Intelligenza Artificiale e formazione 3.0: paradigmi, governance e pratiche nell’era dell’apprendimento ibrido

Napoli, Italia, Europa, Web, 25 gennaio 2026

Strumenti utilizzati:
conoscenze e competenze di Pasquale Popolizio, Claude, Gemini, ChatGPT, Recall

 

1. Introduzione: La Transizione verso l’Istituzionalizzazione Critica

L’evoluzione del rapporto tra intelligenza artificiale (IA) e sistemi formativi ha subito un’accelerazione senza precedenti nell’ultimo triennio, transitando da una fase iniziale di sperimentazione deregolamentata e spesso caotica – che abbiamo precedentemente analizzato nel rapporto “Intelligenza Artificiale e Formazione 2.0” – a una nuova epoca che possiamo definire di “istituzionalizzazione critica” o “Formazione 3.0”. Se il biennio 2023-2024 è stato caratterizzato dallo stupore tecnologico per le capacità generative dei Large Language Models (LLM) e da reazioni istituzionali oscillanti tra il divieto totale e l’entusiasmo acritico, l’anno 2025 e l’inizio del 2026 segnano un momento di consolidamento normativo, pedagogico e metodologico.

Non ci troviamo più di fronte alla semplice introduzione di un nuovo strumento didattico, paragonabile all’avvento della calcolatrice o della lavagna interattiva multimediale (LIM). Siamo bensì testimoni di una riconfigurazione ontologica dei processi di apprendimento, insegnamento e ricerca. La tecnologia non è più un supporto esterno, ma diviene un agente attivo, capace di interagire semanticamente con discenti e docenti, di generare contenuti inediti e di influenzare decisioni valutative. Questo passaggio epocale è sottolineato dalla transizione tecnica dai modelli di “Intelligenza Artificiale Generativa” sperimentali verso ecosistemi di “Intelligenza Agentica”, fisica e sovrana, che iniziano a integrarsi profondamente nei processi industriali e, di riflesso, in quelli educativi.¹

Il presente rapporto di ricerca si propone di aggiornare ed espandere radicalmente il corpus di conoscenze precedentemente elaborato, integrando le evidenze emerse tra la fine del 2025 e i primi mesi del 2026. L’analisi si fonda su una convergenza di fattori determinanti: l’entrata in vigore delle normative europee (AI Act) che classificano l’istruzione come settore ad alto rischio, la pubblicazione delle nuove linee guida globali (UNESCO, OCSE) e nazionali (Ministero dell’Istruzione e del Merito – MIM), e l’emergere di una letteratura accademica robusta che inizia a fornire dati empirici sull’efficacia didattica dell’IA.

L’obiettivo è fornire agli studiosi, ai decisori politici e agli operatori del settore una mappa dettagliata e navigabile di questo nuovo territorio. Esploreremo non solo le opportunità di personalizzazione e inclusione offerte dall’IA, ma anche i rischi cognitivi emergenti come la “pigrizia metacognitiva” e l’analfabetismo erudito, fenomeni che richiedono una risposta pedagogica ferma e consapevole. Al centro di questa disamina vi è la ridefinizione del ruolo del docente: non più trasmettitore di nozioni in un mondo saturo di informazioni sintetiche, ma “orchestratore” di processi cognitivi ibridi e garante dell’umanesimo digitale.

 

2. Il Quadro Normativo e la Governance: Dall’Etica alla Regola

Il 2025 è stato l’anno della svolta normativa. L’assenza di regole chiare, che aveva lasciato le istituzioni scolastiche e universitarie in una zona grigia di incertezza legale ed etica, è stata colmata da interventi legislativi strutturali. Questi interventi non mirano a soffocare l’innovazione, ma a incanalarla entro argini che tutelino i diritti fondamentali degli studenti e l’integrità del processo educativo.

2.1 L’Impatto dell’EU AI Act sul Settore Educativo

Il Regolamento sull’Intelligenza Artificiale (AI Act) dell’Unione Europea, entrato pienamente in vigore nell’agosto 2024 con scadenze attuative scaglionate fino al 2026, rappresenta lo spartiacque fondamentale per la governance tecnologica nel vecchio continente. Per il settore dell’istruzione, l’AI Act non è una normativa accessoria, ma costitutiva. Il regolamento classifica esplicitamente i sistemi di IA destinati a essere utilizzati nel settore dell’istruzione e della formazione professionale come sistemi ad alto rischio.²

Questa classificazione deriva dalla constatazione che l’educazione è determinante per le opportunità di vita future dei cittadini. Un algoritmo che valuta erroneamente un esame di ammissione, che indirizza uno studente verso un percorso professionale non idoneo o che non rileva correttamente una disabilità di apprendimento, può causare danni irreversibili alla traiettoria esistenziale dell’individuo. Di conseguenza, a partire dal 2 febbraio 2025, sono scattati divieti specifici e obblighi di conformità che impattano direttamente sulla vita scolastica.

Tra le pratiche vietate, assume un rilievo critico per la pedagogia il bando dei sistemi di riconoscimento delle emozioni (emotion recognition) nei luoghi di lavoro e nelle istituzioni scolastiche.² La ratio di questa norma risiede nella protezione della sfera cognitiva e affettiva dello studente da tentativi di quantificazione algoritmica riduzionista e scientificamente controversa. L’idea che un software possa inferire accuratamente lo stato di interesse, noia o confusione di uno studente analizzando le micro-espressioni facciali o il tono di voce è stata respinta dal legislatore europeo come intrusiva e potenzialmente discriminatoria. Questo divieto impone alle scuole di ripensare l’uso di software di proctoring (sorveglianza durante gli esami a distanza) e di piattaforme di apprendimento adattivo che basavano le loro metriche su tali inferenze biometriche.

