Quando parliamo di intelligenza artificiale nella scuola immaginiamo quasi sempre una grande piattaforma remota. Lo studente scrive una domanda, il contenuto viene inviato a un’infrastruttura collocata altrove e la risposta ritorna sullo schermo. Il sistema appare vicino, ma il suo funzionamento è distante: non sappiamo con precisione dove vengano elaborati i dati, quali risorse siano utilizzate, come il modello sia aggiornato o per quanto tempo il servizio resterà disponibile alle medesime condizioni.
Questa architettura è stata considerata inevitabile perché i grandi modelli linguistici richiedevano capacità di calcolo incompatibili con i dispositivi comuni. Oggi, però, lo scenario sta cambiando. Modelli più piccoli, tecniche di compressione, hardware dedicato e sistemi di recupero delle informazioni consentono di eseguire funzioni di intelligenza artificiale su computer locali, server scolastici e perfino dispositivi personali. L’AI educativa può cominciare a uscire dal cloud e tornare dentro i luoghi nei quali i dati, le responsabilità e le finalità vengono prodotti.
Indice degli argomenti
Piccoli modelli AI nella scuola: specializzazione e fonti controllate
I cosiddetti Small Language Models non sono semplicemente versioni meno potenti dei grandi modelli. Sono sistemi progettati per svolgere compiti circoscritti con minori esigenze di calcolo, memoria ed energia. Mentre un modello generalista deve rispondere su quasi qualsiasi argomento, un piccolo modello educativo può essere specializzato su un curricolo, una disciplina, una fascia di età o uno specifico bisogno di apprendimento.
La rassegna sistematica di Corradini e colleghi, State of the Art and Future Directions of Small Language Models (2025), mostra come la ricerca recente si stia spostando verso modelli più efficienti, adattabili e utilizzabili in contesti con risorse limitate. Il cambiamento non riguarda soltanto le dimensioni tecniche: introduce una diversa concezione dell’intelligenza artificiale. Non più un’unica macchina che prova a sapere tutto, ma molti sistemi delimitati, costruiti per conoscere bene ciò che serve in un determinato contesto.
Curricoli e fonti verificate
Per la scuola questa distinzione è fondamentale. Un grande modello addestrato su immense quantità di contenuti può generare una spiegazione di matematica, ma non conosce necessariamente il curricolo adottato, il linguaggio utilizzato dal docente, gli esempi affrontati dalla classe o le particolari difficoltà degli studenti. Un modello più piccolo collegato a una base di conoscenza controllata potrebbe lavorare esclusivamente su manuali selezionati, materiali prodotti dagli insegnanti, fonti scientifiche validate e risorse coerenti con il percorso scolastico.
Non sarebbe onnisciente, ma saprebbe dichiarare meglio i propri confini. Attraverso sistemi di retrieval-augmented generation, potrebbe recuperare le informazioni dai documenti autorizzati prima di formulare la risposta, permettendo allo studente di risalire alla fonte utilizzata. Una ricerca di Katharakis, Rossi e Mukkamala, Small Language Models for Curriculum-based Guidance (2025), ha mostrato come modelli aperti di dimensioni contenute, combinati con recupero mirato delle informazioni e adeguata progettazione dei prompt, possano offrire risposte didatticamente allineate e competitive rispetto a modelli generalisti più grandi.
Privacy dei dati con i piccoli modelli AI educativi
Il vantaggio più evidente riguarda la privacy. Ogni dialogo con un assistente educativo può contenere informazioni delicate: errori, fragilità, bisogni specifici, stati emotivi, dati familiari e modalità individuali di apprendimento. Se tutte queste interazioni vengono inviate a servizi esterni, la scuola perde una parte del controllo sulla circolazione del dato. Un modello eseguito localmente può invece elaborare le informazioni senza trasferirle continuamente fuori dal dispositivo o dall’infrastruttura dell’istituzione.
Ciò non rende automaticamente il sistema sicuro, restano necessari: gestione degli accessi, protezione delle memorie, aggiornamenti e audit. Ma modifica radicalmente il punto di partenza. Il dato educativo non deve necessariamente viaggiare verso il modello; può essere il modello a raggiungere il luogo nel quale il dato è custodito.
Questo principio è particolarmente rilevante quando vengono trattati dati di minori o informazioni relative a disabilità e bisogni educativi speciali. L’European Data Protection Board, nell’analisi AI Privacy Risks and Mitigations – Large Language Models (2025), richiama i rischi connessi alla raccolta, memorizzazione, riutilizzazione e possibile esposizione dei dati nei sistemi linguistici di grandi dimensioni.
