L’adozione dell’intelligenza artificiale da parte degli studenti è già avvenuta, mentre le istituzioni formative continuano a inseguire. L’evidenza sperimentale mostra una doppia asimmetria: l’IA può migliorare la prestazione e peggiorare l’apprendimento quando lo studente le delega il lavoro cognitivo; può ridurre la qualità dell’insegnamento quando è il docente a delegare scelte che gli competono. A decidere gli esiti non è la piattaforma, ma il modo in cui cambia l’ora di lezione.
Indice degli argomenti
I numeri che dovrebbero chiudere il dibattito preliminare
Buona parte degli incontri sull’intelligenza artificiale nella formazione si apre ancora con una discussione preliminare su quanto il fenomeno sia rilevante. Non è più una domanda aperta. L’adozione è avvenuta, in tempi rapidissimi, e le istituzioni formative sono arrivate dopo.
Il 97% degli studenti universitari italiani dichiara di usare strumenti di intelligenza artificiale per preparare un esame. È il risultato di un’indagine Lenovo-Censuswide condotta fra dicembre 2025 e gennaio 2026 su 8.035 studenti di otto Paesi europei [1]. Nella scuola secondaria il quadro è simile: il primo studio nazionale sull’impatto dell’IA generativa, realizzato da Tortuga con Yellow Tech su oltre 3.800 fra docenti, studenti e personale ATA in 274 istituti di diciotto regioni, registra un uso settimanale nell’84% degli studenti e nel 66% dei docenti [2]. Il fenomeno arriva fino alla maturità: nel 2026 un’indagine su circa mille candidati riporta che il 77% ha usato chatbot per prepararsi e che solo il 9% non li ha mai usati durante l’anno, contro il 24% di due anni prima [3].
Il dato che conta davvero, però, emerge dallo stesso studio sulla scuola: mentre il 36% dei docenti ritiene che i propri studenti non usino mai l’IA generativa, solo il 16% degli studenti dichiara di non usarla con regolarità [2]. Pur riferendosi a due gruppi e a due frequenze diverse, i dati segnalano un disallineamento tra la percezione dei docenti e l’uso dichiarato dagli studenti.
Figura 1. L’adozione dell’IA generativa nello studio ha superato la capacità delle istituzioni di governarla.
Il quadro di riferimento c’è. Manca il come
Chi si aspettava un vuoto normativo resterà deluso. L’articolo 4 dell’AI Act, applicabile dal 2 febbraio 2025, impone a fornitori e utilizzatori di garantire un livello adeguato di alfabetizzazione all’IA al personale e a chi usa i sistemi per loro conto. Le università rientrano pienamente in quella definizione di utilizzatore [4]. Per la scuola, il Ministero dell’Istruzione e del Merito ha adottato con il DM 166 del 9 agosto 2025 le Linee guida per l’introduzione dell’IA nelle istituzioni scolastiche [5]. Sono seguiti il DM 219/2025 e un avviso da cento milioni per la formazione del personale, con una procedura a sportello chiusa in poche settimane che ha premiato le scuole già attrezzate [6].
Sul piano dei contenuti il riferimento migliore oggi disponibile è il quadro congiunto OCSE-Commissione europea Empowering Learners for the Age of AI, pubblicato il 17 giugno 2026 dopo una consultazione che ha raccolto contributi da oltre duemila fra docenti, dirigenti scolastici ed esperti [7]. Organizza diciannove competenze in quattro domini, dall’interagire con l’IA fino al concorrere a definirla, e chiarisce fin dalle prime pagine che l’alfabetizzazione all’IA è cosa diversa dal saper usare un prodotto di IA. Vale per il primo e secondo ciclo, ma la distinzione che propone è quella che manca nei documenti universitari.
Sono testi seri, ma rispondono tutti alla stessa domanda, che cosa gli studenti dovrebbero sapere. Nessuno risponde a quella che un consiglio di corso di studio si trova davanti a settembre: che cosa cambiare nell’ora di lezione e nelle prove d’esame.
Quello che l’evidenza dice, e che quasi nessuno riporta
Un risultato sperimentale chiarisce il punto meglio di molte dichiarazioni di principio.
