Davanti a una torta il nostro organismo non consulta il calendario delle prossime carestie. E davanti a un chatbot che produce un rapporto in pochi secondi, il nostro ufficio non si trasforma automaticamente in un’organizzazione capace di usarlo bene. Mi interessa questo possibile filo comune: cambiano gli ambienti, ma alcuni comportamenti continuano a funzionare secondo logiche che appartengono a un altro contesto.

Da qui una provocazione: stiamo vivendo un disallineamento evolutivo di fronte all’intelligenza artificiale? Abbiamo costruito strumenti velocissimi, ma li inseriamo in giornate, procedure e aspettative progettate per un lavoro diverso. È una domanda che nasce dalle riflessioni di Telmo Pievani sul mismatch. Il passaggio all’AI che propongo in questo articolo è una mia interpretazione, non una teoria scientifica che attribuisco a lui.

Che cos’è il disallineamento evolutivo

Il termine inglese è evolutionary mismatch. Indica una discrepanza tra le condizioni nelle quali si sono formati determinati tratti e un ambiente successivo nel quale quegli stessi tratti possono avere conseguenze sfavorevoli. Non significa che l’evoluzione abbia sbagliato progetto: la selezione naturale non anticipa il futuro e non ottimizza gli organismi per ogni ambiente possibile.

La revisione Applying an evolutionary mismatch framework to understand disease susceptibility, pubblicata da Amanda J. Lea e colleghi su PLOS Biology nel 2023, discute questa cornice e le prove necessarie per sostenerla. Il quadro riguarda le interazioni tra storia evolutiva, caratteristiche degli organismi e trasformazioni ambientali. Gli autori distinguono la plausibilità di una spiegazione dalle evidenze che consentono di verificarla.

È una distinzione decisiva anche per parlare di digitale. Una storia affascinante sul nostro passato non basta a spiegare ogni comportamento presente. Se qualsiasi abitudine può diventare, a posteriori, una strategia di sopravvivenza dei nostri antenati, abbiamo costruito un racconto troppo comodo da mettere alla prova.

Grassi, zuccheri e carestie: l’esempio funziona, con qualche cautela

In un ambiente nel quale procurarsi energia richiede fatica e la disponibilità di cibo è incerta, mangiare alimenti energetici e disporre di riserve può essere vantaggioso. In un ambiente che rende accessibili molte calorie, quella stessa logica può contribuire a un problema. È il passaggio dalla scarsità all’abbondanza che rende intuitiva l’idea di mismatch.

Ma la formula “siamo programmati per ingurgitare tutto perché un tempo non sapevamo quando avremmo mangiato” comprime questioni diverse: preferenze alimentari, regolazione dell’appetito, deposito di energia e storia genetica. Non è una spiegazione completa dell’obesità, né consente di attribuire a tutte le popolazioni un identico passato alimentare.

La revisione di Layla Brassington, Audrey M. Arner e colleghi, pubblicata nel 2024 su Evolution, Medicine, and Public Health, ricostruisce l’ipotesi del “genotipo parsimonioso” proposta da James Neel nel 1962: varianti favorevoli all’accumulo energetico sarebbero state vantaggiose durante la scarsità e sfavorevoli in ambienti industriali. Gli autori ne discutono le critiche e considerano ancora irrisolta la sua applicabilità. Richiamano anche la complessità delle interazioni tra geni, ambiente e stile di vita.

Quindi possiamo usare l’esempio del cibo per capire il meccanismo, senza trasformarlo in una sentenza universale sulla nostra biologia. La prudenza diventa ancora più necessaria quando passiamo dalla nutrizione a un software.

Telmo Pievani: il mondo cambia e la mente deve riadattarsi

Nel suo intervento Schiavi dei social? È tutta colpa della mancanza d’immaginazione…, pubblicato su Style il 21 febbraio 2026, Pievani collega la ricerca di gratificazioni immediate alle pressioni del passato evolutivo e osserva che gli algoritmi possono approfittarne. La riflessione riguarda anche la difficoltà di investire in benefici lontani nel tempo. Pievani, però, richiama la capacità umana di immaginare il futuro e cooperare: la storia evolutiva non rende inevitabili le nostre scelte.

Nel dialogo del 2025 con Riccardo Luna, Pievani descrive il mismatch tecnologico come uno sfasamento tra evoluzione e realtà contemporanea.

Trovo feconda questa prospettiva perché evita di immaginare la tecnologia come un meteorite arrivato dall’esterno. La creiamo noi. Eppure questo non garantisce che ogni individuo, istituzione o gruppo sappia governarne subito gli effetti. Chi inventa una macchina, chi la vende, chi la usa e chi ne subisce le conseguenze possono avere competenze e interessi diversi.

Il mio video sugli algoritmi predatori

Avevo già affrontato il tema nel video Telmo Pievani e gli algoritmi predatori. Lo ripropongo come punto di partenza per questa riflessione: prima gli algoritmi che selezionano ciò che vediamo, oggi anche i sistemi che producono ciò che leggiamo e scriviamo. Sono funzioni diverse, da non confondere, ma entrambe ci chiedono di riflettere su come distribuiamo attenzione e fiducia.

