Il dibattito sull’intelligenza artificiale nei contesti formativi si è cristallizzato attorno a una domanda mal posta. La vera distinzione rilevante per la policy educativa non è tra AI permessa e AI vietata, ma tra AI usata simbioticamente e AI usata per delega — una distinzione che dipende dallo stadio di sviluppo cognitivo dello studente nel dominio specifico.
Indice degli argomenti
Una domanda mal posta
Da un lato, i dati delle neuroscienze — richiamati di recente con forza dalla testimonianza del neuroscienziato ed educatore Jared Cooney Horvath davanti al Senato degli Stati Uniti — mostrano che un’introduzione precoce e indiscriminata della tecnologia digitale compromette lo sviluppo delle funzioni cognitive fondamentali: la memoria di lavoro, la capacità di lettura profonda, il pensiero critico, la metacognizione. Dall’altro, i dati del World Economic Forum e del PwC Global AI Jobs Barometer 2025 — basato sull’analisi di quasi un miliardo di annunci di lavoro da sei continenti — mostrano che la trasformazione del lavoro guidata dall’AI sta ridefinendo in modo strutturale i requisiti di competenza: il premio salariale per chi possiede competenze AI ha raggiunto il 56%. Chi è privo di queste competenze è destinato a restare indietro, soprattutto nei settori knowledge-intensive.
Entrambe le posizioni colgono qualcosa di vero. Il nodo centrale non risiede nella presenza dell’AI nei contesti formativi, quanto nell’assenza di un paradigma in grado di definirne il ruolo nell’apprendimento. Finché il dibattito resta imprigionato nella dicotomia tra permissività e divieto, manca la categoria concettuale necessaria per affrontare la questione in modo produttivo. Non a caso, la ricerca più recente invita a superare tanto il rifiuto aprioristico quanto l’adozione acritica, indicando la necessità di un approccio riflessivo e contestualmente fondato (Yurdunkulu et al., 2025).
Questa tensione tra apprendimento e prestazione emerge in forma di paradosso già nel mondo del lavoro, prima ancora che nelle aule. Uno studio condotto da Brynjolfsson, Li e Raymond (2023) su circa cinquemila operatori di customer service ha mostrato che, con l’AI, i lavoratori meno esperti guadagnano fino al 34% di produttività, mentre i veterani registrano effetti minimi. Un neoassunto con due mesi di anzianità arriva a rendere quanto un collega che ne ha sei. Numeri straordinari — ma che misurano l’output, non la competenza. La domanda che questi dati non rispondono è: il junior che oggi rende come un senior, diventerà un senior domani? Tra produttività prestata e competenza posseduta c’è una differenza sostanziale: la prima è mediata dallo strumento, la seconda richiede un processo di acquisizione autonoma — ed è quella che fa la differenza quando lo strumento sbaglia e occorre accorgersene. Il problema è aggravato da un’asimmetria temporale: la produttività è immediatamente osservabile, viene tracciata nelle metriche di performance e produce effetti nel breve periodo. La formazione del giudizio, invece, si misura a distanza di anni, quando si verifica se si ha davanti una persona competente oppure una persona capace solo di utilizzare lo strumento.
Il dominio specifico come unità di misura
La risposta alla domanda “quando si può usare l’AI?” non è universale: dipende dallo stadio di sviluppo cognitivo dello studente nel dominio specifico. La stessa tecnologia può essere appropriata in un contesto e controproducente in un altro, anche per lo stesso studente, nello stesso momento della sua formazione.