Bastani e colleghi hanno randomizzato circa mille studenti di matematica delle superiori su tre condizioni: nessun aiuto, un chatbot generico basato su GPT-4 e un tutor costruito sullo stesso modello ma con vincoli didattici, cioè suggerimenti progressivi al posto delle risposte e indicazioni del docente incorporate nelle istruzioni di sistema. Durante l’esercitazione, il chatbot generico migliora la prestazione del 48% e il tutor vincolato del 127%. Nell’esame svolto senza assistenza, però, chi aveva usato il chatbot generico ottiene il 17% in meno del gruppo di controllo. Il gruppo con il tutor vincolato risulta invece statisticamente indistinguibile dal controllo [8]. Gli studenti avevano inoltre una percezione del proprio apprendimento molto più ottimistica di quanto i risultati giustificassero.
Figura 2. Lo stesso modello linguistico, due disegni didattici diversi, esiti opposti sull’apprendimento.
L’OCSE arriva alla stessa conclusione nel Digital Education Outlook 2026: quando i compiti vengono delegati all’IA senza intenzionalità pedagogica si ottiene un miglioramento della prestazione senza guadagni corrispondenti di apprendimento [9]. Il fenomeno ha un nome in letteratura: Dragan Gašević e colleghi lo chiamano pigrizia metacognitiva, cioè la riduzione di quella fatica produttiva che è la condizione dell’apprendere [10]. Nel resoconto della conferenza di presentazione del rapporto, Andreas Schleicher ha citato uno studio in cui gli studenti che avevano scritto con un modello linguistico producevano testi migliori ma l’80% non ricordava poi di che cosa avesse scritto [11].
Conviene però dire che la parte più citata di questa letteratura è anche la più fragile. Lo studio del MIT Media Lab sul debito cognitivo nella scrittura di saggi, quello con l’elettroencefalogramma che ha fatto il giro dei giornali, si basa su 54 partecipanti, di cui solo 18 nella sessione decisiva, non ha ancora superato la revisione fra pari [12] e ha ricevuto un commento tecnico su campionamento, analisi EEG e riproducibilità [13]. Chi lo usa come argomento definitivo si espone a una smentita facile.
Sull’altro versante ci sono risultati positivi altrettanto solidi, anche all’università. In un esperimento randomizzato su 194 studenti di fisica a Harvard, pubblicato su Scientific Reports, un tutor costruito su misura con gli stessi principi pedagogici della lezione in presenza ha prodotto guadagni di apprendimento superiori a quelli della didattica attiva, in meno tempo e con maggiore coinvolgimento [14]. La valutazione della Banca Mondiale su un doposcuola in Nigeria riporta un effetto di 0,31 deviazioni standard, pari secondo gli autori a un anno e mezzo o due di scolarizzazione ordinaria. L’assenza di un controllo attivo rende però difficile isolare l’effetto dell’IA [15]. Uno studio australiano su 192 riflessioni di studenti universitari trova infine apprendimento più alto quando l’IA viene usata per costruire e ampliare conoscenza, più basso quando la si usa in modo procedurale [16].
Messe insieme, queste evidenze indicano che l’IA amplifica la qualità del disegno didattico entro cui viene collocata. La conseguenza operativa è meno ovvia di quanto sembri: la piattaforma, da sola, non produce l’effetto atteso; lo produce la riprogettazione della lezione e delle prove. Quel lavoro costa tempo docente, non compare in nessun capitolo di spesa e non è rendicontabile a sportello.
Perché il paragone con la calcolatrice non regge
L’analisi condotta da Anthropic su circa un milione di conversazioni di studenti universitari mostra che le richieste si concentrano sulla creazione, quasi il 40% dei casi, e sull’analisi, circa il 30%, mentre il semplice recupero di informazioni pesa meno del 2% [17]. Tradotto nella tassonomia di Bloom, gli studenti non delegano la parte bassa della piramide cognitiva ma quella alta. La calcolatrice aveva automatizzato il calcolo lasciando all’umano l’impostazione del problema, ed è per questo che il paragone ha rassicurato tutti per un paio d’anni; qui accade il contrario, perché si automatizzano l’impostazione, la struttura argomentativa e la sintesi. Non ne discende che ogni delega sia un danno, discende però che le competenze più esposte all’erosione sono esattamente quelle che i nostri sistemi di valutazione dichiarano di misurare.
L’altra metà del problema: anche i docenti delegano
Il dibattito si è concentrato quasi per intero sugli studenti che delegano. È una lettura parziale, e la parte mancante è appena diventata misurabile.
Sull’adozione, l’indagine Gallup per la Walton Family Foundation su 2.232 docenti statunitensi riporta che il 60% ha usato strumenti di IA nell’anno scolastico 2024-25 e che circa tre su dieci li usano settimanalmente, con un risparmio dichiarato di 5,9 ore a settimana [18]. Il dato è autodichiarato e va preso con prudenza. Più istruttivo è il contorno: solo il 31% dei docenti aveva ricevuto una qualche formazione sull’IA e appena il 19% dichiarava che la propria scuola avesse una policy.
