Ascolta il podcast: Nel marzo 2026 Netanel Eliav, ricercatore del Machine Human Intelligence Lab, ha depositato su arXiv un lavoro che quantifica per la prima volta su una scala comune due traiettorie che corrono in direzioni opposte: la finestra di contesto dei grandi modelli linguistici è passata da 512 token nel 2017 a due milioni nel 2026, mentre la capacità umana di attenzione sostenuta — tradotta in token equivalenti attraverso meta-analisi validate sui tassi di lettura — è scesa da circa 16.000 token nel 2004 a una stima di 1.800 nel 2026 (Eliav, 2026). Eliav chiama questo divario Cognitive Divergence e propone che non sia una coincidenza: man mano che i sistemi artificiali diventano capaci di processare contesti sempre più vasti, la soglia cognitiva al di sotto della quale gli esseri umani delegano compiti all’IA si abbassa, estendendosi a mansioni di impegno trascurabile; la conseguente riduzione di esercizio cognitivo potrebbe ulteriormente erodere le capacità attentive e compositive che la letteratura comportamentale documenta come già in declino. Chiama questo meccanismo Delegation Feedback Loop. La tesi di questo saggio è che la Cognitive Divergence non è solo una misura empirica, ma il sintomo di una ridefinizione strutturale del confine tra cognizione umana e artificiale che costringe a ripensare la tesi della mente estesa di Clark e Chalmers: non si tratta più di chiedersi se un quaderno o uno smartphone possano far parte del sistema cognitivo, ma di capire cosa accade quando l’estensione non è più passiva e controllata dall’utente, ma adattiva, predittiva e capace di riplasmare silenziosamente le abitudini cognitive di chi la usa. Il problema non è nuovo nella sua forma generale: già nel Fedro Platone faceva dire a Socrate che la scrittura avrebbe creato dimenticanza nelle anime, perché ci si fiderebbe di segni esterni invece che della memoria interna (Platone, Fedro, 275a). Ma la delega cognitiva odierna ha una caratteristica qualitativamente diversa: i sistemi generativi non si limitano a memorizzare o recuperare informazioni, eseguono compiti di ragionamento integrativo, sintesi argomentativa e valutazione — operazioni che la psicologia cognitiva identifica come carico germane, il lavoro mentale necessario per costruire schemi durevoli in memoria a lungo termine (Sweller, 1988; Chi, 2014). Quando questo lavoro viene sistematicamente bypassato, non si estende la mente: la si svuota. La divergenza misurata Il lavoro di Eliav introduce una costruzione metodologica precisa: l’Effective Context Span (ECS), una misura token-equivalente della capacità umana di elaborazione contestuale derivata dalla meta-analisi di Brysbaert (2019) sui tassi di lettura e da un fattore di scala della comprensione calibrato empiricamente (Eliav, 2026). L’ECS non è la capacità di memoria di lavoro tout court — che il modello di Baddeley e Hitch (1974) descrive come un’architettura multicomponente con esecutivo centrale, ciclo fonologico, taccuino visuo-spaziale e buffer episodico — ma la porzione di testo coerente che un essere umano può effettivamente integrare con conoscenza pregressa e codificare in memoria episodica in una singola sessione di attenzione sostenuta. Sul versante artificiale, Eliav adatta un modello di crescita esponenziale ai dati storici delle finestre di contesto massime documentate: dal Transformer originale (Vaswani et al., 2017) a 512 token, a GPT-3 (Brown et al., 2020) a 2.048, a Claude 2 (2023) a 100.000, a Gemini 1.5 Pro (2024) a un milione, fino a Grok 4.20 (xAI, 2026) a due milioni (Eliav, 2026). Il tasso di crescita adattato è λ = 0,59 yr⁻¹, con un tempo di raddoppio di circa 14 mesi, sostanzialmente superiore alla legge di Moore. Il rapporto AI-umano grezzo è passato da quasi parità al lancio di ChatGPT (novembre 2022) a 556–1.111× nel 2026. Ma il confronto grezzo sovrastima la capacità utilizzabile: