La preferenza delegata: come l’intelligenza artificiale influenza ciò che desideriamo
AI e processi decisionali
La preferenza delegata: come cambia il processo decisionale con l’intelligenza artificiale
Indice
La preferenza delegata: come cambia il processo decisionale con l’intelligenza artificiale
In un comunicato del 7 ottobre 2026 NielsenIQ ha presentato i dati del rapporto Consumer Outlook: Guide to 2027, dai quali emerge che il 55% dei consumatori intervistati a livello globale dichiara di essere influenzato, almeno occasionalmente, dalle raccomandazioni dell’intelligenza artificiale durante gli acquisti alimentari e domestici, mentre il 27% afferma di usare già assistenti d’acquisto e altri strumenti basati sull’AI per decidere cosa comprare. L’indagine, condotta su oltre 21.000 consumatori in 31 Paesi, documenta la diffusione delle tecnologie basate sull’intelligenza artificiale nelle abitudini di acquisto, comprese le raccomandazioni che vengono ricevute senza necessariamente instaurare una conversazione con un assistente. Il dato del 55% misura l’influenza delle raccomandazioni sugli acquisti di largo consumo e si distingue da altre rilevazioni dello stesso istituto, come il 74% di acquirenti che ad agosto dichiarava di usare l’AI nella scoperta dei prodotti, perché riguarda un ambito più circoscritto.
Per le imprese questi dati indicano l’affermarsi di nuovi intermediari tra l’offerta commerciale e il consumatore, considerando che una parte della ricerca di informazioni e del confronto tra prodotti viene ormai affidata a sistemi capaci di selezionare e suggerire alternative. Gli assistenti conversazionali estendono questa possibilità, permettendo di affidare alla macchina anche l’interpretazione delle informazioni attraverso un dialogo personalizzato e disponibile in qualsiasi momento. Il fenomeno interessa direttamente il comportamento umano, perché il processo attraverso il quale una persona arriva a scegliere contribuisce alla valutazione delle alternative disponibili e alla formazione delle preferenze che orientano la decisione.
Il costo di decidere
Per comprendere questa evoluzione è utile osservare come sia cambiato nel tempo il lavoro necessario per arrivare a una scelta; in passato acquistare un prodotto richiedeva spesso la consultazione di esperti, cataloghi e manuali, mentre la pubblicità televisiva e le riviste specializzate contribuivano a orientare le valutazioni dei consumatori attraverso informazioni che dovevano essere successivamente interpretate e confrontate. Internet ha ampliato considerevolmente la disponibilità di queste informazioni, rendendo accessibili recensioni e contenuti specializzati, fino alla diffusione degli influencer, ai quali una parte del pubblico ha progressivamente affidato anche la selezione delle alternative considerate più interessanti.
Questa evoluzione ha modificato il costo di accesso alle informazioni e il rapporto di fiducia tra consumatore e fonti consultate, influenzando anche le caratteristiche alle quali viene attribuita maggiore importanza. L’intelligenza artificiale introduce un’ulteriore semplificazione, perché permette di ottenere direttamente una valutazione delle alternative sulla base delle esigenze dichiarate dall’utente e di approfondirla attraverso nuove domande, senza dover ricominciare ogni volta la ricerca. Rispetto alle forme tradizionali di consulenza, la disponibilità continua, la personalizzazione delle risposte e il costo ridotto di ogni nuova interazione rendono conveniente ricorrere allo stesso assistente anche per scelte che difficilmente avrebbero giustificato il confronto con un esperto. L’intelligenza artificiale modifica così le condizioni economiche e pratiche attraverso le quali la delega decisionale si diffonde, rendendo accessibile una forma di consulenza personalizzata anche nelle situazioni più ordinarie.
Le risorse cognitive che l’individuo dedica a una decisione sono limitate, anche quando l’importanza della scelta richiederebbe un’analisi approfondita, e devono confrontarsi con una quantità di informazioni sempre più ampia e apparentemente facile da consultare. La disponibilità di recensioni, confronti e suggerimenti spesso contraddittori trasforma talvolta la ricerca della soluzione migliore in una fonte di stress e affaticamento mentale, soprattutto quando ogni nuova informazione porta a riconsiderare una valutazione che sembrava ormai conclusa. In queste condizioni l’intelligenza artificiale offre una scorciatoia conveniente, perché permette di ottenere una raccomandazione risparmiando una parte del lavoro necessario per elaborarla personalmente, con un beneficio immediato in termini di tempo, attenzione e costo cognitivo della decisione.
