Efficiente ≠ buono

Lo avete già visto e sentito. Ora ci viene detto, di solito con grande sicurezza e con poche o nessuna prova, che l’IA generativa (GenAI) “trasformerà” l’istruzione. Questa è l’ennesima affermazione della stessa vecchia storia, secondo cui qualche strumento tecnologico rivoluzionerà l’insegnamento e l’apprendimento ^[1] . L’ultima affermazione è che la GenAI farà risparmiare tempo agli insegnanti, personalizzerà l’istruzione per lo studente, produrrà piani di lezione, genererà esercizi, differenzierà i materiali e scriverà feedback. Il problema è che produrre testo velocemente non è la stessa cosa che insegnare bene, e far risparmiare tempo agli insegnanti non è la stessa cosa che migliorare l’apprendimento degli studenti.

Un esperimento sul campo randomizzato condotto da Alp Sungu, Benjamin Lira e Angela Duckworth ^[2] (L’IA generativa può danneggiare l’insegnamento) fornisce un necessario riscontro con la realtà. In quattordici scuole medie e superiori in Turchia, gli insegnanti sono stati assegnati casualmente a continuare il loro insegnamento come di consueto o a ricevere l’accesso a uno strumento didattico basato su GPT-4o, con alcuni che hanno anche ricevuto dei promemoria ^[3] . L’analisi ha coinvolto 193 insegnanti, 2.816 studenti e oltre 14.000 osservazioni di studenti-corso; niente male per un RCT in una scuola reale in condizioni di apprendimento reali. Nota: non si trattava di un sondaggio di autovalutazione né di uno studio di laboratorio che utilizzava un compito artificiale. Ha esaminato cosa accadeva quando gli insegnanti utilizzavano l’IA generativa nelle scuole reali.

Gli studenti i cui insegnanti avevano accesso all’intelligenza artificiale hanno riportato una minore motivazione intrinseca. Hanno trovato i loro corsi meno piacevoli, meno interessanti e meno importanti. Il calo complessivo è stato di 0,11 deviazioni standard ed è risultato maggiore quando gli insegnanti facevano già un uso più intensivo dell’IA. Anche la fiducia degli studenti è diminuita, sebbene l’effetto medio fosse meno statisticamente significativo. In media, il rendimento agli esami non è cambiato in modo significativo, il che senza dubbio permetterà agli entusiasti di affermare che l’IA “non ha fatto danni”. Ma le medie sono spesso il luogo in cui si nascondono gli effetti rilevanti dal punto di vista educativo.

Tra gli studenti seguiti da insegnanti con prestazioni inferiori, l’utilizzo di GenAI ha ridotto il rendimento scolastico di 0,129 deviazioni standard e la loro fiducia di 0,183 deviazioni standard. Tra gli studenti seguiti da insegnanti più competenti, non si è riscontrato alcun danno statisticamente significativo e forse si è addirittura osservato un piccolo effetto positivo. In altre parole, la tecnologia presentata come soluzione per compensare le differenze nella qualità degli insegnanti sembra, in questo studio, averle ampliate. L’effetto Matteo colpisce ancora! Perché? Gli insegnanti più competenti potrebbero essere stati in grado di valutare, rifiutare, adattare e integrare meglio i risultati prodotti da Chat. Gli insegnanti meno competenti, d’altro canto, sembrano essere stati più propensi a lasciare che lo strumento sostituisse il pensiero critico necessario per un buon insegnamento.

Questa distinzione è essenziale. Un piano di lezione non è insegnamento, una scheda di lavoro non è istruzione e una serie di domande non è valutazione formativa, tantomeno pratica di ripasso. Questi prodotti dell’IA generativa diventano utili dal punto di vista educativo solo quando un insegnante competente seleziona gli esempi, anticipa le idee sbagliate, sequenzia le spiegazioni, valuta cosa sanno già gli studenti, giudica dove è necessario un supporto e adatta ciò che accade in seguito. Questo lavoro non è semplicemente “preparazione burocratica” che circonda l’insegnamento. È la parte centrale dell’insegnamento! Quando lo deleghiamo all’IA generativa o a chiunque altro (l’edizione per insegnanti di un metodo di apprendimento collaudato, un collega che ha già svolto tutto il lavoro preliminare…), stiamo eliminando l’attività cognitiva attraverso la quale noi, come insegnanti, comprendiamo i contenuti e gli studenti che stiamo per insegnare. Per dirla con Donald Schön: la nostra riflessione sull’azione e la nostra riflessione in azione.

