Il MIT ridisegna l’università per l’AI: cosa può imparare l’Italia

Il Massachusetts Institute of Technology ha pubblicato il rapporto del comitato incaricato a gennaio di valutare l’uso dell’AI in didattica, apprendimento e formazione alla ricerca.

Il documento chiede di ridefinire obiettivi dei corsi, forme di valutazione e spazi in presenza, e segnala un rischio preciso: l’agente che prende il posto dello studente in laboratorio. Per l’Italia la coincidenza è utile, perché la delega sulla formazione della legge 132/2025 va esercitata entro il 10 ottobre.

Il MIT chiede che ogni insegnamento riparta dagli obiettivi di apprendimento e solo dopo fissi le regole sull’AI, scegliendo fra quattro modalità d’uso da dichiarare nel programma.

La valutazione si sposta su esami orali e su portfolio che raccolgono consegne successive e revisioni, mentre il ricorso agli AI detector viene sconsigliato. Accanto a ogni raccomandazione il rapporto mette un costo in tutor, spazi presidiati e ore di docenza. Il punto con le conseguenze più ampie riguarda i laboratori, dove un agente di ricerca costa meno di uno studente alle prime armi e l’università rischia di smettere di formare i ricercatori che le serviranno.

AI nella didattica universitaria: il rapporto MIT e il contesto italiano

Il 13 agosto 2026 il Massachusetts Institute of Technology ha pubblicato il Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Il comitato era stato incaricato a gennaio dalla Chancellor Melissa Nobles, dal Provost Anantha Chandrakasan e dal Faculty Chair Roger Levy con tre compiti: fotografare l’uso dell’AI nell’Istituto, individuare innovazioni nella didattica e nella valutazione, proporre una policy d’uso. Ha lavorato cinque mesi, riunendosi ogni settimana nella primavera 2026, e ha consegnato un documento che va oltre il perimetro iniziale. Propone di rivedere gli obiettivi dei corsi, le forme di valutazione, l’uso degli spazi, il ruolo dei voti e l’organizzazione della ricerca degli studenti non ancora laureati.

Per il lettore italiano il documento arriva in una finestra precisa. Il Consiglio dei ministri del 10 giugno ha approvato in esame preliminare i primi due schemi di decreto legislativo attuativi della legge 132/2025. Quello sui poteri delle autorità nazionali e sull’uso dell’AI nei percorsi formativi prevede che università, istituzioni AFAM e ITS Academy integrino attività formative sull’uso sicuro e consapevole dei sistemi di IA, anche in forma laboratoriale e interdisciplinare. La delega va esercitata entro il 10 ottobre 2026. Nello stesso periodo il regolamento (UE) 2026/1744, il Digital Omnibus approvato l’8 luglio e in vigore dal 27 luglio, ha spostato al 2 dicembre 2027 gli obblighi sui sistemi ad alto rischio dell’Allegato III, categoria che comprende l’istruzione. Il rinvio riguarda la parte più onerosa della conformità, mentre restano già applicabili i divieti e l’obbligo di alfabetizzazione all’AI, che vincola gli atenei in quanto utilizzatori. Il rapporto del MIT è un elenco dettagliato delle scelte didattiche che quel quadro lascia interamente agli atenei.

Dati sull’AI nella didattica al MIT

Il documento poggia su tre rilevazioni condotte nel campus.

Su questa base il rapporto descrive comportamenti e percezioni. Il nesso causale tra uso dell’AI e apprendimento resta fuori dalla portata dello strumento e il comitato lo dichiara: alcune osservazioni, per esempio il calo dei gruppi di studio nelle residenze e nelle biblioteche, sono riportate come segnali aneddotici. Le raccomandazioni combinano dati, ascolto qualitativo, confronto con le policy di altri atenei e giudizio istituzionale.

