Linee guida
Scuola e IA
La scuola superiore e l’università stanno cercando di affrontare l’arrivo dell’IA con l’oggettiva difficoltà di non riuscire ad assimilare e governare il cambiamento abbastanza rapidamente: questa trasformazione avviene a una velocità maggiore rispetto ai tempi di comprensione, che richiedono mesi, e alla capacità di dare linee guida applicabili a cicli di studio scolastici che richiedono anni.
L’obiettivo principale per la scuola è quello di coniugare l’IA alla didattica in una logica di convivenza, che non è frutto di una scelta ma della necessità data dal fatto che l’IA è già presente e utilizzata: dagli studenti, per svolgere i compiti a casa come supporto allo studio, ma anche da parte dei docenti, sia nelle fasi di creazione delle lezioni che nella correzione e valutazione degli elaborati.
Se l’epistemia — cioè la delega della nostra capacità di leggere criticamente i risultati di una IA senza interrogarci sulla loro correttezza e completezza — raggiunge gli adulti già istruiti, questo fenomeno raggiunge con maggiore facilità proprio gli studenti, che possono trovarvi una scorciatoia per una parte importante dell’apprendimento.
L’obiettivo generale della scuola è quindi quello di creare una didattica che conviva con l’IA, comprendendone i rischi, al fine di migliorare l’attività didattica e le strategie di apprendimento.
A questo si aggiunge un secondo obiettivo, soprattutto per le scuole in ambito tecnico-scientifico (STEM): formare profili in grado di affrontare l’attività professionale in un mondo dove le IA svolgono ormai un ruolo centrale, come abbiamo visto nella lezione introduttiva.
Il quadro normativo e le linee guida
La normativa italiana sull’IA segue le indicazioni europee e si riassume nell’AI Act (2024, 2025), che definisce delle categorie di sistemi intelligenti in base alla tipologia di rischio: dai sistemi in grado di classificare e profilare gli individui in base a dati sensibili (vietati), ai sistemi ad alto rischio (sono vietati i sistemi automatici per la valutazione degli apprendimenti), fino a quelli a basso rischio (chatbot, come gli LLM). Definisce poi una serie di linee per il governo affinché dia indicazioni operative, e introduce un nuovo reato legato alla diffusione illecita di contenuti generati da IA finalizzati a trarre in inganno.
Il governo, nello specifico il MIM, ha emesso delle linee guida nel 2025 che definiscono il perimetro dell’uso dell’IA nella scuola:
- obbligo della valutazione da parte del docente (solo con supporto esterno dell’IA);
- privacy e divieto di utilizzo nelle IA di dati personali degli studenti;
- definizione di casi d’uso prioritari, come la personalizzazione della didattica, il supporto a studenti BES e l’efficienza amministrativa;
- stanziamento di fondi per la formazione;
- autonomia delle scuole nel definire atti di indirizzo specifici.
Il governo lascia quindi ampio spazio di manovra alle scuole per dare proprie indicazioni su aspetti più concreti, come la gestione delle lezioni, dei compiti a casa, del processo di valutazione, della didattica da parte dei docenti, e del supporto dell’IA per i docenti, sia per le lezioni che per gli studenti BES.
Le scuole italiane hanno interpretato in vario modo queste indicazioni, con un approccio che da una parte punta a diffondere la conoscenza dei meccanismi di funzionamento delle IA, ma dall’altra rivela una tendenza a dare alle IA il ruolo di vero e proprio “partner di apprendimento”.
Nello specifico, in molte scuole (specie nella secondaria superiore) sono emerse proposte che si possono sintetizzare nei seguenti punti:
- valorizzare l'”ingegneria del prompt”, ovvero la capacità di comunicare nel modo migliore alla macchina le proprie richieste;
- permettere l’uso dell’IA generativa per produrre elaborati che lo studente dovrà analizzare ed ampliare, allo scopo di sviluppare competenze di revisione critica;
- spostare il meccanismo di valutazione dei saperi e delle competenze sul processo, includendo l’ideazione e la progettazione ad alto livello dell’elaborato dello studente;
- spostare la restituzione orale a un livello di dibattito ad alto contenuto, basato sui contenuti prodotti dalle IA;
- rafforzare l’uso dell’IA per la semplificazione di testi complessi o per creare sintesi su misura per alunni con bisogni educativi speciali (BES) o disturbi dell’apprendimento (DSA).
Le proposte presentate non rappresentano un’indicazione nazionale unica, ma una sintesi proveniente da diverse fonti: atti di indirizzo di singole scuole, pubblicazioni online, guide operative e pratiche didattiche discusse in rete.