il fenomeno del “lost in the middle” (Liu et al., 2024) mostra che il recupero d’informazione all’interno di contesti lunghi degrada significativamente per i token centrali. Tenendo conto di questa degradazione, il rapporto qualità-aggiustato scende a 56–111×. È comunque un divario di due ordini di grandezza in meno di un decennio. La letteratura neurobiologica citata da Eliav (otto studi peer-reviewed) documenta meccanismi convergenti: riduzione della densità di materia grigia nell’insula e nella corteccia cingolata anteriore associata al multitasking mediatico, alterazioni della connettività funzionale nelle reti di controllo esecutivo, e correlazioni tra uso intensivo di smartphone e capacità di sintesi dopaminergica nello striato. Nessuno di questi studi prova causalità unidirezionale, ma la convergenza tra declino comportamentale misurato e correlati neurali rende l’ipotesi di una contrazione attenzionale reale difficile da liquidare. Il ciclo di delega e l’asimmetria dell’adattamento Il Delegation Feedback Loop ipotizzato da Eliav ha tre componenti: (1) crescita della capacità AI → (2) abbassamento della soglia di delega umana → (3) atrofia da mancato esercizio → (1) (Eliav, 2026). La letteratura sul cognitive offloading fornisce prove per ogni anello. Risko e Gilbert (2016) definiscono l’offloading cognitivo come l’uso di azioni fisiche per alterare i requisiti di elaborazione dell’informazione di un compito in modo da ridurre la domanda cognitiva. Grinschgl e colleghi (2021) hanno dimostrato sperimentalmente che l’offloading migliora la prestazione immediata ma riduce la successiva memoria dell’informazione offloaded: c’è un trade-off tra prestazione corrente e rappresentazione mentale duratura. Gilbert et al. (2023) distinguono intention offloading (delegare la memoria di intenzioni future a promemoria esterni) da offloading di contenuto. La revisione sistematica mostra che l’intention offloading è pervasivo e generalmente adattivo: libera risorse attenzionali per compiti correnti. Ma la delega a sistemi generativi sposta il confine: non si tratta più di ricordare che cosa fare, ma di delegare come ragionare su un problema. Qui emerge l’asimmetria cruciale descritta da Telakivi (2026) tra basic extenders (quaderni, mappe, calcolatrici) e AI-extenders. Gli estensori basilari seguono una dinamica “soggetto-mondo” o “inside-out”: l’utente cura attivamente la risorsa esterna (Otto scrive nel quaderno, lo consulta, decide quando aggiornarlo). Gli AI-extenders “invertono questa relazione in qualcosa di più simile a un mondo-soggetto, o outside-in”: il sistema monitora continuamente l’utente, impara le sue abitudini, adatta le sue risposte senza richiedere input attivo (Telakivi, 2026). Un’app di cucina intelligente può iniziare a privilegiare ricette non salutari o sponsorizzate, plasmando gradualmente le abitudini alimentari in direzioni che riflettono gli incentivi di programmazione piuttosto che le preferenze dell’utente (Telakivi, 2026). Questa adattività personalizzata, cumulativa e non riflessiva è ciò che distingue gli AI-extenders. Non è solo che lo strumento si adatta all’ambiente (come cuffie a cancellazione di rumore); si adatta a te, imparando chi sei attraverso tempi e contesti. Quando questa adattività serve interessi non allineati con quelli dell’utente — engagement, monetizzazione, ritenzione — si produce quello che Spurrett, Colombetti e Sutton (2025) chiamano hostile scaffolding: impalcature che lavorano contro gli interessi dell’utente, modellano e sfruttano le sue preferenze senza consapevolezza, erodono gradualmente la capacità di controllo riflessivo sulle proprie decisioni. Mente estesa, mente svuotata, sovranità cognitiva La tesi della mente estesa (Clark & Chalmers, 1998) offre il quadro ontologico per cui Otto e il suo quaderno formano un sistema cognitivo accoppiato: le credenze di Otto