IA: Opportunità o Minaccia? Un Confronto Generazionale

Studi recenti si sono concentrati sull’AI literacy degli anziani (Kaur & Chen, 2023) e sull’atteggiamento generale verso l’Intelligenza Artificiale (Kowalski et al., 2019; Beaney, Singh Kalirai & Chambers, 2020; Bonilla & Martin-Hammond, 2020; Shandilya & Fan, 2022).

Come le diverse generazioni vedono l’IA

Ricerche come quella di Zhengkun et al. (2025) indicano che l’accettazione dell’AI da parte degli anziani non dipende unicamente dalla facilità d’uso e dalle funzionalità, ma anche dall’esperienza di servizio, dal supporto emotivo e dalle reti sociali. Il fornire formazione e assistenza personalizzate risulta essenziale per migliorare l’adozione delle tecnologie AI in questa fascia demografica.

Inoltre, vari studi hanno analizzato le differenze di utilizzo (Isbanner et al., 2022; Gnambs et al., 2025) e atteggiamento (Watts, Holder & Vikram, 2018; Zhang & Dafoe, 2019; Alruwaili et al., 2024) nei confronti dell’AI tra diverse generazioni.

La ricerca “Hesitant & Hopeful: How Different Generations View Artificial Intelligence”, condotta dalla società Barna nel 2023 e pubblicata nel 2024, su 1.500 adulti statunitensi ha rivelato differenze generazionali significative. Gen Z e Millennials mostrano principalmente curiosità e fiducia, mentre Gen X e Boomers esprimono scetticismo e sfiducia.

Le generazioni differiscono anche nell’urgenza percepita riguardo all’integrazione dell’AI nella vita quotidiana: il 50% della Gen Z percepisce tale urgenza, rispetto al 14% dei Boomers. I Boomers, inoltre, sono la generazione più incline a segnalare incomprensione dell’AI, suggerendo un duplice divario di comprensione e fiducia rispetto alle coorti più giovani.

Lo scetticismo caratterizza le generazioni più anziane, mentre l’entusiasmo è predominante tra i giovani (Alabbad et al., 2025). La Generazione Z e i Millennials apprezzano i sistemi AI emotivamente reattivi, mentre gli adulti più anziani tendono a privilegiare prevedibilità e minor ambiguità (Nguyen & Connolly, 2025). La Generazione Z manifesta maggiore comfort e minore riluttanza nei confronti dell’AI, considerandola uno strumento per la produttività e l’innovazione, grazie a un’esposizione precoce agli ambienti digitali (Baki & Yusri, 2024).

Queste differenze emergono chiaramente nello studio di Chan & Lee (2023), che confronta studenti della Gen Z e insegnanti della Gen X o Boomers sui temi dell’AI generativa. Gli insegnanti mostrano maggiore scetticismo riguardo alle capacità della GenAI in ambito educativo e preoccupazioni per i rischi che essa comporta per l’apprendimento e i risultati accademici degli studenti. Gli insegnanti sono cauti verso i risultati della GenAI, concordando sulla necessità di convalidare le informazioni generate da tali tecnologie. La divergenza risulta pronunciata nell’uso della GenAI per i compiti scolastici.

Entrambi i gruppi generazionali esprimono preoccupazioni sulla privacy (Racine et al., 2024), ma divergono rispetto all’integrazione professionale. Gli anziani manifestano maggiore preoccupazione per l’utilizzo dell’AI nelle professioni e tendono a preferire pratiche più tradizionali, riflettendo una riluttanza ad abbracciare tali progressi. Questa percezione di minaccia richiede una comprensione approfondita di come i timori legati all’identità interagiscano con l’accettazione dell’AI (Jussupow et al., 2022). Le persone anziane spesso menzionano preoccupazioni etiche, uso improprio dei dati e perdita di posti di lavoro (Nguyen, 2024; Al-Omari et al., 2025).

Gli adulti anziani, contestati come resistenti alla tecnologia, si impegnano attivamente con l’AI quando questa soddisfa le loro esigenze di analisi e funzionalità (Sell et al., 2025). Lo studio di Ost Mor, Wittenberg e Birati (2024), pur focalizzandosi sugli over 60, conferma che l’età è una principale determinante dell’atteggiamento verso l’AI, evidenziando una correlazione significativa tra un’attitudine positiva alla vita e la percezione di utilizzo dell’AI.

Un’eccezione importante emerge dallo studio di Cinalioglu et al. (2022) in ambito sanitario: gli over 55 mostrano un comfort maggiore rispetto all’uso dell’AI per decisioni mediche, medicina di precisione e tracciamento epidemico, ma manifestano meno comfort nell’accesso ai propri dati sanitari da parte dell’AI. Questo suggerisce che la percezione di utilità dell’AI possa modificare radicalmente l’atteggiamento.

