Osserva che prompt scrivi e capirai che modello mentale hai

La settimana scorsa mi sono ritrovato a discutere con un modello linguistico. Gli avevo chiesto di «sistemare la go-to-market» di un progetto e mi aveva restituito una lista di ovvietà da slide di apertura. Colpa sua? Comodo pensarlo. Rileggendo il mio prompt ho capito il punto: avevo dato per scontato metà del contesto, non avevo esplicitato un solo vincolo, e avevo chiamato «strategia» quella che era, di fatto, una richiesta di brainstorming senza perimetro. Lo specchio funzionava benissimo. Ero io a essere sfocato.

Chi si lamenta della qualità delle risposte di un modello raramente si interroga sulla qualità della propria domanda. Eppure è lì che si gioca quasi tutto.

La tesi è questa: un prompt è la proiezione esterna di un modello mentale. Contiene ciò che consideriamo rilevante, il livello di astrazione a cui operiamo, i vincoli che diamo per scontati. Se il modello mentale è confuso, nessuna tecnica di prompting lo salva. Da qui una conseguenza scomoda — lavorare con l'AI è un test continuo sulla nostra capacità di pensare. Lo strumento restituisce, amplificata, la struttura del nostro ragionamento.

Perché è uno specchio, non un martello

Un martello è indifferente a chi lo impugna: fa lo stesso buco al principiante e al maestro. Un modello linguistico no. La sua risposta è funzione della domanda, e la domanda è funzione di come pensi. Tre meccanismi rendono questa dinamica quasi impossibile da nascondere.

(1) Il prompt costringe a rendere esplicito l'implicito. Nella nostra testa il ragionamento vive di scorciatoie: contesto sottinteso, obiettivi impliciti, criteri di successo mai formulati. Il modello non ha accesso a niente di tutto questo. Deve stare nella frase. Scrivere un buon prompt significa fare l'operazione che in consulenza chiamiamo «strutturare il problema» — e la maggior parte delle richieste deludenti sono problemi mal posti, non risposte mal generate.

(2) La risposta eredita l'ambiguità della domanda. Il vecchio «garbage in, garbage out» degli informatici oggi opera a un livello più sottile: non sui dati, ma sul ragionamento. Se non distinguo tra «generami opzioni» e «valuta le opzioni contro questi tre criteri», il modello sceglie per me — e sceglie la strada media. La mediocrità della risposta è spesso la fedele restituzione dell'imprecisione dell'input.

(3) Il livello di astrazione lo detti tu. Chiedere «aiutami con il pricing» e chiedere «confronta pricing a valore vs. cost-plus per un servizio B2B con alto costo di acquisizione e churn del 12%» attivano due macchine diverse. Non perché il modello sappia di più nel secondo caso, ma perché tu gli hai prestato il tuo modello del problema. Lo specchio riflette la risoluzione con cui glielo hai mostrato.

Lo specchio ha un costo cognitivo — e la ricerca lo sta misurando

Qui arriva la parte scomoda, quella che di solito nei post entusiasti sull'AI si salta. Se lo strumento amplifica il nostro pensiero, cosa succede quando smettiamo di pensare e lo lasciamo fare a lui?

Nel giugno 2025 il MIT Media Lab (Kosmyna et al., «Your Brain on ChatGPT») ha pubblicato uno studio EEG su 54 partecipanti divisi in tre gruppi — solo cervello, motore di ricerca, ChatGPT — mentre scrivevano saggi. Il gruppo LLM ha mostrato la connettività neurale più debole; il senso di ownership del proprio testo più basso; e, dettaglio che vale più di mille grafici, molti non sapevano citare frasi del saggio che avevano appena «scritto». Gli autori lo chiamano cognitive debt: un debito che accumuli ogni volta che deleghi lo sforzo senza trattenere il ragionamento.

In parallelo, Microsoft Research e Carnegie Mellon (Lee et al., CHI 2025) hanno intervistato 319 knowledge worker su 936 usi reali di GenAI sul lavoro. La quota di casi in cui i lavoratori dichiarano «molto meno» o «meno» sforzo cognitivo tocca il 72% nelle attività di knowledge work, il 79% nella comprensione, il 76% nella sintesi. Ma il vero insight è un altro: più alta è la fiducia nell'AI, minore è il pensiero critico esercitato; più alta è la fiducia in sé stessi, maggiore è il pensiero critico. La frase che mi sono segnato: l'AI rende opzionali le parti faticose del pensiero — e la fatica è esattamente ciò che costruisce la competenza.

Tradotto: lo specchio può far atrofizzare il muscolo che riflette. Non perché sia difettoso, ma perché è comodo.

La buona notizia (e vale al contrario)

Se usare male l'AI ci rende più pigri, usarla con disciplina è uno degli allenamenti più efficaci disponibili oggi per imparare a formulare domande migliori. È la stessa logica, letta al rovescio.

Ethan Mollick (Wharton, newsletter «One Useful Thing», libro Co-Intelligence) lo dice in modo netto: chi eccelle con questi sistemi ha passato anni a imparare a inquadrare i problemi nel proprio campo. I loro framework, faticosamente costruiti in aula e sul lavoro, diventano i loro prompt. Le competenze liquidate come «soft» — porre la domanda giusta, definire il criterio, dubitare della prima risposta — si rivelano le hard skill del lavoro con l'AI. (Se volete la versione parlata, la sua intervista a «On Point» della WBUR di luglio 2025 è un buon punto di partenza.)

Da consulente, questa è la parte che mi entusiasma. Il pensiero strutturato non è mai stato così immediatamente ricompensato. Ecco tre discipline che sto usando, e che lascio a voi adattare.

(1) Scrivi la domanda a te stesso prima di scriverla al modello. Se non sai spiegare a un collega cosa vuoi e perché, il prompt sarà cattivo per costruzione. Il modello è un test di chiarezza, non una scorciatoia per evitarla.

(2) Esplicita i vincoli, sempre. Obiettivo, audience, criteri di successo, cosa non voglio. Ogni vincolo che aggiungi è un pezzo del tuo modello mentale che rendi ispezionabile — a te, prima ancora che alla macchina.

(3) Usa l'AI per interrogare il tuo ragionamento, non per sostituirlo. Il prompt più sottovalutato non è «scrivimi X», ma «dammi i tre argomenti più forti contro la mia tesi». Così lo specchio smette di adularti e inizia ad allenarti. (Sì, richiede lo stomaco di sentirsi dare torto da un software. Ci si abitua.)

In sintesi

L'AI non è neutrale rispetto a chi la usa: restituisce la qualità del pensiero che le porti. Chi arriva con modelli mentali nitidi ottiene leva; chi arriva con la nebbia ottiene nebbia più veloce. La ricerca del 2025 — dal MIT a Microsoft-CMU — ci dice che la delega senza ragionamento ha un costo neurologico misurabile. Ma ci dice anche il contrario: la pratica disciplinata è palestra cognitiva.

La domanda giusta, allora, non è «quanto è bravo il modello?». È: quanto sono disposto a diventare più preciso, ora che ho uno specchio che non fa sconti?

Per approfondire

MIT Media Lab — Kosmyna et al., «Your Brain on ChatGPT: Accumulation of Cognitive Debt», 2025 → arxiv.org/abs/2506.08872

Microsoft Research + Carnegie Mellon — Lee et al., «The Impact of Generative AI on Critical Thinking», CHI 2025 → dl.acm.org/doi/10.1145/3706598.3713778

Ethan Mollick — «Thinking Like an AI» e Co-Intelligence → oneusefulthing.org · intervista WBUR «On Point», lug. 2025