Questo articolo è stato pubblicato su LinkedIn, clicca per leggere...

Daron Acemoglu, economista del MIT e Premio Nobel per l'Economia 2024, con Dingwen Kong e Asuman Ozdaglar, ha pubblicato un paper che merita attenzione non per quello che predice, ma per il meccanismo che formalizza. Si chiama "AI, Human Cognition and Knowledge Collapse" (NBER Working Paper 34910, febbraio 2026) e il titolo è tutt'altro che clickbait accademico.

Il modello nel paper funziona così. Per prendere buone decisioni servono due tipi di conoscenza: quella generale, condivisa, accumulata nel tempo dalla comunità, e quella specifica del contesto, individuale. Le due sono complementari, non alternative. La conoscenza generale è il terreno su cui quella specifica attecchisce.

Poi c'è il meccanismo che rende tutto fragile. Quando un essere umano fa lo sforzo cognitivo di capire il proprio contesto, produce due segnali: uno privato, che gli serve subito, e uno pubblico, sottile, che si deposita nel patrimonio collettivo. Un medico che studia il caso di un paziente non sta solo curando quel paziente. Sta contribuendo, molecolarmente, alla conoscenza medica condivisa. Queste sono "economie di scopo dell'apprendimento": impari una cosa per te, ne regali un frammento a tutti.

L'AI agentica si inserisce esattamente in questa giuntura. Offre raccomandazioni calibrate sul contesto, al posto dello sforzo individuale. Nell'immediato, la decisione migliora. Nel tempo, il flusso di segnali pubblici si prosciuga. La conoscenza generale si deprezza senza che nessuno la rigeneri.

Il risultato formale è netto. Quando l'elasticità dello sforzo umano è sufficientemente alta e l'accuratezza dell'AI supera una certa soglia, il sistema converge verso uno steady state in cui la conoscenza generale tende a zero. Acemoglu lo chiama knowledge collapse. Localmente stabile: una volta che ci scivoli dentro, non ne esci con aggiustamenti marginali.

L'aspetto controintuitivo è che il welfare non cresce in modo lineare con la precisione dell'AI. Esiste un livello ottimale di accuratezza, oltre il quale migliorare le raccomandazioni peggiora il benessere aggregato. Un'AI deliberatamente meno precisa potrebbe produrre risultati sociali migliori di una perfetta. Gli autori parlano di garbling, l'introduzione intenzionale di rumore nelle raccomandazioni come strumento regolatorio. Suona controintuitivo, ma la logica è la stessa delle rotonde stradali: un po' di attrito rallenta il singolo, fluidifica il sistema.

Non è luddismo formalizzato. Il paper dimostra anche che rafforzare i canali di aggregazione della conoscenza umana migliora il welfare senza ambiguità. Repository aperti, comunità di pratica, standard professionali che mantengano un baseline di apprendimento attivo. La leva vera non è frenare la macchina: è rendere più facile per gli umani mettere in comune quello che scoprono.

Per chi progetta sistemi AI, la questione non è astratta.

Il parametro che decide tutto, nel modello, è l'elasticità dello sforzo. Quanto rapidamente le persone smettono di imparare quando una macchina offre la risposta? Dove esistono norme professionali, curiosità intrinseca, istituzioni che impongono un minimo di fatica cognitiva, il sistema tiene. Dove lo sforzo è facoltativo, collassa. La domanda vera non è "quanto è capace l'AI" ma "quanto è robusto l'ecosistema che spinge gli umani a continuare a pensare".

Thiemo Fetzer, economista a Warwick e Bonn ha dedicato una discussione approfondita al paper e aggiunge una dimensione che Acemoglu non tocca: il sistema finanziario ha già incentivi strutturali a rendere il comportamento umano prevedibile. I dati comportamentali diventano prodotti di investimento. L'AI, in questo quadro, non è un incidente. È un acceleratore di un'estrazione di valore (senza restituzione) che era già in corso.

A mio avviso, ci sarebbe anche un'altra obiezione che vale la pena di evidenziare: il modello proposto nel lavoro di Acemoglu assume una tassonomia fissa di ciò che conta come conoscenza. Non cattura le capacità cognitive nuove che l'interazione con l'AI potrebbe generare. Se il sapere si trasforma invece di scomparire, il collasso potrebbe essere una transizione di fase, non un punto finale. La storia delle tecnologie cognitive, dalla stampa al motore di ricerca, suggerisce che queste transizioni distruggono categorie di sapere e ne generano di impreviste. Misurarle con le metriche del prima è il modo più sicuro per non capirle. Ad essere onesto, su questo mio ultimo passaggio, mi si potrebbe contro-obiettare che la stampa, per esempio, ha però aumentato lo sforzo cognitivo umano (più gente che ha imparato a leggere e scrivere), l'AI agentica rischia invece di ridurlo. Da approfondire...

Il paper di Acemoglu formalizza qualcosa che chi lavora con AI generativa percepisce in modo preriflessivo: ogni volta che il sistema risponde al posto nostro, un neurone, da qualche parte, decide che non vale la pena attivarsi. Moltiplicato per milioni di decisioni quotidiane, per anni, il conto è il patrimonio informativo comune.

La domanda aperta non riguarda la regolamentazione della precisione, che è un esperimento mentale più che una policy praticabile. Riguarda la progettazione: come si costruiscono sistemi che amplificano la cognizione invece di sostituirla? Che producono segnali pubblici come effetto collaterale del loro funzionamento, non nonostante esso?

La risposta, sospetto, non sta nel limitare cosa la macchina sa. Sta nel progettare sistemi che, invece di consegnare risposte, costringano l'umano a formulare domande migliori. Serve un'AI che non ti lasci smettere di pensare.