A cura di Giovanni Masi
Personalizzazione, tutoraggio e supporto al docente
Sul piano applicativo, il settore in cui l’AI mostra i risultati più convincenti è la personalizzazione dell’apprendimento. Sistemi adattivi, tutor conversazionali, strumenti di feedback automatico e piattaforme capaci di modulare il livello di difficoltà stanno rendendo più realistica una didattica calibrata sul singolo studente. La letteratura recente conferma che l’impatto può essere positivo anche sugli esiti formativi. Una meta-analisi pubblicata nel 2025 su Computers and Education: Artificial Intelligence ha rilevato un effetto complessivamente significativo dell’AI sul rendimento accademico. Il dato va letto con cautela, perché dipende da contesto, disciplina, qualità del disegno didattico e grado di mediazione del docente, ma conferma che il potenziale non è soltanto teorico.
Accanto alla personalizzazione, cresce l’uso dell’AI come strumento di alleggerimento del lavoro invisibile degli insegnanti. Preparazione di tracce, sintesi di contenuti, adattamento dei materiali per livelli differenti, costruzione di quiz, generazione di esempi, traduzione e semplificazione linguistica sono attività ormai sempre più automatizzabili. È un punto cruciale, perché la promessa dell’AI nella scuola e nell’università non riguarda solo lo studente ma anche il recupero di tempo professionale per il docente. In una prospettiva matura, l’automazione non dovrebbe sostituire la funzione educativa, ma liberare energie da reinvestire in accompagnamento, osservazione, dialogo e progettazione.
Un altro ambito di forte sviluppo è l’accessibilità. Strumenti di sintesi, riscrittura, trascrizione, traduzione e supporto multimodale possono ridurre barriere per studenti con differenti bisogni linguistici o cognitivi. Qui l’AI mostra uno dei suoi usi più promettenti, a condizione che non diventi un alibi per trascurare progettazione inclusiva, qualità dei contenuti e presenza di servizi umani di supporto.
Dalla AI literacy alla trasformazione del curriculum
Lo stato dell’arte non riguarda soltanto l’uso dell’AI per insegnare meglio, ma anche l’esigenza di insegnare che cosa sia l’AI. Questo passaggio è ormai centrale. Una revisione sistematica sulle esperienze nella scuola dell’infanzia, primaria e secondaria mostra che l’educazione all’intelligenza artificiale tende a migliorare alfabetizzazione tecnologica, problem solving, riflessione etica e interesse verso le discipline scientifiche. In altre parole, l’AI è entrata nel curricolo in una duplice forma. Da un lato come strumento didattico, dall’altro come oggetto di apprendimento.
Questa doppia natura è importante perché modifica la nozione stessa di competenza digitale. Non basta più saper usare piattaforme e applicazioni. Diventano essenziali la capacità di formulare richieste efficaci, verificare l’attendibilità delle risposte, riconoscere errori, bias e allucinazioni, comprendere come i modelli trattano dati e linguaggio, distinguere tra assistenza cognitiva e delega impropria. L’alfabetizzazione all’AI, quindi, non coincide con l’addestramento all’uso di chatbot. Richiede consapevolezza epistemologica, senso critico e competenze etiche.
Per questo molte istituzioni stanno ripensando il curricolo. Nelle scuole si sperimentano moduli su dati, algoritmi, bias e cittadinanza digitale. Nell’università si diffondono insegnamenti trasversali sull’uso responsabile dell’AI, mentre nei corsi disciplinari cambia il modo di assegnare compiti e discutere fonti. La trasformazione è più profonda di quanto appaia. Quando una tecnologia può scrivere, riassumere, tradurre, argomentare e simulare un dialogo, il valore della didattica si sposta progressivamente dalla mera produzione di testo alla qualità del ragionamento, della verifica e della riflessione metacognitiva.
Valutazione, integrità accademica e rischio di dipendenza cognitiva
Il punto più controverso resta la valutazione. L’AI generativa mette in crisi forme di verifica costruite su compiti facilmente esternalizzabili. Ciò vale soprattutto per saggi brevi, riassunti, esercizi standardizzati e produzioni domestiche prive di tracciabilità del processo. I dati disponibili mostrano quanto il fenomeno sia ormai pervasivo. Nel 2025 il sondaggio HEPI-Kortext rilevava che il 92 per cento degli studenti universitari intervistati aveva usato l’AI in almeno un modo e che l’88 per cento l’aveva utilizzata per supportare attività legate alle valutazioni. Non si tratta più di devianza marginale, ma di una nuova normalità operativa.
Da qui nasce una revisione profonda delle pratiche valutative. Cresce l’attenzione verso prove in presenza, discussioni orali, compiti autentici, portfolio, revisioni iterative, richiesta di motivare le scelte compiute e valutazione del processo oltre che del prodotto finale. La questione, infatti, non è soltanto contrastare il cheating. È evitare che l’apprendimento venga sostituito da una scorciatoia apparentemente efficiente. L’OCSE avverte che un uso non governato dell’AI può produrre una sorta di falsa padronanza, nella quale lo studente ottiene una performance accettabile senza consolidare davvero comprensione, memoria e capacità di trasferimento.
