La prima generazione di intelligenza artificiale entrata nella scuola ha assunto prevalentemente la forma dell’assistente. Lo studente formula una domanda, il sistema risponde; il docente chiede una sintesi, una griglia o un esercizio, la macchina produce il contenuto richiesto. Anche quando il dialogo si prolunga, la struttura rimane sostanzialmente reattiva: l’essere umano avvia l’interazione, definisce il compito e decide se proseguire. Sta però emergendo una nuova generazione di sistemi che modifica questa relazione.
Gli agenti di intelligenza artificiale non si limitano a fornire risposte, ma ricevono un obiettivo, lo scompongono in attività, scelgono strumenti, raccolgono informazioni, verificano i risultati e modificano autonomamente il proprio comportamento. Possono conservare memoria delle interazioni, utilizzare applicazioni esterne e collaborare con altri agenti specializzati. Il passaggio decisivo non è quindi da un’AI meno intelligente a una più intelligente, ma da una macchina che attende istruzioni a una macchina capace di prendere l’iniziativa.
Indice degli argomenti
Dagli assistenti agli agenti AI nella scuola
L’OECD, nel paper The Agentic AI Landscape and Its Conceptual Foundations, identifica tra le caratteristiche ricorrenti dell’agentic AI l’orientamento verso obiettivi, la capacità di pianificazione, l’uso di strumenti, l’adattamento all’ambiente e un certo grado di autonomia nell’esecuzione (OECD, 2026). Un assistente conversazionale può spiegare un teorema quando gli viene chiesto; un agente educativo può accorgersi che lo studente incontra ripetutamente lo stesso ostacolo, proporre un’attività preliminare, cercare una diversa rappresentazione del problema, programmare un successivo momento di verifica e aggiornare il percorso sulla base del risultato.
Il primo risponde a una domanda; il secondo costruisce e gestisce una strategia. È proprio questa capacità a rendere gli agenti potenzialmente interessanti per l’educazione, ma anche pedagogicamente più problematici.
Quando l’agente svolge il progetto, che cosa resta allo studente?
Immaginiamo uno studente al quale venga assegnata una ricerca sul cambiamento climatico. Un normale sistema generativo potrebbe suggerire un indice, sintetizzare alcune fonti o correggere il testo. Un agente potrebbe invece definire le fasi del progetto, distribuire le attività nel tempo, cercare pubblicazioni, selezionare dati, preparare domande per un’intervista, ricordare le scadenze e segnalare le parti ancora incomplete.
Un sistema multiagente potrebbe spingersi oltre: un agente raccoglie le fonti, un secondo controlla i dati, un terzo simula un revisore critico e un quarto organizza la presentazione. La letteratura più recente descrive gli agentic workflows proprio attraverso quattro capacità fondamentali: riflessione, pianificazione, uso di strumenti e collaborazione tra agenti (Kamalov et al., Evolution of AI in Education: Agentic Workflows, 2025). arxiv.org Il risultato potrebbe essere formalmente eccellente. Ma a quel punto emergerebbe la domanda più difficile: quale parte del progetto avrebbe realmente svolto lo studente?
Apprendimento e funzioni esecutive: il rischio della delega
L’educazione ha sempre utilizzato forme di supporto. Un insegnante suggerisce un metodo, un compagno offre un confronto, un manuale organizza le conoscenze e un tutor aiuta a superare una difficoltà. L’agente introduce però una discontinuità perché può assumere contemporaneamente molte di queste funzioni e mantenerle attive nel tempo. Non si limita a sostenere l’azione dello studente: può anticiparla, orientarla e in parte sostituirla.
Se seleziona le fonti prima che lo studente impari a cercarle, divide il problema prima che egli provi a rappresentarlo e corregge la direzione prima che possa sperimentare le conseguenze di una scelta, il percorso diventa certamente più efficiente, ma forse meno formativo. L’apprendimento non coincide sempre con il raggiungimento più rapido dell’obiettivo; spesso nasce proprio dalla fatica di capire quale sia il passo successivo.
