Un modello linguistico è bravissimo a darti la risposta più probabile. Il problema è che la risposta più probabile è anche quella che darebbe a chiunque altro, con le stesse assunzioni di chiunque altro.
I modelli mentali servono a cambiare la domanda prima di chiedere la risposta. Non sono trucchi per scrivere prompt migliori: sono modi di ragionare che funzionavano prima dell’AI e che con l’AI diventano ancora più utili, perché decidono se lo strumento amplifica il tuo giudizio o lo sostituisce.
13 modelli in tre blocchi: prima capisci com’è fatto il problema, poi scegli come muoverti, infine proteggi ciò che ti rende competente.
- Vedere il sistemaFirst principles, inversion, second-order thinking, feedback loop, leverage points.
- Decidere e adattarsiOODA loop, Cynefin, aggiornamento bayesiano, possibile adiacente.
- Proteggersi e durareLegge di Goodhart, la mappa non è il territorio, effetto Lindy, antifragilità.
Al centro c’è il tuo giudizio
Tre blocchi, un solo punto fermo: l’AI lavora su ognuno, la decisione resta tua.
Vedere il sistema
Prima di chiedere una soluzione, capisci com’è fatto il problema: cosa è vero, cosa si rompe, cosa succede dopo, dove conviene intervenire.
First principles thinking
Che cos’è: un metodo di decomposizione che risale agli elementi fondamentali di un problema (fatti, vincoli, assunzioni, incognite) e ricostruisce la soluzione solo da ciò che resta dopo aver eliminato le assunzioni non verificate.
Cosa significa
Non parti dalla soluzione che usano tutti. Smonti il problema fino a ciò che sai per certo, separi ciò che è vincolo reale da ciò che è solo abitudine e ricostruisci da zero.
Esempio
Il numero arriva dopo, e arriva più affidabile.
Con l’AI
Il modello tende a proporti il pattern più frequente: “fai una newsletter”, “crea un funnel”. Sono risposte plausibili, ma si trascinano dietro assunzioni sbagliate. Se non lo costringi a separare le categorie, ricevi la media delle risposte, non quella giusta per te.
Separa questo problema in fatti verificati, vincoli, assunzioni e incognite. Metti in discussione le assunzioni e ricostruisci la soluzione partendo soltanto da ciò che rimane.
L’AI tende a partire dalle assunzioni più comuni. Prima di chiederle una soluzione, falle smontare ciò che stai dando per scontato.
Inversion
Che cos’è: un’euristica di problem solving che capovolge la domanda. Invece di cercare le condizioni del successo, identifica le condizioni che rendono inevitabile il fallimento e le evita.
Cosa significa
Il successo dipende da infinite combinazioni. Il fallimento ha punti di rottura concreti: nessuno capisce l’offerta, manca la distribuzione, il prodotto non mantiene la promessa, il team non consegna. È più facile riconoscere il disastro che immaginare il percorso perfetto.
Esempio
Quella lista è più utile della domanda diretta.
Con l’AI
I modelli sono spesso addestrati a essere accomodanti. Devi assegnare esplicitamente il ruolo critico, altrimenti ti danno ragione molto bene.
Immagina che sia passato un anno e il progetto sia fallito. Ricostruisci la catena causale del fallimento, i primi segnali che avrei potuto vedere e le azioni preventive. Non essere gentile.
L’AI può darti ragione molto bene. Per questo devi chiederle esplicitamente di provare che hai torto.
Second-order thinking
Che cos’è: il ragionamento sulle conseguenze delle conseguenze. Il primo ordine considera l’effetto immediato; il secondo considera come persone e sistemi si adatteranno a quell’effetto; il terzo considera come cambia il contesto quando tutti si sono adattati.
Cosa significa
La maggior parte delle decisioni si ferma al primo effetto. Ma gli effetti di secondo e terzo ordine spesso contano di più.
Esempio
Quindi il vantaggio non è “produrre di più”, ma avere qualcosa che l’AI non può replicare.
Con l’AI
È qui che il pensatore sistemico batte lo specialista. Usa l’AI per mappare le conseguenze a cascata su clienti, concorrenti e sul tuo stesso comportamento nel tempo.
Mostrami gli effetti di primo, secondo e terzo ordine di questa decisione. Considera come reagiranno clienti, concorrenti e il mio stesso comportamento nel tempo.
L’AI è molto brava a dirti cosa guadagni oggi. Usala anche per chiederti cosa rischi di perdere domani.