Delegare una scelta poco importante rappresenta spesso un comportamento economicamente razionale, soprattutto quando il tempo e le energie necessari per valutarla personalmente superano il beneficio atteso da un’analisi più approfondita. Il risparmio di risorse cognitive assume però un significato differente quando diventa un’abitudine estesa a decisioni nelle quali il confronto tra le alternative contribuisce anche alla formazione delle preferenze personali, perché il vantaggio immediato di ottenere una risposta è facilmente riconoscibile, mentre il valore dell’esperienza decisionale alla quale si rinuncia rimane meno evidente.
La facilità di accesso alle risposte può produrre anche un effetto opposto, perché un assistente capace di generare continuamente nuove valutazioni rende possibile prolungare la ricerca della soluzione migliore, alimentando l’indecisione anziché risolverla. Ogni nuova richiesta introduce ulteriori confronti, modifica le condizioni della ricerca o offre nuove conferme con uno sforzo relativamente contenuto, fino a confondere la disponibilità di altre informazioni con la loro effettiva necessità. Come già osservato nell’articolo L’economia dell’autocontrollo, quando una tecnologia permette di proseguire un’attività senza incontrare ostacoli, anche la capacità di riconoscere il momento in cui fermarsi acquista un valore.
Anche l’indecisione rappresenta una forma di costo, perché rimandare una scelta permette di conservare temporaneamente tutte le possibilità disponibili, impegnando però l’individuo in un processo che continua a occupare i suoi pensieri e a consumare risorse cognitive. L’intelligenza artificiale riduce il costo di molte singole operazioni di ricerca e confronto, mentre il costo complessivo della decisione dipende anche dal numero di valutazioni richieste e dalla capacità di arrivare a una conclusione. La comodità di ottenere nuove risposte favorisce, a seconda delle circostanze, tanto l’accettazione prematura di una soluzione quanto il rinvio continuo della scelta.
Accettare una raccomandazione considerata sufficientemente convincente permette invece di interrompere la ricerca e liberarsi almeno temporaneamente dall’incertezza. La soddisfazione di aver risparmiato tempo e fatica rende comprensibile il ricorso ripetuto a uno strumento che, una volta diventato familiare, viene consultato anche in situazioni nelle quali il coinvolgimento personale e le conseguenze emotive assumono un’importanza maggiore.
Dalle decisioni economiche alle relazioni personali
L’utilizzo degli assistenti intelligenti supera ormai l’ambito delle decisioni economiche, estendendosi a situazioni nelle quali le persone cercano di comprendere le proprie emozioni, interpretare il comportamento degli altri o trovare una spiegazione alle difficoltà sentimentali. La disponibilità continua e la possibilità di affrontare argomenti intimi senza il timore di essere giudicati attribuiscono all’intelligenza artificiale una funzione che ricorda quella di un consulente psicologico prêt-à-porter, capace di offrire immediatamente interpretazioni e suggerimenti attraverso un linguaggio rassicurante e apparentemente empatico.
Quando una persona si rivolge all’intelligenza artificiale per comprendere una difficoltà sentimentale, trasferisce nella richiesta una propria rappresentazione degli avvenimenti, costruita attraverso le emozioni, le convinzioni e le aspettative con cui abitualmente interpreta la realtà. Il racconto può essere del tutto sincero e accurato nei singoli episodi, ma risultare comunque condizionato dal modo in cui questi sono stati vissuti e interpretati, senza che la persona sia necessariamente consapevole di quanto la propria visione abbia influenzato le informazioni fornite. Chi teme di essere trascurato dal partner, per esempio, può ricordare soprattutto i momenti di distanza e attribuire particolare importanza a comportamenti che sembrano confermare questa impressione, trascurando involontariamente altri elementi che permetterebbero di comprendere diversamente la relazione.
