Intelligenza artificiale o intelligenza linguistica?

In breve

Chiamare sistemi come ChatGPT «intelligenza artificiale» può portarci ad attribuire loro capacità simili all’intelligenza umana. La proposta di chiamarli «intelligenza linguistica» non vuole introdurre una nuova categoria tecnica, ma adottare un linguaggio più prudente: questi sistemi mostrano capacità straordinarie nell’elaborare il linguaggio, senza che ciò dimostri esperienza, intenzionalità o comprensione nel senso umano. Le parole che usiamo per descrivere l’IA non sono neutrali: orientano il modo in cui la interpretiamo, le aspettative che costruiamo e il posto che siamo disposti ad assegnarle.

Il percorso di questo articolo

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 funzionano 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 propongo di parlare di intelligenza linguistica. Non è un termine tecnico in uso corrente, e non va confuso con l’intelligenza linguistica di cui parla Howard Gardner a proposito delle intelligenze umane: è una scelta di parole, pensata per descrivere con più prudenza che cosa fanno questi sistemi. Il linguaggio è contemporaneamente il materiale con cui lavorano e il prodotto che restituiscono.

In termini tecnici si parla di modelli linguistici di grandi dimensioni (in inglese Large Language Models, LLM). Sono sistemi basati sulla predizione statistica del linguaggio, che interagiscono con i processi cognitivi di chi li usa: comprensione, memoria, ragionamento, metacognizione.

Più precisamente, un modello linguistico è un sistema computazionale che genera linguaggio naturale prevedendo, frammento dopo frammento, la continuazione più probabile di un testo.

Non ha esperienza del mondo né intenzioni proprie. Al suo interno si formano rappresentazioni di concetti e di relazioni, ma apprese dal linguaggio e non dall’esperienza: se e in che senso questo sia «comprensione» è una questione ancora aperta, sulla quale la ricerca sta lavorando.

Chiamarla «intelligenza linguistica» invece che «artificiale» ha un vantaggio didattico preciso: toglie il velo di mistero e di antropomorfizzazione che il termine «intelligenza artificiale» porta con sé (film, fantascienza, immaginario della «macchina pensante») e riporta l’attenzione su ciò che questi strumenti fanno davvero: elaborare e produrre linguaggio in modo straordinariamente sofisticato.

Linguaggio e pensiero

La psicologia cognitiva ha mostrato che il pensiero umano non coincide con il linguaggio. Secondo Daniel Kahneman, il ragionamento si articola in due sistemi:

• Sistema 1: rapido, intuitivo, associativo;
• Sistema 2: lento, deliberativo, analitico.

Il modo di rispondere dell’intelligenza linguistica ricorda spesso il Sistema 1: fluido, rapido, coerente. I modelli più recenti procedono anche per passaggi espliciti prima di rispondere, in un modo che somiglia di più al Sistema 2, ma neppure questo garantisce una verifica di ciò che affermano. Questo li rende strumenti potenti, ma anche potenzialmente fuorvianti.

Come funzionano i modelli linguistici

I modelli linguistici operano attraverso tre passaggi: la tokenizzazione, cioè la scomposizione del testo in frammenti (token) facilmente manipolabili; il calcolo delle probabilità, cioè quale frammento sia più probabile dato ciò che precede; la generazione sequenziale, un frammento dopo l’altro.

La base è statistica: il modello impara le relazioni tra le parole da enormi quantità di testo. Ma da queste relazioni emergono rappresentazioni interne più astratte, che la ricerca sta cominciando a esplorare. Alcuni studi mostrano, per esempio, che un modello addestrato soltanto sulle mosse di un gioco si costruisce internamente una rappresentazione della scacchiera, o che un modello linguistico, prima di scrivere un verso, «sceglie» in anticipo la parola in rima verso cui dirigersi.

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: lo elaborano come sequenze di frammenti, calcolando quale continuazione sia più probabile. Che cosa resti, in questo processo, della comprensione del significato è materia di discussione. Ciò che è certo è che la fluidità dei loro testi crea un’impressione di comprensione che va sempre verificata: un testo può sembrare vero anche quando non lo è.

Questo modo di elaborare sequenze linguistiche ci mette in guardia: i sistemi di IA

• possono sbagliare pur sembrando convincenti;
• non pensano nel senso in cui pensa una persona: producono linguaggio predicendo sequenze, e il significato di ciò che producono va costruito da chi legge;
• non possiedono intenzioni proprie.

Una prima conclusione è che un modello linguistico non ha un modo affidabile di verificare la verità delle proprie 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 funzionano come un archivio di pagine da ripetere, anche se possono riprodurre a memoria brani molto diffusi nei testi di addestramento. Apprendono soprattutto come gli esseri umani costruiscono il linguaggio quando descrivono un fenomeno, spiegano un concetto, raccontano un’esperienza o sostengono una tesi.

Dopo questa prima fase, vengono ulteriormente addestrati con il giudizio di persone che valutano le loro risposte: è così che imparano a comportarsi come assistenti, a seguire le istruzioni e a rifiutare alcune richieste.

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 elabora le parole della domanda e il loro contesto, attiva i collegamenti più pertinenti e genera una risposta un frammento dopo l’altro, scegliendo ogni volta quello che, nel contesto, appare più adatto 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 una forma chiara. È un fenomeno coerente con le «illusioni di competenza» studiate da Robert Bjork e Asher Koriat: ciò che si legge con facilità sembra già appreso.

Riduzione 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». 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.

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.

Bias e distorsioni

I modelli linguistici riflettono i bias (gli stereotipi) presenti nei dati di addestramento. La psicologia sociale (Banaji, Greenwald) evidenzia come i bias impliciti siano difficili da riconoscere, proprio perché si presentano come formulazioni naturali, e possano influenzare giudizi e decisioni. L’IA rischia di amplificarli 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

Le fonti non sono sempre indicate e, quando lo sono, vanno comunque verificate: possono essere imprecise o non dire ciò che il testo attribuisce loro. È una condizione che chiama in causa l’educazione all’informazione e la metacognizione, nel senso indicato da John Flavell: la capacità di monitorare e valutare la propria conoscenza.

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.

Riferimenti

Anthropic (2025). Tracing the thoughts of a large language model. Ricerca sull’interpretabilità pubblicata il 27 marzo 2025; articolo tecnico: J. Lindsey et al., On the Biology of a Large Language Model, Transformer Circuits.

Banaji, M. R., Greenwald, A. G. (2013). Blindspot: Hidden Biases of Good People. New York, Delacorte Press.

Bjork, R. A., Dunlosky, J., Kornell, N. (2013). Self-regulated learning: Beliefs, techniques, and illusions. Annual Review of Psychology, 64, 417–444.

Carlini, N. et al. (2021). Extracting Training Data from Large Language Models. Proceedings of the 30th USENIX Security Symposium.

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906–911.

Gardner, H. (1983). Frames of Mind: The Theory of Multiple Intelligences. New York, Basic Books (trad. it. Formae mentis, Feltrinelli).

Kahneman, D. (2011). Thinking, Fast and Slow. New York, Farrar, Straus and Giroux (trad. it. Pensieri lenti e veloci, Mondadori, 2012).

Koriat, A., Bjork, R. A. (2005). Illusions of competence in monitoring one’s knowledge during study. Journal of Experimental Psychology: Learning, Memory, and Cognition, 31(2), 187–194.

Li, K., Hopkins, A. K., Bau, D., Viégas, F., Pfister, H., Wattenberg, M. (2023). Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task. International Conference on Learning Representations (ICLR 2023).

Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems (NeurIPS 2022).