DELEGA COGNITIVA

Il primo fenomeno è la delega cognitiva. Con questa espressione si intende il trasferimento di attività mentali – come scrivere, sintetizzare, analizzare o prendere decisioni – a sistemi tecnologici. L’uso crescente di strumenti di IA per svolgere questi compiti modifica il modo in cui le persone affrontano i problemi. Le ricerche più recenti mostrano che, quando gli individui si affidano sistematicamente a sistemi automatizzati, tendono a ridurre lo sforzo cognitivo e il livello di verifica critica (Buçinca et al., 2022; Hemmer et al., 2023).

Questo non significa che le capacità vengano immediatamente meno, ma che cambiano le strategie cognitive. Nei contesti formativi, il rischio è che l’apprendimento si trasformi in una validazione passiva di output generati dall’IA. Il punto non è quindi evitare questi strumenti, ma usarli in modo da mantenere attivo il pensiero: chiedere di confrontare risposte, di motivare scelte, di esplicitare criteri. In assenza di ciò, la delega cognitiva può tradursi in una progressiva riduzione dell’autonomia di giudizio.

Opacità

Un secondo elemento è l’opacità dei sistemi di intelligenza artificiale. Molti strumenti oggi disponibili restituiscono risultati senza rendere espliciti i passaggi che li hanno generati. Questa caratteristica limita la possibilità di comprendere, valutare e contestualizzare gli output. Le evidenze mostrano che l’opacità può incidere sulla fiducia e sulla responsabilità nei processi decisionali (Milanez et al., 2025; Martorell et al., 2025). Anche in questo caso, dal punto di vista formativo, il problema non è solo tecnico ma cognitivo. Se un processo non è comprensibile, diventa difficile trasformarlo in apprendimento. Gli strumenti rischiano così di essere percepiti come autorità implicite, piuttosto che come oggetti da interrogare criticamente. Per questo motivo, diventa sempre più importante sviluppare competenze di lettura e interpretazione dell’IA, che consentano di comprenderne limiti, condizioni di utilizzo e margini di errore.

Deskilling

Il terzo concetto è quello di deskilling, ovvero l’indebolimento delle competenze. L’intelligenza artificiale tende a ridisegnare il valore delle abilità professionali: alcune diventano meno rilevanti, altre più centrali. Le competenze routinarie e procedurali tendono a ridursi, mentre crescono quelle legate all’interpretazione, alla gestione e all’integrazione dei sistemi (Chin et al., 2026; Nastasa et al., 2025). Questo non è di per sé positivo. In molti contesti, l’automazione porta a una semplificazione delle attività operative che può ridurre la comprensione dei processi. Nel breve periodo la performance migliora, ma nel lungo periodo si può generare una dipendenza dai sistemi e una perdita di capacità di intervento autonomo. Ciò implica la necessità di lavorare su un doppio binario: sviluppare nuove competenze senza perdere quelle fondamentali.

Neverskilling

Emerge poi una dinamica più recente e meno visibile: il neverskilling. A differenza del deskilling, che implica una perdita di competenze, il neverskilling riguarda la mancata acquisizione di nuove capacità. Si verifica quando l’uso dell’IA consente di ottenere risultati soddisfacenti senza richiedere un reale apprendimento dei processi sottostanti. In questi casi, le persone restano produttive, ma non crescono professionalmente (Noy & Zhang, 2023; IMF, 2026).

Per la formazione, questo rappresenta un rischio particolarmente rilevante. Se le attività sono progettate in modo da privilegiare l’efficienza, si può ridurre lo spazio per l’apprendimento attivo. L’esperienza non si traduce più in sviluppo di competenze, ma in utilizzo sempre più fluido degli strumenti. Il risultato è una stagnazione che diventa evidente solo nel momento in cui si richiedono capacità di adattamento o gestione dell’imprevisto.