Il rischio maggiore dell’agentic AI è quindi la progressiva esternalizzazione della funzione esecutiva. Pianificare, stabilire priorità, monitorare i propri progressi, riconoscere un errore e cambiare strategia sono competenze metacognitive fondamentali. Se venissero sistematicamente delegate, lo studente potrebbe diventare molto efficace nel portare a termine attività senza sviluppare una pari capacità di governarle.
Avremmo lavori migliori, scadenze rispettate e percorsi apparentemente personalizzati, ma una crescente dipendenza dall’iniziativa della macchina. Lo studio di Woollaston, Flanagan, Wijerathne e Ogata, Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning, richiama precisamente questa tensione tra automazione, sforzo cognitivo e agency del discente, proponendo sistemi fondati su supervisione umana, scaffolding dinamico e “frizione intenzionale” (Woollaston et al., 2026).
Frizione intenzionale: non ogni difficoltà va eliminata
La frizione intenzionale è un concetto particolarmente importante. Nella progettazione tecnologica siamo abituati a considerare positiva qualsiasi riduzione dello sforzo: meno passaggi, meno tempo, meno errori. In educazione, invece, alcune difficoltà devono essere rimosse perché inutili, mentre altre devono essere attraversate perché generative.
Cercare una fonte in un archivio disordinato può essere una perdita di tempo; confrontare fonti discordanti è un esercizio cognitivo essenziale. Correggere meccanicamente la formattazione di una bibliografia produce poco apprendimento; decidere se una ricerca sia metodologicamente affidabile ne produce molto. Un buon agente educativo non dovrebbe eliminare ogni ostacolo, ma distinguere tra la fatica che impedisce di apprendere e la fatica attraverso cui si impara. È una distinzione pedagogica che non può essere affidata esclusivamente all’ottimizzazione algoritmica.
Agenti AI nella scuola: inclusione e ruolo dei docenti
Gli agenti potrebbero tuttavia offrire opportunità significative. Potrebbero accompagnare studenti con bisogni educativi specifici, trasformare materiali in formati accessibili, adattare tempi e modalità di presentazione, ricordare procedure complesse e rendere più continuativo il sostegno tra un incontro e l’altro. L’OECD ha evidenziato le potenzialità dell’AI nel sostenere studenti con bisogni educativi speciali, richiamando però la necessità di considerare limiti, rischi e qualità delle evidenze disponibili (Linsenmayer, OECD, Leveraging Artificial Intelligence to Support Students with Special Education Needs, 2025).
Un agente potrebbe anche aiutare chi non possiede in famiglia un supporto organizzativo o culturale, riducendo alcune disuguaglianze. Ma potrebbe produrre l’effetto opposto se gli strumenti più capaci restassero accessibili soltanto a chi può pagarli o se i percorsi riservati agli studenti fragili diventassero più automatizzati e meno ricchi di relazioni umane.
Anche il lavoro docente cambierebbe profondamente. Un agente potrebbe predisporre materiali differenziati, seguire l’avanzamento di gruppi numerosi, aggregare le difficoltà ricorrenti e suggerire interventi mirati. Potrebbe inoltre svolgere compiti amministrativi, organizzare comunicazioni e coordinare informazioni provenienti da piattaforme diverse. Ciò libererebbe tempo, ma introdurrebbe un nuovo problema di governo professionale.
Se il sistema decide autonomamente quando intervenire, quale attività proporre e come interpretare il comportamento dello studente, non sta più semplicemente eseguendo il lavoro del docente: sta esercitando una funzione pedagogica. UNESCO, nel lavoro dedicato alla tutela della teacher agency, pone al centro proprio la necessità che l’AI sostenga la capacità degli insegnanti di definire, monitorare e valutare gli obiettivi educativi senza sottrarre loro il controllo delle decisioni (UNESCO, Promoting and Protecting Teacher Agency in the Age of Artificial Intelligence, 2026). Il docente non deve diventare il sorvegliante di decisioni già prese dall’agente, ma restare colui che stabilisce entro quali confini l’agente possa decidere.
