Lorenzo Redaelli
Due ricerche recenti convergono su un punto inquietante: l’Intelligenza Artificiale in classe migliora le prestazioni degli studenti finché è accesa, ma quando la si spegne i risultati svaniscono. Se il problema fosse la tecnologia, basterebbe regolamentarla. Ma il problema è un altro: è l’assenza di una visione pedagogica che trasforma qualsiasi strumento potente in una protesi che atrofizza ciò che dovrebbe potenziare.
A marzo 2026 la SCALE Initiative della Stanford Graduate School of Education ha pubblicato una revisione sistematica della ricerca sull’Intelligenza Artificiale nell’istruzione K-12 (Stanford SCALE 2026). Il report ha analizzato oltre ottocento studi accademici, ma ne ha identificati solo una ventina che soddisfano criteri di causalità rigorosi, cioè studi progettati per stabilire se sia davvero lo strumento a produrre un cambiamento nei risultati di apprendimento. La conclusione principale è tanto netta quanto scomoda: gli studenti che usano strumenti di IA ottengono prestazioni migliori, ma quei miglioramenti tendono a indebolirsi o a scomparire quando lo strumento viene rimosso. Lily Fesler, ricercatrice principale del progetto, ha descritto il fenomeno come cognitive offloading: gli studenti si appoggiano all’IA per svolgere il compito, ma non interiorizzano ciò che fanno. La performance sale, l’apprendimento no.
A pochi giorni di distanza, il National Education Union ha presentato alla conferenza di Brighton i risultati di un sondaggio su oltre novemila docenti delle scuole statali inglesi (NEU 2026). Il 66% degli insegnanti di scuola secondaria dichiara di osservare un declino del pensiero critico tra gli studenti che usano l’IA. Il 76% dei docenti usa ormai l’Intelligenza Artificiale nel lavoro quotidiano, in crescita dal 53% dell’anno precedente. Ma quasi la metà delle scuole non ha ancora alcuna policy sull’uso dell’IA, né per i docenti né per gli studenti. Il dato più significativo, però, è un altro: il governo britannico ha annunciato l’introduzione di tutor IA per 450.000 studenti svantaggiati, ma solo il 14% degli insegnanti si è detto favorevole. La distanza tra la politica che promuove e la professione che subisce non potrebbe essere più nitida.
Il concetto di cognitive offloading non nasce con l’IA. Evan Risko e Sam Gilbert (2016) lo hanno definito come l’uso di azioni o strumenti esterni per ridurre la domanda cognitiva interna ad esempio programmare un promemoria sullo smartphone o prendere appunti su carta. Di per sé, delegare operazioni cognitive all’esterno non è patologico. Anzi, è una strategia adattiva che gli esseri umani praticano da quando esistono la scrittura e il calcolo. Andy Clark e David Chalmers, nel celebre saggio The Extended Mind (1998), hanno sostenuto che gli strumenti esterni possono funzionare come autentiche estensioni della mente, a condizione che siano integrati in modo stabile e affidabile nei processi cognitivi del soggetto. Il taccuino di Otto, nell’esperimento mentale di Clark e Chalmers, funziona come una protesi mnestica legittima proprio perché Otto ha prima formato le credenze che vi registra: il taccuino non pensa al posto suo, conserva ciò che Otto ha già pensato.
Qui si apre il paradosso specifico dell’IA educativa. La mente estesa di Clark e Chalmers presuppone un soggetto cognitivo già costituito: qualcuno che ha già sviluppato le strutture di pensiero necessarie per decidere cosa delegare, cosa conservare, cosa verificare. Ma lo studente è, per definizione, un soggetto cognitivo in formazione. Il suo compito è precisamente costruire quelle strutture, e un LLM che genera risposte complete, argomentate, fluenti, interviene esattamente nel punto in cui quella costruzione dovrebbe avvenire. Ciò che per un professionista competente è un’estensione produttiva, usare un chatbot per sintetizzare fonti, generare bozze, esplorare ipotesi, per uno studente che non ha ancora imparato a sintetizzare, argomentare ed esplorare autonomamente rischia di diventare una sostituzione. L’offloading, in questo caso, non alleggerisce un carico cognitivo eccessivo: cortocircuita il processo stesso attraverso cui il carico impara a essere sostenuto.