Esse tuttavia sono prese in esame per la loro diffusione, sia in toto che in parte, perché presentano alcune criticità strutturali che rischiano di compromettere l’efficacia formativa dell’IA nella didattica. Le evidenziamo nei seguenti punti:
- Il rischio della passivizzazione cognitiva e l’illusione del “pensiero critico” delegato
Considerare l’IA come un “partner di apprendimento” che genera bozze, traduzioni o codici da parte dello studente rischia di sostituire la produzione del sapere con la sua mera revisione. Insegnare a “correggere” o a fare “fact-checking” dell’output di una macchina non equivale a sviluppare il pensiero critico, perché la capacità critica si costruisce attraverso l’esperienza diretta del processo di ideazione, strutturazione e riscrittura. Se lo studente non produce il contenuto primario ma si limita a interrogare l’IA e a validarne i risultati, non sta esercitando la propria intelligenza, bensì la capacità di uso dell’interfaccia.
- L’inapplicabilità della “valutazione di processo” e la perdita della verifica delle competenze disciplinari
La proposta di privilegiare la “valutazione di processo” rispetto a quella del prodotto, affidandosi a strumenti quali dibattiti ed esposizioni orali, presenta gravi limiti operativi, soprattutto nelle discipline STEM (Matematica, Fisica, Informatica) e nelle scienze umane:
- – In materie come la matematica o l’informatica, la competenza si misura sulla correttezza del risultato e sulla logica della soluzione. Un dibattito orale non può sostituire la verifica che uno studente sappia risolvere autonomamente un problema o scrivere codice funzionante.
- – Non è chiaro come si possa valutare il “processo di ricerca” quando la ricerca stessa può essere delegata all’IA. Se lo studente usa l’IA per generare la ricerca e poi ne discute i risultati, il “processo” valutato è solo l’abilità comunicativa, non la competenza disciplinare.
- – Spostare l’accento esclusivamente sull’esposizione orale rischia di svincolare la valutazione dal contenuto, premiando l’eloquenza o la capacità di citare fonti generate dall’IA a scapito della reale comprensione dei concetti.
- La vanificazione dello studio autonomo e del compito a casa
Consentendo l’uso dell’IA nello svolgimento dei compiti a casa, si svuota il compito della sua funzione didattica primaria: consolidare le nozioni, automatizzare procedure e sviluppare la capacità di rielaborazione personale. Se l’IA produce il compito, lo studente non impara; si limita a verificare l’esistenza di una risposta corretta. Questo approccio non favorisce l’autonomia, ma crea una dipendenza strutturale dagli strumenti esterni per lo studio.
- Ulteriori criticità
- Contraddizione tra “partner” e “strumento”: definire l’IA un “partner di apprendimento” suggerisce una parità cognitiva che non esiste, perché presuppone che il punto di partenza sia già valido, ignorando la necessità di costruire le fondamenta del sapere in autonomia.
- Assenza di gradualità: proporre lo stesso modello di interazione con l’IA a tutti i livelli scolastici ignora il fatto che le capacità di prompt engineering e di discernimento critico richiedono una pregressa solida formazione logico-argomentativa.
In conclusione, emerge con evidenza la problematica sollevata dall’epistemia: considerare l’IA come un “oracolo” affidabile per cui non è necessaria revisione critica, l’illusione di possedere conoscenza autentica perché l’IA fornisce risposte ben articolate, e la rassegnazione alla “delega del pensiero”.
Lo stesso discorso si applica alla formazione di profili professionali. Creando una forbice tra i due profili già individuati nella lezione introduttiva, questo approccio didattico tende a produrre professionisti in grado di usare l’IA per dare una rappresentazione credibile di conoscenza e ragionamento, ma che non dispongono delle competenze per verificarne la correttezza in modo autonomo. Di conseguenza, non sono in grado di dare un valore aggiunto personale: compromettono i propri saperi reali e, tra l’altro, la capacità di inserirsi in un mercato del lavoro che, come abbiamo visto, tende a tagliare le professionalità con poca o nulla capacità critica.
Apprendimento significativo ed IA
Per capire come integrare l’IA nella didattica occorre ripartire dagli obiettivi primari della didattica: acquisizione di saperi, sviluppo del ragionamento e capacità di pensiero critico.
Queste capacità si costruiscono facendo fatica: studiando, ripetendo, ideando, strutturando, sbagliando e riscrivendo. L’idea centrale è che determinate condizioni di apprendimento che rendono il processo difficile e faticoso in fase di studio tendono a portare un apprendimento migliore e più duraturo rispetto a condizioni più facili. Ad esempio, studiare in più sessioni separate porta a un apprendimento che richiede più tempo ma è anche più stabile, perché stimola la memoria a lungo termine. Alternare problemi ed argomenti differenti costringe a uno sforzo cognitivo maggiore perché aumenta la complessità, ma migliora la capacità di distinguere i concetti e il ragionamento.