L’intelligenza artificiale elabora quella ricostruzione utilizzando conoscenze che possono essere attendibili e restituisce una risposta ordinata, coerente e convincente, ma la qualità del ragionamento dipende anche dall’attendibilità delle informazioni iniziali. Una spiegazione può risultare perfettamente logica rispetto al racconto ricevuto e contenere conclusioni poco aderenti alla realtà, perché una parte delle premesse era già stata condizionata dall’interpretazione personale dell’utente. L’assistente conosce la relazione attraverso la versione raccontata dalla persona che lo consulta, con la possibilità di restituire una rappresentazione sostanzialmente simile a quella ricevuta, resa più convincente dalla qualità della sua elaborazione.
Il meccanismo può rafforzarsi attraverso il bias dell’autorità, ossia la tendenza ad attribuire maggiore credibilità a una valutazione proveniente da una fonte considerata competente. L’individuo può riconoscere nella risposta dell’assistente una conferma indipendente della propria interpretazione, trascurando che una parte delle conclusioni deriva proprio dalle informazioni che aveva fornito personalmente. Una convinzione inizialmente incerta acquista così maggiore forza dopo essere stata restituita attraverso un linguaggio autorevole, mentre la persona continua a ignorare quanto della propria visione sia stato trasferito nella domanda e successivamente riprodotto nella risposta.
Le emozioni e le convinzioni personali intervengono spesso prima ancora che una decisione venga formulata, influenzando ciò che attira l’attenzione e il significato attribuito agli avvenimenti. Chi teme di essere abbandonato può interpretare un messaggio senza risposta come una conferma del disinteresse del partner, senza riconoscere quanto questa conclusione dipenda dalla propria paura, perché nel momento in cui vive quella situazione l’interpretazione gli appare una conseguenza ragionevole dei fatti. Una persona può conoscere le possibili origini di questa paura, descrivere accuratamente le proprie reazioni e riconoscersi in una spiegazione psicologica del proprio comportamento, continuando tuttavia a prendere decisioni attraverso gli stessi condizionamenti.
La conoscenza delle proprie reazioni e la capacità di riconoscerle mentre intervengono nelle decisioni richiedono forme differenti di consapevolezza, perché osservare i propri automatismi significa riuscire a distinguere ciò che accade dal significato che viene attribuito agli avvenimenti, proprio nel momento in cui quel significato appare evidente e indiscutibile. La disponibilità immediata di spiegazioni psicologiche rende più semplice acquisire un linguaggio con cui descrivere le proprie emozioni, senza garantire che cresca nella stessa misura la capacità di riconoscerne l’influenza concreta sui giudizi e sulle decisioni.
L’individuo può arrivare a elaborare spiegazioni sempre più sofisticate dei propri automatismi, continuando a prendere decisioni attraverso quegli stessi automatismi senza riconoscerli. L’intelligenza artificiale può anche contribuire alla riflessione personale, ponendo domande che mettono in discussione il racconto iniziale o suggerendo interpretazioni differenti, mentre la comprensione delle proprie reazioni richiede un’osservazione che l’individuo deve sviluppare anche nella sua esperienza quotidiana. La capacità di elaborare spiegazioni psicologicamente plausibili, inoltre, non equivale a una valutazione clinica, che richiede competenze professionali e un percorso nel quale le interpretazioni possano essere approfondite e verificate nel tempo.
Le interpretazioni attraverso le quali una persona comprende le proprie esperienze contribuiscono anche a determinare ciò che considera desiderabile. Chi arriva a convincersi, per esempio, che una relazione non offra più sicurezza può modificare le proprie aspettative e le decisioni che ritiene opportuno prendere, indipendentemente da quanto quella convinzione corrisponda alla situazione reale. Se l’intelligenza artificiale contribuisce a consolidare un’interpretazione costruita su premesse parziali, la sua influenza si estende potenzialmente alle esigenze e alle preferenze che l’individuo svilupperà successivamente. La delega dell’interpretazione può quindi precedere quella della decisione, intervenendo sul modo in cui si forma il desiderio prima ancora che venga espresso attraverso una scelta.
