L’AI sta entrando in ogni dispositivo. Il problema è riuscire a non smettere di pensare

L’intelligenza artificiale sta smettendo di essere un posto in cui entriamo.

Fino a poco tempo fa il rapporto era abbastanza chiaro: aprivamo un sito o un’app, facevamo una domanda, ricevevamo una risposta e poi tornavamo a fare altro.

Nel 2026 questo confine sta diventando molto meno netto.

L’AI sta entrando nei computer attraverso processori dedicati, nei sistemi operativi, negli smartphone, negli auricolari, nei visori e ora anche negli occhiali. Può vedere quello che vediamo, interpretare ciò che appare sullo schermo, ascoltare una richiesta e, sempre più spesso, eseguire azioni al posto nostro.

Il cambiamento tecnologico è enorme.

Ma forse la domanda più interessante non è quanto diventeranno intelligenti questi sistemi.

È quanto lavoro mentale saremo disposti a consegnargli.

L’AI non è più soltanto una chat

Per capire cosa sta cambiando basta osservare l’hardware.

Microsoft definisce i Copilot+ PC come computer dotati di una NPU, una Neural Processing Unit, capace di oltre 40 TOPS. È hardware progettato specificamente per eseguire workload di intelligenza artificiale in modo efficiente.

Apple sta seguendo una direzione simile ma fortemente integrata nel proprio ecosistema. Nel 2026 ha presentato una nuova generazione dei suoi Foundation Models: alcuni modelli vengono eseguiti direttamente sul dispositivo, altri possono utilizzare Private Cloud Compute quando serve maggiore capacità.

Google sta portando Gemini ancora più vicino all’utente attraverso Android XR. Gli occhiali intelligenti annunciati nel 2026 possono fornire indicazioni, aiutare con messaggi e fotografie e utilizzare ciò che l’utente vede come parte del contesto.

Questa evoluzione cambia il modello di interazione.

Prima:

persona → apre un’app AI → scrive una domanda → riceve una risposta

Ora ci stiamo avvicinando a:

persona → dispositivo → contesto → AI → eventuale azione

L’AI non deve più aspettare necessariamente che raccontiamo tutto quello che sta succedendo.

Il dispositivo può già possedere parte del contesto.

Perché stanno comparendo NPU nei computer

CPU, GPU e NPU non fanno esattamente lo stesso lavoro.

Una CPU è progettata per essere estremamente flessibile. Una GPU è molto efficiente nell’eseguire enormi quantità di operazioni parallele. Una NPU è invece specializzata in operazioni tipiche dei modelli di machine learning.

In termini molto semplificati, gran parte dell’inferenza di una rete neurale richiede enormi quantità di operazioni matematiche ripetitive, soprattutto moltiplicazioni tra matrici.

Costruire hardware specializzato permette di eseguire questi calcoli consumando meno energia rispetto all’utilizzo continuo di CPU o GPU per lo stesso tipo di workload.

Questo conta moltissimo su un portatile o uno smartphone.

Se alcune funzioni AI possono funzionare localmente possiamo ottenere:

• latenza minore;
• meno traffico verso il cloud;
• consumi più controllati;
• funzioni disponibili anche senza connessione continua;
• maggiore possibilità di mantenere alcuni dati sul dispositivo.

È il motivo per cui si parla sempre di più di hybrid AI.

Il modello piccolo e veloce lavora localmente. Quando il compito supera le sue capacità, una parte del lavoro può essere spostata verso modelli più grandi nel cloud.

Il vero salto non è il modello. È il contesto.

Un chatbot tradizionale conosce soprattutto quello che gli raccontiamo.

Un assistente integrato nel sistema operativo può potenzialmente lavorare con molte più informazioni, a seconda dei permessi concessi:

• quello che appare sullo schermo;
• fotocamera;
• microfono;
• posizione;
• file;
• calendario;
• messaggi;
• app installate;
• notifiche;
• attività che stiamo svolgendo.

La differenza è enorme.

Il valore dell’assistente non deriva più soltanto dal fatto che “conosce molte cose”.

Deriva dal fatto che può iniziare a capire cosa stiamo facendo in quel momento.

Ed è qui che la questione smette di essere soltanto tecnica.

Dalla risposta all’azione

Ci sono diversi livelli di delega che spesso vengono confusi.

• l’AI ci fornisce informazioni;
• l’AI propone una soluzione;
• l’AI raccomanda una decisione;
• l’AI prende una decisione;
• l’AI esegue autonomamente un’azione.

Sembrano variazioni dello stesso concetto, ma non lo sono.

Prendiamo una casella email.

Primo livello:

“Riassumi questa email.”

Secondo:

“Scrivimi una possibile risposta.”

Terzo:

“Dimmi a quali email dovrei rispondere.”

Quarto:

“Decidi quali email sono importanti.”

Quinto:

“Gestisci tu la mia posta.”

