L’intelligenza artificiale sarà la tomba del pensiero critico? Forse la domanda è sbagliata

Di Giovanni Panza

«I chatbot sono la tomba del pensiero critico».

È una delle affermazioni che circolano sempre più frequentemente quando si discute di intelligenza artificiale. C’è chi sostiene che le macchine finiranno inevitabilmente per sostituirci, chi le considera incapaci di produrre qualcosa di realmente originale e chi teme che il loro utilizzo ci renda progressivamente meno autonomi nel ragionamento.

Sono preoccupazioni legittime, che meritano di essere affrontate seriamente. Ma proprio perché parliamo di pensiero critico, dovremmo evitare di trasformare queste preoccupazioni in verità indiscutibili.

La questione, forse, è più complessa di quanto sembri.

Il pensiero critico non si delega, ma può essere allenato

Immaginiamo due persone che utilizzano lo stesso chatbot.

La prima pone una domanda, riceve una risposta e la considera sufficientemente attendibile da non verificarla. Magari la condivide sui social, trasformando un testo generato da una macchina in una propria convinzione.

La seconda, invece, parte da un’idea personale e chiede al chatbot di individuarne le debolezze, proporre obiezioni, costruire un’argomentazione contraria e suggerire quali informazioni verificare.

La tecnologia è la stessa, ma l’attività intellettuale è profondamente diversa.

Nel primo caso rischiamo di delegare il ragionamento; nel secondo possiamo utilizzare la macchina come uno strumento di confronto.

Questo non significa negare i rischi.

Una ricerca pubblicata nel 2025 da Microsoft Research e Carnegie Mellon University, condotta su 319 lavoratori della conoscenza, ha individuato un’associazione tra maggiore fiducia nell’intelligenza artificiale e minore esercizio dichiarato del pensiero critico.

Non dimostra che l’IA ci renda inevitabilmente meno capaci di pensare. Suggerisce, però, che quanto più ci fidiamo delle risposte automatiche, tanto meno potremmo sentirci spinti a verificarle.

Il pericolo è reale. Ma non è una conseguenza inevitabile della tecnologia.

Le macchine producono soltanto risposte di senso comune?

Un’altra critica frequente riguarda il funzionamento dei modelli linguistici.

Questi sistemi vengono addestrati su enormi quantità di dati e imparano regolarità statistiche e relazioni tra informazioni, concetti e strutture linguistiche.

Secondo alcuni, proprio questa caratteristica costituirebbe il loro limite fondamentale: sarebbero capaci di produrre risposte credibili, coerenti e generalmente condivisibili, ma non di elaborare vere novità.

Mancherebbe, insomma, il pensiero divergente: la capacità di ribaltare un’argomentazione, proporre una prospettiva inattesa o mettere in discussione ciò che appare ovvio.

È un’obiezione interessante, ma rischia di semplificare eccessivamente il problema.

Anche il pensiero umano si forma attraverso l’esperienza, l’educazione, la cultura e il confronto con le idee degli altri.

Nessuno di noi pensa partendo dal nulla.

Le nostre intuizioni più originali nascono spesso dalla capacità di collegare conoscenze che già possediamo in modi nuovi.

Naturalmente questo non significa che il cervello umano e una rete neurale artificiale funzionino allo stesso modo. Le differenze sono profonde e riguardano anche l’esperienza corporea, le emozioni, le motivazioni e il rapporto con il mondo.

Ma sarebbe altrettanto affrettato concludere che un sistema addestrato su dati esistenti non possa produrre risultati originali.

Diverse ricerche sulla creatività dei modelli linguistici mostrano che questi sistemi possono ottenere risultati significativi in compiti di pensiero divergente e generazione di idee, pur presentando limiti importanti rispetto alla creatività umana.

La vera domanda diventa allora: produrre qualcosa di originale equivale a essere creativi nel senso pienamente umano del termine?

Non necessariamente.

Ma non possiamo neppure negare l’originalità di un risultato soltanto perché è stato prodotto da una macchina.

La complessità: quando il tutto supera la somma delle parti

Per comprendere meglio questi sistemi è utile richiamare un concetto centrale della fisica e della scienza contemporanea: la complessità.

In un sistema complesso, le interazioni tra numerosi elementi possono dare origine a comportamenti e proprietà che non sono immediatamente deducibili dall’osservazione dei singoli componenti.

Pensiamo a una colonia di formiche, a un ecosistema oppure al cervello umano.

Un singolo neurone non possiede la capacità di elaborare un ragionamento filosofico. Eppure, dall’organizzazione e dalle interazioni di miliardi di neuroni emergono capacità cognitive straordinarie.