La Teoria della preferenza delegata
Partendo da queste considerazioni proponiamo su Neuroeconomia.it quella che definiamo Teoria della preferenza delegata, un modello interpretativo secondo il quale l’abitudine ad affidare passivamente le decisioni all’intelligenza artificiale può favorire una progressiva pigrizia decisionale, fino a influenzare la formazione dei desideri e delle preferenze individuali. Il meccanismo ipotizzato nasce dalla soddisfazione di ottenere un risultato risparmiando tempo e fatica, perché quando le risposte ricevute vengono considerate sufficienti senza essere sottoposte a un confronto personale, il ricorso all’assistente rischia di diventare un’abitudine che riduce progressivamente la partecipazione dell’individuo all’elaborazione dei propri criteri decisionali.
Già nel 1998 James R. Bettman, Mary Frances Luce e John W. Payne, nel loro lavoro Constructive Consumer Choice Processes, avevano evidenziato come le preferenze dei consumatori si costruiscano spesso durante il processo decisionale, attraverso il confronto tra le alternative. Una persona può cominciare una ricerca convinta di sapere cosa desidera e scoprire, valutando le possibilità disponibili, di attribuire maggiore importanza a qualcosa che inizialmente aveva trascurato, arrivando persino a cambiare completamente idea. Le preferenze possono dunque essere elaborate durante il percorso attraverso il quale si arriva alla scelta, con un grado di stabilità che dipende anche dall’esperienza personale e dalla familiarità con le alternative.
Quando questo percorso viene affidato all’intelligenza artificiale e la raccomandazione viene accettata senza un confronto personale, una parte dell’esperienza attraverso la quale si sarebbero sviluppate le preferenze individuali viene sostituita dalle valutazioni dell’assistente. L’individuo ottiene una risposta al problema che aveva formulato, mentre alcuni criteri che avrebbero potuto emergere durante la ricerca rimangono inesplorati, perché la soluzione arriva prima che sia stato necessario affrontare personalmente il confronto tra le alternative.
L’interazione con l’intelligenza artificiale offre però anche la possibilità di contestare una raccomandazione, chiedere alternative differenti o spiegare perché una soluzione non soddisfa le proprie esigenze. Attraverso questo dialogo l’individuo partecipa alla costruzione delle proprie preferenze, utilizzando le proposte ricevute per chiarire ciò che considera importante. L’accettazione abituale della prima valutazione disponibile, invece, limita le occasioni di confronto e può ridurre l’esperienza attraverso la quale vengono sviluppati i criteri personali. La Teoria della preferenza delegata distingue quindi il confronto attivo, nel quale l’individuo continua a elaborare il proprio giudizio, dalla delega passiva, nella quale la raccomandazione tende a diventare una conclusione già sufficiente.
Questa distinzione riguarda comportamenti che possono essere osservati concretamente. La verifica delle alternative, la formulazione di obiezioni motivate e l’accettazione o meno della prima risposta ricevuta rappresentano indicatori utili per distinguere i due comportamenti, mentre la capacità di spiegare i criteri della scelta anche senza consultare nuovamente l’assistente misura un possibile effetto della modalità adottata, ed è quindi tenuta separata dai criteri con cui le modalità vengono definite. Il semplice numero di domande rivolte alla macchina, invece, offre un’indicazione limitata, perché una conversazione molto lunga può essere costruita attraverso continue richieste di conferma, senza comportare una reale revisione delle convinzioni iniziali.
L’influenza dell’intelligenza artificiale sulle preferenze comprende anche il possibile rafforzamento di convinzioni già presenti, considerando che l’individuo non conosce necessariamente i meccanismi attraverso i quali si formano i propri desideri. Come osservato nelle relazioni personali, una richiesta può contenere esigenze influenzate da abitudini, aspettative e convinzioni considerate autentiche senza essere state realmente esaminate; una risposta coerente con quelle premesse, soprattutto quando viene percepita come autorevole, può rafforzarle senza aiutare la persona a riconoscerne l’origine. Il modello prende quindi in considerazione due processi distinti, la formazione di nuove preferenze attraverso il confronto delegato e il consolidamento di preferenze preesistenti attraverso le valutazioni ricevute.