Il punto cruciale, però, è che questo esito non è inevitabile. Il report Stanford è esplicito: conta il design pedagogico dello strumento. Gli strumenti che guidano il ragionamento dello studente attraverso passaggi progressivi producono risultati migliori di quelli che generano direttamente le risposte. La differenza, più che tecnologica, è didattica. Un LLM può funzionare come un interlocutore che pone domande socratiche, chiede di giustificare un’affermazione, propone controesempi, oppure può funzionare come un dispensatore automatico di testi già pronti. La prima configurazione somiglia a ciò che Vygotskij chiamava zona di sviluppo prossimale: un supporto calibrato sulla distanza tra ciò che lo studente sa fare da solo e ciò che può fare con un aiuto competente. La seconda configurazione non è scaffolding, ma somiglia più ad un esonero. E l’esonero sistematico dalla fatica cognitiva non produce autonomia, mentre potrebbe produrre dipendenza.
Luciano Floridi e Josh Cowls (2019), nel framework etico pubblicato sulla Harvard Data Science Review, introducono un concetto che illumina esattamente questa distinzione: la meta-autonomia, ovvero il principio per cui gli esseri umani devono conservare il potere di decidere quando delegare e quando no, ciò che Floridi chiama decide to delegate. Non si tratta di vietare la delega, ma di preservare la capacità del soggetto di esercitarla consapevolmente. Per uno studente, questa meta-competenza, sapere quando l’IA è utile e quando è dannosa, quando consultarla e quando chiuderla, è esattamente ciò che la scuola dovrebbe costruire. Ma non si può costruirla se la scuola stessa non ha una visione chiara di cosa significhi autonomia cognitiva nell’era della fluenza artificiale.
Floridi, in un recente lavoro sulla produzione letteraria nell’era dell’Intelligenza Artificiale (Floridi 2025a), ha introdotto il concetto di distant writing: una pratica in cui l’autore opera come designer del testo, stabilendo vincoli, requisiti e parametri, mentre il modello linguistico esegue la scrittura. In un contesto professionale o letterario, questa è un’evoluzione legittima dell’autorialità. Ma nella scuola il presupposto non è soddisfatto. Il distant writing di Floridi presuppone un soggetto che sa già scrivere in prima persona, che padroneggia ciò che lo stesso Floridi chiama close writing, e che è in grado di valutare, curare e correggere ciò che la macchina produce. Lo studente che chiede a un chatbot di scrivere un testo argomentativo sulla Rivoluzione francese non sta facendo distant writing: sta saltando la fase in cui, attraverso la scrittura diretta, si costruisce ciò che Floridi in un altro lavoro (Floridi 2025b) definisce capitale semantico, il patrimonio di significati attraverso cui un individuo interpreta il mondo e dà forma alla propria identità. Chi delega la scrittura prima di averla praticata non sta alleggerendo un carico: sta rinunciando a costruire le fondamenta su cui qualsiasi uso maturo dell’Intelligenza Artificiale dovrebbe poggiare.
La domanda giusta, allora, non è se lo studente possa usare l’Intelligenza Artificiale. È: cosa deve fare lo studente che l’IA non può fare al posto suo? Scegliere, argomentare, revisionare, motivare le proprie scelte. Se la consegna chiede solo di produrre testo, l’IA è la risposta ovvia. Se la consegna chiede vincoli, prove testuali, revisione e nota di processo, la delega diventa difficile, e la scrittura torna a essere apprendimento. Questo significa, per esempio, non chiedere allo studente di farsi riassumere un argomento da un chatbot, ma chiedergli di formulare un’ipotesi e usare l’IA per cercare fonti che la smentiscano. Oppure progettare un’attività in cui lo studente riceve due risposte generate dall’IA sullo stesso quesito e deve valutare quale sia più fondata, identificare le fonti implicite, riconoscere dove il modello sta producendo fluenza senza fondatezza. In questo caso l’IA non è lo strumento che risponde: è il materiale su cui si esercita il giudizio critico. Sono attività che non richiedono piattaforme sofisticate, ma richiedono un docente che sappia cosa sta facendo e perché, che abbia chiaro quale processo cognitivo vuole attivare nello studente e quale vuole deliberatamente non delegare alla macchina.
