Perché non usare l’IA, quando è così comodo farlo?
In breve
Non sappiamo ancora abbastanza, e proprio per questo non abbiamo il diritto di comportarci come se sapessimo già quale sarà l’esito. È questa la conclusione a cui arrivo sulle reali possibilità di inserire utilmente l’IA nelle attività educative. L’IA offre opportunità educative reali, ma tra ciò che rende possibile e ciò che accadrà davvero ci sono studenti, insegnanti e scuole reali, con i loro tempi, vincoli, incentivi e la naturale convenienza a delegare ciò che una macchina può fare più facilmente. Il rapporto del MIT mostra quanto sia impegnativo creare le condizioni perché l’IA sostenga l’apprendimento invece di sostituirne proprio quella fatica cognitiva attraverso cui impariamo. Per questo, più che proclami sul «buon uso» dell’IA, servono prudenza, piccoli passi, osservazione degli effetti e disponibilità a tornare indietro quando necessario. Anche decidere di non usare l’IA può essere una scelta pedagogicamente avanzata.
Perché uno studente dovrebbe impiegare mezz’ora per fare qualcosa che l’IA può fare in trenta secondi? Perché dovrebbe affrontare una difficoltà, tollerare l’incertezza, cercare una soluzione, sbagliare e ricominciare, quando ha a disposizione uno strumento che può evitargli buona parte di quella fatica?
È forse questa la domanda da cui dovremmo partire quando ragioniamo sull’IA a scuola. Non soltanto che cosa possiamo farne, e nemmeno come convincere studenti e insegnanti a farne un uso «consapevole e responsabile». Prima ancora dovremmo chiederci quali ragioni abbiano le persone per non delegare all’IA ciò che è più comodo delegarle.
La questione diventa particolarmente importante perché, in alcuni casi, proprio la fatica che l’IA ci consente di evitare è quella attraverso cui impariamo.
Quando la comodità entra nell’apprendimento
Il problema non è che gli studenti siano pigri, irresponsabili o poco consapevoli. È molto più semplice: se esiste un modo efficace per ottenere un risultato con meno tempo e meno fatica, utilizzarlo è un comportamento perfettamente ragionevole.
È proprio qui che molte riflessioni sull’IA a scuola rischiano di cadere in quella che ho chiamato pedagogia dei desideri: partiamo da ciò che la tecnologia rende possibile, individuiamo gli usi che consideriamo pedagogicamente desiderabili e finiamo per immaginare che studenti e insegnanti tenderanno spontaneamente a realizzarli.
Ma tra ciò che l’IA può consentire e ciò che le persone faranno con l’IA c’è una differenza fondamentale.
Possiamo immaginare uno studente che utilizza ChatGPT, Claude, Copilot per farsi porre domande, mettere alla prova le proprie idee, cercare controargomentazioni, confrontare spiegazioni e approfondire ciò che non ha capito. Sono tutte possibilità reali.
Ma lo stesso strumento può produrre in pochi secondi il testo che dovrebbe scrivere, risolvere il problema che dovrebbe affrontare, sintetizzare ciò che dovrebbe leggere.
Perché dovremmo aspettarci che, quando una tecnologia rende facile evitare una fatica, gli esseri umani utilizzino spontaneamente quella stessa tecnologia per procurarsi una fatica cognitivamente più produttiva?
Anche al MIT il problema è questo
Non è soltanto un’ipotesi sulla natura umana.
Nell’agosto 2026 il MIT ha pubblicato il rapporto finale del suo Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. E uno degli aspetti più interessanti del documento è che, accanto alle possibilità offerte dall’IA, prende molto sul serio proprio le condizioni nelle quali gli studenti decidono concretamente come utilizzarla.
Il rapporto osserva che gli studenti del MIT affrontano carichi di lavoro elevati e molte richieste concorrenti. Queste condizioni li spingono naturalmente verso l’efficienza. E, osservano gli autori, difficilmente esiste qualcosa di più efficiente che automatizzare il lavoro attraverso l’IA. Il prezzo, però, può essere la perdita proprio di quella cognitive friction e di quella productive struggle necessarie all’apprendimento.
Una macchina che toglie fatica
Una delle caratteristiche più potenti dell’IA generativa è infatti la capacità di togliere attrito. Ma insieme alla fatica inutile può eliminare o diminuire anche quella cognitivamente produttiva, attraverso cui, in determinate attività, impariamo.
L’IA accorcia molti dei passaggi che separano un’intenzione dal risultato. Cerca informazioni, sintetizza, propone una prima formulazione, corregge, spiega, risolve, suggerisce alternative. Ciò che richiedeva tempo, competenza o fatica può diventare quasi immediato.
