approfondimento

AI a scuola: pseudonimizzazione, dati personali e rischi per gli studenti


Indirizzo copiato

L’AI a scuola può elaborare difficoltà e prestazioni degli studenti anche quando non ne conosce il nome. La pseudonimizzazione è una garanzia importante, ma la tutela della persona richiede anche limiti alle inferenze e controllo sull’uso dei dati

Pubblicato il 13 nov 2026

Serena Nanni

funzionario giuridico del ministero della salute



Riassumi questo articolo
Approfondisci con altre fonti
Oltre le etichette, cresce una persona




La questione giuridica non è soltanto impedire che l’intelligenza artificiale conosca il nome dello studente. È stabilire fino a che punto un sistema algoritmico possa acquisire, elaborare e interpretare informazioni che descrivono la sua identità, le sue capacità e le sue difficoltà. La pseudonimizzazione protegge l’identità anagrafica, ma non neutralizza il potere informativo dell’algoritmo sulla persona. E nella scuola questo potere incontra un limite ulteriore: la funzione costituzionale dell’istruzione, che non consiste nel classificare gli studenti, ma nel promuoverne la crescita.

È questa la prospettiva dalla quale occorre leggere il parere n. 787 del 20 ottobre 2026 del Garante per la protezione dei dati personali sullo schema di decreto del Ministero dell’Istruzione e del Merito relativo all’impiego dei sistemi di intelligenza artificiale nelle istituzioni scolastiche. L’Autorità ha espresso parere favorevole, accompagnandolo tuttavia con osservazioni che chiamano in causa un tema di particolare rilievo: la necessità che il Ministero orienti le scelte degli istituti, definisca standard e requisiti per i fornitori e valuti la creazione di un servizio di assistenza alle scuole. Non si tratta di indicazioni accessorie. Sono il segnale che la conformità tecnologica, da sola, non è sufficiente a governare la complessità dei trattamenti di dati in ambito educativo.

IA a scuola: perché il dato pseudonimizzato resta personale

Il modello delineato dallo schema di decreto si fonda su un’architettura di separazione tra due domini: da un lato, quello scolastico, nel quale sono custodite le informazioni che consentono di identificare lo studente e associare a lui un identificativo; dall’altro, quello nel quale opera il sistema di intelligenza artificiale, che dovrebbe ricevere esclusivamente utenze pseudonimizzate. La tabella di transcodifica resta sotto il controllo dell’istituzione scolastica e l’accesso alle informazioni identificative è riservato al dirigente e ai docenti autorizzati.

È una soluzione importante, coerente con la logica della protezione dei dati fin dalla progettazione e per impostazione predefinita, prevista dall’articolo 25 GDPR. Ma occorre evitare un equivoco: la pseudonimizzazione, ai sensi dell’articolo 4, paragrafo 5, del GDPR, non equivale all’anonimizzazione. Il dato pseudonimizzato continua a essere un dato personale, perché può essere ricondotto all’interessato attraverso informazioni aggiuntive.

Un caso concreto

Si consideri un esempio. Uno studente accede a un assistente didattico attraverso un’utenza del tipo “studente_8472”. Il sistema non conosce il suo nome, ma riceve una serie di richieste: spiegazioni ripetute sulle frazioni, esercizi non completati, domande formulate in modo ricorrente, difficoltà nella comprensione di determinati passaggi. Nel tempo, l’applicativo può costruire una rappresentazione delle sue prestazioni e delle sue difficoltà. L’identità anagrafica non è visibile, ma il percorso dello studente è comunque oggetto di elaborazione.

Il problema giuridico, dunque, non si esaurisce nella possibilità di associare un codice a un nome. Riguarda anche la natura delle informazioni trattate, la loro persistenza, le inferenze che il sistema può produrre e le conseguenze del loro eventuale riutilizzo.

La domanda da porsi è molto concreta: per quanto tempo vengono conservate le interazioni? Chi può consultarle? Sono utilizzate esclusivamente per fornire il servizio didattico richiesto oppure possono essere impiegate dal fornitore per ulteriori finalità? Il sistema è configurato per evitare che le conversazioni alimentino attività di addestramento o miglioramento del modello non compatibili con le finalità originarie? La pseudonimizzazione, da sola, non fornisce risposta a nessuna di queste domande.

Profilazione educativa: quando i dati diventano etichette

La riflessione diventa ancora più rilevante quando si considera il contenuto delle informazioni che possono transitare attraverso i sistemi di IA.

Si immagini che un docente chieda a un assistente generativo di predisporre un piano di recupero per uno studente che presenta difficoltà nella lettura e nella comprensione del testo. Anche senza indicarne il nome, il prompt potrebbe contenere l’età, la classe frequentata, i risultati delle verifiche, le difficoltà osservate e informazioni relative a eventuali bisogni educativi. La combinazione di questi elementi potrebbe rendere lo studente riconoscibile, soprattutto in una classe numericamente ridotta. Ma il problema non è soltanto identificativo: quelle informazioni possono rivelare aspetti particolarmente delicati della sua condizione personale e scolastica.