Parallelamente ai divieti, l’AI Act introduce obblighi proattivi per i “deployer” (le scuole e le università che adottano i sistemi). Due aspetti sono cruciali:

1. Alfabetizzazione AI (AI Literacy): L’articolo 4 del regolamento stabilisce che i fornitori e gli utilizzatori di sistemi di IA devono adottare misure per garantire un livello sufficiente di alfabetizzazione in materia di IA al proprio personale.³ Non si tratta più di un auspicio formativo, ma di un obbligo legale. Entro il 2026, dirigenti scolastici, docenti e personale amministrativo dovranno dimostrare di possedere le competenze necessarie per comprendere il funzionamento, i limiti e i rischi dei sistemi che utilizzano. Questo trasforma la formazione docenti da opportunità di aggiornamento a requisito di conformità istituzionale.
2. Sorveglianza Umana (Human-in-the-loop): Per i sistemi ad alto rischio, è mandatorio implementare meccanismi di sorveglianza umana. Nella pratica scolastica, ciò significa che nessuna decisione algoritmica rilevante — come l’assegnazione di un voto finale, la bocciatura o l’orientamento scolastico — può essere completamente automatizzata. L’IA può supportare la decisione (decision support), ma l’atto valutativo finale deve rimanere prerogativa del docente umano, che deve essere in grado di comprendere e, se necessario, sovvertire il suggerimento della macchina.⁵

2.2 Le Linee Guida del Ministero dell’Istruzione e del Merito (MIM) – D.M. 166/2025

In Italia, il recepimento delle istanze europee si è concretizzato con l’emanazione del Decreto Ministeriale n. 166 del 9 agosto 2025, che ha adottato le “Linee guida per l’introduzione dell’Intelligenza Artificiale nelle istituzioni scolastiche”.⁷ Questo documento, che ha ricevuto il parere favorevole del Garante della Privacy, segna il passaggio dalla fase delle circolari esplorative a quella della regolamentazione operativa.

L’approccio del Ministero è dichiaratamente antropocentrico. Le linee guida ribadiscono che l’IA deve essere uno strumento per potenziare l’intelligenza umana, non per sostituirla. Il documento non si limita a enunciazioni di principio, ma istituisce meccanismi di governance precisi per monitorare l’introduzione della tecnologia nelle 8.000 istituzioni scolastiche italiane.

Uno degli strumenti operativi introdotti è la “Scheda progetto IA”.⁸ Le scuole che intendono avviare sperimentazioni didattiche basate sull’IA sono tenute a compilare questa scheda, fornendo al Ministero dettagli su:

• Obiettivi pedagogici del progetto.
• Target di studenti coinvolti.
• Metodologie didattiche utilizzate.
• Strumenti software adottati e conformità alla privacy.

 

Questo censimento centralizzato permette al MIM di avere una visione in tempo reale della penetrazione dell’IA nel sistema scolastico e di intervenire con azioni correttive o di supporto. Inoltre, per guidare le scuole nella scelta degli strumenti, il Ministero ha predisposto delle checklist di conformità.⁸ Queste liste di controllo aiutano i dirigenti scolastici e i docenti a verificare se un determinato software rispetta i requisiti di sicurezza dei dati, trasparenza algoritmica e accessibilità previsti dalla normativa nazionale ed europea. È un passo fondamentale per sollevare le singole scuole dall’onere spesso insostenibile di valutare complessi termini di servizio legali, fornendo uno standard di riferimento unificato.

Il decreto enfatizza inoltre l’uso dell’IA per l’inclusione scolastica.¹¹ Le tecnologie generative e assistive sono individuate come leve strategiche per personalizzare i percorsi di apprendimento degli studenti con Bisogni Educativi Speciali (BES) o Disabilità, permettendo la creazione di materiali adattati in tempo reale (semplificazione di testi, conversione speech-to-text avanzata, tutoraggio personalizzato). Tuttavia, le linee guida avvertono contro il rischio di isolamento: la personalizzazione non deve tradursi in una frammentazione della classe dove ogni studente interagisce solipsisticamente con il proprio tutor digitale. La dimensione sociale dell’apprendimento rimane prioritaria.

 

2.3 Le Direttive Internazionali: UNESCO e OCSE 2026

Lo scenario italiano si inserisce in un contesto globale in rapida evoluzione. Nel gennaio 2026, l’UNESCO ha rilasciato un aggiornamento sostanziale delle sue “Guidance for generative AI in education and research”.¹³ Se le prime versioni del 2023 si concentravano sulla gestione dell’emergenza ChatGPT, l’aggiornamento 2026 guarda al lungo periodo.

L’UNESCO pone l’accento su due concetti chiave:

1. AI Divide e Sovranità Digitale: Esiste il rischio concreto che l’accesso ai modelli di IA più performanti e sicuri diventi un privilegio di pochi, creando un divario non solo tra nazioni, ma anche tra istituzioni scolastiche pubbliche e private. L’organizzazione invita i governi a investire in infrastrutture digitali sovrane e pubbliche per garantire un accesso equo.¹⁴
2. Agency Umana e Co-creazione: Le linee guida promuovono un approccio di “co-creazione”, dove studenti e docenti non sono consumatori passivi di tecnologia, ma partecipano attivamente al design e alla governance degli strumenti che utilizzano.¹⁶

 

Parallelamente, l’OCSE ha pubblicato il Digital Education Outlook 2026, che introduce un monito severo sui rischi cognitivi. Il rapporto evidenzia come l’uso pervasivo dell’IA possa portare a una “falsa padronanza” (false mastery).¹⁷ Gli studenti, assistiti dall’IA, possono produrre elaborati finali (saggi, codici, progetti) di alta qualità formale, mascherando però lacune profonde nella comprensione dei processi sottostanti. L’OCSE definisce questo fenomeno come un rischio di scollamento tra il “prodotto” dell’apprendimento (che migliora grazie all’IA) e il “processo” di apprendimento (che rischia di atrofizzarsi). La raccomandazione per i sistemi educativi è di spostare il focus della valutazione dal prodotto finale al processo, valorizzando le bozze, le riflessioni intermedie e la capacità di critica dell’output algoritmico.¹⁷

