Intelligenza artificiale o intelligenza linguistica?
Prima di usare l’intelligenza artificiale a scuola, è necessario capire come funziona. Non basta imparare a usarla. Occorre comprenderla
L’intelligenza artificiale è entrata rapidamente nella scuola.
Insegnanti e studenti la utilizzano per preparare lezioni, scrivere testi, riassumere documenti, tradurre, cercare idee, risolvere problemi.
Si discute molto di come impiegarla nella didattica, di quali attività proporre e di quali rischi evitare.
Più raramente ci si sofferma su una domanda che dovrebbe precedere tutte le altre:
che cos’è, realmente, un’intelligenza artificiale linguistica?
È una domanda tutt’altro che teorica.
Ogni strumento dovrebbe essere conosciuto prima di essere utilizzato.
Nessuno guiderebbe un’automobile senza sapere almeno come funziona il volante, il freno o l’acceleratore.
Allo stesso modo, utilizzare quotidianamente un sistema di intelligenza artificiale senza comprenderne il funzionamento significa esporsi al rischio di attribuirgli capacità che non possiede oppure, al contrario, di sottovalutarne le potenzialità.
Conoscere come opera un’intelligenza linguistica non serve a diventare informatici. Serve a diventare utilizzatori più consapevoli.
Perché si parla di intelligenza “linguistica”
L’espressione intelligenza artificiale può indurre a un equivoco. Si immagina facilmente una macchina che osserva il mondo, ragiona come una persona, comprende ciò che legge e costruisce idee.
In realtà questi sistemi lavorano in modo molto diverso.
La loro materia prima non è il mondo, ma il linguaggio.
Non vedono direttamente la realtà, non fanno esperienze, non possiedono ricordi personali, non provano emozioni.
Tutto ciò che “conoscono” passa attraverso parole, frasi, testi, immagini descritte con il linguaggio.
Per questo è forse più corretto parlare di intelligenza linguistica.
Il linguaggio è contemporaneamente il materiale con cui lavora e il prodotto che restituisce.
Possiamo, anche, parlare di Modelli di intelligenza linguistica o di Modelli linguistici di grandi dimensioni, LLM. Sono sistemi, basati su architetture di predizione statistica del linguaggio e interagiscono con processi cognitivi fondamentali quali comprensione, memoria, ragionamento e metacognizione.
In termini più tecnici possiamo dire che l’intelligenza linguistica è un sistema computazionale che genera linguaggio naturale attraverso la predizione statistica di sequenze di token.
Non possiede intenzionalità, comprensione semantica o rappresentazioni mentali del mondo: opera esclusivamente sulla base di correlazioni linguistiche.
Chiamarla “intelligenza linguistica” invece che “artificiale” ha un vantaggio didattico preciso: toglie il velo di mistero e antropomorfizzazione che il termine “intelligenza artificiale” porta con sé (film, fantascienza, immaginario da “macchina pensante”), e riporta l’attenzione su cosa questi strumenti fanno davvero — manipolare linguaggio in modo statisticamente sofisticato.
Linguaggio e pensiero
La psicologia cognitiva ha mostrato che il pensiero umano non coincide con il linguaggio.
Secondo Kahneman, il ragionamento si articola in due sistemi:
Sistema 1: rapido, intuitivo, associativo;
Sistema 2: lento, deliberativo, analitico.
L’intelligenza linguistica imita il Sistema 1: produce risposte fluide e coerenti, ma prive di verifica epistemica. Questo la rende uno strumento potente, ma anche potenzialmente fuorviante.
Funzionamento dei modelli linguistici
I modelli linguistici operano attraverso tokenizzazione (frammenti di testo per un’agevole manipolazione), calcolo delle probabilità condizionate, generazione sequenziale.
Non esiste una rappresentazione interna del significato: esiste una mappa statistica delle relazioni tra parole.
Il processo di tokenizzazione è importante anche per capire il senso dei prodotti dell’intelligenza linguistica.
Questi sistemi non comprendono il linguaggio come un essere umano ma lo tratta come una sequenza di simboli statistici.
Non hanno comprensione semantica, il modello non “capisce” il significato, manipola pezzetti di testo (token) secondo probabilità.
Attraverso la fluidità linguistica che caratterizza la forma dei loro prodotti, creano l’illusione di comprensione, un testo sembra vero, anche quando non lo è.
Questo processo di elaborazione di sequenza linguistiche e il loro contenuto ci mette sull’avviso che i sistemi di AI:
- possono sbagliare pur sembrando convincenti
- non “pensano” (non producono significato) ma predicono sequenze di contenuti
- non possiedono intenzionalità e comprensione
Una prima conclusione è che un LLM non verifica la verità delle sue affermazioni, genera testi plausibili, non necessariamente veri.