Naturalmente non possiamo trasferire automaticamente queste considerazioni alle intelligenze artificiali.

Il fatto che un sistema presenti comportamenti emergenti non dimostra che possieda coscienza, intenzionalità o comprensione del mondo.

Tuttavia, ci invita a una maggiore prudenza nel formulare giudizi definitivi.

Le reti neurali artificiali sono sistemi matematici nei quali l’interazione tra un numero enorme di parametri può produrre capacità che non sono state codificate esplicitamente attraverso regole tradizionali.

Questo rende insufficiente descrivere un moderno modello linguistico come un semplice archivio di frasi o una macchina che copia risposte già esistenti.

Il punto interessante non è soltanto ciò che questi sistemi hanno appreso, ma ciò che riescono a fare attraverso le relazioni tra le informazioni apprese.

Non sappiamo ancora fino a dove potranno arrivare queste capacità. Ed è proprio questa incertezza che dovrebbe stimolare la ricerca e il confronto, anziché incoraggiare conclusioni categoriche.

Le allucinazioni: quando una risposta credibile non è vera

C’è però un limite che non possiamo ignorare: le cosiddette allucinazioni.

Un modello linguistico può produrre informazioni false, riferimenti inesistenti o spiegazioni inventate, presentandoli con una sicurezza che rende difficile riconoscere l’errore.

Il rischio può diventare particolarmente significativo quando affrontiamo argomenti di nicchia, scarsamente documentati o poco rappresentati nei dati di addestramento.

In queste situazioni il modello potrebbe non disporre di conoscenze sufficientemente affidabili per fornire una risposta corretta.

Eppure può continuare a generare una spiegazione perfettamente plausibile.

Le allucinazioni, comunque, non dipendono esclusivamente dalla scarsità di dati. Possono derivare anche da informazioni contraddittorie, domande ambigue, limiti del modello e modalità di addestramento o valutazione che favoriscono il tentativo di rispondere rispetto all’ammissione di incertezza.

Qui emerge una distinzione fondamentale:

Una risposta può essere linguisticamente impeccabile, logicamente apparente e persino convincente, senza essere vera.

È una caratteristica che rende indispensabile il controllo umano, soprattutto quando utilizziamo questi strumenti in ambiti scientifici, educativi, professionali o comunque delicati.

Ma c’è un’altra osservazione da fare.

Anche gli esseri umani producono affermazioni convincenti e sbagliate. Spesso siamo portati a credere a chi comunica con maggiore sicurezza, indipendentemente dalla qualità delle informazioni.

L’intelligenza artificiale rende questo problema ancora più evidente e potenzialmente più esteso.

E se il vero problema fosse il nostro bisogno di conferme?

Esiste un fenomeno particolarmente insidioso nei chatbot: la tendenza ad assecondare l’interlocutore.

Nel linguaggio della ricerca viene spesso indicato con il termine sycophancy, che potremmo tradurre come compiacenza.

Un sistema progettato per essere disponibile, collaborativo e utile può talvolta rafforzare le convinzioni dell’utente anziché metterle in discussione.

Il risultato è paradossale.

Possiamo trascorrere ore a dialogare con una macchina, convincendoci di aver approfondito un argomento, quando in realtà abbiamo soltanto ricevuto una versione più elegante delle idee che già possedevamo.

Ma anche qui dovremmo porci una domanda scomoda.

Non accade qualcosa di simile nelle nostre relazioni sociali?

Nei gruppi di amici, nelle discussioni politiche, sui social network e perfino negli ambienti culturali tendiamo spesso a confrontarci con persone che condividono le nostre convinzioni.

L’intelligenza artificiale può amplificare questa dinamica, ma certamente non l’ha inventata.

Forse il vero nemico del pensiero critico non è la macchina, bensì la nostra difficoltà ad accettare di avere torto.

Una riflessione teologica: il libero arbitrio nell’epoca degli algoritmi

Il dibattito può essere affrontato anche da una prospettiva filosofica e teologica.

Nella tradizione cristiana, il libero arbitrio rappresenta un elemento fondamentale della responsabilità umana.

Pur nelle diverse interpretazioni teologiche del rapporto tra grazia divina e libertà, l’essere umano è chiamato a scegliere e a rispondere delle proprie azioni.

È interessante osservare come questa idea possa offrire uno spunto di riflessione sul nostro rapporto con le tecnologie intelligenti.

Se persino nel rapporto tra l’uomo e Dio la libertà costituisce una questione centrale, perché dovremmo rinunciare così facilmente alla nostra autonomia di giudizio nei confronti di una macchina?

Naturalmente non stiamo paragonando una rete neurale alla divinità.