Ed è un vantaggio enorme.
Ma nell’apprendimento nasce una domanda: quanto di quell’attrito era soltanto un ostacolo e quanto, invece, era parte del lavoro attraverso cui stavamo imparando?
Non tutta la fatica educa. Impaginare correttamente una bibliografia può essere una fatica che non aggiunge nulla all’apprendimento che ci interessa; cercare di capire se una fonte sia attendibile può invece essere precisamente l’attività cognitiva che vogliamo sviluppare.
L’IA non conosce questa differenza.
L’IA non distingue tra l’attrito che ostacola l’apprendimento e l’attrito attraverso cui l’apprendimento avviene. Siamo noi a doverlo distinguere.
È significativo che il rapporto del MIT arrivi esattamente su questo punto. Non propone semplicemente di impedire agli studenti di usare l’IA. Invita gli insegnanti a ripensare gli obiettivi di apprendimento e, solo dopo, a stabilire attività e valutazioni coerenti con quegli obiettivi. La domanda diventa: che cosa vogliamo che lo studente continui a sapere e a saper fare, ora che una parte del lavoro cognitivo può essere trasferita alla macchina?
Il problema non è ottenere la risposta giusta
Il rapporto formula un principio molto netto: “Augmentation not automation”.
Man mano che i sistemi diventano più capaci, osserva il MIT, sarà possibile — e allettante — affidare loro un numero crescente di compiti di pensiero. Gli studenti hanno riferito che questa tentazione diventa particolarmente forte quando temono di non riuscire a rispettare una scadenza. Il rapporto mette anche in guardia da una sorta di cognitive surrender: ottenere la risposta giusta dall’IA può produrre l’illusione di avere imparato e indurre a ricorrere alla macchina al primo segnale di difficoltà.
Qui compare una distinzione che attraversa molti degli articoli che ho dedicato all’IA a scuola: ottenere un buon prodotto e apprendere attraverso il processo che porta a quel prodotto sono due cose diverse.
Se lo scopo fosse soltanto scrivere un buon testo, risolvere correttamente un problema o produrre un programma funzionante, utilizzare lo strumento più efficiente sarebbe perfettamente sensato.
Ma a scuola il prodotto ha spesso una seconda funzione: è il risultato visibile di un’attività che facciamo svolgere allo studente perché, svolgendola, accada qualcosa nello studente.
È qui che diventa decisiva la questione della delegabilità: non tutto ciò che possiamo delegare senza peggiorare il risultato può essere delegato senza modificare ciò che rimane nella persona.
La domanda, quindi, non è semplicemente:
Che cosa può fare l’IA al posto dello studente?
ma:
Che cosa deve continuare a fare lo studente perché attraverso quel fare costruisca capacità che vogliamo rimangano sue?
Augmentation, certo. Ma perché dovrebbe accadere?
Il MIT propone che l’IA venga utilizzata per ampliare curiosità, creatività e apprendimento, non per automatizzarli. Ma introduce subito una precisazione particolarmente importante: l’augmentation non può rimanere un astratto “hoped-for ideal”, un risultato che semplicemente speriamo si realizzi. Deve diventare una pratica concreta che la pedagogia contribuisce a promuovere.
Qui ritrovo quasi esattamente il problema che avevo chiamato pedagogia dei desideri.
Possiamo desiderare che lo studente utilizzi l’IA per farsi porre domande invece che per ottenere risposte; per cercare controargomentazioni invece che conferme; per esplorare un problema invece che per farselo risolvere.
Ma il fatto che questi usi siano possibili e pedagogicamente desiderabili non li rende automaticamente probabili.
Per questo alla pedagogia dell’uso possibile dobbiamo affiancare quella che ho chiamato ecologia dell’uso probabile.
Non basta chiedersi che cosa lo strumento consenta di fare. Dobbiamo osservare che cosa succede quando le sue possibilità incontrano persone reali, tempo disponibile, scadenze, valutazioni, incentivi, desiderio di semplificazione e un ambiente che premia determinati comportamenti.
Il MIT offre un esempio quasi didattico di questa differenza: studenti sottoposti a molti impegni cercano efficienza; l’IA offre un’efficienza straordinaria; delegare diventa quindi una scelta altamente probabile.
Non c’è bisogno di postulare irresponsabilità o pigrizia.
Basta che l’IA sia comoda.
Non chiediamo allo studente di comportarsi contro gli incentivi che gli diamo
C’è un altro passaggio del rapporto che rende ancora più concreta questa prospettiva.
