Large Language Models e dipendenza digitale: una nuova abitudine?
Negli ultimi anni i Large Language Models stanno diventando una presenza costante nella vita quotidiana di milioni di persone. Non solo strumenti di supporto, ma vere e proprie abitudini digitali.
Questo solleva una domanda sempre più attuale: gli LLM possono creare dipendenza?
Per rispondere, possiamo usare una lente potente: l’Hook Model di Nir Eyal, lo stesso utilizzato per analizzare social network e piattaforme digitali.
Dipendenza digitale e piattaforme: il modello trigger–azione–ricompensa
Molte piattaforme digitali, dai social network ai videogiochi, dalle app mobile ai servizi di streaming, progettano l’esperienza utente seguendo una logica precisa: quella dei cicli di trigger–azione–ricompensa.
In pratica, l’utente riceve uno stimolo (trigger) sotto forma di notifica, suggerimento, nuovo contenuto ed è portato a compiere un’azione, aprire un app, scorrere un feed, guardare un nuovo episodio e ottiene una ricompensa variabile, un like, dei commenti, dei contenuti più o meno interessanti. La ripetizione nel tempo di questi comportamenti crea abitudini stabili, riducendo la necessità di ricorrere, da parte delle aziende, a un marketing esterno aggressivo, è il prodotto stesso che “richiama” l’utente e lo porta a tornare spontaneamente.
Cos’è l’Hook Model di Nir Eyal e come funziona
L’Hook Model, reso popolare dal libro Hooked di Nir Eyal, è uno dei modelli più citati per descrivere questo processo ed è articolato in quattro fasi.
Trigger: dagli stimoli esterni a quelli interni
La prima fase è il trigger, ovvero lo stimolo che avvia il comportamento, all’inizio si tratta quasi sempre di segnali esterni: notifiche push, email, badge sulle icone delle app, messaggi di reminder. Sono elementi visibili che richiamano l’attenzione e invitano all’azione. Tuttavia, secondo Eyal, l’obiettivo è spostare progressivamente il controllo verso trigger interni: emozioni, stati mentali, momenti di noia, bisogno di connessione o di distrazione. Una volta raggiunto l’obiettivo l’utente aprirà l’app non perché riceve una notifica, ma perché si sente annoiato o vuole “vedere cosa c’è di nuovo”, allora l’app è diventata parte della sua routine.
Azione: ridurre la frizione
La seconda fase è l’azione ovvero un comportamento minimo in attesa di una ricompensa. Può essere un semplice tap sullo schermo, uno scroll del feed, l’apertura di una storia o di una chat. L’azione deve essere semplice, immediata, con il minor livello possibile di “frizione”. Più è facile compierla, più è probabile che venga ripetuta.
Ricompensa variabile: il cuore dell’engagement
Il cuore del modello è la ricompensa variabile. Le ricompense più efficaci sono quelle imprevedibili, nuovi contenuti, like inattesi, notifiche sociali, aggiornamenti sorprendenti: l’utente non sa esattamente cosa troverà, ma spera che possa esserci qualcosa di interessante. Questa variabilità alimenta il desiderio e mantiene attivo il ciclo, rendendo il ritorno un comportamento quasi automatico.
Investimento: perché torniamo
L’ultima fase è l’investimento. L’utente contribuisce attivamente al sistema, crea contenuti, segue altre persone, salva preferenze, personalizza l’ambiente, fornisce dati. L’investimento aumenta il valore percepito del prodotto, perché ciò che è stato personalizzato diventa “proprio”, rendendo quindi più probabile il ritorno anche in questo caso.
LLM e abitudini digitali: quando l’Intelligenza Artificiale diventa routine
Nell’uso quotidiano degli LLM possiamo riconoscere una dinamica di trigger, simile a quella descritta dall’Hook Model.
Trigger e azione nell’uso quotidiano degli LLM
All’inizio, gli stimoli sono soprattutto esterni, il pulsante “Ask AI” o l’opzione “riassumi questo documento” nelle interfacce utente, il suggerimento “spiega questo codice”, oppure le notifiche che annunciano nuove funzionalità disponibili, sono segnali progettati per attirare l’attenzione e invitare all’interazione, spesso inseriti direttamente nel flusso di lavoro dell’utente. Con il tempo il meccanismo può spostarsi su trigger interni come l’ansia per una consegna imminente, la curiosità su un argomento appena incontrato, la frustrazione davanti a un errore nel codice, il bisogno di conferma o persino la solitudine.
