Negli ultimi anni, l’intelligenza artificiale ha smesso di limitarsi a rispondere e ha iniziato ad anticipare. Suggerisce parole mentre scriviamo, completa frasi, prevede headline, consiglia contenuti prima ancora che li cerchiamo. Questa trasformazione non riguarda solo la tecnologia, ma tocca un livello molto più profondo: il modo in cui il cervello umano elabora l’informazione.
Dal punto di vista neuroscientifico, la comunicazione predittiva dialoga con uno dei modelli più influenti delle scienze cognitive contemporanee: il predictive coding. Comprendere questa teoria significa capire perché l’AI ci appare così naturale e, allo stesso tempo, perché rischia di ridurre sorpresa, attenzione e memorabilità.
Il cervello come macchina di previsione
Per molto tempo il cervello è stato descritto come un sistema reattivo: riceve stimoli, li elabora e produce risposte. Negli ultimi vent’anni questo assunto è stato progressivamente sostituito dal concetto di modello predittivo.
Nel 2010, il neuroscienziato britannico Karl Friston, tra i ricercatori più citati al mondo nelle neuroscienze, ha formalizzato il cosiddetto free-energy principle su Nature Reviews Neuroscience. Secondo Friston, il cervello costruisce costantemente modelli interni della realtà e li utilizza per anticipare ciò che sta per accadere. Gli stimoli sensoriali non vengono semplicemente registrati: vengono confrontati con previsioni già formulate.
Quando la previsione è corretta, l’attività neurale si mantiene stabile. Quando invece emerge una discrepanza tra ciò che il cervello si aspettava e ciò che accade realmente, si genera un errore di previsione. È questo errore che costringe il sistema cerebrale ad aggiornare i propri modelli.
Nel 2013, il filosofo e scienziato cognitivo Andy Clark, nel suo articolo “Whatever next?” pubblicato su Behavioral and Brain Sciences, ha sintetizzato efficacemente questa prospettiva: il cervello non registra passivamente il mondo, ma lo anticipa continuamente, cercando di minimizzare la sorpresa.
In altre parole: il cervello è progettato per ridurre l’imprevedibilità.
Sorpresa, dopamina e apprendimento
Il concetto di errore di previsione non è solo teorico. Ha una base neurobiologica molto precisa.
Nel 1997, il neuroscienziato tedesco Wolfram Schultz, insieme a Peter Dayan e Peter Montague, pubblica su Science uno studio destinato a cambiare la comprensione del sistema dopaminergico. Registrando l’attività dei neuroni dopaminergici nei primati, il team dimostra che la dopamina non segnala semplicemente il piacere, ma la differenza tra ricompensa attesa e ricompensa ottenuta.
Quando una ricompensa arriva in modo inatteso, l’attività dopaminergica aumenta. Quando è perfettamente prevista, la risposta si attenua. Quando una ricompensa attesa non arriva, l’attività diminuisce. Questo meccanismo prende il nome di reward prediction error.
La sorpresa, quindi, non è un elemento estetico della comunicazione: è un segnale biologico che guida apprendimento e motivazione.
A conferma di questo legame tra dopamina e memoria, nel 2010 la neuroscienziata americana Daphna Shohamy, insieme alla collega Alison Adcock, pubblica su Trends in Cognitive Sciences una revisione che mostra come l’attivazione dopaminergica faciliti il consolidamento mnemonico, in particolare quando l’informazione è saliente o inattesa.
Senza errore di previsione, il cervello non ha motivo di aggiornarsi. Senza sorpresa, l’apprendimento si riduce.
L’AI come sistema di riduzione dell’errore
I modelli di linguaggio generativi funzionano, per definizione, in modo predittivo: stimano quale parola abbia la probabilità più alta di comparire in un determinato contesto, sulla base di enormi quantità di dati precedentemente elaborati.
Dal punto di vista cognitivo, questo produce un effetto molto preciso: riduce l’errore di previsione. I contenuti generati dall’AI sono coerenti, fluidi, statisticamente plausibili. Raramente deviano in modo significativo dalle aspettative linguistiche.