Governare gli agenti AI nella scuola: azioni, accessi e memoria
Questo richiederà una governance molto più precisa di quella adottata per i chatbot. Un agente può accedere a calendari, registri, archivi, sistemi di comunicazione e profili individuali; può compiere azioni e non soltanto produrre testi. Diventano quindi indispensabili autorizzazioni granulari, registrazione delle attività, possibilità di interrompere l’esecuzione, trasparenza sulle fonti utilizzate e responsabilità chiaramente attribuite.
Più cresce l’autonomia operativa, meno è accettabile l’opacità. Un errore in una risposta può essere corretto; una decisione errata già eseguita — l’invio di una comunicazione, la modifica di un percorso, la segnalazione di uno studente o l’accesso a informazioni riservate — può produrre conseguenze più difficili da annullare. Un sistema capace di agire deve essere progettato anche per spiegare che cosa ha fatto, perché lo ha fatto e su mandato di chi.
Particolare attenzione richiede la memoria. Per accompagnare davvero uno studente nel tempo, l’agente deve ricordarne prestazioni, preferenze, difficoltà, obiettivi e interazioni. Questa continuità può rendere il supporto più pertinente, ma costruisce anche un profilo educativo sempre più dettagliato. Un errore iniziale potrebbe consolidarsi in un’interpretazione stabile: lo studente considerato “debole” in matematica continuerebbe a ricevere attività semplificate; quello classificato come poco autonomo verrebbe sottoposto a interventi più frequenti, riducendo ulteriormente le occasioni di esercitare autonomia.
L’agente non si limiterebbe a conoscere lo studente, ma contribuirebbe a costruire la traiettoria entro cui lo studente può muoversi. Per questo devono esistere il diritto di correggere la memoria, di contestare l’interpretazione algoritmica e di ripartire senza essere definitivamente vincolati dal proprio passato digitale.
Insegnare a governare l’AI e preservare l’agency umana
La scuola dovrà allora insegnare non soltanto a utilizzare gli agenti, ma a configurarli, limitarli e contraddirli. Gli studenti dovranno comprendere quali attività possono essere delegate, quali devono rimanere sotto il loro controllo e quando sia necessario riprendere l’iniziativa. Una vera agentic literacy includerà la capacità di definire obiettivi, assegnare permessi, verificare azioni, riconoscere derive e valutare se il risultato ottenuto corrisponda davvero all’intenzione iniziale.
UNESCO ha posto la conservazione dell’agency umana al centro della riflessione internazionale su AI ed educazione: l’intelligenza artificiale può ampliare creatività e decisione, ma deve farlo senza trasformare gli esseri umani in destinatari passivi dell’automazione (UNESCO, AI and Education: Preserving Human Agency in a World of Automation, 2025).
La questione non consiste dunque nello scegliere tra accettare o respingere gli agenti. Questi sistemi entreranno probabilmente nelle piattaforme educative, spesso senza presentarsi esplicitamente come una tecnologia nuova. La scelta reale riguarda il modello pedagogico che incorporeranno. Potremo avere agenti orientati alla velocità, alla produttività e al completamento automatico delle attività, oppure agenti progettati per restituire progressivamente responsabilità allo studente.
I primi renderanno l’apprendimento più fluido ma rischieranno di svuotarlo; i secondi sapranno fermarsi, porre domande, lasciare spazi di incertezza e ridurre il proprio intervento quando la persona diventa più competente. Il miglior agente educativo non sarà quello capace di fare tutto al posto dello studente, ma quello capace di capire quando non deve più fare nulla.
Con l’intelligenza artificiale generativa ci siamo chiesti se una risposta fosse stata prodotta da una persona o da una macchina. Con l’agentic AI la domanda diventerà più radicale: chi ha definito il percorso, chi ha preso le decisioni e chi ha realmente esercitato l’autonomia? La scuola non potrà misurare il successo soltanto dal numero di attività concluse o dalla precisione dei risultati. Dovrà osservare se lo studente sia diventato più capace di formulare obiettivi, organizzare azioni, giudicare alternative e assumersi la responsabilità delle proprie scelte. Quando l’AI prende l’iniziativa, il compito dell’educazione è assicurarsi che l’essere umano non perda la propria.
L’interfaccia di questa chat non espone il pulsante funzionale di copia previsto dal flusso; il testo è qui in Markdown renderizzato.
Partecipa alla community