticipo sostituzione o potenziamento. La domanda causale riguarda quale configurazione, per chi, su quale compito, attraverso quale meccanismo e con quale persistenza. [IT]

11.9 Usare il Q3P nella formazione

Nella formazione la misura serve anzitutto a decidere la mossa successiva. La prima prova mostra dove l’AI sostiene la prestazione e come viene usata. La seconda stabilisce se il discente può assumere una funzione. La terza indica se conviene allungare l’intervallo, aumentare la distanza o riaprire il ciclo. Feedback e fading diventano decisioni fondate su tracce, non impressioni.

Le soglie devono essere riferite a criteri. Per una procedura chiusa si può richiedere accuratezza ripetuta e assenza di errori critici. Per una capacità aperta servono più casi, valutatori e qualità argomentativa. Salas e colleghi mostrano che efficacia della formazione, pratica, feedback e ambiente di trasferimento sono parti di un sistema, non attributi isolati dell’aula (Salas et al., 2012). Il Q3P segue la capacità fino all’uso.

La soddisfazione mantiene un valore diagnostico limitato. La meta-analisi di Alliger e colleghi rilevò relazioni deboli fra reazioni affettive e molte misure di apprendimento e trasferimento, mentre le reazioni legate all’utilità mostravano associazioni più informative (Alliger et al., 1997). [RR] Un corso gradito può essere efficace; il gradimento, da solo, non lo dimostra. Con l’AI la fluidità dell’esperienza rende questa cautela ancora più necessaria.

Il profilo può essere restituito alla persona. “Con assistenza produci risultati forti; senza AI mantieni il criterio ma perdi il controllo delle eccezioni; a distanza la strategia resta disponibile e la fiducia è eccessiva nei casi ambigui.” Una descrizione simile orienta pratica e autoregolazione meglio di un voto totale. Mostra anche che chiedere aiuto in modo appropriato può essere una capacità, non una mancanza.

Per certificare una competenza occorre attribuire maggiore peso alle prove indipendenti e stabili, definite in rapporto al dominio. La prestazione assistita può costituire una certificazione distinta della capacità congiunta. Separare i due attestati protegge sia il valore dell’AI sia il significato della qualifica: una persona può essere eccellente nel sistema persona–AI e avere ancora bisogno di consolidare alcune funzioni autonome.

11.10 Usare il Q3P nelle organizzazioni

Un’organizzazione ha bisogno di misurare due beni diversi. Il primo è la capacità congiunta di produrre valore con l’AI. Il secondo è la capacità di riserva umana necessaria per giudicare, innovare, formare altri e mantenere continuità quando il sistema fallisce o il contesto cambia. Massimizzare il primo può erodere il secondo; proteggerli entrambi richiede renderli visibili.

Il trasferimento sul lavoro dipende da motivazione, opportunità d’uso, sostegno dei supervisori e ambiente. La meta-analisi di Blume e colleghi, basata su 89 studi, mostra relazioni fra trasferimento, caratteristiche delle persone, interventi e contesto, oltre a effetti della modalità di misurazione (Blume et al., 2010). [RR] Una prova riuscita a fine corso non garantisce che la capacità entri nelle pratiche, nei ruoli e nei flussi reali.

L’unità di analisi deve potersi spostare. Alcune capacità devono risiedere in ogni persona; altre possono essere distribuite nel team. L’organizzazione può accettare che nessuno possieda individualmente l’intero processo, purché responsabilità, ridondanza e coordinamento siano adeguati. Le prove di continuità devono allora osservare il gruppo, le interfacce e la possibilità di ricostruire la decisione.

Il Q3P può accompagnare l’introduzione dell’AI in quattro momenti. Prima misura baseline e differenze di esperienza. Durante il pilot osserva qualità congiunta e processi di affidamento. Dopo l’adozione verifica apprendimento, trasferimento ed equità. A distanza controlla capacità critica, dipendenza, incidenti, mentoring e continuità. La sequenza trasforma un progetto tecnologico in un esperimento organizzativo deliberato. [IT]

Gli indicatori vanno letti insieme. Un aumento della produttività con stabilità della prova autonoma segnala potenziamento senza perdita osservabile. Un aumento assistito accompagnato da caduta differita suggerisce sostituzione o pratica insufficiente. Una prestazione autonoma stabile con scarso uso dell’AI può indicare disuso, bassa qualità dello strumento o incentivi incoerenti. Il profilo conduce a decisioni diverse.

11.11 Un cruscotto che conserva le differenze

Il cruscotto minimo del Q3P presenta indicatori collegati e mantiene leggibile il loro soggetto. I dati individuali sostengono feedback e fading; le aggregazioni di team orientano organizzazione e supporto; il livello istituzionale osserva distribuzione, capacità critica e rischio. Passare da un livello all’altro richiede regole di privacy, numerosità adeguate e interpretazioni coerenti. [IT]

Ogni indicatore deve mostrare denominatore, intervallo temporale, famiglia di compiti, versione dell’AI e incertezza. Un valore privo di questi elementi diventa rapidamente un segnale decorativo. Le soglie possono essere inizialmente provvisorie, fondate su giudizio esperto e baseline; con l’accumulo di dati vengono ricalibrate rispetto a esiti reali e conseguenze.

Il cruscotto deve permettere di scendere dal numero alla traccia. Un calo nel trasferimento conduce ai tipi di compito, agli errori, ai gruppi e alle modalità di assistenza. Un problema di affidamento conduce alle raccomandazioni accettate o respinte. Questa possibilità di interrogazione protegge dall’uso rituale delle metriche e rende la misura parte dell’apprendimento organizzativo.

Le metriche modificano il comportamento. Se si premia soltanto il tempo, crescerà la delega; se si premia soltanto la prova autonoma, le persone potrebbero evitare strumenti utili. Il Q3P mantiene obiettivi plurali e stabilisce vincoli: qualità e produttività, apprendimento e sicurezza, uso dell’AI e capacità di arresto. La governance decide i trade-off e li rende discutibili.

La misura resta un sistema di ipotesi. Nuovi modelli, compiti e popolazioni possono cambiare l’equivalenza delle prove e il significato degli indicatori. Audit periodici, analisi delle conseguenze e partecipazione di chi svolge il lavoro permettono di correggere il quadro. La maturità consiste nel rendere le misure revisionabili senza renderle arbitrarie.

11.12 Dal dato alla decisione

Il Q3P termina dove comincia la responsabilità. Una misura può indicare che la capacità stabile è sotto la soglia, ma la risposta può essere ulteriore pratica, riprogettazione dell’interfaccia, modifica del compito, supervisione o scelta di mantenere l’AI come componente necessaria. Il dato restringe l’incertezza; la decisione integra rischio, valori, costi e strategia.

Per ogni uso conviene definire in anticipo una regola. Se la prestazione assistita cresce e l’apprendimento iniziale resta stabile, si prosegue e si osserva il follow-up. Se la capacità stabile scende in una funzione critica, si reintroduce il supporto, si riapre il fading e si rafforzano prove e ridondanza. Se l’errore si concentra in un gruppo, si sospende l’inferenza comparativa e si indagano accesso, compiti e bias della misura. Le regole evitano che gli stessi dati vengano interpretati opportunisticamente.

La decisione deve conservare una via di contestazione. Chi viene valutato può conoscere costrutto, criteri, condizioni di assistenza e uso previsto; può segnalare un compito non rappresentativo o una traccia errata. Nelle organizzazioni questa trasparenza aumenta la qualità dei dati perché trasforma i lavoratori da oggetti di misurazione a osservatori del sistema.

Oltre la qualità dell’output significa infine oltre la fascinazione del presente. Il prodotto mostra ciò che il sistema riesce a fare adesso. Le Tre prove chiedono che cosa sta diventando la persona, che cosa sta imparando il gruppo e quale futuro di capacità l’organizzazione sta costruendo. Misurare questa traiettoria permette di usare l’AI per guadagnare tempo senza perdere la possibilità di abitarlo con giudizio.

Protocollo operativo per applicare il Q3P

Nominare il soggetto. Stiamo misurando la persona, il gruppo, il sistema persona–AI o l’organizzazione?

Scrivere l’argomento di misura. Quale interpretazione ricaveremo e quale decisione dovrà sostenere?

Definire la capacità. Quali funzioni, criteri, limiti ed errori critici la compongono?

Mappare la famiglia di compiti. Quali routine, variazioni, eccezioni e livelli di rischio devono essere campionati?

Costruire la baseline. Quale prova indipendente descrive il punto di partenza con una forma equivalente?

Specificare l’assistenza. Quali funzioni dell’AI sono disponibili, quando e dopo quale contributo umano?

Raccogliere la Prova 1. Qualità del prodotto, processo, affidamento, carico ed escalation sono osservabili?

Raccogliere la Prova 2. Quale compito indipendente e variato mostra l’apprendimento iniziale?

Raccogliere la Prova 3. Dopo quale intervallo e attraverso quale distanza verificheremo la capacità stabile?

Calibrare la rubrica. I criteri sono osservabili, i valutatori concordano e gli errori critici restano visibili?

Leggere il profilo. Dove divergono uplift assistito, guadagno iniziale, trasferimento, fiducia e recupero?

Verificare l’equità. Benefici, errori e opportunità di apprendimento sono distribuiti in modo differente?

Collegare misura e azione. Quale evidenza autorizza fading, nuova pratica, certificazione, escalation o riprogettazione?

Rivedere il sistema. Quando cambiano modello, compiti o popolazione, quali assunzioni devono essere validate di nuovo?

Domande di passaggio

Un output eccellente viene attribuito alla configurazione che lo ha realmente prodotto?

La prova misura il costrutto dichiarato oppure la capacità di ottenere aiuto dal sistema?

Le tre prove differiscono in modo interpretabile per assistenza, tempo e variazione?

La famiglia di compiti rappresenta l’uso reale e le sue eccezioni?

I punteggi separano risultato, strategia, controllo e recupero dall’errore?

Le forme sono abbastanza equivalenti da rendere leggibili i confronti?

Il divario di dipendenza è interpretato rispetto al ruolo futuro dell’AI e al rischio?

La ricerca riporta outcome indipendenti, eterogeneità e uso effettivo dell’assistenza?

La formazione usa le evidenze per decidere fading e pratica successiva?

L’organizzazione misura insieme capacità congiunta e capacità di riserva umana?

Il cruscotto permette di risalire dagli indicatori alle tracce che li hanno prodotti?

Le soglie conducono ad azioni esplicite, contestabili e revisionabili?

Capitolo 12. Il protocollo di progettazione capacitante

12.1 Dalla disponibilità tecnica alla possibilità umana

Una tecnologia offre funzioni; un progetto decide che cosa quelle funzioni faranno alle attività e alle persone. La stessa capacità generativa può diventare scorciatoia, tutor, simulatore, memoria esterna, revisore o infrastruttura di controllo. Il valore educativo e organizzativo nasce dalla configurazione. L’oggetto della progettazione è quindi la relazione fra persona, AI, compito, fonti, tempo, responsabilità e ambiente.

La parola “capacitante” indica una direzione precisa. Un sistema è capacitante quando amplia la possibilità reale di comprendere, decidere, agire, contestare, cooperare e continuare ad apprendere. Il riferimento al capability approach richiede prudenza: una prestazione osservata è un funzionamento, mentre la capacità riguarda l’insieme delle opportunità sostanziali disponibili alla persona (Robeyns, 2017). In questa guida il termine viene applicato alla progettazione cognitiva e professionale senza ridurre la più ampia teoria normativa a una tecnica didattica.

L’efficienza rimane parte del progetto. Liberare tempo, ridurre errori e rendere accessibili conoscenze rare sono risultati importanti. Il problema emerge quando il progetto registra soltanto il prodotto e lascia implicito ciò che accade alle capacità. Il PPC-AI aggiunge una seconda contabilità: insieme al valore realizzato osserva quali operazioni vengono esercitate, quali criteri si formano e quale capacità di riserva umana resta disponibile.

Questa doppia contabilità evita due estremi. Un progetto può conservare ogni passaggio umano e rinunciare a benefici reali; può anche automatizzare tutto ciò che appare tecnicamente delegabile e consumare la traiettoria attraverso cui nasceranno gli esperti. La decisione matura seleziona. Delega le operazioni a basso valore formativo e alta verificabilità, protegge quelle che costruiscono rappresentazioni e giudizio, ridisegna le altre come collaborazione.

Il protocollo non garantisce da solo l’esito. Offre una grammatica comune a progettisti della formazione, responsabili organizzativi, professionisti, tecnologi, lavoratori e ricercatori. Permette di rendere discutibili assunzioni che altrimenti rimarrebbero incorporate nell’interfaccia: chi formula il problema, chi vede le alternative, chi controlla le fonti, chi decide quando il risultato è sufficiente e chi sa continuare se l’AI scompare.

12.2 Il protocollo come ciclo con quattro gate

Il PPC-AI comprende dieci passaggi, numerati da zero a nove. La numerazione rende la sequenza applicabile; il lavoro reale resta iterativo. Una mappa delle operazioni può costringere a ridefinire la capacità bersaglio. Una prova autonoma debole può modificare l’allocazione. Un incidente può spostare il caso in una zona di rischio più alta. Tornare indietro costituisce apprendimento progettuale, non deviazione.

Quattro gate impediscono alla sequenza di trasformarsi in compilazione burocratica. Il Gate A segue la definizione della capacità e chiede se il costrutto è abbastanza chiaro da guidare scelte. Il Gate B segue l’allocazione e verifica responsabilità, capacità di riserva umana e rischi. Il Gate C precede il pilot e controlla interazione, escalation, fading e misura. Il Gate D usa i risultati per decidere se scalare, modificare, confinare o abbandonare.

Ogni gate richiede un proprietario della decisione e conserva il dissenso. Il gruppo che sviluppa la soluzione può proporre evidenze; chi risponde delle conseguenze deve poter sospendere. Nei progetti ad alto impatto servono competenze indipendenti e rappresentanza delle persone esposte agli esiti. Il controllo non può essere interamente affidato allo stesso sistema di incentivi che premia rapidità e adozione.

La sequenza completa è mostrata nella tabella. Gli artefatti sono tracce minime, non documenti ornamentali. Ciascuno deve ridurre un’incertezza progettuale e condurre a una decisione. Se un campo non modifica alcuna scelta, va eliminato; se una scelta importante resta senza campo, il protocollo va ampliato.

12.3 Passaggio 0. Mandato, destinatari e confini

Il protocollo comincia prima della soluzione. Il mandato descrive il problema osservabile, le persone coinvolte, il valore atteso e la ragione per cui l’AI viene presa in considerazione. “Introdurre un assistente generativo” è una soluzione in cerca di scopo. “Ridurre il tempo di analisi conservando la capacità di verificare evidenze e formulare raccomandazioni autonome” è un mandato progettuale.

Occorre distinguere destinatario, utilizzatore, beneficiario e soggetto esposto al rischio. In una politica pubblica possono essere persone diverse. Chi usa l’interfaccia può ottenere efficienza, mentre un cittadino subisce la decisione; chi finanzia la formazione può osservare produttività, mentre il lavoratore porta il rischio di dequalificazione. La mappa degli stakeholder rende visibili benefici e costi distribuiti.

Il caso viene collocato nelle zone verde, ambra o rossa del Capitolo 10 considerando impatto, rilevabilità, reversibilità e tempo. La zona iniziale determina la profondità delle garanzie, la possibilità di usare errori didattici e il grado di indipendenza della verifica. Durante il progetto la classificazione può cambiare, soprattutto quando un prototipo entra nel flusso operativo.

Il passaggio zero produce anche una lista di esclusioni. Quali decisioni restano fuori dal sistema? Quali dati non possono essere utilizzati? Quali gruppi richiedono protezioni aggiuntive? Quale soglia interrompe l’esperimento? NIST propone di gestire i rischi della GenAI lungo l’intero ciclo e in relazione al contesto d’uso, includendo confabulazione, integrità dell’informazione e interazione persona–sistema (National Institute of Standards and Technology, 2024). [IT]

L’uscita dal passaggio è un mandato breve, comprensibile da chi svolge il lavoro. Contiene bisogno, capacità da proteggere, beneficio atteso, soggetti, rischio e responsabile. Se questi elementi restano controversi, il progetto continua come esplorazione e rinvia le decisioni irreversibili.

12.4 Passaggio 1. Il contratto di capacità

La capacità bersaglio descrive che cosa dovrà diventare possibile. Usa verbi osservabili e condizioni: diagnosticare, decidere, progettare, spiegare, verificare, riparare o coordinare, su una famiglia di casi e con determinati limiti. “Conoscere il tema” lascia incerto che cosa misurare; “distinguere evidenze robuste da affermazioni plausibili e formulare una raccomandazione contestabile” orienta compiti, interazione e prove.

Il contratto nomina il soggetto. Alcune capacità devono risiedere nella persona; altre nel gruppo; altre ancora nel sistema congiunto. Dichiarare il soggetto impedisce di attribuire al lavoratore una prestazione prodotta dall’intera configurazione e, allo stesso tempo, riconosce che molte attività contemporanee sono legittimamente distribuite.

La capacità viene articolata in risultato, rappresentazione, strategia, controllo epistemico e recupero dall’errore. Include criteri di sufficienza, eccezioni, errori critici e soglie di escalation. Aggiunge una frase prospettica: per quanto tempo, in quali contesti e sotto quale livello di assistenza dovrà restare disponibile? Questa frase prepara già le Tre prove.

Il contratto distingue le capacità da preservare, quelle da sviluppare e quelle che possono migrare stabilmente verso la tecnologia. La terza categoria evita una difesa indiscriminata della fatica. Se un’operazione è ripetitiva, verificabile e povera di apprendimento utile, la delega può liberare risorse. Il tempo guadagnato deve però avere una destinazione, altrimenti verrà riassorbito dal volume di lavoro.

Il Gate A chiede se esistono esempi e controesempi sufficienti. Sappiamo riconoscere una buona prestazione? Sappiamo descrivere un errore grave? Conosciamo almeno una variazione che richiede trasferimento? Se la risposta è fragile, si raccolgono casi reali con professionisti e destinatari prima di progettare l’interazione.

12.5 Passaggi 2 e 3. Profilo iniziale e mappa delle operazioni

La stessa architettura produce effetti differenti su principianti, intermedi ed esperti. Il profilo iniziale raccoglie una baseline indipendente, esperienza nel dominio, strategie, fiducia, familiarità con l’AI e condizioni d’uso. Evita etichette globali. Una persona può essere esperta nel contenuto e principiante nella verifica di output generativi; può conoscere la procedura e avere scarsa esperienza delle eccezioni.

La baseline usa un compito rappresentativo e osserva sia risultato sia processo. Chiede una prima rappresentazione, una scelta, una ragione e una stima di fiducia. Nei contesti organizzativi integra evidenze già disponibili: incidenti, revisioni, tempi, richieste di aiuto e differenze fra casi. La diagnosi iniziale determina quantità di guida e velocità del fading.

La mappa delle operazioni scompone il lavoro senza frantumarne il senso. Parte da un caso intero e identifica ciò che accade per produrre e governare il risultato: comprendere il mandato, acquisire informazioni, costruire una rappresentazione, generare ipotesi, selezionare un criterio, eseguire, verificare, comunicare, monitorare conseguenze e apprendere dal ritorno del mondo.

Il modello di Parasuraman, Sheridan e Wickens distingue acquisizione dell’informazione, analisi, selezione della decisione e implementazione dell’azione, mostrando che l’automazione può assumere livelli diversi in funzioni diverse (Parasuraman et al., 2000). Il PPC-AI amplia la mappa con operazioni formative ed epistemiche: generare prima di vedere, spiegare, contestare, chiedere aiuto, recuperare e riconoscere le condizioni di arresto.

Per ogni operazione si annotano frequenza, difficoltà, conseguenza dell’errore, verificabilità, reversibilità, conoscenza tacita, valore formativo e relazione con le operazioni successive. Un passaggio apparentemente semplice può avere alto valore perché espone a casi e segnali che alimentano il giudizio futuro. Automatizzarlo modifica la traiettoria anche quando il prodotto corrente migliora.

La mappa deve includere eccezioni e riparazioni. Molti workflow descrivono il percorso ideale e omettono il momento in cui un dato manca, una fonte contraddice l’altra o il cliente reagisce in modo inatteso. Proprio queste deviazioni costruiscono expertise. Renderle visibili permette di conservarle come simulazioni, casi contrastivi o responsabilità umane anche quando la routine viene delegata.

12.6 Passaggio 4. Allocare operazioni, responsabilità ed esperienza

L’allocazione risponde a tre domande diverse. Chi esegue l’operazione? Chi decide se il risultato è adeguato? Chi risponde delle conseguenze? Collocare una persona “nel ciclo” senza specificare queste funzioni può produrre supervisione nominale. Il controllo reale richiede tempo, informazione, autorità e competenza per contestare.

L’AI può acquisire, proporre, eseguire, confrontare, monitorare o spiegare. La persona può generare, scegliere, verificare, integrare, autorizzare o arrestare. Fra esecuzione interamente umana e automazione completa esistono regimi differenti. La tabella li presenta come configurazioni, non come scala evolutiva: il livello più automatizzato acquista valore soltanto quando è coerente con il caso.

I criteri di allocazione devono essere letti insieme. Alta verificabilità favorisce la delega; alto valore formativo invita a mantenere una generazione umana o a ricreare l’esperienza altrove. Conseguenze elevate richiedono titolarità, verifica indipendente o automazione vincolata. Scarsa rilevabilità dell’errore e forte dipendenza contestuale riducono la prudenza della delega, anche quando il modello appare accurato in media.

L’allocazione è temporale. Un principiante può ricevere un esempio completo, passare a hint e infine assumere pianificazione e controllo. Un esperto può delegare routine e conservare casi ambigui, verifica e mentoring. La stessa operazione può quindi migrare fra persona e AI durante l’apprendimento. Il piano deve rendere visibile questa traiettoria.

Il Gate B verifica il doppio patrimonio del Capitolo 11. La configurazione sa produrre valore oggi? Rimane una capacità di riserva umana sufficiente a controllare, innovare, formare altri e funzionare in condizioni degradate? Se una funzione critica risiede in un solo modello o in pochi esperti prossimi all’uscita, il progetto contiene un rischio di capacità anche quando la produttività cresce.

12.7 Passaggio 5. Disegnare prima, durante e dopo

L’interazione trasforma l’allocazione in esperienza. Prima dell’AI la persona produce ciò che permette apprendimento e diagnosi: una previsione, una prima rappresentazione, un tentativo, un recupero o un criterio. La richiesta viene calibrata sul profilo. Per un principiante può bastare riconoscere elementi e anticipare un passo; per un esperto può consistere nel formulare ipotesi e condizioni di confine.

Durante l’AI il sistema agisce come tutor contingente, strumento o collaboratore secondo il contratto. Osserva una traccia, dichiara l’incertezza della diagnosi, offre il minimo intervento sufficiente e restituisce l’iniziativa. Le linee guida di Amershi e colleghi richiamano la necessità di rendere chiaro ciò che il sistema può fare, sostenere correzione e controllo, mostrare informazione contestuale e adattarsi nel tempo (Amershi et al., 2019). In un progetto capacitante queste qualità servono anche a preservare l’apprendimento.

Dopo l’AI l’output viene chiuso o reso meno disponibile. La persona ricostruisce il principio, applica il criterio a una variazione, confronta la propria traccia e affronta una prova successiva. L’alternanza fra assistenza e recupero converte la collaborazione in disponibilità autonoma. Il sistema rientra quando l’evidenza mostra un blocco, poi si ritira di nuovo.

La progettazione di compiti complessi beneficia di attività intere, informazioni di supporto, informazioni procedurali fornite quando servono e pratica mirata delle componenti ricorrenti. Il modello 4C/ID organizza questi elementi per sostenere integrazione e trasferimento (van Merriënboer et al., 2025). Il PPC-AI aggiunge la decisione su quali componenti saranno svolte, insegnate o sorvegliate dall’AI.

I principi di Merrill collegano apprendimento a problemi autentici, attivazione di conoscenze precedenti, dimostrazione, applicazione e integrazione nel mondo del discente (Merrill, 2002). L’AI può sostenere ciascuna fase; può anche anticiparla. Lo script deve quindi specificare chi attiva, chi dimostra, chi applica e chi integra. Una dimostrazione generativa diventa capacitante quando prepara un’azione della persona, non quando conclude il compito.

Lo script registra soglie. Dopo quanti tentativi arriva un hint? Quale errore richiede spiegazione diretta? Quando una simulazione viene fermata? Quale traccia autorizza il passaggio a un caso più distante? Le soglie possono essere inizialmente esperte e poi aggiornate con i dati del pilot. Restano comprensibili e contestabili.

12.8 Passaggio 6. Incorporare il controllo epistemico

Il controllo epistemico entra nell’architettura prima dell’errore. Per ogni affermazione o decisione rilevante il progetto stabilisce provenienza, verifica minima, fonte indipendente, soglia di escalation e responsabile. La fluidità dell’output smette di funzionare come garanzia implicita. L’interfaccia rende controllabile ciò che conta invece di aggiungere spiegazioni indistinte.