La pigrizia decisionale può alimentare entrambi i processi, perché l’abitudine a ottenere risposte soddisfacenti potrebbe ridurre l’incentivo a dedicare tempo alla definizione delle proprie esigenze, incoraggiando richieste sempre più generiche e una minore attenzione alla qualità delle informazioni fornite. La fiducia maturata nell’assistente favorirebbe allora l’accettazione di valutazioni costruite su presupposti incompleti, attribuendo maggiore importanza alla rapidità della risposta rispetto alla comprensione delle ragioni che la sostengono. L’individuo arriverebbe così a dedicare meno attenzione alla qualità del proprio processo decisionale, continuando a essere soddisfatto della facilità con cui ottiene una conclusione.
Un ulteriore sviluppo ipotizzato riguarda l’assimilazione dei criteri utilizzati dall’assistente. Quando le argomentazioni che accompagnano le raccomandazioni diventano familiari, l’individuo può cominciare a riprodurle nelle valutazioni successive, adottando modalità di confronto ed espressioni già elaborate dalla macchina anche nelle occasioni in cui decide senza consultarla. L’influenza dell’intelligenza artificiale potrebbe quindi estendersi oltre la singola raccomandazione, attraverso criteri che la persona incorpora progressivamente nel proprio modo di ragionare.
La libertà individuale comprende anche la possibilità di partecipare alla formazione delle preferenze sulle quali vengono costruite le decisioni, attraverso esperienze personali, confronti ed errori che permettono di riconoscere ciò che si desidera. Una scelta può produrre un risultato insoddisfacente e contribuire comunque alla conoscenza delle proprie preferenze, perché l’esperienza dell’errore permette di riconsiderare l’importanza attribuita alle alternative e di modificare i criteri utilizzati nelle decisioni successive. Il valore di una decisione comprende quindi anche ciò che l’individuo apprende durante il percorso attraverso il quale arriva a prenderla.
La sostituzione abituale di questo percorso con l’accettazione passiva di valutazioni esterne lascerebbe formalmente intatta la possibilità di scegliere tra numerose alternative, riducendo però le occasioni nelle quali l’individuo partecipa alla costruzione delle preferenze che orientano la scelta. La delega della decisione potrebbe così trasformarsi in una delega del desiderio e, attraverso questa, incidere su una parte dell’autonomia e della libertà individuale. La teoria considera questa conseguenza un’ipotesi legata alle condizioni nelle quali la comodità della delega sostituisce progressivamente l’esercizio personale del giudizio.
Quando è l’uomo a imitare l’intelligenza artificiale
L’intelligenza artificiale è stata sviluppata utilizzando un immenso patrimonio di conoscenze prodotte dagli esseri umani, imparando a riconoscere strutture linguistiche e regolarità presenti nei contenuti utilizzati per il suo addestramento. La diffusione degli assistenti intelligenti crea le condizioni per un processo inverso, nel quale gli individui entrano ripetutamente in contatto con valutazioni elaborate dalle macchine e possono assimilarne i criteri anche nelle occasioni in cui continuano a decidere autonomamente.
Nel 2025 Moshe Glickman e Tali Sharot hanno pubblicato su Nature Human Behaviour una ricerca sul modo in cui l’intelligenza artificiale influenza il giudizio umano. In uno degli esperimenti, ai partecipanti venivano mostrate numerose immagini, ciascuna contenente dodici volti, chiedendo loro di stabilire se tra quei volti prevalessero espressioni di tristezza o di felicità. I ricercatori avevano preparato le immagini in modo che nella metà prevalessero i volti tristi e nell’altra metà quelli felici, ma i partecipanti classificarono come tristi il 53% delle immagini, mostrando una lieve tendenza a sovrastimare la tristezza.
I ricercatori utilizzarono quelle immagini e le risposte dei partecipanti per addestrare un algoritmo a riprodurre le classificazioni umane, comprese quelle sbagliate. L’algoritmo finì per amplificare la lieve tendenza iniziale, arrivando a classificare come tristi il 65% delle immagini utilizzate per verificarne le prestazioni. A quel punto un secondo gruppo di persone affrontò lo stesso esercizio, esprimendo prima il proprio giudizio e confrontandolo successivamente con quello della macchina; con il ripetersi delle prove, i partecipanti cominciarono a riconoscere la tristezza sempre più frequentemente, arrivando al 61% delle immagini nell’ultima fase dell’esperimento, anche prima di conoscere la risposta dell’algoritmo. L’intelligenza artificiale aveva imparato un errore dagli esseri umani, lo aveva amplificato e finiva per trasmetterlo ad altre persone, che avevano cominciato a riprodurlo anche nei propri giudizi autonomi.
