27/05/2026
Never-skilling: il rischio che l’intelligenza artificiale impedisca ai futuri medici di imparare davvero
Per anni il dibattito sull’intelligenza artificiale in medicina si è concentrato soprattutto sul rischio di “deskilling”: la perdita progressiva di competenze nei professionisti che delegano sempre più attività alle macchine. Un nuovo articolo pubblicato su Nature Medicine propone però un’ipotesi ancora più radicale e, per certi versi, più inquietante: il problema potrebbe non essere soltanto che i medici perdano competenze già sviluppate. Alcuni potrebbero non svilupparle mai davvero.
Gli autori definiscono questo fenomeno “never-skilling”.
L’idea centrale è semplice ma potente: se studenti e giovani medici iniziano troppo presto a dipendere da sistemi AI capaci di generare diagnosi differenziali, piani terapeutici, interpretazioni cliniche e ragionamenti già confezionati, il cervello potrebbe non attraversare più quel processo cognitivo faticoso ma fondamentale che costruisce il vero ragionamento clinico indipendente. Il rischio, quindi, non sarebbe soltanto tecnologico. Sarebbe educativo, cognitivo e professionale.
Il problema non è usare l’AI. È come e quando la si usa
L’articolo non è un manifesto anti-tecnologia. Gli autori sottolineano però una distinzione cruciale: uno strumento che aiuta un medico esperto potrebbe avere effetti molto diversi su uno studente che sta ancora costruendo le proprie basi cognitive.
Un radiologo con anni di esperienza può usare l’AI come secondo lettore. Uno studente che non ha ancora sviluppato pattern diagnostici solidi potrebbe invece sostituire completamente il proprio processo mentale con l’output della macchina. Ed è qui che nasce il rischio.
L’articolo distingue accuratamente tre concetti spesso confusi.
Deskilling
È il fenomeno più noto.
Una competenza già acquisita si indebolisce perché viene esercitata meno.
Mis-skilling
Qui il problema è diverso.
Non si tratta di perdere competenze, ma di apprenderle in modo distorto. Se uno studente accetta sistematicamente output AI errati, biasati o semplificati, può interiorizzare schemi clinici sbagliati come se fossero corretti.
Il rischio è particolarmente rilevante perché gli LLM spesso generano risposte:
• fluenti
• convincenti
• coerenti nella forma
anche quando il contenuto è parzialmente errato.
Never-skilling
È il concetto più innovativo dell’articolo. Gli autori ipotizzano che l’AI possa impedire la formazione stessa delle competenze fondamentali.
Molte capacità cliniche non nascono ricevendo risposte corrette, ma attraversando:
• incertezza
• errori
• confronto tra ipotesi
• sforzo cognitivo
• revisione critica
• costruzione autonoma di schemi mentali
Se la risposta arriva immediatamente dall’AI, il cervello potrebbe saltare proprio il processo che costruisce quelle strutture cognitive profonde. In altre parole: lo studente potrebbe imparare a usare bene l’AI senza imparare davvero a ragionare clinicamente.
Uno dei concetti più importanti dell’articolo è quello di “productive struggle”. Nella teoria dell’apprendimento, lo sforzo mentale non è un ostacolo accidentale. È parte del meccanismo stesso con cui si consolidano competenze durature.
La medicina clinica si costruisce attraverso:
• riconoscimento graduale di pattern
• confronto continuo tra ipotesi
• revisione degli errori
• integrazione di dati incompleti
• tolleranza dell’incertezza
Molto del ragionamento medico nasce proprio dal tentativo di dare senso a informazioni imperfette.
Se però uno studente riceve immediatamente:
• diagnosi differenziale
• management plan
• interpretazione degli esami
• sintesi clinica
senza attraversare il percorso cognitivo che produce quelle conclusioni, potrebbe svilupparsi una sorta di “scorciatoia educativa”.
Il problema è che le scorciatoie funzionano molto bene nel breve periodo. Ma potrebbero lasciare strutture cognitive fragili nel lungo termine.
Uno dei punti più forti dell’articolo è il cosiddetto “calibration paradox”. Per supervisionare correttamente l’AI bisogna già possedere competenze cliniche solide.
Per capire:
• quando l’AI sbaglia
• quando sta inventando
• quando sta semplificando troppo
• quando sta ignorando il contesto
serve ragionamento clinico autonomo.
