In questo articolo Indice dei contenuti 3 sezioni
Il MIT ha scelto di intervenire sul punto più scomodo della questione, quello che riguarda gli obiettivi didattici e non gli strumenti, mentre in Italia si lavora alle regole sull’uso dell’AI nella formazione. La linea indicata dall’istituto americano parte da una premessa semplice, quasi banale nella sua evidenza, e cioè che i corsi vanno ripensati a monte, perché quando una tecnologia riesce a produrre in pochi secondi ciò che prima richiedeva ore di lavoro allo studente, la domanda vera non è se vietarla, ma cosa si sta effettivamente misurando con un compito assegnato. È un cambio di prospettiva che sposta il peso dal prodotto finale al percorso. Il testo consegnato, l’elaborato ben scritto, la relazione impeccabile: tutto questo perde valore come prova di apprendimento nel momento in cui può essere generato altrove. Da qui la scelta di guardare a ciò che resta difficilmente delegabile, cioè il modo in cui una persona ragiona, sceglie, sbaglia e corregge.
Valutare i processi, non solo il risultato finale
Il primo pilastro dell’impostazione del MIT riguarda proprio la valutazione. Non più soltanto l’esito, ma i processi e le argomentazioni che lo hanno costruito. Significa dare peso alla capacità di sostenere una tesi, di spiegare perché una strada è stata preferita a un’altra, di reggere una discussione su ciò che si è prodotto. Un approccio che, nella pratica, ridisegna anche il rapporto tra docente e studente, perché richiede più tempo, più confronto diretto, più attenzione a come si arriva a una conclusione.
Il secondo elemento è la chiarezza delle regole. Dichiarare in anticipo cosa è ammesso e cosa non lo è, corso per corso, evita quella zona grigia in cui ognuno si muove a intuito e in cui il sospetto diventa il metodo principale di controllo. Regole esplicite servono a entrambe le parti: allo studente che vuole capire fin dove può spingersi con l’intelligenza artificiale, e al docente che deve poter giudicare senza trasformarsi in investigatore.
Gli spazi dove l’apprendimento non si delega
C’è poi la parte più impegnativa, quella che costa. Il MIT individua alcuni ambiti in cui l’apprendimento non può essere ceduto a una macchina e indica la necessità di sostenerli con risorse concrete. Non è una dichiarazione di principio: significa investire su laboratori, su momenti di lavoro guidato, su forme di didattica che richiedono presenza e tempo, perché sono esattamente quelle attività che rischiano di essere sacrificate quando si punta all’efficienza.
Il ragionamento tocca da vicino il sistema italiano, che sta definendo il proprio quadro normativo sull’uso dell’AI nei percorsi formativi. Il rischio più concreto è quello di fermarsi al livello del divieto o dell’adozione entusiasta, due estremi che condividono lo stesso difetto, cioè lasciare intatta la struttura dei corsi e degli esami. Se gli obiettivi di apprendimento restano quelli di dieci anni fa, qualunque regola sull’uso dell’AI finisce per essere una toppa.
Cosa può prendere il sistema universitario italiano
L’indicazione utile che arriva dal MIT non è un elenco di divieti da copiare, ma un metodo di lavoro. Ridefinire cosa si vuole insegnare, spostare la valutazione sui processi e sulle argomentazioni, mettere per iscritto le regole del gioco, difendere con budget reali gli spazi dell’apprendimento non delegabile. Quattro mosse che possono essere adattate a contesti molto diversi, dalle facoltà umanistiche a quelle tecniche, senza bisogno di un modello unico calato dall’alto.
Per l’università italiana il passaggio decisivo sta nel prendere l’intelligenza artificiale come occasione per rimettere mano alla didattica, invece di considerarla soltanto un problema di disciplina e sorveglianza. La differenza tra le due letture si vede nei risultati, e riguarda cosa uno studente sa davvero fare quando esce da un corso.
