1. In principio era il bot: oltre il sensazionalismo e verso la pervasività silente

Nel luglio del 2023, l’arrivo di Google Bard in Italia[1] venne accolto da un silenzio quasi assordante, in netto contrasto con il rumore mediatico e social che da mesi circondava in modo monopolistico ChatGPT[2]. Quello spartiacque temporale, oggi leggibile con la giusta distanza, ha segnato il momento esatto in cui l’Intelligenza Artificiale generativa ha iniziato la sua transizione da fenomeno di laboratorio e curiosità per “smanetton€” a infrastruttura di massa.

Il dibattito di allora, rigidamente polarizzato tra apocalittici (preoccupati dal dilagare dell’ignoranza e della pigrizia scolastica) e integrati (entusiasti dell’inevitabilità del progresso), si è oggi – a metà del 2026 – ampiamente normalizzato. Google Bard si è nel frattempo evoluto in Google Gemini, Microsoft Bing Chat si è consolidato sotto il brand Copilot e la tecnologia generativa non è più un “sito esterno” da andare a visitare per fare esperimenti di prompting. Essa è diventata una risorsa di default, integrata silenziosamente all’interno dei sistemi operativi, dei motori di ricerca e delle suite di produttività quotidiana (da Microsoft 365 a Google Workspace, passando per Canva e WordPress).

Questa pervasività trasparente rende ancora più urgente superare l’empirismo banalizzante che ha caratterizzato la prima ondata di formazione dei docenti. All’epoca proliferavano corsi e webinar imperniati quasi unicamente su ricette preconfezionate di prompt engineering, inteso come insieme di virtuosismi tecnici estemporanei. Oggi sappiamo che l’approccio corretto non risiede nell’addestramento all’uso del singolo applicativo di turno, bensì nella maturazione di una consapevolezza metodologica ed epistemologica profonda.

2. Estrattivismo dei dati e oligopolio: un allarme confermato

Per chi si occupa di educazione, analizzare criticamente le condizioni d’uso di questi assistenti rimane un dovere etico e professionale. Fin dall’inizio, l’accesso a questi sistemi ha richiesto una soglia d’età (i 18 anni, o i 13 con consenso genitoriale)[3], rendendo di fatto improponibile un loro impiego diretto e autonomo in classe da parte degli studenti minori[4].

Ma il vero nodo politico e pedagogico risiede nel meccanismo economico sottostante. Tra l’utente e il fornitore del servizio si consuma un baratto asimmetrico: l’uso apparentemente gratuito dell’interfaccia in cambio dell’appropriazione delle conversazioni e dei materiali inseriti, che vanno ad alimentare e addestrare i modelli successivi. Questo processo configura a tutti gli effetti un estrattivismo culturale e cognitivo su scala planetaria.

La necessità, intrinseca a queste architetture di calcolo, di disporre di “mega-macchine” logistiche ed energetiche per processare i Big Data ha portato a un drastico consolidamento dell’oligopolio di mercato. Pochi colossi transnazionali detengono il monopolio della produzione e dell’affinamento dei Large Language Models (LLM).

Inoltre, nonostante i significativi miglioramenti tecnici degli ultimi anni (tra cui finestre di contesto più ampie e una gestione multimodale nativa), la natura strutturalmente predittiva e statistica di questi sistemi non ha risolto il problema dei “falsi positivi” e delle “allucinazioni”. L’assistente artificiale continua a essere un generatore di verosimiglianza statistica, non di verità. Di conseguenza, il rischio di una “vulnerabilità al suggerimento” e la tendenza dell’utente a lasciarsi cullare da risposte apparentemente autorevoli ma prive di fondamento logico rimangono minacce concrete per l’autonomia intellettuale degli studenti.

3. Epistemologia della complementarità: comprendere la macchina per governarla

Il nucleo teorico fondamentale per impostare una corretta formazione dei docenti non risiede nell’informatica applicata, ma nell’epistemologia. Per evitare derive fideistiche, dobbiamo fare riferimento ad alcuni punti fermi della saggistica contemporanea:

• Elena Esposito[5] ci offre il concept cardine di comunicazione artificiale: gli straordinari risultati dei dispositivi non testimoniano che essi siano diventati intelligenti, ma esattamente il contrario, ovvero che “non cercano più di esserlo”. I sistemi operano sulla base di regolarità e pattern statistici rinvenuti in sterminati corpora di dati (BigData che diventano BigCorpora). È il perfetto esempio di un sistema che raggiunge un obiettivo operativo senza comprenderlo, essendo esperto in statistica e sintassi probabilistica, ma del tutto privo di semantica.
• Simone Natale[6] ci ricorda come le macchine siano storicamente progettate come “dispositivi ingannevoli”. Il test di Turing stesso non valuta l’effettiva intelligenza della macchina, ma la sua capacità di proiettare un’illusione di umanità, sfruttando la naturale tendenza antropomorfica degli utenti (un “benevolo inganno”).
• Nello Cristianini[7] descrive questo fenomeno come “la scorciatoia”: le macchine sono diventate formidabilmente abili e utili senza bisogno di pensare in modo umano.
• Junaid Mubeen[8] traccia una linea netta di demarcazione tra l’intelligenza computazionale delle macchine e l’intelligenza umana (in particolare quella matematica e concettuale), ricordandoci ciò che noi possediamo e che le macchine non potranno mai simulare: l’intenzionalità, la comprensione profonda del significato e l’ancoraggio alla realtà sensoriale e sociale.

Da questo quadro epistemologico discende il principio di complementarità: l’essere umano deve rimanere l’indiscusso protagonista del processo conoscitivo. All’assistente artificiale possiamo e dobbiamo delegare i compiti esecutivi, procedurali e ripetitivi, ma dobbiamo mantenere saldamente in capo a noi la responsabilità delle scelte strategiche, il controllo degli obiettivi, la progettazione complessiva e la validazione dei risultati.

In questo senso, l’atto stesso di formulare un’indicazione operativa (la scrittura intenzionale) non è un mero virtuosismo tecnico da prompt engineer, bensì un’attività cognitiva di altissimo livello. Richiede capacità di pianificazione, controllo logico, precisione lessicale e, soprattutto, una costante postura critica e decostruttiva nei confronti dell’output generato.

4. Strumenti operativi, UDL e autorialità digitale

Nella seconda parte di un percorso formativo per i docenti, la teoria deve tradursi in operatività didattica, specialmente nell’ambito dell’inclusione e del sostegno, seguendo i principi dello Universal Design for Learning (UDL)[9]. L’obiettivo è utilizzare l’IA per differenziare le modalità di rappresentazione delle informazioni e facilitare l’accesso ai contenuti senza banalizzarli o impoverirli[10].

Qui entra in gioco il concetto di plasticità dei contenuti digitali. L’assistente artificiale si rivela un potente alleato nel suggerire schematizzazioni, scomposizioni concettuali ed estensioni ipermediali.

Le mappe concettuali e mentali

La formazione all’uso dell’IA non deve mirare alla delega della produzione della mappa (lo studente che fa generare una mappa preconfezionata all’algoritmo incorre in una proposta puramente dispensativa e sostitutiva, privandosi della fatica cognitiva dell’apprendimento). Al contrario, il docente può utilizzare applicativi specifici come “suggeritori” o per confrontare la struttura logica prodotta dallo studente con schemi alternativi, stimolando la metacognizione.

La scrittura facilitata e la ristrutturazione del testo

Gli assistenti integrati (come Microsoft Copilot in modalità di scrittura, l’assistente AI Jetpack in WordPress, la Scrittura Magica di Canva o dispositivi di presentazione assistita) offrono un supporto prezioso per declinare lo stesso contenuto teorico secondo registri linguistici differenti. Ad esempio, è possibile semplificare la complessità sintattica di un testo scientifico per un alunno con bisogni educativi speciali o con background migratorio, mantenendo inalterata la correttezza dei nodi concettuali.

La generazione multimediale e l’inclusione

I generatori di immagini e i sistemi di traduzione e sottotitolazione automatica in tempo reale sono oggi ordinari. Per un insegnante di sostegno, poter generare istantaneamente un mediatore iconico preciso, privo di barriere di copyright[11] o adattare un video didattico con sottotitoli accurati prefigurano facilitazioni operative che possono raggiungere una notevole efficacia.

Conclusioni

L’attenzione professionale degli esseri umani – gli autentici e insostituibili registi dell’azione didattica – rimane l’unico baluardo contro l’appiattimento e la standardizzazione dei percorsi di apprendimento. Questa postura vigile non può limitarsi a una generica diffidenza o a una sorveglianza passiva; deve invece configurarsi come un’intenzionalità pedagogica militante e consapevole.