Zubair, Hashmat e Aimen (2025), attraverso una revisione sistematica basata su linee guida PRISMA di 32 articoli peer-reviewed pubblicati tra il 2020 e il 2025, identificano variabili psicologiche, culturali e contestuali che influenzano l’adozione dell’AI. Utilizzando la teoria degli usi e gratificazioni (UGT) come framework teorico, lo studio rivela divisioni generazionali marcate.

La Generazione Z dimostra maggiore fiducia e utilizzo di strumenti AI come ChatGPT per gratificazioni cognitive e sociali, quali apprendimento e produttività. Le conclusioni specifiche del modello UGT indicano che la Gen Z prioritizza gratificazioni cognitive e affettive, concentrandosi sull’AI per produttività e coinvolgimento; la Generazione X bilancia gratificazioni cognitive e sociali, mentre gli adulti anziani attribuiscono grande importanza a gratificazioni personali e sociali e percepiscono rischi in relazione a equità e sicurezza.

Il modello SAMR

La complessità del panorama attuale richiede framework interpretativi in grado di catturare l’evoluzione dell’atteggiamento verso l’AI in relazione ai vari livelli di integrazione tecnologica (Stein et al., 2024). Le ricerche esistenti si limitano prevalentemente a misurazioni dicotomiche (accettazione/rifiuto) o scale lineari di atteggiamento, senza cogliere le sfumature processuali dell’adozione tecnologica. La letteratura evidenzia l’esigenza di modelli multidimensionali per identificare i diversi pattern di approccio all’AI.

Il modello SAMR (Substitution, Augmentation, Modification, Redefinition), sviluppato da Ruben Puentedura nel 2006 e formalizzato nel 2010, rappresenta un framework gerarchico concepito per l’integrazione tecnologica in ambito educativo (Puentedura, 2010). Il modello delinea quattro livelli progressivi di utilizzo della tecnologia che influenzano i processi di insegnamento e apprendimento.

• Substitution (Sostituzione): sostituzione diretta degli strumenti tradizionali con tecnologie digitali senza modifiche funzionali sostanziali, come la sostituzione di una macchina da scrivere con un word processor.
• Augmentation (Aumento): introduzione di miglioramenti funzionali ai metodi tradizionali attraverso funzionalità aggiuntive che incrementano l’efficienza, come spell-check e formatting automatico nel word processing.
• Modification (Modifica): trasformazioni significative delle attività che alterano sostanzialmente i processi operativi, come l’impiego di strumenti collaborativi online.
• Redefinition (Ridefinizione): reinvenzione completa delle esperienze, abilitate da attività precedentemente inconcepibili, come la creazione di contenuti multimediali interattivi (Boateng & Kalonde, 2024; Uke et al., 2024; Lestari & Munir, 2022).

Il modello SAMR offre caratteristiche metodologiche rilevanti per studiare gli atteggiamenti verso l’AI. La struttura gerarchica implica una progressione qualitativa che va dalla semplice sostituzione alla trasformazione radicale dei processi. Questa progressione riflette diversi framework epistemologici nel concepire il rapporto uomo-tecnologia, dai livelli di “Enhancement” (Substitution e Augmentation) a quelli di “Transformation” (Modification e Redefinition). La distinzione tra Enhancement e Transformation risulta pertinente nell’analisi degli atteggiamenti generazionali verso l’AI, riflettendo concezioni differenti del ruolo della tecnologia nell’esperienza umana.

L’applicazione del modello SAMR al dominio degli atteggiamenti verso l’AI richiede una ricontestualizzazione teorica significativa. Questo approccio permette di operazionalizzare quattro approcci all’AI nel contesto lavorativo:

• Approccio sostitutivo: percezione dell’AI come rimpiazzo diretto di specifiche funzioni umane;
• Approccio aumentativo: dove l’AI potenzia capacità esistenti senza alterare i processi fondamentali;
• Approccio modificativo: dove l’AI trasforma significativamente le modalità operative;
• Approccio ridefinitivo: dove l’AI permette nuove forme di attività precedentemente inimmaginabili.

Questa ricontestualizzazione del modello SAMR come sistema di categorizzazione attitudinale offre vantaggi metodologici rilevanti. La struttura gerarchica fornisce un continuum interpretativo che supera le limitazioni delle scale dicotomiche, consentendo di catturare sfumature qualitative nell’orientamento verso l’AI. L’operazionalizzazione attraverso i quattro livelli SAMR permette di codificare sistematicamente le rappresentazioni soggettive emergenti dalle interviste qualitative, facilitando analisi comparative tra gruppi generazionali.