Nelle zone verdi il sistema può generare errori o alternative per allenare discriminazione. Nelle zone ambra conserva pause, confronto fra fonti e seconda verifica. Nelle zone rosse l’output generativo non attiva da solo l’azione e la decisione passa attraverso standard del dominio, strumenti validati e responsabilità autorizzate. Il rischio governa la profondità del controllo.

La contestazione viene progettata come percorso. La persona può isolare la raccomandazione, vedere dati e assunzioni, proporre un’alternativa, conoscere la condizione che invertirebbe la scelta e registrare un override. Se il dissenso richiede un lavoro sproporzionato o produce penalità, l’autorità umana resta formale.

Il sistema deve anche fallire in modo leggibile. Ammettere insufficienza, chiedere dati, mostrare l’area di validità e indirizzare verso una fonte sono comportamenti progettuali. Una risposta sempre completa insegna che ogni domanda possiede una soluzione disponibile. Una buona architettura conserva il valore epistemico dell’attesa, dell’incertezza e dell’arresto.

Il controllo diventa materiale formativo attraverso casi confinati. La persona identifica il primo passaggio debole, verifica, corregge e affronta un caso nuovo con lo stesso tipo di guasto. La correzione entra poi nella base di conoscenza e nelle regole del sistema. L’incidente produce così apprendimento individuale e organizzativo.

12.9 Passaggio 7. Progettare fading, ripristino e continuità

Il fading viene scritto prima del pilot. Se l’assistenza funziona, quali operazioni torneranno alla persona? Quali segnali mostreranno prontezza? Quale aiuto resterà accessibile? La revisione sullo scaffolding identifica contingenza, fading e trasferimento della responsabilità come proprietà connesse (van de Pol et al., 2010). Togliere supporto senza leggere la prestazione realizza soltanto una sottrazione.

Il piano procede per funzioni. La persona assume la formulazione del problema, poi la scelta della strategia, quindi il controllo e il criterio di arresto; oppure segue un ordine diverso coerente con il dominio. Ritirare una funzione per volta rende interpretabile l’eventuale caduta. La qualità deve essere osservata su più occasioni e casi.

Il fading conserva una via di ripristino. Nuova complessità, lunga interruzione, errore ad alta fiducia o aumento del rischio possono far tornare un esempio, una checklist, un tutor o una supervisione esperta. Il sostegno temporaneo protegge la capacità se restituisce nuovamente l’iniziativa e conduce a una prova indipendente.

La continuità richiede scenari degradati. Che cosa accade se il modello è indisponibile, cambia comportamento, perde accesso alle fonti o fornisce una raccomandazione errata? Un sistema umano–AI maturo sa rallentare, passare a procedure alternative, ricostruire la provenienza e riconoscere ciò che in quelle condizioni non può essere fatto in sicurezza.

La fiducia appropriata riguarda il caso, non una reputazione generale del sistema. Lee e See descrivono l’affidamento appropriato come corrispondenza fra fiducia e capacità dell’automazione nel contesto (Lee & See, 2004). Le prove di continuità verificano questa corrispondenza quando il comportamento atteso viene meno.

12.10 Passaggio 8. Misurare con le Tre prove

Il piano di misura viene definito insieme all’interazione. La Prova 1 osserva il sistema persona–AI nella configurazione prevista: qualità, tempo, processo, affidamento e carico. La Prova 2 ritira l’assistenza e usa un compito equivalente per misurare apprendimento iniziale. La Prova 3 aggiunge distanza temporale, trasferimento e casi nuovi per cercare capacità stabile.

Le prove usano una rubrica coerente con il contratto di capacità. Separano prodotto, rappresentazione, strategia, controllo epistemico e recupero dall’errore. Registrano fiducia e richiesta di aiuto. Mantengono visibili gli errori critici che un punteggio medio potrebbe compensare. Il Q3P del Capitolo 11 fornisce la struttura completa.

Il protocollo collega in anticipo pattern e decisioni. Uplift assistito alto con prova autonoma stabile autorizza una fase più ampia. Uplift alto e caduta indipendente richiedono riprogettazione dell’interazione o una scelta esplicita di dipendenza governata. Scarso beneficio assistito con alto carico invita a semplificare o abbandonare. Esiti differenti fra gruppi sospendono la generalizzazione e aprono un’indagine sull’equità.

La validità riguarda l’interpretazione e l’uso dei punteggi. Kane ricorda che occorre esplicitare le inferenze e le assunzioni che collegano risposte, punteggi e decisioni (Kane, 2013). [IT] Nel PPC-AI ogni gate contiene quindi una frase: quale evidenza autorizza questa scelta e in quali condizioni cesserebbe di autorizzarla?

La misura include conseguenze inattese. Le persone aggirano il tentativo iniziale? Evitano di chiedere aiuto per apparire autonome? Usano l’AI fuori dalla prova? Il tempo liberato diventa pratica, lavoro aggiuntivo o attesa? Questi comportamenti mostrano come il protocollo interagisce con incentivi e cultura. Sono parte del risultato, non rumore periferico.

12.11 Passaggio 9. Pilotare come sistema sociotecnico

Il pilot deve essere abbastanza piccolo da poter cambiare e abbastanza reale da esporre le interdipendenze. Include casi ordinari, eccezioni e almeno uno scenario di errore o indisponibilità. Coinvolge chi svolge il lavoro, chi riceve il risultato, chi governa tecnologia e dati, chi forma e chi risponde delle conseguenze. La progettazione capacitante è transdisciplinare perché il problema attraversa competenze e interessi.

La formazione funziona quando caratteristiche delle persone, pratica, feedback e ambiente di trasferimento sono allineati (Salas et al., 2012). Per questo il pilot osserva anche carichi, incentivi, tempo disponibile, supporto dei responsabili e possibilità di usare davvero la capacità. Un eccellente percorso seguito da un’organizzazione che premia soltanto velocità produrrà poca autonomia.

Il rapporto di pilot separa fatti, interpretazioni e decisioni. Riporta versione del modello, configurazione, popolazione, compiti, assistenza effettivamente usata, risultati delle Tre prove, eterogeneità, incidenti e limiti. Conserva una storia delle revisioni. Quando il sistema cambia, alcune evidenze decadono e devono essere aggiornate.

Il Gate D decide fra quattro esiti. Scalare quando valore, capacità e garanzie convergono. Modificare quando il meccanismo è promettente ma una prova fallisce. Confinare quando il beneficio esiste soltanto in una zona o popolazione. Abbandonare quando il valore è debole, il rischio eccessivo o l’architettura consuma capacità che l’organizzazione considera strategiche.

La decisione di abbandonare è parte della maturità. I costi sommersi e la pressione simbolica verso l’adozione possono prolungare soluzioni mediocri. Un protocollo serio stabilisce prima quali evidenze giustificano l’uscita. Anche il rifiuto di una tecnologia produce conoscenza riutilizzabile sui compiti, sulle capacità e sulle condizioni organizzative.

12.12 Un caso applicato: analizzare una misura di politica del lavoro

Consideriamo un gruppo di giovani analisti incaricato di valutare una misura di politica attiva del lavoro e preparare una raccomandazione per il decisore. L’AI può accelerare ricerca, estrazione, confronto e scrittura. La capacità bersaglio riguarda però la possibilità di formulare una domanda valutativa, distinguere evidenza e interpretazione, riconoscere limiti dei dati, confrontare opzioni e difendere una raccomandazione contestabile.

La mappa delle operazioni comprende chiarimento del mandato, teoria del cambiamento, ricerca delle fonti, verifica della provenienza, estrazione dei risultati, valutazione del disegno, confronto fra popolazioni, costruzione di alternative, stima degli effetti distributivi, formulazione della raccomandazione e comunicazione dell’incertezza. Gli errori critici includono citazioni inventate, causalità attribuita a studi descrittivi, popolazioni non comparabili e omissione di effetti su gruppi vulnerabili.

L’allocazione assegna alla persona la domanda, i criteri, la valutazione causale, i trade-off e la decisione. L’AI sostiene ricerca iniziale, organizzazione dei materiali, estrazione controllata, generazione di controipotesi e revisione linguistica. Ogni fonte decisiva viene reperita e letta nell’originale. La raccomandazione conserva un proprietario umano e una condizione esplicita che la farebbe cambiare.

Prima dell’AI l’analista formula teoria del cambiamento, ipotesi e criteri. Durante l’interazione il sistema propone studi, chiede quali disegni potrebbero identificare l’effetto, offre casi contrastivi e segnala lacune. Dopo l’AI la persona ricostruisce la catena evidenza–inferenza–decisione, valuta un nuovo studio senza assistenza e affronta una simulazione in cui una fonte autorevole contiene un risultato non trasferibile.

Il fading ritira prima la sintesi, poi la selezione delle evidenze e infine le domande diagnostiche, mantenendo accessibili ricerca e verifica. La Prova 1 valuta il dossier assistito. La Prova 2 chiede di analizzare un caso equivalente senza AI. La Prova 3, dopo alcune settimane, introduce una politica diversa, dati incompleti e una pressione temporale. [IT] Osserva trasferimento, fiducia, contestazione e arresto.

Il pilot può mostrare quattro configurazioni. Se dossier e prove autonome migliorano, l’AI sta contribuendo alla capacità. Se migliora soltanto il dossier, il sistema produce valore presente con un costo formativo da correggere o accettare consapevolmente. Se le prove autonome migliorano e il dossier resta fragile, l’interazione insegna ma il workflow operativo va riprogettato. Se entrambi peggiorano, l’adozione manca del proprio fondamento.

L’esempio mostra perché il protocollo parte dalla capacità e arriva alla tecnologia soltanto dopo. La domanda non è quale modello inserire nel processo, ma quale architettura permetta al gruppo di produrre analisi migliori e diventare più capace di governare evidenze, incertezza e conseguenze.

12.13 La scheda minima del PPC-AI

Un progetto circoscritto può applicare il protocollo in una scheda di due pagine. La sintesi conserva dieci campi: mandato; capacità bersaglio; soggetto della capacità; profilo iniziale; operazioni critiche; allocazione; script prima–durante–dopo; controllo epistemico; piano di fading; Tre prove e regole decisionali. In allegato rimangono casi, rubriche, fonti e log del pilot.

La scheda minima funziona quando ogni campo contiene una scelta verificabile. “L’umano controlla” è troppo generico. “L’analista verifica le tre affermazioni che sostengono la raccomandazione su fonti primarie e registra la ragione dell’override” descrive un comportamento. “Il supporto verrà ridotto” è un’intenzione. “Dopo due casi corretti e spiegati, la selezione della strategia passa alla persona” è una regola.

Per programmi estesi la scheda diventa un registro di versioni. Ogni cambiamento del modello, della popolazione o del compito aggiorna le assunzioni interessate. Gli incidenti alimentano nuovi casi. Le differenze fra gruppi modificano accessibilità e supporto. Il protocollo resta vivo perché collega progettazione, misura e apprendimento organizzativo.

La responsabilità finale appartiene a una governance identificata. Il proprietario della capacità decide che cosa deve restare; il proprietario del processo assicura l’integrazione; chi governa rischio e dati definisce barriere; formatori e professionisti progettano esperienza e fading; i destinatari contribuiscono a criteri e conseguenze. La tecnologia entra in una costituzione del lavoro, non in uno spazio vuoto.

Il PPC-AI riunisce così l’intero percorso della guida. Distingue prestazione e apprendimento, seleziona la fatica formativa, osserva le Tre prove, calibra per esperienza, organizza generazione, tutoraggio e recupero, controlla l’errore e misura la capacità. La sequenza conserva una domanda generatrice: che cosa deve restare nella persona quando l’assistenza si ritira, cambia o fallisce?

Protocollo operativo PPC-AI

Mandato. Quale problema osservabile affrontiamo, per chi, con quale valore atteso e sotto quale zona di rischio?

Capacità bersaglio. Che cosa dovrà restare disponibile, a quale soggetto, su quali casi e per quanto tempo?

Profilo iniziale. Quali prestazioni, strategie, esperienze, livelli di fiducia e condizioni descrivono il punto di partenza?

Mappa delle operazioni. Quali passaggi generano il risultato, quali lo controllano e quali costruiscono esperienza?

Allocazione. Per ogni operazione, chi propone, decide, esegue, verifica, autorizza e risponde delle conseguenze?

Capacità di riserva umana. Quali funzioni devono rimanere esercitate per garantire giudizio, innovazione, mentoring e continuità?

Prima dell’AI. Quale previsione, tentativo, recupero o criterio produrrà la persona?

Durante l’AI. Quale feedback, domanda, hint, contrasto o simulazione rappresenta il minimo aiuto sufficiente?

Dopo l’AI. Quale ricostruzione, variazione e prova autonoma trasformeranno l’esperienza in disponibilità?

Controllo epistemico. Quali affermazioni richiedono fonti, verifica indipendente, contestazione ed escalation?

Fading. Quale funzione verrà ritirata, dopo quali evidenze e con quale possibilità di ripristino?

Continuità. Come funzionerà il sistema se l’AI è indisponibile, errata, degradata o fuori dominio?

Tre prove. Come misureremo prestazione assistita, apprendimento iniziale e capacità stabile?

Pilot. Quali casi, persone, eccezioni e conseguenze rendono la prova abbastanza reale e ancora modificabile?

Decisione. Quali evidenze autorizzano a scalare, modificare, confinare o abbandonare?

Domande di passaggio

Il progetto nasce da un bisogno e da una capacità oppure dalla disponibilità di uno strumento?

La capacità bersaglio nomina soggetto, famiglia di casi, criteri, limiti ed errori critici?

La mappa include controllo, eccezioni e riparazione oltre all’esecuzione ordinaria?

L’allocazione distingue chi esegue, chi decide e chi risponde?

Le operazioni delegate hanno basso valore formativo oppure l’esperienza viene ricreata altrove?

L’interazione produce tracce umane interpretabili prima di offrire assistenza?

Il sistema restituisce iniziativa dopo feedback, hint o spiegazione?

Le verifiche e le vie di contestazione sono praticabili sotto pressione reale?

Il fading trasferisce funzioni e responsabilità sulla base di evidenze?

Esiste una prova credibile di continuità in condizioni degradate?

Le Tre prove distinguono valore immediato, apprendimento e capacità stabile?

Il pilot osserva differenze fra persone, compiti e gruppi?

Il tempo liberato viene destinato a una scelta esplicita?

Il Gate D permette davvero di modificare o abbandonare la soluzione?

Capitolo 13. Organizzazioni che fanno crescere capacità

13.1 Dall’interazione all’ecologia delle capacità

Il protocollo del Capitolo 12 può rendere capacitante un incontro fra una persona, un compito e un sistema. La sua efficacia rimane però fragile se l’ambiente premia soltanto velocità, riduce il lavoro junior, tratta il mentoring come generosità privata e converte ogni minuto liberato in nuovo carico. L’interazione vive dentro un’organizzazione che assegna casi, definisce tempi, distribuisce autorità e decide che cosa conta come risultato.

L’unità di analisi deve quindi allargarsi. La capacità di una persona dipende dalle esperienze che le vengono affidate, dalla varietà dei problemi, dalla qualità del feedback, dalla possibilità di vedere professionisti esperti all’opera e dal diritto di assumere responsabilità progressive. La capacità del gruppo dipende dalla distribuzione di conoscenza e dalla possibilità di integrare prospettive diverse. Quella dell’organizzazione dipende dalla creazione, conservazione e circolazione del sapere attraverso persone, ruoli, pratiche, artefatti e relazioni (Argote & Miron-Spektor, 2011).

Questa ecologia produce un paradosso. Un’organizzazione può mostrare output migliori mentre indebolisce il processo che renderà possibili gli output futuri. Il risultato corrente aumenta grazie all’AI, gli esperti correggono in silenzio, i principianti ricevono prodotti già composti e il tempo di affiancamento scompare. Il bilancio economico registra efficienza; il bilancio delle capacità registra un consumo di capitale esperienziale.

Il rischio cresce lentamente e diventa visibile nei momenti di discontinuità: pensionamenti, turnover, cambio di modello, nuovi casi, incidente raro o indisponibilità del sistema. È allora che l’organizzazione scopre se possedeva una competenza oppure prendeva in prestito una prestazione. La progettazione organizzativa capacitante serve a riconoscere prima questa differenza.

13.2 Come l’esperienza diventa patrimonio organizzativo

Un’esperienza individuale diventa risorsa organizzativa quando attraversa più trasformazioni. La persona riconosce un segnale o formula un’intuizione; il gruppo la rende dicibile e discutibile; una pratica condivisa la integra nel lavoro; procedure, criteri, ruoli o strumenti la istituzionalizzano. Il modello delle 4I descrive questi passaggi come intuire, interpretare, integrare e istituzionalizzare, collegando individuo, gruppo e organizzazione (Crossan et al., 1999).

L’AI interviene in ogni passaggio. Può aiutare a ricordare casi, confrontare spiegazioni, rendere ricercabili decisioni e trasferire pratiche fra unità. Può anche offrire una risposta così presto da impedire la formazione dell’intuizione, sostituire il confronto nel gruppo o cristallizzare in una procedura un’interpretazione ancora debole. La velocità di istituzionalizzazione deve quindi essere proporzionata alla qualità dell’apprendimento che la precede.

La conoscenza esperta contiene una parte esplicita e una parte incorporata nella percezione. Il professionista vede configurazioni, anomalie e condizioni di confine che una procedura elenca soltanto in parte. Per trasferirle servono casi interi, narrazioni decisionali, osservazione, tentativi, contestazione e confronto con le conseguenze. Un archivio di prompt o di risposte conserva testi; una memoria organizzativa conserva anche provenienza, contesto, dissenso, esito e ragione del cambiamento.

Il ciclo completo richiede ritorno dal mondo. Le raccomandazioni devono essere collegate a ciò che è accaduto; gli incidenti a ciò che li ha resi possibili; gli override alle condizioni che li hanno giustificati. Senza feedback sugli esiti, persone e modelli imparano soprattutto a produrre forme convincenti. Con un ritorno strutturato, l’organizzazione può aggiornare criteri, simulazioni, allocazioni e prove.

13.3 La pressione produttiva e il debito di capacità

La pressione produttiva agisce come una forza selettiva. Quando tempi, budget e obiettivi premiano esclusivamente il prodotto immediato, sopravvivono le attività che chiudono il caso; preparazione, spiegazione, revisione tra pari e riflessione vengono compresse. L’AI amplifica questa dinamica perché rende tecnicamente possibile aumentare il volume. Il tempo liberato appare come capacità produttiva disponibile prima che qualcuno ne abbia deliberato l’uso.

March ha mostrato la tensione fra exploitation ed exploration: sfruttare ciò che già funziona produce ritorni più vicini e leggibili, mentre esplorare alimenta l’adattamento futuro con esiti più incerti (March, 1991). [IT] La riproduzione dell’expertise presenta la stessa asimmetria. Consegnare un documento oggi è misurabile; far crescere il giudizio che eviterà un errore fra tre anni è più difficile da attribuire. Se il sistema premia soltanto ciò che è vicino, l’organizzazione prende a prestito dal proprio futuro.

Possiamo chiamare debito di capacità l’accumulo di obbligazioni future generato quando l’efficienza corrente riduce pratica, varietà, mentoring o capacità di riserva oltre la soglia necessaria al rinnovo dell’expertise. Come ogni debito, può finanziare una transizione utile. Diventa pericoloso quando resta invisibile, manca un piano di rimborso e gli interessi emergono sotto forma di dipendenza, errori tardivi, colli di bottiglia negli esperti e lentezza nel gestire casi nuovi.

La risposta consiste in una doppia contabilità. Ogni progetto di produttività dichiara quale tempo libera e come viene redistribuito; registra insieme risultati correnti e variazioni della capacità. Una quota può diventare maggiore volume, una quota miglioramento, una quota apprendimento e una quota destinata alla manutenzione della capacità di riserva. La composizione dipende dal contesto, ma la scelta deve essere esplicita. Il tempo senza proprietario viene quasi sempre assorbito dall’urgenza.

13.4 Il lavoro junior come infrastruttura dell’expertise

Il lavoro junior produce due beni. Il primo è il contributo immediato, spesso modesto e bisognoso di revisione. Il secondo è la trasformazione di una persona che, attraversando casi progressivamente più complessi, costruisce rappresentazioni, velocità, criteri e identità professionale. Il secondo bene sostiene l’organizzazione futura, mentre i sistemi contabili lo vedono raramente.

Molte attività iniziali contengono routine delegabili e, insieme, esposizioni formative. Cercare fonti insegna quali fonti esistono. Preparare una prima analisi rende visibili le relazioni fra dati e decisioni. Controllare incongruenze costruisce un repertorio di anomalie. Automatizzare l’intera attività può migliorare il prodotto e rimuovere il sentiero attraverso cui maturava il giudizio. La scelta utile separa la parte ripetitiva dalla funzione formativa e ricrea quest’ultima intenzionalmente.

Le evidenze favorevoli all’AI mostrano che questa ricostruzione è possibile. Nel servizio clienti studiato da Brynjolfsson, Li e Raymond l’assistente generativo ha aumentato in media produttività e qualità, con guadagni maggiori per lavoratori meno esperti, e ha diffuso pratiche vicine a quelle degli operatori più capaci (Brynjolfsson et al., 2025). È una prova importante della funzione di democratizzazione dell’expertise. La misura riguarda soprattutto prestazione e alcuni segnali di apprendimento nel lavoro; per conoscere la disponibilità autonoma e stabile servono ancora le Prove 2 e 3. [PP]

Il lavoro di Beane sulle professioni che impiegano macchine intelligenti mostra come la distanza fra novizi ed esperti possa crescere quando la tecnologia riduce l’accesso dei primi al lavoro sostanziale e all’osservazione ravvicinata (Beane, 2019). L’organizzazione può reagire costruendo una scala di partecipazione. Il principiante produce prime rappresentazioni, osserva la revisione, affronta casi contrastivi, spiega decisioni, gestisce eccezioni delimitate e assume progressivamente la titolarità.

Una scala di expertise richiede gradini reali. Le simulazioni colmano alcuni vuoti, specialmente per casi rari o rischiosi, ma acquistano valore quando sono collegate a responsabilità autentiche e a feedback sulle conseguenze. Un percorso composto soltanto da esercizi protetti forma una capacità scolastica; uno composto soltanto da produzione assistita forma dipendenza. L’alternanza crea partecipazione crescente.

Fuller e Unwin distinguono ambienti di apprendimento espansivi e restrittivi. I primi offrono partecipazione ampia, accesso a comunità e conoscenze diverse, progressione e riconoscimento dell’identità di chi apprende; i secondi confinano la persona a compiti angusti e opportunità intermittenti (Fuller & Unwin, 2004). L’AI acquista significato dentro questa struttura. Lo stesso strumento può ampliare l’accesso ai casi in un ambiente espansivo e rendere ancora più periferico il principiante in uno restrittivo.

Le opportunità di esperienza devono essere distribuite. Se i casi difficili circolano sempre fra gli stessi esperti, il patrimonio si concentra. Se alcuni gruppi ricevono più feedback, visibilità e responsabilità, l’organizzazione riproduce gerarchie oltre che competenze. La qualità del lavoro junior va quindi letta anche come questione di equità delle possibilità professionali.

13.5 Mentoring: da virtù privata a funzione produttiva

Il mentoring trasferisce molto più di informazioni. Rende visibili criteri, apre accesso a reti e casi, sostiene identità, offre protezione durante l’assunzione di responsabilità e permette di interpretare errori senza ridurli a colpa. La meta-analisi di Allen e colleghi associa il mentoring a benefici di carriera oggettivi e soggettivi per i protégé, pur mostrando differenze fra forme e contesti (Allen et al., 2004). [RR]

Nelle organizzazioni il mentoring viene spesso collocato ai margini del lavoro. L’esperto dovrebbe formare altri dopo aver raggiunto gli stessi obiettivi di produzione individuale. Il tempo speso a spiegare appare come rallentamento; correggere in silenzio appare efficiente. Gli incentivi trasformano così il sapere tacito in un bene privato e rendono fragile la successione.

Trattare il mentoring come funzione produttiva significa assegnargli capacità, tempo e criteri. Il carico del mentore include preparazione dei casi, osservazione, feedback, affidamento progressivo e riflessione sugli esiti. La qualità si misura attraverso la crescita dell’autonomia del mentee, la varietà delle esperienze, la capacità di contestare e la distribuzione del sapere, oltre al numero di incontri.

L’AI può ampliare il raggio del mentore. Può preparare simulazioni, recuperare casi analoghi, confrontare tracce, suggerire domande diagnostiche e rendere disponibili spiegazioni iniziali. L’esperto conserva le funzioni ad alta contestualità: scegliere esperienze, leggere segnali deboli, attribuire responsabilità, interpretare l’errore e decidere quando aumentare la difficoltà. Il sistema diventa un moltiplicatore del mentoring quando libera tempo relazionale e rende migliore il feedback; diventa un sostituto impoverente quando separa il principiante dalla comunità di pratica.

La sicurezza psicologica sostiene questa architettura. I gruppi apprendono quando le persone possono ammettere dubbi, chiedere aiuto, segnalare errori e contestare assunzioni senza temere una penalità interpersonale sproporzionata (Edmondson, 1999). Con l’AI la questione si estende: deve essere legittimo mettere in discussione sia l’output del sistema sia la decisione organizzativa di usarlo.