Un altro esempio riguarda la valutazione. Un insegnante potrebbe chiedere al sistema di confrontare elaborati, individuare errori ricorrenti o suggerire una valutazione del livello di apprendimento. L’operazione può apparire innocua e persino utile. Tuttavia, se il sistema produce una classificazione stabile delle capacità dello studente, oppure un giudizio che viene successivamente utilizzato per orientare decisioni didattiche, il trattamento assume una rilevanza diversa. Non siamo più soltanto davanti a uno strumento di supporto alla scrittura: siamo davanti a una tecnologia che contribuisce a rappresentare e valutare la persona.

È qui che la protezione dei dati incontra il problema della qualità e dell’affidabilità delle inferenze algoritmiche. Un errore del sistema, una valutazione parziale o una classificazione non adeguatamente contestualizzata possono incidere sulla percezione che docenti e studenti maturano delle capacità individuali. Il rischio è che un’indicazione probabilistica venga progressivamente trattata come una caratteristica effettiva dello studente.

La scuola deve quindi evitare che il dato elaborato dall’algoritmo si trasformi in un’etichetta. Una difficoltà temporanea non può diventare un profilo permanente; una prestazione insufficiente non può essere assunta come rappresentazione complessiva delle capacità di una persona in formazione.

Prompt e minimizzazione dei dati degli studenti

Lo schema esaminato dal Garante dedica particolare attenzione alla formulazione dei prompt, prevedendo indicazioni rivolte ai docenti e agli studenti affinché non vengano inseriti identificativi o dati personali nei sistemi di IA generativa. Il provvedimento richiama inoltre la necessità di sensibilizzare la comunità scolastica a un uso consapevole degli strumenti.

Ma anche su questo punto occorre andare oltre la raccomandazione comportamentale.

Il prompt è il momento nel quale il dato viene concretamente selezionato, organizzato e comunicato al sistema. È, quindi, una componente del trattamento e non una semplice istruzione impartita a un software.

Esempi pratici

Si pensi a un docente che scriva: «Prepara un piano personalizzato per un alunno di tredici anni che vive una situazione familiare complessa, ha difficoltà di concentrazione e presenta risultati insufficienti in matematica». Anche senza nome e cognome, il testo contiene informazioni che possono riguardare la sfera personale e familiare del minore. La sostituzione del nome con una formula generica non rende automaticamente lecito il trattamento.

Un prompt corretto dovrebbe perseguire la stessa finalità didattica attraverso informazioni strettamente necessarie e non identificative: «Predisponi esercizi graduati sulle frazioni per uno studente della scuola secondaria di primo grado che necessita di consolidare le competenze di base». La differenza non è soltanto lessicale. È l’applicazione concreta dei principi di minimizzazione e limitazione delle finalità sanciti dall’articolo 5 GDPR.

La responsabilità, tuttavia, non può essere trasferita interamente sul docente. Non è sufficiente invitare gli utenti a non inserire dati personali se la piattaforma non offre impostazioni predefinite adeguate, controlli, istruzioni chiare e garanzie effettive sul trattamento delle informazioni. La privacy by design e by default richiede che la protezione sia incorporata nell’architettura del servizio, non affidata esclusivamente alla prudenza di chi lo utilizza.

Fornitori di IA e responsabilità della scuola

Un ulteriore profilo riguarda i rapporti tra istituzione scolastica e partner tecnologici. Il modello distingue il partner tecnologico della scuola, che gestisce gli elementi relativi all’anagrafica e alla tabella di transcodifica, dal partner tecnologico che mette a disposizione il sistema di IA. Il Garante ha inoltre sottolineato che, quando i due ruoli fanno capo allo stesso soggetto, devono essere adottate misure ulteriori per garantire l’effettiva separazione dei domini e ridurre il rischio di reidentificazione.

La distinzione architetturale è necessaria, ma non risolve automaticamente la questione della responsabilità. Occorre verificare, in concreto, chi determina le finalità e i mezzi del trattamento, chi accede alle informazioni, quali istruzioni vincolano il fornitore e quali utilizzi ulteriori siano consentiti. Gli articoli 24 e 28 GDPR impongono che la responsabilità del titolare e gli obblighi del responsabile siano definiti sulla base delle attività effettivamente svolte, non soltanto delle qualificazioni contenute nel contratto.

Si immagini che la scuola utilizzi un assistente per correggere esercizi e fornire spiegazioni personalizzate. Se il fornitore conserva le conversazioni per un periodo ulteriore, le utilizza per migliorare il servizio o le impiega per finalità proprie, occorre chiarire se tali operazioni siano comprese nelle istruzioni impartite dalla scuola o costituiscano trattamenti autonomi, con una propria base giuridica e specifici obblighi informativi.

Non basta, quindi, che il fornitore dichiari di non conoscere il nome dello studente. Deve essere possibile comprendere quali dati tratta, per quali finalità, per quanto tempo, con quali soggetti e con quali garanzie. La scuola deve poter verificare tali elementi prima di adottare la soluzione tecnologica, non scoprirli dopo l’avvio del servizio.