sugli indirizzi dei musei, recuperate dal quaderno, «non sono diverse in alcun senso decisivo» dalle credenze biologiche di Inga[1]. Il principio di parità afferma che se un processo esterno funziona in modo funzionalmente equivalente a uno interno, dovrebbe contare come parte del sistema cognitivo. Ma Konigsberg (2026) obietta che il principio di parità presuppone una neutralità cognitiva — che processamento interno ed esterno siano intercambiabili — ignorando la domanda cruciale: perché Otto si affida al quaderno? Se la sua memoria biologica fosse intatta e senza sforzo, lo esternalizzerebbe comunque? Quasi certamente no. La sua dipendenza nasce da vincolo, non dall’architettura della mente. L’offloading è condizionale, non costitutivo: riflette un trade-off adattivo, l’agente delega lavoro mentale per preservare risorse cognitive. Quando la cognizione è fluida, l’esternalizzazione recede; quando è affaticante, la delega prolifera. La tesi della mente estesa scambierebbe così un adattamento compensatorio per una proprietà ontologica del pensiero (Konigsberg, 2026). Questa obiezione guadagna forza empirica con i sistemi generativi. Il lavoro di Stadler, Bannert e Sailer (2024) mostra che studenti che usano ChatGPT per compiti di indagine scientifica producono analisi più superficiali, con meno valutazione indipendente delle prove e maggiore dipendenza dall’inquadramento del problema da parte dell’IA: un pattern descritto come “cognitive ease at a cost”. Il paper “The extended hollowed mind” (Frontiers in AI, 2026) introduce il concetto di hollowed mind: uno stato cognitivo caratterizzato da conoscenza superficiale e dipendenza da strumenti esterni, risultante dal bypass cronico del processing profondo. Il meccanismo è duplice: Cognitive Bypass (circonvenzione del carico germane essenziale per la costruzione di schemi, misurabile in tempo reale via ridotto time-on-task, minore potenza theta frontale in EEG, minori prompt di auto-spiegazione) e Sovereignty Trap (meccanismo motivazionale di cessione del giudizio intellettuale, operazionalizzabile tramite tasso di accettazione acritica di suggerimenti IA difettosi) (Frontiers in AI, 2026). Konigsberg (2026) propone sovranità cognitiva come costrutto distinto: la capacità di (a) notare quando il proprio pensiero è stato spostato, (b) mantenere una connessione significativa con il modo in cui le proprie credenze e giudizi si formano, (c) distinguere ragionamento genuino dall’impressione soggettiva di aver ragionato. La sovranità cognitiva nomina un fenomeno che costrutti adiacenti (pensiero critico, metacognizione, autonomia intellettuale, agenzia epistemica) non catturano individualmente, e la sua articolazione è prerequisito per la ricerca empirica sull’impatto dell’IA sul pensiero umano (Konigsberg, 2026). La distinzione chiave, ripresa anche da Telakivi (2026) e dal paper sull’hollowed mind, è tra augmentation e substitution. L’augmentation estende ciò che il ricercatore può fare preservando o costruendo la sua capacità; la substitution sostituisce ciò che il ricercatore farebbe altrimenti, lasciando quella capacità inutilizzata e potenzialmente atrofizzata. Una tassonomia a tre livelli (assistivo, sostitutivo, disruptivo) formalizza questo: l’offloading assistivo aiuta memoria o elaborazione senza sostituire lo sforzo interno; l’offloading sostitutivo rimpiazza operazioni cognitive discrete (riassumere una sezione invece di leggere e sintetizzare); l’offloading disruptivo rimpiazza i processi regolativi e riflessivi che costituiscono l’agenzia intellettuale (l’IA determina cosa pensare, quali domande importano, quali conclusioni trarre). Da Platone al carico germane La preoccupazione per l’esternalizzazione cognitiva ha una genealogia esplicita. Nel Fedro (274c–275b), Socrate racconta il mito di Theuth che presenta la scrittura a Thamus come rimedio per memoria e