13.6 Un’architettura del tempo

Il tempo è l’infrastruttura nascosta della capacità. Formazione e lavoro vengono spesso rappresentati come attività separate: prima si apprende, poi si produce. L’expertise cresce invece dentro un ritmo che alterna preparazione, azione, osservazione, feedback, recupero e nuova applicazione. L’organizzazione capacitante disegna questo ritmo nel calendario, nei carichi e nelle scadenze.

Quattro destinazioni del tempo devono restare distinguibili. Il tempo di prestazione produce il bene o il servizio. Il tempo di formazione costruisce schemi e abilità. Il tempo di riflessione trasforma esperienza in conoscenza condivisibile. Il tempo di continuità protegge margini per affrontare eccezioni, incidenti e transizioni e per esercitare la capacità di riserva. Una stessa attività può servire più funzioni, ma confonderle rende facile cancellare quelle con ritorno differito.

La quota appropriata varia per rischio, tasso di cambiamento, anzianità, complessità e disponibilità di esperti. Serve quindi una regola adattiva, più che una percentuale universale. Nei periodi di forte introduzione dell’AI aumenta il bisogno di osservazione e revisione; vicino a uscite concentrate aumenta il trasferimento; dopo incidenti cresce la pratica di recupero. Il budget del tempo deve seguire i segnali di capacità.

Proteggere il tempo significa anche ridurre il costo della pausa. Se ogni momento formativo produce arretrato personale, la protezione è nominale. Occorrono obiettivi di volume coerenti, coperture del servizio e responsabilità manageriali. La formazione trasferisce nel lavoro quando ambiente, supporto e opportunità di applicazione sono allineati (Salas et al., 2012).

13.7 Il bilancio organizzativo delle capacità

Le metriche orientano l’attenzione. Un’organizzazione che misura adozione dell’AI, tempo medio e quantità di output costruisce razionalmente comportamenti rivolti a quei risultati. Per governare la capacità serve un bilancio più ampio, capace di tenere insieme valore presente, formazione, qualità dell’esperienza, riproduzione, capacità di riserva ed equità.

Il bilancio delle capacità evita un indicatore unico. Ogni dimensione contiene misure di esito e di processo, lette per livello di esperienza, gruppo, compito e periodo. Le Tre prove entrano come nucleo della formazione; casi ed eccezioni descrivono l’esperienza; mentoring e progressione segnalano la riproduzione; prove in condizioni degradate osservano la capacità di riserva. Le medie vengono accompagnate da distribuzioni e soglie critiche.

Un indicatore sentinella può rendere visibile la dinamica di rinnovo. Il Tasso di riproduzione della capacità, TRC, rapporta in un orizzonte definito il numero di persone che raggiungono una soglia validata di capacità stabile al numero di persone capaci che si prevede diventino indisponibili nello stesso perimetro per pensionamento, turnover, trasferimento o altra uscita. Un valore inferiore a uno segnala erosione potenziale; un valore superiore a uno suggerisce ricambio quantitativo.

Il TRC richiede cautele. Persone e competenze possiedono qualità diverse; una testa in ingresso raramente equivale a una in uscita; la capacità può risiedere nel gruppo e alcune perdite risultano più critiche di altre. Per questo l’indicatore va calcolato per famiglie di capacità, ponderato per criticità e accompagnato da prove di qualità, distribuzione e continuità. Funziona come allarme, non come certificato di salute.

Il bilancio usa una logica stock–flussi. Lo stock comprende persone capaci, distribuzione dell’esperienza, memoria organizzativa e infrastrutture affidabili. I flussi in entrata includono assunzioni, apprendimenti, trasferimenti e rientri; quelli in uscita comprendono pensionamenti, turnover, obsolescenza, atrofia e concentrazione. L’AI agisce su entrambi: accelera apprendimento in alcune configurazioni e riduce esposizione in altre.

13.8 Incentivi: ciò che l’organizzazione rende conveniente

Le persone leggono l’organizzazione attraverso ciò che viene premiato sotto pressione. Una dichiarazione sulla crescita pesa meno di un obiettivo di consegna che rende costosa ogni spiegazione. Un programma di mentoring pesa meno di una valutazione individuale che attribuisce tutto il merito all’autore finale. La coerenza fra scopo, metriche e incentivi determina la cultura reale dell’apprendimento.

La tecnologia modifica autonomia, varietà delle abilità, feedback, relazioni e intensità del lavoro secondo le scelte di progettazione che l’accompagnano (Parker & Grote, 2022). Può liberare discrezionalità oppure aumentare monitoraggio e pressione. Gli algoritmi diventano inoltre un terreno di controllo e contestazione fra attori organizzativi, più che una componente neutrale del processo (Kellogg et al., 2020). Per questo gli incentivi vanno progettati insieme alla distribuzione di dati, autorità e possibilità di ricorso. [PP]

Gli incentivi capacitanti riconoscono almeno tre contributi. Produrre valore. Far crescere la capacità di altri. Migliorare il sistema attraverso casi, correzioni e conoscenza trasferibile. Il peso relativo dipende dal ruolo. Per un esperto con responsabilità di successione, la crescita degli altri deve entrare nella performance; per un manager, contano distribuzione dell’autonomia e capacità di riserva; per un junior, qualità delle spiegazioni e progressione valgono insieme all’output.

Le metriche richiedono coppie di guardrail. Alla velocità si affiancano qualità e rilavorazione. All’adozione si affiancano appropriatezza dell’uso e capacità autonoma. Al numero di persone formate si affiancano trasferimento e stabilità. Al tempo di mentoring si affianca la progressione dei mentee. La coppia riduce la possibilità che un obiettivo locale divori il bene che avrebbe dovuto servire.

L’incentivo deve raggiungere anche il livello del portafoglio. Una singola unità può trovare conveniente sottrarre tempo alla formazione e assumere competenze già mature da altre unità. Se tutte agiscono così, il sistema smette di produrle. La direzione deve quindi finanziare e riconoscere le funzioni che generano esternalità positive: apprendistato, rotazioni, comunità professionali, archivi di casi, simulazioni e mentoring interorganizzativo.

L’AI introduce un ulteriore rischio di attribuzione. Il risultato del sistema congiunto può essere accreditato alla persona, al modello o al manager che ha promosso l’adozione. Una buona governance separa contributo assistito, contributo autonomo e qualità dell’architettura. In questo modo la tecnologia riceve il merito che produce senza occultare il lavoro di controllo e senza attribuire competenza individuale dove esiste soltanto prestazione aumentata.

13.9 Capacità di riserva e resilienza

La capacità di riserva viene spesso scambiata per spreco. Nell’organizzazione altamente ottimizzata ogni ridondanza appare eliminabile; ogni professionista deve essere saturo; ogni processo deve dipendere dal percorso più efficiente. Questa architettura funziona bene nel caso medio e diventa fragile quando cambiano condizioni, strumenti o persone.

La capacità di riserva è la possibilità esercitata di continuare, controllare e recuperare quando una componente viene meno. Comprende persone che sanno assumere una funzione, procedure degradate, accesso alle fonti, strumenti alternativi, memoria degli incidenti e autorità per rallentare o fermare. La semplice presenza nominale di un sostituto offre poca garanzia; la riserva esiste quando viene provata.

Per questo servono esercitazioni periodiche. Un campione di casi viene svolto senza AI. Una raccomandazione plausibile ma errata viene contestata. Un esperto chiave diventa temporaneamente indisponibile. Un modello cambia comportamento. L’obiettivo consiste nel misurare rilevazione, tempo di recupero, qualità minima, coordinamento ed escalation. Gli esiti aggiornano formazione e allocazione.

Lo slack organizzativo può assorbire shock, sostenere sperimentazione e rendere possibile l’adattamento, anche se la sua misura e il suo valore dipendono dal contesto (Bourgeois, 1981). Una quota di slack può sostenere la capacità di riserva quando viene assegnata a una funzione, ha un proprietario e finanzia prove e soglie di attivazione. Diventa così un investimento verificabile invece di una generica eccedenza.

La resilienza riguarda anche la diversità epistemica. Più persone con percorsi differenti possono vedere segnali diversi e contestare una soluzione dominante. Se l’AI uniforma linguaggio, fonti e procedure, il sistema può diventare coerente e cieco. Conservare canali indipendenti di analisi e comunità professionali plurali protegge l’organizzazione dall’errore correlato.

13.10 Responsabilità: chi custodisce il futuro della capacità

La riproduzione dell’expertise fallisce facilmente perché appartiene a tutti e quindi a nessuno. Le risorse umane presidiano formazione, l’IT presidia la tecnologia, il responsabile operativo presidia le consegne, il risk manager presidia gli incidenti. Tra queste competenze rimane uno spazio vuoto: chi risponde del fatto che fra tre anni esistano abbastanza persone capaci di governare il lavoro?

Serve un proprietario del portafoglio di capacità. Il suo mandato comprende mappare famiglie critiche, leggere stock e flussi, anticipare uscite, approvare il TRC, proteggere esperienze formative e portare il rischio di capacità nelle decisioni sull’AI. Lavora con i proprietari dei processi, con chi governa dati e rischio, con la funzione persone e con le rappresentanze dei lavoratori. La responsabilità ultima resta nella linea che decide risorse e organizzazione.

Il proprietario del processo risponde del valore e dell’integrazione operativa. Il responsabile professionale definisce standard, eccezioni e soglie di autonomia. Il manager diretto assegna casi, tempo e feedback. Il mentore osserva e trasferisce responsabilità. La persona in apprendimento produce tracce, chiede aiuto e affronta prove autonome. Chi governa l’AI conserva versioni, limiti e incidenti. Questi ruoli devono incontrarsi nei gate del PPC-AI.

La responsabilità comprende il diritto di dissentire. Un professionista deve poter segnalare che una quota di automazione sta consumando esperienza, che la verifica è diventata nominale o che il fading procede troppo presto. Il dissenso viene registrato insieme alla decisione. Nei contesti ad alto impatto, lavoratori e destinatari partecipano alla definizione delle conseguenze accettabili.

13.11 Un caso applicato: un’unità di analisi delle politiche del lavoro

Immaginiamo un’unità pubblica che produce analisi su mismatch, politiche attive e transizioni occupazionali. Gli esperti senior conoscono fonti, istituzioni, limiti dei dati e storia delle decisioni. I junior svolgono ricerca, pulizia, prime letture e redazione. L’AI riduce drasticamente il tempo necessario per reperire materiali, sintetizzare documenti e preparare bozze.

Se l’unità adotta la tecnologia con una metrica di output, può produrre più note in meno tempo. Gli esperti ricevono testi già fluidi e concentrano la revisione sui punti critici; i junior vedono meno fonti originali e meno correzioni ragionate; il tempo liberato diventa nuove richieste. Dopo alcuni anni il collo di bottiglia rimane negli stessi esperti, mentre pochi intermedi hanno costruito la capacità di sostituirli.

L’architettura capacitante ridisegna il flusso. Ogni junior formula prima la domanda, la teoria del cambiamento e i criteri. L’AI sostiene ricerca ed estrazione, lasciando visibile la provenienza. Le revisioni senior avvengono su snodi decisionali e vengono annotate come casi. Una quota di dossier è affidata con autonomia progressiva; casi rari diventano simulazioni; gli esiti delle raccomandazioni ritornano nel repertorio.

Il tempo liberato viene ripartito fra maggiore copertura, revisione metodologica, mentoring e capacità di riserva. Gli esperti ricevono obiettivi di sviluppo della capacità. I junior vengono valutati anche sulle Tre prove e sulla gestione dell’incertezza. Il cruscotto osserva qualità delle note, tempo, rilavorazioni, varietà dei casi, progressione, concentrazione dell’expertise, copertura dei successori e TRC per famiglie critiche.

Ogni trimestre l’unità esegue una prova degradata: una fonte chiave manca, l’AI produce una citazione plausibile oppure un senior è indisponibile. Il risultato orienta rotazioni e priorità formative. La produttività diventa così capacità di produrre analisi oggi e di continuare a produrle quando persone, problemi e tecnologie cambiano.

13.12 Quattro livelli di maturità

Le organizzazioni possono leggere il proprio percorso attraverso quattro configurazioni. I livelli descrivono logiche dominanti e aiutano a individuare il prossimo cambiamento possibile. Un’organizzazione può trovarsi a livelli differenti per funzioni diverse; la maturità media conta meno dei punti critici in cui l’expertise rischia di interrompersi.

Matrice di maturità organizzativa

Il passaggio fra livelli richiede trasformazioni osservabili. Dal livello estrattivo al protetto compaiono confini d’uso, formazione e incident reporting. Il livello capacitante collega l’AI alla mappa delle operazioni, alle Tre prove, al mentoring e al fading. Il livello rigenerativo usa le evidenze per ridisegnare ruoli, percorsi, incentivi e cooperazione fra unità, distribuendo capacità dove il sistema ne avrà bisogno.

La maturità rigenerativa evita l’idea di un equilibrio definitivo. Tecnologie, compiti e popolazioni cambiano. Una configurazione che oggi amplia capacità può domani cristallizzare dipendenza. Il sistema maturo conserva cicli di revisione, segnali anticipatori e facoltà di ritirare una soluzione quando il suo rendimento organizzativo complessivo diventa negativo.

13.13 Lo standard minimo di un’organizzazione capacitante

Un’organizzazione può dichiararsi capacitante soltanto quando alcune condizioni diventano pratiche verificabili. Le capacità critiche sono nominate e possiedono un proprietario. Il lavoro junior contiene una progressione di partecipazione autentica. Il mentoring dispone di tempo, riconoscimento e criteri. I guadagni dell’AI vengono letti insieme alle Tre prove. Il portafoglio registra stock, flussi, concentrazioni e capacità di riserva. Incentivi e carichi rendono possibile ciò che la strategia dichiara.

Lo standard richiede inoltre una capacità di arresto. Se la qualità assistita cresce mentre autonomia, TRC o continuità scendono oltre soglia, il progetto torna ai gate di allocazione. L’organizzazione può ridurre automazione, reintrodurre esperienza, cambiare interfaccia, proteggere tempo o concentrare l’uso in attività a basso valore formativo. La scelta segue evidenze e priorità strategiche.

Questo capitolo porta a compimento il movimento iniziato con la domanda sulla fatica. La fatica formativa appartiene alla persona, ma la sua possibilità viene concessa o sottratta dall’organizzazione. Diventare capaci richiede tentativi; poter tentare richiede tempo, casi, fiducia e responsabilità. L’AI rende urgente vedere questa infrastruttura perché può rimuoverla con grande efficienza oppure distribuirla con una potenza nuova.

Un’organizzazione che fa crescere capacità misura il proprio successo su due orizzonti. Nel primo produce beni, servizi e decisioni migliori. Nel secondo lascia dietro di sé più persone capaci di comprendere, contestare, innovare, formare altri e ricostruire il lavoro quando le condizioni cambiano. La sua produttività più profonda consiste nella possibilità di continuare a generare valore senza consumare le fonti umane da cui quel valore nasce.

Protocollo organizzativo essenziale

Portafoglio. Quali capacità sono critiche per valore, rischio, innovazione e continuità?

Stock e flussi. Quante persone possiedono ciascuna capacità, dove si concentrano e quali uscite sono attese?

Esperienze. Quali attività, casi, eccezioni e responsabilità costruiscono realmente quelle capacità?

Lavoro junior. Quale scala conduce dalla partecipazione guidata alla titolarità autonoma?

Mentoring. Chi forma chi, con quale tempo, quali casi e quale riconoscimento?

Tempo. Come viene distribuito il guadagno dell’AI fra volume, miglioramento, apprendimento e manutenzione della capacità di riserva?

Metriche. Quali indicatori leggono insieme valore presente e patrimonio futuro?

TRC. Il flusso di nuove capacità stabili compensa le uscite previste nelle famiglie critiche?

Incentivi. Quali comportamenti diventano convenienti quando cresce la pressione?

Capacità di riserva. Chi sa continuare, verificare e recuperare se modello o esperto diventano indisponibili?

Equità. Come sono distribuite occasioni di casi, feedback, mentoring, visibilità e autonomia?

Responsabilità. Chi può intervenire quando produttività e riproduzione dell’expertise divergono?

Domande di passaggio

La crescita della produttività è accompagnata da una lettura della capacità autonoma?

Le attività automatizzate avevano una funzione formativa che deve essere ricreata?

I principianti accedono a casi interi, revisioni motivate ed eccezioni?

Il mentoring entra nei carichi e nella valutazione degli esperti?

Il tempo liberato dall’AI possiede una destinazione deliberata e verificabile?

Le metriche distinguono attività svolta, esperienza ricevuta e capacità stabile?

Il TRC viene calcolato per famiglie di capacità e accompagnato da misure di qualità?

Gli incentivi riconoscono chi costruisce autonomia negli altri e migliora il sistema?

La capacità di riserva viene esercitata attraverso prove realistiche in condizioni degradate?

Le opportunità di crescita sono distribuite fra gruppi, posizioni e territori?

Esiste un proprietario del portafoglio di capacità con autorità sulle decisioni di allocazione?

Il sistema può rallentare o ritirare l’automazione quando emerge debito di capacità?

Capitolo 14. Laboratori di applicazione

14.1 Una capacità comune, sei forme professionali

Scrivere, analizzare, decidere, formare, orientare e curare sono pratiche differenti. Cambiano gli oggetti, le prove ammissibili, il tempo, la reversibilità e le conseguenze dell’errore. Possiedono però una struttura trasversale. Qualcuno deve costruire una rappresentazione della situazione, distinguere dati e interpretazioni, generare alternative, verificare ciò che conta, assumere una posizione proporzionata all’incertezza e risponderne davanti ad altri.

La capacità bersaglio comune può essere formulata così: data una situazione non interamente determinata, la persona formula un giudizio pertinente, lo sostiene con evidenze tracciabili, considera alternative e conseguenze, calibra fiducia e linguaggio, decide quando chiedere aiuto o fermarsi e conserva la possibilità di ripetere queste operazioni quando l’assistenza si ritira. Questo nucleo trasversale acquista una forma professionale specifica in ciascun laboratorio.

Il giudizio prende forma in una tesi nella scrittura, in un’inferenza nell’analisi, in una scelta nella decisione, in un’architettura didattica nella formazione, in un’ipotesi di percorso nell’orientamento, in un riconoscimento e in una condotta nelle professioni sanitarie. L’AI può arricchire ogni passaggio. La responsabilità richiede che la persona comprenda da dove proviene il risultato, sappia contestarlo e riconosca i limiti del proprio mandato.

I laboratori sono disegni esemplificativi da adattare attraverso il protocollo del Capitolo 12. Tempi e soglie hanno valore progettuale, non universale. Nei domini ad alto impatto valgono procedure locali, regolazione, validazione dello strumento e supervisione professionale. Il protocollo comune rende comparabili i casi senza cancellarne le differenze.

14.2 La grammatica comune dei laboratori

Ogni caso parte da un mandato realistico e termina con una decisione sul percorso, oltre che con un prodotto. Attraversa nove passaggi. La ripetizione permette di confrontare domini diversi senza perdere il filo della capacità bersaglio e mostra che il PPC-AI funziona come un sistema di gate. Quando una prova fallisce, il progettista torna alle operazioni, all’allocazione o alla forma dell’interazione.

Le Tre prove conservano lo stesso significato. La Prova 1 osserva la prestazione assistita e il costo del controllo. La Prova 2 osserva l’apprendimento iniziale subito dopo il ritiro del sostegno. La Prova 3 osserva capacità stabile su un caso differito e variato. I criteri cambiano con il dominio. Una buona prosa non compensa una fonte inventata; una stima accurata non compensa un’inferenza causale indebita; una scelta efficiente non compensa una violazione di equità; un’elevata prestazione clinica assistita non rende superflua la capacità autonoma di controllo. [IT]

14.3 Laboratorio 1 — Scrittura: una tesi pubblica che l’autore sa difendere

Il mandato e la posta in gioco

Una giovane analista di un ente territoriale deve preparare un policy brief di 2.500 parole sul modo in cui l’adozione dell’AI sta modificando il lavoro di ingresso. Il testo è destinato a dirigenti, parti sociali e soggetti formativi. Deve distinguere effetti osservati, meccanismi ipotizzati e scelte locali; usare fonti verificabili; rappresentare benefici e rischi; concludere con opzioni praticabili. La scadenza è di dieci giorni e un modello generativo è disponibile per ricerca, confronto e revisione.

Il pericolo più visibile è ricevere in pochi minuti una bozza scorrevole e migliorarne lo stile. Quello più profondo riguarda la mancata costruzione del problema. L’autrice potrebbe evitare l’incontro con le fonti, le tensioni e le obiezioni che formano il giudizio. Il prodotto supererebbe una valutazione superficiale, mentre l’autrice faticherebbe a difenderlo o a trasferire il metodo a un dossier nuovo.

Profilo iniziale e mappa delle operazioni

La baseline usa un dossier breve con quattro fonti. In quarantacinque minuti, senza AI, la partecipante scrive una domanda, una tesi provvisoria, una mappa di tre ragioni e un paragrafo con citazione. Poi spiega quale evidenza potrebbe farle cambiare posizione. Il valutatore osserva se distingue affermazione, dato, inferenza e implicazione; se sa risalire alla fonte; se concepisce l’obiezione come test.

La mappa comprende interpretare mandato e destinatari, delimitare la domanda, recuperare conoscenze, formulare ipotesi, cercare e valutare fonti, estrarre affermazioni con provenienza, confrontare risultati, scegliere tesi e concessioni, organizzare la struttura, redigere, verificare citazioni e revisionare. La scrittura emerge come interazione ricorsiva fra pianificazione, traduzione e revisione, anziché come trascrizione lineare di idee già formate (Flower & Hayes, 1981).

Allocazione persona–AI

Restano alla persona l’interpretazione del mandato, la tesi, la gerarchia delle ragioni, la valutazione delle prove, le concessioni e la firma finale. L’AI può generare parole chiave, proporre controargomenti, confrontare strutture, segnalare ambiguità e simulare lettori. Il lavoro diventa congiunto quando il sistema propone alternative e l’autrice sceglie spiegando il criterio.

Le citazioni vengono controllate sulle fonti originali. Per ogni affermazione sensibile si registra provenienza, passaggio pertinente e grado di sostegno. Il sistema può aiutare a scoprire una fonte; la conversazione con il sistema non diventa prova della fonte. Questa regola trasforma il controllo epistemico in parte della composizione.

Prima, durante e dopo l’AI

Prima dell’AI l’analista produce una pagina zero con destinatario, decisione da informare, tesi provvisoria, tre ragioni, due dubbi, un’obiezione e criteri di qualità. La generazione rimane breve e sostanziale. Se le conoscenze iniziali sono fragili, riceve un set di fonti e una domanda più circoscritta, non una bozza completa.

Durante l’interazione l’AI assume ruoli separati. Come esploratore suggerisce piste marcando ciò che richiede verifica. Come oppositore formula la critica migliore e chiede quali evidenze distinguerebbero le interpretazioni. Come revisore segnala salti logici, termini vaghi e mismatch con il pubblico. Offre prima diagnosi e hint; una riformulazione compare dopo un nuovo tentativo.

Dopo ogni sessione, l’autrice chiude l’interfaccia e ricostruisce la catena tesi–ragioni–evidenze. Un registro conserva che cosa ha cambiato, perché e su quale fonte. Il fading passa da domande frequenti a una sola revisione finale. Quando la tracciabilità degrada, torna un aiuto diagnostico, evitando la scrittura sostitutiva.

Le Tre prove e la regola di decisione

La Prova 1 valuta il brief assistito per pertinenza, struttura, integrità delle fonti, calibrazione, obiezioni e costo della verifica. Una fonte inesistente o una citazione impropria produce un fallimento di integrità anche con uno stile eccellente. Il testo finale viene confrontato con la pagina zero e i cambiamenti devono risultare motivati.

Nella Prova 2, quarantotto ore dopo, l’analista riceve un dossier su un settore diverso e senza AI prepara un outline, verifica due fonti e redige il passaggio centrale. Nella Prova 3, tre settimane dopo, affronta un nuovo pubblico e un’evidenza conflittuale; risponde anche oralmente a un’obiezione. [IT] La capacità è stabile quando qualità, integrità e spiegabilità restano sopra soglia.

Le condizioni organizzative

L’organizzazione conserva pagine zero, registri delle decisioni, revisioni motivate ed esiti delle raccomandazioni. I senior annotano lo snodo che ha richiesto giudizio invece di riscrivere in silenzio. Il tempo liberato finanzia lettura, confronto e mentoring. La metrica combina utilità dei brief e crescita di autori capaci di concepirli.

14.4 Laboratorio 2 — Analisi: inferire senza promettere più di quanto i dati consentano

Il mandato e la posta in gioco

Un team deve valutare un programma di formazione per disoccupati avviato in tre province. Possiede dati amministrativi, un’indagine di follow-up incompleta, documenti di attuazione e interviste. La direzione chiede se il programma funziona e se vada esteso. L’AI può scrivere codice, sintetizzare documenti e proporre modelli. Partecipanti e non partecipanti differiscono; l’implementazione varia; alcuni esiti mancano; la decisione non può attendere uno studio perfetto.