Essere “registi” oggi significa governare attivamente la sceneggiatura cognitiva dell’apprendimento, rivendicando la libertà di decidere dove, come e quando introdurre l’attrito e la fatica intellettuale. I sistemi generativi contemporanei sono infatti progettati per azzerare questo attrito, proponendo un’interazione così fluida e immediata da anestetizzare progressivamente la capacità di problematizzazione e di indagine profonda.

L’appiattimento paventato non si consuma soltanto nella banalizzazione dei prodotti finali (i compiti svolti per approssimazione statistica), ma nella drastica riduzione della biodiversità cognitiva degli allievi. Quando l’apprendimento viene interamente delegato ad agenti predittivi incaricati di facilitare” o “personalizzare” l’accesso ai contenuti, gli studenti vengono confinati entro percorsi lineari, privi di quelle preziose deviazioni, di quei fraintendimenti creativi e di quelle dissonanze relazionali che caratterizzano l’esperienza scolastica in quanto comunità di discorso. Il docente che si fa baluardo di questa complessità protegge proprio lo spazio sacro dell’inatteso, dell’errore non catalogato dall’algoritmo e della negoziazione del significato che avviene unicamente nel dialogo intersoggettivo tra esseri umani.

I “corollari“ di questa formazione ci indicano che la vera sfida della scuola nel 2026 non è insegnare a “usare” l’intelligenza artificiale, ma insegnare a pensare criticamente in presenza dell’intelligenza artificiale. Solo se sostenuta da questa insostituibile regia umana la tecnologia cesserà di essere un dispositivo estrattivo e alienante per farsi, infine, autentico strumento di estensione e arricchimento della nostra intelligenza collettiva.

Note bibliografiche e riferimenti

Rapida chiosa: le mie revisioni consistono in pochi interventi sul lessico, ma non ho toccato la rete concettuale. Trovo che la parte davvero interessante sia quella sulla bibliografia, che arricchisce l’articolo vero e proprio. Che io non avrei per altro impostato così, con un focus a proposito di una considerazione così diffusa e così scontata da essere diventata liturgica nella saggistica sulla IA generativa, senza che si arrivi mai a iniziative civili e politiche sugli oligopoli e con un abbastanza ipocrita appello al consumo consapevole ed equilibrato. Che io, anzi, non avrei proprio scritto.

[1] La transizione da Bard a Gemini e l’infrastrutturazione silenziosa. Google Bard è stato lanciato ufficialmente in Italia il 13 luglio 2023. Nel corso del 2024, Alphabet Inc. ha uniformato i suoi servizi di IA generativa sotto il brand globale Google Gemini. Questa transizione non ha rappresentato una mera operazione di rebranding d’immagine, bensì il passaggio da un’interfaccia sperimentale di chat testuale a un vero e proprio ecosistema integrato e multimodale operante a livello nativo. Nel contesto del 2026, la tecnologia non si presenta più come una destinazione web separata (il “sito del chatbot”), ma come un agente di sfondo integrato nei chip dei dispositivi mobili (come l’architettura Gemini Nano eseguita localmente) e nei sistemi operativi desktop. Questo passaggio dall’interazione esplicita tramite “casella di input” all’assistenza proattiva invisibile modifica radicalmente l’esperienza d’uso, rendendo l’utente meno consapevole di quando e come stia interagendo con un agente sintetico di mediazione informativa.

[2] La storicizzazione dell’infatuazione tecnologica. Cfr. Mafe De Baggis, S. Puliafito, In principio era ChatGPT, Apogeo, Milano 2023. Il testo analizza in tempo reale le primissime reazioni sociali e culturali all’impatto con l’IA generativa di OpenAI, documentando accuratamente quella fase di “shock collettivo” e di infatuazione tecnologica acritica che ha caratterizzato tutto il 2023 prima della normalizzazione infrastrutturale odierna. Puliafito descrive la “proiezione di onnipotenza” che la società ha riversato su questi sistemi. Rileggere oggi quel saggio consente di comprendere come l’iniziale panico morale della scuola (incentrato quasi esclusivamente sul timore del “plagio nei compiti a casa”) abbia impedito una riflessione pedagogica serena sulle reali implicazioni di lungo termine, come la ridefinizione dei processi di scrittura e la progressiva atrofia della capacità di strutturare autonomamente una ricerca documentale complessa.

