Con l’IA gli studenti e gli insegnanti lavorano di meno o di più?

In breve

Con l’IA studenti e insegnanti possono lavorare molto di meno: produrre testi, materiali, esercizi, sintesi, presentazioni e altri artefatti richiede ormai una frazione del tempo e dello sforzo di prima. E va benissimo così quando a scomparire è lavoro inutile, ripetitivo o puramente esecutivo. Il problema nasce quando l’IA elimina anche il lavoro attraverso il quale si impara. Se vogliamo usarla per insegnare e imparare bene, lo studente deve continuare a comprendere, interrogare, verificare, scegliere, rielaborare e dare prova di ciò che ha appreso; l’insegnante deve progettare attività e ambienti nei quali questo lavoro cognitivo possa avvenire e diventare visibile. L’IA può quindi farci lavorare di meno e farci lavorare di più: la questione decisiva è quale lavoro le affidiamo e quale deve continuare a essere fatto dalla persona.

La risposta è semplice, almeno in prima battuta: con l’IA si può lavorare molto di meno e si può lavorare molto di più. Dipende da che cosa le facciamo fare e da che cosa continuiamo a fare noi.

Per lo studente

Lo studente lavora di meno se usa l’IA per ottenere ciò che prima doveva costruire: un testo, una ricerca, una sintesi, una soluzione, una presentazione, un’argomentazione. Può ottenere un prodotto migliore in una frazione del tempo e con una frazione dello sforzo.

Una parte del lavoro dello studente scompare davvero.

Lo studente lavora di più se usa l’IA per imparare: deve interrogare, confrontare risposte, verificare, individuare errori, chiedere spiegazioni, mettere alla prova le proprie idee, motivare perché accetta o rifiuta una proposta, rielaborare, trasferire ciò che ha compreso.

Non necessariamente passa più ore a studiare. Ma fa più operazioni cognitive. Ed è questo il lavoro che ci interessa.

Per l’insegnante

L’insegnante lavora di meno se usa l’IA per preparare ciò che prima preparava personalmente: lezioni, schede, esercizi, verifiche, rubriche, presentazioni, materiali differenziati. Può lavorare molto meno.

Se poi mantiene sostanzialmente la didattica precedente — assegna, raccoglie, corregge, mette il voto — il risparmio può essere enorme.

L’insegnante lavora di più se prende sul serio il fatto che i suoi studenti hanno a disposizione l’IA.

Non può più semplicemente assegnare un prodotto e valutarlo. Deve progettare che cosa deve fare lo studente, decidere che cosa può delegare, costruire attività nelle quali le operazioni cognitive importanti non vengano fatte dalla macchina, osservare il processo, interrogare lo studente, verificare l’appropriazione della conoscenza, cercare evidenze dell’apprendimento diverse dal semplice artefatto finale.

L’IA può far lavorare meno l’insegnante che produce materiali. Può far lavorare di più l’insegnante che vuole capire se i suoi studenti stanno imparando.

Con l’IA si lavora di meno. Molto di meno.

Partiamo dalla risposta più ovvia.

Con l’IA si lavora di meno. Molto di meno.

Non dobbiamo avere paura di riconoscerlo.

Uno studente può ottenere in pochi minuti una sintesi che avrebbe richiesto un’ora, una presentazione che ne avrebbe richieste due, un testo ben strutturato che avrebbe dovuto pensare, scrivere e riscrivere. Può chiedere esempi, spiegazioni, confronti, soluzioni. Può perfino consegnare un prodotto migliore di quello che sarebbe riuscito a realizzare da solo.

L’insegnante può preparare una lezione, costruire una prova, generare esercizi, differenziare materiali, predisporre una rubrica, riformulare una spiegazione, produrre esempi e controesempi in una frazione del tempo che avrebbe impiegato prima.

Non è una promessa futura. Sta già accadendo.

Se per lavoro intendiamo il tempo e lo sforzo necessari per produrre qualcosa, la questione potrebbe chiudersi qui.

L’IA fa risparmiare lavoro.

Ed è una buona notizia.

Non tutto il lavoro merita di essere salvato

Non abbiamo alcun motivo per difendere il lavoro solo perché è lavoro.

Non c’è niente di educativo nel perdere tempo.

