Qual è il ruolo delle discipline umanistiche, in un liceo orientato all’IA?
Per rispondere non si deve partire da considerazioni generali, pena cadere nei luoghi comuni, ma da ciò che effettivamente succede quando si lavora con questi strumenti in classe (MIM, 2025).
Indice degli argomenti
IA generativa e linguaggio: perché cambia la didattica
Quando pensiamo ai modelli generativi testuali, la prima cosa a cui dobbiamo prestare attenzione è il loro addestramento su enormi quantità di testi, dove imparano implicitamente schemi linguistici, strutture argomentative e modi di costruire e concatenare concetti. Il materiale di base è il linguaggio umano, con tutto ciò che porta con sé, dalle categorie culturali di chi quei testi li ha prodotti alle gerarchie implicite che nessuno ha dichiarato, ma che si trovano incorporate nei dati, fino ai silenzi di chi non ha avuto voce nei dataset.
Questo significa che saper usare il linguaggio in modo preciso, consapevole e intenzionale non è una competenza accessoria rispetto all’uso dell’IA, ma è la competenza che determina la qualità dell’interazione. Se un prompt vago produce risposte vaghe, un prompt che, invece, definisce il contesto, usa verbi appropriati e anticipa i vincoli, ottiene risultati qualitativamente diversi. Per questa ragione, le ore di italiano, di lettura critica e di analisi del testo non sono un complemento a questo processo, ma contribuiscono a fondarlo in modo diretto e significativo (Landi, 2026a).
Fin qui abbiamo visto come il linguaggio sia il medium attraverso cui si interagisce con l’IA, ma c’è anche un secondo piano, meno visibile e altrettanto rilevante, in cui le discipline umanistiche non servono a produrre input migliori, ma a leggere criticamente gli output e le rappresentazioni che i sistemi automatizzati restituiscono.
I dati non parlano da soli
Come sappiamo, la scienza dei dati non consiste solo nel raccogliere numeri e applicare modelli perché ogni analisi implica scelte chiare su che cosa misurare, come misurarlo e come interpretarlo, e quelle scelte influenzano il risultato finale, cioè il modo in cui la realtà viene rappresentata. Per esempio, misurare il tasso di occupazione senza considerare il tipo di contratto racconta una storia non sbagliata per definizione, ma parziale, e quella parzialità ha conseguenze concrete su chi legge quei dati e su come li usa.
Le discipline umanistiche allenano proprio la capacità di interrogare le rappresentazioni, di riconoscere i punti di vista impliciti e di individuare le distorsioni possibili. Per comprenderlo, rivolgiamoci all’ambito delle digital humanities (Ciotti, 2023), partendo da un caso concreto come analizzare la frequenza di certe parole in un romanzo, capire in quali capitoli esse si concentrano e come cambiano nel corso del libro, cioè applicando un lavoro quantitativo a un fenomeno testuale. Se non c’è qualcuno che sappia interpretare il significato, lo stile e la struttura tematica, quel lavoro, da solo, resta insufficiente. E questo non perché ci troviamo di fronte a una frontiera, come molti, purtroppo, credono, ma perché il confine tra scienza dei dati e letteratura è una zona d’incontro dove si lavora in modo sinergico.
Discipline umanistiche e IA oltre la dimensione tecnica
Le discipline umanistiche non sostituiscono le competenze tecniche, ma occupano un territorio che le competenze tecniche, da sole, non raggiungono, perché non basta avere strumenti potenti, se non si sa governarli. Le questioni che oggi l’IA ci pone, infatti, non riguardano solo la tecnica, ma investono ambiti che essa da sola non copre.
Prendiamo un argomento molto dibattuto, su cui sarà bene far riflettere i nostri studenti, come il riconoscimento facciale, e chiediamo: funziona con precisione con tutti i gruppi demografici? È legittimo usarlo in spazi pubblici? Chi controlla il database? Che cosa succede quando il sistema sbaglia? Tutte queste sono domande di filosofia e di diritto, più che di ingegneria, e richiedono una formazione specifica per essere affrontate con rigore (IEEE, 2026). La filosofia che ha elaborato concetti come inviolabilità della persona, libertà e giustizia qui non è un ornamento culturale aggiunto a posteriori, ma è la disciplina che offre il repertorio concettuale dentro il quale quelle domande trovano la loro struttura.
Tre esempi concreti di didattica delle discipline umanistiche con l’IA
Entriamo adesso nel laboratorio didattico delle discipline umanistiche con l’IA, passando in rassegna tre casi.
Scrittura, Verga e riscrittura generativa
Il primo riguarda la scrittura, uno degli argomenti più dibattuti nella scuola, da quando l’uso dell’IA si è diffuso tra gli studenti. Se affianchiamo una novella di Verga, Rosso Malpelo, e la sua riscrittura prodotta da un modello linguistico, la domanda didattica non sarà quale dei due testi sia migliore, ma che cosa si perda nella riscrittura. Con un po’ di attenzione, noteremo che nella versione generata sparisce la circolarità della costruzione, quella ripetizione volutamente rozza dei capelli rossi che porta dentro la logica del pregiudizio paesano, mentre la forma sarà corretta, scorrevole, leggibile e, proprio per questo, incapace di cogliere il punto. Affrontare questo tipo di analisi comparativa aiuta gli studenti a capire perché certe scelte stilistiche esistano, quali effetti producano e che cosa smetta di funzionare quando l’IA le appiattisce. Una siffatta attività riflessiva non sarebbe possibile senza l’IA, che mette a disposizione in tempi rapidissimi testi alternativi su cui lavorare, rendendo il confronto più rapido, replicabile e accessibile a tutti gli studenti contemporaneamente (Landi, 2026b).
