Tutti usiamo ChatGPT. Ma lo facciamo allo stesso modo?

A luglio del 2025, 700 milioni di persone utilizzavano ChatGPT ogni settimana, quasi il 10% degli adulti del pianeta. 18 miliardi di messaggi inviati alla macchina ogni sette giorni, 30.000 al secondo (Chatterji et al., 2025). Tre temi dominano l’80% delle conversazioni: consigli pratici, ricerca di informazioni, scrittura. In 12 mesi la quota di uso non lavorativo è passata dal 53% a oltre il 70%. L’AI ha smesso di essere uno strumento da ufficio per entrare nel pensiero quotidiano di milioni di persone.

La domanda non è quanto, ma come

Sappiamo quanti la usano. Sappiamo anche per cosa fare. Ma come la usiamo? In altre parole, in che rapporto entriamo con l’AI, in termini epistemici: quale posto le concediamo nel nostro modo di pensare? Tre studi recenti, su popolazioni distinte e con metodi indipendenti, danno la stessa risposta: no, non la usiamo allo stesso modo. La differenza riguarda noi, prima ancora che la tecnologia.

Quattro modi di adottare l’AI

Christoph Gerling, Timm Teubner e Fabian Braesemann (2026) hanno raccolto i dati di 344 early adopters di ChatGPT in una survey online condotta nell’aprile 2023. Quattro tipi di utente emergono dai dati. Gli AI Enthusiasts(25,6%) sono il gruppo più convinto: alta fiducia nella macchina, percezione di una “presenza sociale” simile a quella umana, uso frequente, autoidentificazione come esperti di AI. I Naïve Pragmatists (20,6%) usano molto la macchina ma con atteggiamento pragmatico: ne apprezzano la convenienza, sono i meno preoccupati dalla privacy, vedono ChatGPT come strumento utile più che come compagno. I Cautious Adopters (35,5%) sono il gruppo più numeroso: posizione neutra su quasi tutto, con una sola eccezione marcata: la preoccupazione per la privacy e per il modo in cui OpenAI utilizza i dati. I Reserved Explorers (18,3%) sono i più diffidenti: scetticismo sulle capacità di ChatGPT, scarsa fiducia, uso poco frequente, nessun coinvolgimento emotivo. Il dato che colpisce è la distribuzione: il gruppo più grande non è quello degli entusiasti, ma quello dei cauti.

Uno schema simile emerge da un altro studio di Lorentsa Gkinko e Amany Elbanna (2023), condotto in un’azienda internazionale. Gli autori distinguono early quitters (chi prova e abbandona), pragmatics (chi usa con cautela strumentale), progressives (chi cresce con la macchina), persistents (chi insiste anche quando la macchina sbaglia, e attribuisce a sé gli errori). Studi diversi, popolazioni diverse, metodi diversi: una gradazione comune che va dal rifiuto al pragmatismo, dalla collaborazione alla dipendenza. Le dimensioni scelte per mappare il fenomeno, come spesso accade, influenzano e curvano le variabili che poi vengono identificate per sintetizzarlo. Nel primo erano uso e fiducia, nel secondo uso e persistenza (o tenacia) nell’utilizzo.

La questione passa da come/quanto si usa l’AI a quale ruolo le si concede nel proprio processo di pensiero

Ma c’è uno studio recente che compie un ulteriore passo avanti. Shengnan Yang e Rongqian Ma (2025), in un’indagine su 31 accademici provenienti da oltre 10 paesi e regioni, spostano la domanda. La questione passa da come/quanto si usa l’AI a quale ruolo le si concede nel proprio processo di pensiero. Dal definirla strumento o assistente al chiedersi se la si riconosca come fonte di sapere. La differenza separa chi consulta l’AI da chi le obbedisce, chi corregge da chi ratifica. Yang e Ma analizzano la posizione dell’utente in base a diverse variabili. Le due più interessanti sono la metafora con cui pensiamo la macchina (utensile, assistente, co-agente, mentore, oracolo) e il tipo di fiducia che le accordiamo. Quattro varianti di fiducia, secondo la classificazione di Blanco (2025) ripresa dagli autori: sfiducia, fiducia tecnica (mi fido del risultato, non di come ci arriva), fiducia generica (mi fido perché ne sento parlare bene), fiducia ben fondata (mi fido perché ho controllato sia il risultato sia il metodo). Combinando queste e altre dimensioni emergono cinque tipologie di relazioni.

Adattamento da Yang e Ma (2025).

L’affidamento strumentale è la prima posizione. L’AI è utensile: fa più in fretta un compito che già sapremmo svolgere. Si chiede a ChatGPT di sistemare un foglio Excel, correggere un refuso e tradurre una frase. Si guarda il risultato. Niente di più. La delega condizionata sale di un gradino. La macchina è un assistente: si controllano i risultati, non i procedimenti. Si chiede una sintesi di un report di 30 pagine, si legge, si corregge. L’analogia che ricorre nelle interviste è quella dello studente cui si rivede l’elaborato. La collaborazione co-agente è la terza. L’AI diventa partner di pensiero. Un latinista intervistato traduce un carteggio diplomatico tra Italia e Olanda dialogando con ChatGPT “come con un collega”. La cessione di autorità è la quarta. La macchina passa da assistente a guida. Un programmatore esperto sia di codice sia di sistemi AI accetta il 70% dei suggerimenti generati e parla di pair programming. È un riconoscimento di competenza in un campo specifico, non una dipendenza ingenua. L’astensione epistemica chiude la lista. Si usa l’AI ma non le si concede alcun contributo al proprio sapere. Una ricercatrice intervistata dichiara che certi gesti del mestiere non si delegano, pena la perdita del mestiere stesso. Una rivendicazione di senso, prima che di metodo.