[3] La cornice normativa e il superamento del far west normativo. Cfr. i Termini di servizio dei rispettivi applicativi OpenAI, Google e Microsoft. L’entrata in vigore e l’applicazione progressiva del Regolamento Europeo sull’IA (AI Act), giunto alla sua piena operatività nel 2026, hanno imposto requisiti di trasparenza assai più stringenti e una rigorosa classificazione dei rischi. In particolare, i sistemi di IA impiegati nell’ambito dell’istruzione e della formazione professionale sono stati classificati come “ad alto rischio” (high-risk AI systems). Ciò impone ai produttori e alle scuole l’adozione di rigorosi protocolli di supervisione umana, la tracciabilità totale dei log e la protezione assoluta del patrimonio informativo degli utenti minori. Questo quadro normativo rende giuridicamente impraticabile per i docenti la prescrizione didattica di dispositivi commerciali non conformi o privi di accordi formali sul trattamento dei dati (GDPR), richiamando la scuola alla sua responsabilità civile e istituzionale di tutela della privacy della classe.

[4] La piattaforma scolastica come spazio di cattura estrattiva. Per un eversivo approfondimento pedagogico ed etico sulle frizioni legate alla gestione e all’estrazione sistematica dei dati personali all’interno dell’ambiente scolastico, si rimanda agli articoli e alle analisi consultabili sul portale di ricerca didattica UDL in bit. L’analisi proposta in questa sede mette a nudo il paradosso della “piattaformizzazione” dell’istruzione pubblica. Quando una scuola adotta acriticamente estensioni IA integrate nelle suite di produttività (Google Workspace for Education, Microsoft 365 Education), trasforma di fatto i prodotti intellettuali originali degli studenti (temi, analisi, elaborati grafici) in materia prima gratuita (raw data) utile a raffinare e addestrare algoritmi proprietari protetti da segreto industriale. Si consuma così una forma di colonialismo estrattivo in cui l’istituzione scolastica si fa intermediaria involontaria del trasferimento di valore cognitivo dal settore pubblico al monopolio privato della Silicon Valley.

[5] La decostruzione dell’antropomorfismo algoritmico. E. Esposito, Comunicazione artificiale. Come gli algoritmi producono intelligenza sociale, Bocconi University Press, Milano 2022. La tesi fondamentale della sociologa risiede nella smentita del paradigma antropocentrico: i sistemi non pensano come gli esseri umani né simulano processi cognitivi biologici; piuttosto, essi partecipano attivamente alla comunicazione sociale elaborando informazioni in modi unicamente probabilistici, costringendoci a ridefinire il concetto stesso di “interazione” comunicativa. Esposito introduce il concetto di “doppia contingenza” applicato alle macchine: la comunicazione ha successo non perché la macchina “comprenda” il senso dell’interazione, ma perché il partner umano compensa la totale mancanza di coscienza del dispositivo attribuendo intenzionalità, logica e coerenza semantica alle sequenze probabilistiche di parole generate dal sistema statistico.

[6] La psicologia della sottomissione al suggerimento sintetico. S. Natale, Macchine ingannevoli. Comunicazione, tecnologia, intelligenza artificiale, Einaudi, Torino 2022. Natale dimostra storicamente come la tecnologia sia progettata sfruttando la tendenza dell’utente all’antropomorfizzazione (il cosiddetto “effetto ELIZA”). L’efficacia della macchina non risiede nella sua reale comprensione, ma nella sua capacità di evocare proiezioni di umanità, rendendo l’utente un complice attivo e inconsapevole del “benevolo inganno”. Nel contesto didattico, questa dinamica si traduce nella “vulnerabilità al suggerimento” (automation bias): lo studente (come spesso lo stesso docente) tende a non verificare le asserzioni formate da un assistente che si esprime con un tono pacato, formalmente inappuntabile e cooperativo, confondendo la fluidità sintattica della macchina con la sua autorevolezza scientifica ed epistemologica.

[7] La scatola nera e l’efficacia senza comprensione. N. Cristianini, La scorciatoia. Come le macchine sono diventate intelligenti senza pensare in modo umano, il Mulino, Bologna 2023. Il libro analizza lo scarto epistemologico avvenuto negli ultimi decenni: abbandonata l’idea di programmare le macchine insegnando loro regole logiche esplicite (l’approccio simbolico della prima IA), si è preferito far elaborare quantità ciclopiche di dati lasciando che trovassero in autonomia correlazioni statistiche (approccio sub-simbolico e deep learning). Questa “scorciatoia” ha prodotto macchine straordinariamente performanti sul piano sintattico ma totalmente vuote su quello semantico. La conseguenza didattica è cruciale: l’output della macchina è il risultato di un calcolo di ottimizzazione matematica entro una complessa scatola nera (black box), i cui passaggi interni rimangono insondabili persino per gli ingegneri che hanno progettato la rete neurale, rendendo l’esame critico dei risultati l’unico vero momento di validazione didattica possibile.