Il rischio è una precisione apparente. Tabelle ordinate e codice plausibile possono nascondere una domanda mal definita, dati generati da processi sconosciuti o un salto dall’associazione alla causalità. Qui il controllo epistemico riguarda insieme numeri, disegno e linguaggio della conclusione.

Profilo iniziale e mappa delle operazioni

La baseline presenta un estratto dati con una differenza favorevole ai partecipanti e una variabile di selezione evidente. La persona formula la domanda, disegna una struttura causale semplice, produce controlli di qualità e spiega perché la differenza grezza non identifica l’effetto. Un principiante può ricevere un glossario e un esempio svolto su un problema diverso.

Le operazioni sono definire popolazione, intervento, comparatore, esito e orizzonte; ricostruire la teoria del cambiamento; conoscere la generazione dei dati; controllare copertura, missingness e definizioni; descrivere selezione e confondenti; scegliere il disegno; testare codice; eseguire sensibilità; cercare spiegazioni rivali; integrare evidenza qualitativa; tradurre il risultato in decisione.

Allocazione persona–AI

L’AI sostiene documentazione preliminare, proposta di controlli, scheletri di codice e ricerca di casi limite. La persona mantiene estimando, assunzioni di identificazione, scelta degli esiti, valutazione dei bias e rapporto fra evidenza e raccomandazione. Ogni blocco di codice generato viene compreso, eseguito su dati controllati e confrontato con un calcolo indipendente o un caso sintetico noto.

L’allocazione protegge i nodi che costruiscono giudizio. Automatizzare la formattazione di una tabella libera tempo; automatizzare la scelta inconsapevole del confronto rimuove l’esperienza decisiva. La convenienza tecnica viene letta insieme al valore formativo e al costo di un errore.

Prima, durante e dopo l’AI

Prima dell’AI ogni analista compila una scheda di pre-analisi con domanda, unità, outcome, meccanismo, minacce e risultato atteso. Durante l’interazione il sistema pone domande diagnostiche prima di proporre metodi. Gli hint procedono da controllo concettuale a pseudocodice e infine a codice. L’AI costruisce anche una spiegazione rivale e indica quali dati la renderebbero plausibile.

Dopo l’AI la persona narra la catena senza codice: da quale contrasto nasce la stima, quali assunzioni la sostengono, quale controllo potrebbe smentirla e quale conclusione resta fuori portata. Un collega riproduce i passaggi dalla traccia. Il fading rimuove codice completo, suggerimenti metodologici e infine domande diagnostiche.

Le Tre prove e la regola di decisione

La Prova 1 valuta integrità dei dati, riproducibilità, coerenza fra domanda e metodo, trasparenza delle assunzioni, sensibilità, spiegazioni alternative e costo del controllo. [IT] La Prova 2 cambia una condizione del disegno e chiede di adattare senza AI inferenza e controlli.

La Prova 3 avviene dopo un mese su un programma differente e include la contestazione di un metodologo e di un decisore. La soglia richiede anche la capacità di dire che una quantità non è identificabile con i dati disponibili e proporre il passo successivo utile. [IT]

Le condizioni organizzative

L’organizzazione archivia notebook, dizionari, decisioni analitiche, risultati negativi, revisioni e conseguenze. Il senior firma la proporzionalità dell’inferenza; il responsabile della decisione firma il modo in cui l’incertezza è stata usata. La riproducibilità diventa una relazione organizzata fra persone, dati e responsabilità.

14.5 Laboratorio 3 — Decisione: scegliere sotto vincoli senza cedere l’autorità

Il mandato e la posta in gioco

Una direzione regionale deve distribuire dieci milioni di euro fra sei territori per programmi di riqualificazione. Gli indicatori descrivono disoccupazione, vulnerabilità, capacità attuativa, domanda di competenze e risultati precedenti. Gli obiettivi confliggono fra impatto rapido, equità, innovazione e copertura. Alcuni territori possiedono dati migliori. Un sistema generativo sintetizza dossier e costruisce scenari; un modello quantitativo ordina alternative.

La decisione assistita può mascherare i valori dentro un punteggio e trasformare la raccomandazione in un rifugio dalla responsabilità. Il rischio cresce quando la precisione dell’ordinamento viene scambiata per neutralità oppure quando il gruppo cambia posizione senza sapere quale evidenza o preferenza lo abbia convinto.

Profilo iniziale e mappa delle operazioni

La baseline usa un caso ridotto a tre territori. Ogni partecipante decide individualmente, registra criteri e pesi, indica due incertezze e una condizione di revisione. Solo dopo vede una raccomandazione algoritmica autorevole e parzialmente distorta dalla qualità dei dati. Si osservano ancoraggio, cambiamento immotivato, ricerca di conferme e dissenso.

Le operazioni comprendono definire mandato, orizzonte e reversibilità; nominare valori e vincoli; separare fatti, previsioni e preferenze; costruire alternative; valutare conseguenze, distribuzioni e rischi; svolgere un pre-mortem; confrontare scenari; deliberare; registrare dissensi; fissare indicatori di riesame.

Allocazione persona–AI

L’AI sintetizza materiale, rende confrontabili opzioni, genera scenari e assume il ruolo dell’oppositore. Il modello calcola conseguenze sotto assunzioni esplicite. Le persone definiscono obiettivi, scelgono pesi, giudicano equità, leggono segnali non codificati e assumono responsabilità.

Una prima valutazione umana e una proposta del sistema restano indipendenti fino a un momento definito. La divergenza diventa oggetto d’indagine. Questo ordine protegge la generazione iniziale e rende osservabile l’influenza dell’AI sulla scelta.

Prima, durante e dopo l’AI

Prima dell’AI ciascun membro formula una decisione provvisoria e una mappa delle ragioni. Durante l’AI il facilitatore mostra prima informazioni, poi scenari e infine raccomandazione. A ogni passaggio il gruppo annota che cosa cambia e perché. Il sistema genera un’opzione fuori dall’ordinamento dominante, cerca chi sostiene il costo e simula uno shock.

Dopo l’AI il gruppo ricostruisce criteri e trade-off senza consultare la conversazione e conduce una red-team review. Il fading riduce sintesi e scenari preconfezionati, mantenendo accesso a dati verificati. Una prova della capacità di riserva simula l’indisponibilità del sistema.

Le Tre prove e la regola di decisione

La Prova 1 valuta coerenza fra mandato e scelta, qualità delle alternative, uso dell’evidenza, equità, tracciabilità, calibrazione e robustezza. [IT] La Prova 2 introduce un nuovo vincolo e chiede di riaprire la decisione senza AI. La Prova 3 propone dopo sei settimane un portafoglio diverso e un conflitto di valori analogo.

Il trasferimento emerge quando il gruppo conserva metodo e capacità di revisione senza replicare superficialmente la soluzione precedente. Un gruppo incapace di spiegare pesi e rinunce ha prodotto una decisione, ma non ha dimostrato capacità decisionale.

Le condizioni organizzative

Dopo tre e dodici mesi, esiti e testimonianze vengono confrontati con previsioni e condizioni di revisione. Il registro conserva dissensi e alternative scartate. L’organizzazione protegge il ruolo del dissidente, assegna un proprietario al riesame e impedisce che la raccomandazione dell’AI diventi una copertura della responsabilità.

14.6 Laboratorio 4 — Formazione: progettare un percorso che sopravvive al tutor

Il mandato e la posta in gioco

Un gruppo di formatori deve preparare junior analyst a valutare la qualità di un’evidenza e comunicare una conclusione proporzionata. Il corso dura quattro settimane, alterna incontri, lavoro autentico e tutor AI. I partecipanti differiscono per conoscenze statistiche e familiarità con il settore. La tentazione è generare lezioni, quiz e feedback, misurando completamento e gradimento.

Il laboratorio sposta la domanda. Conta ciò che i partecipanti sanno fare su casi nuovi, quando il tutor si ritira e dopo un intervallo. Anche il formatore deve apprendere a leggere gli errori e a modificare l’architettura, invece di delegare al sistema l’adattamento.

Profilo iniziale e mappa delle operazioni

La baseline del formatore consiste nel trasformare la richiesta generica “insegnare il pensiero critico con l’AI” in una prestazione osservabile, una prova e una sequenza. Deve diagnosticare tre profili fittizi e motivare differenze nel sostegno. Si osserva se parte dai contenuti da coprire o dalle operazioni da rendere disponibili.

Le operazioni comprendono analizzare il lavoro, formulare capacità e standard, costruire baseline, selezionare casi interi e variazioni, prevedere errori, progettare feedback e hint, stabilire fading, costruire le Tre prove, leggere tracce quantitative e qualitative e revisionare. I casi interi permettono di coordinare conoscenze, abilità e giudizio (van Merriënboer et al., 2002).

Allocazione persona–AI

L’AI prepara variazioni di casi, domande diagnostiche, spiegazioni alternative e simulazioni; raccoglie tracce e offre feedback iniziale. Il formatore definisce obiettivi, controlla validità dei casi, decide progressione e interpreta errori. Un campione delle conversazioni viene revisionato per verificare che il tutor sostenga ragionamento invece di premiare conformità.

Il sostegno varia per profilo. Il principiante vede esempi contrastivi e checklist; l’intermedio incontra casi più rumorosi con meno struttura; l’esperto affronta eccezioni, spiega il proprio giudizio e contesta output sofisticati. L’equità consiste in un aiuto differenziato orientato allo stesso standard significativo.

Prima, durante e dopo l’AI

Prima del tutor, il partecipante classifica la forza di un’affermazione, formula una ragione e indica un dubbio. Il tutor identifica il tipo di errore, pone una domanda e offre un hint proporzionato. Le simulazioni incarnano un decisore impaziente, un collega convinto da una correlazione e un cittadino che chiede spiegazioni.

Dopo ogni interazione, il partecipante ricostruisce il criterio, lo applica a un caso isomorfo e formula una condizione di limite. Il fading dipende dalle evidenze. Dopo due applicazioni autonome corrette e spiegate scompare la checklist; di fronte a un errore sistematico ritorna un supporto mirato.

Le Tre prove e la regola di decisione

La Prova 1 chiede se, con il tutor, la persona risolve casi e richiede progressivamente meno aiuto. La Prova 2 usa un caso nuovo senza tutor alla fine del modulo. La Prova 3 avviene quattro o otto settimane dopo nel lavoro, con una variazione che impedisce il riconoscimento superficiale. Si raccolgono accuratezza, spiegazione, calibrazione, tempo e richieste d’aiuto.

Anche il formatore attraversa Tre prove: progetta assistito, ripara senza AI un’unità che fallisce e trasferisce l’architettura a un pubblico differente. Il successo del tutor coincide con la sua progressiva dispensabilità nelle operazioni che devono diventare autonome.

Le condizioni organizzative

L’organizzazione mette a disposizione tempo per analizzare gli errori, un archivio di casi validati e supervisione didattica. Le metriche di completamento restano descrittive. Le decisioni usano prestazioni autonome, trasferimento, distribuzione degli esiti e costo del controllo del tutor.

14.7 Laboratorio 5 — Orientamento: sostenere una scelta senza prescrivere un’identità

Il mandato e la posta in gioco

Una studentessa di diciotto anni deve scegliere fra università, apprendistato e ingresso diretto nel lavoro. Ha interessi diversi, vincoli economici e informazioni frammentarie; teme che alcune professioni cambino con l’AI. Un assistente può descrivere percorsi, confrontare requisiti e proporre occupazioni. Se traduce correlazioni e stereotipi in una prescrizione personale, restringe l’esplorazione.

L’orientamento riguarda una persona che si forma mentre esplora il mondo. Una risposta apparentemente precisa può irrigidire una rappresentazione di sé ancora in costruzione. La capacità da sviluppare è quindi un processo di scelta appropriabile e revisionabile, collegato a incontri reali e possibilità effettive.

Il riferimento alle possibilità effettive è deliberato. Nel capability approach applicato alle carriere, una risorsa o un’opzione formalmente disponibile non coincide con la libertà sostanziale di perseguirla: contano i fattori che permettono o impediscono di convertirla in una possibilità reale. Questa prospettiva è stata proposta per la career guidance da Robertson e successivamente discussa anche nei suoi limiti di operazionalizzazione (Robertson, 2015; Robertson & Picard, 2021; Egdell & Robertson, 2021). [IT]

Profilo iniziale e mappa delle operazioni

La baseline evita il test di compatibilità. In una conversazione senza AI, la studentessa racconta due esperienze significative, distingue ciò che le è piaciuto da ciò in cui è riuscita, nomina vincoli, immagina tre futuri e formula una domanda da verificare. L’orientatore osserva ampiezza dell’esplorazione, agency, qualità delle informazioni e ricerca di certezza.

Le operazioni sono ricostruire esperienze e significati; riconoscere interessi, autoefficacia, valori e vincoli; distinguere desideri e pressioni; ampliare il ventaglio; cercare dati; incontrare persone e contesti; formulare ipotesi; progettare esperimenti; leggere feedback; decidere provvisoriamente e revisionare. La teoria socio-cognitiva connette interessi, autoefficacia, aspettative e condizioni contestuali (Lent et al., 1994). [IT]

Le evidenze internazionali rafforzano il valore dell’esplorazione e del contatto con il lavoro senza trasformare queste attività in una promessa causale uniforme. Il rapporto OECD sulla career preparation adolescenziale mostra che background sociale, aspettative e accesso alle attività di career development restano fortemente diseguali e sintetizza evidenze longitudinali che associano diverse forme di employer engagement e di esperienza a transizioni successive migliori (OECD, 2025). [RR] In Italia, un intervento scolastico quasi-sperimentale fondato sul Life Design ha mostrato miglioramenti in career adaptability, percezione del decent work e critical consciousness in 266 adolescenti, offrendo un primo sostegno empirico a un orientamento che tenga insieme agency personale e condizioni strutturali (Santilli et al., 2026). [EP]

Allocazione persona–AI

L’AI aiuta a generare possibilità, tradurre domande in ricerche, preparare interviste informative e confrontare percorsi. Separa dati verificabili, stime e inferenze; mostra variazioni territoriali e temporali; evita formule identitarie. L’orientatore umano lavora su significati, conflitti, barriere, benessere e implicazioni sociali.

La simulazione di una figura professionale prepara l’incontro e lascia spazio al mondo. Ogni ipotesi produce almeno un’esperienza esterna: lezione aperta, colloquio informativo, laboratorio, progetto, visita o lettura di un annuncio reale. L’AI amplia il campo informativo; la realtà restituisce attrito e sorpresa.

Prima, durante e dopo l’AI

Prima dell’AI la studentessa produce una mappa di esperienze, domande e criteri e formula tre ipotesi, una fuori dal percorso più familiare. Durante l’AI verifica informazioni e prepara esperimenti. Dopo ogni incontro confronta previsione ed esperienza e aggiorna la mappa. La career construction concepisce il percorso come costruzione narrativa e adattiva, più che come scoperta di un abbinamento immutabile (Savickas, 2013). [IT]

La revisabilità non equivale a indecisione permanente. La career adaptability descrive risorse per prepararsi, esplorare e affrontare transizioni; la sostenibilità aggiunge la domanda su ciò che una traiettoria rende possibile nel tempo. In un campione di 169 giovani adulti italiani, profili che combinavano maggiore adaptability e percezioni più favorevoli di sostenibilità della carriera risultavano associati a maggiore soddisfazione di vita e flourishing; il disegno osservazionale non consente inferenze causali, ma suggerisce di non valutare l’orientamento soltanto dalla chiarezza immediata della scelta (Parola et al., 2026). [EP]

Il fading riduce liste personalizzate, suggerimenti di domande e confronti pronti. Rimane accesso alle fonti, mentre la persona genera opzioni e criteri. Un ritorno del supporto avviene quando un vincolo nuovo restringe il campo o la ricerca diventa dispersiva.

Le Tre prove e la regola di decisione

La Prova 1 valuta se, con assistenza, la persona amplia e rende più informato il campo senza perdita di agency. La Prova 2 chiede di esplorare autonomamente una nuova opzione e motivare l’attendibilità delle informazioni. La Prova 3, dopo un’esperienza reale o un cambiamento di vincolo, osserva la capacità di revisionare il piano.

Il criterio riguarda la qualità appropriabile del processo, non la presunta perfezione della scelta. Una persona capace sa spiegare perché una possibilità merita esplorazione, che cosa ancora ignora, quale prova farà e quando riaprirà la decisione.

Le condizioni organizzative

Il servizio controlla disparità nelle possibilità suggerite, accessibilità, stereotipi, protezione dei dati e diritto alla spiegazione. Conserva fonti e date perché le informazioni cambiano. L’AI non decide ammissioni o idoneità. L’istituzione risponde del fatto che l’assistenza allarghi opportunità anche per chi possiede meno reti e capitale informativo.

14.8 Laboratorio 6 — Professioni sanitarie: vedere, contestare e mantenere la capacità clinica

Il mandato e la posta in gioco

Un servizio di endoscopia introduce un sistema di computer-aided detection che segnala possibili lesioni durante la colonscopia. Il sistema può aumentare la salienza di anomalie e sostenere la prestazione. La capacità del professionista comprende condurre un’ispezione sistematica, rilevare e caratterizzare reperti, integrare contesto e qualità della procedura, decidere azioni, riconoscere i limiti del sistema e mantenere prestazione autonoma quando l’assistenza manca.

Il laboratorio riguarda formazione e governance professionale, non offre indicazioni per singoli pazienti. Ogni implementazione segue evidenze del dispositivo, norme, procedure locali, supervisione, competenze accreditate e responsabilità cliniche. Proprio perché l’esito è ad alto impatto, prove e fading richiedono una disciplina superiore.

Profilo iniziale e mappa delle operazioni

La baseline usa video validati e, secondo le regole del servizio, dati storici o pratica supervisionata. Misura strategia di ispezione, rilevazione, caratterizzazione, falsi allarmi, calibrazione e ragioni delle decisioni. La mappa viene costruita con clinici, formatori, infermieri, ingegneria clinica e risk management.

Le operazioni includono preparazione e qualità, scansione, controllo della mucosa, riconoscimento di pattern, distinzione da artefatti, caratterizzazione, azione, documentazione, comunicazione ed escalation. Si rendono osservabili anche gli atti attentivo-percettivi taciti: dove guarda il professionista, quando rallenta e quali segnali inducono a riesaminare.

Allocazione persona–AI

Il sistema segnala regioni di interesse e può offrire una seconda lettura; il professionista conserva scansione e decisione clinica. L’interfaccia deve evitare che il segnale catturi interamente lo sguardo. Quando tecnicamente e clinicamente appropriato, una valutazione indipendente precede il suggerimento. L’ordine viene validato, perché ritardare un allarme può introdurre rischio e mostrarlo troppo presto può creare ancoraggio.

Le attività formative impiegano casi contrastivi con lesioni sottili, falsi allarmi, qualità insufficiente e reperti non segnalati. Il feedback confronta decisione, indicazione AI e ground truth; quando disponibile, considera anche la traiettoria attentiva. Gli hint sono graduati e il debriefing ricostruisce ciò che il professionista aveva visto prima del segnale.

Prima, durante e dopo l’AI

Prima dell’uso assistito il professionista esplicita strategia, segnali e soglie su casi validati. Durante la formazione confronta la propria lettura con AI ed esperto e motiva accordi e override. Dopo l’assistenza affronta sequenze non annotate e distribuzioni diverse. Il fading mira a conservare canali autonomi pur quando il dispositivo rimane parte della pratica.

Sessioni simulate senza segnali, campioni non assistiti quando consentiti e sicuri, doppie letture indipendenti e revisione dei mismatch mantengono la capacità di riserva. Frequenza e soglie dipendono da rischio, volume, esperienza e dati locali. La protezione del paziente prevale sull’esigenza didattica.

Le Tre prove e la regola di decisione

La Prova 1 misura prestazione assistita attraverso indicatori clinici appropriati, falsi allarmi, tempi, qualità, override, eventi e carico attentivo. La Prova 2 verifica a breve la prestazione senza segnali su materiali validati e, dove governato, sull’attività. La Prova 3 monitora nel tempo capacità autonoma, casi atipici e recupero durante indisponibilità.

Nel 2025 Budzyń e colleghi hanno osservato in quattro centri polacchi che, dopo l’introduzione regolare dell’AI, l’adenoma detection rate nelle colonscopie senza assistenza era sceso dal 28,4% al 22,4% (Budzyń et al., 2025). Il disegno osservazionale prima–dopo lascia possibile confondimento residuo, perciò il dato rappresenta un segnale importante più che una legge universale. È sufficiente a mostrare perché la Prova 1 da sola non garantisce conservazione della capacità. [IT]

Un calo affidabile della prestazione autonoma, omissioni correlate, override inspiegabili o divergenze crescenti attivano revisione. Le risposte comprendono addestramento, modifica dell’interfaccia, rotazione, supervisione, restrizione o rivalidazione. Le metriche sono stratificate per esperienza, centro, versione del sistema e qualità del caso.

Le condizioni organizzative

L’organizzazione assegna una responsabilità congiunta clinico-tecnologica, conserva log di versioni e incidenti, protegge il debriefing e rende segnalabile la dipendenza. Ogni aggiornamento riapre la valutazione dell’interazione. I professionisti in formazione vedono casi interi e ragionamenti esperti, non soltanto alert da confermare. La capacità di riserva viene esercitata perché una procedura scritta non prova la persistenza dell’attenzione e del giudizio.

14.9 Ciò che resta invariato e ciò che deve cambiare

I sei laboratori rendono visibili alcuni invarianti. La capacità viene formulata prima dello strumento. Una baseline mostra ciò che la persona sa fare e come lo fa. Le operazioni precedono l’allocazione. La generazione precede il contributo dell’AI. L’interazione produce diagnosi e feedback, oltre all’output. Il controllo epistemico attraversa il compito. Il fading trasferisce funzioni e rende osservabile l’autonomia. Le Tre prove separano prestazione, apprendimento iniziale e capacità stabile. Tempo, mentoring e responsabilità rendono il risultato riproducibile.

Cambiano prova decisiva, costo dell’errore, velocità del feedback e ammissibilità della sperimentazione. Nella scrittura e nell’analisi molti errori possono essere intercettati prima della pubblicazione. Nella decisione alcuni effetti arrivano tardi e sono distribuiti. Nell’orientamento l’esito dipende da possibilità e significati che evolvono. In sanità l’irreversibilità impone validazione, simulazione e soglie severe. Il protocollo comune non autorizza un’intensità comune.

L’autonomia assume significati diversi e raramente coincide con lavorare stabilmente senza tecnologia. Un analista competente usa software; un clinico può lavorare con un dispositivo validato. Autonomia significa comprendere e governare la dipendenza, saper verificare, contestare, operare in condizioni degradate entro il mandato e riconoscere quando serve un’altra competenza. La Prova 2 rende osservabile la capacità che sostiene il controllo.

14.10 Regole di trasferimento

Per portare un laboratorio in un nuovo dominio si conserva la struttura e si ricostruiscono i contenuti. Si parte dal verbo professionale che deve restare disponibile — diagnosticare, negoziare, progettare, ispezionare, interpretare — e dall’oggetto su cui agisce. Si nominano condizioni, standard, destinatari e autonomia. Poi si cerca quale esperienza forma davvero quella capacità e quale parte rischia di essere rimossa dall’assistenza.

La pagina zero della scrittura, la scheda di pre-analisi, la decisione provvisoria, la previsione del discente, la mappa di orientamento e la scansione clinica indipendente svolgono una funzione analoga. Generano uno stato cognitivo prima del sistema. Gli artefatti cambiano perché cambia la professione. Il trasferimento fedele riguarda la relazione pedagogica, non la superficie della tecnica.

La dose segue profilo e rischio. Più crescono impatto e irreversibilità, più servono validazione, supervisione, separazione dei canali e soglie conservative. Il principiante riceve sostegno capace di ridurre carico estraneo e rendere visibili strutture senza consegnare l’intero giudizio. L’esperto incontra eccezioni, contestazione e casi nuovi, affinché la fluidità non diventi conformità.

Il bilancio resta congiunto. L’AI entra se produce valore presente e il percorso conserva o accresce la capacità richiesta. Un aumento della Prova 1 con declino delle Prove 2 e 3 segnala prestazione aumentata e dipendenza crescente. Può diventare una scelta operativa temporanea, purché dichiari capacità di riserva, conseguenze e piano di mitigazione.

14.11 Come condurre un laboratorio completo

Un laboratorio richiede un proprietario della capacità, un esperto del dominio, persone rappresentative dei profili, un responsabile dell’AI e una competenza di progettazione e misurazione dell’apprendimento. Il gruppo seleziona un compito autentico abbastanza intero da contenere giudizio e abbastanza delimitato da essere osservabile. Costruisce casi tipici, contrastivi e di confine. Nei contesti rischiosi ricorre a simulazioni o materiali retrospettivi validati.

La prima iterazione serve a scoprire. Si osservano strategie, errori, richieste d’aiuto, punti in cui l’AI sostituisce e punti in cui rende possibile una comprensione. Le tracce vengono campionate qualitativamente; i punteggi indicano dove guardare e acquistano significato insieme ai meccanismi. Una seconda iterazione verifica se il disegno rivisto produce risultati replicabili e per quali profili.