3. Paradigmi Pedagogici Emergenti: Verso un Umanesimo Digitale

L’integrazione dell’IA nella didattica non è un’operazione neutra; essa richiede e al contempo genera nuovi paradigmi pedagogici. L’analisi della letteratura scientifica del 2025-2026 mostra un superamento della polarizzazione sterile tra “apocalittici” (che vedono l’IA come la fine dell’apprendimento) e “integrati” (che la vedono come la soluzione a ogni male educativo). Il nuovo orizzonte teorico è quello del Digital Humanism o Umanesimo Digitale, un approccio che rimette al centro la persona e le sue facoltà critiche, utilizzando la tecnologia come amplificatore di umanità e non come suo surrogato.⁵

3.1 Dalla Personalizzazione alla “Co-creazione Iterativa Generativa”

Fino al 2024, la narrativa dominante sull’IA in educazione ruotava attorno all’Adaptive Learning: sistemi che adattano automaticamente la difficoltà degli esercizi al livello dello studente. Sebbene utile, questo modello è stato criticato per la sua passività: lo studente subisce l’adattamento deciso dall’algoritmo. Nel 2026, la ricerca pedagogica avanzata identifica un modello più maturo e attivo: la Generative Iterative Co-creation (Co-creazione Iterativa Generativa).¹⁹

Questo paradigma, emerso da sistematiche revisioni della letteratura su oltre 80 studi empirici, riconfigura l’apprendimento come un ciclo continuo di feedback all’interno di un sistema ibrido uomo-macchina. Il processo non è lineare (domanda -> risposta), ma circolare e iterativo, strutturato in fasi precise:

• Fase di Innesco e Prompting: Lo studente, guidato dal docente, interroga il sistema non per ottenere la soluzione finale a un problema, ma per generare uno “scaffolding” (impalcatura). Ad esempio, non chiede “scrivi un saggio sulla Rivoluzione Francese”, ma “generami tre diverse tesi storiografiche sulle cause della Rivoluzione Francese per avviare una discussione”.
• Fase di Valutazione Critica: Qui entra in gioco la competenza umana. Lo studente deve analizzare l’output dell’IA, verificandone la coerenza, identificando eventuali allucinazioni (informazioni false inventate dal modello) e rilevando bias culturali o di genere. Questa fase trasforma l’errore dell’IA in un’opportunità didattica preziosa per allenare il pensiero critico e la verifica delle fonti.²⁰
• Fase di Revisione e Raffinamento: Sulla base della valutazione, lo studente raffina il prompt o modifica manualmente il contenuto, reinserendolo nel sistema per un ulteriore passaggio. L’agency (la capacità di agire) viene riallocata dinamicamente: in alcuni momenti guida lo studente, in altri “suggerisce” la macchina, in un dialogo socratico continuo.¹⁹

 

Studi recenti dimostrano che questo approccio, se governato da un docente esperto, porta a risultati superiori rispetto alla didattica tradizionale nello sviluppo di competenze complesse come l’argomentazione scritta, il design thinking e il problem-solving scientifico.²¹ Tuttavia, l’efficacia crolla se manca la guida docente: senza un’impalcatura metodologica, gli studenti tendono a scivolare verso l’uso passivo dello strumento come “generatore di risposte”, perdendo i benefici metacognitivi.¹⁸

3.2 Il Tutoraggio Socratico: L’IA come “Whisperer”

Un’altra evoluzione significativa riguarda l’uso dei Large Language Models come Tutor Socratici. I modelli generalisti (come ChatGPT o Claude) tendono naturalmente a fornire risposte dirette e complete, il che è pedagogicamente controproducente perché elimina lo sforzo cognitivo necessario all’apprendimento. Per contrastare questo, sono stati sviluppati prompt di sistema e piattaforme specifiche (come Khanmigo di Khan Academy o i sistemi sperimentati al MIT) che istruiscono l’IA a comportarsi come Socrate: non dare mai la risposta, ma rispondere a una domanda con un’altra domanda, guidando lo studente a scoprire la soluzione da solo (metodo Chain-of-Thought).²²

Ricerche presentate al MIT AI Education Summit del luglio 2025 hanno evidenziato che l’interazione con tutor socratici digitali favorisce non solo l’acquisizione di contenuti disciplinari (es. matematica), ma anche lo sviluppo di competenze trasversali definite nel framework europeo DigComp 2.2, come la capacità di risolvere problemi tecnici e la gestione dell’incertezza.²⁴

Interessante è la percezione degli studenti emersa da questi studi: mentre apprezzano l’IA per la sua infinita pazienza, la disponibilità 24/7 e l’assenza di giudizio (il “non sentirsi stupidi” a fare domande banali), riconoscono che il tutor umano rimane insostituibile per il supporto emotivo, la motivazione e la capacità di comprendere il contesto culturale e personale dello studente.²² L’IA agisce efficacemente come un “whisperer” (suggeritore), ma il ruolo di mentore ed educatore resta saldamente umano.

3.3 I Rischi Cognitivi: Pigrizia Metacognitiva e Analfabetismo Erudito

L’adozione diffusa dell’IA porta con sé rischi cognitivi nuovi e insidiosi, che la pedagogia 3.0 deve affrontare frontalmente.

