Neurodivergenze e IA: chi sta imitando chi?

Nel 1974, il neurologo Oliver Sacks iniziò a pubblicare i suoi casi clinici straordinari: pazienti con condizioni neurologiche che il sistema medico trattava come deficit, e che lui leggeva invece come modi diversi di essere nel mondo, con le loro perdite ma anche con capacità che la cognizione ordinaria non possedeva. Ci vollero vent’anni prima che quella prospettiva diventasse un movimento culturale riconoscibile, quello che oggi chiamiamo neurodiversità. Ci vollero altri vent’anni prima che le grandi aziende tecnologiche iniziassero a domandarsi se non stessero sistematicamente escludendo dai loro processi di selezione esattamente le persone di cui avrebbero avuto più bisogno. Oggi, mentre i sistemi di intelligenza artificiale ridefiniscono cosa significa elaborare informazioni complesse, quella domanda torna con una forza nuova e una direzione inaspettata: le architetture che stiamo costruendo somigliano, in qualche misura strutturale, ad alcune forme di cognizione che abbiamo a lungo considerato marginali?

Una convergenza strutturale, non un’analogia superficiale

È necessario chiarire subito cosa si intende e cosa non si intende con questa domanda. L’intelligenza artificiale è un sistema matematico-statistico: non ha esperienza, non ha intenzionalità, non ha una dimensione emotiva e relazionale. La neurodivergenza è una variazione della cognizione umana, vissuta da persone reali con storie reali, con le complessità e le sfide che questo comporta. Equiparare le due cose sarebbe non solo impreciso ma offensivo. La domanda è più sottile: alcune architetture dell’IA mostrano caratteristiche funzionali che, se osservate in un essere umano, sarebbero associate a stili cognitivi neurodivergenti. Non perché l’IA sia neurodivergente, ma perché quelle caratteristiche funzionali, che il pensiero neurotipico dominante ha a lungo considerato secondarie o problematiche, si rivelano particolarmente adatte all'elaborazione di sistemi complessi.

I sistemi IA avanzati eccellono nella ricerca di pattern in grandi volumi di dati, nella costruzione di modelli coerenti, nell’individuazione di relazioni non immediatamente evidenti, nella preferenza per la struttura logica rispetto all'interpretazione contestuale e sociale. Chi lavora nel campo della neurodiversità riconosce in questo elenco alcune delle caratteristiche che la ricerca associa, tra l’altro, a profili dello spettro autistico: attenzione al dettaglio, sistematicità, elaborazione locale prima che globale, ricerca di coerenza interna. Non è una coincidenza da cui trarre conclusioni affrettate. È una convergenza funzionale che pone una domanda culturale importante: se queste caratteristiche sono ora al centro delle architetture più potenti che l’umanità abbia mai costruito, perché continuiamo a progettare ambienti di lavoro che le penalizzano nelle persone?

Intelligenza artificiale, perché è sbagliato umanizzare la macchina e computerizzare la mente

Luciano Floridi* e Anna C. Nobre** 29 Aprile 2024

Il vantaggio competitivo che non sapevamo di avere

Robert Austin e Gary Pisano, in un articolo diventato un riferimento nel dibattito manageriale internazionale pubblicato su Harvard Business Review nel 2017, documentavano come aziende come SAP, Hewlett-Packard Enterprise e Microsoft avessero riformato i propri processi di selezione per includere talenti neurodivergenti, registrando in cambio aumenti di produttività, miglioramenti della qualità, incrementi nelle capacità innovative e maggiore engagement dei dipendenti. La tesi di Austin e Pisano era che il problema non fosse nelle persone, ma nei sistemi di selezione: i colloqui tradizionali, con le loro richieste implicite di fluidità sociale e adattabilità comportamentale immediata, filtravano sistematicamente fuori persone con competenze rare e preziose, semplicemente perché quelle competenze non corrispondevano al profilo neurotipico atteso.