Una macchina può essere un’autorità?

Per Ramón Alvarado (2023), l’AI non è uno strumento cognitivo qualsiasi: è una tecnologia che produce conoscenza e non si limita a trasportarla. Nella “cessione di autorità” ci troviamo sul terreno più scivoloso. Rico Hauswald (2025), filosofo dell’Università Tecnica di Dresda, in un articolo pubblicato su Social Epistemology, sostiene una tesi netta: se le risposte di una macchina sono ragionevolmente affidabili come indicatori di verità, allora possiamo riconoscerla come fonte autorevole di sapere. Non per somiglianza al nostro pensiero, ma per la qualità di ciò che produce. Non tutti concordano. Moti Mizrahi (2025), in un articolo dal titolo provocatorio (No Epistemic Respect for Bullshit Machines or LLMs) replica che gli LLM sono macchine progettate per generare testo plausibile, non per dire il vero, e che non possono assumersi la responsabilità di ciò che producono. Concedere loro autorità in materia di sapere sarebbe scorretto. Il dibattito è aperto, ma al di là della filosofia accademica, la questione centrale è cosa possiamo (o vogliamo) delegare alla macchina e cosa no.

Si chiede a ChatGPT di correggere un file Excel, tre minuti dopo gli si chiede se vale la pena divorziare: è così che il valutatore diventa ratificatore

Il rischio non si annida in nessuna delle cinque relazioni in sé. Ognuna ha contesti in cui funziona e altri in cui potrebbe non funzionare. Cedere l’autorità a una macchina per correggere un refuso è razionale. Cederla per decidere chi licenziare, no. Il problema è la migrazione: la stessa relazione che funziona in un compito viene esportata, senza riflessione, in altri compiti in cui non funziona. Si chiede a ChatGPT di correggere un file Excel. Tre minuti dopo gli si chiede se vale la pena divorziare. È così che il valutatore diventa ratificatore. Gli studiosi parlano di automation bias, la tendenza a dare più credito alla macchina rispetto al proprio giudizio. È un fenomeno documentato da decenni nella psicologia del lavoro. L’AI generativa, dialogica e antropomorfa accelera la corsa di questo bias. Una macchina ottimizzata per compiacere e un utente che ha smesso di valutare producono certezze (percepite), non conoscenza.

Non sarà il numero di volte che apriamo ChatGPT a dirci se l’AI ci sta aiutando, ma la qualità del rapporto che le concediamo

700 milioni di persone. 18 miliardi di messaggi a settimana. Sono numeri che misurano il quanto, non dicono nulla del come. Una possibile lettura è che le cinque relazioni epistemiche non siano profili stabili di persone, ma stati che la stessa persona attraversa nell’arco di una giornata. Strumentali davanti a un Excel. Collaborativi davanti a un testo. “Astensionisti” davanti a una scelta che ci definisce. L’obiettivo non è abolirne alcuna, ma evitare di confonderle. La competenza non è la fiducia generica nell’AI, ma l’igiene epistemica: sapere, ogni volta che si apre una conversazione con la macchina, in quale relazione si sta entrando, su quale compito, con quale margine di errore tollerato. Non sarà il numero di volte che apriamo ChatGPT a dirci se l’AI ci sta aiutando. Sarà la qualità del rapporto che le concediamo. È la differenza fra usare uno strumento ed “essere usati” da un oracolo.

*Andrea Laudadio è a capo della Formazione e Sviluppo di TIM e dirige la TIM Academy.

Fonti

Alvarado, R. (2023). AI as an epistemic technology. Science and Engineering Ethics, 29(5), Article 32. https://doi.org/10.1007/s11948-023-00451-3

Blanco, S. (2025). Human trust in AI: A relationship beyond reliance. AI and Ethics, 5, 4167-4180. https://doi.org/10.1007/s43681-025-00690-z

Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y., & Wadman, K. (2025). How people use ChatGPT (NBER Working Paper No. 34255). National Bureau of Economic Research. https://www.nber.org/papers/w34255

Gerling, C., Teubner, T., & Braesemann, F. (2026). Who uses general-purpose AI? A typology of ChatGPT early adopters. Electronic Markets, 36(1), Article 15. https://doi.org/10.1007/s12525-025-00853-0

Gkinko, L., & Elbanna, A. (2023). The appropriation of conversational AI in the workplace: A taxonomy of AI chatbot users. International Journal of Information Management, 69, Article 102568. https://doi.org/10.1016/j.ijinfomgt.2022.102568

Hauswald, R. (2025). Artificial epistemic authorities. Social Epistemology, 39(6), 716-725. https://doi.org/10.1080/02691728.2025.2449602

Mizrahi, M. (2025). No epistemic respect for bullshit machines or LLMs. Social Epistemology Review and Reply Collective, 14(9), 138-146. https://social-epistemology.com/2025/09/30/no-epistemic-respect-for-bullshit-machines-or-llms-moti-mizrahi/

Yang, S., & Ma, R. (2025). Classifying epistemic relationships in human-AI interaction: An exploratory approach(arXiv preprint No. 2508.03673). arXiv. https://arxiv.org/abs/2508.03673