Il primo rischio è la “Pigrizia Metacognitiva” (Metacognitive Laziness). Questo concetto, ricorrente nei rapporti OCSE 2026, descrive la tendenza del cervello umano — che è un organo biologicamente orientato al risparmio energetico — a delegare alla macchina processi cognitivi faticosi ma essenziali, come la pianificazione di un testo, la sintesi di un concetto o il controllo logico di un ragionamento.⁵ Se l’IA è sempre disponibile per “pensare al posto nostro”, lo studente potrebbe disabituarsi a farlo autonomamente. Studi citati dall’OCSE mostrano che studenti che hanno utilizzato l’IA per risolvere problemi complessi hanno avuto performance peggiori del 17% quando hanno dovuto affrontare problemi simili senza l’ausilio tecnologico, rispetto a chi aveva appreso in modo tradizionale.¹⁸

Il secondo rischio è l’“Analfabetismo Erudito”. Viviamo in un paradosso: gli studenti, grazie all’IA, hanno accesso a risposte articolate, scritte in un linguaggio forbito e accademicamente corretto. Possono produrre testi che sembrano eruditi. Tuttavia, se non possiedono le categorie mentali per comprendere, decostruire e verificare quei testi, si trovano in una condizione di analfabetismo funzionale di alto livello. Hanno la “forma” della conoscenza, ma non la “sostanza” della comprensione. La sfida educativa diventa quindi insegnare a “leggere” e interrogare l’IA, sviluppando un “sano scetticismo” verso l’autorità algoritmica.⁵

Infine, sul piano della ricerca e della produzione di materiali didattici, emerge il rischio del “Model Collapse” (collasso del modello). L’uso massiccio di dati sintetici (generati da IA) per addestrare altre IA o per creare contenuti educativi può portare a una degradazione della qualità e della varietà dell’informazione. I modelli, nutrendosi dei loro stessi output, tendono a convergere verso una “media” statistica, perdendo le sfumature, le eccezioni e la complessità del reale, elementi vitali per un’educazione critica e plurale.²⁶

4. Il Ruolo del Docente: Orchestratore e Prompt Engineer Didattico

In questo scenario in rapida mutazione, la domanda ricorrente è: l’IA sostituirà gli insegnanti? La risposta univoca della ricerca e delle istituzioni nel 2026 è un netto “no”, ma con una precisazione fondamentale: l’IA non sostituirà gli insegnanti, ma gli insegnanti che sanno usare l’IA sostituiranno quelli che non lo sanno fare. Il ruolo del docente si evolve da trasmettitore di conoscenza a “Orchestratore di Ambienti di Apprendimento”.

4.1 Nuove Competenze: Il Framework UNESCO e DigCompEdu

Per guidare questa transizione, l’UNESCO e i ricercatori europei hanno elaborato framework di competenze specifici per l’era dell’IA, integrando il già noto DigCompEdu. Il nuovo profilo di competenze del docente si struttura su tre livelli progressivi ²⁸:

1. Acquisire (Acquire): È il livello base, ormai indispensabile per ogni educatore. Comprende la comprensione dei principi di funzionamento dell’IA (non servono competenze di coding, ma capire la logica probabilistica degli LLM), la conoscenza delle normative vigenti (AI Act, privacy, copyright) e la consapevolezza delle implicazioni etiche (bias, equità). Un docente a questo livello sa riconoscere quando è opportuno usare l’IA e quando evitarla.
2. Approfondire (Deepen): A questo livello, il docente integra attivamente l’IA nella pratica didattica. Sa utilizzare strumenti per personalizzare l’apprendimento (es. creare versioni diverse di un testo per studenti con livelli linguistici differenti), sa gestire la classe in attività ibride e sa valutare criticamente gli strumenti proposti dal mercato.
3. Creare (Create): È il livello avanzato della leadership educativa. Il docente “creatore” progetta nuovi scenari pedagogici possibili grazie all’IA, sviluppa risorse educative originali (prompt complessi, bot personalizzati, percorsi di co-creazione) e agisce come mentore per i colleghi e per la comunità scolastica, promuovendo l’innovazione metodologica.²⁹

4.2 Il Docente come “Prompt Engineer Didattico”

Una delle definizioni più innovative emerse nel dibattito italiano del 2025 è quella del docente come “Prompt Engineer Didattico”. Questa figura è delineata nel volume AI in classe (UTET Università, 2025).³⁰ Non si tratta di formare ingegneri informatici, ma di sviluppare una competenza linguistico-pedagogica raffinata: la capacità di dialogare con la macchina per ottenere risultati didatticamente validi.

Il “Prompt Engineering Didattico” richiede di saper tradurre obiettivi di apprendimento in istruzioni per l’IA. Il libro propone framework pratici come il modello “6C” per il prompting e il formato di progettazione “Cuore Mani Testa”, che aiuta i docenti a strutturare lezioni in cui l’IA supporta sia la dimensione emotiva (Cuore), sia quella pratica (Mani), sia quella cognitiva (Testa) dell’apprendimento.³⁰ L’orchestratore deve saper decidere i tempi: quando spegnere i device per favorire il confronto umano e quando accenderli per potenziare la ricerca. Deve insegnare agli studenti a diventare a loro volta prompt engineer, ovvero a formulare domande precise, contestualizzate e strutturate, una competenza che è l’essenza stessa del pensiero critico.

4.3 Il Gap Formativo e le Iniziative di Aggiornamento

Nonostante la chiarezza teorica sui nuovi ruoli, la realtà scolastica si scontra con un divario formativo allarmante. Dati del 2025 indicano che circa il 75% dei professori universitari europei e il 66% dei docenti scolastici non hanno mai ricevuto una formazione formale sull’IA.⁵ Questo “skills gap” è percepito dagli stessi docenti come un’urgenza: il 56% richiede esplicitamente formazione pratica su come integrare l’IA in aula e su come educare gli studenti al suo uso responsabile.