Come si usa l’AI nella didattica al MIT

Nella survey del comitato ChatGPT risulta il sistema più diffuso: il 44% dei rispondenti dichiara di usarlo spesso o molto spesso, con il 46% tra gli studenti e il 35% tra i docenti. Gli usi prevalenti tra gli studenti sono l’assistenza alla programmazione (48%), la ricerca di informazioni (45%), la revisione dei propri testi (42%) e la sintesi di materiali, appunti e lezioni (40%). La generazione di testo da zero si ferma al 13%. La quota maggiore dell’uso si colloca quindi nella zona intermedia tra lavoro autonomo e delega completa.

La Quality of Life Survey, più ampia, mostra un’adozione diseguale per funzione.

Nel personale di servizio e supporto il 53% dichiara di non usare mai questi strumenti. Parlare di comunità universitaria come di un blocco omogeneo, quindi, nasconde differenze rilevanti tra funzioni.

AI nella didattica: utilità, dipendenza e autonomia

Nella survey del comitato il 77% concorda sul fatto che imparare a usare l’AI sia necessario per la carriera futura e il 75% ritiene che consenta di produrre di più. Il 68% dichiara di temere di diventarne dipendente nel lavoro di corso. Il 61% ritiene che aiuti l’apprendimento e il 24% preferisce gli strumenti di scrittura AI ai metodi tradizionali.

La Quality of Life Survey aggiunge il quadro delle percezioni. Il 23% dei rispondenti si colloca sul lato ottimista della scala sul futuro dell’AI. Il 40% dichiara di sentirsi più capace e il 27% più sostituibile, con un’inversione tra gli studenti undergraduate, dove il 40% si sente più sostituibile e il 34% più capace. Il 42% ritiene che l’AI migliori la qualità del proprio lavoro contro il 21% che la ritiene peggiorata, il 60% la giudica un fattore di efficienza, e sull’affidabilità il 39% colloca i sistemi sul versante imprevedibile contro il 21% sul versante affidabile.

Queste risposte convivono nelle stesse persone. Uno studente può considerare la competenza sull’AI necessaria per il proprio futuro e temere allo stesso tempo che l’uso quotidiano eroda la propria autonomia. È la condizione da cui il comitato parte.

Progettare corsi AI-aware

Il comitato propone ai docenti un ordine di lavoro. Prima si definisce che cosa lo studente deve sapere, saper fare e saper valutare alla fine del corso. Poi si progettano attività e prove coerenti con quell’obiettivo. Solo a quel punto si decide quale spazio dare all’AI, è il principio del backward design, che il Teaching and Learning Lab del MIT già insegna ai propri docenti.

La conseguenza è che ogni corso arriva a una risposta diversa. In un corso introduttivo la capacità di risolvere un problema da soli può essere il cuore dell’apprendimento. In un corso avanzato di software engineering la capacità di costruire sistemi con strumenti di coding assistito e poi verificarli può essere la competenza da certificare. AI-aware descrive un corso progettato sapendo che l’AI esiste, che gli studenti possono usarla e che il suo effetto dipende dall’obiettivo didattico. In alcuni casi la si integra, in altri la si limita, in altri la si esclude.

Valutazione nell’era dell’AI: dal prodotto al processo

Il capitolo con l’effetto più immediato riguarda le prove. Se un elaborato svolto a casa può essere prodotto o assistito da un modello, quella prova misura meno di quanto misurava. Il comitato indica forme meno delegabili: esami orali, portfolio costruiti lungo il semestre, consegne fuori dall’aula seguite da una discussione in presenza. Segnala anche il rischio della soluzione rapida. Molti docenti stanno aumentando il peso delle prove in aula e questo riduce l’incentivo a investire nei problem set lunghi e nei progetti, che sono la scala verso la padronanza. Una prova a tempo misura per costruzione una quantità minore di elaborazione. L’indicazione è di combinare prodotto, processo e capacità di argomentare: scadenze intermedie, cronologia delle versioni degli elaborati, colloqui in aula, presentazioni.