AI e disallineamento evolutivo: dove regge il parallelo

La somiglianza che propongo riguarda il rapporto tra capacità e ambiente. Nel caso alimentare discutiamo di organismi esposti a condizioni nuove. Nel caso dell’AI osserviamo persone e organizzazioni che devono imparare a lavorare con strumenti nuovi. I due fenomeni non sono scientificamente equivalenti.

Scrivere una mail da zero o seguire una procedura amministrativa non sono adattamenti biologici nello stesso senso della fisiologia metabolica. Sono anche pratiche apprese, modificabili con formazione, organizzazione e progettazione. Chiamare tutto “evolutivo” rischierebbe di rendere naturali e inevitabili problemi che possiamo correggere molto più rapidamente.

Per questo distinguerei tre livelli:

• Biologico: la storia evolutiva e i limiti dell’organismo. Non basta osservare un impiegato affaticato per dimostrare un mismatch evolutivo.
• Cognitivo: come distribuiamo lo sforzo, valutiamo una risposta e decidiamo quando fidarci. Qui possiamo studiare comportamenti specifici.
• Organizzativo: procedure, responsabilità, incentivi e volumi di lavoro. Un documento generato in pochi secondi può arrivare a una filiera di approvazione rimasta identica.

La provocazione del titolo abbraccia questi livelli. Per il lavoro quotidiano, l’espressione più precisa è spesso disallineamento cognitivo e organizzativo. Non sto diagnosticando alla specie umana una nuova patologia evolutiva.

Gli studi: l’AI accelera alcuni compiti, non l’intero lavoro

Shakked Noy e Whitney Zhang hanno studiato compiti di scrittura professionale in un esperimento con 453 professionisti con istruzione universitaria. Nel loro articolo pubblicato su Science nel 2023, l’uso di ChatGPT ha ridotto mediamente il tempo impiegato del 40% e migliorato la qualità valutata del 18%. È disponibile anche una versione precedente del lavoro sul sito del MIT.

Quei risultati riguardano attività e condizioni specifiche. Non dimostrano che ogni lavoratore possa produrre il 40% in meno di ore, né che le fasi successive alla scrittura diventino automaticamente più rapide.

Un altro esperimento, Navigating the Jagged Technological Frontier, di Fabrizio Dell’Acqua e colleghi, evidenzia una “frontiera frastagliata”. Nei compiti entro le capacità dell’AI, i partecipanti assistiti hanno completato più attività e lavorato circa il 25% più rapidamente. In un compito complesso oltre quella frontiera, l’accesso all’AI ha invece ridotto di 19 punti percentuali la probabilità di una soluzione corretta. Gli autori sottolineano che il risultato negativo riguarda un singolo compito esterno alla frontiera.

È una lezione utile: la velocità non permette di sapere se siamo nel territorio in cui lo strumento ci aiuta. Per decidere serve conoscere il compito, i criteri di qualità e gli errori possibili.

La fiducia può cambiare lo sforzo di verifica

Il paper di Hao-Ping Lee e colleghi, The Impact of Generative AI on Critical Thinking, presentato a CHI 2025, analizza un’indagine su 319 lavoratori della conoscenza. Una maggiore fiducia nell’AI risulta associata a minore esercizio dichiarato del pensiero critico. Gli autori descrivono anche lo spostamento di alcune attività verso verifica, integrazione delle risposte e supervisione del lavoro.

Si tratta di autovalutazioni e associazioni, non di un esperimento che dimostri un declino permanente dell’intelligenza. Il risultato aiuta però a formulare una domanda pratica: quando il sistema sembra competente, continuiamo a controllarlo con la stessa attenzione?

Il problema ha precedenti. La revisione sistematica di Kate Goddard, Abdul Roudsari e Jeremy C. Wyatt, pubblicata nel 2012 sul Journal of the American Medical Informatics Association, esamina l’automation bias, cioè la tendenza a fare eccessivo affidamento sull’automazione. È ricerca precedente ai chatbot generativi e non autorizza a trasferire automaticamente tutti i risultati a ChatGPT. Mostra, tuttavia, che la difficoltà di sorvegliare un sistema automatico non nasce con gli LLM.

Il rischio di un’abbuffata di contenuti

Nel parallelo alimentare c’è un’immagine che mi sembra particolarmente utile: l’abbuffata. Se produrre diventa semplice, possiamo finire per generare più documenti di quanti ne servano. Una bozza diventa cinque versioni, una riunione genera verbale e rapporto, un’idea si trasforma in trenta slide. È uno scenario possibile, non una misura dell’attuale uso dell’AI nelle aziende.

Lo studio Accelerating dynamics of collective attention, pubblicato da Philipp Lorenz-Spreen e colleghi su Nature Communications nel 2019, analizza l’attenzione collettiva in diversi ambiti e rileva dinamiche più rapide e periodi di attenzione più brevi. Il modello collega queste dinamiche alla crescita di produzione e consumo di contenuti. Non misura la capacità individuale di concentrazione e precede l’attuale diffusione dell’AI generativa.