L’ipotesi centrale della ricerca suggerisce che i quattro livelli del modello SAMR possano sintetizzare efficacemente l’atteggiamento verso l’AI, identificando pattern generazionali distintivi. Si prevede che le generazioni anziane si concentrino principalmente sui livelli Enhancement (Substitution e Augmentation), rappresentando un approccio conservativo, mentre le generazioni giovani privilegino i livelli Transformation (Modification e Redefinition), indicando una propensione alla riconfigurazione radicale delle pratiche lavorative e cognitive attraverso l’AI.

Obiettivo della ricerca: analizzare il divario generazionale nell’atteggiamento verso l’IA

La presente ricerca si propone di analizzare il divario generazionale nell’atteggiamento verso l’intelligenza artificiale nel contesto lavorativo, usando il modello SAMR come framework interpretativo per identificare pattern qualitativi di integrazione tecnologica. L’obiettivo principale è mappare le rappresentazioni soggettive dell’AI attraverso i quattro livelli gerarchici del modello SAMR (Substitution, Augmentation, Modification, Redefinition) e caratterizzare gli orientamenti generazionali prevalenti.

Lo studio adotta una prospettiva fenomenologico-interpretativa per esplorare come diverse coorti generazionali (under 25 vs. over 50) concepiscono la relazione uomo-AI nei processi lavorativi, focalizzandosi su fiducia, controllo, identità professionale e percezione dei rischi etici. La ricerca mira a superare le dicotomie di atteggiamento verso l’AI (Zhang & Dafoe, 2019; Gnambs et al., 2025) attraverso un processo di categorizzazione multidimensionale.

Domande di ricerca

Domanda principale: Qual è la distribuzione dei gruppi generazionali (under 25 vs. over 50) attraverso i quattro livelli del modello SAMR nell’atteggiamento verso l’intelligenza artificiale, e quali pattern linguistici e concettuali caratterizzano gli approcci Enhancement versus Transformation?

Domanda secondaria: Quali caratteristiche individuali e contestuali permettono ad alcuni partecipanti di trascendere i pattern generazionali prevalenti, suggerendo fattori di mediazione del divario tecnologico?

L’approccio esplorativo permette di generare insight teorici senza pretese di generalizzazione statistica, contribuendo allo sviluppo di framework concettuali per future ricerche quantitative e interventi formativi differenziati per generazione.

Metodologia della ricerca

La ricerca utilizza un disegno qualitativo di tipo fenomenologico-interpretativo, focalizzato sull’esplorazione delle rappresentazioni soggettive e dei significati attribuiti all’AI dai diversi gruppi generazionali. L’approccio metodologico si basa sui principi della Grounded Theory (Strauss & Corbin, 1998) per la generazione di categorie teoriche e l’analisi qualitativa del contenuto (Mayring, 2014).

Il framework teorico di riferimento integra il Technology Acceptance Model (TAM) di Davis (1986), che analizza i fattori cognitivi dell’accettazione tecnologica, e la Uses and Gratification Theory (UGT) di Katz et al. (1973), che esamina le motivazioni d’uso e le gratificazioni ricercate dagli utenti. Il modello SAMR viene utilizzato come sistema di codifica per operazionalizzare i diversi livelli di integrazione tecnologica e categorizzare gli atteggiamenti verso l’AI.

Partecipanti

Lo studio applica una strategia di campionamento ragionato (purposive sampling) stratificato per età, abbinato a selezione a valanga (snowball sampling) per garantire diversità di background professionali ed esperienze. La stratificazione generazionale mira a massimizzare il contrasto teorico tra coorti con differente esposizione alle tecnologie digitali.

Il campione finale è composto da 38 partecipanti, equamente distribuiti per genere e bilanciati tra i due gruppi generazionali obiettivo. La composizione professionale del campione comprende studenti, dipendenti, liberi professionisti e pensionati.

I due gruppi generazionali presentano le seguenti caratteristiche demografiche:

• Gruppo Under 25: 18 partecipanti con età media di 21.83 anni.
• Gruppo Over 50: 20 partecipanti con età media di 60.05 anni.

Strumenti

È stato sviluppato un protocollo di intervista semi-strutturata della durata di 45-55 minuti, articolato in quattro sezioni tematiche principali:

1. Rappresentazioni mentali dell’AI: associazioni spontanee e definizioni personali dell’intelligenza artificiale.
2. Esperienze d’uso concrete: esplorazione dell’uso quotidiano e professionale dell’AI.
3. Percezione di benefici e rischi: valutazione critica delle opportunità e delle minacce associate all’AI.
4. Scenari futuri: reazioni a tre scenari lavorativi standardizzati per valutare l’orientamento verso l’implementazione dell’AI.

