L'AI promette velocità. Il punto critico è capire che cosa stai accelerando. In uno studio riportato nel 2025 da Polytechnique Insights, chi usava ChatGPT per scrivere un saggio era il 60% più veloce, ma mostrava anche un carico cognitivo pertinente ridotto del 32%; inoltre, l'83% non riusciva a ricordare un passaggio appena scritto, secondo l'analisi pubblicata da Polytechnique Insights. Per un'impresa, questo non è un dettaglio accademico. È un segnale operativo.
Quando un team usa l'AI per produrre report, sintesi, previsioni o spiegazioni, l'efficienza può salire rapidamente. Ma se l'uso diventa passivo, il lavoro cognitivo non scompare. Si sposta. Le persone fanno meno analisi autonoma, meno verifica, meno costruzione di argomentazioni proprie. Il rischio non è “diventare meno intelligenti”. Il rischio è perdere allenamento proprio nelle competenze che servono quando l'output automatico è ambiguo, incompleto o semplicemente sbagliato.
Per questo il tema AI critical thinking skills atrophy interessa soprattutto PMI, team analytics, retail, finance e funzioni operative. Non serve rinunciare all'AI. Serve progettare workflow che mantengano il giudizio umano attivo. È lì che si gioca il vero vantaggio competitivo.
L'adozione dell'AI in azienda viene spesso raccontata come una semplice storia di produttività. Più velocità, meno lavoro manuale, più automazione. È vero solo in parte. La questione più importante è un'altra: se l'AI fa il lavoro mentale al posto del team, che cosa resta davvero dentro l'organizzazione?
Per una PMI italiana, questa domanda conta più di quanto sembri. Reportistica, forecasting, classificazione, supporto decisionale e analisi di sintesi sono attività sempre più delegate a sistemi generativi. Nel breve periodo il risultato appare positivo. Nel medio periodo, però, può emergere un costo meno visibile: la perdita di autonomia nel capire, verificare e difendere una decisione.
Il tema dell’AI critical thinking skills atrophy va letto così. Non come una crociata contro la tecnologia, ma come una sfida di design organizzativo. Le aziende più mature non saranno quelle che automatizzano tutto. Saranno quelle che distinguono con precisione tra uso dell'AI che aumenta la competenza e uso dell'AI che la sostituisce.
Una parte del rischio AI non nasce da errori spettacolari. Nasce da processi che funzionano abbastanza bene da non essere più messi in discussione.
L'atrofia del pensiero critico da AI descrive proprio questo: un indebolimento selettivo di abilità che si mantengono forti solo se vengono esercitate con continuità. Non parliamo di un calo generale dell'intelligenza. Parliamo di capacità molto specifiche, decisive nel lavoro manageriale e analitico: formulare ipotesi, confrontare spiegazioni alternative, verificare incongruenze, difendere una conclusione quando i dati sono incompleti o ambigui.
Per una PMI, la domanda utile non è se l'AI faccia risparmiare tempo. La domanda utile è più operativa: il tempo risparmiato viene reinvestito in giudizio migliore, oppure il giudizio viene saltato del tutto?
Qui passa il confine che conta davvero per il business. Un team finance che usa l'AI per pulire dati, riordinare categorie o sintetizzare un verbale sta comprimendo attività a basso valore cognitivo. Un team che chiede all'AI di interpretare anomalie, stimare il rischio e suggerire la decisione finale sta invece trasferendo alla macchina la parte di lavoro che costruisce competenza interna.
La distinzione utile, quindi, non è “AI sì o no”. È uso assistito contro uso sostitutivo.
Questa differenza sembra sottile solo sulla carta. Nei processi reali cambia ciò che l'organizzazione sa fare da sola.
L'atrofia non inizia quando un team usa spesso l'AI. Inizia quando smette di eseguire i passaggi mentali intermedi.
Se ogni analisi arriva già ordinata, commentata e priorizzata, la persona vede il risultato ma pratica meno il percorso che porta a quel risultato. Con il tempo si allenano meno alcune operazioni che rendono affidabile un giudizio: scomporre un problema, distinguere segnale e rumore, cercare controprove, valutare trade-off tra opzioni imperfette.
Il rischio, quindi, non è la risposta automatica in sé. Il rischio è un workflow che abitua il team ad approvare senza ricostruire il ragionamento.
La domanda manageriale corretta è semplice: chi, dentro questo processo, è ancora costretto a costruire un giudizio indipendente prima di approvare l'output?
L'uso passivo dell'AI non colpisce tutte le competenze allo stesso modo. Le prime a ridursi sono quelle che richiedono attrito cognitivo, cioè lavoro mentale lento, comparativo e verificabile.
