Tra gli studenti l’adozione dell’intelligenza artificiale generativa ha smesso di essere una novità. La domanda non è più se la usano, ma come la usano e con quali effetti su ciò che imparano. Per lungo tempo su questo punto sono mancate prove solide: molte impressioni degli insegnanti, poche misure.
Negli ultimi mesi alcuni studi hanno iniziato a colmare il vuoto, il quadro che restituiscono è meno lineare di quanto entrambe le narrazioni prevalenti, quella entusiasta e quella allarmata, lascino intendere.
Indice degli argomenti
L’adozione quasi universale dell’AI generativa tra gli studenti
I dati sulla diffusione concordano su un punto: l’uso è generalizzato. Il Global Student Survey 2025 di Chegg, condotto su 11.706 studenti universitari in quindici Paesi, rileva che l’80% ha fatto ricorso all’AI generativa a supporto degli studi. Nel Regno Unito lo Student Generative AI Survey 2026 dell’Higher Education Policy Institute (HEPI), basato su 1.054 studenti a tempo pieno interpellati a dicembre 2025, registra il 95% di utilizzo in almeno un modo e il 94% per i lavori valutati: nel 2024 quest’ultima quota era ancora al 66%. In Germania il quadro è meno uniforme a seconda della metodologia, la rilevazione CHE su oltre 28.000 studenti parla dell’81% di utilizzo regolare, almeno settimanale, ma la direzione è la stessa.
Il punto rilevante non è la cifra esatta, che varia con le definizioni, bensì la rapidità: una tecnologia passata dalla marginalità alla quasi universalità in meno di tre anni. È su questa base di adozione che la domanda sugli effetti diventa urgente.
AI generativa e apprendimento: il caso degli studenti cinesi
L’evidenza più netta arriva da una ricerca condotta su studenti della scuola secondaria in Cina, dove l’adozione è stata particolarmente veloce. David Strömberg (Università di Stoccolma), Victor Lei e Wu Yanhui (Università di Hong Kong) hanno seguito 26.811 ragazzi tra i 12 e i 18 anni. Circa l’80% dichiarava di usare modelli come Doubao e DeepSeek; il restante 20% ha costituito il gruppo di controllo.
Dopo sei mesi, il voto medio dei compiti a casa degli utilizzatori era salito del 18%, in tutte le materie, il tempo per completarli era sceso da una media di 64 a 45 minuti. Ma agli esami gli stessi studenti hanno ottenuto punteggi del 20% inferiori a quelli dei compagni che non si erano avvalsi dell’AI. Il risultato ribalta una relazione consolidata: un tempo il voto dei compiti prediceva il rendimento agli esami, mentre ora chi ottiene i punteggi più alti nei compiti tende, paradossalmente, a fare peggio nelle prove.
L’effetto non si esaurisce nel breve periodo. Negli esami d’ingresso ad alto rischio i punteggi calano del 18 e del 24%, con la penalità che raggiunge la sua ampiezza piena solo dopo circa due anni. Le perdite risultano maggiori nelle materie di scienze sociali, seguite da STEM e lingue, e sono particolarmente marcate per gli studenti più giovani, per quelli con rendimento elevato e per i maschi.
Il dettaglio decisivo è però nella distribuzione del fenomeno. Il calo agli esami era concentrato tra chi svolgeva i compiti in fretta: circa l’80% degli utilizzatori mostrava un profilo compatibile con l’esternalizzazione dei compiti, tempi di completamento eccezionalmente brevi uniti a voti alti. Chi usava l’AI ma dedicava alle assegnazioni lo stesso tempo dei non utilizzatori pagava un prezzo minimo. Non è quindi l’uso dello strumento a fare la differenza, ma la modalità: la scorciatoia del copia e incolla produce voti alti e apprendimento superficiale, l’uso come tutor, per farsi spiegare un concetto o affrontare un problema, lascia il rendimento sostanzialmente intatto.
Quando l’AI sostiene lo studio: l’esperimento di Middlebury
Un secondo studio arriva a una conclusione apparentemente contraria. Zara Contractor e Germán Reyes, del Middlebury College, hanno impostato un esperimento controllato: i partecipanti sono stati divisi casualmente in un gruppo con accesso ai soli strumenti online e un gruppo con anche l’AI. Entrambi hanno studiato un argomento a loro sconosciuto, per esempio la tecnologia di editing genetico CRISPR, e scritto un tema. Circa il 70% del gruppo “AI” ha effettivamente adottato lo strumento. Una settimana dopo i partecipanti sono tornati per scrivere un secondo tema sullo stesso argomento e sostenere un test, questa volta senza alcun ausilio.
Chi aveva studiato con l’AI ha ottenuto risultati migliori in entrambi i temi, con una differenza contenuta sul primo e più marcata sul secondo. Il vantaggio è persistito a distanza di una settimana, quando gli strumenti erano stati tolti. Gli autori si aspettavano un impatto negativo, ipotesi allora sostenuta da altri lavori e sono stati sorpresi dall’esito. Il loro precedente sondaggio interno indicava che oltre l’80% degli studenti di Middlebury usa l’AI per i corsi, prevalentemente per integrare il proprio lavoro più che per automatizzarlo.