La selezione degli scenari è stata guidata da criteri di rilevanza, diversificazione settoriale e capacità di evocare reazioni positive e negative.

Analisi dei dati

Per garantire l’affidabilità della codifica secondo il modello SAMR, è stato implementato un sistema di valutazione multi-giudice con esperti indipendenti. La codifica indipendente ha raggiunto un accordo inter-rater sostanziale.

L’analisi delle trascrizioni ha seguito un approccio induttivo, identificando pattern tematici ricorrenti. L’analisi quantitativa ha utilizzato test statistici appropriati.

Risultati

L’analisi dei dati ha rivelato pattern distintivi tra i due gruppi generazionali, evidenziando differenze significative nella distribuzione attraverso i livelli del modello SAMR e nelle rappresentazioni cognitive dell’AI.

Distribuzione dei livelli SAMR

L’analisi quantitativa ha evidenziato una chiara tendenza dei gruppi generazionali a concentrarsi su diversi segmenti della gerarchia SAMR.

Il gruppo Over 50 si concentra prevalentemente sui livelli di Substitution e Augmentation. Una percentuale significativa emerge nel livello Modification, mentre nessun partecipante over 50 raggiunge il livello Redefinition.

Il gruppo Under 25 presenta una distribuzione differente, con una prevalenza nei livelli trasformativi di Modification e Redefinition, indicando una maggiore eterogeneità intra-generazionale rispetto all’ipotesi iniziale.

Un’analisi statistica ha confermato l’associazione significativa tra età e livello di adozione dell’AI, suggerendo l’influenza di fattori mediatori oltre l’età stessa.

Analisi testuale e pattern linguistici

L’analisi testuale ha svelato pattern lessicali ricorrenti che riflettono framework epistemologici divergenti nella concezione dell’AI.

Analisi tematica

Sei temi principali hanno delineato il divario generazionale nell’atteggiamento verso l’AI, articolati attraverso una codifica iterativa.

Paura della sostituzione versus ricerca del potenziamento

Il primo tema evidenzia concezioni divergenti del ruolo dell’AI nei processi lavorativi. Per molti Over 50, l’AI è percepita come una minaccia al proprio ruolo professionale. Tuttavia, figure “ponte” emergono anche in questo gruppo, rivelando una possibilità di integrazione.

Per la maggioranza degli Under 25, il paradigma dominante è quello dell’integrazione e del potenziamento cognitivo, dove l’AI è considerata un super assistente.

Valore dell’esperienza e dell’imperfezione umana

Questo tema mostra differenze nella percezione del valore dell’esperienza. Gli Over 50 tendono a valorizzare l’esperienza umana, mentre i giovani sono più focalizzati sul risultato finale e sulla capacità dell’AI di generare nuove possibilità creative.

Trasformazione del processo versus sostituzione del compito

Le differenze nella concezione dell’integrazione dell’AI sono marcate, con la maggioranza degli Over 50 descrivendo l’uso dell’AI in termini di sostituzione di compiti, mentre gli Under 25 vedono l’AI come una trasformazione del processo cognitivo.

Ruolo della fiducia e del controllo

Nei partecipanti più anziani, la fiducia nell’AI è generalmente bassa. Al contrario, i giovani mostrano un approccio più pragmatico e un utilizzo consapevole dell’AI nella loro vita quotidiana.

Implicazioni sociali ed etiche

Entrambi i gruppi sono consapevoli dei rischi etici dell’AI, ma con priorità differenti. Gli Over 50 si concentrano principalmente sulla perdita di competenze, mentre i giovani si preoccupano di bias e omologazione culturale.

Ridefinizione dell’identità professionale

Il sesto tema mette in luce le differenze nella rinegoziazione dell’identità professionale. Gli Over 50 vedono l’AI come una minaccia all’identità professionale, mentre per i giovani, l’AI è un elemento costitutivo della loro identità emergente.

Le conclusioni della ricerca suggeriscono che il divario generazionale nell’atteggiamento verso l’AI non si limita a semplici differenze di competenze digitali, ma riflette differenze fondamentali nel concepire la natura dell’AI e dell’identità nell’era delle macchine “pensanti”.

Limiti e sviluppi

Il disegno della ricerca presenta limiti riguardanti la generalizzabilità dei risultati e la raccolta dati, richiedendo ulteriori studi per esplorare la complessità delle rappresentazioni soggettive e dei cambiamenti temporali negli atteggiamenti verso l’AI.