Per colmare questo vuoto, le università italiane hanno attivato percorsi di alta formazione specifici. Un esempio di eccellenza è il Corso di Alta Formazione dell’Università di Padova per l’anno accademico 2025/2026, intitolato “Nuove strade. Strumenti di intelligenza artificiale per la didattica, l’aggiornamento e la produttività del docente”.³¹ Il corso è strutturato per rispondere ai bisogni concreti dei docenti, con moduli che coprono:

• La storia e i dibattiti etici sull’IA.
• L’uso pratico di strumenti generativi per la creazione di testi e la gestione delle informazioni.
• Le strategie per mitigare i rischi di apprendimento nelle scuole secondarie.
• Un focus specifico sul rapporto tra IA e discipline umanistiche, sfatando il mito che l’IA sia appannaggio delle sole materie STEM.

Iniziative simili sono fondamentali per passare da una formazione “fai da te”, basata su tutorial online e tentativi individuali, a una professionalizzazione strutturata e certificata.

5. L’Esperienza e l’Approccio degli Studenti

Per comprendere la reale portata della trasformazione in atto, è indispensabile analizzare il punto di vista degli studenti, che spesso precedono le istituzioni nell’adozione delle tecnologie.

5.1 Dati di Utilizzo: Una Diffusione Pervasiva

La Student Generative AI Survey 2025, condotta da HEPI e Kortext nel Regno Unito ma i cui trend sono riscontrabili a livello europeo, offre una fotografia nitida della situazione.³² L’IA non è più una novità, è un’infrastruttura di base dello studio universitario.

• Il 92% degli studenti utilizza strumenti di IA in qualche forma.
• L’88% dichiara di utilizzare l’IA Generativa specificamente per la preparazione di assessment (compiti, tesine, esami), un incremento vertiginoso rispetto al 53% registrato solo un anno prima, nel 2024.
• Solo il 12% degli studenti afferma di non aver mai usato l’IA per scopi valutativi, rendendo di fatto la “non adozione” un comportamento di nicchia.

 

È interessante notare come l’uso si stia evolvendo qualitativamente. Se nel 2023 l’uso prevalente era la “generazione di testo” (farsi scrivere il compito), nel 2025 le funzioni più popolari includono la spiegazione di concetti complessi (58%), il riassunto di articoli accademici e la generazione di idee per la ricerca. L’IA sta diventando, per molti studenti, un tutor privato sempre disponibile e un assistente alla ricerca.³²

5.2 Motivazioni e Barriere: Oltre il Mito del “Cheating”

La narrazione mediatica tende spesso a ridurre l’uso dell’IA da parte degli studenti a una forma sofisticata di imbroglio (cheating). I dati, tuttavia, raccontano una storia più sfumata. Le motivazioni principali citate dagli studenti sono l’efficienza (risparmio di tempo, 51%) e il desiderio di migliorare la qualità del proprio lavoro (50%). Molti studenti vedono nell’IA uno strumento di equità, capace di aiutarli a superare blocchi linguistici (specialmente per chi studia in una seconda lingua) o difficoltà espressive, permettendo loro di concentrarsi sui contenuti.

Tuttavia, l’adozione non è priva di ansie. I principali deterrenti all’uso sono:

• Paura delle Allucinazioni: Il 51% degli studenti teme che l’IA inserisca informazioni false o inventate nel proprio lavoro, compromettendone la validità. Il 26% dichiara di incontrare errori “spesso” o “molto spesso”. Questo indica che gli studenti stanno sviluppando una consapevolezza critica empirica: sanno che la macchina sbaglia e ne hanno paura.
• Timore dell’Accusa di Cheating: Il 53% è frenato dalla paura di essere ingiustamente accusato di plagio accademico. Questo dato riflette una mancanza di chiarezza nelle policy istituzionali: nonostante l’uso sia di massa, solo il 29% degli studenti si sente esplicitamente “incoraggiato” dalla propria università a usare l’IA, mentre molti percepiscono un clima di tolleranza ambigua o di divieto latente.³²

5.3 Il Digital Divide 2.0: Nuove Disuguaglianze

Un aspetto critico emerso dalle ricerche del 2025 è la configurazione di un nuovo divario digitale. L’uso dell’IA non è omogeneo. Si riscontra una prevalenza di utilizzo tra gli studenti maschi, tra quelli iscritti a corsi STEM (Scienze, Tecnologia, Ingegneria, Matematica) e, dato ancor più preoccupante, tra coloro che provengono da background socio-economici avvantaggiati.³²

Le ragioni sono molteplici:

• Costo degli Strumenti: I modelli di IA più avanzati (es. GPT-4, Claude Opus, strumenti specifici come Elicit o Midjourney) sono spesso a pagamento. Gli studenti che possono permettersi abbonamenti mensili hanno accesso a “tutor” di qualità nettamente superiore rispetto a chi deve accontentarsi delle versioni gratuite, meno performanti e più soggette ad allucinazioni.
• Capitale Culturale: Gli studenti con un background culturale più solido sono spesso meglio equipaggiati per sfruttare l’IA come potenziamento (scaffolding), mentre gli studenti più fragili rischiano di usarla come sostituto (outsourcing), cadendo nella trappola della pigrizia metacognitiva.

 

Questo scenario impone alle istituzioni scolastiche e universitarie di intervenire non solo regolando l’uso, ma garantendo l’accesso democratico agli strumenti migliori, per evitare che l’IA diventi un moltiplicatore di disuguaglianze preesistenti.

6. Implicazioni per la Ricerca Scientifica e Accademica

L’onda d’urto dell’IA non si ferma alle aule didattiche ma investe i laboratori di ricerca e le biblioteche universitarie, trasformando i metodi stessi di produzione e validazione della conoscenza scientifica.

6.1 Nuovi Strumenti per la Literature Review e la Ricerca

Il 2026 vede il consolidamento di strumenti di ricerca basati su IA che superano i limiti dei chatbot generalisti. Piattaforme come Elicit, Consensus, Semantic Scholar e Scite sono diventate standard de facto per la fase di revisione della letteratura.³³ Questi strumenti utilizzano tecniche di Retrieval-Augmented Generation (RAG) per ancorare le risposte a database di paper accademici reali, riducendo drasticamente il rischio di allucinazioni bibliografiche (fenomeno comune con i primi ChatGPT).