MIs-Skilling

Accanto ai fenomeni descritti, ne sta emergendo uno complementare, definito in letteratura come mis-skilling. Con questo termine si indica una situazione in cui le competenze sviluppate o richieste nei contesti professionali non risultano realmente allineate ai bisogni cognitivi e operativi del lavoro. Non si tratta quindi di una perdita di competenze, né di una mancata acquisizione, ma di uno sviluppo distorto o sbilanciato delle abilità. Nel contesto dell’intelligenza artificiale, il rischio è che le persone apprendano soprattutto a interagire con gli strumenti – ad esempio attraverso pratiche di prompting, supervisione superficiale o ottimizzazione degli output – senza consolidare una comprensione profonda dei processi disciplinari sottostanti. In questi casi, le competenze diventano funzionali all’uso del sistema, ma non necessariamente trasferibili, adattabili o critiche.

Il mis-skilling si manifesta spesso in modo poco evidente, perché nel breve periodo la produttività può comunque aumentare. Tuttavia, quando le persone devono affrontare situazioni nuove, ambigue o non standardizzate, emergono fragilità legate alla scarsa comprensione concettuale e alla difficoltà di valutare autonomamente qualità, attendibilità e limiti delle soluzioni generate dall’IA. Diversi studi sottolineano infatti che l’automazione cognitiva tende a spostare l’attenzione dalle competenze di produzione alle competenze di supervisione, con il rischio di creare professionalità sempre più dipendenti dagli strumenti tecnologici (Margaryan, 2023; Crowston & Bolici, 2024).

Il termine mis-skilling è meno consolidato rispetto agli altri nella letteratura scientifica, ma per la formazione implica il fatto che non basta introdurre nuove abilità digitali, ma occorre interrogarsi sulla qualità e sulla profondità delle competenze che vengono costruite. Un percorso formativo efficace non dovrebbe limitarsi a insegnare l’uso dell’IA, ma sviluppare la capacità di interpretarne gli output, riconoscerne i limiti, collegare le risposte ai quadri teorici di riferimento e mantenere attive le competenze disciplinari di base. In assenza di questo equilibrio, il rischio non è soltanto la perdita di competenze, ma la costruzione di competenze parziali, fragili o scarsamente trasferibili.

Una risposta evolutiva

Tutti questi fenomeni non operano separatamente, ma piuttosto tendono a rafforzarsi reciprocamente. La riduzione dello sforzo cognitivo può favorire la perdita di competenze; la mancanza di comprensione dei sistemi può limitare l’apprendimentoò La dipendenza dagli strumenti può ridurre la motivazione a sviluppare nuove capacità e l’apprendimento rischia di diventare superficiale e orientato al breve termine.

Ma, accanto ai rischi di deskilling, mis-skilling e neverskilling, assistiamo a una possibile risposta evolutiva alla trasformazione del lavoro, definita altre due parole inglesi di conio relativamente recente: l’upskilling e il reskilling.

Con il termine upskilling si indica il processo di potenziamento delle competenze già possedute, attraverso l’acquisizione di abilità più avanzate o aggiornate rispetto ai cambiamenti tecnologici e organizzativi. Nel contesto dell’intelligenza artificiale, ciò significa sviluppare capacità di interpretazione critica degli output, gestione dei sistemi automatizzati, lettura dei dati e integrazione tra competenze umane e strumenti digitali.

Il reskilling riguarda invece un cambiamento più profondo: consiste nell’acquisizione di competenze completamente nuove necessarie per svolgere attività differenti rispetto a quelle precedenti. L’evoluzione dell’IA sta infatti modificando non solo il contenuto del lavoro, ma anche la struttura di molte professioni, rendendo necessario per numerosi lavoratori riposizionarsi verso nuovi ruoli e nuove funzioni. In questo scenario, la formazione continua assume una funzione strategica non più soltanto di aggiornamento, ma di riconversione professionale.