Non c’è niente di formativo nel fare a mano qualcosa che una macchina può fare meglio e più velocemente, se il farlo a mano non è ciò che vogliamo imparare.

Se per costruire una presentazione uno studente impiega metà del tempo perché l’IA lo aiuta nell’impaginazione, benissimo.

Se un insegnante non deve più passare un pomeriggio a costruire dieci varianti dello stesso esercizio, altrettanto bene.

Se l’IA elimina lavoro inutile, ben venga.

La fatica non è un obiettivo didattico.

Ma nemmeno la sua eliminazione lo è.

Ed è qui che la faccenda comincia a diventare interessante.

Il problema comincia quando eliminiamo il lavoro attraverso il quale impariamo

Ci sono cose che facciamo soltanto per arrivare a un risultato.

E ci sono cose che facciamo perché facendole impariamo.

La differenza è enorme.

Formulare una domanda, costruire un’argomentazione, confrontare due spiegazioni, cercare un errore, scegliere tra soluzioni differenti, trovare un controesempio, giustificare una decisione, collegare conoscenze, applicare un concetto a una situazione nuova non sono soltanto operazioni necessarie per produrre un buon elaborato.

Sono attività attraverso le quali si costruiscono conoscenze e capacità.

Ed ecco il problema.

L’IA sa fare anche queste cose.

Non si limita a impaginare, correggere un refuso o eseguire un’operazione ripetitiva. Può formulare la domanda, costruire l’argomentazione, effettuare il confronto, trovare l’errore, proporre il controesempio, scegliere la soluzione e scrivere anche la giustificazione della scelta.

Tecnicamente è magnifico.

Didatticamente cambia tutto.

Perché se quella particolare operazione è proprio ciò che lo studente dovrebbe imparare a fare, delegarla alla macchina non significa semplicemente risparmiargli lavoro.

Significa eliminare il lavoro attraverso il quale avrebbe dovuto imparare.

Se deve imparare a costruire un’argomentazione, non possiamo far costruire sempre l’argomentazione alla macchina.

Se deve imparare a valutare delle alternative, non possiamo far valutare sempre le alternative alla macchina.

Se deve imparare a formulare buone domande, non possiamo accontentarci che sia la macchina a formularle.

Non perché fare queste cose sia faticoso e la fatica faccia bene.

Per una ragione molto più semplice:

alcune cose si imparano facendole.

Il problema non è quanto lavoro eliminiamo. È quale lavoro eliminiamo.

A questo punto la domanda cambia.

Non dobbiamo chiederci quanto lavoro possiamo far fare all’IA. Potremmo farle fare moltissimo.

La domanda interessante è un’altra:

Quale lavoro possiamo far fare all’IA senza farle fare anche il lavoro attraverso il quale la persona dovrebbe imparare?

Il confine non passa tra attività semplici e attività complesse.

E nemmeno tra ciò che l’IA sa fare e ciò che non sa fare.

Passa attraverso gli obiettivi dell’apprendimento.

Se sto cercando di imparare a fare qualcosa, delegare sistematicamente proprio quella cosa alla macchina è quantomeno bizzarro.

Se invece un’attività è soltanto strumentale rispetto a ciò che voglio imparare, automatizzarla può liberare tempo e risorse per occuparmi di ciò che conta davvero.

Per questo una stessa operazione può essere tranquillamente delegata in una situazione e non in un’altra.

Non esiste una lista universale delle cose che devono essere fatte dall’uomo e delle cose che possiamo affidare alla macchina.

Dobbiamo sapere che cosa vogliamo che impari la persona.

Solo dopo possiamo decidere che cosa possa fare la macchina.

Ed è proprio qui che ritorna una convinzione maturata più volte nelle riflessioni precedenti:

Quanto più la macchina diventa capace, tanto più diventa facile farne un uso povero.

Una macchina poco capace poteva sostituirci soprattutto nel lavoro esecutivo.

Una macchina molto capace può sostituirci anche nel pensare.

E allora il confine non ce lo offre più la tecnologia.

Dobbiamo tracciarlo noi.

Lo studente non deve soltanto fare cose diverse. Deve studiare in modo diverso

Dire che con l’IA lo studente può lavorare di più non significa semplicemente aggiungere qualche attività cognitiva al modo in cui studiava prima.