Resta da capire che cosa succede agli studenti quando è il docente a usare l’IA. Un esperimento randomizzato condotto in una rete di scuole medie e superiori in Turchia, firmato da Alp Sungu, Benjamin Lira e Angela Duckworth e diffuso nel giugno 2026, ha assegnato ai docenti uno strumento di supporto all’insegnamento basato su IA generativa, usato in prevalenza per materiali di lezione, programmi ed esercizi. La motivazione intrinseca degli studenti è calata di 0,11 deviazioni standard; i corsi sono stati giudicati meno godibili, meno interessanti e meno importanti. Il calo è stato più marcato nelle classi dei docenti che già usavano di più l’IA. Il rendimento medio non è cambiato. Fra gli studenti dei docenti meno efficaci sono però peggiorati sia il rendimento, misurato con prove standardizzate somministrate dall’esterno, sia la fiducia in sé [19].
Figura 3. La delega dello studente si vede all’esame; quella del docente non si vede da nessuna parte.
È un preprint e i limiti sono rilevanti: gli autori non hanno osservato le lezioni né analizzato i materiali prodotti, quindi non possono spiegare il meccanismo. Il parallelismo con il risultato di Bastani merita comunque attenzione. Se lo studente usa l’IA come stampella rischia di ridurre il proprio apprendimento; se il docente la usa nello stesso modo può ridurre la qualità dell’insegnamento. Il secondo caso è più insidioso: la delega dello studente lascia tracce in sede d’esame, quella del docente non ne lascia da nessuna parte. Nessuno la misura e chi la pratica tende a non accorgersene, come suggerisce il fatto che i docenti coinvolti nell’esperimento non abbiano mediamente cambiato opinione sull’utilità dello strumento.
Il docente decide quali difficoltà vanno conservate
La psicologia cognitiva descrive da tempo il fenomeno di cui stiamo parlando. Robert e Elizabeth Bjork chiamano difficoltà desiderabili le condizioni di studio che peggiorano la prestazione immediata e migliorano l’apprendimento a lungo termine. Ne sono esempi distanziare le sessioni, alternare argomenti diversi invece di procedere per blocchi e costringersi a recuperare una risposta invece di rileggerla [20]. È la distinzione fra prestazione e apprendimento che gli esperimenti sull’IA hanno riportato alla luce, formulata trent’anni prima di ChatGPT. Non tutte le difficoltà, però, sono desiderabili: lo diventano quando attivano il processo cognitivo giusto e lo studente ha le conoscenze per venirne a capo. Altrimenti sono soltanto ostacoli.
Il ruolo del docente cambia esattamente qui, e non nella direzione che si legge di solito. Non diventa un facilitatore. Diventa la persona che decide quali difficoltà vanno conservate perché sono la sostanza dell’apprendimento e quali possono essere delegate all’IA senza perdite. È una decisione disciplinare e nessuna linea guida di ateneo può prenderla al posto suo: se in un corso di analisi il calcolo simbolico possa essere delegato lo sa il docente di analisi, non l’ateneo.
Per decidere, il docente deve avere usato questi strumenti abbastanza a lungo da conoscerne i modi tipici di sbagliare e le zone in cui risultano più convincenti proprio dove sono meno affidabili. La formazione necessaria deve quindi avvenire dentro le comunità disciplinari e concentrarsi su una domanda concreta: quale esercizio di questa materia ha ancora senso assegnare fuori dall’aula.
Che cosa cambia dentro la lezione
Se il problema si gioca in aula, la domanda operativa riguarda ciò che accade nell’ora di lezione. Qui la letteratura offre meno certezze che sulla valutazione, ma alcune pratiche hanno già una logica difendibile. Non richiedono nuove piattaforme o delibere, anche se richiedono tempo docente.
L’inversione dei luoghi
La prima è l’inversione dei luoghi. Se un tutor ben progettato può trasmettere contenuto in modo efficace, come indica il risultato di Harvard [14], questa è la parte della lezione che sopporta meglio la delega. L’aula può allora essere dedicata a ciò che richiede una comunità presente: il contraddittorio, l’errore commesso in pubblico, la discussione fra pari, la domanda che nasce dal non aver capito insieme agli altri. Non è la classe capovolta di dieci anni fa, dove a casa c’era un video. Qui a casa c’è un interlocutore che risponde, e in aula si porta il disaccordo.