Quello studio è del 2017. Da allora il contesto è cambiato radicalmente. L’intelligenza artificiale ha reso centrali nei processi aziendali esattamente le capacità che Austin e Pisano descrivevano come punti di forza dei profili neurodivergenti: riconoscimento di pattern, attenzione al dettaglio, coerenza logica, pensiero sistematico. Le organizzazioni che per anni hanno selezionato per la fluidità sociale si trovano oggi a dover integrare sistemi IA che producono output strutturati e complessi, e scoprono di non avere abbastanza persone in grado di leggerli con la profondità necessaria. Il paradosso è preciso: si sono dotate della tecnologia che amplifica le caratteristiche cognitive che avevano escluso.

Cosa cambia nella pratica organizzativa

La convergenza tra IA e valorizzazione della diversità cognitiva non è solo un tema culturale: ha implicazioni operative immediate. I processi di selezione basati su colloqui non strutturati, su valutazioni della fluidità comunicativa, su simulazioni di situazioni sociali complesse, continuano a discriminare candidati che potrebbero essere i migliori interpreti e validatori di sistemi AI avanzati. Le valutazioni delle performance costruite attorno a parametri di visibilità, proattività relazionale e adattamento rapido al contesto rischiano di penalizzare esattamente le persone che lavorano meglio in profondità e con sistemi complessi. I modelli di carriera che premiano la generalità rispetto alla specializzazione profonda rischiano di valorizzare le competenze meno critiche nell'era dei modelli AI.

Costruire team cognitivamente diversi non è più solo una questione di equità, per quanto questa rimanga una ragione sufficiente. È una questione di architettura organizzativa: i team che integrano stili cognitivi diversi sono strutturalmente più robusti di fronte alla complessità, perché coprono angolature di elaborazione che un gruppo omogeneo, per quanto brillante, non può coprire. L’IA amplifica questa dinamica perché produce output che richiedono tipi molto diversi di interpretazione: chi è bravo a leggere pattern statistici, chi è bravo a contestualizzare socialmente, chi è bravo a identificare anomalie strutturali. Nessuno di questi stili è superiore agli altri. Insieme sono più potenti di qualsiasi sistema IA.

Il rischio normativo che nessuno sta discutendo

C'è una dimensione di questo tema che il dibattito sulla governance dell’IA sta trascurando. Il Regolamento (UE) 2024/1689 introduce principi di non discriminazione e supervisione umana che hanno una logica chiara: evitare che i sistemi IA riproducano e amplino bias esistenti. Ma c’è un rischio speculare che merita attenzione: se i sistemi AI vengono addestrati prevalentemente su dati generati da ambienti neurotipici, e se i criteri impliciti di valutazione delle performance che orientano quei sistemi riflettono standard neurotipici, l'IA rischia di diventare uno strumento che rende lo standard dominante ancora più difficile da contestare, perché lo incorpora in un processo apparentemente oggettivo. La trasparenza che l'AI Act richiede sui sistemi dovrebbe estendersi a una domanda che raramente viene posta: su quali presupposti cognitivi sono stati costruiti i criteri di valutazione che i modelli replicano?

Oliver Sacks sosteneva che i suoi pazienti gli avevano insegnato più sulla mente umana di quanto non avesse imparato in anni di formazione ordinaria, perché le condizioni neurologiche atipiche rendevano visibili meccanismi che la cognizione neurotipica dava per scontati e quindi non esaminava. L'intelligenza artificiale sta facendo qualcosa di simile: rendendo visibili, attraverso le sue architetture, modalità di elaborazione che il pensiero neurotipico dominante aveva sistematicamente sottovalutato. La domanda non è se l’IA stia imitando la neurodivergenza. La domanda è se stiamo abbastanza attenti a leggere quello che ci sta mostrando.

*Carlo Maria Medaglia è Prorettore per la Terza Missione, l’Innovazione Didattica e l’Intelligenza Artificiale all’Università degli Studi Telematica IUL