Il MIT osserva che studenti fortemente orientati a massimizzare i risultati accademici hanno un forte incentivo a utilizzare i mezzi che ritengono più efficaci per raggiungerli. Rendere ancora più competitiva la valutazione potrebbe addirittura aumentare la tentazione di prendere scorciatoie attraverso l’IA.
È un punto fondamentale.
Se diciamo allo studente che ciò che conta è imparare, ma poi premiamo quasi esclusivamente il prodotto finale, non possiamo sorprenderci se utilizza lo strumento che gli permette di produrlo meglio e più velocemente.
Se assegniamo molto lavoro, poco tempo e molte scadenze, non possiamo poi fondare la nostra pedagogia sulla speranza che lo studente scelga spontaneamente la strada più lunga perché cognitivamente più formativa.
Il problema allora cambia natura.
Non si tratta più soltanto di educare lo studente a “usare bene l’IA”.
Si tratta di modificare le condizioni affinché alcuni usi diventino più sensati, convenienti e probabili di altri.
La valutazione, i tempi, la struttura dei compiti, ciò che rendiamo visibile del processo, ciò che premiamo e ciò che chiediamo allo studente di saper spiegare e difendere diventano parte della pedagogia dell’IA.
Non possiamo chiedere allo studente di resistere alla comodità dell’IA mentre costruiamo un ambiente che gli dà ottime ragioni per approfittarne.
Anche non usare l’IA può essere una competenza
Questo porta a un’altra conseguenza interessante.
Essere competenti nell’uso dell’IA non significa necessariamente utilizzarla sempre.
Il rapporto MIT rifiuta esplicitamente una soluzione uniforme. Un seminario di poesia, un corso di dimostrazione matematica e un laboratorio di progettazione hanno esigenze differenti. E uno studente che sta costruendo capacità fondamentali si trova in una situazione diversa da quella di un ricercatore esperto che utilizza l’IA all’interno di un dominio che conosce profondamente.
La presenza dell’IA non elimina quindi la possibilità di dire:
qui sì; qui soltanto per alcune attività; qui non ancora; qui è meglio farne a meno.
Non si tratta di essere favorevoli o contrari all’IA.
Si tratta di stabilire prima che cosa vogliamo che accada nella persona e soltanto dopo decidere quale posto debba avere la tecnologia.
È un capovolgimento non banale. Invece di partire dall’IA e domandarci come inserirla nella didattica, partiamo dall’apprendimento e ci chiediamo se, dove e come l’IA possa contribuirvi.
Poi arriva la scuola reale
Potremmo fermarci qui e avere una soluzione pedagogicamente impeccabile.
Riprogettiamo gli obiettivi. Conserviamo l’attrito produttivo. Modifichiamo la valutazione. Costruiamo compiti nei quali delegare tutto non convenga. Rendiamo visibile il processo. Introduciamo l’IA soltanto dove serve.
Ma rischieremmo di ricadere nella pedagogia dei desideri da un’altra porta.
Dopo avere smesso di immaginare lo studente ideale, potremmo cominciare a immaginare la scuola ideale capace di realizzare tutto questo.
Anche qui il rapporto MIT è istruttivo.
Gli autori riconoscono che riprogettare, riesaminare o anche decidere consapevolmente di conservare le pratiche esistenti richiede agli insegnanti tempo e lavoro significativi. E quando passano dalle raccomandazioni alle condizioni necessarie per realizzarle, l’elenco diventa impegnativo: strutture dedicate, responsabili a livello di dipartimento, gruppi di implementazione, personale esperto, comunità di pratica, formazione continuativa, assistenti e finanziamenti per la sperimentazione. Lo stesso Teaching and Learning Lab del MIT viene descritto come già al limite della propria capacità.
Questo dovrebbe interessarci parecchio.
Perché stiamo parlando del MIT.
Se un’istituzione con quelle risorse ritiene che affrontare seriamente l’IA nell’educazione sia una “massive undertaking”, cioè un’impresa di enorme portata, dovremmo essere prudenti quando immaginiamo di risolvere la questione nelle nostre scuole con qualche ora di formazione, un repertorio di prompt, alcune linee guida e l’invito rituale a un uso «critico, etico, consapevole e responsabile».
Il MIT arriva persino a mettere in guardia da una formazione generica sull’IA fatta semplicemente per poter dire di averla fatta: il classico checking the box.
Prima di chiedere alla scuola di introdurre bene l’IA, dovremmo chiederci se stiamo creando le condizioni perché la scuola possa pensare bene che cosa farsene.