Il modello come contro-esempio vivente
La seconda è usare il modello come contro-esempio vivente. Chi insegna letteratura ha notato che i riassunti prodotti da un modello somigliano in modo impressionante ai commenti dello studente che non ha fatto la lettura: generici, plausibili, privi di appigli al testo [21]. Portata in aula, l’osservazione diventa un esercizio: si proietta la risposta del modello e si chiede alla classe di dire perché non regge. Funziona meglio di qualunque lezione sui limiti degli LLM, perché l’inadeguatezza si vede invece di essere annunciata.
L’ordine delle operazioni
La terza è l’ordine delle operazioni. Nell’insegnamento letterario è stata proposta una sequenza elementare: testo, IA, studente, docente. Prima si legge, poi si interroga il modello, quindi lo studente prende posizione e infine interviene chi insegna [22]. L’ordine è decisivo: se si invertono i primi due passaggi, lo studente non incontra il testo ma la parafrasi. Lo stesso principio vale per un teorema, un dataset o una fonte d’archivio.
La falsificazione in diretta
La quarta è la falsificazione in diretta: chiedere al modello, davanti alla classe, una dimostrazione o una spiegazione che si ha ragione di credere sbagliata, e usare l’ora per trovare dove si rompe. Il docente non finge di conoscere già la risposta, e il ragionamento avviene in pubblico invece di essere esibito come prodotto finito.
Va infine chiarito che cosa il docente non dovrebbe delegare, perché è la parte che le piattaforme stanno silenziosamente occupando. I sistemi di gestione della didattica offrono ormai la generazione automatica di rubriche di valutazione e la revisione delle discussioni. Progettare una rubrica, però, non è lavoro amministrativo: è l’atto con cui si decide che cosa conta. La linea di demarcazione utile è questa: si possono delegare la produzione dei materiali e la loro differenziazione, non la scelta di che cosa vale la pena insegnare e di che cosa conta come lavoro ben fatto. Potrebbe essere questo il meccanismo dietro il calo di motivazione osservato nell’esperimento turco, ma lo studio non consente di dimostrarlo.
Matematica e discipline umanistiche, due prove del nove
Nella conferenza pubblica tenuta all’International Congress of Mathematicians nel luglio 2026, Terence Tao ha posto la domanda nel modo giusto: che cosa deve proteggere la comunità matematica se una parte consistente del lavoro di ricerca diventa automatizzabile? Quando le dimostrazioni passano da bene scarso a bene abbondante, sostiene Tao, la scarsità si sposta sulla verifica, sulla spiegazione, sulla comprensione, sulla capacità di individuare la difficoltà vera e l’idea nuova [23]. Una dimostrazione può essere formalmente corretta, verificata riga per riga da un assistente di prova come Lean, e restare un oggetto che nessuno capisce.
Per chi insegna matematica la conseguenza è immediata. L’esercizio classico, produrre una dimostrazione, perde parte della sua funzione diagnostica. Non perché non serva più saperlo fare, ma perché non discrimina più. Guadagnano centralità altre domande: perché questa dimostrazione funziona, dove sta il passaggio critico, quale ipotesi è davvero necessaria, che cosa si generalizza. Sono domande che si fanno bene a voce e male per iscritto. L’orale torna così centrale come strumento didattico, non soltanto come misura antifrode. Tao è netto anche sui limiti degli strumenti: i modelli, dice, barano parecchio e, messi alle strette, arrivano ad aggiungere assiomi pur di far tornare un enunciato falso. Uno studente non addestrato a verificare rischia di non vedere l’errore, perché arriva scritto bene.
Sul versante umanistico la prova del nove è speculare. Un modello produce in pochi secondi una lettura fluente di un testo, ma la fluidità non è giudizio e un’interpretazione istantanea non mostra il percorso con cui ci si è arrivati. Il problema non è che l’IA scriva male: è che scrive verosimile, e il verosimile è precisamente ciò che l’insegnamento letterario e storico ha il compito di mettere in discussione.
Le due discipline convergono sulla stessa competenza: stabilire se un risultato regge. Matematici e umanisti la insegnano con metodi e vocabolari diversi, ma proprio per questo, in questa fase, conviene farli lavorare insieme invece che in parallelo.
Curricula: due innesti, non un insegnamento in più
La reazione istintiva, negli atenei come nelle scuole, è istituire un corso nuovo: sarebbe l’intervento più costoso e meno efficace, perché l’alfabetizzazione all’IA non è un modulo da sei crediti, è un modo di insegnare le discipline che ci sono già.