Feedback loops
Che cos’è: un ciclo in cui l’output di un sistema torna a influenzarne l’input. Nel linguaggio dei sistemi, un feedback positivo amplifica un cambiamento (anche un circolo vizioso); uno negativo tende a controbilanciarlo.
Cosa significa
Quello che produci torna indietro e influenza quello che produrrai. Il successo porta successo, l’errore porta errore. La qualità dell’output dipende dalla qualità di ciò che rientra nel sistema.
Esempio
Fai scrivere un testo all’AI. Lo usi come esempio del tuo stile. Lei imita la propria imitazione. Progressivamente perdi sfumature e diversità.
Su scala molto più grande succede qualcosa di simile con il model collapse, un fenomeno osservato quando generazioni successive di modelli vengono addestrate su dati prodotti da altri modelli: le parti meno frequenti della distribuzione originale spariscono progressivamente.
Con l’AI
Ogni correzione che fai può diventare una regola per il turno successivo. Ma se alimenti il sistema solo con output dell’AI, le stai insegnando a imitare una copia sempre più compressa di te. La conseguenza pratica: se vuoi che scriva come te, la maggior parte dei testi che le dai come esempio deve essere scritta da una persona.
Questa è la correzione che ho fatto al tuo testo. Ricavane una regola da usare la prossima volta.
Se continui ad alimentare l’AI con testi scritti dall’AI, non le stai insegnando a essere te. Le stai insegnando a imitare una copia sempre più compressa di te.
AI models collapse when trained on recursively generated data
Shumailov, Shumaylov, Zhao, Papernot, Anderson, Gal
Leverage points
Che cos’è: in un sistema complesso, i punti di leva sono i luoghi dove un piccolo intervento produce un cambiamento sproporzionato. Donella Meadows ne ha identificati dodici, dal più superficiale (costanti, parametri, numeri) al più profondo: i paradigmi e, oltre ancora, la capacità di superarli.
Cosa significa
Più sforzo non significa più impatto. Spesso i punti di leva non sono i numeri, ma le regole, i flussi di informazione, gli obiettivi o il modo in cui le persone concepiscono il problema.
Esempio
Un team lavora troppo.
Lo stesso sforzo, un impatto completamente diverso.
Con l’AI
Cercare i punti di leva significa non automatizzare tutto, ma trovare i pochi interventi che cambiano il sistema. Spesso sono regole, flussi di informazione o obiettivi, non tool. L’AI può aiutarti a mappare il sistema e a capire dove intervenire.
In questo sistema, quali sono i punti di leva più efficaci? Parti dai parametri e arriva fino a regole, flussi di informazione e obiettivi. Dove un piccolo intervento produce un cambiamento sproporzionato?
Non fare di più. Trova il punto dove un piccolo intervento cambia il sistema.
Leverage Points: Places to Intervene in a System
Donella Meadows
Decidere e adattarsi
Non esiste un approccio valido per ogni problema. Capisci in che situazione sei, aggiorna le tue convinzioni e muoviti un passo alla volta.
OODA loop
Che cos’è: un ciclo decisionale sviluppato dal colonnello dell’aeronautica statunitense John Boyd. Osserva (raccogli informazioni), Orienta (interpreta rispetto al contesto), Decidi (scegli un’azione), Agisci (esegui). Poi il ciclo ricomincia con nuove osservazioni.
Cosa significa
Non serve la decisione perfetta. In ambienti che cambiano, chi si adatta più in fretta batte chi cerca la mossa ottimale una volta sola.
Ma la velocità da sola non basta. Per Boyd la fase decisiva era l’orientamento: esperienze, cultura e modelli mentali determinano come osservi, come decidi e come agisci. Girare in fretta con un orientamento sbagliato significa sbagliare più in fretta.
Esempio
Un agente AI che monitora le richieste dei clienti, le classifica, decide la risposta, la invia e migliora con il feedback raccolto. È un OODA loop automatizzato. Ma il controllo umano resta sulle decisioni critiche: l’agente propone, la persona approva.
Con l’AI
Usala per accelerare ogni fase del ciclo, ma mantieni dei checkpoint umani dove il rischio è alto. L’AI può osservare più dati di te e orientarsi più in fretta, ma non ha la responsabilità della decisione.
Aiutami a costruire un ciclo OODA per questo processo: cosa osservare, come orientarsi, quali decisioni prendere, quali azioni intraprendere, come misurare il risultato.
Non serve la decisione perfetta: serve orientarsi bene e adattarsi più in fretta.