Upskilling e reskilling possono rappresentare processi di rafforzamento dell’autonomia e della capacità adattiva delle persone, ma solo se correttamente progettati, altrimenti rischiano di trasformarsi in etichette rassicuranti usate per controbilanciare i processi di impoverimento cognitivo senza interrogarsi davvero sulla qualità delle competenze sviluppate. Ogni trasformazione tecnologica viene accompagnata dall’idea che “basterà fare upskilling o reskilling”. Il problema è che, se non vengono definiti con precisione, rischiano di diventare slogan organizzativi più che categorie analitiche. Infatti, si potrebbe sostenere che non tutto l’upskilling produce competenze profonde; che non ogni reskilling genera reale autonomia professionale; che alcuni percorsi formativi rischiano di produrre solo adattamento funzionale agli strumenti di IA.

In altre parole, si può avere:

• upskilling apparente, ovvero maggiore familiarità con gli strumenti ma minore comprensione dei processi;
• reskilling superficiale, ovvero riconversione operativa senza reale capacità critica;
• formazione performativa, ovvero apprendimento orientato all’efficienza immediata più che alla costruzione di sapere trasferibile.

L’indigestione di “brutte parole” per il momento finisce qui. E se qualcuno dovesse chiedere: e allora qual è la sfida per la formazione ai tempi dell’intelligenza artificiale? Sarebbe da rispondere che anche la parola sfida è stata troppo abusata, per introdurre slogan o concludere considerazioni e riflessioni in convegni, seminari, report, documenti divulgativi o strategici.

Per chi progetta e gestisce percorsi formativi non si tratta di raccogliere alcun guanto di sfida, ma piuttosto di trovare un equilibrio, riflettendo sulle modalità di apprendimento, ponendo attenzione sui processi cognitivi attivati e progettando condizioni di apprendimento ed esperienze che richiedano partecipazione attiva, confronto critico e riflessione. Significa chiedere ai partecipanti di analizzare gli output dell’IA, di metterli in discussione, di integrarli con altre fonti. Significa anche creare spazi in cui l’errore non venga evitato, ma utilizzato come leva di apprendimento.

In definitiva, la questione non riguarda tanto l’uso dell’intelligenza artificiale, quanto le condizioni in cui essa viene integrata nei processi lavorativi e, prima ancora, nei processi formativi. Se utilizzata senza consapevolezza, può contribuire a un progressivo impoverimento cognitivo. Se invece viene inserita in un quadro progettuale solido, può diventare un’opportunità per sviluppare nuove forme di competenza. In questo caso, la differenza sta nella capacità di non rinunciare alla complessità, ma di renderla accessibile e significativa. Ma questo un formatore lo sa bene.

Bibliografia

• Buçinca, Z., Schuitema, J., & de Vries, P. (2022). Automation bias in decision-making with AI systems: Implications for cognitive offloading. AI & Society, 37(4), 1101–1115.
• Chin, H., Sun, Y., & Yuan, Y. (2026). AI technology and labor skill transformation. Technological Forecasting and Social Change, 227, 124619.
• Gerlich, R. (2025). Cognitive engagement and AI interaction. Journal of Human-Computer Studies, 165, 103776.
• Gilbert, D. (2024). Cognitive offloading and generative AI. Frontiers in Psychology, 15, 1178421.
• Hemmer, S., Kappel, K., & Wieringa, R. (2023). Automation bias and user reliance on AI outputs. Computers in Human Behavior, 145, 107711.
• International Labour Organization (ILO). (2024). Skills and lifelong learning in the AI era.
• International Monetary Fund (IMF). (2026). AI and workforce resilience.
• Martorell, P., et al. (2025). Accountability in AI-based decision systems. Journal of Business Ethics, 168(3), 541–562.
• Milanez, A., et al. (2025). Transparency in AI-enabled decision-making. Government Information Quarterly, 42(3), 101707.
• Nastasa, A. A., et al. (2025). Skills and epistemic cultures in AI research. Frontiers in Sociology.
• Noy, S., & Zhang, W. (2023). Productivity effects of generative AI. Science, 381(6654), 187–192.
• OECD. (2024). Artificial intelligence and the changing demand for skills.
• World Economic Forum. (2025). AI is shifting the workplace skillset.
• World Economic Forum. (2026). Invest in the workforce for the AI age.

.