Sul piano dei contenuti servono due innesti. Il primo è statistico ed epistemico: capire che un modello linguistico non sa nulla, ma stima distribuzioni di probabilità su sequenze di token. Da questa architettura discendono insieme la fluidità e l’errore plausibile. Non serve saper addestrare una rete; servono nozioni di probabilità, campionamento e distorsione dei dati, in buona parte già presenti nei programmi ma spesso insegnate come tecnica anziché come alfabeto interpretativo. Il secondo innesto è la formulazione del problema. Scrivere un prompt che funziona significa definire vincoli, ipotesi e criteri di successo: la stessa operazione mentale richiesta per impostare una dimostrazione o una ricerca d’archivio, con in più un riscontro immediato su ciò che lo studente ha formulato male.
Sul piano delle attività, questo si traduce nello spostare una parte delle consegne dalla produzione alla critica di ciò che il modello produce. Non servono un cambio di ordinamento o un’ora aggiuntiva; serve riscrivere le consegne, un lavoro che nessuna circolare può svolgere al posto di chi insegna.
La valutazione resta il nodo che non si può aggirare
Il lavoro sulla lezione non basta da solo: finché le prove restano quelle di prima, nessuno ha un incentivo a cambiare il modo di studiare.
Il rilevamento automatico non offre una soluzione affidabile. La rassegna sperimentale di Weber-Wulff e colleghi su quattordici strumenti di detection non ne ha trovato nessuno sopra l’80% di accuratezza [24]. Lo studio di Stanford pubblicato su Patterns ha mostrato che sette rilevatori classificavano come generato dall’IA il 61,3% di testi realmente scritti da studenti non madrelingua inglese [25]. OpenAI ha ritirato il proprio classificatore nel luglio 2023. Alcuni prodotti più recenti rivendicano falsi positivi molto bassi su benchmark specifici, ma in un procedimento disciplinare l’onere della prova non può poggiare su un punteggio di verosimiglianza. Uno strumento che sbaglia in modo sistematicamente sfavorevole a chi scrive in una lingua non propria pone inoltre un problema di equità prima ancora che di accuratezza.
L’alternativa che si sta consolidando è strutturale: il modello a due corsie introdotto dall’Università di Sydney, coerente con le linee guida dell’agenzia australiana TEQSA [26]. La prima corsia, ristretta e presidiata, garantisce che il titolo significhi qualcosa. Prevede poche prove in condizioni controllate, distribuite lungo il percorso, che verificano gli esiti del corso di studio e non di ogni singolo insegnamento. La seconda corsia è aperta: l’IA è consentita e dichiarata, il compito serve a far imparare e la valutazione riguarda il processo più che il prodotto. Le scale di autorizzazione graduata, i semafori che indicano quanta IA si può usare in un compito non sorvegliato, non sono verificabili. Una regola non verificabile degrada la validità della prova invece di proteggerla [27].
Figura 4. Il modello a due corsie: concentrare il divieto dove è applicabile, e altrove valutare il processo.
Applicarlo qui richiede realismo. In un corso con trecento iscritti e un solo docente l’orale per tutti non è una proposta, è una battuta: la corsia presidiata sarà fatta soprattutto di prove scritte in presenza progettate bene, con l’orale mirato dove il rischio è più alto, cioè prove finali, tesi e laboratori. E la corsia aperta costa più tempo di correzione, non meno: se non lo si riconosce nei carichi didattici, resta un’affermazione di principio.
Che cosa stanno facendo le università fuori dall’Italia
Il caso più istruttivo è britannico e procede in due direzioni opposte. Un rapporto pubblicato il 17 agosto 2026 da Policy Exchange, firmato da Philip Newton della Swansea University Medical School, chiede all’Office for Students e alla Quality Assurance Agency di far cessare immediatamente gli esami sommativi online non sorvegliati. Una rilevazione presso 120 atenei mostra che il 78% li usava per la valutazione sommativa nel 2023-24 e che solo circa uno su dieci li sorvegliava tutti [28]. Altri atenei hanno scelto la riprogettazione, intervenendo sulla didattica prima che sugli esami. Il Surrey ha ridisegnato curricula e valutazione dell’intero ateneo da settembre 2026: agli studenti di ingegneria civile, per esempio, chiede di progettare un edificio con l’IA e poi di verificare ogni output con calcoli fatti a mano. Bath abbandona il sistema a semaforo per il modello a due corsie e la London School of Economics aumenta prove in aula e valutazione orale [29]. Negli Stati Uniti la risposta più diffusa è stata il ritorno del quaderno d’esame scritto a mano: contenimento, non riforma.