Destruction and Creation
John R. Boyd
Cynefin framework
Che cos’è: un framework creato da Dave Snowden nel 1999 per capire in che tipo di situazione ti trovi prima di decidere. Distingue cinque domini.
Nelle versioni precedenti il dominio “chiaro” si chiamava “semplice” e “confusione” si chiamava “disordine”.
Cosa significa
Non tutti i problemi si risolvono allo stesso modo. Un problema chiaro si può automatizzare con regole, uno complicato richiede analisi esperta, uno complesso sperimentazione e adattamento, uno caotico azione immediata. Usare l’approccio sbagliato per il dominio sbagliato è il modo più efficiente di fallire.
Esempio
Calcolare un rimborso è un problema chiaro: regole e automazione. Prevedere il mercato è un problema complesso: sperimentazione, scenari, adattamento. Se chiedi all’AI “la risposta definitiva” su un problema complesso, stai usando l’approccio del dominio sbagliato.
Con l’AI
Non usarla allo stesso modo per tutti i domini. Per i problemi complessi, usala per generare ipotesi e scenari, non per dare la risposta definitiva. Per i problemi chiari, automatizza senza paura.
Classifica questo problema nel framework Cynefin. Poi dimmi quale approccio è adatto: best practice, analisi esperta, sperimentazione o azione immediata.
Non tutti i problemi si risolvono allo stesso modo. Prima capisci in che dominio sei.
A Leader’s Framework for Decision Making
David J. Snowden, Mary E. Boone
Bayesian updating
Che cos’è: il modello normativo di come aggiornare le proprie convinzioni di fronte a nuove prove. Si parte da un’ipotesi (il priore), si valuta la forza della nuova evidenza (la verosimiglianza) e si arriva a una convinzione aggiornata (il posteriore). L’obiettivo non è avere ragione, ma ridurre l’errore.
Cosa significa
Tratta le convinzioni come gradi di probabilità, non come identità da difendere. Ogni nuova informazione è un’occasione per spostare la tua stima, non per confermarla.
Esempio
Costruisci una tabella:
- Ipotesi.
- Probabilità attuale.
- Prove a favore e prove contrarie.
- Test che distinguerebbe le alternative.
Con l’AI la fai in pochi minuti, e vedi subito quale nuova informazione cambierebbe la conclusione.
Con l’AI
Attenzione a non trattarla come un agente che aggiorna razionalmente le proprie “credenze”. Una ricerca di Apple e Stanford del 2026 ha trovato aggiornamenti quasi bayesiani in alcuni setup e chiaramente euristici in altri. Usala per mappare le tue ipotesi, non per fidarti delle sue certezze.
E vale anche per te: l’AI cambia ogni mese, quindi “l’ho provata un anno fa e non funzionava” è un’opinione scaduta.
Elenca le principali ipotesi, le prove che le sostengono e quelle che le indeboliscono. Indicami quale nuova informazione cambierebbe maggiormente la conclusione.
L’obiettivo non è avere ragione, ma sbagliare un po’ meno ogni volta.
LLMs are not (consistently) Bayesian
Chen, Jörke, Goliński et al. · Apple, Stanford
The adjacent possible
Che cos’è: un concetto della scienza della complessità introdotto da Stuart Kauffman. Il “possibile adiacente” è l’insieme di ciò che non puoi ancora fare oggi, ma che diventa raggiungibile con un solo passo in più. L’innovazione non nasce dal nulla: nasce da ricombinazioni di ciò che già esiste, un passo oltre il confine del presente.
Cosa significa
Evita due estremi: limitarti a velocizzare ciò che fai già, oppure immaginare sistemi futuristici impossibili da implementare. Il progresso vero sta nel passo accanto, non nel salto nel vuoto.
Esempio
Ogni passo è il possibile adiacente del precedente.
Con l’AI
L’AI stessa è nata dal possibile adiacente: chip abbastanza potenti, enormi quantità di dati online e un nuovo modo di costruire modelli sono diventati disponibili insieme. Nel tuo lavoro vale lo stesso: automatizza il passo accanto a quello che fai già bene a mano.
Considerando strumenti, dati, competenze e permessi attuali, qual è il miglioramento più vicino che possiamo implementare in trenta giorni? Quale nuova possibilità aprirebbe?
Non automatizzare tutto. Automatizza il passo accanto a quello che sai già fare.