sapienza; Thamus replica che produrrà dimenticanza, perché chi userà la scrittura “non eserciterà la memoria, fidandosi di segni esterni”. La stessa ansia accompagna ogni tecnologia cognitiva: la stampa (Erasmo temeva la “confusione di libri”), la calcolatrice (sarebbe atrofizzata l’aritmetica mentale), il GPS (studi recenti mostrano che l’uso abituale di GPS riduce la memoria spaziale in navigazione autonoma), la ricerca online (l’effetto Google — ci si ricorda dove trovare l’informazione, non l’informazione stessa). Ciò che cambia con l’IA generativa è il tipo di processo delegato. La teoria del carico cognitivo (Sweller, 1988; Sweller et al., 1998; Paas & Sweller, 2012) distingue tre componenti additive: carico intrinseco (interattività degli elementi del materiale), carico estrinseco (derivato dal design della presentazione, riducibile), carico germane (dedicato alla costruzione di schemi). La prescrizione fondativa è che il carico totale deve rimanere entro i limiti della capacità di memoria di lavoro, altrimenti la qualità del processing degrada. La finestra di contesto dell’LLM è funzionalmente analoga alla memoria di lavoro senza tetto di capacità, limitata solo dal calcolo piuttosto che dalla biologia (Eliav, 2026). La Cognitive Divergence è il mismatch crescente tra lo spazio di lavoro cognitivo umano (che si restringe mentre la capacità attenzionale si contrae) e lo spazio di elaborazione dell’IA (che si espande per ingegneria). La teoria del carico cognitivo fornisce anche il meccanismo per un braccio del Delegation Feedback Loop: quando il carico germane viene persistentemente esternalizzato all’IA, la costruzione di schemi che quel carico normalmente produrrebbe non avviene, e l’abilità cognitiva si atrofizza (Sweller et al., 1998). Il salto qualitativo è che i sistemi generativi non automatizzano solo procedure discrete o recupero d’informazione, ma eseguono direttamente compiti di ragionamento integrativo: sintesi, argomentazione, valutazione. Questo segna uno spostamento fondamentale nell’offloading cognitivo: non più esito-basato (memoria, recupero, calcolo meccanico) ma sostituzione di processo cognitivo complesso. Il paradigma “answer engine” bypassa l’apprendimento eliminando la necessità di carico germane: fornendo risposte levigate, rimuove i precursori necessari per il lavoro cognitivo — dissonanza cognitiva, necessità di risolvere incertezza — che innescano i processi di costruzione di schemi (organizzazione, integrazione, astrazione). Estensione o sostituzione L’obiezione più forte, radicata nella tesi della mente estesa, è che la delega a IA non è sostituzione ma ulteriore estensione: se Otto col quaderno non perde sovranità cognitiva, perché dovremmo perderla noi con ChatGPT? Clark (2025) celebra l’IA generativa come potente “estensore cognitivo” proprio per la sua capacità di automatizzare il lavoro complesso di sintesi, argomentazione e valutazione, liberando menti umane per supervisione strategica, giudizio etico, innovazione creativa[2]. Questa obiezione ha forza se si accetta il principio di parità nella sua forma originale: equivalenza funzionale basta per identità cognitiva. Ma Telakivi (2026) nota che l’approccio integrationista o principio di complementarità sposta il fuoco dalla similarità funzionale alla cooperazione basata su differenze materiali e funzionali: strumenti esterni non devono funzionare come processi cerebrali per contare come genuinamente cognitivi; conta che completino e integrino processi interni in modo da costituire un sistema cognitivo unificato. Risorse interne ed esterne contribuiscono in modi diversi, con punti di forza e debolezza diversi, ed è proprio questa divisione del lavoro a far funzionare il sistema accoppiato. Con gli AI-extenders, però, “non è che una parte del processo cognitivo sarebbe stata sostituita dall’extender, piuttosto l’intero compito è stato