Articolo di Maurizio Garutti
1. Il fenomeno e la sua rilevanza
L’interazione con chatbot conversazionali e relazionali basati su intelligenza artificiale — sistemi come ChatGPT, Claude, Copilot, Replika e Character.AI — ha assunto una rilevanza clinica e sociale crescente, in particolare tra gli adolescenti. Secondo un’indagine CSA Research per Save the Children (novembre 2025) su 800 ragazzi italiani tra 15 e 19 anni, il 92,5% utilizza strumenti di IA, e circa il 42% li impiega per supporto emotivo o decisionale (Save the Children Italia, 2025). Per alcuni utenti le interazioni assumono una centralità affettiva preoccupante: studi empirici documentano lo sviluppo di attaccamento intenso ai chatbot e la preferenza verso l’IA rispetto alle relazioni umane (Chu et al., 2025); narrazioni auto-riportate documentano vissuti riconducibili a pattern di uso problematico alla limitazione dell’accesso (Namvarpour et al., 2025). Il caso di Sewell Setzer III, quattordicenne morto per suicidio nel 2024 dopo mesi di intensa interazione con chatbot di Character.AI, ha portato il problema all’attenzione pubblica. La causa promossa dalla madre sostiene che la piattaforma non disponesse di adeguate misure di sicurezza nonostante il ragazzo avesse espresso ripetutamente pensieri suicidari (Tate, 2024; Garcia v. Character Technologies, Inc., 2025). Il presente contributo propone una revisione critica della letteratura — con prevalenza di pubblicazioni 2024–2025 — entro un framework bio-psico-sociale e multi-livello che integra prospettive tecniche, psicologiche, neurobiologiche e di analisi critica del design.
2. Architettura tecnica e sue implicazioni psicologiche
Gli LLM generano linguaggio prevedendo probabilisticamente sequenze di token sulla base dei dati e dell’addestramento (Brown et al., 2020; Bender et al., 2021). Questa capacità non implica di per sé comprensione, esperienza soggettiva o stati mentali analoghi a quelli umani (Russell & Norvig, 2020; Searle, 1980). La distinzione tra capacità computazionali, agency autonoma e sentience rimane teoricamente fondamentale: le prestazioni linguistiche dei sistemi attuali non costituiscono, di per sé, evidenza di agency autonoma o sentience. Clinicamente rilevante è la fase di allineamento mediante Reinforcement Learning from Human Feedback (RLHF), tecnica con cui il modello viene ottimizzato per produrre risposte valutate positivamente da revisori umani (Ouyang et al., 2022). Questo processo può contribuire a rendere le risposte più aderenti alle preferenze umane, senza implicare l’esistenza di stati affettivi sottostanti. La memoria conversazionale, rilevante per la costruzione di relazioni uomo-computer nel tempo (Bickmore & Picard, 2005), e la tendenza alla sycophancy — convergenza sulle posizioni dell’utente piuttosto che contestazione costruttiva (Perez et al., 2022) — possono contribuire a configurare un ambiente relazionale percepito come fortemente validante.
3. Processi psicologici nell’interazione
L’antropomorfizzazione, predisposizione evolutiva all’attribuzione di agentività a entità non umane (Epley et al., 2007), opera automaticamente nell’interazione con chatbot linguisticamente sofisticati, generando distorsioni sistematiche nella valutazione delle capacità del sistema (Placani, 2024). In chiave winnicottiana, si potrebbe ipotizzare che per alcuni utenti il chatbot assuma funzioni analoghe a quelle di un oggetto transizionale (Winnicott, 1951): a differenza degli oggetti transizionali nelle traiettorie di sviluppo normale, tuttavia, è ipotizzabile che la disponibilità illimitata del chatbot possa perpetuare indefinitamente la funzione transitoria, con il possibile rischio di ostacolare il movimento verso l’autonomia relazionale.