Un’architettura locale può ridurre alcune superfici di rischio, applicando più concretamente i principi di minimizzazione e protezione dei dati fin dalla progettazione. La scuola potrebbe scegliere quali informazioni rendere disponibili, impedire che vengano impiegate per addestrare sistemi commerciali e cancellarle secondo regole definite dalla comunità educativa. La privacy cesserebbe di essere una clausola contrattuale accettata all’ingresso della piattaforma e diventerebbe una proprietà dell’architettura.
Continuità e sostenibilità dell’AI locale nella scuola
La seconda opportunità riguarda la continuità del servizio. Una scuola che dipende interamente dal cloud dipende anche dalla qualità della connessione, dai costi di abbonamento, dalle modifiche unilaterali delle condizioni e dalle decisioni industriali del fornitore. Una funzione disponibile oggi può diventare a pagamento domani; un modello può essere sostituito senza che docenti e studenti possano comprenderne pienamente le conseguenze; un servizio può interrompersi o cambiare modalità di utilizzo.
L’esecuzione locale non elimina la necessità di assistenza tecnica, ma riduce la dipendenza da un’unica piattaforma e consente di continuare a utilizzare alcune funzioni anche in assenza di connessione. Per aree interne, piccole isole e contesti caratterizzati da infrastrutture discontinue, questa possibilità assume un significato che non è soltanto tecnico, ma riguarda l’equità nell’accesso all’innovazione.
I piccoli modelli possono contribuire anche alla sostenibilità. I grandi sistemi richiedono infrastrutture energivore sia nella fase di addestramento sia durante l’uso. Un modello specializzato può svolgere una funzione delimitata impiegando meno calcolo, con tempi di risposta più brevi e costi inferiori. UNESCO ha indicato gli SLM come una possibile alternativa più economica e meno energivora per le istituzioni educative, sottolineandone il potenziale per integrazioni sostenibili dell’intelligenza artificiale (Small Language Models: A Cheaper, Greener Route to AI, UNESCO, 2024).
Anche la ricerca di Belcak e colleghi, Small Language Models Are the Future of Agentic AI (2025), evidenzia come latenza, consumi e costi rendano i modelli contenuti particolarmente adatti alle applicazioni che devono operare in tempo reale e sui dispositivi. In educazione, la sostenibilità dovrebbe diventare un criterio di appropriatezza: non serve mobilitare un’infrastruttura globale per correggere un esercizio elementare o interrogare un archivio scolastico.
Un’architettura ibrida tra piccoli e grandi modelli AI
Piccolo, tuttavia, non significa automaticamente migliore. Un modello con capacità ridotte può commettere più errori, comprendere meno bene richieste complesse o faticare nel ragionamento articolato. La specializzazione può migliorarne l’accuratezza in un ambito ristretto, ma rischia anche di renderlo meno capace di riconoscere ciò che si trova fuori dal proprio perimetro. Servono quindi valutazioni comparative, test condotti sui reali compiti educativi e sistemi capaci di inoltrare ai modelli più potenti soltanto le richieste che non possono essere gestite localmente.
Potremmo immaginare un’architettura ibrida: il piccolo modello affronta la maggior parte delle attività quotidiane, mentre il grande modello viene utilizzato in modo selettivo e controllato. La letteratura sulla collaborazione tra LLM e SLM indica proprio nei meccanismi di instradamento, distillazione e cooperazione una delle direzioni più promettenti per conciliare prestazioni, privacy ed efficienza (Chen, Zhao e Han, A Survey on Collaborative Mechanisms Between Large and Small Language Models, 2025).
La vera questione, dunque, non è sostituire meccanicamente il grande con il piccolo, ma scegliere il modello proporzionato al compito. In un sistema educativo responsabile, la potenza dovrebbe essere utilizzata soltanto quando produce un valore pedagogico dimostrabile. Per spiegare un argomento presente nei materiali della classe può essere sufficiente un sistema locale; per confrontare prospettive disciplinari complesse potrebbe servire un modello più ampio; per elaborare dati personali sensibili potrebbe essere necessario impedire qualsiasi trasferimento esterno. Questa capacità di differenziare costituisce una nuova forma di competenza infrastrutturale che scuole e amministrazioni dovranno acquisire.