Dal punto di vista dell’interfaccia può esserci soltanto qualche clic di differenza.

Dal punto di vista della responsabilità cambia quasi tutto.

Automation bias: quando la macchina diventa troppo convincente

Il problema della fiducia eccessiva nei sistemi automatici non nasce con ChatGPT.

È studiato da decenni con il nome di automation bias.

In sostanza, quando un sistema automatico propone una soluzione, le persone possono diventare meno attente nel verificare se quella soluzione sia realmente corretta.

Il fenomeno è stato studiato in campi dove l’errore può avere conseguenze importanti, come aviazione e medicina.

Una revisione sistematica della letteratura sull’automation bias ha evidenziato come fiducia, carico di lavoro, complessità della decisione e modalità con cui viene presentato il suggerimento automatico possano influenzare il comportamento degli utenti.

Tra le strategie di mitigazione compaiono formazione, responsabilizzazione dell’utente e progettazione dei sistemi in modo da non trasformare automaticamente una raccomandazione in una decisione.

Con l’AI generativa c’è una complicazione ulteriore.

Un sistema tradizionale può restituire un numero o un avviso.

Un modello linguistico può costruire una spiegazione estremamente convincente.

Ma una risposta convincente non è necessariamente una risposta corretta.

Il rischio non è semplicemente diventare “più stupidi”

Dire che l’AI ci renderà stupidi sarebbe troppo facile.

Ogni tecnologia cognitiva ha modificato quello che ricordiamo e quello che deleghiamo.

Non memorizziamo più decine di numeri di telefono perché esiste la rubrica.

Usiamo il GPS invece di conoscere ogni strada.

Utilizziamo una calcolatrice per operazioni che potremmo teoricamente svolgere a mano.

Non significa necessariamente che abbiamo perso la capacità di pensare.

Il punto è un altro:

ogni volta che deleghiamo un’attività smettiamo, almeno in parte, di esercitarla.

E quindi diventa importante scegliere cosa vale ancora la pena esercitare.

Quando chiedere diventa più facile che provare

Immaginiamo un assistente sempre disponibile negli occhiali o negli auricolari.

Vediamo qualcosa che non conosciamo.

Possiamo ricevere immediatamente una spiegazione.

Non ricordiamo un nome.

L’assistente ce lo suggerisce.

Non sappiamo come formulare una risposta.

La formula lui.

Non siamo sicuri di quale strada prendere.

Decide lui.

Preso singolarmente, ogni esempio rappresenta una comodità.

Ma messi insieme sollevano una domanda interessante.

Tra il momento in cui pensiamo:

“non lo so”

e quello in cui troviamo la risposta esiste uno spazio.

Dentro quello spazio spesso accadono cose importanti:

• proviamo a ricordare;
• facciamo un’ipotesi;
• sbagliamo;
• cerchiamo;
• confrontiamo;
• costruiamo un ragionamento.

Se quel tempo viene ridotto continuamente a zero, diventiamo sicuramente più veloci.

Non è altrettanto certo che diventiamo più curiosi.

Forse dovremmo insegnare l’AI prima ancora di distribuirla ovunque

Nel giugno 2026 OECD e Commissione Europea hanno pubblicato un framework di AI literacy rivolto alla scuola primaria e secondaria.

La cosa interessante è che AI literacy non viene ridotta alla capacità di utilizzare uno strumento.

Comprende la capacità di capire in che modo funzionano questi sistemi, valutarne criticamente gli output e utilizzarli in modo etico e responsabile.

È probabilmente la direzione giusta.

Perché insegnare soltanto a “usare bene ChatGPT” rischierebbe di essere l’equivalente di insegnare a usare una calcolatrice senza spiegare la matematica.

Forse dovremmo andare ancora oltre.

Non dovremmo insegnare soltanto quando usare l’AI. Dovremmo insegnare anche quando non usarla.

Una materia sull’AI potrebbe insegnare soprattutto il dubbio

Un programma scolastico sull’intelligenza artificiale non dovrebbe trasformarsi in un corso di prompt engineering.

Tra qualche anno le interfacce cambieranno e molti prompt che oggi sembrano sofisticati saranno probabilmente inutili.

Le competenze più durature sono altre.

Per esempio:

• capire che un modello genera probabilità e non verità;
• riconoscere quando un’affermazione necessita di verifica;
• distinguere una fonte primaria da una sintesi;
• riconoscere l’incertezza;
• comprendere quali dati stiamo fornendo a un sistema;
• capire la differenza tra suggerimento e decisione;
• riconoscere un possibile bias;
• sapere quando un compito dovrebbe rimanere umano;
• saper continuare a fare alcune cose senza assistenza.

Forse una delle competenze più importanti sarà proprio questa:

saper resistere alla comodità quando la comodità ci impedisce di imparare.

On-device AI e privacy: perché eseguire il modello localmente conta

L’ingresso dell’AI nei dispositivi apre anche una seconda questione: la privacy.