In generale, maggiore è lo sforzo cognitivo, più forti rimangono le tracce in memoria: la fatica porta a un’elaborazione più approfondita che permette di integrare le nuove conoscenze ed abilità a quanto già si sa. Nelle materie STEM, gli studenti che si scontrano con un problema e cercano di risolverlo tendono a imparare di più rispetto a quelli che ricevono già una soluzione pronta da rivedere. In alcuni settori, come l’informatica, si impara di più cercando di risolvere i problemi che tramite l’ascolto passivo delle lezioni.
La difficoltà deve però essere parametrata alle competenze ed ai saperi attuali dello studente (apprendimento di prossimità): lo sforzo deve quindi essere in qualche modo produttivo. L’aiuto del docente resta pertanto fondamentale, e va calibrato sul singolo individuo o sulla classe.
In conclusione, lo sforzo nell’apprendimento non solo è normale ma necessario per un apprendimento significativo. La sfida della didattica non è quindi evitare la fatica, ma associarla a ricompense produttive.
In questo senso l’IA può essere un valido aiuto proprio nel calibrare sia lo sforzo che gli aiuti a tale impegno.
La proposta si articola quindi nei seguenti punti fondamentali:
- L’uso dell’IA generativa per lo studente
- L’uso dell’IA generativa non migliora il processo di apprendimento: lo studente subisce passivamente la produzione del contenuto. Essa quindi non può essere utilizzata per generare la soluzione di un esercizio, ma può essere un valido strumento di supporto:
- lo studente può utilizzarla come tool per ricevere una spiegazione su un argomento ancora non ben compreso. Ad esempio, uno studente di informatica può chiedere che gli venga rispiegata la ricorsione anche con uno schema grafico, o apprendere come funziona tecnicamente il protocollo HTTP.
- Può essere usata per generare esercizi nuovi, con un approccio personalizzato sullo studente stesso, focalizzati su punti specifici.
- Occorre infine ribaltare il processo generativo: è lo studente a produrre l’elaborato, poi l’IA interviene a posteriori come “tutor critico” per analizzare il lavoro, evidenziare errori o proporre alternative. Si genera un meccanismo virtuoso in cui lo studente è spronato a migliorare il proprio elaborato mediante revisioni successive, e l’IA diventa assistente e non sostituto.
- L’uso dell’IA generativa non migliora il processo di apprendimento: lo studente subisce passivamente la produzione del contenuto. Essa quindi non può essere utilizzata per generare la soluzione di un esercizio, ma può essere un valido strumento di supporto:
- L’uso dell’IA generativa per il docente
- L’IA può essere un valido strumento per generare contenuti a supporto degli esercizi: mappe concettuali, schemi grafici ed esempi. Inoltre può essere usata per dare una forma plausibile e coerente ai contenuti del docente, personalizzati sulle classi e sui singoli studenti.
- L’IA consente di creare esercizi con varianti personalizzate per specifiche lezioni, cosa che va oltre le capacità dei libri di testo. In ambito informatico consente di creare anche centinaia di dataset utili per progetti software legati alla gestione dei dati (data science, database, Big Data), consentendo quindi agli studenti di svolgere “compiti di realtà” che li coinvolgano in progetti verosimili rispetto alla realtà.
- Produzione di materiale didattico per studenti BES/DSA personalizzato a livello di singolo studente, sotto forma di lezioni, esercizi, esempi e schemi.
- L’IA come oggetto di studio critico
- La didattica deve essere concentrata sul formare gli studenti non solo sui rischi di allucinazioni e bias, ma anche sul fatto che l’ingegneria del prompt è comunque in grado di mantenere una camera di eco, con modelli inferenziali che tendono comunque ad assecondare l’utente con risposte plausibili e ben costruite.
- Affrontare gli impatti dell’IA anche per quanto riguarda aspetti che non sono secondari: la condivisione in cloud di dati sensibili e la creazione di contenuti illeciti
In sintesi
L’IA non è un partner di apprendimento, ma uno strumento potente che può essere usato in due modi opposti: come oracolo a cui delegare il pensiero, oppure come assistente che amplifica lo sforzo cognitivo dello studente. La scelta non è neutra: determina se chi esce dalla scuola sarà in grado di verificare, criticare e valorizzare ciò che la macchina produce — o se si limiterà ad accoglierne l’output senza comprenderlo.
La sfida per la didattica non è quindi vietare o abbracciare l’IA, ma progettarne l’uso in modo che lo studente resti il produttore primario del sapere, la fatica cognitiva non venga eliminata ma calibrata, e il pensiero critico si costruisca attraverso l’esperienza diretta del processo — non attraverso la mera revisione di ciò che la macchina genera.
In definitiva, l’obiettivo della scuola nell’era dell’IA non cambia: formare persone capaci di pensare in modo autonomo. Cambia il contesto, e con esso le strategie: l’IA accelera la produzione di contenuti, ma non sostituisce il pensiero. La competenza che conta, in ogni disciplina e in ogni futuro professionale, non è saper scrivere il prompt: è saper dire quando una risposta è plausibile ma sbagliata.