Il punto non è eliminare l'AI. Il punto è evitare che elimini proprio il tratto di lavoro in cui il team dovrebbe dubitare, confrontare e verificare.
Le ricerche più utili, oggi, non servono a sostenere la tesi semplificata secondo cui l'AI “rende stupidi”. Servono a chiarire un rischio più concreto per chi gestisce persone e processi: quando l'automazione cognitiva cresce, una parte degli utenti tende a trasferire al sistema non solo l'esecuzione, ma anche il controllo di qualità.
Un esempio citato spesso in questo dibattito è il paper di Microsoft Research sul rapporto tra GenAI e critical thinking, che analizza come l'uso frequente degli strumenti generativi si associ a una riduzione del controllo critico in alcune attività knowledge-intensive. Il dato interessante per un manager non è la formula statistica in sé. È il meccanismo organizzativo che emerge: più il sistema produce una risposta plausibile, più diventa facile scambiare plausibilità per affidabilità.
Questo cambia la natura delle competenze richieste. Il valore non si sposta verso chi ottiene un output più in fretta, ma verso chi sa testarne presupposti, limiti e condizioni d'uso. Per il business, il punto più rilevante è un altro. L'adozione dell'AI può aumentare la produttività nel breve periodo e ridurre la capacità di diagnosi nel medio periodo, se il workflow non preserva passaggi espliciti di verifica.
Per questo il dibattito più utile non riguarda solo la potenza del modello, ma anche l'illusione del ragionamento nel mondo dell'AI. Un output convincente può sembrare pensiero. In molti casi è solo una buona compressione linguistica di pattern già visti.
Un processo tende a rafforzare la competenza quando l'AI consegna un output, ma la persona deve ancora esplicitare i presupposti, verificare eccezioni rilevanti, confrontare almeno un'alternativa e giustificare la scelta finale.
Un processo tende a consumare competenza quando la persona legge, rifinisce e approva.
La differenza è tutta qui. Non nello strumento, ma nel design del lavoro.
Una PMI ben progettata usa l'AI per aumentare la qualità del giudizio, non per rinunciare al giudizio stesso.
Per una PMI, il rischio raramente si presenta come un problema teorico. Si presenta come una decisione approvata troppo in fretta, un forecast che nessuno stressa, una dashboard che orienta il budget senza una vera discussione sulle eccezioni. Il costo non è solo un errore singolo. È una perdita progressiva della capacità del team di capire perché una decisione sia corretta, fragile o sbagliata.
Il punto strategico è questo. L'AI non danneggia le competenze in modo uniforme. Le rafforza quando accelera l'analisi mantenendo visibili ipotesi, limiti e alternative. Le consuma quando consegna una conclusione pronta e il lavoro umano si riduce a approvare, rifinire e inoltrare.
Un responsabile e-commerce riceve una previsione vendite generata da un sistema AI. Il numero finale appare coerente con l'andamento recente, quindi viene usato per pianificare riordini, promozioni e allocazione del budget media. Il problema emerge dopo. Il modello aveva assorbito un picco temporaneo dovuto a una campagna non replicabile, oppure aveva letto in modo distorto il mix tra canali, margini e rotazione di alcune categorie.
In questi casi il team non fallisce per scarsa preparazione. Fallisce perché il processo premia la velocità di approvazione più della qualità dell'interrogazione.
Le conseguenze operative sono immediate:
Per una grande impresa, questi errori possono essere assorbiti. Per una PMI, possono comprimere cassa, margine e capacità di reazione in un solo trimestre.
Nel finance e nel risk reporting il problema è più sottile. Un analista usa un report AI-powered per preparare un controllo di compliance o una sintesi di rischio. Il documento segnala pattern, eccezioni e priorità. L'analista verifica rapidamente forma, lessico e coerenza apparente, poi passa il materiale al responsabile.
Il rischio non riguarda solo l'accuratezza del dato. Riguarda la gerarchia dell'attenzione. Se l'output del modello decide già che cosa è rilevante, il lettore tende a controllare meglio ciò che è stato evidenziato e peggio ciò che è rimasto fuori. Le eccezioni più costose, in molti processi, sono proprio quelle periferiche rispetto al pattern dominante.
Un'analisi pubblicata dall’IE Center for Health and Well-being sugli effetti cognitivi dell'AI richiama un punto utile per il contesto aziendale: l'uso frequente dell'AI senza contesto e supervisione può ridurre l'attivazione del pensiero critico e aumentare la dipendenza da scorciatoie cognitive come automation bias e accettazione passiva dell'output. Per questo, nei processi ad alto impatto, servono passaggi di revisione umana sostanziale e interfacce che rendano visibili fonti, livello di affidabilità e aree di incertezza.