Il passaggio chiave avviene quando l’utente interiorizza un’abitudine come ad esempio “non capisco qualcosa, apro l’LLM”, a quel punto l’LLM diventa la prima risorsa consultata, in modo analogo a quanto già accaduto con i motori di ricerca o con alcune piattaforme social.
L’azione, nel contesto degli LLM, corrisponde a quell’insieme di comportamenti necessari per ottenere una risposta: aprire l’interfaccia, digitare o incollare un prompt, premere “invio”. Il design delle interfacce tende a rendere questa azione sempre più fluida, autocompletamento dei prompt, template preimpostati, risposte che invitano a continuare la conversazione, tutto contribuisce a ridurre la frizione. In alcuni ambienti di sviluppo con AI integrata, l’azione si avvicina allo zero click, il completamento del codice appare automaticamente e basta premere “tab” per accettarlo, in questo modo l’abitudine si incorpora quasi nel ritmo stesso del lavoro.
La ricompensa variabile nelle risposte dell’AI
Uno degli elementi più interessanti nell’analizzare gli LLM attraverso la lente dell’Hook Model è la natura intrinsecamente variabile delle loro risposte. Non tutte le interazioni producono lo stesso risultato: alcune risposte sono banali o prevedibili, altre invece risultano sorprendentemente utili, creative e in alcuni casi persino brillanti. Questa imprevedibilità funziona come una ricompensa variabile, mantenendo viva l’aspettativa e rendendo il ciclo potenzialmente “hooking”.
Investimento hard e soft nei sistemi di AI generativa
L’ultima fase del ciclo riguarda l’investimento che l’utente compie nel sistema, nel caso degli LLM possiamo distinguere tra forme di investimento “hard” e “soft”.
L’investimento hard include scelte come sottoscrivere un abbonamento, importare documenti personali, costruire workflow complessi, integrare l’LLM nel proprio flusso di lavoro, trasformando il modello in una componente stabile del proprio processo produttivo.
L’investimento soft è più sottile come scrivere istruzioni personalizzate, affinare progressivamente i prompt, abituarsi a uno stile di interazione specifico, con il tempo l’LLM appare “tarato” sul proprio modo di lavorare o di pensare.
AI addiction e design etico: rischi e responsabilità
Quando i quattro elementi del ciclo sono pienamente ottimizzati, l’LLM rischia di diventare da supporto occasionale a compagno abituale, l’accesso immediato, le risposte personalizzate e la gratificazione variabile possono favorire fenomeni di eccessivo affidamento. La delega cognitiva diventa sistematica: si consulta il modello non solo per problemi complessi, ma per ogni minima incertezza. In alcuni casi, soprattutto nelle interazioni più conversazionali, può emergere anche una forma di sostituzione parziale delle relazioni sociali, con un possibile aumento dell’isolamento.
Per questo diventa centrale il tema del design etico, senza demonizzare la tecnologia, ma riconoscendo che ogni sistema progettato per entrare nelle abitudini quotidiane comporta delle responsabilità.
In un panorama in cui gli LLM si stanno configurando sempre più come infrastruttura cognitiva diffusa, comprendere i meccanismi che ne sostengono l’adozione non è solo un esercizio teorico ma dovrebbe essere una condizione necessaria per orientarne lo sviluppo in modo responsabile e la lettura attraverso la lente dell’Hook Model vuole essere un contributo in questo senso.
Bibliografia
Nir Eyal,Creare prodotti e servizi per catturare i clienti (Hooked), trad. di V. B. Sala, Edizioni LSWR, collana “Modelli di business”, Milano, 2015.
Lance Eliot, “Is Generative AI Pushing People Toward Addictions?”, Forbes.
https://www.forbes.com/sites/lanceeliot/2025/03/15/is-generative-ai-pushing-people-toward-addictions/
Lance Eliot, “Being Addicted to Generative AI”, Forbes.
https://www.forbes.com/sites/lanceeliot/2024/08/24/being-addicted-to-generative-ai/