Da dove provengono le sue conoscenze
Per imparare a utilizzare il linguaggio, questi sistemi vengono addestrati su enormi quantità di testi.
Libri, articoli, documenti, siti web, manuali, dialoghi, opere letterarie e molti altri materiali consentono loro di riconoscere regolarità, collegamenti, modi di argomentare, stili espressivi e relazioni tra concetti.
Non studiano come farebbe uno studente.
Non memorizzano pagine per poi ripeterle.
Apprendono invece come gli esseri umani costruiscono il linguaggio quando descrivono un fenomeno, spiegano un concetto, raccontano un’esperienza o sostengono una tesi.
È una differenza importante.
Che cosa accade quando scriviamo una domanda
Quando rivolgiamo una domanda a un sistema di intelligenza linguistica non stiamo interrogando un’enciclopedia.
La domanda diventa il punto di partenza di una nuova costruzione linguistica.
Il sistema analizza il significato delle parole, individua i collegamenti più pertinenti e genera una risposta una parola dopo l’altra, scegliendo ogni volta quella che, nel contesto, appare più adatta a proseguire il testo.
La risposta, quindi, non esisteva già.
Viene costruita nel momento stesso in cui viene richiesta.
Ogni nuova domanda genera un nuovo percorso e una nuova risposta.
Perché le risposte appaiono così convincenti
Chi utilizza questi sistemi rimane spesso colpito dalla qualità della scrittura.
I testi sono generalmente scorrevoli, ben organizzati e coerenti.
Le argomentazioni seguono una logica comprensibile e il lessico si adatta facilmente al contesto richiesto.
Questa capacità deriva dall’enorme quantità di esempi linguistici su cui il sistema è stato addestrato.
Ha imparato come gli esseri umani scrivono un saggio, preparano una relazione, spiegano un argomento o rispondono a una domanda.
Ma qui occorre prestare attenzione.
La qualità del linguaggio non garantisce la qualità del contenuto.
Un testo può essere elegante, ben scritto e perfettamente scorrevole, pur contenendo informazioni inesatte, interpretazioni discutibili o errori.
La forma non coincide necessariamente con la verità.
Perché può sbagliare
L’intelligenza linguistica non distingue sempre ciò che è vero da ciò che è semplicemente plausibile.
Può combinare informazioni corrette in modo improprio.
Può attribuire una citazione alla persona sbagliata.
Può indicare dati inesatti.
Può persino inventare riferimenti bibliografici che sembrano perfettamente credibili.
L’aspetto più insidioso è che questi errori vengono spesso presentati con lo stesso tono sicuro con cui vengono presentate le informazioni corrette.
Per questo motivo non è sufficiente leggere un testo prodotto dall’IA.
Occorre valutarlo criticamente.
Che cosa produce realmente un’intelligenza linguistica
È forse questo il punto più importante.
Un’intelligenza linguistica produce testi.
Non produce conoscenza.
Non produce esperienza.
Non produce comprensione.
Non produce giudizio.
Non produce responsabilità.
Queste appartengono alle persone.
Un testo può contenere informazioni preziose, suggerire collegamenti originali, offrire punti di vista interessanti.
Ma la conoscenza nasce soltanto quando qualcuno legge, confronta, verifica, interpreta e integra quelle informazioni nella propria esperienza.
Confondere un testo con la conoscenza significa confondere il punto di partenza con il punto di arrivo.
Come utilizzare in modo corretto un testo generato dall’IA
Un testo prodotto dall’intelligenza artificiale dovrebbe essere considerato come una prima elaborazione, non come un risultato definitivo.
Andrebbe letto criticamente.
Verificato.
Corretto quando necessario.
Arricchito con esempi.
Confrontato con altre fonti.
Rielaborato attraverso il proprio pensiero.
Solo allora diventa realmente utile.
Il problema non nasce quando uno studente utilizza un testo generato dall’IA.
Nasce quando smette di pensare che quel testo richieda ancora il suo intervento.
La scuola davanti all’intelligenza linguistica
È qui che la riflessione diventa educativa.
Se la scuola considera l’intelligenza artificiale come uno strumento che permette agli studenti di fare meno fatica, rischia di indebolire proprio quelle attività che dovrebbe sviluppare: comprendere, argomentare, scegliere, scrivere, dubitare, verificare.
Se invece la utilizza per confrontare punti di vista, analizzare errori, migliorare un testo, discutere argomentazioni, individuare omissioni e costruire nuove domande, allora può trasformarsi in un’opportunità didattica.
La differenza non dipende dalla tecnologia.
Dipende dal progetto educativo.
Rischi cognitivi
Illusione di comprensione
La fluidità del testo generato può indurre lo studente a credere di aver compreso un concetto senza averlo realmente elaborato. L’IA, producendo testi fluidi e coerenti, rafforza questa scorciatoia: lo studente può credere di aver capito qualcosa solo perché lo ha letto in modo chiaro.