• Consensus permette di porre domande di ricerca (es. “L’IA migliora l’apprendimento della matematica?”) e ottiene una sintesi basata sul “consenso scientifico” estratto da migliaia di paper, indicando se la letteratura è concorde o divisa.
• Elicit automatizza l’estrazione di dati per le revisioni sistematiche, permettendo a un ricercatore di analizzare la metodologia, il campione e i risultati di centinaia di studi in poche ore, un lavoro che prima richiedeva settimane.

 

L’uso di questi strumenti sta accelerando i ritmi della ricerca, ma pone nuove sfide metodologiche: il ricercatore deve essere in grado di verificare che la sintesi dell’IA non abbia omesso sfumature importanti o travisato le conclusioni degli autori originali.

6.2 La Questione dei Dati Sintetici e la Validità

Una frontiera metodologica controversa è l’uso di dati sintetici generati dall’IA per condurre ricerche in ambito educativo e sociale. In contesti dove la raccolta di dati reali è difficile per motivi di privacy (es. dati su minori, dati sanitari) o costi, alcuni ricercatori stanno iniziando a usare popolazioni “sintetiche” simulate da LLM per testare ipotesi o addestrare modelli.²⁶ Tuttavia, studi del 2025 lanciano l’allarme sulla validità di tali dati. I dati sintetici tendono a mancare delle “code” statistiche (outliers) e della complessità disordinata della realtà umana. Inoltre, l’uso ricorsivo di dati generati da IA per addestrare altre IA porta al già citato Model Collapse, una degenerazione che rende i modelli “ciechi” alla realtà.²⁷ La comunità scientifica è concorde nel ritenere che, per la ricerca educativa che informa le policy, i dati “real-world” rimangano insostituibili.

6.3 Integrità Accademica, Policy Universitarie e Peer Review

Le università e gli enti di ricerca stanno aggiornando le loro policy per adattarsi a questa nuova realtà. Le linee guida più avanzate (come quelle di Harvard, Stanford o Duke) si sono spostate da un approccio proibizionista a uno di “autorizzazione con divulgazione” (authorized use with disclosure).³⁶ Agli studenti e ai ricercatori non si chiede più di “non usare l’IA”, ma di dichiarare esplicitamente:

1. Quali strumenti sono stati usati.
2. Per quale fase del lavoro (ideazione, editing, analisi dati).
3. Quali prompt sono stati utilizzati (in appendice).

 

Anche il mondo del Peer Review e del Grant Writing è in trasformazione. L’European Research Council (ERC) e grandi editori come Elsevier hanno emanato linee guida severe.³⁸

• È vietato caricare manoscritti o proposte di ricerca non pubblicate su piattaforme di GenAI pubbliche (come ChatGPT standard), poiché ciò costituisce una violazione della riservatezza e della proprietà intellettuale (i dati potrebbero essere usati per addestrare il modello).
• L’uso dell’IA per migliorare la qualità linguistica di una proposta o di un paper è generalmente accettato, purché dichiarato.
• L’ERC avverte però che la responsabilità scientifica rimane interamente umana: l’IA non può essere co-autrice. I sistemi di valutazione dei grant si stanno attrezzando per rilevare proposte scritte interamente da IA, che spesso risultano “generiche” e prive di quella scintilla di originalità e rischio intellettuale che caratterizza la ricerca di frontiera.

7. Conclusioni e Raccomandazioni Operative

Alla luce dell’analisi condotta, è evidente che la “Formazione 3.0” non è un punto di arrivo, ma un cantiere aperto. L’integrazione dell’IA nelle scuole e nelle università non è più una questione di “se”, ma di “come” e “perché”.

La sfida per i prossimi anni non sarà tecnologica, ma squisitamente pedagogica e politica. Si tratta di decidere quale tipo di essere umano vogliamo formare: un esecutore passivo assistito da protesi intelligenti, o un pensatore critico capace di orchestrare intelligenze artificiali?

Per indirizzare il sistema verso la seconda ipotesi, emergono tre raccomandazioni operative prioritarie:

1. Formazione Epistemologica dei Formatori: È urgente investire massicciamente nella formazione dei docenti, non limitandosi a corsi tecnici sull’uso dei software. Serve una formazione epistemologica che aiuti i docenti a comprendere la natura della conoscenza algoritmica, i suoi limiti probabilistici e le sue implicazioni etiche. I corsi universitari e i framework UNESCO sono un ottimo punto di partenza, ma devono diventare sistemici.
2. Riforma della Valutazione: Il sistema di valutazione basato quasi esclusivamente su prodotti scritti realizzati a casa o in contesti non controllati è definitivamente obsoleto. Le istituzioni devono spostare il baricentro della valutazione sul processo (osservazione in classe, diari di bordo, cronologia delle modifiche), sulla prova orale e argomentativa, e su nuove forme di valutazione comparativa che includano la critica agli output dell’IA. Bisogna valutare non ciò che lo studente sa produrre (che l’IA può fare meglio), ma come lo studente sa pensare, verificare e rielaborare.
3. Governance Attiva e Sovrana: Le scuole non possono essere lasciate sole di fronte ai giganti tecnologici. L’attuazione delle checklist del MIM e il rispetto dell’AI Act devono essere supportati da infrastrutture pubbliche che garantiscano l’accesso a strumenti di IA sicuri, conformi alla privacy e pedagogicamente validi, evitando che l’istruzione pubblica dipenda interamente da logiche di mercato straniere.

 

L’Intelligenza Artificiale è uno specchio che riflette e amplifica le virtù e i vizi del nostro sistema educativo. Sta a noi decidere se usarla per automatizzare la mediocrità o per liberare tempo e risorse per una nuova fioritura dell’umanesimo educativo.