Detector, lockdown browser e quadro europeo

Sul controllo tecnologico il rapporto è netto. Raccomanda di non affidarsi agli AI detector, perché nelle situazioni reali, dove l’AI serve per una scaletta o per riscrivere un passaggio, la rilevazione diventa incerta e perché i falsi positivi colpiscono in modo sproporzionato chi non è madrelingua inglese e gli studenti neurodivergenti. Il Committee on Discipline del MIT considera già oggi insufficiente l’output di un detector come sola prova in un caso di integrità accademica. Sui lockdown browser, i software che durante un esame online bloccano l’accesso ad applicazioni e risorse esterne e in alcune versioni sorvegliano lo studente tramite webcam, il giudizio è che la generazione attuale sia instabile e percepita come sorveglianza, e che gli esami in presenza con sorveglianza umana restino preferibili.

Qui il quadro europeo entra in modo diretto. Un sistema di AI usato per valutare gli apprendimenti o per monitorare il comportamento durante un esame rientra nell’Allegato III dell’AI Act, quindi nella categoria ad alto rischio, con obblighi di documentazione, gestione del rischio e sorveglianza umana. Nello stesso periodo il regolamento (UE) 2026/1744, il cosiddetto Digital Omnibus, approvato l’8 luglio e in vigore dal 27 luglio, ha spostato al 2 dicembre 2027 gli obblighi sui sistemi ad alto rischio dell’Allegato III, categoria che comprende l’istruzione. Un ateneo che oggi valuta l’acquisto di sistemi di sorveglianza automatica degli esami a distanza, il cosiddetto proctoring, compra dunque un sistema destinato a rientrare in quella categoria fra quindici mesi, mentre il MIT documenta che la strada del controllo automatico rende meno di quanto costa.

Le quattro modalità d’uso dell’AI nei corsi

Il rapporto rifiuta la regola unica per l’intero ateneo e chiede in cambio che ogni insegnamento dichiari la propria, insieme alla ragione che la sostiene. L’appendice propone un menu di quattro opzioni, applicabile a un corso intero o a singole attività.

Il criterio che tiene insieme le quattro voci è la giustificazione. Quando l’AI è vietata, lo studente dovrebbe sapere quale capacità il divieto protegge; quando è richiesta, quale competenza si vuole allenare. La policy entra così nel disegno didattico e smette di vivere solo nel regolamento disciplinare.

AI nella didattica e resa cognitiva

Il comitato usa l’espressione cognitive surrender per descrivere lo studente che ricorre al modello al primo segnale di difficoltà e riporta un dato raccolto nelle sessioni di ascolto: la tentazione cresce quando si avvicina una scadenza. Ottenere la risposta giusta da un chatbot produce l’impressione di aver imparato.

Il rapporto collega il punto a un filone economico esplicito. Richiama il lavoro di Daron Acemoglu, David Autor e Simon Johnson sulla pro-worker AI, cioè un’AI progettata per rendere le persone più efficaci nei compiti che già svolgono e per farne acquisire di nuovi e propone di applicare lo stesso criterio all’istruzione con un’AI pro-learner. La fatica utile all’apprendimento resta al suo posto e l’AI amplia ciò su cui quella fatica può esercitarsi.

È la sequenza che su queste pagine ho descritto come resa cognitiva: una persona delega la parte difficile di un compito, ottiene un risultato accettabile e perde progressivamente la capacità di produrlo e, soprattutto, di valutarlo. In azienda si manifesta come degrado silenzioso della competenza di revisione. In università si manifesta come voto stabile e padronanza in calo. In entrambi i casi il segnale arriva tardi, perché l’output continua ad apparire buono.