Ma se l’AI entra troppo presto nel percorso formativo, proprio quelle competenze potrebbero non consolidarsi mai completamente.
Questo crea un paradosso:
l’AI richiede supervisori competenti, ma potrebbe ridurre la formazione delle competenze necessarie a supervisionarla.
L’articolo affronta anche il tema dell’automation bias. Gli esseri umani tendono naturalmente ad attribuire maggiore credibilità a sistemi percepiti come:
• autorevoli
• sofisticati
• veloci
• statisticamente potenti
Questo fenomeno aumenta:
• sotto pressione
• in condizioni di fatica
• nei professionisti meno esperti
• quando il sistema produce output fluenti e convincenti
In medicina il rischio è particolarmente delicato perché molte decisioni avvengono:
• con tempo limitato
• informazioni incomplete
• alta pressione cognitiva
Un giovane medico potrebbe quindi smettere progressivamente di interrogare criticamente le risposte AI.
La medicina generale è particolarmente coinvolta. Anche se l’articolo cita soprattutto radiologia, anatomia patologica ed emergenza, il tema riguarda profondamente anche la medicina generale.
La medicina generale non si basa soltanto su pattern diagnostici lineari.
Richiede:
• integrazione narrativa
• gestione dell’incertezza
• continuità temporale
• interpretazione contestuale
• valutazione probabilistica
• capacità di lasciare aperte ipotesi
Molto del valore clinico del medico di medicina generale deriva proprio dalla capacità di:
• non chiudere troppo presto una diagnosi
• capire cosa è rilevante
• gestire il “non ancora chiaro”
• riconoscere evoluzioni temporali
Sono competenze difficilmente sostituibili da output immediati. Gli autori ipotizzano che l’AI possa modificare il concetto stesso di expertise medica.
Tradizionalmente il medico:
• raccoglie dati
• costruisce ipotesi
• integra informazioni
• formula interpretazioni
• assume responsabilità del ragionamento
In un modello AI-centrico il rischio è che il medico diventi progressivamente:
• validatore di output
• supervisore di sistemi
• raffinatore di suggerimenti algoritmici
Questo non significa necessariamente una riduzione del ruolo medico. Ma potrebbe trasformarne profondamente natura e formazione.
L’articolo non si limita a descrivere rischi. Propone un framework concreto.
Fase 1: competenza fondamentale AI-free
Nelle fasi iniziali della formazione gli studenti dovrebbero sviluppare ragionamento clinico indipendente senza supporto AI.
Fase 2: integrazione guidata
Solo dopo aver costruito basi solide l’AI viene introdotta come strumento educativo supervisionato.
In questa fase gli studenti dovrebbero:
• analizzare errori AI
• riconoscere bias
• discutere limiti
• confrontare approcci
• imparare quando non fidarsi
L’AI dovrebbe funzionare più come tutor socratico che come distributore automatico di risposte.
Fase 3: collaborazione integrata
Successivamente si passa a una collaborazione uomo-macchina nella pratica clinica reale.
Ma il punto chiave è che:
prima viene il ragionamento indipendente,
poi arriva la collaborazione con AI. Secondo gli autori l’ordine è cruciale.
L’articolo di Nature Medicine suggerisce che il futuro della medicina potrebbe dipendere meno dalla potenza dell’intelligenza artificiale e più dalla capacità di preservare il processo cognitivo che rende possibile il ragionamento clinico umano.
https://www.nature.com/articles/s41591-026-04438-y.epdf?sharing_token=cl_yjnjshnNPkPVLXXNyOtRgN0jAjWel9jnR3ZoTv0M-R7Z2fqSSV9K-eBwkiUuHE27tqdUQzSOB2DvNxXFO9g3bOQHweUDhrn32j1TQPF6VWZ-K9MPe013HaJ8s6BKiLuvk9RKnI2GXYTMNsuZgiE0g0ZvL3bVlCSRvByNF44k%3D&utm_id=97757_v0_s00_e231_tv2_tp1_a1demo0e6byzhq&fbclid=IwVERFWASC13NleHRuA2FlbQIxMQBzcnRjBmFwcF9pZAo2NjI4NTY4Mzc5AAEeCEVQ77w93qgQNmONcP550XMC6GQQvpjxrkq_1ax1HESefhRhEt92y3vrjnA_aem_jZ08O9KCm9uBqL4GX-Yh2w