Questo spiega perché molti testi AI vengano percepiti come:
- corretti,
- chiari,
- ben strutturati, ma allo stesso tempo:
- prevedibili,
- poco sorprendenti,
- difficilmente memorabili.
Non si tratta di una questione stilistica. È una conseguenza diretta della loro architettura probabilistica.
Attenzione e novità: il ruolo dell’incongruenza
Una dimostrazione sperimentale solida del legame tra sorpresa e attenzione arriva dallo studio del 2009 di Laurent Itti e Pierre Baldi, ricercatori dell’University of Southern California, pubblicato su PLoS ONE. Nel lavoro intitolato Bayesian surprise attracts human attention, i due autori mostrano che gli stimoli che producono la maggiore “sorpresa bayesiana” — cioè la maggiore discrepanza tra ciò che il sistema si aspetta e ciò che effettivamente accade — sono quelli che catturano più rapidamente e più a lungo l’attenzione visiva. Non è la semplice novità a contare, ma l’errore di previsione rispetto al modello interno.
Quando una comunicazione è eccessivamente lineare e prevedibile, il sistema nervoso tende quindi a ridurre l’investimento attentivo. Se tutto procede come atteso, l’errore di previsione è minimo e non si attivano meccanismi significativi di aggiornamento cognitivo.
In questo senso, la comunicazione predittiva rischia di diventare cognitivamente efficiente, ma attentivamente debole: ottimizza la fluidità, ma riduce quella discrepanza che, come mostrano i dati sperimentali, è alla base dell’ingaggio neurale.
Dalla persuasione all’anticipazione
Tradizionalmente, la comunicazione cerca di persuadere attraverso argomentazioni, emozioni, elementi narrativi capaci di spostare le aspettative.
La comunicazione predittiva fa qualcosa di diverso: anticipa il messaggio prima ancora che venga formulato. Suggerisce cosa scrivere, cosa leggere, cosa cliccare. Riduce l’attrito decisionale e automatizza il comportamento.
Questo fenomeno è coerente con ciò che sappiamo sugli automatismi comportamentali. La psicologa americana Wendy Wood, in uno studio del 2002 pubblicato sul Journal of Personality and Social Psychology, ha mostrato che una larga parte dei comportamenti quotidiani è guidata da abitudini attivate dal contesto, più che da decisioni deliberate.
Quando l’AI anticipa costantemente le nostre scelte comunicative, il rischio non è la manipolazione evidente, ma la progressiva trasformazione del messaggio in routine.
Implicazioni per il marketing
Nel neuromarketing emerge un paradosso. L’ottimizzazione predittiva aumenta l’efficienza e la coerenza del messaggio, ma può ridurre l’errore di previsione necessario per attivare dopamina, coinvolgimento, attenzione e memoria.
Un contenuto perfettamente allineato alle aspettative cognitive rischia di non lasciare traccia. Perché il cervello apprende quando si sbaglia, non quando un concetto viene semplicemente confermato.
Il cervello umano ama prevedere, ma ha bisogno di sorpresa per evolversi. L’AI, anticipando il messaggio prima che venga formulato, si inserisce perfettamente nella logica predittiva del sistema nervoso. Proprio per questo può renderci più efficienti, ma meno coinvolti.
In un ecosistema comunicativo sempre più ottimizzato, la vera differenza non sarà chi anticipa meglio, ma chi saprà reintrodurre l’errore giusto. Perché è nell’imprevisto che il cervello si attiva davvero.
Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138.
Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181–204.
Schultz, W., Dayan, P., & Montague, P. R. (1997). A neural substrate of prediction and reward. Science, 275(5306), 1593–1599.
Shohamy, D., & Adcock, R. A. (2010). Dopamine and adaptive memory. Trends in Cognitive Sciences, 14(10), 464–472.
Itti, L., & Baldi, P. (2009). Bayesian surprise attracts human attention. PLoS ONE, 4(3), e4443.
Comments by gabrischettino