Gli esperimenti hanno mostrato anche che l’interazione con algoritmi accurati migliorava le valutazioni umane, confermando che apprendere dall’intelligenza artificiale può produrre effetti differenti a seconda dell’attendibilità delle indicazioni ricevute. La ricerca documenta l’assimilazione di valutazioni algoritmiche in compiti percettivi, emotivi e sociali, mentre l’estensione del fenomeno alla formazione delle preferenze economiche rimane un’ipotesi da verificare.
Applicando questa osservazione alla Teoria della preferenza delegata, si può ipotizzare che la consultazione abituale degli assistenti intelligenti contribuisca anche a modificare i criteri attraverso i quali vengono sviluppate le preferenze economiche. Persone con gusti ed esperienze differenti, esposte ripetutamente a raccomandazioni costruite attraverso parametri simili, potrebbero attribuire maggiore importanza alle stesse caratteristiche, fino a utilizzarle spontaneamente anche negli acquisti successivi.
Se questa convergenza si manifestasse su larga scala, le imprese potrebbero osservare una domanda maggiormente concentrata su determinate caratteristiche ed essere incentivate ad adattare la propria offerta. L’intelligenza artificiale potrebbe quindi influenzare il mercato anche attraverso le decisioni di chi non la sta utilizzando direttamente, perché i criteri acquisiti continuerebbero a orientare le valutazioni successive. La convergenza rappresenta una possibile conseguenza collettiva dell’assimilazione delle raccomandazioni, la cui direzione dipenderebbe anche dalla varietà delle proposte ricevute e dal modo in cui vengono valutate; un confronto critico potrebbe infatti favorire la scoperta di alternative differenti e lo sviluppo di preferenze più articolate.
La Teoria della preferenza delegata propone di osservare il possibile effetto della delega passiva e abituale sulla formazione dei desideri e sull’autonomia individuale. L’individuo potrebbe continuare a scegliere tra numerose alternative, conservando la possibilità di accettare o rifiutare ogni raccomandazione, senza riconoscere di partecipare sempre meno alla costruzione dei criteri che orientano le proprie scelte.
Glossario
Teoria della preferenza delegata — Modello interpretativo proposto da Neuroeconomia.it secondo il quale la delega passiva e abituale delle decisioni all’intelligenza artificiale può influenzare la formazione dei desideri e delle preferenze individuali. Il modello distingue le situazioni nelle quali l’assistente sostituisce parte del confronto personale da quelle nelle quali contribuisce all’elaborazione autonoma del giudizio.
Pigrizia decisionale — Progressiva riduzione della disponibilità a elaborare autonomamente una decisione quando diventa abituale ottenere valutazioni già formulate da uno strumento esterno. Nel contesto della teoria, il risparmio immediato di risorse cognitive rappresenta uno dei fattori che possono favorire questo comportamento. Il termine identifica un’ipotesi comportamentale e non una condizione clinica.
Delega passiva e confronto attivo — Modalità di utilizzo degli assistenti intelligenti distinguibili attraverso il grado di partecipazione dell’individuo all’elaborazione della scelta. Nella delega passiva la raccomandazione viene accettata senza un confronto sostanziale con le alternative; nel confronto attivo l’individuo verifica le proposte e formula obiezioni motivate prima di decidere. Questi comportamenti rappresentano possibili indicatori osservabili, da definire operativamente prima di una verifica sperimentale, e restano distinti dalla capacità di spiegare le ragioni della propria decisione, che la teoria considera un possibile effetto delle due modalità.
Delega del desiderio — Possibile conseguenza della delega decisionale nella quale l’individuo affida a uno strumento esterno anche una parte del processo attraverso il quale riconosce e sviluppa le proprie preferenze. Nel modello proposto da Neuroeconomia.it, il fenomeno comprende il rafforzamento di convinzioni già presenti e l’assimilazione di nuovi criteri di valutazione.