Proteggersi e durare
L’AI può far salire i numeri e scendere le competenze. Questi modelli servono a non confondere le due cose e a investire su ciò che resta.
Legge di Goodhart
Che cos’è: “quando una misura diventa un obiettivo, cessa di essere una buona misura”. È la formulazione dell’antropologa Marilyn Strathern di un’idea dell’economista Charles Goodhart (1975).
Cosa significa
Immagina un insegnante che vuole che i suoi studenti imparino a scrivere bene. Decide di misurare la loro capacità in base a quante pagine scrivono in un tema.
Cosa succede? Gli studenti imparano a scrivere tanto, con frasi lunghe e ripetitive, per riempire pagine. Il numero di pagine sale. Ma la qualità della scrittura non migliora: anzi, peggiora, perché l’obiettivo è diventato “fare pagine”, non “scrivere bene”.
Questo è Goodhart: la misura diventa l’obiettivo e smette di misurare ciò che contava davvero. Performance e competenza non sono la stessa cosa.
Esempio
Uno studio pubblicato su PNAS nel 2025 ha coinvolto quasi mille studenti delle superiori in Turchia. Con un’interfaccia simile a ChatGPT, durante la pratica i risultati miglioravano del 48%. Nella prova successiva senza AI, gli stessi studenti andavano peggio del 17% rispetto al gruppo che non l’aveva mai usata. Un tutor con guardrail didattici evitava il peggioramento, ma non produceva miglioramenti significativi nella prova autonoma. Gli esercizi risolti erano diventati il bersaglio, l’imparare no.
Qual è il risultato reale che voglio ottenere? Quale metrica sto usando come proxy? Come potrebbe migliorare senza migliorare davvero il risultato?
Puoi sembrare più bravo senza essere diventato più bravo. E l’AI è una macchina formidabile per aumentare la performance osservabile, nascondendo la competenza che manca.
Generative AI without guardrails can harm learning
Bastani, Bastani, Sungu, Ge, Kabakcı, Mariman · University of Pennsylvania
La mappa non è il territorio
Che cos’è: una formula coniata da Alfred Korzybski. Ogni modello, descrizione o rappresentazione della realtà è inevitabilmente parziale e semplificata. La mappa è utile, ma non è la realtà. Il rischio è dire: “se la mappa dice così, allora la realtà è così”.
Cosa significa
Un business plan non è il business. Un organigramma non è come lavorano davvero le persone. Un profilo cliente non è una persona. L’AI lavora principalmente sulle mappe: testi, dati, documenti, categorie. Non conosce automaticamente le eccezioni, le tensioni umane, il sapere tacito, ciò che nessuno ha scritto.
Esempio
L’AI ha letto una quantità enorme di testi. Ma:
Quali aspetti della realtà potrebbero essere invisibili in questa analisi? Cosa dovrei osservare, misurare o chiedere a una persona reale prima di decidere?
L’AI può costruirti una mappa perfetta di un territorio che non esiste. La fluidità della risposta non dimostra che rappresenti bene la realtà.
Lindy effect
Che cos’è: per idee, tecnologie e pratiche non deperibili, l’aspettativa di vita futura è proporzionale all’età attuale. Un libro letto da cento anni probabilmente verrà letto ancora tra cento. È un’euristica, non una legge: ciò che è vecchio non è automaticamente buono.
Cosa significa
È il filtro per capire su cosa investire. I tool AI specifici hanno una vita brevissima: i modelli vengono superati in pochi mesi. Ma le competenze che hanno attraversato i secoli, come scrivere, ragionare, fare buone domande ed esercitare il giudizio, sono Lindy. La logica dura, lo strumento scade.
Esempio
Con l’AI
Non inseguire l’ultimo modello. Chiediti cosa resterà vero anche quando quello strumento non esisterà più, e investi su ciò che dura.
Se questo strumento scomparisse tra dodici mesi, quale competenza sviluppata utilizzandolo mi rimarrebbe?
La logica dura, lo strumento scade.
Antifragilità
Che cos’è: un concetto di Nassim Nicholas Taleb. Il fragile si rompe con lo stress, il robusto resiste, l’antifragile migliora grazie a una dose controllata di stress, variazione ed errore. Ma non tutta la fatica fa bene: serve difficoltà controllata, con feedback e recupero. Un sovraccarico senza feedback non allena, confonde.
Cosa significa
Alcune capacità migliorano proprio grazie alla fatica. Se l’AI pensa sempre al posto tuo, è come andare in palestra e far sollevare i pesi al personal trainer: lui diventa più forte, tu no.