Il cambiamento è più profondo.

Lo studente deve imparare a studiare in un ambiente nel quale una parte del lavoro cognitivo può essere svolta anche da una macchina.

Questo cambia il modo in cui affronta un problema, cerca informazioni, costruisce una spiegazione, scrive, studia un testo, sviluppa un progetto.

Può usare l’IA per farsi spiegare qualcosa che non comprende. Ma poi deve confrontare quella spiegazione con ciò che già sa.

Può utilizzarla per generare alternative. Ma deve imparare a scegliere.

Può chiederle di criticare un’idea. Ma deve decidere se la critica regge.

Può costruire con essa una prima rappresentazione di un problema e poi modificarla.

Può farle assumere una posizione e provare a confutarla.

Può chiederle esempi, controesempi, analogie, casi limite.

Può utilizzare la conversazione per scoprire che la domanda dalla quale era partito era troppo semplice o addirittura sbagliata.

Tutto questo non è semplicemente usare l’IA.

È un modo diverso di studiare.

E può essere molto più impegnativo del chiedere alla macchina di produrre qualcosa.

Produrre diventa più facile. Studiare bene può diventare più esigente.

E deve anche dare prova di ciò che ha imparato

Dentro questo nuovo modo di studiare compare poi un secondo lavoro.

Il prodotto finale non basta più.

Se un testo, una presentazione, una mappa, una soluzione o un progetto possono essere costruiti insieme all’IA, lo studente deve essere in grado di mostrare quale apprendimento si sia prodotto durante quel lavoro.

Deve lasciare e produrre tracce.

Deve poter spiegare perché ha seguito una strada e non un’altra, quali alternative ha considerato, che cosa ha verificato, quali proposte dell’IA ha modificato o rifiutato, dove ha cambiato idea.

E deve soprattutto essere capace di interagire con l’insegnante intorno a ciò che ha fatto.

Spiegare.

Rispondere a domande.

Giustificare.

Modificare una soluzione.

Affrontare una variazione del problema.

Utilizzare ciò che sostiene di avere compreso in una situazione differente.

Con l’IA non basta più fare bene il compito. Lo studente deve anche dare prova di aver imparato.

Questo significa più lavoro.

Ma sarebbe un errore ridurre tutto il nuovo lavoro dello studente a questa dimostrazione.

Prima di dare prova dell’apprendimento, deve esserci stato apprendimento.

Ed è già cambiato il modo di lavorare necessario per produrlo.

L’insegnante non deve aggiungere l’IA alla vecchia didattica

La stessa cosa vale per l’insegnante.

Potremmo immaginare una soluzione apparentemente semplice: continuiamo a insegnare come prima, lasciamo entrare l’IA e aggiungiamo qualche controllo per verificare che gli studenti abbiano realmente imparato.

Non basta.

Ma perché dovremmo far entrare l’IA nell’ambiente di apprendimento?

La risposta non può essere: perché c’è.

Abbiamo già commesso questo errore con altre tecnologie: prima introdurle nella scuola e poi cercare una buona ragione didattica per usarle. Il percorso dovrebbe essere esattamente l’opposto.

Prima chiediamoci in quali condizioni si impara bene. Poi chiediamoci se, e in quali di queste condizioni, l’IA possa offrire qualcosa di realmente utile.

Può, per esempio, offrire allo studente un interlocutore con cui mettere continuamente alla prova le proprie idee; moltiplicare esempi, controesempi e rappresentazioni; sostenere cicli di tentativo, feedback e revisione; offrire aiuti graduati; permettere di esplorare rapidamente variazioni dello stesso problema.

Sono possibilità interessanti.

Ma una possibilità tecnologica non è ancora una ragione pedagogica per usarla.

La questione merita un approfondimento autonomo e ci torneremo.

Qui ci basta stabilire un punto: se decidiamo, per buone ragioni didattiche, di far entrare l’IA nell’ambiente di apprendimento, non possiamo semplicemente aggiungerla alla didattica precedente.

Dobbiamo ripensare almeno in parte il modo in cui lo studente studia e il modo in cui l’insegnante insegna.

Per l’insegnante significa decidere quando usare l’IA e quando non usarla.