Il dossier minimo contiene contratto, baseline, mappa delle operazioni, matrice di allocazione, script prima–durante–dopo, registro dei rischi, livelli di fading, rubriche delle Tre prove, risultati per profilo, incidenti e decisioni. Conserva versione del modello, impostazioni e data, perché la stessa etichetta tecnologica può nascondere comportamenti diversi.

Il laboratorio termina con quattro esiti possibili: adottare, adottare con modifiche, limitare a profili o operazioni specifici, rinunciare all’adozione. Ogni esito indica quando riaprire la valutazione. L’uso nel lavoro avvia un monitoraggio longitudinale, perché compiti, persone, interfacce e modelli continuano a cambiare.

Protocollo operativo del capitolo

Caso intero. Quale mandato autentico attraverserà il laboratorio dall’inizio all’esito?

Capacità comune. Quale giudizio deve restare comprensibile, contestabile e governabile dalla persona?

Traduzione professionale. Quale forma assume quel giudizio in questo dominio?

Baseline. Quale prestazione breve rivela rappresentazioni, strategie, errori e calibrazione iniziali?

Operazioni. Quali trasformazioni cognitive, percettive, sociali e tecniche producono l’esito?

Allocazione. Quali operazioni restano umane, quali sono assistite e quali possono essere automatizzate?

Generazione. Che cosa deve esistere nella mente o nella traccia prima del contributo dell’AI?

Interazione. Quali domande, hint, feedback, simulazioni e casi contrastivi sostengono il passo successivo?

Controllo. Quali errori plausibili, fonti, dissensi, soglie e canali di escalation saranno esercitati?

Fading. Quale aiuto scompare per primo e quale evidenza autorizza il passaggio?

Tre prove. Quali casi misurano prestazione assistita, apprendimento iniziale e capacità stabile?

Decisione. Quali risultati conducono ad adozione, riprogettazione, limitazione o arresto?

Organizzazione. Chi fornisce tempo, casi, mentoring, responsabilità e capacità di riserva?

Monitoraggio. Quali variazioni del compito, della popolazione o del sistema riaprono il protocollo?

Domande di passaggio

Il caso è abbastanza completo da contenere un giudizio autentico?

La capacità bersaglio resta la stessa dall’inizio alla Prova 3?

La generazione iniziale produce una rappresentazione utile e accessibile al principiante?

La persona sa risalire dalle conclusioni a dati, fonti, criteri e responsabilità?

Il sistema propone alternative e contestazioni oltre a rendere fluida la prima risposta?

Gli errori dell’AI vengono esercitati entro condizioni compatibili con il rischio?

Il fading misura autonomia oppure soltanto una riduzione del tempo d’uso?

La Prova 2 differisce davvero dalla Prova 1 per disponibilità dell’assistenza?

La Prova 3 varia caso, tempo o contesto abbastanza da osservare trasferimento e stabilità?

Le decisioni di progressione considerano spiegazione e calibrazione oltre all’esito?

L’organizzazione conserva occasioni reali di esperienza e revisione esperta?

Esiste un piano per rilevare un miglioramento assistito accompagnato da erosione autonoma?

Nel dominio ad alto impatto, chi può rallentare o fermare l’uso e su quali segnali?

Il laboratorio amplia capacità e possibilità per i profili inizialmente meno favoriti?

Strumenti operativi

Queste schede trasformano il modello in decisioni osservabili e documentabili.

Possono essere compilate per una singola attività, un corso, un ruolo professionale o un processo organizzativo.

Il loro valore dipende dall’uso congiunto: nessuna scheda sostituisce le prove di autonomia, trasferimento e tenuta nel tempo.

Strumento 1 — Scheda della capacità bersaglio

Definisce ciò che deve restare disponibile alla persona prima di discutere quale tecnologia usare.

Strumento 2 — Matrice delle operazioni e dell’allocazione

Scompone il compito e rende contestabile l’allocazione tra persona e AI.

Strumento 3 — Script prima–durante–dopo

Progetta la sequenza dell’interazione, non soltanto il prompt.

Strumento 4 — Quadro delle tre prove (Q3P)

Separa il risultato ottenuto con assistenza da ciò che è stato appreso e stabilizzato.

Strumento 5 — Registro del controllo epistemico

Rende visibili affermazioni, incertezza, verifiche e responsabilità.

Strumento 6 — Piano di fading, ripristino e continuità

Programma il ritiro dell’assistenza e le condizioni per reintrodurla senza perdere capacità.

Strumento 7 — Cruscotto decisionale del pilota

Valuta se un progetto genera valore senza consumare apprendimento, controllo e riserva.

Schede e matrici operative

Le schede, le rubriche e le matrici seguenti completano il percorso applicativo e rendono osservabili le ipotesi di progettazione.

DOMANDA GENERATRICE

Che cosa deve restare nella persona quando l’assistenza dell’AI si ritira?

PRINCIPIO GUIDA

Automatizzare il contorno, esercitare il nucleo. [PP] Il confine varia con la capacità che vogliamo formare e con l’expertise già disponibile. [IT]

Termine

Significato canonico nel volume

Capacità bersaglio

Possibilità situata d’azione che deve diventare affidabile per un soggetto dichiarato, su una famiglia di casi, entro criteri, limiti, livello di autonomia e orizzonte temporale espliciti.

Nucleo

Insieme delle operazioni che il soggetto deve esercitare per formare, dimostrare o mantenere la capacità bersaglio, in relazione al profilo, al rischio e alla fase del percorso.

Contorno

Insieme delle operazioni abilitanti delegabili senza interrompere la formazione, la dimostrazione o il mantenimento della capacità bersaglio e senza compromettere controllo e capacità di riserva.

Autonomia

Grado con cui il soggetto governa il compito e l’assistenza: può usare l’AI, purché sappia comprendere, decidere, verificare, contestare, arrestare e chiedere aiuto o escalation entro il proprio mandato.

Capacità stabile

Proprietà osservata quando la capacità bersaglio rimane disponibile dopo un intervallo, attraversa variazioni pertinenti e sostiene l’azione al livello di autonomia dichiarato.

Capacità di riserva

Possibilità esercitata e verificata di continuare, controllare e recuperare in caso di guasto, anomalia, transizione o indisponibilità; conserva le funzioni proporzionate al rischio, senza duplicare necessariamente l’intero sistema.

Fading

Trasferimento progressivo, contingente e reversibile di funzioni identificabili dall’assistenza al soggetto, regolato da evidenze di padronanza, trasferimento, rischio e bisogno di ripristino.

Prestazione assistita

Qualità dell’esecuzione ottenuta mentre l’AI è disponibile. Non dimostra, da sola, che la persona abbia appreso o sappia agire senza supporto.

Apprendimento iniziale

Cambiamento osservabile subito dopo l’esperienza assistita, misurato con una prova nuova o parzialmente indipendente dal sistema.

Q3P

Quadro delle tre prove: prestazione assistita, apprendimento iniziale e capacità stabile. Le tre misure non sono intercambiabili.

Generazione calibrata

Attività compiuta prima di vedere il contributo dell’AI, abbastanza impegnativa da attivare rappresentazioni e criteri ma non da produrre abbandono.

Feedback contingente

Informazione fornita in risposta allo stato effettivo della prestazione, con diagnosi, spiegazione e indicazione del passo successivo.

Controllo epistemico

Insieme di pratiche con cui si verificano fonti, incertezza, coerenza, limiti e conseguenze di una risposta o raccomandazione dell’AI.

Attrito improduttivo

Sforzo che consuma risorse senza esercitare operazioni rilevanti per la capacità bersaglio e senza migliorare comprensione, recupero o trasferimento.

PPC-AI

Protocollo di progettazione capacitante con l’AI: dalla capacità bersaglio alla mappa delle operazioni, all’allocazione persona–AI, al fading e alla valutazione.

Debito di capacità

Scarto accumulato tra ciò che un sistema produttivo riesce a consegnare oggi e ciò che persone e organizzazioni sapranno ancora fare autonomamente domani.

Parte

Funzione

Capitolo

Domanda di progettazione

PARTE I

Vedere il problema

1. La prestazione non è ancora capacità · p. 7

Separare il risultato ottenuto con l’AI da ciò che la persona sa fare dopo il suo ritiro.

2. A che cosa serve la fatica · p. 15

Distinguere sforzo formativo, carico estraneo e difficoltà sterile.

3. Le tre prove dell’apprendimento · p. 26

Misurare prestazione assistita, apprendimento iniziale e capacità stabile.

PARTE II

Decidere che cosa deve restare

4. Dalla consegna alla capacità bersaglio · p. 38

Tradurre un prodotto richiesto nelle conoscenze, nei criteri e nelle operazioni da costruire.

5. Automatizzare il contorno, esercitare il nucleo · p. 50

Separare ciò che può essere delegato da ciò che deve essere praticato in quella fase.

6. Principianti, intermedi, esperti · p. 62

Calibrare l’aiuto sulla conoscenza pregressa e sull’evoluzione dell’expertise.

PARTE III

Progettare l’interazione

7. Prima dell’AI: generazione calibrata · p. 73

Attivare previsioni, tentativi e rappresentazioni senza trasformare la difficoltà in abbandono.

8. Durante l’AI: tutor, feedback e simulazioni · p. 84

Usare dialogo adattivo e feedback contingente per mantenere il discente nel circuito causale.

9. Dopo l’AI: recupero, trasferimento e fading · p. 96

Alternare assistenza e prove autonome; ridurre il supporto in base alla competenza dimostrata.

10. L’errore e il controllo epistemico · p. 108

Trasformare plausibilità, allucinazioni e incertezza in esercizi di verifica e calibrazione.

PARTE IV

Valutare ciò che rimane

11. Oltre la qualità dell’output · p. 121

Costruire prove senza AI, differite e di trasferimento; leggere correttamente autovalutazioni e produttività.

12. Il protocollo di progettazione capacitante · p. 136

Applicare una sequenza operativa a studio, lavoro, formazione e sviluppo professionale.

PARTE V

Costruire l’ecologia

13. Organizzazioni che fanno crescere capacità · p. 153

Allineare metriche, tempi, responsabilità, mentoring e incentivi alla riproduzione dell’expertise.

14. Laboratori di applicazione · p. 168

Tradurre il modello in casi di scrittura, analisi, decisione, formazione, orientamento e professioni sanitarie.

TESI DEL CAPITOLO

Un buon risultato ottenuto con l’AI dimostra che la configurazione persona-sistema ha funzionato. [IT] Per parlare di apprendimento occorre osservare che cosa la persona sa fare quando la configurazione cambia o l’assistenza si ritira. [PP]

PRIMA SVOLTA

L’AI, presa in astratto, spiega poco. [IT] Il design dell’interazione decide se il sistema consegna il pensiero o crea le condizioni perché il pensiero avvenga. [IT]

Prestazione assistita

Il risultato migliora mentre l’AI è disponibile. Documenta augmentation, fluidità o produttività.

Apprendimento iniziale

La persona riesce subito dopo, senza AI, a ricostruire o applicare ciò che ha incontrato.

Capacità stabile

L’effetto resiste al tempo, si trasferisce a casi nuovi e sostiene giudizi o azioni autonome.

SECONDA SVOLTA

La progettazione dello sforzo cerca la difficoltà giusta, nel momento giusto, sulla funzione giusta. [IT] Alleggerisce ciò che disperde e preserva ciò che trasforma. [IT]

REGOLA AUREA

Una tecnologia educativa merita l’aggettivo “capacitante” quando lascia nella persona qualcosa che resta disponibile dopo che la tecnologia si ritira. [IT]

TESI DEL CAPITOLO

La fatica acquista valore educativo quando viene investita nelle operazioni che costruiscono la capacità bersaglio. [IT] Il buon design alleggerisce ciò che disperde, sostiene ciò che eccede le risorse disponibili e conserva una difficoltà affrontabile dove serve generare, recuperare, discriminare, decidere e correggere. [PP]

PRIMO DISCRIMINE

Lo sforzo è un costo biologico e attentivo. Diventa un investimento soltanto quando modifica in modo pertinente ciò che la persona saprà riconoscere, ricordare, spiegare o fare.

Difficoltà desiderabile

Una condizione di pratica che rallenta la riuscita immediata e migliora ritenzione, discriminazione o trasferimento.

Carico formativo

Le risorse effettivamente impegnate nelle operazioni che costruiscono la capacità bersaglio, entro i limiti della memoria di lavoro.

Attrito improduttivo

Lo sforzo assorbito da ostacoli periferici, complessità fuori scala o attività prive di rapporto funzionale con ciò che deve essere appreso.

REGOLA DI VERIFICA

Una difficoltà è desiderabile a posteriori. [IT] La riconosciamo dagli effetti su ritenzione, trasferimento, discriminazione o autonomia, mai dalla sola quantità di sforzo che ha richiesto. [IT]

FORMULA DEL CAPITOLO

Alleggerire il contorno. [IT] Sostenere il sovraccarico. [IT] Preservare una difficoltà affrontabile nel nucleo. Ritirare l’aiuto per verificare ciò che la persona ha fatto proprio.

TESI DEL CAPITOLO

La qualità ottenuta con l’AI, ciò che la persona sa fare appena l’aiuto scompare e ciò che resta disponibile nel tempo sono tre risultati diversi. [IT] Valutarli separatamente permette di riconoscere il valore reale dell’assistenza e, insieme, di verificare se l’esperienza ha costruito capacità. [IT]

Prova

Quando

Domanda

Evidenza minima

1 · Prestazione assistita

Durante l’uso dell’AI [IT]

Che cosa sa produrre la configurazione persona–AI?

Qualità, tempo, errori, provenienza dei contributi e tracce del processo. [IT]

2 · Apprendimento iniziale

Subito dopo il ritiro

Che cosa è già disponibile alla persona senza sostituzione?

Ricostruzione, spiegazione, applicazione vicina, rilevazione dell’errore e fiducia calibrata.

3 · Capacità stabile

Dopo un intervallo e in un caso nuovo

Che cosa permane, si trasferisce e resta governabile?

Ritenzione, trasferimento, gestione di eccezioni, controllo epistemico e richiesta appropriata di aiuto.

PRINCIPIO DI IDENTIFICAZIONE

Ogni prova risponde a un controfattuale diverso: con l’AI, che cosa riesce la configurazione? Senza l’AI, che cosa è già diventato disponibile? Nel tempo e nella variazione, che cosa resta capace di guidare l’azione?

CRITERIO DI EQUIVALENZA

Le tre prove devono conservare il nucleo cognitivo e variare sostegno, tempo o contesto. [PP] Se cambia anche la capacità richiesta, il confronto perde significato. [IT]

Profilo osservato

Interpretazione prudente

Decisione di progetto

Assistita alta · iniziale bassa

Il sistema migliora il prodotto, ma l’operazione bersaglio non è ancora disponibile senza aiuto.

Restituire generazione e decisione alla persona; introdurre tentativo, spiegazione e fading.

Iniziale alta · stabile bassa

L’esperienza ha prodotto disponibilità momentanea, non ancora ritenzione o trasferimento.

Aggiungere recupero distanziato, variazione dei casi e nuove prove differite.

Stabile alta · assistita bassa

La capacità esiste; l’interfaccia, la strategia d’uso o la qualità del sistema possono ostacolarla.

Migliorare il coordinamento persona–AI senza riaddestrare ciò che è già solido.

Tutte alte

L’assistenza aumenta la prestazione e la capacità resta disponibile oltre la sessione.

Consolidare il disegno e sorvegliare nel tempo affidamento, eccezioni e deriva dei compiti.

FORMULA DEL CAPITOLO

Misurare con l’AI per conoscere la prestazione congiunta. [IT] Ritirare l’AI per osservare l’appropriazione. [PP] Attendere e variare il caso per riconoscere la capacità stabile.

TESI DEL CAPITOLO

Una consegna descrive ciò che deve essere prodotto. [PP] Una capacità bersaglio descrive la trasformazione che desideriamo rimanga disponibile nella persona o nel sistema di lavoro. [IT] Progettare l’apprendimento significa risalire dal prodotto alle conoscenze, alle rappresentazioni, ai criteri e alle operazioni che lo rendono possibile.

DEFINIZIONE OPERATIVA

Una capacità bersaglio è un insieme situato di conoscenze, rappresentazioni, procedure, criteri e operazioni di controllo che deve rendere possibile una classe dichiarata di azioni, a un livello dichiarato di autonomia e nel tempo previsto. [PP]

Componente

Domanda di specificazione

Evidenza osservabile

Conoscenze e rappresentazioni

Che cosa deve comprendere e come deve organizzarlo?

Ricostruisce relazioni, spiega meccanismi, distingue concetti vicini.

Procedure e strategie

Quale sequenza sa attivare e adattare?

Esegue passaggi pertinenti, cambia strategia quando il caso lo richiede.

Indizi e criteri

Che cosa deve notare e in base a che cosa decide?

Riconosce segnali rilevanti, pondera evidenze e giustifica la scelta.

Controllo e correzione

Come riconosce errore, incertezza e limite?

Verifica, calibra la fiducia, corregge o richiede aiuto appropriato.

Campo di applicazione

In quali situazioni la capacità deve funzionare?

Trasferisce a casi equivalenti, eccezioni e condizioni realistiche.

Autonomia richiesta

Che cosa deve restare disponibile quando cambia il supporto?

Mantiene le operazioni critiche al livello di assistenza dichiarato.

CATENA PROBATORIA

Capacità: quale possibilità d’azione vogliamo rendere più affidabile? Evidenza: che cosa dovremmo osservare per sostenerlo? Compito: quale situazione renderà necessarie e visibili quelle operazioni?

FORMULA DEL CAPITOLO

La consegna nomina ciò che deve apparire. [PP] La capacità bersaglio nomina ciò che deve diventare possibile. [PP] Solo dopo aver distinto le due cose possiamo decidere quale lavoro affidare all’AI e quale esperienza preservare per la persona.

TESI DEL CAPITOLO

L’AI non distribuisce soltanto compiti: distribuisce attenzione, esperienza e possibilità di diventare esperti. [IT] Conviene automatizzare ciò che consuma risorse senza costituire la capacità bersaglio, e conservare alla persona le operazioni attraverso cui quella capacità si forma, si controlla e si rigenera. [PP] Nucleo e contorno non sono proprietà fisse del compito, ma relazioni che cambiano con lo scopo, l’expertise, il rischio e il tempo.

REGOLA DINAMICA

Un’operazione è nucleo quando svolgerla è necessaria per formare, dimostrare o mantenere la capacità bersaglio. [PP] È contorno quando può essere delegata senza interrompere quella traiettoria e senza privare il sistema della capacità di controllo e capacità di riserva richieste. [IT]

Ruolo dell’AI

Lavoro umano preservato

Uso appropriato

Rischio da sorvegliare

Automatore del contorno

Definizione del problema, criteri, verifica e decisione

Operazioni ripetitive, standardizzabili e controllabili

Il contorno contiene apprendimenti ancora necessari

Amplificatore di rappresentazione

Confronto tra prospettive, costruzione del significato

Visualizzare, riorganizzare o interrogare materiali complessi

La rappresentazione proposta diventa la sola possibile

Tutor e impalcatura

Tentativo, spiegazione, recupero, correzione

Indizi graduati, feedback, esempi e simulazioni

L’aiuto arriva prima dello sforzo produttivo o non si ritira

Sostituto del nucleo

Formulazione dell’intento e supervisione dell’esito

Prestazione urgente o funzione che non si intende formare

Atrofia della capacità, dipendenza e controllo nominale

TEST DI ALLOCAZIONE

Centralità della capacità × padronanza attuale × rischio e reversibilità × verificabilità × rendimento dell’esperienza × necessità di capacità di riserva. [IT] La delega è giustificata quando migliora il sistema senza interrompere le condizioni con cui il suo nucleo viene appreso, controllato e rinnovato. [IT]

SEQUENZA CAPACITANTE

La persona produce una rappresentazione o una scelta provvisoria. [IT] Poi l’AI introduce informazione, feedback o contrasto. [IT] Infine la persona rivede, giustifica e prova su una variazione. L’assistenza aumenta la qualità dell’esperienza senza cancellarne l’azione costitutiva.

FORMULA DEL CAPITOLO

Non affidare il lavoro soltanto a chi lo esegue meglio nel presente. [IT] Disegna la combinazione che produce un buon esito, conserva il giudizio e genera le persone che sapranno governare il lavoro futuro. [IT]

TESI DEL CAPITOLO

Principiante, intermedio ed esperto non sono quantità diverse della stessa mente. [IT] Cambiano la rappresentazione del problema, gli indizi che diventano visibili, gli errori probabili e l’aiuto che produce apprendimento. [IT] L’assistenza va quindi calibrata sulla conoscenza specifica del compito e ritirata in base a prove di autonomia. La stessa AI può essere impalcatura per una persona, scorciatoia per un’altra e strumento di audit per una terza.

PRINCIPIO DI ADATTIVITÀ

L’aiuto utile è una relazione fra richiesta del compito e conoscenza disponibile. [IT] Aumentarlo quando mancano gli schemi; ridurlo quando diventa ridondante; reintrodurlo quando variazioni ed errori mostrano che l’autonomia era soltanto locale. [IT]

Profilo situato

Bisogno dominante

Ruolo utile dell’AI

Prova per avanzare

Rischio principale

Principiante

Costruire schemi, riconoscere indizi, controllare il carico

Modello, esempio commentato, indizio graduato, feedback immediato

Ricostruisce la logica e risolve una variazione con meno guida

Copia fluente senza rappresentazione del problema

Intermedio

Scegliere strategie, discriminare casi, diagnosticare errori

Simulatore, avversario benevolo, feedback dopo il tentativo

Seleziona e giustifica la strategia in casi variati e ambigui

Plateau nascosto da suggerimenti sempre disponibili

Esperto

Governare eccezioni, criteri, trade-off e responsabilità

Amplificatore, generatore di alternative, oggetto di audit

Rileva limiti, trasferisce e interviene senza il flusso ordinario

Fissazione, perdita di contatto con i casi e controllo nominale

FORMULA DEL CAPITOLO

Calibrare l’assistenza significa trasferire controllo al ritmo con cui cresce la conoscenza pertinente. [IT] Al principiante una struttura da ricostruire; all’intermedio scelte da discriminare; all’esperto eccezioni e sistemi da governare. [IT] A tutti, prove che rendano visibile ciò che resta quando l’aiuto cambia.

TESI DEL CAPITOLO

Ciò che la persona produce prima di vedere il contributo dell’AI crea il punto di appoggio per comprenderlo, valutarlo e imparare dal confronto. [IT] Questa produzione iniziale può essere minima: una previsione, un recupero, una prima rappresentazione, un criterio o un passaggio di soluzione. [IT] La sua difficoltà va calibrata sulla conoscenza disponibile. Abbastanza impegnativa da attivare il nucleo; abbastanza sostenuta da evitare che l’attesa dell’aiuto diventi abbandono.

PRINCIPIO DI SEQUENZA

Generazione → contributo dell’AI → confronto → revisione → variazione. [IT] La prima produzione apre una rappresentazione; il sistema introduce differenza; la persona trasforma quella differenza in apprendimento e la prova su un caso vicino. [PP]

CONDIZIONE DI PRODUTTIVITÀ

Il tentativo prepara l’apprendimento quando lascia emergere caratteristiche, strategie e lacune che l’intervento successivo rende comprensibili. [IT] Senza confronto, feedback e consolidamento, la difficoltà resta esperienza grezza. [IT]

Mossa prima dell’AI

Funzione cognitiva

Traccia minima

Contributo successivo dell’AI

Segnale di eccesso

Previsione

Attivare modelli e rendere visibili attese

Esito atteso e una ragione

Mostra esito, scarto e condizioni

Pura congettura senza base interpretabile

Tentativo

Esplorare struttura e strategie

Una via plausibile o un passaggio

Offre indizio, confronto o soluzione commentata

Ricerca lunga, casuale o frustrante

Prima rappresentazione

Definire elementi, relazioni e incertezze

Mappa, sintesi, diagnosi o domanda

Aggiunge alternative e segnala omissioni

Forma richiesta oltre gli schemi disponibili

Recupero

Rendere accessibile conoscenza pregressa

Concetti, procedura o esempio richiamato

Corregge, completa e organizza

Si pretende di richiamare ciò che non fu appreso

Criteri

Preparare valutazione e responsabilità

Due o tre criteri con priorità provvisoria

Propone criteri mancanti e casi di conflitto

Checklist decorativa o estranea al compito

FORMULA DEL CAPITOLO

Prima che l’AI completi, chiedere alla persona di cominciare l’operazione che desideriamo resti disponibile. [IT] Rendere il tentativo breve, pertinente e assistibile. [IT] Usare la risposta del sistema per produrre differenza, la revisione per trasformarla e una nuova prova per verificare che qualcosa sia rimasto.

TESI DEL CAPITOLO

L’interazione con l’AI diventa pedagogica quando ciò che la persona fa modifica ciò che il sistema farà dopo. [IT] Un tutor osserva una traccia, formula un’ipotesi prudente sullo stato della comprensione, sceglie il minimo intervento capace di riaprire il lavoro e restituisce l’iniziativa. [IT] Feedback, domande, hint, casi e simulazioni valgono nella misura in cui fanno avanzare una capacità che diventa progressivamente disponibile senza di essi.