Tabelle di Sintesi

Tabella 1: Analisi Comparativa delle Policy Universitarie sull’IA (2026)

Fonte: Sintesi basata su dati di policy universitarie (Stanford, Harvard, Duke) e Survey HEPI

Tipo di Approccio	Descrizione della Policy	Diffusione (Stima)	Impatto sullo Studente
Proibizionismo Totale	Divieto assoluto di qualsiasi uso di GenAI. Uso di software anti-plagio e AI-detector.	In calo (soprattutto in ambito umanistico conservatore).	Alta ansia, uso clandestino, sfiducia istituzionale.
Tolleranza non Dichiarata	Assenza di policy chiare. “Don’t ask, don’t tell”.	Ancora diffuso in contesti meno strutturati.	Confusione, disparità di trattamento tra corsi.
Autorizzazione con Divulgazione	Uso permesso per fasi specifiche (brainstorming, editing) con obbligo di citazione dettagliata.	In forte crescita (Top Universities, Policy MIM).	Responsabilizzazione, sviluppo di AI Literacy.
Integrazione Radicale	L’IA è richiesta come parte integrante del corso. Valutazione sulla capacità di prompting.	Emergente (Corsi sperimentali, Design, Informatica).	Sviluppo competenze avanzate, rischio obsolescenza rapida.

Tabella 2: Il Ciclo della Co-creazione Iterativa Generativa

Fonte: Adattamento da Systematic Review 2025 ¹⁹

Fase	Attività dello Studente	Ruolo dell’IA	Ruolo del Docente
1. Innesco	Formula il prompt iniziale (domanda, scenario, bozza).	Genera opzioni, strutture, idee divergenti.	Guida la formulazione del prompt (Prompt Engineering).
2. Valutazione	Analizza l’output: cerca errori, bias, mancanze.	(Passivo) Fornisce il materiale grezzo da criticare.	Fornisce criteri di verifica e pensiero critico.
3. Ibridazione	Seleziona le parti valide, integra con ricerca propria e intuizioni.	Supporta la riscrittura o l’approfondimento su richiesta.	Monitora l’apporto originale dello studente.
4. Sintesi	Produce l’artefatto finale (testo, progetto, codice).	Effettua check finale (formale/linguistico).	Valuta il processo e il prodotto finale.