Ricerca universitaria e agenti AI: il rischio per i laboratori

Il passaggio con le conseguenze più ampie riguarda la ricerca undergraduate. Lo Undergraduate Research Opportunities Program, attivo dal 1969, coinvolge il 93% degli studenti undergraduate, non ancora laureati, e il 58% dei docenti. Gli studenti entrano in laboratorio, lavorano con ricercatori più esperti, imparano come si formula una domanda di ricerca, come si interpreta un errore, come si distribuisce il credito, come si diventa membri di una comunità scientifica.

Nelle sessioni di ascolto alcuni docenti hanno riferito di stare valutando agenti AI come assistenti di ricerca al posto degli studenti. Il comitato riconosce la razionalità della scelta sul piano della velocità e del costo, in una fase di risorse per la ricerca compresse, e risponde con una formula che vale oltre il campus: l’apprendimento attraverso il lavoro produce inefficienze apparenti, e quelle inefficienze svolgono una funzione.

Si tratta dello stesso meccanismo che ho descritto come scala spezzata parlando di mercato del lavoro. Un’organizzazione che ottimizza il primo gradino, quello in cui il principiante costa e rende poco, ottiene un guadagno immediato di produttività e smette di produrre le persone che occuperanno i gradini successivi. Il costo compare cinque o sette anni dopo, quando servono ricercatori, revisori e responsabili di progetto formati da qualcuno. Il MIT è la prima istituzione formativa di questo peso a mettere il problema per iscritto in un documento ufficiale, e lo fa nel luogo dove il conto è più leggibile, perché un laboratorio universitario esiste in primo luogo per formare.

La traduzione italiana è immediata. Uno studio professionale che affida a un modello le pratiche d’ingresso, una redazione che genera i pezzi brevi, un ufficio di controllo di gestione che automatizza le riconciliazioni stanno prendendo la stessa decisione, con la stessa struttura di costi e la stessa latenza nel manifestarsi degli effetti.

Docenti, studenti e contratto sociale nell’uso dell’AI

Il rapporto dedica un paragrafo all’uso dell’AI da parte di chi insegna. Gli studenti dichiarano di accorgersene quando slide, feedback o correzioni sono generati, e leggono come doppio standard la coesistenza tra quell’uso e le restrizioni imposte a loro. Una domanda ricorrente, riportata dal comitato, riguarda l’utilità di frequentare una lezione prodotta da un modello. La raccomandazione è la trasparenza: se il docente usa l’AI per generare contenuti o per una parte della valutazione, lo dichiara e spiega perché. Sulla correzione il rapporto propone un’alternativa: consegnare agli studenti lo stesso valutatore automatico insieme al compito, come strumento di feedback prima della consegna.

Il comitato tiene insieme questi elementi con l’idea di contratto sociale tra studenti, docenti e istituzione: un accordo su che cosa serve l’istruzione e su quali diritti e obblighi comporta appartenere a una comunità intellettuale. Le regole sull’AI funzionano nella misura in cui quel contratto regge. Il rapporto registra anche l’effetto contrario, quando il presidio diventa controllo: i docenti che si trovano a fare i poliziotti riferiscono un danno alla relazione con gli studenti, e gli studenti temono accuse infondate.

Voti e incentivi nell’università con l’AI

Il MIT esclude il razionamento dei voti alti, perché in un ambiente già orientato alla media aumenterebbe la tentazione di scorciatoie e invita a riesaminare il ruolo del voto. In un contesto in cui molti output sono rapidamente ottimizzabili, un numero singolo dice meno sul percorso che ha portato al risultato. Il comitato suggerisce di esplorare valutazioni per competenze e per padronanza e di dare più peso ai portfolio, ricordando che molti datori di lavoro guardano già più alle prove pratiche che alla media. Aggiunge, come esperimento mentale, che in assenza di voti gran parte degli incentivi a barare con l’AI verrebbe meno.