È qui che il quadro istituzionale diventa rilevante, e problematico. In Italia, il Ministero dell’Istruzione e del Merito ha adottato le Linee guida per l’introduzione dell’Intelligenza Artificiale nelle scuole con il decreto ministeriale 166 del 9 agosto 2025, un documento che richiama i principi giusti, centralità della persona, equità, innovazione responsabile, e che colloca correttamente le scuole nel ruolo di deployer secondo il regolamento europeo sull’IA. Il 27 marzo 2026, con l’avviso attuativo del decreto 219/2025, il Ministero ha stanziato cento milioni di euro di fondi PNRR per la creazione di snodi formativi territoriali sull’IA nella scuola. È un investimento significativo, e il fatto che almeno il 50% dei fondi debba andare a laboratori sul campo, con docenti ed eventualmente studenti insieme nelle classi, segnala un’intenzione condivisibile. Ma l’intenzione non basta. La domanda che il dispositivo normativo lascia aperta è decisiva: quale visione dell’apprendimento guiderà quella formazione? Se gli snodi formativi insegneranno ai docenti a usare l’IA, il prompt engineering, le piattaforme adattive, gli strumenti per la valutazione automatica, senza mai interrogare cosa succede al pensiero dello studente quando la usa, avremo speso cento milioni per formare utenti dell’Intelligenza Artificiale, non progettisti della didattica con l’Intelligenza Artificiale. Per riprendere la distinzione di Floridi (2025b): avremo formato Alice l’Utente, che sa usare gli strumenti, ma non Alice la Designer, che sa inventare le regole del gioco. Il dato del sondaggio NEU è eloquente anche su questo: il 76% dei docenti inglesi usa già l’IA nel lavoro quotidiano, ma uno di loro, intervistato, lo dice senza giri di parole: il personale non è formato per usarla correttamente, ma la usa comunque, e produce risultati scadenti.
C’è un punto che il dibattito sull’Intelligenza Artificiale a scuola continua a eludere: chi subisce le conseguenze della scelta tecnologica non è chi la compie. Le decisioni sull’adozione dell’IA vengono prese da governi, dirigenti, piattaforme. Ma il soggetto su cui quelle decisioni producono effetti cognitivi è lo studente, che nella maggior parte dei casi non ha ricevuto alcuna formazione su quando usare l’IA, quando diffidarne e quando spegnerla. Non sta esercitando autonomia: sta subendo una scelta che altri hanno compiuto per lui, senza disporre degli strumenti per valutarla. E se esiste un diritto alla giustificazione, come sostiene una parte significativa della riflessione etica contemporanea sull’IA, quel diritto spetta prima di tutto a chi non ha voce nel processo decisionale.
La questione, allora, non è se l’IA debba entrare a scuola. C’è già dentro, come mostrano i dati britannici e come sa chiunque insegni. La questione è se la scuola entrerà nell’IA, nel senso di portare dentro la progettazione di questi strumenti una visione dell’apprendimento che non si accontenti della performance misurabile, ma si preoccupi di ciò che resta quando lo strumento si spegne. Se la risposta è che non resta nulla, come suggeriscono i dati Stanford, allora non abbiamo un problema tecnologico. Abbiamo un problema costituzionale, nel senso più ampio del termine: stiamo delegando a strumenti privi di intenzionalità educativa la formazione delle strutture cognitive dei futuri cittadini, e lo stiamo facendo senza che nessuno, né i governi, né le scuole, né le piattaforme, si sia assunto esplicitamente la responsabilità di quella delega.
Riferimenti bibliografici
Clark, Andy, e David Chalmers. 1998. “The Extended Mind.” Analysis 58(1): 7–19. https://www.alice.id.tue.nl/references/clark-chalmers-1998.pdf
Floridi, Luciano, e Josh Cowls. 2019. “A Unified Framework of Five Principles for AI in Society.” Harvard Data Science Review 1(1). https://hdsr.mitpress.mit.edu/pub/l0jsh9d1
Floridi, Luciano. 2025a. “Distant Writing: Literary Production in the Age of Artificial Intelligence.” Preprint SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5232088
Floridi, Luciano. 2025b. “On the Future of Education in a Digital Society.” Preprint SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5654551
Ministero dell’Istruzione e del Merito. 2025. Linee guida per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche. DM 166, 9 agosto 2025. https://unica.istruzione.gov.it/portale/it/linee-guida-ia
National Education Union. 2026. “State of Education: AI.” Risultati del sondaggio, aprile 2026. https://neu.org.uk/latest/press-releases/state-education-2026-ai
Redaelli, Lorenzo. 2025. La classe potenzIAta. Mondadori Education. https://www.mondadorieducation.it/catalogo/la-classe-potenziata-0077955/
Risko, Evan F., e Sam J. Gilbert. 2016. “Cognitive Offloading.” Trends in Cognitive Sciences 20(9): 676–688. https://pubmed.ncbi.nlm.nih.gov/27542527/ Stanford SCALE Initiative. 2026. “The Evidence Base on AI in K-12: A 2026 Review.” https://scale.stanford.edu/research-in-action/understanding-evidence-base-ai-k12-education