AI, memoria e sforzo cognitivo: le evidenze del MIT
La ricerca del Media Lab del MIT guidata da Nataliya Kosmyna, Your Brain on ChatGPT: Accumulation of Cognitive Debt, di cui avevamo scritto, aggiunge un piano di misurazione diverso. Cinquantaquattro partecipanti sono stati divisi in tre gruppi (ChatGPT, motore di ricerca, solo cervello) e monitorati con elettroencefalografia mentre scrivevano saggi, poi intervistati.
La connettività cerebrale diminuiva al crescere del supporto esterno: il gruppo solo cervello mostrava le reti più ampie, quello con l’AI la connettività più debole, fino al 55% in meno. Il dato comportamentale più citato riguardava la memoria: l’83% degli utenti dell’AI non riusciva a citare un passaggio del saggio che aveva appena scritto, contro circa l’11% degli altri gruppi. Il senso di proprietà del testo era il più basso nel gruppo AI. In una quarta sessione con scambio delle condizioni, chi era partito con l’AI e doveva poi scrivere senza mostrava connettività più debole, mentre chi aveva prima lavorato in autonomia e usava l’AI solo alla fine registrava un migliore richiamo mnemonico.
Gli stessi autori invitano alla prudenza: campione ridotto, studio preliminare, non ancora sottoposto a revisione paritaria. Ma sul punto della memoria del proprio scritto il risultato è tra i più robusti internamente al lavoro.
Apprendere con l’AI: ciò che gli studi hanno in comune
Preso singolarmente, ciascuno studio racconta una storia parziale. Insieme convergono su una tesi: l’AI può aumentare la produttività dell’apprendimento, ma solo per chi la usa in modo attivo. La variabile decisiva non è la presenza o l’assenza dello strumento, bensì se sostituisca lo sforzo cognitivo o lo integri.
AI nello studio: produrre un testo o imparare un argomento
Il contrasto tra la ricerca del MIT e quella di Middlebury è reale, ma non si scioglie stabilendo quale abbia ragione: i due lavori non misurano la stessa cosa. Il MIT osserva l’AI impiegata per produrre un testo, scrivere il saggio, e registra ciò che accade quando la scrittura, e con essa l’elaborazione, viene delegata. Middlebury osserva l’AI impiegata per studiare un argomento prima di scrivere in autonomia, misura quanto resta a distanza di giorni. Sono due momenti distinti del percorso di apprendimento, non due risposte alla stessa domanda.
Tenerli separati è più utile che comporli a forza. Il primo segnala un rischio: quando lo strumento si sostituisce allo sforzo, il prodotto migliora ma la traccia cognitiva si assottiglia. Il secondo indica una possibilità: quando lo strumento precede o affianca un ragionamento che resta proprio, il guadagno può consolidarsi. Nessuno dei due autorizza una conclusione generale sull’AI che aiuta o che ostacola. Entrambi rimandano alla stessa distinzione, sostituzione o integrazione, che affiora già dallo studio cinese.
Apprendimento con l’AI: i segnali che convergono
Su un punto le rilevazioni si parlano. Lo studio cinese mostra voti alti nei compiti e caduta agli esami, concentrata tra chi svolgeva i compiti in fretta: il segno di un testo prodotto senza che il contenuto si depositi. Il deficit di citazione rilevato dal MIT, l’incapacità di richiamare un passaggio scritto pochi minuti prima, è la controparte, sul piano individuale e misurabile, dello stesso fenomeno: ciò che non è stato elaborato non viene ricordato. Non è una prova, ma un’osservazione che converge da contesti e metodi diversi verso la medesima lettura. Resta la cautela dovuta: il campione del MIT è ridotto e lo studio preliminare.
Intelligenza artificiale e scuola: oltre le evidenze disponibili
Le ricerche fin qui citate misurano l’apprendimento, ma potremmo spostare lo sguardo su un terreno diverso e più ampio, quello dello sviluppo e della socializzazione. Il valore di queste considerazioni sta nelle domande che gli studi sull’apprendimento non pongono.
L’AI promette a ogni bambino un’educazione finora riservata ai ricchi, tutor privati, programmi su misura, intrattenimento personalizzato, un’infanzia degna di un re. Ma un’educazione su misura può risultare solitaria e produrre adulti impreparati alla vita reale. Il rischio più interessante non è quello, già noto, delle allucinazioni o degli abusi, bensì il danno che la tecnologia può fare quando funziona come previsto: imparando in fretta cosa piace al suo utente e offrendogliene di più. Da qui due timori: le camere dell’eco precoci, in cui il bambino appassionato di un tema riceve solo storie ed esempi su quel tema, senza mai imparare a tollerare l’ignoto. Il secondo, i rapporti a senso unico con compagni digitali che non criticano e non provano nulla si può trasformare in una cattiva preparazione a gestire gli esseri umani imperfetti.
Sul piano della valutazione, se i compiti scritti a casa non sono più affidabili, la prova in classe torna necessaria. Infine, la personalizzazione algoritmica rischia di diventare una barriera alla mobilità sociale e la disuguaglianza potrebbe allargarsi se le scuole con meno risorse adottassero i chatbot come sostituti a basso costo degli insegnanti.
Partecipa alla community