CRITERIO TUTORIALE

Se la traccia della persona non cambia la mossa successiva del sistema, l’interazione può essere personalizzata nella forma ma non è ancora adattiva nella funzione. [IT]

REGOLA DEL DIALOGO

Una domanda deve guadagnarsi il proprio posto: ridurre un’incertezza, far emergere una relazione o preparare una revisione. [PP] Quando serve informazione nuova, il tutor la fornisce e poi chiede di usarla. [PP]

Intervento

Evidenza cercata

Mossa minima dell’AI

Ritorno dell’iniziativa

Segnale di escalation

Feedback contingente

Scarto preciso fra traccia e criterio

Conferma ciò che regge e localizza un solo nodo

Correggere o completare il passaggio

Lo stesso errore ricompare senza una strategia alternativa

Domanda diagnostica

Modello, indizio o criterio che guida la scelta

Una domanda capace di separare ipotesi concorrenti

Esplicitare ragione, evidenza e fiducia

Risposta casuale, silenzio o contraddizione persistente

Hint graduato

Punto esatto in cui il lavoro si arresta

Richiamo dell’attenzione o vincolo leggero

Eseguire il passo successivo

Uso rapido e ripetuto degli aiuti senza tentativo

Caso contrastivo

Capacità di distinguere caratteristiche profonde

Varia un fattore e chiede che cosa cambia

Confrontare, decidere e formulare la regola

La regola resta legata a dettagli superficiali

Simulazione

Decisione sotto vincoli e conseguenze

Rende il contesto responsivo senza suggerire la soluzione

Agire, osservare, spiegare e riprovare

Rischio elevato, dati insufficienti o modello del caso inaffidabile

Prompt autoregolativo

Obiettivo, piano, monitoraggio o criterio d’arresto

Chiede una scelta breve e la registra

Pianificare, controllare o chiedere aiuto con precisione

L’AI sta scegliendo sistematicamente al posto della persona

FORMULA DEL CAPITOLO

Osservare una traccia. [IT] Diagnosticare con prudenza. [IT] Offrire il minimo intervento sufficiente. Restituire una decisione alla persona. Variare il caso. Verificare senza aiuto. Ridurre l’impalcatura quando il governo del compito torna a chi apprende.

TESI DEL CAPITOLO

L’esperienza assistita diventa capacità quando conoscenze, criteri e strategie tornano disponibili nella persona in assenza del sistema e sanno attraversare una variazione del compito. [IT] Il passaggio richiede un’alternanza intenzionale fra assistenza e recupero, feedback dopo il tentativo, distanza crescente dai casi iniziali e ritiro progressivo delle funzioni svolte dall’AI. [IT] L’autonomia è l’esito di una riconsegna verificata, non la semplice interruzione dell’aiuto.

OGGETTO DEL RECUPERO

Chiudere l’output e chiedere alla persona di ricostruire ciò che dovrà restare disponibile: principio, criteri, passaggi, segnali, eccezioni e ragioni. [PP] Riportare l’AI soltanto dopo una traccia osservabile. [IT]

SOGLIA DI FADING

Ritirare una funzione quando la persona la esercita correttamente, sa spiegarne il criterio, riconosce l’errore e governa l’aiuto su più occasioni. [PP] Reintrodurla temporaneamente quando il contesto o la complessità cambiano. [IT]

Fase

Disponibilità dell’AI

Azione della persona

Evidenza raccolta

Decisione successiva

Appropriazione

Conversazione e tracce visibili

Ricostruisce principio, passaggi e revisione

Sa spiegare che cosa è cambiato e perché

Chiudere la fonte e avviare un recupero

Recupero vicino

Nascosta; accesso su richiesta motivata

Riproduce il nucleo su un compito equivalente

Accuratezza, strategia, fiducia e punto di blocco

Feedback breve, nuovo tentativo o sostegno

Variazione

Disponibile dopo l’impegno iniziale

Applica il principio a un caso con una differenza controllata

Distingue caratteristica profonda e dettaglio superficiale

Ampliare la distanza oppure tornare al contrasto

Fading

Meno anticipatoria e meno completa

Assume pianificazione, esecuzione e controllo

Riesce su più occasioni e usa bene l’aiuto

Ritirare un’altra funzione o ripristinarla temporaneamente

Prova autonoma

Assente durante la prova

Affronta un caso nuovo con criteri dichiarati

Qualità, latenza, calibrazione, recupero dall’errore

Consolidare, riaprire il ciclo o ridefinire il bersaglio

Mantenimento

Consultabile dopo il tentativo

Recupera a distanza e affronta casi mescolati

Stabilità nel tempo e riconoscimento delle condizioni

Allungare l’intervallo o riattivare pratica mirata

FORMULA DEL CAPITOLO

Alternare assistenza e recupero. [IT] Correggere dopo una traccia. [IT] Variare una dimensione alla volta. Spaziare le prove. Mescolare quando la scelta della strategia è pronta. Ritirare funzioni sulla base di evidenze convergenti. Reintrodurre aiuto quando serve e verificare di nuovo senza di esso.

TESI DEL CAPITOLO

La fluidità dell’AI rende economica la produzione di risposte e costosa la distinzione fra ciò che è soltanto plausibile e ciò che è giustificato. [IT] Il controllo epistemico distribuisce questa distinzione fra persona, fonti, interfaccia, procedure e organizzazione. [IT] La fiducia appropriata consiste nell’accettare l’aiuto corretto e respingere quello errato, caso per caso. Entro un ambiente protetto, l’errore può diventare materiale didattico quando viene isolato, verificato, corretto e seguito da una nuova prova. Dove le conseguenze sono elevate, la priorità è intercettarlo prima dell’azione.

PRIMA DISTINZIONE

La fluidità descrive come una risposta si presenta. La giustificazione descrive perché dovremmo accettarla. Un output può possedere la prima proprietà senza la seconda.

PROVA DELLA SPIEGAZIONE

Dopo averla letta, la persona sa identificare una premessa contestabile, una fonte da verificare, un’alternativa credibile e un dato che cambierebbe la conclusione? Se non può farlo, la spiegazione può aver aumentato comprensione apparente più di controllo. [IT]

CONDIZIONI PEDAGOGICHE

Usare l’errore quando il rischio è confinato, il criterio è disponibile o insegnabile, la persona produce una traccia, il feedback è certo e tempestivo, la correzione viene spiegata e una prova successiva verifica il trasferimento. Fuori da queste condizioni l’errore resta rumore o pericolo, non difficoltà desiderabile.

Forma del problema

Perché persuade

Controllo minimo

Quando escalare

Possibile uso didattico

Fatto o citazione inventati

Specificità, nomi e dettagli imitano una fonte reale

Cercare l’originale e controllare autore, data, titolo e contenuto

Se il fatto sostiene una decisione o non è reperibile

Confronto fra riferimento autentico, alterato e inesistente

Infedeltà alla fonte

La parafrasi conserva il tono e perde limiti o condizioni

Allineare ogni affermazione decisiva al passaggio pertinente

Se la sintesi modifica diritti, diagnosi, obblighi o soglie

Ricostruzione delle omissioni che cambiano il significato

Inferenza non giustificata

Conclusione fluida e premesse plausibili nascondono il salto

Esplicitare passaggi, assunzioni e controesempio

Se il nesso causale o probabilistico guida l’azione

Individuazione del primo passaggio che non segue

Raccomandazione sovraconfidente

Una sola opzione viene presentata come inevitabile

Chiedere alternative, trade-off e dati che cambierebbero scelta

Se impatto, irreversibilità o conflitto di valori sono elevati

Dibattito fra opzioni con criteri e soglie dichiarati

Omissione o silenzio

L’assenza di un avviso sembra confermare che il rischio non esista

Usare checklist indipendenti e cercare casi mancanti

Se il sistema svolge triage, monitoraggio o controllo

Casi in cui il segnale decisivo è ciò che manca

Incertezza mal rappresentata

Il tono trasforma dati scarsi o conflittuali in una stima stabile

Separare evidenza, interpretazione, previsione e preferenze

Se le stime sono fuori dominio o non calibrate localmente

Confronto fra livelli di evidenza e linguaggi di cautela

FORMULA DEL CAPITOLO

Separare plausibilità e giustificazione. [IT] Isolare le affermazioni decisive. [IT] Rappresentare l’incertezza per oggetto e causa. Contestare la raccomandazione. Verificare in modo indipendente. Calibrare l’affidamento su serie di casi. Confinare l’errore didattico. Escalare prima dell’azione quando impatto, invisibilità o irreversibilità aumentano.

TESI DEL CAPITOLO

Un buon output dimostra che una configurazione di lavoro ha prodotto un risultato soddisfacente. [IT] Per inferire apprendimento e capacità occorrono altre evidenze. [PP] Il Quadro delle Tre Prove, Q3P, separa la prestazione assistita, l’apprendimento iniziale e la capacità stabile, collegandole a compiti equivalenti, tempi definiti e decisioni esplicite. La misura diventa così un’infrastruttura per capire che cosa l’AI migliora subito, che cosa lascia nella persona e quale capacità rimane disponibile quando compito, tempo o assistenza cambiano.

REGOLA DI ATTRIBUZIONE

Ogni misura deve dichiarare il soggetto della capacità. [PP] Persona, gruppo, sistema persona–AI e organizzazione sono unità differenti. [IT] Lo stesso risultato può costituire una prova forte per una di esse e una prova debole per le altre.

Livello osservato

Domanda di misura

Condizione della prova

Evidenze principali

Inferenza consentita

Qualità dell’output

Il prodotto soddisfa criteri tecnici e d’uso?

Configurazione reale, con strumenti disponibili

Accuratezza, utilità, sicurezza, tempo, costo

Qualità di quel risultato nella configurazione osservata

Prova 1 · Prestazione assistita

Che cosa realizza il sistema persona–AI?

AI disponibile; contributi e revisioni tracciati

Output, processo, affidamento, escalation, carico

Capacità congiunta sotto quelle condizioni di assistenza

Prova 2 · Apprendimento iniziale

Che cosa è già disponibile nella persona?

AI assente; compito equivalente con variazione controllata

Accuratezza, spiegazione, strategia, fiducia, recupero

Prima appropriazione, ancora sensibile a tempo e contesto

Prova 3 · Capacità stabile

Che cosa sopravvive e attraversa il cambiamento?

Prova differita, indipendente e su caso nuovo

Ritenzione, trasferimento, calibrazione, riparazione, arresto

Disponibilità durevole entro il dominio e i limiti campionati

RUBRICA MINIMA

Valutare separatamente prodotto, rappresentazione, strategia, controllo epistemico e recupero dall’errore. Conservare i punteggi distinti finché esiste una ragione empirica e decisionale per combinarli.

DOPPIO PATRIMONIO

Misurare la capacità congiunta che crea valore oggi e la riserva umana che permette di controllare, apprendere, innovare e reagire domani. [IT] La sostenibilità dell’adozione dipende dal rapporto fra questi due patrimoni. [IT]

Indicatore

Che cosa rende visibile

Calcolo o evidenza

Lettura congiunta

Uso prudente

Qualità assistita

Valore prodotto nella configurazione persona–AI

Rubrica di dominio, valutazione cieca, errori critici

Con tempo, costo e qualità di base

Misura il sistema congiunto, non l’apprendimento

Uplift assistito

Vantaggio immediato dell’accesso all’AI

Prestazione assistita meno baseline equivalente

Con eterogeneità per esperienza e compito

Richiede forme parallele e scale comparabili

Guadagno iniziale

Appropriazione poco dopo l’attività

Prova 2 meno baseline indipendente

Con strategia, spiegazione e fiducia

Evita di scambiarlo per stabilità

Ritenzione e trasferimento

Persistenza e uso in casi nuovi

Prova 3 per distanza e intervallo definiti

Con successo del recupero e tipo di errore

Dichiara sempre tempo e distanza del trasferimento

Divario di dipendenza

Distanza fra risultato assistito e disponibilità autonoma

Prestazione assistita meno prova indipendente comparabile

Con ruolo previsto dell’AI e rischio di indisponibilità

Un divario può essere accettabile se governato

Affidamento appropriato

Accettazione del consiglio corretto e rifiuto di quello errato

Tassi distinti su raccomandazioni corrette e scorrette

Con fiducia, competenza e severità dell’errore

Mai ridurlo alla concordanza media con l’AI

Recupero dall’errore

Capacità di rilevare, fermare e riparare

Tempo, passaggi, fonte usata, qualità finale

Con omissioni e casi ad alta fiducia

Essenziale nei domini ad alto impatto

Equità degli esiti

Distribuzione di benefici, errori e accesso alla capacità

Differenze fra gruppi con incertezza statistica

Con baseline, compiti e qualità dell’uso

Serve per correggere il sistema, non etichettare le persone

FORMULA DEL CAPITOLO

Definire il soggetto della capacità. [IT] Dichiarare l’inferenza e l’uso. [IT] Campionare una famiglia di compiti. Misurare prestazione assistita, apprendimento iniziale e capacità stabile. Separare prodotto e governo. Descrivere tempo e dose di assistenza. Conservare un profilo di indicatori. Collegare ogni soglia a una decisione revisionabile.

TESI DEL CAPITOLO

La progettazione diventa capacitante quando il guadagno prodotto dall’AI viene collegato a una scelta esplicita sulle capacità da costruire, conservare e distribuire. [IT] Il PPC-AI, Protocollo di Progettazione Capacitante, parte dalla capacità bersaglio, scompone il lavoro in operazioni, assegna a persona e AI funzioni diverse, disegna l’interazione prima, durante e dopo l’assistenza, programma controllo epistemico e fading, quindi verifica gli esiti attraverso le Tre prove. [PP] La sequenza è ciclica: le evidenze raccolte modificano allocazione, supporto e criteri.

DEFINIZIONE OPERATIVA

Un progetto capacitante produce valore nel presente e aumenta, preserva o distribuisce intenzionalmente le capacità necessarie per governare prestazioni, errori e cambiamenti futuri. [IT]

Passaggio

Domanda decisiva

Artefatto prodotto

Evidenza richiesta

Gate o decisione

0 · Mandato e confini

Perché interveniamo e quale rischio possiamo assumere?

Mandato, destinatari, zona di rischio, vincoli

Bisogno osservabile, responsabilità, conseguenze

Procedere, restringere o fermare

1 · Capacità bersaglio

Che cosa dovrà restare disponibile nella persona o nel gruppo?

Contratto di capacità con criteri e limiti

Prestazioni autentiche ed errori critici

Costrutto sufficientemente definito

2 · Profilo iniziale

Da quale configurazione di esperienza partiamo?

Baseline e profilo principiante–intermedio–esperto

Prova indipendente, fiducia, strategie, contesto

Livello e sostegno iniziali

3 · Mappa delle operazioni

Quali operazioni producono il risultato e formano la capacità?

Mappa di generazione, esecuzione e controllo

Workflow reale, casi, eccezioni, incidenti

Operazioni formative e critiche riconosciute

4 · Allocazione persona–AI

Chi propone, decide, esegue, verifica e arresta?

Matrice di allocazione per operazione

Rischio, apprendimento, auditabilità, reversibilità

Responsabilità e riserva umana definite

5 · Interazione capacitante

Che cosa accade prima, durante e dopo il contributo dell’AI?

Script di interazione, hint, feedback e recuperi

Tracce umane, punti di blocco, uso dell’aiuto

Assistenza proporzionata e interpretabile

6 · Controllo epistemico

Come vengono contestati errori, omissioni e incertezza?

Fonti, checklist, escalation e registro decisionale

Affermazioni decisive, verifiche indipendenti

Barriere coerenti con il rischio

7 · Fading e continuità

Quali funzioni tornano alla persona e quando?

Piano di ritiro, ripristino e funzionamento degradato

Prestazioni ripetute, richiesta d’aiuto, recupero

Ritirare, mantenere o reintrodurre sostegno

8 · Tre prove

Che cosa migliora ora, che cosa viene appreso e che cosa rimane?

Piano Q3P, rubriche, tempi e forme parallele

Prestazione assistita, prova iniziale e differita

Apprendimento, dipendenza o riprogettazione

9 · Pilot e revisione

Il sistema produce valore e capacità nelle condizioni reali?

Rapporto di pilot, decision log e nuova versione

Esiti, processi, eterogeneità, conseguenze inattese

Scalare, modificare, confinare o abbandonare

CONTRATTO DI CAPACITÀ

Al termine del progetto, il soggetto indicato sarà capace di compiere una famiglia definita di azioni, riconoscere condizioni e limiti, governare l’aiuto, rilevare errori critici e trasferire il criterio entro un intervallo dichiarato. [PP]

Regime

Ruolo della persona

Ruolo dell’AI

Quando è appropriato

Prova da conservare

Titolarità umana

Formula criterio, decide e risponde dell’esito

Può organizzare informazioni senza chiudere la decisione

Valori, diritti, rischio alto, giudizio contestuale

Ragioni, controipotesi e soglia di arresto

Generazione umana assistita

Produce una prima rappresentazione o un tentativo

Amplia, contrasta, completa o segnala lacune

Quando il tentativo costruisce lo schema da apprendere

Traccia precedente all’AI e revisione motivata

Lavoro congiunto

Orienta, seleziona, verifica e integra

Propone opzioni, simula, calcola o recupera

Informazione complementare e controlli disponibili

Decisioni intermedie, fonti e attribuzione dei contributi

Delega sorvegliata

Definisce vincoli, campiona e gestisce eccezioni

Esegue operazioni frequenti e standardizzabili

Alta verificabilità, reversibilità e basso valore formativo

Tasso d’errore, campioni controllati e incidenti

Automazione vincolata

Governa regole, soglie, audit e ricorso

Esegue entro un perimetro validato

Processo stabile con garanzie tecniche e organizzative

Provenienza, log, continuità e test di deriva

PRINCIPIO DI ALLOCAZIONE

Automatizzare ciò che è tecnicamente possibile è una decisione implicita. [PP] Allocare in modo capacitante significa scegliere, per ogni operazione, il rapporto fra valore prodotto, esperienza formativa, rischio, verificabilità e continuità. [IT]

GATE D

Scalare soltanto quando il pilot mostra un valore assistito reale, una traiettoria di capacità coerente con il mandato, controlli proporzionati al rischio ed esiti accettabili per i gruppi coinvolti. [IT]

FORMULA DEL CAPITOLO

Partire dalla capacità. [IT] Osservare il punto di partenza. [IT] Scomporre il lavoro in operazioni. Allocare esecuzione, giudizio e responsabilità. Disegnare ciò che accade prima, durante e dopo l’AI. Incorporare verifica ed escalation. Programmare fading e continuità. Misurare con le Tre prove. Pilotare, contestare e revisionare.

TESI DEL CAPITOLO

L’expertise è un prodotto organizzativo prima ancora che una proprietà individuale. [IT] Nasce quando il lavoro espone progressivamente a casi, criteri, errori e responsabilità; si rinnova quando esperti, intermedi e principianti hanno tempo e incentivi per trasformare l’esperienza in capacità condivisa. [IT] L’AI può accelerare questa circolazione oppure interromperne i passaggi. Un’organizzazione capacitante governa insieme valore presente, formazione, riproduzione dell’expertise e capacità di riserva operativa.

PRINCIPIO ORGANIZZATIVO

Ogni decisione sull’AI modifica contemporaneamente il flusso del lavoro, il flusso dell’esperienza e la futura distribuzione dell’expertise. [PP] Valutare soltanto il primo significa governare il presente consumando informazioni sul futuro. [IT]

DEBITO DI CAPACITÀ

Un guadagno di efficienza genera debito di capacità quando sottrae esperienze necessarie alla formazione, concentra il giudizio in pochi nodi o riduce la possibilità di funzionare senza assistenza, senza creare percorsi equivalenti di apprendimento e continuità. [IT]

Dimensione

Domanda

Indicatori sentinella

Lettura congiunta

Decisione possibile

Valore presente

Il sistema migliora il lavoro oggi?

Qualità, tempo, errori, rilavorazioni, esiti per destinatari

Prestazione assistita e costo totale del controllo

Estendere, correggere o ritirare l’uso

Formazione

Le persone diventano più capaci?

Tre prove, progressione di autonomia, trasferimento, calibrazione

Guadagno assistito rispetto a disponibilità autonoma

Cambiare compiti, feedback o fading

Esperienza

Quali casi costruiscono giudizio?

Prime rappresentazioni, varietà casi, eccezioni, riparazioni

Volume dell’attività e qualità dell’esposizione

Riservare o simulare esperienze formative

Riproduzione

L’expertise si rinnova?

Tempo alla capacità stabile, TRC, copertura successori, mentoring

Ingressi capaci rispetto a uscite e concentrazione

Assumere, ruotare, formare o trasferire

Capacità di riserva

Il lavoro regge in condizioni degradate?

Prove senza AI, persone abilitate, tempo di recupero, escalation

Ridondanza dichiarata rispetto a capacità esercitata

Allenare, distribuire o limitare la dipendenza

Equità

Chi riceve occasioni di crescita?

Casi, feedback, mentoring e autonomia per gruppo e posizione

Medie aggregate rispetto a distribuzione delle opportunità

Riallocare accessi, sostegni e responsabilità

Livello

Uso dell’AI

Lavoro junior

Mentoring e tempo

Evidenza organizzativa

1 · Estrattivo

Ottimizza output e uso

Ridotto a supporto residuale

Informale, assorbito dai carichi

Produttività corrente

2 · Protetto

Aggiunge regole e formazione

Conserva alcuni compiti di ingresso

Ore previste, esiti separati

Corsi, utilizzo, incidenti

3 · Capacitante

Alloca per valore e apprendimento

Costruisce una scala d’autonomia

Riconosciuto in ruoli e obiettivi

Tre prove, TRC e capacità di riserva

4 · Rigenerativo

Ridisegna lavoro e tecnologia

Amplia casi e responsabilità

Rete che apprende dagli incidenti

Valore, capacità, equità, continuità

FORMULA DEL CAPITOLO

Trattare l’expertise come un patrimonio dinamico. [IT] Proteggere il lavoro junior come esperienza progressiva. [IT] Rendere il mentoring una funzione produttiva. Assegnare il tempo liberato. Misurare valore, formazione, riproduzione, capacità di riserva ed equità. Allineare incentivi e responsabilità. Provare la continuità prima che diventi emergenza.

Tesi del capitolo

Un esempio dimostra poco quando mostra soltanto un buon prompt o un output riuscito. [IT] Un laboratorio è completo quando segue la stessa capacità dalla definizione alla prova stabile, rende visibili le operazioni che la compongono, assegna intenzionalmente il lavoro a persona e AI, organizza errore e fading e collega gli esiti alle condizioni dell’organizzazione. [PP] I sei laboratori fanno attraversare all’intero PPC-AI una capacità comune: formulare, motivare e governare un giudizio responsabile sotto incertezza.

Passaggio

Domanda di progetto

Traccia richiesta

Decisione

1 · Contratto

Quale capacità deve restare alla persona?

Verbo, oggetto, condizioni, standard, autonomia

Confine del laboratorio

2 · Profilo

Da dove parte chi apprende?

Baseline assistita e autonoma, errori e strategie

Dose iniziale di sostegno

3 · Operazioni

Quali trasformazioni producono il giudizio?

Segnali, inferenze, verifiche e comunicazione

Nodi da esercitare

4 · Allocazione

Che cosa fa persona, AI o coppia?

Razionale per valore, apprendimento e rischio

Automatizzare, assistere o riservare

5 · Interazione

Che cosa accade prima, durante e dopo?

Tentativo, feedback, recupero e trasferimento

Sequenza e tempi

6 · Controllo

Come si riconoscono errore e incertezza?

Fonti, alternative, dissenso, escalation

Soglie di arresto

7 · Fading

Come si ritira il sostegno?

Livelli, criteri di passaggio e ritorno

Autonomia progressiva

8 · Tre prove

Che cosa sa fare con, subito senza e più tardi?

Esiti separati e confrontabili

Continuare, correggere o fermare

9 · Organizzazione

Quali condizioni rendono stabile il percorso?