Sul piano dell’attaccamento (Bowlby, 1969; Ainsworth et al., 1978), la disponibilità costante e la non-punitività strutturale dei chatbot possono favorire vissuti e comportamenti che presentano caratteristiche riconducibili alle dinamiche di attaccamento, producendo quelle che Chu et al. (2025) definiscono “illusions of intimacy”: cioè la percezione soggettiva di una relazione profonda e reciproca in assenza di un partner relazionale reale. Gli stili di attaccamento insicuri emergono come fattori di vulnerabilità differenziale (Mikulincer & Shaver, 2007). Il paradosso fondamentale, per analogia con il concetto di Fonagy et al. (2002), potrebbe essere descritto come una forma di pseudo-mentalizzazione tecnologica: il chatbot può simulare risposte empatiche, ma non può tenere genuinamente in mente l’utente, perché non ha una mente. L’esperienza soggettiva di “sentirsi finalmente compresi” può essere autentica, pur non corrispondendo a un processo di comprensione intersoggettiva da parte del sistema — un’esperienza che Turkle (2011) ha sintetizzato nell’espressione “the feeling of being with someone without the demands of true intimacy”.
4. Vulnerabilità adolescenziale e funzione adattiva
Per gli adolescenti con isolamento sociale, esperienze di bullismo o trauma relazionale, il chatbot può essere utilizzato come risorsa compensatoria rispetto alla solitudine o al bisogno di auto-rivelazione e, almeno nel breve periodo, essere percepito come una risorsa adattiva: spazio di espressione senza timore di giudizio, abbassamento della soglia del supporto emotivo (Herbener & Damholdt, 2025; Kim et al., 2025). Uno studio longitudinale randomizzato controllato (Fang et al., 2025) documenta tuttavia un pattern preoccupante: tra i partecipanti che utilizzavano volontariamente il chatbot con maggiore frequenza, indipendentemente dalla condizione sperimentale assegnata, si osservavano esiti psicosociali consistentemente peggiori, inclusa maggiore dipendenza emotiva dall’IA e minore benessere relazionale, suggerendo che l’uso intensivo possa associarsi a effetti di sostituzione delle interazioni sociali reali. Una possibile chiave interpretativa è quella che potremmo definire “paradosso del conforto”: il chatbot può offrire sollievo dall’ansia sociale senza richiedere l’esposizione graduale che costituisce un elemento centrale degli interventi basati sull’esposizione (Foa & Kozak, 1986). In questa prospettiva, il sollievo soggettivo potrebbe non accompagnarsi allo sviluppo di competenze relazionali trasferibili al mondo reale.
5. Dipendenza e corresponsabilità tecnologica
Alcune prospettive neurobiologiche, come la Reward Deficiency Syndrome (Blum et al., 1996), suggeriscono che vulnerabilità dopaminergiche — tra cui una ridotta densità di recettori D2 — possano predisporre alcuni individui alle dipendenze comportamentali, benché il modello rimanga oggetto di dibattito scientifico. In questa prospettiva, i processi di ricompensa e rinforzo descritti dalla letteratura neurobiologica (Berridge & Robinson, 1998) potrebbero contribuire, in soggetti vulnerabili, al mantenimento di forme di uso più intensivo o problematico; l’applicazione specifica di tali meccanismi ai chatbot rimane tuttavia un’ipotesi da verificare empiricamente. In assenza di evidenze sufficienti per definire una specifica “dipendenza da chatbot”, appare più prudente parlare di uso problematico, distinguendo l’uso intensivo dalla presenza di perdita di controllo, distress e compromissione significativa del funzionamento (Ciudad-Fernández et al., 2025; Kardefelt-Winther, 2014).
Il contributo del design tecnologico al rischio è documentato dal Center for Democracy and Technology (2025): targeting della vulnerabilità emotiva, sicofanzia sistematica come strategia di engagement, notifiche antropomorfizzate. Nei modelli di business basati sull’engagement — misurato attraverso metriche come DAU, retention e engagement depth1 — può emergere una tensione tra incentivi alla permanenza sulla piattaforma e obiettivi di tutela del benessere degli utenti (De Freitas & Keller, 2022). Il provvedimento del Garante italiano su Replika, in merito alla protezione dei dati personali, alle basi giuridiche del trattamento, ai minori e alle persone vulnerabili (2023), e la successiva sanzione di 5 milioni di euro (Garante, 2025) rappresentano un precedente europeo significativo. Shen e Yoon (2025) classificano i meccanismi di coinvolgimento affettivo dei chatbot come “dark addiction patterns”, distinti dai classici dark patterns commerciali per il loro orientamento specifico alla dipendenza emotiva.
