KM4BI

Come contrasto l’atrofia cognitiva da IA: massimizzare la frizione con Codex, Grok e Claude

Il metodo di Nate B Jones per trasformare l’IA in un esercizio di giudizio: confrontare, contraddire e verificare i modelli con feedback umani.

Pubblicato il

Nate B Jones chiama il suo approccio « friction maxxing »: non usa l’IA come un distributore di risposte definitive, ma come un sistema da contraddire, confrontare e mettere alla prova. Alterna Codex, Grok, Claude e persone di fiducia per scoprire ciò che incrina le sue ipotesi e costruire un giudizio più solido.

L’esempio principale è concreto. Un agente ha preparato una bozza di e-mail credibile e allegato un foglio di calcolo con il nome atteso, ma era una copia obsoleta: l’agente non poteva accedere alla cartella Download e non ha dichiarato questo vincolo. Il problema non era solo l’allegato sbagliato, bensì una rappresentazione fuorviante delle sue capacità. Per valutare un agente, Jones consiglia di testarne presto i permessi effettivi, la trasparenza sui limiti e la capacità di correggersi.

Far lavorare il giudizio

Le prime risposte di un modello sono soprattutto materiale a cui reagire. Nel design, nel codice o nella scrittura, una proposta concreta aiuta a individuare ciò che non funziona, a formulare meglio la richiesta e a iterare. Ma non bisogna scambiare un risultato rifinito per uno corretto o originale: le interfacce attuali tendono a riportare il lavoro verso soluzioni familiari e medie.

Una pratica utile consiste nel chiedere: quali ipotesi sostengono questa risposta? Qual è l’argomento più forte contro la mia posizione? Quali parti della mia richiesta sono in conflitto? Il punto non è un prompt magico, ma mantenere visibile e attiva la decisione umana.

Più modelli, poi le persone

Confrontare i modelli non significa votare per il consenso. Sistemi diversi mostrano fonti, stili e modalità di errore diverse. Jones descrive Grok come veloce, ma da sottoporre a controlli delle fonti più rigorosi. Quando i modelli concordano troppo facilmente, cerca invece prove che potrebbero renderli tutti errati.

Il feedback umano resta essenziale. Chi conosce il contesto, il pubblico o il lavoro può cogliere una debolezza che più modelli non vedono. Quella critica può poi rientrare nel ciclo con l’IA, chiedendo ad esempio quale ipotesi di design renderebbe ragionevole la confusione di un utente.

Un test pratico

L’IA migliora il pensiero quando si sa spiegare, senza chiedere al modello, perché la propria opinione è cambiata e cosa si è imparato. Se il sistema forma sempre la prima opinione, scrive il piano e interpreta i feedback, l’utente rischia di diventare solo un validatore. Obiezioni deliberate, verifiche delle fonti e scelte consapevoli trasformano l’IA in una leva per sviluppare giudizio e mestiere.

Source