L’università italiana ha ampliato l’accesso prima di affrontare il resto
Il nostro sistema si è mosso presto, ma su un solo asse. Nel 2025 il gruppo ICT della CRUI ha siglato con OpenAI un accordo che ha reso disponibile ChatGPT Edu agli atenei associati a condizioni agevolate. È stato il primo accordo al mondo fra un fornitore di IA generativa e un intero sistema universitario nazionale; la CRUI ha poi avviato cicli di formazione sugli strumenti collegati [30]. Sul piano dell’accesso istituzionale, l’Italia è arrivata prima degli altri.
La seconda gamba procede più lentamente. Gli atenei stanno pubblicando linee guida sull’uso dell’IA, dal decalogo adottato dalla Statale di Milano ai documenti di Pavia, Insubria, Modena e Reggio Emilia e di molti altri [31]. Sono testi in genere ben fatti, ma concentrati soprattutto su governance, conformità normativa, protezione dei dati, integrità della ricerca e dichiarazione dell’uso nella tesi. Sono aspetti necessari, che però non dicono a un docente che cosa fare martedì mattina davanti a centocinquanta studenti che hanno già letto la spiegazione da qualche altra parte.
Nel dibattito sull’accordo è rimasta sottotraccia un’altra questione. Fornire a un intero sistema universitario nazionale un unico assistente, per quanto conveniente sia la condizione economica, crea una dipendenza infrastrutturale da un fornitore singolo ed extraeuropeo per uno strumento che entra nella didattica quotidiana. L’accordo ha affrontato un problema reale di equità nell’accesso istituzionale. Proprio per questo, le convenzioni successive dovrebbero favorire il pluralismo dei fornitori e accompagnarsi a un investimento pubblico su modelli aperti utilizzabili in ambito formativo.
Un vantaggio, in compenso, ce l’abbiamo, ed è quello che il resto del mondo sta ricostruendo a caro prezzo. In Italia l’esame in presenza non è mai stato smantellato e l’orale è la norma, non l’eccezione: la corsia presidiata da noi esiste già, quello che manca è dichiararla come tale e usarla anche come strumento didattico, non solo come controllo. La riforma dell’esame di maturità in vigore dal 2025/2026, che concentra il colloquio su quattro discipline caratterizzanti [33], va nella stessa direzione per ragioni che con l’IA non avevano nulla a che vedere.
Due vincoli ancora aperti
L’accesso effettivo
Il primo è l’accesso effettivo. L’accordo CRUI ha ampliato quello istituzionale, ma non elimina le differenze tra chi può usare versioni e funzionalità diverse. L’indagine HEPI-Kortext 2026 su 1.054 studenti universitari britannici mostra che il 95% usa l’IA e il 94% la usa per il lavoro valutato, mentre solo il 38% dichiara che l’ateneo gli fornisce strumenti. L’accesso è inoltre correlato alla condizione socioeconomica della famiglia [32]. Oggi la distanza fra la versione gratuita e quella a pagamento di un assistente è più grande della differenza fra due manuali.
La lingua
Il secondo è la lingua. Nel resoconto della conferenza OCSE viene riferita una meta-analisi in cui gli effetti dell’IA generativa sull’apprendimento risultano lievemente positivi in inglese e in cinese e considerevolmente negativi in altre lingue [11]. È un dato di seconda mano, ma coerente con quello che chi lavora su questi modelli osserva ogni giorno. Studi randomizzati condotti in italiano, su studenti italiani, al momento non esistono.
Direzioni praticabili nei prossimi dodici mesi
Con i vincoli attuali, cinque interventi sono praticabili senza attendere una riforma organica.
Ripensare una parte dell’ora di lezione
La prima mossa riguarda l’aula e non richiede nuovi acquisti o autorizzazioni. Ogni docente può decidere, per il proprio corso, quali venti minuti di lezione non ha più senso spendere in trasmissione di contenuto e che cosa metterci al posto. È una decisione individuale e reversibile, ma richiede tempo di progettazione.
Mappare gli esiti di apprendimento
La seconda è di mappatura, a livello di corso di studio: stabilire quali esiti di apprendimento vanno garantiti in condizioni presidiate e quali no. Non tutti, non in ogni esame. È un linguaggio che già usiamo nei documenti di progettazione e riesame, quindi non servono strumenti nuovi.