AI Act: i limiti alla valutazione e al riconoscimento delle emozioni

La protezione dei dati non esaurisce il quadro regolatorio. L’impiego dell’IA nella scuola deve essere valutato anche alla luce del Regolamento europeo sull’intelligenza artificiale.

Il parere richiama espressamente il divieto delle pratiche vietate dall’articolo 5 dell’AI Act, soffermandosi in particolare sui sistemi destinati a inferire le emozioni delle persone, e richiama la necessità di prestare attenzione ai sistemi qualificabili come ad alto rischio ai sensi dell’articolo 6 e dell’Allegato III, con specifico riguardo all’istruzione e alla formazione professionale.

La distinzione è essenziale. Un sistema che aiuta uno studente a comprendere un problema matematico non pone necessariamente le stesse questioni di un sistema che valuta i risultati dell’apprendimento, orienta i percorsi formativi o contribuisce a determinare l’accesso a opportunità educative. Finalità e contesto d’impiego possono cambiare radicalmente la qualificazione giuridica del sistema.

Ancora più delicato è il caso di un’applicazione che pretenda di dedurre lo stato emotivo dello studente dal tono della voce, dalle espressioni facciali o dai comportamenti durante una lezione. L’idea di individuare automaticamente noia, ansia o disattenzione può apparire funzionale al miglioramento dell’insegnamento, ma incontra il divieto previsto dall’articolo 5, paragrafo 1, lettera f), dell’AI Act per i sistemi di riconoscimento delle emozioni nei luoghi di istruzione, salvo le limitate eccezioni previste dalla norma per ragioni mediche o di sicurezza.

La finalità educativa non può diventare una clausola generale di legittimazione di qualsiasi forma di sorveglianza algoritmica.

Standard nazionali e assistenza per gli istituti

Il passaggio forse più significativo del parere è quello nel quale il Garante sollecita il Ministero a orientare le scelte degli istituti, anche attraverso standard, requisiti e modelli per i fornitori, servizi-tipo e un possibile servizio di assistenza alle scuole. È un’indicazione che merita particolare attenzione. Se ogni istituto deve selezionare autonomamente il sistema, valutare l’architettura tecnologica, verificare le garanzie contrattuali, analizzare i flussi di dati e governare i rischi, il principio di accountability rischia di tradursi in una responsabilità formalmente attribuita alle scuole, ma difficilmente esercitabile senza competenze e strumenti adeguati.

Si pensi a un istituto di dimensioni ridotte che intenda adottare una piattaforma generativa per supportare l’inclusione e personalizzare l’apprendimento. Il dirigente deve essere in grado di comprendere se il fornitore riutilizza i prompt, se i dati sono conservati, se esistono trasferimenti internazionali, se le misure di sicurezza sono adeguate e se il sistema produce effetti che richiedono una valutazione d’impatto ai sensi dell’articolo 35 GDPR. Non è ragionevole presumere che ogni scuola disponga autonomamente delle risorse tecniche e giuridiche necessarie per compiere tutte queste verifiche.

Per questo la governance nazionale non rappresenta un ostacolo all’autonomia scolastica, ma una condizione per renderla effettiva. Standard comuni, requisiti minimi per i fornitori e strumenti di valutazione condivisi potrebbero ridurre le asimmetrie tra istituti e impedire che la tutela dei diritti dipenda dalla capacità negoziale o dalle competenze tecniche della singola scuola.

La tutela dello studente oltre la conformità tecnologica

Il parere del Garante offre un primo quadro di garanzie e riconosce il valore di un’architettura fondata sulla separazione dei domini e sulla pseudonimizzazione. Ma la sua portata non deve essere letta come una generale autorizzazione all’utilizzo di qualsiasi sistema di IA in ambito scolastico. Il parere riguarda uno specifico schema di decreto e le relative misure tecniche e organizzative; la liceità dei singoli trattamenti dovrà essere verificata in relazione alle finalità, ai dati effettivamente utilizzati, ai soggetti coinvolti e alle caratteristiche della soluzione adottata.

La questione di fondo resta costituzionale prima ancora che tecnologica. L’articolo 33 della Costituzione tutela la libertà di insegnamento; la funzione educativa della scuola richiede che lo studente sia considerato nella sua individualità e nella sua possibilità di evoluzione, non ridotto a una sequenza di dati e indicatori.

L’intelligenza artificiale può contribuire a rendere l’insegnamento più accessibile, personalizzato e inclusivo. Ma il suo impiego deve rimanere strumentale alla relazione educativa, senza sostituire il giudizio professionale del docente né trasformare le informazioni raccolte in classificazioni permanenti.

In conclusione, la vera sfida, dunque, non è soltanto impedire che il sistema conosca il nome dello studente. È impedire che, attraverso i suoi dati, pretenda di definirne capacità, limiti e futuro. La scuola può utilizzare l’intelligenza artificiale, ma non può consegnarle il potere di stabilire chi è uno studente. Perché educare significa riconoscere che una persona è sempre qualcosa di più dei dati che la descrivono.

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership

Articoli correlati

0
Lascia un commento, la tua opinione conta.x