L’attrito controllato è ciò che ti rende più forte, non più comodo.
Esempio
- Tentare prima di ricevere la soluzione.
- Recuperare una nozione dalla memoria.
- Essere contraddetti.
- Spiegare ciò che credi di sapere.
- Correggere un errore.
Sono tutte difficoltà utili. Far fare tutto all’AI non è una di queste.
Con l’AI
Usala per aggiungere attrito utile, non per toglierlo tutto. Chiedile di attaccare le tue idee, di farti domande prima di darti la soluzione, di darti un indizio alla volta. L’AI deve essere il critico duro, non quello che solleva i pesi al posto tuo.
Non darmi la soluzione. Fammi prima tre domande, evidenzia le contraddizioni nella mia risposta e dammi un indizio alla volta.
Se fai alzare tutti i pesi al personal trainer, lui diventa più forte. Tu no.
L’AI amplifica il modo in cui pensi
- Vedere il sistema: smonta le assunzioni, cerca i punti di rottura, segui le conseguenze, trova dove intervenire.
- Decidere e adattarsi: capisci in che dominio sei, orientati bene, aggiorna le convinzioni, fai il passo accanto.
- Proteggersi e durare: non confondere metrica e risultato, mappa e territorio, strumento e competenza.
Se ragioni bene, l’AI ti rende più veloce. Se deleghi il ragionamento, ti rende solo più veloce a sbagliare.
Algoritmi Invisibili
Molte scelte che facciamo ogni giorno seguono regole automatiche, spesso invisibili. In questo webinar gratuito impariamo a riconoscerle, per capire cosa migliorare e cosa affidare all’AI.
Iscriviti oraModelli mentali e AI: le risposte brevi
Che cos’è un modello mentale?
Uno schema di ragionamento che semplifica la realtà per aiutarti a decidere. First principles, inversion o second-order thinking sono esempi: non danno la risposta, cambiano la domanda che fai.
Perché i modelli mentali servono quando si usa l’AI?
Perché un modello linguistico tende a proporre le risposte più frequenti e plausibili. I modelli mentali ti fanno smontare le assunzioni, vedere le conseguenze, scegliere l’approccio giusto e proteggere le tue competenze, così l’AI amplifica il tuo giudizio invece di sostituirlo.
Usare l’AI fa diventare meno capaci?
Dipende da come la usi. Nello studio pubblicato su PNAS nel 2025, chi si esercitava con un’interfaccia simile a ChatGPT migliorava del 48% durante la pratica, ma nella prova successiva senza AI otteneva risultati inferiori del 17% rispetto a chi non l’aveva mai usata. Un tutor con guardrail didattici evitava quel peggioramento.
Come evito che l’AI mi dia sempre ragione?
Assegnale esplicitamente un ruolo critico. Con l’inversion chiedi: immagina che il progetto sia fallito tra un anno, ricostruisci la catena causale del fallimento e i primi segnali. Se non chiedi di provare che hai torto, difficilmente lo farà.
Come capisco se usare l’AI per automatizzare o per esplorare?
Con il framework Cynefin di Dave Snowden. Nei problemi chiari, con causa ed effetto evidenti, l’AI può automatizzare con regole. Nei problemi complessi, dove causa ed effetto si vedono solo a posteriori, usala per generare ipotesi e scenari da sperimentare, non per dare la risposta definitiva.
Da quali modelli mentali conviene iniziare?
Da uno per blocco: first principles per vedere il problema senza assunzioni, Cynefin per scegliere l’approccio giusto, antifragilità per usare l’AI come allenamento invece che come stampella.
Studi e testi citati
- Bastani H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26).
- Shumailov I. et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759.
- Chen C. et al. (2026). LLMs are not (consistently) Bayesian. arXiv:2605.06915. Apple, Stanford.
- Meadows D. Leverage Points: Places to Intervene in a System. The Donella Meadows Project.
- Boyd J. R. (1976). Destruction and Creation.
- Snowden D. J., Boone M. E. (2007). A Leader’s Framework for Decision Making. Harvard Business Review.
- Kauffman S. (2000). Investigations. Oxford University Press.
- Strathern M. (1997). “Improving ratings”: audit in the British University system. European Review, 5(3).
- Korzybski A. (1933). Science and Sanity.
- Taleb N. N. (2012). Antifragile: Things That Gain from Disorder. Random House.
Ultimo aggiornamento: · Fonti verificate sui paper e sui testi originali.