Per fare che cosa.

Con quale funzione.

In quale fase del lavoro.

Significa progettare attività nelle quali l’IA possa aiutare lo studente senza sostituire proprio le operazioni cognitive che vogliamo sviluppare.

Significa prevedere momenti nei quali lo studente lavora da solo, momenti nei quali lavora con l’IA, momenti nei quali lavora con altri studenti e momenti nei quali interagisce con l’insegnante.

Significa decidere quando l’IA offre un aiuto che consente allo studente di andare oltre ciò che riuscirebbe a fare da solo e quando, invece, sta semplicemente facendo il lavoro al suo posto.

Significa costruire problemi, situazioni, conversazioni, richieste di spiegazione e occasioni di rielaborazione.

E significa essere pronti a modificare un’attività quando scopriamo che l’IA ha reso cognitivamente irrilevante ciò che prima aveva senso chiedere.

Questo è lavoro didattico.

E non consiste nel produrre più materiali.

Consiste nel progettare diversamente l’apprendimento.

L’IA può far lavorare meno l’insegnante che produce materiali. Può far lavorare di più l’insegnante che vuole insegnare bene e che vuole capire se i suoi studenti stanno imparando.

La prima parte di questa frase riguarda la produzione.

La seconda riguarda l’insegnamento.

Non sono la stessa cosa.

E poi bisogna rendere visibile l’apprendimento

Dentro questo nuovo ambiente c’è anche il problema della valutazione.

Ma è una parte del problema, non il problema intero.

Se il prodotto finale non ci dice più abbastanza, l’insegnante deve costruire occasioni nelle quali l’apprendimento diventi visibile.

Deve osservare processi, raccogliere tracce, conversare con gli studenti, chiedere spiegazioni e giustificazioni, proporre variazioni, mettere alla prova ciò che sembra essere stato appreso.

E deve mettere insieme evidenze differenti.

Non necessariamente più documenti.

Più evidenze.

Una spiegazione può essere un’evidenza.

Una conversazione può esserlo.

La capacità di modificare una soluzione può esserlo.

Un learning log può esserlo.

L’applicazione a un caso nuovo può esserlo.

Anche questo richiede lavoro: progettare queste situazioni, realizzarle, osservarle, interpretarle e, quando necessario, documentarle.

Il vecchio circuito assegnare → raccogliere → correggere → valutare era certamente più economico.

Con l’IA rischia anche di dirci molto poco.

Non stiamo aggiungendo lavoro alla vecchia scuola

Questo è forse il punto sul quale dobbiamo essere più chiari.

Non stiamo proponendo di mantenere tutto ciò che insegnanti e studenti facevano prima e di aggiungervi sopra una nuova montagna di attività rese necessarie dall’IA.

Sarebbe insostenibile.

E probabilmente anche inutile.

Una parte del vecchio lavoro deve scomparire.

L’IA ci permette di eliminarlo.

Il tempo e le energie liberate devono però essere spostati.

Per lo studente, dalla produzione automatizzabile verso l’interrogazione, la comprensione, la scelta, la verifica, la rielaborazione, l’uso della conoscenza e la capacità di dare prova del proprio apprendimento.

Per l’insegnante, dalla produzione di materiali e dalla correzione seriale verso la progettazione dell’ambiente di apprendimento, l’interazione con gli studenti, l’osservazione dei processi, la regolazione degli aiuti e la costruzione di evidenze dell’apprendimento.

Lo studente deve studiare in modo diverso.

L’insegnante deve insegnare in modo diverso.

Ed entrambi, in alcuni momenti, possono lavorare meno.

In altri dovranno lavorare di più.

Ma soprattutto dovranno fare un lavoro diverso.

Un buon prodotto non basta più

Arriviamo così a uno degli effetti più evidenti di questo cambiamento.

Per molto tempo abbiamo potuto comportarci come se esistesse una relazione abbastanza affidabile tra il prodotto dello studente e il lavoro cognitivo necessario per produrlo.

Un buon testo faceva pensare a una buona capacità di scrittura.

Una buona ricerca faceva pensare a una buona conoscenza dell’argomento.

Una buona presentazione faceva pensare che chi l’aveva costruita padroneggiasse ciò che stava presentando.