L’elaborazione locale è interessante proprio perché permette di non inviare necessariamente ogni informazione verso un server remoto.

Apple, per esempio, ha costruito parte della propria architettura intorno a modelli on-device e all’utilizzo di Private Cloud Compute per i compiti che richiedono maggiore capacità.

Questa distinzione diventa sempre più importante.

Un sistema che può interpretare schermo, foto, documenti o informazioni personali possiede potenzialmente un livello di contesto molto superiore rispetto a un chatbot a cui incolliamo volontariamente un testo.

Le domande quindi diventano:

• il dato viene elaborato localmente o inviato nel cloud?
• viene conservato?
• per quanto tempo?
• quali applicazioni possono accedervi?
• quali permessi abbiamo concesso?
• il sistema può solamente leggere o può anche agire?

Il problema della privacy non è più soltanto dove si trova il dato.

È anche cosa può fare un sistema dopo averlo interpretato.

Un assistente che agisce cambia il concetto di errore

Se un chatbot sbaglia una risposta e noi ce ne accorgiamo, correggiamo il problema.

Se un agente esegue direttamente un’azione, l’errore può essere già diventato reale.

Può:

• inviare qualcosa alla persona sbagliata;
• prenotare un servizio non desiderato;
• modificare un documento;
• comprare un prodotto;
• cancellare informazioni;
• interpretare male un’istruzione ambigua.

Più aumentano le capacità agentiche, più diventa importante progettare correttamente conferme, permessi, log delle azioni e possibilità di annullamento.

L’interfaccia migliore non è necessariamente quella in cui l’AI non ci disturba mai.

In alcuni momenti la frizione è una misura di sicurezza.

La frizione non è sempre un difetto

Gran parte del design digitale degli ultimi vent’anni ha provato a rimuovere la frizione.

Un clic invece di tre.

Pagamento immediato.

Login automatico.

Risposte istantanee.

L’AI porta questa logica ancora più avanti.

Ma quando un sistema può prendere decisioni, forse alcune frizioni diventano utili.

Chiedere:

“Sei sicuro di volerlo inviare?”

può sembrare un’interruzione.

In realtà crea un momento in cui la responsabilità torna temporaneamente alla persona.

Il rischio più sottile è perdere interesse

C’è infine una conseguenza molto meno misurabile.

Possiamo avere un assistente che ci spiega qualsiasi oggetto che guardiamo, traduce ogni lingua, riassume ogni documento, scrive ogni messaggio e suggerisce ogni risposta.

Sarebbe incredibilmente utile.

Ma potrebbe anche cambiare il nostro rapporto con la scoperta.

Parte della curiosità nasce dal fatto che non sappiamo qualcosa.

La mancanza di una risposta ci costringe a cercarla.

Se la risposta diventa sempre immediata, potremmo scoprire molte più cose.

Oppure potremmo semplicemente smettere di sentirne davvero il bisogno.

Il rischio forse non è che l’AI sappia troppo. È che noi possiamo abituarci a voler sapere sempre meno.

Non serve rifiutare l’AI. Serve decidere cosa non delegare.

L’alternativa non è vivere senza intelligenza artificiale.

Probabilmente sarebbe anche poco realistico.

Questi strumenti entreranno sempre più nei software, nei dispositivi e nei processi che utilizziamo quotidianamente.

La questione interessante diventa quindi stabilire una linea.

Cosa vogliamo delegare?

Cosa vogliamo continuare a saper fare?

Quando vogliamo una risposta?

Quando invece vale la pena impiegare dieci minuti per arrivarci da soli?

Quando l’assistente può agire?

Quando deve fermarsi e chiedere conferma?

Forse la vera AI literacy è questa

Non conoscere tutti i modelli.

Non imparare cento prompt.

Non utilizzare l’AI in qualsiasi situazione solo perché è disponibile.

Ma sapere:

• cosa può fare;
• dove può sbagliare;
• quando verificarla;
• quando fidarsi;
• quando fermarla;
• e soprattutto quando vale ancora la pena pensare senza di lei.

L’intelligenza artificiale può amplificare enormemente ciò che siamo capaci di fare.

Ma probabilmente il suo valore maggiore arriverà se continueremo a considerarla un’estensione del pensiero e non il luogo in cui depositarlo.

L’obiettivo non dovrebbe essere costruire strumenti che pensano così bene da permetterci di smettere.

Dovrebbe essere costruire strumenti che ci permettono di pensare meglio.

Fonti e approfondimenti

• Apple Machine Learning Research — Third Generation of Apple Foundation Models
• Apple Developer — Foundation Models
• Microsoft — Copilot+ PC e NPU
• Google — Android XR e intelligent eyewear con Gemini
• OECD / European Commission — AI Literacy Framework for Primary and Secondary Education
• Goddard, Roudsari, Wyatt — Automation bias: systematic review