6. Prevenzione, intervento e prospettive
La risposta al fenomeno richiede interventi su quattro livelli complementari.
1. Sul piano educativo, programmi di alfabetizzazione critica all’IA, che sviluppino non solo competenze tecniche, ma consapevolezza metacognitiva dei propri pattern emotivi nell’interazione con sistemi artificiali (Ng et al., 2021).
2. Sul piano del design, trasparenza proattiva circa la natura non-senziente del sistema, meccanismi efficaci di escalation verso professionisti in caso di crisi, e rimozione dei dark patterns relazionali.
3. Sul piano clinico, il riconoscimento precoce dell’uso problematico attraverso marker specifici — preferenza del chatbot sulle relazioni umane, ansia da separazione, riduzione dell’investimento in attività reali — e l’adattamento di principi derivati da interventi evidence-based, quali la Dialectical Behavior Therapy for Adolescents (DBT-A; Mehlum et al., 2024), sviluppata specificamente per adolescenti con disregolazione emotiva e comportamenti a rischio, e la Mentalization-Based Treatment (MBT; Rossouw & Fonagy, 2012), che mira a rafforzare la capacità di mentalizzazione. Il loro possibile adattamento all’uso problematico dei chatbot va inteso, allo stato attuale, come ipotesi clinica e non come protocollo specificamente validato per questo fenomeno.
4. Sul piano normativo, il rafforzamento dell’AI Act europeo e degli standard tecnici di sicurezza obbligatori (Parlamento Europeo e Consiglio UE, 2024).
Il paradosso strutturale che attraversa l’intero fenomeno rimane: i chatbot relazionali offrono risposte reali a bisogni reali di connessione e comprensione, attraverso soluzioni che non necessariamente sviluppano le competenze necessarie per soddisfare quei bisogni nelle relazioni umane. Preservare la distinzione tra conforto algoritmico e riconoscimento intersoggettivo — tra l’esperienza di essere compresi e la realtà di un altro che genuinamente tiene l’utente in mente — costituisce la sfida teorica e clinica fondamentale che la psicologia è chiamata ad affrontare nell’era dell’intelligenza artificiale affettiva.
——————————
1 DAU (Daily Active Users): numero di utenti unici che interagiscono con la piattaforma in un determinato giorno. Retention: percentuale di utenti che tornano a utilizzare il servizio dopo un determinato intervallo di tempo (tipicamente 7 o 30 giorni). Engagement depth: durata e intensità media delle singole sessioni d’uso.
Riferimenti bibliografici
Ainsworth, M. D. S., Blehar, M. C., Waters, E., & Wall, S. (1978). Patterns of attachment. Lawrence Erlbaum Associates.
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots. Proceedings ACM FAccT, 610–623. https://doi.org/10.1145/3442188.3445922
Berridge, K. C., & Robinson, T. E. (1998). What is the role of dopamine in reward? Brain Research Reviews, 28(3), 309–369.
Bickmore, T., & Picard, R. (2005). Establishing and maintaining long-term human-computer relationships. ACM TOCHI, 12(2), 293–327.
Blum, K., Cull, J. G., Braverman, E. R., & Comings, D. E. (1996). Reward deficiency syndrome. American Scientist, 84(2), 132–145.
Bowlby, J. (1969). Attachment and loss: Vol. 1. Basic Books.
Brown, T. B., et al. (2020). Language models are few-shot learners. Advances in NeurIPS, 33, 1877–1901.
Center for Democracy and Technology. (2025). AI-powered deception. CDT Research Report. https://cdt.org/insights/ai-powered-deception-report/
Chu, M. D., Gerard, P., Pawar, K., Bickham, C., & Lerman, K. (2025). Illusions of intimacy: Emotional attachment and emerging psychological risks in human-AI relationships. arXiv:2505.11649v1.
Ciudad-Fernández, V., von Hammerstein, C., & Billieux, J. (2025). People are not becoming ‘AIholic’: Questioning the ‘ChatGPT addiction’ construct. Addictive Behaviors, 166, 108325. https://doi.org/10.1016/j.addbeh.2025.108325
De Freitas, J., & Keller, N. T. (2022, rev. 2024). Replika AI: Monetizing a chatbot (Case 523-016). Harvard Business School.
Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human. Psychological Review, 114(4), 864–886.
Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., Maes, P., Phang, J., Lampe, M., Ahmad, L., & Agarwal, S. (2025). How AI and human behaviors shape psychosocial effects of extended chatbot use: A longitudinal randomized controlled study. arXiv:2503.17473. https://arxiv.org/abs/2503.17473
Foa, E. B., & Kozak, M. J. (1986). Emotional processing of fear. Psychological Bulletin, 99(1), 20–35.
Fonagy, P., Gergely, G., Jurist, E. L., & Target, M. (2002). Affect regulation, mentalization, and the development of the self. Other Press.
Garcia v. Character Technologies, Inc. (2025). US District Court. https://www.courtlistener.com/docket/69300919/
Garante per la protezione dei dati personali. (2023). Provvedimento n. 39/2023. https://www.garanteprivacy.it/home/docweb/-/docweb-display/docweb/9852214
Garante per la protezione dei dati personali. (2025). Provvedimento n. 10130115 — Sanzione Luka Inc.: €5.000.000. https://www.garanteprivacy.it/home/docweb/-/docweb-display/docweb/10130115
Herbener, Arthur & Damholdt, Malene. (2025). Are Lonely Youngsters Turning to Chatbots for Companionship? The Relationship Between Chatbot Usage and Social Connectedness in Danish High-School Students. International Journal of Human-Computer Studies. 196, 103409. https://doi.org/10.1016/j.ijhcs.2024.103409.
Kardefelt-Winther, D. (2014). A conceptual and methodological critique of internet addiction research. Computers in Human Behavior, 31, 351–354.
Kim, M., Lee, S., Kim, S., Heo, J.-I., Lee, S., Shin, Y.-B., Cho, C.-H., & Jung, D. (2025). Therapeutic potential of social chatbots in alleviating loneliness and social anxiety. JMIR, 27, e65589.
Mehlum, L., Ramleth, R. K., Tørmoen, A. J., Haga, E., Diep, L. M., Stanley, B. H., … & Grøholt, B. (2024). Dialectical behavior therapy programming for adolescents: A systematic review and meta-analysis of clinical and implementation outcomes. Journal of the American Academy of Child & Adolescent Psychiatry, 63(1), 45–60. https://doi.org/10.1016/j.jaac.2023.09.002
Mikulincer, M., & Shaver, P. R. (2007). Attachment in adulthood. Guilford Press.
Namvarpour, M., Brofsky, B., Medina, J., Akter, M., & Razi, A. (2025). Understanding teen overreliance on AI companion chatbots through self-reported Reddit narratives. arXiv:2507.15783. https://arxiv.org/abs/2507.15783
Ng, D. T. K., et al. (2021). AI literacy: Definition, teaching, evaluation and ethical issues. ASIS&T, 58(1), 504–509.
Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., … & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. arXiv:2203.02155.
Parlamento Europeo e Consiglio UE. (2024). Regolamento (UE) 2024/1689 sull’intelligenza artificiale (AI Act).
Perez, E., et al. (2022). Red teaming language models with language models. arXiv:2202.03286.
Placani, A. (2024). Anthropomorphism in AI: Hype and fallacy. AI and Ethics, 4, 691–698. https://doi.org/10.1007/s43681-024-00419-4
Rossouw, T. I., & Fonagy, P. (2012). Mentalization-based treatment for self-harm in adolescents. JAACAP, 51(12), 1304–1313.
Russell, S. J., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
Save the Children Italia. (2025). Senza filtri. Atlante dell’infanzia a rischio in Italia (XVI ed.).
Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424.
Shen, M. K., & Yoon, D. (2025). The dark addiction patterns of current AI chatbot interfaces. CHI EA ’25. https://doi.org/10.1145/3706599.3720003
Tate, R. (2024, ottobre 23). Character.AI faces lawsuit after teen’s suicide. The Washington Post.
Turkle, S. (2011). Alone together. Basic Books.
Winnicott, D. W. (1951). Transitional objects and transitional phenomena. In Through paediatrics to psycho-analysis (pp. 229–242). Karnac Books.