Quando un sistema argomenta in modo ordinato, il team può smettere di cercare ciò che non compare.
I manager possono riconoscere il problema prima che diventi strutturale. I segnali più utili non sono tecnici. Sono comportamentali.
Qui si gioca una parte importante della competitività delle PMI. L'adozione matura dell'AI non consiste nell'automatizzare il maggior numero possibile di passaggi. Consiste nel separare i passaggi dove la macchina accelera l'analisi da quelli dove l'essere umano deve restare responsabile di dubbio, interpretazione e decisione. Un riferimento utile, sul piano organizzativo, è il contributo di ELECTE dedicato a costruire team che prosperano con flussi di lavoro potenziati dall'intelligenza artificiale.
La mitigazione efficace parte da una scelta di design manageriale. L'obiettivo non è aumentare il numero di task affidati all'AI, ma proteggere i punti del processo in cui si forma il giudizio. Nelle PMI, il rischio vero non è usare troppo l'AI. È usarla nelle fasi sbagliate, fino a trasformare persone competenti in semplici validatori di output.
Una strategia utile distingue quindi tra due usi molto diversi. Il primo aumenta la velocità senza ridurre la qualità del ragionamento. Il secondo riduce il costo cognitivo nel breve periodo, ma indebolisce la capacità del team di analizzare casi ambigui, eccezioni e trade-off. Per questo la domanda corretta non è “dove possiamo automatizzare?”. È “in quali passaggi l'automazione migliora il lavoro senza svuotare la competenza?”.
Primo pilastro: policy di uso responsabile
Una policy seria assegna responsabilità precise. Deve chiarire quali decisioni possono essere supportate dall'AI, quali richiedono revisione sostanziale e quali non vanno delegate affatto. Conviene anche definire obblighi minimi di tracciabilità: ipotesi usate, dati mancanti, verifica effettuata e nome del responsabile della decisione finale. In questo modo il controllo non resta implicito.
Secondo pilastro: redesign dei workflow
Qui si decide se l'AI rafforza o indebolisce il team. Un workflow ben progettato usa il sistema per generare opzioni, segnalare anomalie, simulare scenari e mettere pressione alle ipotesi iniziali. Un workflow povero, invece, chiede direttamente una conclusione pronta. La differenza operativa è netta: nel primo caso il collaboratore deve interpretare; nel secondo deve solo approvare.
Terzo pilastro: formazione orientata al giudizio
Formare all'uso dello strumento non basta. Serve addestrare il team a verificare condizioni di validità, limiti del modello, conflitti con i dati interni e spiegazioni alternative. Per i ruoli junior questo vale ancora di più. Un'impostazione utile è introdurre momenti di apprendimento per scoperta nei processi di lavoro, in cui la persona arriva a una prima lettura autonoma prima di confrontarsi con il sistema.
Quarto pilastro: monitoraggio del comportamento decisionale
Le metriche di produttività da sole non bastano. Se un team consegna più in fretta ma formula meno ipotesi proprie, il miglioramento è solo apparente. I manager dovrebbero osservare indicatori concreti: numero di scenari alternativi discussi, qualità delle spiegazioni, frequenza delle contestazioni motivate all'output AI, capacità di riconoscere eccezioni senza assistenza.
Il punto più delicato riguarda chi sta ancora costruendo il proprio metodo di lavoro. In un professionista senior, l'AI tende a inserirsi sopra strutture cognitive già formate. In un junior, può occupare quello spazio prima ancora che il criterio personale si consolidi.
Questo cambia il modo in cui una PMI dovrebbe organizzare onboarding, tutoring e valutazione. Se il neoassunto usa l'AI per produrre risposte finite troppo presto, il manager vede una buona velocità di esecuzione ma perde visibilità sul processo mentale sottostante. È un rischio operativo, non solo formativo. Dopo pochi mesi, il team può trovarsi con persone che consegnano output accettabili in contesti standard e faticano appena il problema esce dal copione.
Per ridurre questo rischio conviene introdurre regole semplici e verificabili:
Un'organizzazione matura non misura solo quanto rapidamente un junior consegna. Misura se sta costruendo capacità che resteranno utili anche quando l'output automatico sarà sbagliato, incompleto o fuorviante.
La qualità di un workflow con AI dipende da una scelta di design: usare il sistema per produrre una risposta finale oppure per aumentare la qualità del giudizio umano. Per una PMI, questa distinzione conta più dello strumento scelto, perché determina se il team accumula criterio o dipendenza.