Tempo, mentoring, casi, metriche, responsabilità

Sostenibilità e capacità di riserva

Contratto di capacità

Al termine, l’analista sa formulare e difendere una tesi orientata a un destinatario, costruire una catena fra domanda, evidenze e implicazioni, qualificare l’incertezza, anticipare un’obiezione forte e ricostruire il nucleo argomentativo senza AI su un dossier nuovo. [IT] L’AI amplia ricerca e revisione; la tesi e la responsabilità delle fonti restano all’autrice. [IT]

Contratto di capacità

L’analista sa trasformare una domanda vaga in un estimando e in un piano di evidenza; distingue descrizione, associazione, identificazione causale e giudizio di policy; verifica dati e codice; integra fonti eterogenee; comunica incertezza e alternative; ripete il ragionamento su un disegno variato senza delegare all’AI la validità dell’inferenza. [PP]

Contratto di capacità

Il gruppo sa formulare la decisione e i suoi valori, costruire opzioni realmente diverse, distinguere previsione e preferenza, interrogare dati e modello, cercare effetti distributivi, contestare una raccomandazione plausibile, scegliere con motivazione pubblica e adattare la scelta quando arriva nuova informazione. [PP]

Contratto di capacità

Il formatore sa allineare capacità bersaglio, casi, supporti e Tre prove; calibra la difficoltà per profilo, usa l’AI come tutor contingente e simulatore, interpreta le tracce di errore, ritira il supporto e modifica il percorso sulla base di prestazioni autonome e trasferimento. [IT]

Contratto di capacità

La persona orientata sa costruire una rappresentazione revisabile di sé e dei contesti, formulare più ipotesi di percorso, cercare informazioni e incontri reali, confrontare opzioni con criteri propri, riconoscere vincoli e possibilità, progettare piccoli esperimenti e motivare una scelta provvisoria senza trattare l’AI come oracolo identitario. [IT]

Contratto di capacità

Il professionista mantiene una scansione visiva indipendente, riconosce segnali e artefatti, formula e aggiorna un giudizio, confronta l’indicazione dell’AI con il quadro clinico, contesta falsi positivi e falsi negativi, documenta incertezza ed escalation e dimostra periodicamente capacità autonoma su casi appropriati e simulazioni validate. [IT]

Laboratorio

Oggetto del giudizio

Rischio dominante

Prova autonoma decisiva

Esito organizzativo

Scrittura

Tesi pubblica fondata

Fluidità senza comprensione

Ricostruire tesi e fonti su nuovo dossier

Autori capaci, non correttori

Analisi

Inferenza proporzionata

Causalità abusiva

Analizzare una variazione di disegno

Metodo contestabile e riproducibile

Decisione

Scelta responsabile

Ancoraggio alla raccomandazione

Decidere con shock e AI assente

Autorità, dissenso, memoria

Formazione

Intervento che forma

Confondere uso e capacità

Riprogettare per un nuovo profilo

Docenti che apprendono dagli esiti

Orientamento

Scelta appropriabile

Prescrizione dell’identità

Motivare e revisionare il piano

Servizio equo e aperto

Sanità

Rilevazione e condotta sicura

Bias e atrofia percettiva

Sessioni periodiche senza AI

Capacità di riserva clinica verificata

Criterio di completezza

Un laboratorio è completo quando consente di rispondere con evidenze separate: il sistema congiunto produce un risultato migliore? La persona apprende qualcosa che resta subito senza assistenza? La capacità si mantiene e trasferisce? L’organizzazione sa sostenere e correggere questa dinamica nel tempo?

Campo

Domanda di progettazione

Compilazione

Soggetto

Chi deve diventare o restare capace?

Famiglia di situazioni

In quali situazioni variabili dovrà agire?

Operazioni osservabili

Quali verbi descrivono la capacità?

Criteri

Che cosa distingue una prestazione adeguata?

Errori critici

Quali errori non sono delegabili o tollerabili?

Orizzonte

Quando e per quanto tempo la capacità deve restare disponibile?

Operazione

Nucleo o contorno

Allocazione iniziale

Rischio di sostituzione

Evidenza/prova

Fase

Azione della persona

Funzione dell’AI

Vincolo o soglia

Traccia da conservare

Prima

Previsione, tentativo, recupero, criteri

Durante

Confronto, domanda, revisione, decisione

Dopo

Recupero, trasferimento, spiegazione autonoma

Variazione

Cambio di caso, formato, vincolo o contesto

Prova

Compito e condizioni

Indicatore

Soglia

Esito

Prestazione assistita

Apprendimento iniziale

Capacità stabile

Affermazione/decisione

Fonte o base

Incertezza

Controllo indipendente

Responsabile/esito

Fase/tempo

Supporto disponibile

Prova autonoma

Trigger di ripristino

Esito e revisione

Valore prodotto

Apprendimento iniziale

Capacità stabile

Controllo epistemico

Capacità di riserva

Equità

N.

Elemento

Stato

Esito dell’audit

1

Domande di ricerca

Integrato

RQ1–RQ6 formalizzate in A.2

2

Banche dati e stringhe

Protocollo pronto

Fonti e stringhe definitive in A.3; manca il log di esecuzione

3

Copertura temporale

Integrato

Tre finestre temporali definite in A.3

4

Inclusione ed esclusione

Integrato

Criteri PCC e regole decisionali in A.4

5

Conteggi dei record

Aperto

Richiede riesecuzione, esportazione e deduplicazione registrata

6

Flusso PRISMA-ScR

Provvisorio

Struttura presente; conteggi indicati come ND

7

Charting degli studi

Parziale verificato

16 studi sentinella chartati; estensione al corpus dopo lo screening

8

Classificazione multidimensionale

Integrato sui sentinella

AI, popolazione, compito, misura, traiettoria ed esito

9

Studi–ipotesi–capitoli

Integrato

Matrice di tracciabilità in A.8

10

Limiti

Integrato

Limiti metodologici ed epistemici in A.9

Flusso

Copertura

Stringa

Fonti

GenAI e capacità

30 novembre 2022–31 agosto 2026

S1 + S2

Tutte le sette banche dati

AI educativa e decisionale

1 gennaio 2000–31 agosto 2026

S1 sostituendo il blocco GenAI con AI/tutor/decision support

Tutte le sette banche dati

Fondamenti teorici

Dall’avvio della banca dati–31 agosto 2026

S3 per costrutto

PsycINFO, ERIC, Scopus, WoS

Letteratura grigia

30 novembre 2022–31 agosto 2026

S1/S2 semplificate + ricerca per sito

Portali istituzionali

Dimensione

Inclusione

Esclusione

Popolazione

Studenti, adulti in formazione, lavoratori, professionisti, trainee e organizzazioni

Studi privi di soggetti o implicazioni per capacità umane

Concetto

AI assistiva o generativa collegata a apprendimento, ragionamento, expertise, autonomia o controllo

AI usata soltanto per classificazione tecnica senza interazione con persone

Contesto

Educazione, formazione, lavoro cognitivo, decisione, orientamento e sanità

Contesti estranei alla domanda e senza trasferibilità argomentata

Fonti

Studi empirici, revisioni, meta-analisi, rapporti istituzionali con metodo e contributi teorici fondativi

Editoriali e contenuti commerciali usati come prova empirica

Misure

Prestazione assistita, post-test, ritenzione, trasferimento, prova autonoma, carico, metacognizione, fiducia, errori

Solo gradimento o intenzione d’uso, senza outcome di processo o capacità

Lingua

Nessun filtro in ricerca; traduzione del full text quando praticabile

Esclusione per lingua soltanto se il testo resta tecnicamente inaccessibile

Periodo

Finestre definite in A.3

Fonti fuori finestra, salvo fondamenti teorici esplicitamente giustificati

Fase

Stato documentale

IDENTIFICAZIONE

Record da banche dati: ND | record da altre fonti: ND

↓

DEDUPLICAZIONE

Record dopo rimozione duplicati: ND

↓

SCREENING

Record esaminati: ND | record esclusi: ND

↓

ELEGGIBILITÀ

Full text valutati: ND | esclusi con motivazione: ND

↓

INCLUSIONE

Corpus finale della scoping review: ND | studi sentinella già chartati: 16

ID

Fonte

Dominio/compito

Disegno

Popolazione

AI/configurazione

E01

Bastani et al. (2025)

Matematica scolastica

Field experiment randomizzato

Studenti high school, circa 1.000

GPT Base vs GPT Tutor con guardrail

E02

Kestin et al. (2025)

Fisica universitaria

Trial randomizzato controllato

Studenti universitari

Tutor AI progettato su materiali e pedagogia

E03

Kosmyna et al. (2025)

Scrittura

Studio sperimentale a sessioni ripetute, preprint

54; 18 nella sessione crossover

LLM, motore di ricerca, brain-only

E04

Zindulka et al. (2026)

Ideazione e scrittura

Esperimento HCI

Adulti, campione sperimentale

Workflow umano, AI e misto

E05

Lee et al. (2025)

Knowledge work

Survey mixed-method peer-reviewed

319 knowledge worker; 936 esempi

GenAI in attività lavorative reali

E06

Budzyń et al. (2025)

Medicina / colonscopia

Multicentrico osservazionale

1.443 procedure non assistite; 19 endoscopisti

Esposizione routinaria a CADe

E07

Natali et al. (2025)

Medicina

Review sistematica + narrativa

22 studi sistematici; 62 fonti narrative

AI decision support clinico

E08

Abdulnour, Gin & Boscardin (2025)

Formazione medica

Review / framework educativo

Educatori e trainee clinici

AI nella supervisione clinica

E09

Ke et al. (2026)

Formazione medica

Perspective

Trainee clinici

AI introdotta precocemente

E10

Xie et al. (2026)

Formazione medica

Review sistematica e meta-analisi

31 studi; 2.615 studenti

Interventi GenAI eterogenei

E11

Shen & Tamkin (2026)

Programmazione

Esperimenti randomizzati, preprint

Sviluppatori che apprendono una nuova libreria

Assistenza AI con pattern di uso diversi

E12

Liu et al. (2026)

Ragionamento e comprensione

Serie di RCT, preprint

N totale 1.222

Assistenza AI a risposta immediata

E13

Wu et al. (2026)

Logic puzzle

Esperimento controllato, preprint

Partecipanti adulti

AI on-demand con costo manipolato

E14

Zhou et al. (2026)

Neuroscienze

Studio intracranico + modellistica

Pazienti sottoposti a monitoraggio intracranico

Nessuna GenAI

E15

OECD (2026)

Educazione

Sintesi istituzionale

Evidenze internazionali

GenAI generalista ed educativa

E16

OECD & European Commission (2026)

AI literacy

Framework istituzionale

Scuola primaria e secondaria

Engage, Create, Manage, Shape AI

E17

Suo et al. (2026)

Educazione / conversational agents

Review sistematica e meta-analisi

27 studi empirici, 2022–2025

Conversational agent GenAI in configurazioni eterogenee

E18

Zhang et al. (2026)

Educazione

Meta-review sistematica

35 revisioni sistematiche

Applicazioni GenAI eterogenee per livello e disciplina

E19

Boolzen et al. (2026)

STEM education

Review sistematica e meta-analisi

Studi STEM con outcome cognitivi

GenAI in attività di apprendimento STEM

ID

Prova indipendente

Misura

Traiettoria

Forza

Risultato e limite

E01

Sì: esame senza AI

Performance in pratica ed esame

Augmentation + rischio never-skilling

Alta

GPT Base migliora la pratica ma peggiora l’esame autonomo; il tutor con guardrail evita il danno. Limite: Un contesto scolastico e una disciplina; durata circoscritta. [EP]

E02

Sì: test di apprendimento

Apprendimento e tempo

Upskilling

Alta

Tutor intenzionalmente progettato produce maggiori guadagni in meno tempo e migliore engagement. Limite: Intervento breve e altamente curato; generalizzabilità da verificare. [EP]

E03

Parziale: crossover LLM-to-brain

Connettività EEG, recall, ownership

Segnale di offloading sostitutivo

Media-bassa

Il gruppo LLM mostra connettività più debole e minore richiamo del proprio testo; under-engagement nel crossover. Limite: Preprint; piccolo crossover; EEG non prova danno stabile né localizzazione precisa. [EP]

E04

Sì: attribuzione dopo una settimana

Source memory

Mis-skilling / calibrazione

Media-alta

L’attribuzione della provenienza peggiora dopo uso AI, soprattutto nei workflow misti. Limite: Misura memoria della fonte, non apprendimento disciplinare generale. [EP]

E05

No

Sforzo critico auto-riferito

Augmentation + ridistribuzione

Media

L’AI sposta lo sforzo verso verifica, integrazione e stewardship; fiducia nell’AI predice meno pensiero critico. Limite: Self-report; nessuna misura longitudinale o oggettiva delle competenze. [EP]

E06

Sì: colonscopie senza AI

Adenoma detection rate

Deskilling

Media-alta

ADR senza AI scende da 28,4% a 22,4%; differenza -6,0 punti, p=0,0089. Limite: Osservazionale; fatica, carico e case mix possono contribuire; un singolo dominio. [EP]

E07

Solo in una minoranza

Competenze cliniche e autonomia

Deskilling + upskilling inhibition

Media

Distingue erosione di competenze e riduzione delle opportunità di acquisizione; evidenza diretta ancora frammentaria. Limite: Corpus eterogeneo; parte narrativa; prevalenza di preoccupazioni e proxy. [EP]

E08

Proposta, non testata

Pensiero critico e supervisione

Deskilling + never-skilling + mis-skilling

Teorica forte

Formalizza la triade dei fallimenti di capacità e propone supervisione e pensiero critico come protezioni. Limite: Framework; efficacia delle strategie da testare. [IT]

E09

Propone baseline senza AI

Ragionamento clinico indipendente

Never-skilling

Teorica emergente

Definisce il rischio e un percorso in tre fasi: baseline indipendente, calibrazione, integrazione supervisionata. Limite: Gli autori dichiarano assenza di evidenza causale diretta nei trainee. [IT]

E10

Variabile

Conoscenze, skill cliniche, scrittura

Upskilling incerto

Media

Nessun vantaggio significativo aggregato per medicina clinica; benefici in nursing e scrittura; forte eterogeneità. Limite: Qualità GRADE bassa/molto bassa; I2 76-92%; interventi non commensurabili. [EP]

E11

Sì: comprensione, lettura e debugging

Skill formation

Never-skilling condizionale

Media

La delega piena danneggia comprensione e debugging; pattern cognitivamente impegnati preservano l’apprendimento. Limite: Preprint; un dominio tecnico; stime da replicare. [EP]

E12

Sì: performance successiva autonoma

Persistenza e performance

Never-skilling / dipendenza

Media-alta

Dopo interazioni brevi l’assistenza migliora l’esito immediato ma riduce persistenza e performance autonoma. Limite: Preprint; effetti di breve periodo; occorre replica longitudinale. [EP]

E13

Sì: fase post-AI

Abilità latente e performance autonoma

Never-skilling condizionale

Media

Assistenza più economica aumenta l’uso; chi la richiede di più migliora meno dopo la rimozione. Limite: Preprint recente; task artificiale; selezione nell’uso on-demand. [EP]

E14

Non applicabile

Aggiornamento model-based

Meccanismo di apprendimento

Alta per il meccanismo; indiretta per AI

Ripple e coordinazione frontopolare sono associati alla prioritizzazione di aggiornamenti non locali. Limite: Non studia AI, scrittura o formazione; popolazione clinica; vietate inferenze pedagogiche dirette. [EP]

E15

Valorizza test senza AI

Performance vs learning

Tutte le traiettorie

Sintesi autorevole

La pedagogia determina se l’AI migliora soltanto il compito o genera apprendimento durevole. Limite: Rapporto di sintesi; dipende dalla qualità degli studi sottostanti. [IT]

E16

Prevede autonomia e agency

Conoscenze, skill, atteggiamenti

Upskilling / agency

Teorica-applicativa

Integra pensiero critico, uso creativo, gestione responsabile e capacità di incidere sui sistemi AI. Limite: Framework di competenze; non prova l’efficacia delle singole pratiche. [IT]

E17

Variabile tra gli studi

Esiti cognitivi e non cognitivi

Upskilling condizionale

Media-alta

Effetti medi moderatamente positivi (g = 0,462 cognitivi; g = 0,519 non cognitivi); moderazione per livello, durata, ruolo dell’agente e modalità. Limite: eterogeneità e prevalenza di esiti prossimali; non equivale a capacità stabile. [RR]

E18

Dipende dalle review incluse

Outcome educativi e rischi

Quadro di sintesi

Sintesi di secondo livello

Conferma potenzialità per personalizzazione e feedback, ma rileva debole grounding teorico e valutazione incompleta degli esiti; mitigazioni di over-reliance ancora poco operative. Limite: eredita qualità ed eterogeneità delle 35 review incluse. [RR]

E19

Variabile

Outcome cognitivi in STEM

Upskilling condizionale

Media-alta

Rileva evidenza di impatto positivo della GenAI sugli esiti cognitivi STEM, accompagnata da limiti interpretativi dovuti a eterogeneità di interventi, comparatori e misure. Limite: trasferimento ad altri domini e durata degli effetti da verificare. [RR]

Ipotesi

Costrutto

Evidenze principali

Capitoli

Conclusione

H1-R

Divergenza prestazione–capacità

E01, E03, E05, E06, E11–E13, E15, E18–E19

1, 3, 5, 11

Sostegno condizionale; le sintesi 2026 rafforzano la necessità di misure autonome, differite e comparabili

H2-R

Congruenza funzionale

E01, E02, E11, E12, E15, E17–E19

4, 5, 12

Sostegno medio-alto; configurazione, funzione delegata, comparatore e misura contano più dell’etichetta tecnica

H3-R

Generazione preliminare calibrata

E01, E11; Bertsch et al. (2007); Sinha e Kapur (2021)

2, 7

Base generale robusta, evidenza GenAI diretta limitata

H4-R

Scaffolding ed elicitazione

E01, E02, E10, E15–E19

6, 8

Sostegno forte al principio; sintesi 2026 mostrano effetti medi positivi ma forte eterogeneità tra implementazioni

H5a-R

Recupero autonomo intermittente

E12, E13, E15; Adesope et al. (2017); Agarwal et al. (2021)

3, 9

Meccanismo robusto; implementazione GenAI ancora emergente

H5b-P

Fading adattivo

E15; Atkinson et al. (2003); van de Pol et al. (2010)

9, 12

Proposta progettuale plausibile, confronti diretti insufficienti

H6-R

Moderazione dinamica dell’expertise

E01, E02, E05, E10, E15–E17; Tetzlaff et al. (2025)

6, 8

Sostegno medio-alto; la direzione varia con expertise, ruolo dell’assistenza e assetto didattico

H7-R

Assimilazione condizionale dell’errore

E04, E05, E07–E09; Buçinca et al. (2021); Vasconcelos et al. (2023)

10

Rischio plausibile; persistenza longitudinale poco misurata

H8

Contesto organizzativo

E05–E07, E15; Beane (2019); Brynjolfsson et al. (2025)

13

Condizione ecologica e agenda di ricerca, senza direzione causale unica

Appendice metodologica e apparato scientifico

Questa appendice riunisce il metodo di costruzione della base scientifica, la legenda dei marcatori epistemici e il percorso necessario per trasformare la rapid scoping evidence map in una scoping review pienamente riproducibile. Separa ciò che è già documentato da ciò che richiede una nuova esecuzione registrata della ricerca e rende visibile l’incertezza metodologica residua.

A.0 Statuto scientifico e costruzione della evidence map

La base scientifica del volume è stata costruita come una rapid scoping evidence map transdisciplinare orientata alla costruzione e alla messa alla prova del modello, non come una scoping review già completata. [IT]

La domanda è stata articolata secondo la logica PCC: persone in apprendimento o al lavoro, inclusi studenti, professionisti e organizzazioni; assistenza dell’AI e capacità che rimane disponibile senza di essa; contesti educativi, formativi, decisionali, lavorativi e sanitari. [IT]

La ricerca è proceduta per cicli tematici iterativi, verifica delle fonti primarie, inseguimento delle citazioni e confronto tra tradizioni disciplinari. [IT]

Sono state incluse revisioni e meta-analisi, studi sperimentali e quasi-sperimentali, studi sul campo e osservazionali, oltre a contributi teorici necessari per definire meccanismi e costrutti. [IT]

La selezione ha privilegiato pertinenza per la domanda, trasparenza del disegno e delle misure, qualità metodologica e capacità di distinguere prestazione assistita, apprendimento iniziale e capacità stabile. [IT]

La sintesi è narrativa e meccanicistica: ordina i risultati per processi causali plausibili, moderatori e condizioni di confine, mantenendo visibile la forza epistemica di ogni passaggio. [IT]

Il resoconto assume PRISMA-ScR come riferimento di trasparenza e integra il quadro originario di Arksey e O’Malley, gli affinamenti di Levac e colleghi e la guida metodologica aggiornata del JBI. [IT]

Non sono stati preregistrati un protocollo e stringhe di ricerca integralmente riproducibili, né è stato svolto uno screening cieco e indipendente da due revisori. [IT]

Perciò il risultato va interpretato come una mappa dell’evidenza informata, esplicita e falsificabile, non come una revisione sistematica esaustiva né come una graduatoria universale degli interventi. [IT]

L’aggiornamento bibliografico si chiude il 31 agosto 2026; la bibliografia del volume comprende 132 riferimenti unici, mentre la matrice analitica approfondisce 16 studi sentinella. [IT]

A.0.1 Come leggere i marcatori epistemici

La revisione scientifica sottostante ha assegnato uno statuto a ogni frase dichiarativa e a ogni voce sostantiva delle tabelle. L’edizione principale rende visibili i marcatori soltanto nei passaggi che sostengono una conclusione decisiva o ne delimitano la portata. Titoli, domande, scenari esplicitamente ipotetici e riferimenti bibliografici restano privi di marcatore.

[RR] Risultato robusto. convergenza di ricerche mature, revisioni o meta-analisi coerenti; generalizzazione comunque circoscritta a popolazioni e condizioni pertinenti.

[EP] Evidenza promettente. studio singolo, corpus emergente, risultato osservazionale o contestuale che merita attenzione e replica.

[IT] Inferenza teorica. interpretazione, distinzione concettuale o deduzione che organizza le evidenze e rimane aperta a confutazione.

[PP] Proposta progettuale. regola, procedura, soglia o scelta normativa offerta per essere sperimentata e valutata.

Unità di classificazione. La frase dichiarativa costituisce l’unità ordinaria; nelle tabelle vale la singola voce. Quando un periodo contiene statuti incompatibili, prevale lo statuto più prudente. Marcatori visibili nell’edizione principale: 252 — RR 22, EP 38, IT 156, PP 36.

Regola di lettura. RR non significa verità definitiva; EP non significa evidenza debole; IT non equivale a opinione arbitraria; PP non equivale a pratica già validata. Ogni classe obbliga a una domanda diversa: replicabilità, estensione dell’evidenza, coerenza teorica o valutazione dell’implementazione.

A.1 Esito dell’audit di completezza

L’audit è stato condotto rispetto ai 22 item di PRISMA-ScR, alla guida JBI per la conduzione delle scoping review e a PRISMA-S per il resoconto delle ricerche bibliografiche. [IT]

A.2 Domande di ricerca definitive

RQ1. In quali condizioni la prestazione ottenuta con l’AI diverge dall’apprendimento iniziale e dalla capacità stabile osservata dopo il ritiro dell’assistenza? [IT]

RQ2. Quali processi mediano gli effetti dell’AI sulla capacità, con particolare riguardo a generazione, recupero, feedback uptake, monitoraggio metacognitivo, correzione dell’errore e calibrazione della fiducia? [IT]

RQ3. In che modo conoscenza pregressa, expertise, complessità del compito, dominio, durata, rischio e supervisione modificano benefici e costi dell’assistenza? [IT]

RQ4. Quali configurazioni di interazione sono associate ad augmentation, upskilling, deskilling, never-skilling, mis-skilling o reskilling? [IT]

RQ5. Quali condizioni organizzative favoriscono la riproduzione dell’expertise, la capacità di riserva e l’attribuzione responsabile del giudizio? [IT]

RQ6. Quali vuoti di evidenza impediscono inferenze causali o longitudinali e quali disegni potrebbero colmarli? [IT]

A.3 Fonti informative, copertura e strategia di ricerca

Il set minimo per la riesecuzione comprende Scopus, Web of Science Core Collection, APA PsycINFO, ERIC, MEDLINE/PubMed, IEEE Xplore e ACM Digital Library. La letteratura grigia viene cercata nei portali OECD, Commissione europea, UNESCO, ILO, NIST e WHO, integrando backward e forward citation searching. [PP]

S1 — Esiti di capacità. ("generative artificial intelligence" OR "large language model*" OR ChatGPT OR "AI tutor*" OR "intelligent tutoring system*" OR "AI-assisted" OR "computer-aided detection" OR "clinical decision support") AND (learn* OR skill* OR competenc* OR expertise OR "critical thinking" OR reason* OR metacognit* OR "self-regulated learning" OR retention OR transfer OR recall OR autonom* OR "independent performance"). [PP]

S2 — Meccanismi e rischi. ("generative artificial intelligence" OR "large language model*" OR ChatGPT OR "AI tutor*" OR "intelligent tutoring system*" OR "AI-assisted" OR "computer-aided detection" OR "clinical decision support") AND (deskill* OR "never-skill*" OR "skill formation" OR offload* OR overreliance OR "automation bias" OR "cognitive load" OR scaffold* OR feedback OR simulation OR "productive failure" OR retrieval OR fading). [PP]

S3 — Fondamenti. ("desirable difficult*" OR "productive failure" OR "retrieval practice" OR "cognitive load theory" OR "expertise reversal" OR scaffolding OR "automation bias" OR "cognitive offloading") AND (learning OR transfer OR retention OR expertise OR autonomy). [PP]

Le stringhe vengono tradotte nella sintassi di ciascuna piattaforma mantenendo invariati i blocchi concettuali: TITLE-ABS-KEY in Scopus, TS in Web of Science, titolo/abstract in PubMed e campi equivalenti nelle altre banche dati. Ogni esecuzione deve conservare stringa completa, piattaforma, data, filtri, numero dei record ed esportazione originale. [PP]

Lo stato attuale documenta il limite temporale del 31 agosto 2026, mentre le date delle singole query retrospettive e i relativi file di esportazione non sono stati registrati. Per questa ragione il protocollo è riproducibile in prospettiva, mentre i conteggi storici restano indisponibili. [IT]

A.4 Diagramma di flusso PRISMA-ScR provvisorio

Il diagramma seguente rende visibile l’assenza dei dati storici invece di sostituirla con una ricostruzione presuntiva. ND indica un dato che sarà prodotto dalla riesecuzione registrata. [IT]

I 132 riferimenti della bibliografia svolgono funzioni diverse — evidenza empirica, fondamento teorico, misura e metodologia — e quindi non equivalgono al numero degli studi inclusi nella futura scoping review. [IT]

A.6 Tabella di charting — profilo degli studi sentinella

A.7 Charting degli esiti e classificazione dell’evidenza

A.8 Matrice studi–ipotesi–capitoli

A.9 Limiti e condizioni di aggiornamento

Obsolescenza. La letteratura GenAI cambia più rapidamente dei cicli editoriali; il corpus richiede aggiornamento almeno semestrale e una data di congelamento visibile. [IT]

Misure prossimali. Molti studi misurano output immediato, percezioni o test vicini al training; ritenzione, trasferimento e capacità stabile restano meno osservati. [IT]

Longitudinalità. Gli studi longitudinali su deskilling, never-skilling, recupero e reversibilità sono ancora pochi. [IT]

Eterogeneità. Modelli, interfacce, prompt, domini, comparatori e outcome cambiano rapidamente e limitano la comparabilità. [IT]

Popolazioni. Studenti universitari, knowledge worker e singoli domini clinici risultano sovrarappresentati; gruppi vulnerabili e contesti di lavoro reali sono meno studiati. [IT]

Causalità. Survey, preprint e studi osservazionali alimentano plausibilità e segnali, mentre sostengono con minore forza inferenze causali. [IT]

Ecologia. Un beneficio in laboratorio può cambiare sotto pressione produttiva, incentivi, responsabilità distribuite e dipendenza organizzativa. [IT]

Selezione. La mappa sentinella privilegia studi teoricamente informativi e avversariali; fino alla riesecuzione sistematica conserva un rischio di selection bias. [IT]

Review process. La ricerca originaria non dispone di protocollo preregistrato, doppio screening indipendente, archivio delle stringhe e log completo delle esclusioni. [IT]

Nel corpus della ricerca

Questo lavoro sul valore pedagogico dello sforzo cognitivo si colloca nella traiettoria Generare capacità. Le ricadute empiriche sulla trasmissione dell'expertise organizzativa sono approfondite nel saggio AI, pensionamenti e lavoro: chi saranno gli esperti di domani?, mentre il rapporto tra giudizio e macchine intelligenti è affrontato in La competenza epistemica nell’era dell’intelligenza artificiale.

