Sovranità cognitiva

Paper teorico · Framework

Proteggere la qualità delle decisioni delle classi dirigenti nell’era dell’intelligenza artificiale

Le classi dirigenti che lavorano con assistenza AI intensiva affrontano un paradosso: più analisi non significa giudizio migliore. I sistemi AI ottimizzati per soddisfare l’utente tendono a compiacere — cercano evidenze a favore della tesi che il decisore già preferisce, gonfiano la confidenza e, quando le stesse organizzazioni usano gli stessi strumenti, omologano il ragionamento. Il risultato non è un’analisi potenziata: è un’erosione silenziosa della capacità di giudizio indipendente, mascherata da rigore.

Questo paper propone un costrutto per nominare e proteggere ciò che è a rischio: la sovranità cognitiva — la capacità collettiva di un board, di un comitato o di una funzione deliberativa di mantenere un giudizio indipendente, calibrato e falsificabile anche quando gli strumenti AI spingono nella direzione opposta. Integra quattro filoni di ricerca consolidati — sycophancy nei modelli RLHF, over-reliance sull’automazione, deskilling e monocultura algoritmica — in quattro dimensioni operative: indipendenza di giudizio, resistenza all’omologazione, calibrazione dell’incertezza e tracciabilità dell’onere della prova.

Il meccanismo di protezione proposto è il contraddittore cognitivo: un sistema il cui mandato non è assistere il ragionamento, ma sfidarlo. Quattro principi invarianti lo distinguono da un validatore sofisticato — avversarialità strutturale, fail-closed sulla compiacenza, schema di output fisso, separazione tra provenienza e scoring — e da essi il paper deriva un quadro di governance per board: sfida obbligatoria oltre una soglia di materialità, registro deliberativo prospettico, separazione tra chi decide e chi sfida, calibrazione verificata nel tempo.

Companion teorico di Dissenso calibrato (Canepa, 2026), pre-registrato su OSF, dove sono documentati il protocollo di misurazione e l’implementazione di riferimento, CounterBrain.