La mia inferenza è questa: se aumentiamo la produzione senza decidere cosa merita di essere prodotto, possiamo spostare il costo sui destinatari. Io risparmio tempo scrivendo. Tu lo spendi leggendo. L’organizzazione celebra l’efficienza del mittente e dimentica il lavoro del ricevente.

Immaginiamo, come esempio ipotetico, un responsabile che chieda dieci proposte commerciali dove prima ne chiedeva due. La stesura accelera, ma la selezione, la verifica dei prezzi e la decisione restano aperte. La sensazione di produttività potrebbe nascondere una coda più lunga di materiale da controllare.

Leggere con calma non è un difetto da correggere

Qui mi permetto di mettere in discussione una parte della provocazione iniziale. Il fatto che una macchina scriva velocemente non rende obsolete la lettura lenta, la riflessione o la risposta ponderata. Per alcuni compiti, sono esattamente le capacità che vogliamo preservare.

Il disallineamento emerge quando trattiamo allo stesso modo attività diverse: mezz’ora per una conferma logistica ripetitiva e pochi secondi per approvare un documento con conseguenze importanti. Adattarsi significa distribuire meglio l’attenzione, scegliere cosa delegare e riconoscere ciò che richiede ancora un giudizio approfondito.

Vorrei che l’AI liberasse tempo anche per lavorare con calma. Se ogni minuto risparmiato diventa automaticamente un’altra richiesta, abbiamo trasformato un’opportunità in una pressione aggiuntiva. Questa è una scelta di gestione, non un destino scritto nei nostri geni.

Come ridurre il disallineamento nel lavoro quotidiano

Propongo cinque interventi da sperimentare, misurando sia il tempo sia la qualità:

1. Riprogettare un processo intero. Per esempio, dalla richiesta del cliente alla risposta finale: quali informazioni mancano, quali passaggi sono ripetitivi, chi verifica e chi decide? Inserire il chatbot soltanto nella stesura può lasciare intatti tutti gli altri colli di bottiglia.
2. Definire il prodotto minimo utile. Una risposta breve, una raccomandazione motivata o una tabella possono essere sufficienti. Prima di chiedere venti pagine, chiarire quale decisione devono rendere possibile.
3. Graduare la delega. Distinguere la proposta di un testo dalla sua pubblicazione, e la preparazione di una risposta dal suo invio. Fissare controlli e responsabilità in base alle conseguenze dell’errore.
4. Proteggere il tempo di verifica. Definire in anticipo quali dati, fonti, calcoli e impegni devono essere controllati. Chiedere a un chatbot di ricontrollarsi può aiutare, ma non sostituisce il confronto con documenti e fonti indipendenti.
5. Valutare l’esito complessivo. Confrontare tempo totale, correzioni necessarie, errori, utilità per il destinatario e lavoro trasferito ai colleghi. Il numero di contenuti generati, da solo, è un indicatore povero.

Chi vuole esercitarsi nella formulazione delle istruzioni può partire dalla mia raccolta di prompt ed esercizi di prompt engineering. Suggerisco di affiancare alla scrittura dei prompt anche l’analisi dei processi: chiedere meglio è utile, sapere perché e quando chiedere lo è altrettanto.

Un prompt per individuare i colli di bottiglia

Agisci come un analista dei processi. Ti descrivo un’attività ricorrente e i suoi passaggi.

Obiettivo: individuare dove l’AI generativa può aiutare e dove servono attenzione e giudizio umano.

Per ogni passaggio indica:
1. risultato necessario e destinatario;
2. informazioni richieste;
3. possibile supporto dell’AI;
4. errori plausibili e loro conseguenze;
5. controllo umano e responsabile;
6. indicatore per confrontare il processo attuale e quello modificato.

Non inventare tempi, risparmi o dati mancanti. Distingui i fatti che ti fornisco dalle ipotesi. Proponi un esperimento limitato e reversibile. Considera anche il carico di lettura e verifica dei destinatari. Non proporre invii o pubblicazioni automatici senza una regola esplicita di autorizzazione.

Processo: [descrizione e vincoli]

Adattarci significa anche cambiare l’ambiente che abbiamo creato

Le riflessioni di Pievani mi suggeriscono di guardare all’AI attraverso il rapporto tra persone e ambiente. Il risultato dipenderà anche dalle interfacce, dalle aspettative dei dirigenti e dalle procedure con cui decidiamo che cosa conta come buon lavoro.

Possiamo scegliere di riempire la giornata di output oppure usare gli strumenti per ridurre il lavoro superfluo, confrontare alternative e dedicare più attenzione alle decisioni. La prima strada mi sembra una versione digitale della dispensa sempre piena: consumare diventa facile, scegliere resta impegnativo.

La provocazione, allora, è questa: siamo pronti a lavorare diversamente, oltre che a produrre più velocemente? Non dobbiamo aspettare che cambi il nostro patrimonio genetico per rispondere. Possiamo iniziare da una mail, una riunione, una procedura e dal criterio con cui giudichiamo se siano state davvero utili.

Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.