Anche la ricerca scientifica recente insiste su questo punto. Le revisioni sistematiche dedicate all’integrità accademica descrivono un quadro ambivalente. L’AI può migliorare feedback, organizzazione delle idee e qualità formale dei testi, ma può anche normalizzare pratiche opache, rendere meno chiaro il confine tra aiuto legittimo e sostituzione indebita e spingere gli studenti a una dipendenza cognitiva che indebolisce autonomia e pensiero critico. In termini pedagogici, il rischio maggiore non è soltanto l’errore fattuale, ma l’atrofia delle operazioni mentali che la scuola dovrebbe allenare.
Governance, disuguaglianze e quadro regolatorio
Lo stato dell’arte mostra con chiarezza anche un secondo problema, spesso meno visibile dell’integrità accademica ma altrettanto decisivo. L’AI rischia di ampliare le disuguaglianze educative. Le differenze riguardano accesso a strumenti premium, qualità della connettività, supporto istituzionale, competenze dei docenti e contesti socioeconomici degli studenti. Alcuni studi e report segnalano già una frattura tra chi sa usare l’AI per migliorare studio e produttività e chi la subisce o la evita per mancanza di accompagnamento. Nel sondaggio HEPI-Kortext questa linea di frattura appare anche lungo il profilo socioeconomico. EDUCAUSE, dal canto suo, parla apertamente di una digital AI divide tra istituzioni con risorse, leadership e infrastrutture adeguate e istituzioni più fragili.
Per questo la governance è diventata una dimensione centrale. Le linee guida europee aggiornate nel 2026 insistono su principi pratici e contesto legale, richiamando AI Act e GDPR. UNESCO collega l’adozione dell’AI alla tutela dei diritti dei discenti, mentre la Banca Mondiale sottolinea come infrastrutture, competenze, dati e capacità istituzionale siano precondizioni per un’adozione inclusiva. La didattica, insomma, non può essere pensata separatamente dal sistema che la sostiene. Una scuola con docenti formati, policy chiare, strumenti controllati e procedure trasparenti utilizza l’AI in modo molto diverso da un contesto che lascia tutto all’iniziativa individuale.
Questo è forse il passaggio più maturo emerso negli ultimi due anni. L’AI educativa non è solo un tema di strumenti, ma di architettura istituzionale. Servono policy sull’uso consentito, protocolli sulla protezione dei dati, criteri di selezione delle piattaforme, formazione continua e modelli di accountability. Senza queste condizioni, l’innovazione tende a produrre improvvisazione.
Verso una didattica aumentata, non automatizzata
Nel complesso, lo stato dell’arte suggerisce che l’applicazione dell’AI nella didattica sta entrando in una fase di consolidamento selettivo. Le evidenze più solide riguardano personalizzazione, supporto al docente, accessibilità e sviluppo di nuove forme di alfabetizzazione. Le criticità più serie riguardano invece valutazione, dipendenza cognitiva, bias, protezione dei dati e amplificazione delle disuguaglianze. Il punto di equilibrio non sta nel vietare l’AI né nell’assimilarla a una soluzione universale. Sta nel ridefinire finalità, metodi e criteri di qualità dell’insegnamento in un ecosistema in cui l’assistenza algoritmica è destinata a restare.
La traiettoria più convincente è quella di una didattica aumentata, non automatizzata. In questo modello l’AI svolge funzioni di supporto, simulazione, analisi e adattamento, mentre il docente mantiene la responsabilità culturale, relazionale e valutativa. La qualità della scuola e dell’università continuerà a dipendere da elementi che l’automazione non sostituisce, come la capacità di interpretare i bisogni formativi, costruire contesti di fiducia, promuovere senso critico e guidare gli studenti nella distinzione tra risposta plausibile e conoscenza fondata.
L’AI può certamente rendere la didattica più efficiente e più personalizzata. La questione aperta, però, è se saprà renderla anche più profonda, più equa e più umana. È su questo terreno che si giocherà la vera maturità del settore nei prossimi anni.
Bibliografia
UNESCO, Guidance for generative AI in education and research (link)
UNESCO, AI and education: protecting the rights of learners (link)
OECD, OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education (link)
European Commission, Guidelines on the ethical use of artificial intelligence and data in teaching and learning (link)
HEPI, Student Generative AI Survey 2025 (link)
EDUCAUSE, 2025 EDUCAUSE AI Landscape Study: Into the Digital AI Divide (link)
Lee, S. J., Kwon, K., A systematic review of AI education in K-12 classrooms from 2018 to 2023: Topics, strategies, and learning outcomes (link)
Dong, L. et al., Examining the effect of artificial intelligence in relation to students’ academic achievement: A meta-analysis (link)
Bittle, K. et al., Generative AI and Academic Integrity in Higher Education (link)
World Bank, Digital Progress and Trends Report 2025: Strengthening AI Foundations (link)