Non è mai stato così semplice.

Ma potevamo permetterci di comportarci come se lo fosse.

Adesso molto meno.

Un ottimo prodotto non dimostra più un ottimo apprendimento.

Forse non lo ha mai dimostrato.

Oggi, però, non possiamo più far finta di non saperlo.

L’IA può produrre la prestazione senza che lo studente abbia compiuto il processo cognitivo che tradizionalmente associavamo a quella prestazione.

Ed è forse questa una delle perturbazioni più interessanti che sta introducendo nella scuola.

Non ci costringe soltanto a inventare nuovi compiti.

Ci costringe a ripensare il modo in cui si studia, il modo in cui si insegna e il modo in cui cerchiamo di capire se qualcuno ha imparato.

Allora: si lavora di più o di meno?

Torniamo alla domanda.

Con l’IA studenti e insegnanti lavorano di più o di meno?

Se la usiamo per produrre ciò che prima producevamo noi, lavoriamo di meno. Anche molto di meno.

Se la utilizziamo per costruire un ambiente nel quale gli studenti possano imparare meglio, il lavoro aumenta.

Aumenta per lo studente, che non può limitarsi a ottenere prodotti ma deve interrogare, scegliere, verificare, rielaborare, usare e rendere visibile ciò che ha imparato.

Aumenta per l’insegnante, che non può limitarsi a produrre materiali, assegnare attività e correggere prodotti, ma deve progettare e governare un ambiente di apprendimento molto più articolato.

Non dobbiamo salvare il lavoro inutile.

Non dobbiamo conservare la fatica.

Facciamo fare all’IA tutto il lavoro inutile che può fare.

Ma utilizziamo ciò che abbiamo guadagnato per fare meglio il lavoro che serve a imparare e a insegnare.

È qui che la domanda apparentemente banale — lavoreremo di più o di meno? — smette di essere una questione di risparmio di tempo.

Diventa una questione didattica.

E possiamo vederlo concretamente osservando alcune situazioni nelle quali il problema si presenta già con particolare evidenza.

Tre casi in cui il lavoro non scompare: si sposta

Fin qui abbiamo ragionato in termini generali.

Proviamo adesso a vedere che cosa succede in tre situazioni molto concrete, già incontrate nelle riflessioni precedenti.

In tutti e tre i casi l’IA rende qualcosa molto più facile.

E proprio per questo rende necessario altro lavoro.

Non per compensare il vantaggio ottenuto.

Ma perché ciò che è diventato facile non coincide necessariamente con ciò che vogliamo che lo studente impari.

1. Produrre un buon artefatto è diventato facile. Dimostrare di aver imparato, no.

Una ricerca, una relazione, una presentazione, una mappa concettuale, un testo argomentativo sono stati per molto tempo utilizzati anche come rappresentazioni dell’apprendimento dello studente.

L’insegnante assegnava un compito.

Lo studente lavorava.

Produceva qualcosa.

L’insegnante osservava quel prodotto e cercava di inferire da esso che cosa lo studente avesse imparato.

La relazione non è mai stata perfetta.

Un ottimo elaborato poteva nascondere una comprensione modesta. Un prodotto mediocre poteva essere il risultato di un processo di apprendimento importante.

Ma una certa relazione tra il lavoro necessario per costruire il prodotto e le capacità dello studente poteva essere ragionevolmente presupposta.

L’IA rompe questa relazione.

O, almeno, la rende molto più debole.

Uno studente può produrre un testo eccellente senza saper scrivere un testo eccellente.

Può costruire una splendida presentazione senza padroneggiare ciò che presenta.

Può consegnare una mappa concettuale sofisticata senza possedere la rete di relazioni che quella mappa rappresenta.

Può arrivare alla soluzione corretta senza comprendere il problema.

Il prodotto può essere ottimo.

Ma non sappiamo più quanto apprendimento rappresenti.

Qui lo studente lavora certamente di meno per produrre.

Può bastare una conversazione relativamente breve con l’IA per ottenere qualcosa che prima avrebbe richiesto ore.

Ma se vogliamo sapere che cosa ha imparato, compare altro lavoro.