Modelli AI aperti e sovranità educativa delle scuole
Esiste poi un tema culturale. I grandi modelli sono costruiti prevalentemente su contenuti dominanti, spesso anglofoni, e possono rappresentare in modo incompleto lingue minoritarie, patrimoni locali e specifiche tradizioni pedagogiche. Piccoli modelli aperti e basi di conoscenza curate potrebbero valorizzare materiali territoriali, archivi, letterature, dialetti, esperienze delle comunità e contenuti prodotti dalle scuole.
Non significherebbe costruire intelligenze artificiali chiuse dentro identità rigide, ma rendere visibili conoscenze che nei sistemi globali rischiano di rimanere marginali. Il rapporto UNESCO Artificial Intelligence and Culture invita a sostenere ecosistemi di AI aperti, multilingui e guidati dalle comunità, capaci di riflettere la diversità culturale invece di appiattirla (UNESCO, 2025).
Risorse educative aperte e conoscenza condivisa
Qui emerge il rapporto tra piccoli modelli e risorse educative aperte. Una scuola o una rete di istituzioni potrebbe costruire un patrimonio condiviso di contenuti verificati, licenze chiare, metadati, esercizi e spiegazioni, collegandolo a modelli trasparenti e sostituibili. UNESCO ha rilanciato nel 2025 le Open Educational Resources come beni pubblici digitali e ha successivamente collegato risorse aperte, dati e modelli di AI all’interno di veri ecosistemi della conoscenza (The Right to Know: Open Knowledge Ecosystems and AI).
In questa prospettiva, il valore non risiede soltanto nel modello, ma nel patrimonio di conoscenze che la comunità educativa riesce a organizzare e mantenere. La sovranità non consiste nel possedere un algoritmo, ma nel poter decidere dati, fonti, regole e finalità senza restare prigionieri di un fornitore.
Infrastrutture pubbliche per i piccoli modelli educativi
Ciò richiede cooperazione. Non avrebbe senso chiedere a ogni istituto di costruire e mantenere autonomamente la propria AI. Servono infrastrutture pubbliche e consortili, università, centri di ricerca, reti scolastiche e imprese capaci di offrire componenti interoperabili. L’iniziativa europea delle AI Factories, fondata sull’incontro tra capacità di calcolo, dati affidabili e sviluppo di modelli, si inserisce in una strategia più ampia di autonomia tecnologica; in Italia, la selezione di IT4LIA come una delle AI Factories europee apre una prospettiva importante per lo sviluppo di applicazioni nazionali e settoriali.
L’educazione dovrebbe entrare esplicitamente in questa infrastruttura, non come mercato residuale, ma come settore strategico nel quale sperimentare sistemi affidabili, multilingui e rispettosi dei diritti.
Assistenti specializzati dentro una rete governabile
La scuola del futuro potrebbe così disporre non di un unico assistente universale, ma di una costellazione di intelligenze artificiali circoscritte: un modello per accompagnare la comprensione dei testi, uno per consultare il patrimonio storico locale, uno per sostenere l’apprendimento linguistico, uno per rendere accessibili i materiali e uno per aiutare il docente nella progettazione. Alcuni funzionerebbero sul dispositivo, altri su infrastrutture pubbliche e soltanto le attività più complesse raggiungerebbero servizi esterni. Gli utenti saprebbero quali dati vengono impiegati, quali fonti alimentano le risposte e come sostituire un componente senza perdere il patrimonio costruito.
Piccoli modelli AI oltre il cloud: una scelta di sovranità
Per anni abbiamo associato l’innovazione alla scala: più dati, più parametri, più potenza. L’educazione potrebbe insegnarci un principio differente. L’intelligenza artificiale più adatta non è necessariamente quella che può rispondere a tutto, ma quella che risponde bene al problema giusto, utilizza soltanto i dati necessari e resta governabile dalla comunità che la adopera.
Far uscire l’AI dal cloud non significa rinunciare alle possibilità dei grandi modelli. Significa interrompere l’automatismo secondo cui ogni domanda educativa debba attraversare infrastrutture che la scuola non controlla. La vera sovranità educativa comincerà quando potremo scegliere non soltanto come usare l’intelligenza artificiale, ma dove farla funzionare, che cosa consentirle di conoscere e quando decidere di spegnerla.

































Partecipa alla community