ridisegnato” (Hernández-Orallo & Vold, 2019, p. 507). Se uno studente fa scrivere il saggio a ChatGPT, o uno scienziato usa AI Scientist per produrre un paper, questi non sono casi di estensione IA ma di offloading/outsourcing del compito cognitivo tout court. L’esternalizzazione completa non estende le capacità cognitive, ma toglie tutto il lavoro cognitivo. La linea non è netta: se lo studente usa ChatGPT per controllare la grammatica o per valutare criticamente il manoscritto, questi sono casi di estensione IA. Ma la distinzione richiede analisi caso per caso. Inoltre, l’obiezione estensionista non risolve la questione normativa. Telakivi (2026) insiste: “anche se gli AI-extenders soddisfano i criteri per genuina estensione cognitiva, questa pretesa ontologica non risolve la domanda normativa su cosa dovremmo farne. I rischi etici che pongono possono darci ragione di prendere misure pratiche per disaccoppiare il sistema esteso.” La manipolazione sottile, l’opacità dell’influenza, la difficoltà di tracciare il meccanismo dietro l’influenza significano che l’utente può non accorgersi nemmeno che il suo pensiero viene plasmato, figurarsi riconoscerlo come interferenza esterna (Telakivi, 2026). Empiria e questione concettuale Le evidenze neuroimaging e elettrofisiologiche citate sono convergenti e suggestive: riduzione potenza theta frontale (marker di carico di memoria di lavoro), aumento ampiezza P300 (valutazione attenzionale), riduzione fino al 55% dell’attività corticale durante scrittura assistita con compromissione della successiva integrazione mnestica (“cognitive debt”). Ma i risultati empirici non chiudono da soli una questione concettuale: mostrano correlati neurali di un fenomeno comportamentale, non stabiliscono se quel fenomeno costituisca estensione cognitiva legittima o sostituzione dannosa. La distinzione tra augmentation e substitution è concettuale e normativa prima che empirica; l’empiria può informarla (misurando Cognitive Bypass e Sovereignty Trap in tempo reale), ma non può sostituire l’analisi filosofica di cosa significhi “rimanere autore genuino della propria comprensione”. Verso una mente fortificata Il paper sull’hollowed mind propone la Fortified Mind come obiettivo pedagogico: un’architettura interna resiliente di conoscenza indispensabile e abilità metacognitive richiesta per ottenere genuina sovranità cognitiva. Non si tratta di rifiutare gli strumenti IA, ma di riprogettarli da “answer engines” in ambienti di addestramento cognitivo che promuovano impegno sforzoso. La sfida centrale è di design ambientale, non di competenza utente. La divergenza cognitiva documentata da Eliav non è una legge di natura: è la conseguenza di scelte di design (finestre di contesto sempre più ampie, interfacce a attrito zero, modelli ottimizzati per engagement) e di assenza di contrappesi istituzionali (educazione alla metacognizione, design di interfacce che preservino carico germane, trasparenza sull’adattività algoritmica). La sovranità cognitiva non è un tratto fisso: è una capacità che si coltiva o si lascia atrofizzare nelle condizioni che costruiamo. La domanda aperta, allora, non è se l’IA estende o sostituisce la mente — può fare entrambe, a seconda di come è progettata e usata — ma quali condizioni strutturali rendono l’estensione genuina invece che svuotamento mascherato. La tesi della mente estesa ci ha insegnato a guardare oltre pelle e cranio; la Cognitive Divergence ci costringe a guardare dentro il ciclo di delega e a chiedere: chi sta scrivendo nel quaderno, e a chi appartiene davvero la mano che guida la penna? Bibliografia Baddeley, A. D. & Hitch, G. J. (1974). Working Memory. In G. H. Bower (Ed.), The Psychology of Learning and Motivation (Vol. 8, pp. 47–89). Academic Press. Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://doi.org/10.48550/arXiv.2005.14165 Brysbaert, M. (2019). How many words do we read per minute? A review and meta-analysis of reading rate. Journal of Memory and Language, 109, 104047. https://doi.org/10.1016/j.jml.2019.104047 Chi, M. T. H. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823 Clark, A. (2025). Extending Minds with Generative AI. Nature Communications, 16, 4627. https://doi.org/10.1038/s41467-025-59906-9 Clark, A. & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19. https://doi.org/10.1093/analys/58.1.7 Eliav, N. (2026). The Cognitive Divergence: AI Context Windows, Human Attention Decline, and the Delegation Feedback Loop. arXiv preprint arXiv:2603.26707. https://doi.org/10.48550/arXiv.2603.26707 Gilbert, S. J., Boldt, A., Sachdeva, C., Scarampi, C. & Tsai, P. C. (2023). Outsourcing memory to external tools: a review of ‘Intention Offloading’. Psychonomic Bulletin & Review, 30, 60–76. https://doi.org/10.3758/s13423-022-02139-4 Grinschgl, S., Papenmeier, F. & Meyerhoff, H. S. (2021). Consequences of cognitive offloading: Boosting performance but diminishing memory. Quarterly Journal of Experimental Psychology, 74(9), 1543–1557. https://doi.org/10.1177/17470218211008060 Hernández-Orallo, J. & Vold, K. (2019). AI Extenders: The Ethical and Societal Implications of Humans Cognitively Extended by AI. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 507–514. Konigsberg, A. (2026). Cognitive Sovereignty: The Authorship Problem in AI-Assisted Thought. PhilArchive preprint. https://philarchive.org/archive/KONCST-2 Liu, N. F., et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. https://doi.org/10.1162/tacl_a_00638 Risko, E. F. & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002 Spurrett, D., Colombetti, G. & Sutton, J. (2025). Introduction: Scaffolding bad—Varieties of situated cognitive harm. Topoi, 44(2), 345–351. Stadler, M., Bannert, M. & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386 Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4 Sweller, J., van Merriënboer, J. J. G. & Paas, F. G. W. C. (1998). Cognitive architecture and instructional design. Educational Psychology Review, 10(3), 251–296. https://doi.org/10.1023/A:1022193728205 Telakivi, P. (2026). Living with AI-extenders: ethical challenges to mental autonomy. Synthese, 205, 118. https://doi.org/10.1007/s11229-026-05831-3 Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://doi.org/10.48550/arXiv.1706.03762 Westbrook, A., et al. (2021). Striatal dopamine synthesis capacity reflects smartphone social activity. iScience, 24(5), 102497. https://doi.org/10.1016/j.isci.2021.102497 Frontiers in Artificial Intelligence (2026). The extended hollowed mind: why foundational knowledge is indispensable in the age of AI. Frontiers in AI, 9, 1719019. https://doi.org/10.3389/frai.2025.1719019 Note «non sono diverse in alcun senso decisivo» — Clark & Chalmers, The Extended Mind, 1998, §2. Fonte: https://www.ida.liu.se/~729G12/mtrl/clark_chalmers_extended_mind.pdf. Traduzione nostra. «The misguided starting point is an image of ourselves as (cognitively speaking) nothing but our own biological brains. An alternative vision, one that I have long championed, is that we humans are and always have been, what New York University philosopher David Chalmers and I call ‘extended minds’ – hybrid thinking systems defined (and constantly re-defined) across a rich mosaic of resources only some of which are housed in the biological brain.» — Clark, Extending Minds with Generative AI, 2025, §Subjects. Fonte: https://www.nature.com/articles/s41467-025-59906-9. Traduzione nostra. https://epistemica.it/wp-content/uploads/2026/11/podcast-2252.mp3Podcast: Play in new window | Download Share this content: Navigazione articoli Workflow epistemici e scoperta scientifica automatizzata: oltre il modello generativo Il divario predizione-spiegazione nell’IA per la scienza: oltre AlphaFold verso modelli meccanicistici