Lo studente deve essere capace di spiegare ciò che ha prodotto, giustificare le scelte, ricostruire il percorso, rispondere a domande, modificare una parte del lavoro, applicare ciò che sostiene di aver compreso a una situazione differente.

Deve produrre tracce ed evidenze del proprio apprendimento, non soltanto prodotti.

E l’insegnante deve creare le condizioni perché quelle evidenze possano emergere.

Deve progettare momenti di interazione, costruire domande, introdurre variazioni, osservare il processo, mettere in relazione evidenze differenti.

Deve anche documentare, quando serve, ciò che emerge da queste interazioni.

È molto più lavoro che raccogliere un elaborato, correggerlo e assegnare un voto.

Ma il punto non è aumentare il controllo sugli studenti.

Il punto è capire che cosa appartiene alla macchina, che cosa appartiene all’artefatto e che cosa appartiene allo studente.

Con l’IA questa distinzione non è più evitabile.

Un buon prodotto non basta più a dimostrare un buon apprendimento.

Forse non è mai bastato.

Adesso, però, è diventato molto difficile continuare a comportarsi come se bastasse.

2. Ottenere conoscenza è diventato facile. Possederne abbastanza è diventato ancora più importante.

Un secondo caso riguarda la conoscenza.

Per sapere qualcosa abbiamo sempre potuto utilizzare conoscenza esterna: libri, enciclopedie, appunti, manuali, Internet.

L’IA compie però un salto importante.

Non si limita a conservare conoscenza e a permetterci di cercarla.

Possiamo interrogarla.

Possiamo chiederle di selezionarla, organizzarla, sintetizzarla, confrontarla, spiegarla, adattarla al problema che stiamo affrontando.

Sapere senza dover sapere sembra diventare sempre più facile.

Perché allora continuare a studiare?

La domanda non è affatto provocatoria. È una domanda che gli studenti possono legittimamente porci.

Se una macchina continuamente disponibile può fornirmi ciò che mi serve quando mi serve, perché dovrei dedicare tempo ed energie a costruire conoscenza dentro di me?

Una parte della risposta sta proprio nel rapporto che vogliamo avere con quella macchina.

Per interrogare bene una fonte di conoscenza devo sapere abbastanza da formulare domande sensate.

Per capire una risposta devo possedere concetti ai quali collegarla.

Per riconoscere una risposta insufficiente devo sapere che qualcosa manca.

Per accorgermi di un errore devo avere qualche ragione per sospettarlo.

Per confrontare due spiegazioni devo possedere criteri.

Per decidere che cosa accettare e che cosa rifiutare devo poter esercitare un giudizio.

Per sapere di più attraverso l’IA devo continuare a sapere qualcosa senza l’IA.

È il problema della conoscenza interna ed esternalizzata e, più in generale, della sovranità cognitiva.

L’IA può diminuire enormemente il lavoro necessario per recuperare e organizzare conoscenza.

Ma se utilizziamo questo vantaggio per smettere progressivamente di costruire conoscenza interna, rischiamo di perdere proprio gli strumenti necessari per governare quella esterna.

Lo studente può quindi lavorare meno per cercare informazioni, sintetizzarle e organizzarle.

Ma deve continuare a lavorare per costruire strutture di conoscenza sufficientemente robuste da permettergli di comprendere, interrogare e giudicare ciò che ottiene.

E anche qui aumenta il lavoro dell’insegnante.

Non può più limitarsi a chiedersi quali informazioni lo studente debba ricordare.

Deve chiedersi:

Che cosa deve realmente sapere?

Che cosa può tranquillamente recuperare quando serve?

Quale conoscenza deve possedere per poter utilizzare criticamente quella che trova fuori di sé?

Quando la conoscenza esternalizzata estende le capacità dello studente e quando, invece, comincia a sostituirle?

Non esiste una risposta identica per tutte le discipline, tutte le età e tutti gli obiettivi.

Bisogna decidere.

E decidere è lavoro professionale.

L’IA rende meno necessario sapere alcune cose a memoria. Ma rende ancora più importante sapere abbastanza per capire, interrogare e giudicare ciò che la macchina ci restituisce.

La sovranità cognitiva non consiste nel fare tutto senza strumenti.

Consiste nel poter utilizzare gli strumenti senza consegnare loro anche la possibilità di decidere che cosa dobbiamo pensare.