Argomentazione filosofica e pensiero critico
Il secondo esempio vede l’IA come interlocutore critico nell’argomentazione filosofica. Lo studente formula una tesi su un problema reale, poi chiede al modello di individuarne i punti deboli, di mettere in discussione le premesse, di segnalare le fallacie logiche e di proporre controargomentazioni. Il modello non viene usato come oracolo ma come avversario dialettico, in un esercizio che richiede precisione nella formulazione della richiesta e capacità di valutare criticamente le risposte ricevute. Non si tratta di accettare le obiezioni del modello, bensì di misurarsi con esse, essendo consapevoli che alcune saranno pertinenti e obbligheranno a riformulare la tesi, altre saranno superficiali o mal poste, ma, in ogni caso, offriranno una preziosa occasione di esercizio di pensiero critico.
Fonti storiche, citazioni e verifica documentaria
Il terzo caso riguarda l’analisi e lo studio dei documenti in storia, con una pluralità e varietà di fonti e di citazioni precise, un’attività che nella didattica ordinaria risulta spesso impraticabile dal momento che accedere a fonti diverse, leggerle e metterle in relazione richiede tempi che le programmazioni scolastiche non sempre consentono. Un modello di IA generativa, in cui il docente ha caricato un corpus di fonti e che gli studenti, divisi in gruppi, interrogano, costruendo la propria interpretazione su citazioni verificabili, non solo abbatte questo ostacolo, ma sostiene il confronto critico con i testi e aiuta a comprendere che ogni fonte è situata, parziale e costruita. Lo strumento, però, può allucinare citazioni, sintetizzare le fonti, omettendo aspetti fondamentali, invece di restituirle fedelmente, e orientare inconsapevolmente l’interpretazione degli studenti. Per questa ragione l’attività richiede sempre una verifica puntuale, sui testi originali, dei riferimenti e delle citazioni, un’operazione che mobilita competenze trasversali di analisi, valutazione e vaglio documentario.
Come costruire un curricolo interdisciplinare che funzioni
Ma allora è possibile costruire un curricolo interdisciplinare?
Attraverso il nostro excursus di esempi abbiamo colto alcuni principi fondamentali. Nella progettazione didattica la distinzione che conta non è tra discipline umanistiche e scientifiche, ma tra un curricolo costruito sui contenuti e uno costruito su competenze e strutture di pensiero, fondato, cioè, sulle padronanze dello studente e che ha valore fuori dalla specifica unità di apprendimento scolastica. Ma l’aspetto più generativo del curricolo è l’attraversamento naturale dei confini disciplinari di certi concetti strutturali, su cui docenti di aree diverse possono lavorare con le loro classi in modo convergente. Un esempio fra i tanti? Il bias (UNESCO, 2024). Nell’ambito umanistico perde la sua connotazione puramente statistica o neuroscientifica per diventare un oggetto di analisi critica, storica e culturale. Lo troviamo, infatti, nel punto di vista del narratore, nell’ideologia implicita in un testo, nel pregiudizio ermeneutico o nella selezione dei fatti che ogni fonte storica opera. Nell’ambito scientifico, invece, lo rileviamo nell’errore sistematico, nei dataset distorti, nei modelli che riflettono quei dati e producono risultati sbilanciati. Si tratta di discipline differenti che, però, convergono verso il medesimo paradigma cognitivo, declinandolo in ambiti specifici.
Il bias è un caso, ma il principio vale più in generale.
Un curricolo interdisciplinare non si costruisce sommando le discipline, ma individuando i concetti che le attraversano e che nessuna esaurisce da sola, senza forzature e senza giustapposizioni. In un quadro del genere, anche l’IA non è un’aggiunta al curricolo, ma un banco di prova che rivela quanto quelle strutture di pensiero siano già presenti, in attesa di essere riconosciute e portate alla luce (MIM, 2026).
Bibliografia
Nota dell’autrice: Questo articolo riprende alcune delle idee presentate nei due interventi tenuti dall’autrice al primo convegno in presenza della Rete nazionale dei Licei Scienza dei dati e Intelligenza Artificiale, Verona, 29-31 marzo 2026, sul tema “Umanesimo Digitale: criteri e modelli per un curricolo umanistico potenziato dall’IA”.
Ciotti, F. (a cura di). (2023). Digital Humanities. Metodi, strumenti, saperi. Roma: Carocci.
IEEE. (2026). Public safety technology resources and ethical insights. Institute of Electrical and Electronics Engineers. https://ieee.org
Landi, L. (2026a). Contro la scuola facile: perché i classici servono ancora di più nell’era dell’AI. Agenda Digitale. https://www.agendadigitale.eu/scuola-digitale/contro-la-scuola-facile-perche-i-classici-servono-ancora-di-piu-nellera-dellai/
Landi, L. (2026b). Insegnare italiano con l’IA: Buone pratiche per la didattica dell’italiano. Sanoma Italia.
Ministero dell’Istruzione e del Merito [MIM]. (2025). Linee guida per l’utilizzo dell’intelligenza artificiale nelle Istituzioni scolastiche. mim.gov.it
Ministero dell’Istruzione e del Merito [MIM]. (2026). Nuove Indicazioni Nazionali per i Licei [Bozza di revisione]. mim.gov.it
Nussbaum, M. C. (2011). Non per profitto. Perché le democrazie hanno bisogno della cultura umanistica. Bologna: Il Mulino.
UNESCO. (2024). AI Competency Framework for Teachers. Organizzazione delle Nazioni Unite per l’Educazione, la Scienza e la Cultura.
Partecipa alla community