Preferenze costruite (Constructed Preferences) — Concetto studiato nella psicologia del consumatore secondo il quale le preferenze si sviluppano spesso durante il confronto tra le alternative, con un grado di stabilità che dipende anche dall’esperienza e dal contesto decisionale. Il lavoro di Bettman, Luce e Payne del 1998 rappresenta uno dei riferimenti teorici dell’articolo.
Bias dell’autorità (Authority Bias) — Tendenza ad attribuire maggiore credibilità a informazioni e valutazioni provenienti da una fonte considerata autorevole. Nell’interazione con l’intelligenza artificiale, l’utente può attribuire particolare attendibilità a una risposta per la competenza percepita del sistema, anche quando le conclusioni dipendono da informazioni incomplete o condizionate dalla propria interpretazione.
Automatismi decisionali — Modalità abituali attraverso le quali emozioni, aspettative ed esperienze precedenti influenzano la formazione dei giudizi senza richiedere ogni volta una riflessione consapevole. La disponibilità immediata di spiegazioni elaborate dall’intelligenza artificiale facilita la descrizione di questi meccanismi, senza garantire la capacità di riconoscerli mentre intervengono nelle decisioni.
Costo cognitivo della decisione — Quantità di attenzione, tempo e risorse mentali necessarie per raccogliere informazioni, confrontare alternative e formulare una scelta. Gli assistenti intelligenti riducono spesso il costo delle singole operazioni di ricerca e confronto, mentre quello dell’intero processo decisionale dipende anche dal numero di valutazioni richieste e dal momento in cui la scelta viene conclusa.
Nota metodologica
Nota metodologica
Questo articolo introduce la Teoria della preferenza delegata, una proposta interpretativa originale di Neuroeconomia.it che analizza il rapporto tra l’utilizzo abituale dell’intelligenza artificiale, la formazione delle preferenze e l’autonomia decisionale. Il modello nasce dall’integrazione di concetti dell’economia comportamentale, della psicologia cognitiva e della psicologia del consumatore, considerando il processo decisionale anche come un’esperienza attraverso la quale l’individuo sviluppa i criteri che orientano le proprie scelte.
L’analisi prende come riferimento le ricerche di Bettman, Luce e Payne sulla costruzione delle preferenze durante il processo decisionale e gli studi di Glickman e Sharot sull’influenza delle valutazioni algoritmiche sui giudizi umani. I dati NielsenIQ forniscono il contesto contemporaneo nel quale osservare la crescente diffusione delle raccomandazioni basate sull’intelligenza artificiale. Questi contributi vengono messi in relazione per sviluppare una prospettiva che considera le possibili conseguenze della delega decisionale anche sulla formazione dei desideri, attraverso la distinzione tra accettazione passiva delle raccomandazioni e confronto attivo con l’assistente.
La Teoria della preferenza delegata costituisce un’elaborazione concettuale dell’osservatorio, distinta dai risultati sperimentali richiamati nell’articolo. Le sue implicazioni sulla formazione dei desideri e sull’autonomia individuale rappresentano ipotesi suscettibili di approfondimento e verifica empirica. L’impiego di concetti quali pigrizia decisionale e delega del desiderio ha una funzione interpretativa e descrive possibili dinamiche comportamentali, senza attribuire all’utilizzo dell’intelligenza artificiale conseguenze necessarie o patologiche.
L’obiettivo è contribuire allo studio del rapporto tra individuo e sistemi intelligenti, approfondendo come il risparmio di risorse cognitive e l’abitudine a ricevere valutazioni già elaborate possano incidere sui processi attraverso i quali le persone riconoscono, costruiscono e modificano le proprie preferenze. La riflessione sulle relazioni personali estende questa prospettiva ai meccanismi attraverso i quali le interpretazioni individuali influenzano le decisioni, nel rispetto della distinzione tra analisi comportamentale e valutazione psicologica clinica.
Riferimenti
NielsenIQ (2026). Consumer Outlook: Guide to 2027. Rapporto, con comunicato del 7 ottobre 2026 disponibile qui.
Bettman, J. R., Luce, M. F. e Payne, J. W. (1998). Constructive Consumer Choice Processes. Journal of Consumer Research, 25(3), 187–217.
Glickman, M. e Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. Pubblicato online il 18 dicembre 2024.