Governance dell’AI nella didattica: risorse, spazi e accesso

La struttura organizzativa proposta indica con chiarezza dove sta il conto. Il rapporto chiede un comitato permanente su AI ed educazione, referenti per l’AI nelle scuole o nei dipartimenti, un gruppo di AI Fellows e un implementation team che affianchi i docenti, un fondo per progetti pilota che finanzi crediti AI, tutor, assistenti e supporto estivo, e che copra anche esperienze deliberatamente prive di AI. Chiede formazione continua per i docenti, seminari di scambio tra pari, metriche stabili su uso, coinvolgimento e soddisfazione. Chiede infine spazi fisici: laboratori presidiati, aule per prove in presenza, ambienti collaborativi con postazioni prive di accesso ai modelli.

Sull’accesso il rapporto registra una disuguaglianza interna. I piani commerciali più avanzati arrivano a 200 dollari al mese e alcuni ricercatori spendono di più in chiamate API. Il MIT mette a disposizione Parley, una piattaforma model-agnostic con crediti mensili per ogni utente e il comitato chiede di verificarne la capienza per i corsi che ne fanno un uso intensivo e di mantenere l’indipendenza da un singolo fornitore. Aggiunge una questione aperta: Parley registra le interazioni e l’Istituto deve stabilire quali log siano conservati e consultabili, dato che le persone usano questi sistemi anche per questioni personali e sensibili.

Il costo per gli atenei italiani

Per un ateneo italiano questa è la parte con il vincolo più stretto. Orali, portfolio, discussioni in aula e laboratori presidiati costano ore di docenza e di tutoraggio. In corsi di laurea con centinaia di iscritti per insegnamento, il passaggio da prove scritte correggibili in blocco a prove che richiedono presenza e conversazione ha un prezzo in organico e in aule. Lo schema di decreto approvato in via preliminare il 10 giugno, trasmesso alle Camere come Atto del Governo n. 421 e ancora soggetto ai pareri parlamentari prima dell’approvazione definitiva, prevede che università, istituzioni AFAM e ITS Academy integrino attività formative sull’uso sicuro e consapevole dei sistemi di IA, anche in forma laboratoriale e interdisciplinare. È la parte meno onerosa dell’adeguamento, e riguarda i contenuti. La riprogettazione della valutazione, che il rapporto del MIT mette al centro, riguarda i processi e richiede risorse ricorrenti.

I limiti del rapporto MIT sull’AI nella didattica

Il comitato mette l’umiltà tra i propri otto principi e prevede revisioni. Le rilevazioni descrivono uso e percezioni, con un tasso di risposta del 12% nella survey principale che lascia spazio all’autoselezione. Le osservazioni sul calo dei gruppi di studio e sugli effetti nel benessere degli studenti sono in parte aneddotiche. Le raccomandazioni contengono una componente di valore, perché riflettono l’idea che il MIT ha della propria educazione residenziale, e il documento lo dichiara apertamente.

Il comitato applica a sé la regola che propone. In appendice dichiara che nessun testo del rapporto è stato generato con l’AI, che bozze preliminari sono state fornite a ChatGPT per individuare sezioni ridondanti, e che alcuni grafici e riepiloghi statistici dell’appendice sono stati prodotti con Codex.

La sfida per l’università italiana

Il rapporto sposta la discussione dal controllo dell’uso alla progettazione dell’apprendimento, e mette un prezzo su ogni raccomandazione. La domanda che consegna agli atenei italiani, con la delega in scadenza il 10 ottobre e gli obblighi sull’alto rischio in arrivo il 2 dicembre 2027, si può affrontare per tempo: quali attività devono restare umane perché producono apprendimento, giudizio e appartenenza professionale, e chi paga il costo di mantenerle tali.

Il MIT dà la propria risposta sul primo gradino della scala e la motiva: uno studente in laboratorio è più lento di un agente, e il laboratorio esiste per formarlo. Ogni organizzazione che oggi automatizza il lavoro d’ingresso sta prendendo la stessa decisione, con la stessa latenza. Un’università ha però la formazione nel proprio mandato, e questo rende la scelta più leggibile che altrove.