Bibliografia

Abdulnour, R.-E. E., Gin, B., & Boscardin, C. K. (2025). Educational strategies for clinical supervision of artificial intelligence use. New England Journal of Medicine, 393(8), 786–797. https://doi.org/10.1056/NEJMra2503232

Adesope, O. O., Trevisan, D. A., & Sundararajan, N. (2017). Rethinking the use of tests: A meta-analysis of practice testing. Review of Educational Research, 87(3), 659–701. https://doi.org/10.3102/0034654316689306

Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). Retrieval practice consistently benefits student learning: A systematic review of applied research in schools and classrooms. Educational Psychology Review, 33(4), 1409–1453. https://doi.org/10.1007/s10648-021-09595-9

Allen, T. D., Eby, L. T., Poteet, M. L., Lentz, E., & Lima, L. (2004). Career benefits associated with mentoring for protégés: A meta-analysis. Journal of Applied Psychology, 89(1), 127–136. https://doi.org/10.1037/0021-9010.89.1.127

Alliger, G. M., Tannenbaum, S. I., Bennett, W., Jr., Traver, H., & Shotland, A. (1997). A meta-analysis of the relations among training criteria. Personnel Psychology, 50(2), 341–358. https://doi.org/10.1111/j.1744-6570.1997.tb00911.x

American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.

Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019). Guidelines for human-AI interaction. In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems (Paper 3). Association for Computing Machinery. https://doi.org/10.1145/3290605.3300233

Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

Argote, L., & Miron-Spektor, E. (2011). Organizational learning: From experience to knowledge. Organization Science, 22(5), 1123–1137. https://doi.org/10.1287/orsc.1100.0621

Arksey, H., & O’Malley, L. (2005). Scoping studies: Towards a methodological framework. International Journal of Social Research Methodology, 8(1), 19–32. https://doi.org/10.1080/1364557032000119616

Atkinson, R. K., Renkl, A., & Merrill, M. M. (2003). Transitioning from studying examples to solving problems: Effects of self-explanation prompts and fading worked-out steps. Journal of Educational Psychology, 95(4), 774–783. https://doi.org/10.1037/0022-0663.95.4.774

Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. https://doi.org/10.1016/0005-1098(83)90046-8

Barnett, S. M., & Ceci, S. J. (2002). When and where do we apply what we learn? A taxonomy for far transfer. Psychological Bulletin, 128(4), 612–637. https://doi.org/10.1037/0033-2909.128.4.612

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI can harm learning. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Beane, M. (2019). Learning to work with intelligent machines. Harvard Business Review, 97(5), 140–148.

Bertsch, S., Pesta, B. J., Wiscott, R., & McDaniel, M. A. (2007). The generation effect: A meta-analytic review. Memory & Cognition, 35(2), 201–210. https://doi.org/10.3758/BF03193441

Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364. https://doi.org/10.1007/BF00138871

Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30(3), 703–725. https://doi.org/10.1007/s10648-018-9434-x

Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. In M. A. Gernsbacher, R. W. Pew, L. M. Hough, & J. R. Pomerantz (Eds.), Psychology and the real world: Essays illustrating fundamental contributions to society (pp. 56–64). Worth Publishers.

Bjork, R. A., & Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475–479. https://doi.org/10.1016/j.jarmac.2020.09.003

Blume, B. D., Ford, J. K., Baldwin, T. T., & Huang, J. L. (2010). Transfer of training: A meta-analytic review. Journal of Management, 36(4), 1065–1105. https://doi.org/10.1177/0149206309352880

Boolzen, C., Kuhn, J., & Flegr, S. (2026). Evidence of impact and interpretational limits of generative AI in STEM education: A systematic review and meta-analysis on cognitive learning outcomes. Artificial Intelligence Review. https://doi.org/10.1007/s10462-026-11665-9

Bourgeois, L. J., III. (1981). On the measurement of organizational slack. Academy of Management Review, 6(1), 29–39. https://doi.org/10.2307/257138

Brennan, R. L. (2001). Generalizability theory. Springer. https://doi.org/10.1007/978-1-4757-3456-0

Brunmair, M., & Richter, T. (2019). Similarity matters: A meta-analysis of interleaved learning and its moderators. Psychological Bulletin, 145(11), 1029–1052. https://doi.org/10.1037/bul0000209

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188, 1–21. https://doi.org/10.1145/3449287

Budzyń, K., Romańczyk, M., Kitala, D., Kołodziej, P., Bugajski, M., Adami, H. O., Blom, J., Buszkiewicz, M., Halvorsen, N., Hassan, C., Romańczyk, T., Holme, Ø., Jarus, K., Fielding, S., Kunar, M., Pellise, M., Pilonis, N., Kamiński, M. F., Kalager, M., Bretthauer, M., & Mori, Y. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903. https://doi.org/10.1016/S2468-1253(25)00133-5

Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380. https://doi.org/10.1037/0033-2909.132.3.354

Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823

Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). Categorization and representation of physics problems by experts and novices. Cognitive Science, 5(2), 121–152. https://doi.org/10.1207/s15516709cog0502_2

Chi, M. T. H., Siler, S. A., Jeong, H., Yamauchi, T., & Hausmann, R. G. (2001). Learning from human tutoring. Cognitive Science, 25(4), 471–533. https://doi.org/10.1207/S15516709COG2504_1

Çiçek, F. E., Ülker, M., Özer, M., & Kıyak, Y. S. (2025). ChatGPT versus expert feedback on clinical reasoning questions and their effect on learning: A randomized controlled trial. Postgraduate Medical Journal, 101(1195), 458–463. https://doi.org/10.1093/postmj/qgae170

Clark, R. E., Feldon, D. F., van Merriënboer, J. J. G., Yates, K. A., & Early, S. (2008). Cognitive task analysis. In J. M. Spector, M. D. Merrill, J. J. G. van Merriënboer, & M. P. Driscoll (Eds.), Handbook of research on educational communications and technology (3rd ed., pp. 577–593). Lawrence Erlbaum Associates.

Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., Wang, A. T., Erwin, P. J., & Hamstra, S. J. (2011). Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA, 306(9), 978–988. https://doi.org/10.1001/jama.2011.1234

Crossan, M. M., Lane, H. W., & White, R. E. (1999). An organizational learning framework: From intuition to institution. Academy of Management Review, 24(3), 522–537. https://doi.org/10.5465/amr.1999.2202135

Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2), 350–383. https://doi.org/10.2307/2666999

Egdell, V., & Robertson, P. J. (2021). A critique of the Capability Approach’s potential for application to career guidance. International Journal for Educational and Vocational Guidance, 21, 447–463. https://doi.org/10.1007/s10775-020-09445-0

Endsley, M. R., & Kiris, E. O. (1995). The out-of-the-loop performance problem and level of control in automation. Human Factors, 37(2), 381–394. https://doi.org/10.1518/001872095779064555

Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406. https://doi.org/10.1037/0033-295X.100.3.363

Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544

Flower, L., & Hayes, J. R. (1981). A cognitive process theory of writing. College Composition and Communication, 32(4), 365–387. https://doi.org/10.2307/356600

Fuller, A., & Unwin, L. (2004). Expansive learning environments: Integrating organizational and personal development. In H. Rainbird, A. Fuller, & A. Munro (Eds.), Workplace learning in context (pp. 126–144). Routledge. https://doi.org/10.4324/9780203571644

Fütterer, T., Bardach, L., Kuhn, J., Keller, S. D., & Gerjets, P. (2026). Enhancing school students’ self-regulated learning through generative AI support: A randomized controlled trial. Educational Psychology Review, 38, Article 42. https://doi.org/10.1007/s10648-026-10133-8

Gonçalves, A. O., Muniz, B. F. B., & Jaeger, A. (2025). Retrieval practice versus elaborative encoding: A systematic and meta-analytic review. Educational Psychology Review, 37, Article 100. https://doi.org/10.1007/s10648-025-10076-6

Gu, J., & Yan, Z. (2025). Effects of GenAI interventions on student academic performance: A meta-analysis. Journal of Educational Computing Research, 63(6), 1460–1492. https://doi.org/10.1177/07356331251349620

Hatano, G., & Inagaki, K. (1986). Two courses of expertise. In H. Stevenson, H. Azuma, & K. Hakuta (Eds.), Child development and education in Japan (pp. 262–272). W. H. Freeman.

Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112. https://doi.org/10.3102/003465430298487

Hutchins, E. (1995). Cognition in the wild. MIT Press.

Ji, Z., Lee, N., Frieske, R. M., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248. https://doi.org/10.1145/3571730

Kahneman, D., & Klein, G. (2009). Conditions for intuitive expertise: A failure to disagree. American Psychologist, 64(6), 515–526. https://doi.org/10.1037/a0016755

Kalyuga, S., Ayres, P., Chandler, P., & Sweller, J. (2003). The expertise reversal effect. Educational Psychologist, 38(1), 23–31. https://doi.org/10.1207/S15326985EP3801_4

Kane, M. T. (2013). Validating the interpretations and uses of test scores. Journal of Educational Measurement, 50(1), 1–73. https://doi.org/10.1111/jedm.12000

Kapur, M., & Bielaczyc, K. (2012). Designing for productive failure. Journal of the Learning Sciences, 21(1), 45–83. https://doi.org/10.1080/10508406.2011.591717

Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Car, J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32, 1997–2006. https://doi.org/10.1038/s41591-026-04438-y

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, Article 17458. https://doi.org/10.1038/s41598-025-97652-6

Klein, G. (1998). Sources of power: How people make decisions. MIT Press.

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.08872

Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: A meta-analytic review. Review of Educational Research, 86(1), 42–78. https://doi.org/10.3102/0034654315581420

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3706598.3713778

Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfes.46.1.50_30392

Lent, R. W., Brown, S. D., & Hackett, G. (1994). Toward a unifying social cognitive theory of career and academic interest, choice, and performance. Journal of Vocational Behavior, 45(1), 79–122. https://doi.org/10.1006/jvbe.1994.1027

Levac, D., Colquhoun, H., & O’Brien, K. K. (2010). Scoping studies: Advancing the methodology. Implementation Science, 5, Article 69. https://doi.org/10.1186/1748-5908-5-69

Liu, G., Christian, B., Dumbalska, T., Bakker, M. A., & Dubey, R. (2026). AI assistance reduces persistence and hurts independent performance [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.04721

Macnamara, B. N., Hambrick, D. Z., & Oswald, F. L. (2014). Deliberate practice and performance in music, games, sports, education, and professions: A meta-analysis. Psychological Science, 25(8), 1608–1618. https://doi.org/10.1177/0956797614535810

March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71–87. https://doi.org/10.1287/orsc.2.1.71

Mawson, R. D., & Kang, S. H. K. (2025). The distributed practice effect on classroom learning: A meta-analytic review of applied research. Behavioral Sciences, 15(6), Article 771. https://doi.org/10.3390/bs15060771

Merrill, M. D. (2002). First principles of instruction. Educational Technology Research and Development, 50(3), 43–59. https://doi.org/10.1007/BF02505024

Messick, S. (1995). Validity of psychological assessment: Validation of inferences from persons’ responses and performances as scientific inquiry into score meaning. American Psychologist, 50(9), 741–749. https://doi.org/10.1037/0003-066X.50.9.741

Metcalfe, J. (2017). Learning from errors. Annual Review of Psychology, 68, 465–489. https://doi.org/10.1146/annurev-psych-010416-044022

Mislevy, R. J., Steinberg, L. S., & Almond, R. G. (2003). On the structure of educational assessments. Measurement: Interdisciplinary Research and Perspectives, 1(1), 3–62. https://doi.org/10.1207/S15366359MEA0101_02

Morris, C. D., Bransford, J. D., & Franks, J. J. (1977). Levels of processing versus transfer appropriate processing. Journal of Verbal Learning and Verbal Behavior, 16(5), 519–533. https://doi.org/10.1016/S0022-5371(77)80016-9

Natali, C., Marconi, L., Dias Duran, L. D., & Cabitza, F. (2025). AI-induced deskilling in medicine: A mixed-method review and research agenda for healthcare and beyond. Artificial Intelligence Review, 58, Article 356. https://doi.org/10.1007/s10462-025-11352-1

Nathan, M. J., & Petrosino, A. (2003). Expert blind spot among preservice teachers. American Educational Research Journal, 40(4), 905–928. https://doi.org/10.3102/00028312040004905

National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.600-1

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

OECD & European Commission. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en

OECD. (2025). The state of global teenage career preparation. OECD Publishing. https://doi.org/10.1787/d5f8e3f2-en

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

Pan, S. C., & Carpenter, S. K. (2023). Prequestioning and pretesting effects: A review of empirical research, theoretical perspectives, and implications for educational practice. Educational Psychology Review, 35, Article 97. https://doi.org/10.1007/s10648-023-09814-5

Pan, S. C., & Rickard, T. C. (2018). Transfer of test-enhanced learning: Meta-analytic review and synthesis. Psychological Bulletin, 144(7), 710–756. https://doi.org/10.1037/bul0000151

Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, Article 422. https://doi.org/10.3389/fpsyg.2017.00422

Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886

Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354

Parker, S. K., & Grote, G. (2022). Automation, algorithms, and beyond: Why work design matters more than ever in a digital world. Applied Psychology, 71(4), 1171–1204. https://doi.org/10.1111/apps.12241

Parola, A., La Rosa, V. L., Marcionetti, J., & Felaco, C. (2026). Career adaptability as a developmental resource for sustainable careers: A latent profile analysis in emerging adults. Journal of Community & Applied Social Psychology, 36(3), e70263. https://doi.org/10.1002/casp.70263

Peters, M. D. J., Godfrey, C., McInerney, P., Munn, Z., Tricco, A. C., & Khalil, H. (2024). Scoping reviews. In E. Aromataris, C. Lockwood, K. Porritt, B. Pilla, & Z. Jordan (Eds.), JBI Manual for Evidence Synthesis. JBI. https://doi.org/10.46658/JBIMES-24-09

Peters, M. D. J., Marnie, C., Tricco, A. C., Pollock, D., Munn, Z., Alexander, L., McInerney, P., Godfrey, C. M., & Khalil, H. (2020). Updated methodological guidance for the conduct of scoping reviews. JBI Evidence Synthesis, 18(10), 2119–2126. https://doi.org/10.11124/JBIES-20-00167

Poursabzi-Sangdeh, F., Goldstein, D. G., Hofman, J. M., Wortman Vaughan, J., & Wallach, H. (2021). Manipulating and measuring model interpretability. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (Article 237). Association for Computing Machinery. https://doi.org/10.1145/3411764.3445315

Renkl, A., & Atkinson, R. K. (2003). Structuring the transition from example study to problem solving in cognitive skill acquisition: A cognitive load perspective. Educational Psychologist, 38(1), 15–22. https://doi.org/10.1207/S15326985EP3801_3

Renkl, A., Atkinson, R. K., Maier, U. H., & Staley, R. (2002). From example study to problem solving: Smooth transitions help learning. The Journal of Experimental Education, 70(4), 293–315. https://doi.org/10.1080/00220970209599510

Rethlefsen, M. L., Kirtley, S., Waffenschmidt, S., Ayala, A. P., Moher, D., Page, M. J., Koffel, J. B., & PRISMA-S Group. (2021). PRISMA-S: An extension to the PRISMA statement for reporting literature searches in systematic reviews. Journal of the Medical Library Association, 109(2), 174–200. https://doi.org/10.5195/jmla.2021.962

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002

Robertson, P. J. (2015). Towards a capability approach to careers: Applying Amartya Sen’s thinking to career guidance and development. International Journal for Educational and Vocational Guidance, 15(1), 75–88. https://doi.org/10.1007/s10775-014-9280-4

Robertson, P. J., & Picard, F. (2021). An introduction to the special section on the Capability Approach to career guidance. International Journal for Educational and Vocational Guidance, 21, 395–404. https://doi.org/10.1007/s10775-021-09462-7

Robeyns, I. (2017). Wellbeing, freedom and social justice: The capability approach re-examined. Open Book Publishers. https://doi.org/10.11647/OBP.0130

Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x

Rowland, C. A. (2014). The effect of testing versus restudy on retention: A meta-analytic review of the testing effect. Psychological Bulletin, 140(6), 1432–1463. https://doi.org/10.1037/a0037559

Salas, E., Tannenbaum, S. I., Kraiger, K., & Smith-Jentsch, K. A. (2012). The science of training and development in organizations: What matters in practice. Psychological Science in the Public Interest, 13(2), 74–101. https://doi.org/10.1177/1529100612436661

Santilli, S., Zucchini, D., Valbusa, I., Ginevra, M. C., Tracey, T., & Nota, L. (2026). Empowering adolescents for sustainable and inclusive careers: A quasi-experimental evaluation of a Life Design-based intervention. Journal of Adolescence, 98(3), 978–992. https://doi.org/10.1002/jad.70113

Savickas, M. L. (2013). Career construction theory and practice. In R. W. Lent & S. D. Brown (Eds.), Career development and counseling: Putting theory and research to work (2nd ed., pp. 147–183). Wiley.

Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066

Schwartz, D. L., & Bransford, J. D. (1998). A time for telling. Cognition and Instruction, 16(4), 475–522. https://doi.org/10.1207/s1532690xci1604_4

Schwartz, D. L., & Martin, T. (2004). Inventing to prepare for future learning: The hidden efficiency of encouraging original student production in statistics instruction. Cognition and Instruction, 22(2), 129–184. https://doi.org/10.1207/s1532690xci2202_1

Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.20245

Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153–189. https://doi.org/10.3102/0034654307313795

Sinha, T., & Kapur, M. (2021). When problem solving followed by instruction works: Evidence for productive failure. Review of Educational Research, 91(5), 761–798. https://doi.org/10.3102/00346543211019105

Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. https://doi.org/10.1177/1745691615569000

Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393. https://doi.org/10.1111/j.1468-0017.2010.01394.x

Steyvers, M., Tejeda, H., Kumar, A., Belem, C., Karny, S., Hu, X., Mayer, L. W., & Smyth, P. (2025). What large language models know and what people think they know. Nature Machine Intelligence, 7, 221–231. https://doi.org/10.1038/s42256-024-00976-7

Suo, X., Yin, B., Wang, W., & Guo, L. (2026). Exploring the impact of generative AI-powered conversational agents on student learning: A systematic review and meta-analysis grounded in activity theory. Journal of Educational Computing Research, 64(6), 1672–1702. https://doi.org/10.1177/07356331261433396

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

Sweller, J. (2024). Cognitive load theory and individual differences. Learning and Individual Differences, 110, Article 102426. https://doi.org/10.1016/j.lindif.2024.102426

Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive architecture and instructional design: 20 years later. Educational Psychology Review, 31(2), 261–292. https://doi.org/10.1007/s10648-019-09465-5

Tetzlaff, L., Simonsmeier, B. A., Peters, T., & Brod, G. (2025). A cornerstone of adaptivity: A meta-analysis of the expertise reversal effect. Learning and Instruction, 98, 102142. https://doi.org/10.1016/j.learninstruc.2025.102142

Tofel-Grehl, C., & Feldon, D. F. (2013). Cognitive task analysis–based training: A meta-analysis of studies. Journal of Cognitive Engineering and Decision Making, 7(3), 293–304. https://doi.org/10.1177/1555343412474821

Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., … Straus, S. E. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850

Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1

van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in teacher–student interaction: A decade of research. Educational Psychology Review, 22(3), 271–296. https://doi.org/10.1007/s10648-010-9127-6

van Merriënboer, J. J. G., Clark, R. E., & de Croock, M. B. M. (2002). Blueprints for complex learning: The 4C/ID-model. Educational Technology Research and Development, 50(2), 39–61. https://doi.org/10.1007/BF02504993

van Merriënboer, J. J. G., Kirschner, P. A., & Frèrejean, J. (2025). Ten steps to complex learning: A systematic approach to four-component instructional design (4th ed.). Routledge. https://doi.org/10.4324/9781003322481

Vasconcelos, H., Jörke, M., Grunde-McLaughlin, M., Gerstenberg, T., Bernstein, M. S., & Krishna, R. (2023). Explanations can reduce overreliance on AI systems during decision-making. Proceedings of the ACM on Human-Computer Interaction, 7(CSCW1), Article 129. https://doi.org/10.1145/3579605

Wang, S., Zuo, Y., Zou, B., Liu, G., Zhou, J., Zheng, Y., Zhang, Z., Yuan, L., & Feng, R. (2025). Enhancing self-directed learning with custom GPT AI facilitation among medical students: A randomized controlled trial. Medical Teacher, 47(7), 1126–1133. https://doi.org/10.1080/0142159X.2024.2413023

Wu, S., Belem, C. G., Fu, S., Steyvers, M., & Smyth, P. (2026). How AI assistance affects human skill development: A study of learning with logic puzzles [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2608.23543

Xie, G., Liao, J., Tang, X., Fu, H., Liu, D., Deng, L., Wang, T., & Hong, X. (2026). The impact of generative artificial intelligence on clinical skills and knowledge acquisition in medical undergraduates: A systematic review and meta-analysis. BMC Medical Education, 26, Article 1144. https://doi.org/10.1186/s12909-026-09458-3

Xu, X., Qiao, L., Cheng, N., Liu, H., & Zhao, W. (2025). Enhancing self-regulated learning and learning experience in generative AI environments: The critical role of metacognitive support. British Journal of Educational Technology, 56(5), 1842–1863. https://doi.org/10.1111/bjet.13599

Yang, C., Luo, L., Vadillo, M. A., Yu, R., & Shanks, D. R. (2021). Testing (quizzing) boosts classroom learning: A systematic and meta-analytic review. Psychological Bulletin, 147(4), 399–435. https://doi.org/10.1037/bul0000309

Zhang, L., Deng, X., & Shadiev, R. (2026). A meta-review of generative AI in education: Synthesizing findings from systematic reviews. Journal of Educational Computing Research, 64(4), 1068–1092. https://doi.org/10.1177/07356331261419689

Zhang, Y., Liao, Q. V., & Bellamy, R. K. E. (2020). Effect of confidence and explanation on accuracy and trust calibration in AI-assisted decision making. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 295–305). Association for Computing Machinery. https://doi.org/10.1145/3351095.3372852

Zhou, X., Wang, X., Hu, X., Wang, H., Zhang, J., Yu, Q., Xu, J., Xiao, Z., He, L., & Liu, Y. (2026). Human hippocampal ripples prioritize model-based learning. Neuron, 114(16), 3111–3125.e7. https://doi.org/10.1016/j.neuron.2026.03.020

Zindulka, T., Goller, S., Fernandes, D., Welsch, R., & Buschek, D. (2026). The AI memory gap: Users misremember what they created with AI or without. In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (Article 61, pp. 1–22). Association for Computing Machinery. https://doi.org/10.1145/3772318.3791494