Spostare le prove dalla produzione alla critica
La terza riguarda le consegne: spostare una parte delle prove non sorvegliate dalla produzione alla critica di un output generato e chiedere di allegare il processo, cioè la traccia del ragionamento e la dichiarazione di che cosa è stato delegato e perché. Quella dichiarazione va trattata come parte valutata del lavoro, a partire dalla tesi. È lì che si vede se lo studente ha capito che cosa stava delegando.
Formare i docenti nelle comunità disciplinari
La quarta è la formazione dei docenti e richiede un cambio di formato più che di budget. Nella scuola i fondi ci sono: vanno spesi in comunità disciplinari e nella riprogettazione di lezioni e prove reali, non in corsi trasversali sugli strumenti. Nell’università i dipartimenti dovrebbero dedicare a questo una parte del tempo che oggi va in adempimenti, senza attendere un nuovo decreto. Alla luce dell’esperimento turco, una formazione centrata solo sul risparmio di tempo rischia di produrre l’effetto opposto a quello desiderato.
Costruire prove empiriche in italiano
La quinta riguarda le prove empiriche, ed è la più urgente. Con una frazione trascurabile delle risorse già impegnate si potrebbero finanziare due o tre esperimenti randomizzati in italiano, con misure di apprendimento non assistito a distanza di mesi e almeno un braccio dedicato all’uso dell’IA da parte dei docenti. Sarebbe la prima evidenza nazionale su cui costruire scelte che oggi facciamo alla cieca.
Che cosa resta da decidere
Alla domanda iniziale, se si possa continuare a insegnare e valutare come prima, la risposta è no. Il motivo non si esaurisce nel rischio che gli studenti barino. Riguarda la validità di ciò che facciamo e di ciò che misuriamo: un compito che una macchina svolge in dodici secondi non misura più quello che pensavamo misurasse, e una lezione che una macchina può erogare meglio va ripensata prima ancora di essere difesa.
Il rischio maggiore, oggi, è che l’istituzione continui a proporre lezioni e prove prive di significato diagnostico, chiamandole ancora insegnamento e valutazione. Per evitarlo, ogni docente deve saper rispondere a una domanda che fino a tre anni fa poteva permettersi di non porsi: perché questa fatica va fatta, e che cosa si perde se la si delega. Chi ha una risposta solida ha già un programma di lavoro. L’intelligenza artificiale non ha creato questo problema: lo ha reso visibile.
Ringraziamenti
Si ringraziano i collaboratori ed amici del gruppo di ricerca M.O.D.A.L. ( Mathematical MOdelling and Data AnaLisys research group – https://www.labdma.unina.it) del Dipartimento di Matematica e Applicazioni “Renato Caccioppoli” – Università degli Studi di Napoli Federico II per le stimolanti discussioni sull’argomento trattato.
Riferimenti
[1] Lenovo e Censuswide, indagine europea su 8.035 studenti universitari in otto Paesi, dicembre 2025 – gennaio 2026 (ripresa da ANSA, 12 maggio 2026).
[2] Tortuga e Yellow Tech, primo studio nazionale sull’impatto dell’IA generativa nella scuola italiana, 2025 (oltre 3.800 rispondenti, 274 istituti, 18 regioni).
[3] Indagine su circa mille studenti di quinta superiore in vista dell’esame di maturità 2026, ripresa da Il Mattino, giugno 2026.
[4] Regolamento (UE) 2024/1689 (AI Act), art. 4, applicabile dal 2 febbraio 2025.
[5] Ministero dell’Istruzione e del Merito, DM 166 del 9 agosto 2025 e allegate Linee guida per l’introduzione dell’Intelligenza Artificiale nelle istituzioni scolastiche, versione 1.0.
[6] Ministero dell’Istruzione e del Merito, DM 219 dell’11 novembre 2025 e avviso 73226 del 27 marzo 2026; sulla procedura a sportello si veda anche l’analisi pubblicata su Agenda Digitale, aprile 2026.
[7] OECD/European Commission (2026), Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education, OECD Publishing, Paris. https://ailiteracyframework.org
[8] Bastani H., Bastani O., Sungu A., Ge H., Kabakcı Ö., Mariman R. (2024), Generative AI Can Harm Learning, The Wharton School Research Paper, SSRN 4895486.
[9] OECD (2026), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD Publishing, Paris. https://doi.org/10.1787/062a7394-en
[10] Fan Y., Tang L., Le H., Shen K., Tan S., Zhao Y., Shen Y., Li X., Gašević D. (2025), Beware of metacognitive laziness: effects of generative artificial intelligence on learning motivation, processes, and performance, British Journal of Educational Technology, 56(2), 489-530.