Nel dibattito sull'AI, il punto meno compreso è spesso operativo. Il rischio non nasce dall'automazione in sé. Nasce dal momento in cui una persona smette di formulare ipotesi, confrontare alternative e verificare assunzioni perché il sistema ha già confezionato la conclusione. Il contributo di ANSI sul rapporto tra AI e pensiero critico richiama proprio questo nodo: l'effetto dell'AI cambia in base a come viene inserita nel processo decisionale.
Per questo, la categoria utile per progettare bene i flussi non è “AI presente” o “AI assente”. È “uso assistito” contro “uso sostitutivo”.
| Attività | Workflow rischioso (uso sostitutivo) | Workflow potenziante (uso assistito) |
|---|---|---|
| Analisi marketing | L'AI scrive il report finale della campagna e il marketer revisiona solo tono e forma | L'AI segnala anomalie, cluster inattesi e possibili ipotesi. Il marketer verifica, interpreta e costruisce la conclusione |
| Forecast supply chain | Il sistema genera una proposta di riordino pronta per l'approvazione | Il sistema simula scenari alternativi. Il responsabile confronta costi, vincoli e probabilità di stockout |
| Reporting direzionale | L'AI produce una sintesi conclusiva per il management | L'AI prepara una bozza con assunzioni e punti incerti esplicitati. Il manager conferma, corregge o respinge |
| Problem solving operativo | L'utente chiede la soluzione migliore | L'utente chiede opzioni, trade-off, eccezioni e controlli da eseguire prima della decisione |
La differenza sembra sottile. Sul piano delle competenze, non lo è.
Un analista marketing che riceve dall'AI un report quasi finito lavora più in fretta, ma allena poco la parte che crea valore nel tempo: capire se un calo di conversione dipende da targeting, creatività, stagionalità o qualità del lead. Se invece usa l'AI per far emergere pattern anomali, segmenti da isolare e dati mancanti, il sistema diventa un acceleratore di analisi, non un sostituto del ragionamento.
Lo stesso vale nella supply chain. Un responsabile che approva una proposta di riordino plausibile ma opaca rischia di accorgersi troppo tardi che il modello non ha considerato un vincolo reale, come un lead time instabile o una promozione commerciale imminente. Un flusso ben progettato usa l'AI per generare scenari, non per chiudere la decisione. Il lavoro umano si concentra su priorità, eccezioni e rischio operativo.
Qui emerge un criterio manageriale poco discusso. Un buon workflow non riduce solo il tempo di esecuzione. Mantiene visibile il punto in cui nasce il giudizio.
Tre principi aiutano a costruire processi di questo tipo:
Per i team che vogliono crescere senza trasformare l'AI in una scorciatoia cognitiva, vale la pena riprendere i principi dell’apprendimento per scoperta. Applicato ai workflow aziendali, significa progettare interazioni in cui il sistema amplia il campo delle domande e delle verifiche, invece di chiuderlo troppo presto.
Arrivati qui, la direzione è chiara. Non devi scegliere tra produttività e capacità di ragionamento. Devi progettare un sistema in cui la produttività non consumi silenziosamente il giudizio interno.
Mappa i compiti dove il team delega troppo presto
Guarda report, forecast, sintesi e classificazioni. Chiediti dove l'AI produce già la risposta finale e dove invece supporta ancora il ragionamento.
Classifica i workflow per impatto decisionale
Le attività ad alto impatto devono avere verifica umana esplicita, confronto con benchmark interni e una traccia delle assunzioni.
Riprogetta i prompt e le richieste
Invece di chiedere “dammi la conclusione”, chiedi “mostrami tre ipotesi”, “segnala anomalie”, “indica cosa manca”, “proponi scenari alternativi”.
Allena il team a spiegare il perché
Ogni output importante dovrebbe poter essere difeso verbalmente da chi lo presenta. Se non succede, il processo sta costruendo dipendenza.
Proteggi il percorso dei profili junior
Per i più giovani, l'AI va usata con più struttura. Meno sostituzione diretta, più esercizi guidati di verifica, confronto e argomentazione.
Premia il dubbio ben motivato
Se un'organizzazione incentiva solo velocità e consegna, il team userà l'AI per chiudere il lavoro. Se premia anche qualità dell'interpretazione, nasceranno comportamenti molto diversi.
Un'azienda che usa bene l'AI non costruisce dipendenza. Costruisce persone che ragionano meglio, più rapidamente e con più contesto. È questa la differenza tra automazione fragile e vantaggio competitivo durevole.
Se vuoi usare l'AI per accelerare le decisioni senza perdere trasparenza e capacità di analisi, puoi vedere come ELECTE, un'AI-powered data analytics platform for SMEs, aiuta i team a trasformare dati grezzi in insight leggibili, verificabili e utili all'azione. Per chi vuole crescere senza cedere il giudizio alla macchina, è un buon punto di partenza.
.svg)
.svg)
.svg)