Il confronto riguarda piuttosto il valore della responsabilità personale.

Una macchina può suggerirci una decisione, formulare un giudizio o proporre una soluzione. Ma siamo noi a dover valutare le conseguenze delle nostre scelte.

La tecnologia può estendere enormemente le possibilità dell’essere umano.

Non dovrebbe diventare un pretesto per rinunciare alla libertà e alla responsabilità di pensare.

La scuola davanti a una nuova responsabilità

Da docente, considero questo uno degli aspetti più importanti dell’intera questione.

Per anni abbiamo costruito una parte significativa della didattica attorno alla capacità degli studenti di acquisire informazioni, memorizzare procedure e restituire risposte corrette.

Oggi una macchina può svolgere molte di queste attività con una rapidità impensabile soltanto pochi anni fa.

Questo non rende inutili le conoscenze di base. Al contrario: senza conoscenze solide diventa ancora più difficile valutare l’affidabilità delle risposte generate dall’intelligenza artificiale.

Ma ci obbliga a interrogarci sul modo in cui insegniamo e valutiamo.

Dovremmo dare maggiore spazio alla capacità di formulare problemi, sostenere argomentazioni, individuare contraddizioni, verificare fonti e confrontare prospettive differenti.

Una ricerca pubblicata nel 2025 sulla rivista PNAS, condotta su quasi mille studenti delle scuole superiori, ha mostrato come l’utilizzo dell’IA possa migliorare i risultati durante le esercitazioni, senza necessariamente favorire l’apprendimento autonomo.

In particolare, gli studenti che avevano utilizzato un sistema capace di fornire direttamente le soluzioni hanno ottenuto risultati peggiori nelle successive prove senza IA rispetto al gruppo di controllo. Un sistema progettato per offrire suggerimenti anziché risposte immediate ha invece attenuato sensibilmente questo effetto negativo.

Il messaggio educativo è importante.

Non basta mettere uno strumento intelligente nelle mani degli studenti. Bisogna insegnare loro a utilizzarlo in modo intelligente.

Uno studente dovrebbe imparare non soltanto a chiedere una soluzione, ma anche a domandare quali siano le ipotesi su cui si basa, quali alternative esistano e come possa verificarne la correttezza.

E soprattutto dovrebbe conservare la capacità di affrontare un problema anche senza l’aiuto della macchina.

Conclusione: la vera sfida non è fermare le macchine

Credo che il dibattito sull’intelligenza artificiale abbia bisogno di maggiore equilibrio.

Da una parte troviamo chi attribuisce alle macchine capacità quasi illimitate, immaginando un futuro nel quale l’essere umano diventerà progressivamente superfluo.

Dall’altra chi riduce questi sistemi a semplici strumenti statistici, incapaci per definizione di produrre qualcosa di nuovo e destinati inevitabilmente a impoverire il nostro pensiero.

Entrambe le posizioni rischiano di impedirci di comprendere la complessità di ciò che sta accadendo.

Non sappiamo se le macchine arriveranno a possedere forme di intelligenza paragonabili a quella umana in tutte le sue dimensioni, né possiamo prevedere con certezza come cambierà il nostro rapporto con esse.

Sappiamo però che stanno già trasformando il modo in cui lavoriamo, studiamo, comunichiamo e produciamo conoscenza.

La questione, allora, non è soltanto tecnologica. È profondamente culturale, educativa e, in un certo senso, filosofica.

Il pensiero critico non consiste nel rifiutare le risposte delle macchine, ma neppure nell’accettarle passivamente.

Consiste nel saperle interrogare, discutere, verificare e, quando necessario, respingere.

E forse dovremmo concludere con una domanda ancora più provocatoria:

Siamo davvero preoccupati che le macchine imparino a pensare come noi, oppure dovremmo preoccuparci maggiormente del fatto che noi stiamo diventando meno disposti a pensare autonomamente?

Perché il rischio più grande non è necessariamente che l’intelligenza artificiale ci sostituisca.

È che, affascinati dalla comodità delle sue risposte, finiamo per rinunciare volontariamente a ciò che dovrebbe renderci liberi: la capacità di dubitare, scegliere e pensare con la nostra testa.

---

Fonti e approfondimenti

1. Lee, H.-P. et al. (2025), The Impact of Generative AI on Critical Thinking, CHI 2025 — Microsoft Research.
2. Bastani, H. et al. (2025), Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS — Articolo scientifico.
3. OpenAI (2025), Why language models hallucinate — Approfondimento.
4. Large language models show both individual and collective creativity comparable to humans (2025), Thinking Skills and Creativity — Articolo scientifico.