Un esempio concreto chiarisce il punto. Nell’insegnamento della programmazione orientata agli oggetti agli inizi del secondo anno di un corso di laurea in informatica, è ragionevole ritenere che sia ancora troppo presto per un uso non mediato dei modelli generativi. Gli studenti non hanno ancora interiorizzato i meccanismi fondamentali del pensiero computazionale: l’astrazione, l’incapsulamento, la decomposizione del problema. Se in questa fase delegano all’AI la generazione di codice, non apprendono a programmare: esternalizzano i processi cognitivi prima di averli costruiti. La ricerca empirica conferma questo rischio: nei programmatori principianti, l’uso non mediato dell’AI favorisce forme di “cognitive outsourcing”, riducendo la comprensione concettuale e aumentando la tendenza ad accettare output senza adeguata valutazione critica — un fenomeno che su queste pagine è stato recentemente discusso come debito cognitivo. Gli studenti possono raggiungere prestazioni misurabili più alte grazie al supporto dell’AI senza che ciò corrisponda a progressi metacognitivi reali (Li, Liu e Dong, 2025).
Diversa è l’esperienza che si può fare in un corso di programmazione avanzato a livello magistrale — come avviene, tra gli altri, all’Università di Pisa (si veda questo articolo). Qui lo studente ha già costruito una solida autonomia cognitiva nel dominio: sa leggere codice, sa individuare errori concettuali, sa distinguere un’architettura ben progettata da una superficiale. In questo contesto, l’AI non sostituisce il ragionamento, ma lo amplifica: è uno strumento di esplorazione, di confronto, di accelerazione sperimentale.
La differenza fondamentale sta qui: l’uso dell’AI per un’ottimizzazione potenziata — tempo ridotto nello scrivere codice che in qualche modo ‘gira’ — o per il supporto a funzioni esplorative, in cui le alternative sono comunque proposte dallo studente. Il primo uso rischia di produrre il “saper fare senza capire”.
Il paradigma dell’intelligenza artificiale simbiotica
Questa considerazione si articola naturalmente all’interno del framework dell’intelligenza artificiale simbiotica, già discusso in un precedente articolo. Il paradigma simbiotico definisce la co-agency tra agente umano e agente artificiale come condizione di una collaborazione autentica: non una relazione in cui l’AI esegue compiti per conto dell’uomo, né una in cui quest’ultimo si limita a ratificare output pre-generati, ma un’interazione in cui entrambi contribuiscono con le rispettive competenze, in una dialettica che eleva entrambi (Malerba, 2026).
Questa co-agency ha però una precondizione ineludibile: che l’agente umano sia già cognitivamente autonomo nel dominio. Quando questa autonomia non è stata ancora costruita, l’AI non produce co-agency ma sostituzione cognitiva, cortocircuitando il processo formativo nel momento in cui è più delicato. Il rischio non è che gli studenti imparino cose sbagliate: è che non imparino affatto, acquisendo l’illusione della competenza senza la sostanza.
Uno studio qualitativo recente pubblicato su Acta Psychologica (Yurdunkulu et al., 2025) offre una conferma empirica convergente, sebbene da una prospettiva diversa: quella degli accademici esperti. Gli autori introducono il concetto di Aidemics — accademici che usano l’AI in modo efficiente, etico e critico — e mostrano che questi soggetti condividono una caratteristica fondamentale: sono già esperti nel loro dominio, e usano l’AI come amplificatore di competenze che possiedono, non come sostituto di competenze che non hanno ancora sviluppato. Ciò che per un professore esperto costituisce un uso legittimo e produttivo dell’AI, per uno studente in formazione può rappresentare esattamente l’ostacolo al formarsi di quella stessa expertise.
Dalla teoria alla pratica
La distinzione tra uso simbiotico e uso per delega non è soltanto teorica: può tradursi in criteri operativi per la progettazione degli insegnamenti. Le esperienze più avanzate a livello internazionale — e un recente confronto tra i modelli nazionali analizzato su Agenda Digitale mostra che ciò che fa la differenza non è la tecnologia disponibile ma la governance e la capacità di attuazione — mostrano un elemento comune: l’AI è efficace quando è integrata in modo da sostenere il processo cognitivo senza sostituirlo. Nei sistemi di tutoring sviluppati alla Carnegie Mellon University, l’AI guida passo dopo passo la risoluzione dei problemi senza fornire soluzioni complete; nelle sperimentazioni di Stanford, è ammessa solo in specifiche fasi del lavoro, con vincoli espliciti volti a preservare il pensiero critico; nei progetti del MIT, gli assistenti conversazionali sono impiegati per supportare pratiche di apprendimento attivo, non per sostituirle.