Bibliografia

1. IA2023, accesso eseguito il giorno gennaio 25, 2026, https://ia2023.it/
2. From regulation to innovation: What the EU AI Act means for EdTech – FeedbackFruits, accesso eseguito il giorno gennaio 25, 2026, https://feedbackfruits.com/blog/from-regulation-to-innovation-what-the-eu-ai-act-means-for-edtech
3. Artificial Intelligence and education: Ethics and legal aspects, accesso eseguito il giorno gennaio 25, 2026, https://eaea.org/2025/05/15/artificial-intelligence-and-education-ethics-and-legal-aspects/
4. EU AI Act: Ban on certain AI practices and requirements for AI literacy come into effect, accesso eseguito il giorno gennaio 25, 2026, https://www.mayerbrown.com/en/insights/publications/2025/01/eu-ai-act-ban-on-certain-ai-practices-and-requirements-for-ai-literacy-come-into-effect
5. Intelligenza Artificiale e Formazione 2.0: Paradigmi Pedagogici …, accesso eseguito il giorno gennaio 25, 2026, https://ia2023.it/2025/10/26/intelligenza-artificiale-formazione-paradigmi-pedagogici-pratiche-didattiche-sviluppo-competenze-era-genai/
6. EU AI Act: What it means for universities – Digital Education Council, accesso eseguito il giorno gennaio 25, 2026, https://www.digitaleducationcouncil.com/post/eu-ai-act-what-it-means-for-universities
7. DM 166/2025 e relative “Linee guida per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni Scolastiche”, accesso eseguito il giorno gennaio 25, 2026, https://www.einaudifoggia.edu.it/dm-166-2025-e-relative-linee-guida-per-lintroduzione-dellintelligenza-artificiale-nelle-istituzioni-scolastiche/
8. MINISTERO ISTRUZIONE E MERITO: Linee guida per l’introduzione dell’Intelligenza Artificiale nelle istituzioni scolastiche – CdO Opere Educative, accesso eseguito il giorno gennaio 25, 2026, https://www.foe.it/centro-servizi/ministero-istruzione-e-merito-linee-guida-per-lintroduzione-dellintelligenza-artificiale-nelle-istituzioni-scolastiche
9. L’Intelligenza artificiale entra nella scuola italiana … – INFO-SCUOLE, accesso eseguito il giorno gennaio 25, 2026, https://www.info-scuole.it/doc/2025/altro/decreto_miur_166_2025-articolo_orizzontescuola_120825.pdf
10. Intelligenza artificiale ambito piattaforma UNICA | MIUR – Reporter Scuola, accesso eseguito il giorno gennaio 25, 2026, https://www.reporterscuola.it/site/MIUR/intelligenza-artificiale-ambito-piattaforma-unica.html
11. Le Nuove Indicazioni Nazionali 2025: evoluzione e cambiamenti – CdO Opere Educative, accesso eseguito il giorno gennaio 25, 2026, https://www.foe.it/files/2025/08/Nuove-Indicazioni-2025.pdf
12. Intelligenza artificiale a scuola: linee guida 2025 – Diario della Formazione, accesso eseguito il giorno gennaio 25, 2026, https://www.diariodellaformazione.it/news/intelligenza-artificiale-scuola/
13. Guidance for generative AI in education and research – UNESCO, accesso eseguito il giorno gennaio 25, 2026, https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
14. UNESCO’s Digital Learning Week 2025: The Future of Education, accesso eseguito il giorno gennaio 25, 2026, https://social.desa.un.org/world-summit-2025/blog/unescos-digital-learning-week-2025-the-future-of-education
15. AI and the future of education. Disruptions, dilemmas and directions – UNESCO, accesso eseguito il giorno gennaio 25, 2026, https://www.unesco.org/en/articles/ai-and-future-education-disruptions-dilemmas-and-directions
16. AI and the Futures of Education | UNESCO, accesso eseguito il giorno gennaio 25, 2026, https://www.unesco.org/en/articles/ai-and-futures-education
17. The Future of Assessment: Key Takeaways from the OECD Digital Education Outlook 2026, accesso eseguito il giorno gennaio 25, 2026, https://compare.rm.com/blog/the-future-of-assessment-key-takeaways-from-the-oecd-digital-education-outlook-2026/
18. Navigating the AI Wave: What does OECD’s 2026 Digital Outlook Report say for VET, accesso eseguito il giorno gennaio 25, 2026, https://aipioneers.org/navigating-the-ai-wave-what-does-oecds-2026-digital-outlook-report-say-for-vet-2/
19. A Systematic Review of Generative AI in K–12: Mapping Goals …, accesso eseguito il giorno gennaio 25, 2026, https://www.mdpi.com/2079-8954/13/10/840
20. Example AI outputs in round three: (a) feedback provided to students… – ResearchGate, accesso eseguito il giorno gennaio 25, 2026, https://www.researchgate.net/figure/Example-AI-outputs-in-round-three-a-feedback-provided-to-students-based-on-their_fig4_390875900
21. Effects of GenAI Interventions on Student Academic Performance: A Meta-Analysis – GAIA-GEN UNAM, accesso eseguito il giorno gennaio 25, 2026, https://iagen.unam.mx/recursos/Effects%20of%20GenAI%20Interventions%20on%20Student%20Academic%20Performance-%20A%20Meta-Analysis.pdf
22. Socratic wisdom in the age of AI: a comparative study of ChatGPT and human tutors in enhancing critical thinking skills – Frontiers, accesso eseguito il giorno gennaio 25, 2026, https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1528603/full
23. From Solvers to Socratic Tutors: How AI Tools Are Reframing Mathematics Learning – Digg, accesso eseguito il giorno gennaio 25, 2026, https://digg.com/ai-i/ddfnV3o/from-solvers-to-socratic-tutors-how
24. Papers from the 2025 MIT AI & Education Summit, accesso eseguito il giorno gennaio 25, 2026, https://raise.mit.edu/papers-2025-mit-ai-education-summit/
25. Socratic AI Tutoring in Primary School Mathematics: A Case Study on the Development of Problem-Solving and Digital Competence According to DigComp 2.2 – DSpace@MIT, accesso eseguito il giorno gennaio 25, 2026, https://dspace.mit.edu/handle/1721.1/163131
26. Synthetic data, synthetic trust: navigating data challenges in the digital revolution – PMC, accesso eseguito il giorno gennaio 25, 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12778113/
27. Synthetic Data and the Future of AI – Cornell Law School, accesso eseguito il giorno gennaio 25, 2026, https://publications.lawschool.cornell.edu/lawreview/wp-content/uploads/sites/2/2025/03/Lee-final-2.pdf
28. AI competency framework for teachers | UNESCO, accesso eseguito il giorno gennaio 25, 2026, https://www.unesco.org/en/articles/ai-competency-framework-teachers
29. Framework di competenze UNESCO sull’intelligenza artificiale – Trasforma & Impara, accesso eseguito il giorno gennaio 25, 2026, https://eportfoli.altervista.org/framework-di-competenze-unesco-sullintelligenza-artificiale/
30. AI in classe » Scienze umane e sociali | UTET Università, accesso eseguito il giorno gennaio 25, 2026, https://www.utetuniversita.it/catalogo/scienze-umane-e-sociali/ai-in-classe-3926
31. Corsi di alta formazione | Università di Padova, accesso eseguito il giorno gennaio 25, 2026, https://www.unipd.it/alta-formazione
32. Student Generative AI Survey 2025 – HEPI, accesso eseguito il giorno gennaio 25, 2026, https://www.hepi.ac.uk/reports/student-generative-ai-survey-2025/
33. Elicit vs Consensus : Detailed Comparison 2026 – Paperguide, accesso eseguito il giorno gennaio 25, 2026, https://paperguide.ai/blog/elicit-vs-consensus/
34. Elicit: AI for scientific research, accesso eseguito il giorno gennaio 25, 2026, https://elicit.com/
35. 11 Best AI Tools for Scientific Literature Review in 2026 – Cypris, accesso eseguito il giorno gennaio 25, 2026, https://www.cypris.ai/insights/11-best-ai-tools-for-scientific-literature-review-in-2026
36. 2026 University AI Policies: Compliance Checklist for Essays, accesso eseguito il giorno gennaio 25, 2026, https://essays-panda.com/uni-ai-policies-2026
37. Artificial Intelligence Policies: Guidelines and Considerations – Duke Center for Teaching and Learning, accesso eseguito il giorno gennaio 25, 2026, https://lile.duke.edu/ai-and-teaching-at-duke-2/artificial-intelligence-policies-in-syllabi-guidelines-and-considerations/
38. Responsible Use of Generative AI in Grant Applications, accesso eseguito il giorno gennaio 25, 2026, https://grants.pages.ist.ac.at/wp-content/uploads/sites/64/2025/06/AI-use-in-Grants_20250610.pdf
39. European Research Council issues warning on AI’s use in grant applications | Science, accesso eseguito il giorno gennaio 25, 2026, https://sciencebusiness.net/news/ai/european-research-council-issues-warning-ais-use-grant-applications
40. Generative AI policies for journals – Elsevier, accesso eseguito il giorno gennaio 25, 2026, https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

 

 

L’immagine è stata realizzata da Gemini con il prompt: Crea un’immagine, senza testo, sul concetto “Intelligenza Artificiale e Formazione 3.0: Paradigmi, Governance e Pratiche nell’Era dell’Apprendimento Ibrido”.