[11] Resoconto della conferenza OCSE di presentazione del Digital Education Outlook 2026, The Geneva Learning Foundation, aprile 2026. https://doi.org/10.59350/1bqm0-1d126
[12] Kosmyna N. et al. (2025), Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task, arXiv:2506.08872 (preprint non sottoposto a revisione fra pari).
[13] Stanković M., Hirche E., Kollatzsch S., Doetsch J. N. (2026), Commentary on Kosmyna et al. (2025), arXiv:2601.00856.
[14] Kestin G., Miller K., Klales A., Milbourne T., Ponti G. (2025), AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting, Scientific Reports, 15, 17458.
[15] De Simone M., Tiberti F., Barron Rodriguez M., Manolio F., Mosuro W., Dikoru E. J. (2025), From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria, World Bank Policy Research Working Paper 11125.
[16] Pallant J. L., Blijlevens J., Campbell A., Jopp R. (2026), Mastering knowledge: the impact of generative AI on student learning outcomes, Studies in Higher Education, 51(4), 714-735.
[17] Anthropic (2025), Anthropic Education Report: How University Students Use Claude.
[18] Gallup e Walton Family Foundation (2025), Teaching for Tomorrow: Unlocking Six Weeks a Year With AI, indagine su 2.232 docenti statunitensi; per una critica al carattere autodichiarato del dato sul tempo risparmiato si veda D. Meyer, 2025.
[19] Sungu A., Lira B., Duckworth A. (2026), Generative AI Can Harm Teaching, SSRN 7007339, giugno 2026 (preprint non sottoposto a revisione fra pari).
[20] Bjork E. L., Bjork R. A. (2011), Making things hard on yourself, but in a good way: creating desirable difficulties to enhance learning, in Psychology and the Real World, Worth Publishers; il concetto è introdotto in Bjork R. A. (1994).
[21] Notre Dame Learning (2025), Building Critical AI Literacy in the Humanities Classroom, University of Notre Dame.
[22] Policy & Practice Review sull’uso dell’IA generativa nell’insegnamento della letteratura e sequenza TASU (Text, AI, Student, Teacher), Frontiers in Education, 11, 2026. https://doi.org/10.3389/feduc.2026.1805617
[23] Tao T. (2026), Mathematics in the Age of AI, conferenza pubblica tenuta all’International Congress of Mathematicians, 24 luglio 2026, arXiv:2608.16753.
[24] Weber-Wulff D. et al. (2023), Testing of detection tools for AI-generated text, International Journal for Educational Integrity, 19, 26.
[25] Liang W., Yuksekgonul M., Mao Y., Wu E., Zou J. (2023), GPT detectors are biased against non-native English writers, Patterns, 4(7), 100779.
[26] Bridgeman A., Liu D., Frequently asked questions about the two-lane approach to assessment in the age of AI, Teaching@Sydney, University of Sydney; TEQSA (2023), Assessment reform for the age of artificial intelligence.
[27] Corbin T., Dawson P., Liu D. (2025), Talk is cheap: why structural assessment changes are needed for a time of GenAI, Assessment & Evaluation in Higher Education, 50(7), 1087-1097.
[28] Newton P. M. (2026), Evidence of Learning Through Assessment: Protecting the Value of a Degree in the Age of AI, Policy Exchange, 17 agosto 2026; i dati di base sono in Newton P. M., Draper M. J. (2025), Quality in Higher Education.
[29] Are universities returning to in-person exams to combat AI cheating?, Times Higher Education, luglio 2026 (casi Surrey, Bath, LSE).
[30] CRUI, gruppo ICT, accordo con OpenAI per l’accesso a ChatGPT Edu negli atenei italiani, 2025; successive sessioni di formazione promosse da CRUI, 2026.
[31] A titolo di esempio: Università degli Studi di Milano, Decalogo «Governare l’Intelligenza Artificiale in Ateneo», 2025; e le linee guida sull’uso dell’IA adottate da Università di Pavia, Università dell’Insubria e Università di Modena e Reggio Emilia.
[32] Stephenson R., Armstrong C. (2026), Student Generative AI Survey 2026, HEPI Report 199, Higher Education Policy Institute e Kortext (1.054 rispondenti).
[33] Decreto-legge 127/2025 e riforma dell’esame di maturità a partire dall’anno scolastico 2025/2026.
Partecipa alla community