L’uso dell’AI deve essere differenziato in funzione delle fasi del processo di apprendimento. Nelle fasi iniziali, l’uso dell’AI richiede forti vincoli pedagogici e attività che preservino la costruzione autonoma delle strutture cognitive fondamentali.
La questione, quindi, non è se l’AI debba entrare nei contesti educativi — ci entrerà comunque, e sarebbe miope ignorarlo. La domanda è più precisa e più difficile: dove, quando e per quali funzioni cognitive essa possa essere introdotta senza compromettere lo sviluppo dell’autonomia dello studente. Per chi guida un corso o un team, la domanda operativa non è quanto si accelera, ma se si sta usando l’AI perché i junior imparino, o solo perché producano. E dove, di proposito, si rimette un po’ di quella fatica che trasforma l’output in competenza. Rispondere a queste domande è il compito teorico e istituzionale che ci attende. E richiede, prima di tutto, smettere di confondere la domanda sul permesso con la domanda sul senso.
Bibliografia
Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at work. NBER Working Paper No. 31161. National Bureau of Economic Research. https://doi.org/10.3386/w31161
Li, S., Liu, J., & Dong, Q. (2025). Generative artificial intelligence-supported programming education: Effects on learning performance, self-efficacy and processes. Australasian Journal of Educational Technology. https://doi.org/10.14742/ajet.9932
Malerba, D. (2026). Dall’IA agente all’IA simbiotica: un paradigma relazionale dell’intelligenza artificiale. In A. Incampo & N. Triggiani (a cura di), Giudizio penale e intelligenza artificiale. Una riflessione sistemica (pp. 109–135). Cacucci Editore. ISBN 9791259656063.
PwC. (2025). Global AI Jobs Barometer 2025. PricewaterhouseCoopers. https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html
World Economic Forum. (2025). The Future of Jobs Report 2025. WEF. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
Yurdunkulu, A., Bulut, M. A., & Goçen, A. (2025). From academics to Aidemics: Unpacking the human–AI symbiosis in higher education. Acta Psychologica, 261, Article 105796. https://doi.org/10.1016/j.actpsy.2025.105796
Risorse web
Carnegie Mellon University – PACT Project (tutoring systems with AI). https://pact.cs.cmu.edu/
MIT Open Learning – Applications for AI in education. https://openlearning.mit.edu/news/applications-ai-education
Stanford University – How Stanford educators are bringing AI into the classroom (2025). https://news.stanford.edu/stories/2025/10/stanford-educators-ai-coursework-classroom-ideas
Articoli correlati su Agenda Digitale
Cisternino, A. L’AI sta chiudendo la porta ai junior? La formazione è in ritardo. https://www.agendadigitale.eu/cultura-digitale/competenze-digitali/lai-sta-chiudendo-la-porta-ai-junior-la-formazione-e-in-ritardo/
Lazzeri, M. Delegare il pensiero all’IA: l’effetto del debito cognitivo sui ragazzi. https://www.agendadigitale.eu/scuola-digitale/delegare-il-pensiero-allia-leffetto-del-debito-cognitivo-sui-ragazzi/
Lucentini, G. AI nell’istruzione: il confronto tra i modelli nazionali. https://www.agendadigitale.eu/scuola-digitale/ai-nellistruzione-il-confronto-tra-i-modelli-nazionali/
Malerba, D. AI simbiotica: quando uomo e macchina pensano insieme. https://www.agendadigitale.eu/cultura-digitale/ai-simbiotica-quando-uomo-e-macchina-pensano-insieme/
Articolo pubblicato su Agenda Digitale. Tutti i diritti riservati.
Partecipa alla community