Torniamo allora alla domanda iniziale
Perché uno studente dovrebbe impiegare mezz’ora per fare qualcosa che l’IA può fare in trenta secondi?
La risposta non può essere semplicemente: perché deve usarla responsabilmente.
E nemmeno: perché quella fatica gli farà bene.
Se vogliamo che uno studente scelga di affrontare una difficoltà che potrebbe facilmente evitare, dobbiamo riuscire a fare in modo che quella difficoltà abbia per lui una funzione riconoscibile dentro l’esperienza di apprendimento e che l’ambiente scolastico non premi contemporaneamente il comportamento opposto.
Questo non significa rendere difficile ciò che potrebbe essere facile. Significa distinguere la fatica inutile dalla fatica che costruisce capacità.
L’IA può liberarci dalla prima.
Dobbiamo invece stare molto attenti quando ci libera dalla seconda.
Ed è forse qui che il rapporto del MIT offre la conferma più interessante alla pedagogia dei desideri: non basta immaginare l’uso dell’IA che vorremmo. Bisogna costruire le condizioni nelle quali quell’uso abbia qualche probabilità di verificarsi.
Per questo la domanda fondamentale sull’IA a scuola potrebbe non essere:
«Come dobbiamo usare l’IA?»
ma una domanda molto più scomoda:
«Quando l’IA rende così facile non fare qualcosa, quali buone ragioni abbiamo costruito perché uno studente scelga ancora di farla?»
Che cosa possiamo concludere?
Dopo aver analizzato le molte opportunità che l’IA offre in ambito educativo e dopo aver cercato di mettere a fuoco le difficoltà reali che si frappongono tra queste opportunità e la loro concreta realizzazione — ciò che ho provato a riassumere con l’espressione pedagogia dei desideri — non mi sento nelle condizioni di dire che cosa si debba fare per introdurre l’IA nella scuola secondo quei principi che ormai quasi tutti proclamiamo e che rischiano talvolta di assomigliare a un moderno atto di fede: uso critico, consapevole, responsabile, capace di potenziare l’apprendimento senza sostituirsi ad esso.
Qualcosa, però, mi sento di dirlo.
Siamo davanti a una vera e propria impresa. E non è un’impresa facile.
Il rapporto del MIT, proprio perché non si limita a indicare principi ma prova a interrogarsi sulle condizioni necessarie per realizzarli, ce ne offre una misura abbastanza eloquente. Se persino un’istituzione dotata di risorse, competenze e strutture come il MIT parla di una massive undertaking, un’impresa di enorme portata, forse dovremmo essere un po’ meno disinvolti quando immaginiamo che nelle nostre scuole la questione possa essere risolta con qualche corso di formazione, alcune linee guida e una raccolta di buone pratiche.
Di fronte a un’impresa di questa portata, mi sembra ragionevole conservare un atteggiamento di prudenza. Tenere a freno gli entusiasmi, non di rado al limite dell’ingenuità. Evitare i proclami. Diffidare delle rivoluzioni annunciate. Procedere per piccoli passi, osservando ciò che accade davvero e conservando la libertà di correggere la rotta: due passi avanti e, quando serve, uno indietro.
Soprattutto, dovremmo liberarci dall’idea che introdurre più rapidamente e più estesamente l’IA nella scuola sia necessariamente un segno di modernità, mentre rallentare, limitarne l’uso o decidere di non utilizzarla in alcune attività significhi essere conservatori.
Anche non usare l’IA può essere una scelta pedagogicamente avanzata.
La prudenza non nasce dalla paura della tecnologia. Nasce dalla consapevolezza che stiamo intervenendo su processi attraverso i quali bambini e ragazzi costruiscono conoscenze, capacità, autonomia e modi di pensare. Se sbagliamo, quindi, non avremo semplicemente utilizzato male uno strumento.
Potremmo avere modificato le condizioni nelle quali si impara a pensare.
Per questo credo che dobbiamo contemplare seriamente anche una possibilità poco presente nella retorica corrente: che in alcuni contesti, in alcune fasi dello sviluppo e per alcune attività, i danni prodotti da un’introduzione prematura o poco ponderata dell’IA possano essere maggiori dei benefici che ci aspettavamo di ottenere.
Non sappiamo ancora abbastanza per affermare che sarà così.
Ma, soprattutto, non sappiamo abbastanza per essere certi che non possa esserlo.
Ed è forse questa incertezza, più di qualsiasi entusiasmo o timore, la ragione migliore per procedere con prudenza.
Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training


2 Commenti
I commenti sono chiusi.