[8] L’irriducibilità del pensiero semantico ed esperienziale. J. Mubeen, L’intelligenza matematica. Cosa abbiamo che le macchine non hanno, Einaudi, Torino 2023. Mubeen indaga i limiti strutturali degli algoritmi nel pensiero astratto e matematico, rimarcando come il ragionamento logico umano necessiti di intenzionalità, ancoraggio fisico al mondo sensoriale ed elaborazione del significato, elementi irriducibili al calcolo computazionale e alla pura predizione. Mentre la macchina manipola simboli senza possedere alcuna nozione del loro referente empirico (per l’IA, il concetto di “mela” è solo un vettore numerico multidimensionale correlato probabilisticamente ad altri vettori), la mente umana comprende il simbolo attraverso l’esperienza incarnata (embodied cognition) e l’interazione sociale. La formazione dei docenti deve ripartire da questa asimmetria per preservare lo sviluppo delle funzioni cognitive superiori dell’allievo.

[9] La strutturazione metacognitiva degli organizzatori grafici. Sul rapporto cruciale tra schematizzazione visiva, semplificazione e inclusione didattica cfr. M. Guastavigna, Non solo concettuali. Mappe, schemi, apprendimento, I Quaderni della Ricerca n. 23, Lœscher, Torino 2015. L’opera si propone di decostruire l’uso meramente trasmissivo dei diagrammi per ricollocarli nell’ambito dello sviluppo metacognitivo dello studente. Guastavigna avverte che la mappa non è un “prodotto grafico” da esibire, ma il “precipitato visivo” di un faticoso processo di elaborazione concettuale personale. Se la mappa viene delegata a un automatismo generativo, si assiste ad un cortocircuito dell’apprendimento: lo studente si trova davanti a un prodotto finito senza aver compiuto la fatica intellettuale di selezionare i concetti, stabilire i nodi gerarchici e nominare i legami associativi.

[10] Il pericolo dell’infantilizzazione linguistica. Cfr. M. Guastavigna, Il paradosso della semplificazione, in “Parla come badi”, «La ricerca» n. 10, Lœscher, Torino 2016. L’autore mette in guardia dal rischio che la semplificazione del testo si traduca in un impoverimento cognitivo e concettuale, ricordando che facilitare l’accesso ai testi non deve mai coincidere con l’eliminazione del lessico specifico e della complessità argomentativa della disciplina. Quando si delega a un LLM la riscrittura facilitata di un testo complesso, l’algoritmo tende a livellare il vocabolario verso il basso, eliminando le sfumature metaforiche e le strutture sintattiche ipotattiche. Il rischio reale è quello di una “infantilizzazione cognitiva” permanente: l’allievo fragile viene confinato in un limbo linguistico, privato dello “scaffolding” necessario per accedere, nel tempo, alla complessità del linguaggio formale e accademico delle discipline

[11] La crisi del diritto d’autore e la tutela dell’apporto umano. Sul dibattito giuridico circa la paternità intellettuale delle opere generate da algoritmi sprovvisti di un apporto creativo umano diretto si vedano: S. Aliprandi, L’autore artificiale. Creatività e proprietà intellettuale nell’era dell’AI, Ledizioni, Milano 2023; L. Chimienti, Diritto d’autore 4.0. L’intelligenza artificiale crea?, Pacini Editore, Pisa 2020. Entrambi i testi esaminano il paradosso normativo di un diritto d’autore storicamente basato sulla tutela della personalità umana, oggi applicato a output puramente statistici e generati da macchine. La giurisprudenza consolidata esclude la tutelabilità delle opere prodotte in assenza di un “tocco creativo umano” manifesto e consapevole. Questo scenario impone alla scuola una profonda educazione all’autorialità digitale: gli studenti devono essere formati a comprendere che l’uso acritico e non dichiarato di materiali sintetici non solo azzera il valore del loro percorso formativo, ma si colloca in una zona d’ombra legale ed etica che mina i concetti stessi di autenticità intellettuale e di responsabilità scientifica.