Fenomeno coerente con la fluency illusion studiata da Lynn Reder.
Riduzione dello sforzo cognitivo ed erosione dello sforzo cognitivo
La psicologia cognitiva mostra che la competenza nasce dai processi attivi di elaborazione, di errore, di correzione, di riflessione metacognitiva.
L’IA può sostituire queste fasi, indebolendo la costruzione della conoscenza e la “manualità cognitiva”.
Omogeneizzazione dello stile e del pensiero
Un uso passivo e ripetuto degli stessi strumenti può portare a una standardizzazione del linguaggio e delle argomentazioni tra studenti diversi, con perdita di voce personale.
Se la scrittura, il calcolo o il ragionamento vengono costantemente delegati allo strumento, le competenze fondamentali rischiano di non svilupparsi mai pienamente — un po’ come usare sempre il navigatore senza mai imparare a orientarsi.
Bias e distorsioni
I modelli linguistici riflettono i bias (stereotipi) presenti nei dati di addestramento.
La psicologia sociale (Banaji, Greenwald) evidenzia come i bias impliciti siano difficili da riconoscere, proprio perché sembrano formulazioni naturali e possano influenzare giudizi e decisioni. L’IA li amplifica se non vengono riconosciuti.
“Allucinazioni”
I modelli linguistici a volte generano informazioni false con la stessa sicurezza con cui generano informazioni vere — citazioni inventate, date sbagliate, fonti inesistenti. Senza un pensiero critico allenato, lo studente non ha strumenti per accorgersene.
Opacità epistemica
L’assenza di fonti verificabili contrasta con i principi della information literacy e della metacognizione epistemica (Flavell).
Sviluppare il pensiero, una responsabilità che rimane umana
L’intelligenza linguistica produce parole.
Le persone costruiscono significati.
La prima può aiutare a organizzare un discorso, sintetizzare informazioni, proporre collegamenti, suggerire formulazioni.
Il secondo richiede esperienza, riflessione, cultura, capacità critica e responsabilità.
Per questo motivo la domanda che la scuola dovrebbe porsi non è se utilizzare o meno l’intelligenza artificiale.
La domanda è un’altra.
Come possiamo fare in modo che, mentre l’intelligenza artificiale produce linguaggio, gli studenti continuino a costruire pensiero?
Forse è proprio da questa domanda che dovrebbe iniziare ogni riflessione sull’intelligenza artificiale in ambito educativo.
Una prima risposta
Ci siamo domandati come si possa fare in modo che, mentre l’intelligenza artificiale produce linguaggio, gli studenti continuino a costruire pensiero.
Una risposta definitiva non esiste ancora.
L’intelligenza artificiale è una tecnologia troppo recente perché se ne possa delineare una pedagogia consolidata.
È però possibile indicare alcuni principi che, indipendentemente dagli strumenti e dalle loro future evoluzioni, sembrano già oggi costituire un riferimento solido.
Il primo è che l’intelligenza artificiale non dovrebbe sostituire i processi cognitivi fondamentali dell’apprendimento, ma sostenerli.
Comprendere un testo, formulare ipotesi, argomentare una tesi, confrontare punti di vista, verificare informazioni, prendere decisioni, riconoscere un errore, costruire una sintesi personale: sono attività attraverso le quali una persona sviluppa il proprio pensiero.
Se vengono sistematicamente delegate a una macchina, non si trasferisce semplicemente un compito: si rinuncia a un’occasione di apprendimento.
Il secondo principio è che l’interazione con l’intelligenza artificiale dovrebbe generare nuove domande più che fornire risposte definitive.
Una risposta ben formulata può rappresentare un punto di partenza, non un punto di arrivo.
Il valore educativo non risiede nel testo prodotto, ma nel dialogo critico che quel testo è capace di suscitare.
Il terzo principio riguarda il ruolo dell’insegnante. In una scuola nella quale il linguaggio può essere prodotto anche da una macchina, l’insegnante diventa ancora più importante.
Non come semplice trasmettitore di informazioni, ma come guida nell’interpretazione, nella valutazione, nella costruzione di significati e nell’esercizio del giudizio critico.
Infine, occorre ricordare che la finalità della scuola non è produrre testi, ma formare persone.
L’intelligenza artificiale può contribuire alla produzione di linguaggio.
L’educazione continua invece ad avere il compito di sviluppare capacità di comprendere, di scegliere, di assumersi responsabilità, di attribuire senso all’esperienza.
È in questo spazio, irriducibilmente umano, che il pensiero prende forma.
Le riflessioni che seguiranno in questo lavoro muovono da questi principi e cercheranno di approfondirli, verificarli e tradurli in prospettive educative concrete.