3. Scrivere è diventato facile. Essere autori, molto meno.

Il terzo caso è forse quello che rende il problema più immediatamente visibile.

L’IA scrive.

E scrive molto bene.

Può costruire una prima bozza, sviluppare un’argomentazione, proporre una struttura, trovare esempi, modificare il registro, rendere più chiaro un passaggio, sintetizzare, ampliare, riscrivere.

Può anche produrre tutto il testo.

Scrivere è diventato molto più facile.

Se identifichiamo l’autorialità con la produzione materiale delle frasi, la conseguenza sembra inevitabile: più scrive la macchina, meno autore è lo studente.

Ma l’autorialità non si esaurisce nella digitazione delle parole.

Un autore definisce un problema.

Decide che cosa vuole dire.

Stabilisce una direzione.

Fa entrare alcune idee e ne lascia fuori altre.

Valuta proposte.

Rifiuta formulazioni.

Chiede approfondimenti.

Riconosce che una strada non porta da nessuna parte e torna indietro.

Modifica la propria posizione durante il lavoro.

Alla fine si assume la responsabilità del significato di ciò che presenta come proprio.

L’IA può ridurre enormemente il lavoro materiale della scrittura.

Ma proprio per questo dobbiamo chiederci dove si trovi adesso il lavoro dell’autore.

Uno studente che chiede «scrivimi un testo di mille parole su…» lavora pochissimo.

E può ottenere un testo eccellente.

Uno studente che utilizza l’IA per sviluppare un proprio problema, mettere alla prova un’idea, confrontare strutture possibili, farsi contestare un’argomentazione, verificare un’affermazione, riscrivere un passaggio che non esprime ciò che vuole dire, può lavorare moltissimo.

La differenza non sta nella quantità di testo prodotto dalla macchina.

Sta in chi governa il processo e chi si assume la responsabilità del risultato.

Anche qui il lavoro dell’insegnante cambia.

Non basta chiedere: «Hai scritto tu questo testo?»

La domanda diventa quasi inutilizzabile.

Bisogna chiedere piuttosto:

Da dove sei partito?

Quale problema volevi affrontare?

Che cosa hai chiesto all’IA e perché?

Quali sue proposte hai accettato?

Quali hai rifiutato?

Dove hai cambiato idea?

C’è qualcosa nel testo che non sapresti difendere?

Se dovessi riscrivere adesso la conclusione senza l’IA, che cosa diresti?

Queste domande non servono a scoprire il colpevole di un uso clandestino dell’IA.

Servono a capire se dietro il testo esiste un autore.

L’IA può scrivere al posto dello studente. Non può decidere al posto nostro se lo studente sia diventato autore di ciò che presenta.

E ancora una volta il paradosso ritorna.

Produrre il testo richiede meno lavoro.

Costruire e rendere visibile un’autorialità reale può richiederne di più.

Tre casi, lo stesso problema

I tre esempi sono diversi.

Nel primo l’IA mette in crisi il rapporto tra prodotto e apprendimento.

Nel secondo modifica il rapporto tra conoscenza interna e conoscenza esternalizzata.

Nel terzo modifica il rapporto tra scrittura e autorialità.

Ma il movimento è sempre lo stesso.

Qualcosa che prima richiedeva lavoro diventa facile.

Possiamo fermarci lì.

Possiamo usare l’IA per ottenere più rapidamente il prodotto, recuperare la conoscenza, scrivere il testo.

E allora lavoreremo davvero di meno.

Oppure possiamo domandarci che cosa, dietro quelle attività, volevamo che rimanesse nella persona.

Comprensione.

Conoscenza.

Capacità di giudizio.

Autorialità.

Autonomia.

A quel punto compare altro lavoro.

Per lo studente.

E per l’insegnante.

Non perché dobbiamo restituire artificialmente alla scuola la fatica che la tecnologia le ha tolto.

Ma perché non tutto ciò che l’IA può fare al nostro posto conviene che venga fatto al nostro posto.

La questione non si risolve quindi contando le ore risparmiate.

Si risolve chiedendoci, ogni volta:

Che cosa stiamo risparmiando?

e soprattutto:

Che cosa rischiamo di non imparare più facendo quel risparmio?