Anche i dati di utilizzo sono rivelatori. Circa due terzi delle conversazioni degli insegnanti con GenAI riguardavano la produzione di materiali didattici, come appunti delle lezioni, compiti a casa, esami e programmi di studio (ad esempio, “crea questo per me”). Solo una quota molto minore riguardava il supporto didattico, come affrontare idee sbagliate o differenziare l’insegnamento. La conversazione media conteneva solo due richieste da parte dell’insegnante. In altre parole, questa media di sole 2 richieste significa che “gli insegnanti in genere accettavano gli output generati dall’IA con un minimo di iterazioni, trattando lo strumento come un generatore di prodotti finiti piuttosto che come un collaboratore iterativo”. Questo non sembra (perdonate il sarcasmo) un dialogo ponderato in cui un professionista analizza i suggerimenti, testa le alternative e affina un approccio pedagogico. Sembra molto più una delega o un lavoro e una responsabilità: Chiedi, Ricevi, Copia, Usa. Ehi, un nuovo acronimo: CRCU 😊

E questo potrebbe spiegare il risultato in termini di motivazione. Gli studenti non percepiscono l’insegnamento come il trasferimento sterile di contenuti tecnicamente adeguati da un contenitore (l’insegnante) a un altro (lo studente). Percepiscono (e si aspettano) un insegnante: i suoi esempi, il suo umorismo, le sue storie, le sue aspettative e il suo modo di spiegare concetti complessi. L’IA generativa tende a essere il più possibile uniforme, generica e plausibile. Può generare in modo efficace ed efficiente una lezione che sembra una lezione, così come può generare una spiegazione che sembra una spiegazione. Ma una prosa didattica generica può eliminare proprio quella firma personale e intellettuale che rende un corso coerente e un insegnante credibile. Quando gli studenti percepiscono che i materiali non sono stati realmente elaborati dalla persona che hanno di fronte, perché dovrebbero impegnarsi su di essi?

A mio modesto parere, le implicazioni di equità di questa ricerca meritano particolare attenzione. Questo studio non ha misurato il reddito familiare o lo svantaggio socioeconomico, quindi non fingeremo che dimostri direttamente un danno maggiore per gli alunni più poveri. Ciò che dimostra è che il danno si è concentrato tra gli studenti istruiti da insegnanti meno efficaci e la ricerca ci ha insegnato che gli studenti con rendimento inferiore e quelli provenienti da quartieri e scuole più poveri hanno insegnanti meno qualificati (cioè con rendimento inferiore) ^[4] . Inoltre, gli studenti più avvantaggiati spesso hanno più risorse: genitori più istruiti, accesso al tutoraggio, uno spazio tranquillo per studiare, libri e la sicurezza di chiedere aiuto. Gli studenti con meno risorse dipendono maggiormente dalla qualità di ciò che la scuola e i loro insegnanti offrono. Quando l’intelligenza artificiale indebolisce l’insegnamento di coloro che hanno più bisogno di supporto nell’esercizio del giudizio professionale, è probabile che gli alunni meno in grado di compensare al di fuori della scuola corrano il rischio maggiore.

Questo studio presenta delle limitazioni. L’intervento è durato solo un semestre, gli esami hanno mostrato un effetto tetto e lo strumento utilizzato era una specifica implementazione. Forse una formazione migliore, meccanismi di controllo più rigorosi o sistemi meglio progettati produrrebbero risultati diversi. Ma notate come si sposta rapidamente l’onere della prova. Prima che emergano le prove, l’IA viene presentata come un miglioramento evidente. Quando emergono prove di danni o quando si dimostra la sua inutilità, ci viene detto che l’implementazione era imperfetta o che le versioni future saranno migliori. Il mondo dell’istruzione ha già visto questo film: Ritorno al futuro XXI.

La conclusione non è che gli insegnanti non debbano usare GenAI. Come strumento, può essere utile per compiti amministrativi di scarsa importanza, per individuare risorse o per generare possibilità che l’insegnante valuta criticamente. Può anche essere usato come strumento di confronto per stimolare la riflessione o per commentare le proposte. Ma non dovrebbe essere usato per sostituire la preparazione intellettuale attraverso la quale gli insegnanti costruiscono la conoscenza pedagogica e personalizzano la propria didattica. Uno strumento che fa risparmiare tempo eliminando la riflessione necessaria per un buon insegnamento non è efficiente, è dispendioso in termini di apprendimento.

La domanda che le scuole dovrebbero porsi non è: “Quanto tempo può far risparmiare l’IA agli insegnanti?“, bensì: “Quali aspetti del lavoro degli insegnanti devono rimanere cognitivamente e professionalmente di loro competenza, perché l’apprendimento degli alunni dipende da loro?“. Finché non risponderemo a questa domanda con dati concreti, anziché con entusiasmo o articoli pubblicitari, l’implementazione su larga scala dell’IA nelle classi non sarà innovazione. Si tratta di un esperimento condotto sui bambini, che a mio modesto parere è moralmente ed eticamente inaccettabile, con i rischi maggiori a carico di coloro che meno possono permettersi un ulteriore svantaggio educativo.

---

NOTE

^[1] In realtà, conosco solo due rivoluzioni tecnologiche nell’istruzione, vale a dire la stampa e la lavagna. La stampa è stata una rivoluzione perché ha reso possibile l’accesso e la diffusione delle informazioni attraverso la produzione in massa di libri di testo e altre opere accademiche. La lavagna è stata una rivoluzione perché ha spostato l’insegnamento dalla recitazione orale individuale all’istruzione visiva collettiva, consentendo così a un insegnante di guidare un’intera classe contemporaneamente.

^[2] Sì, Professor Grit, e come sai non è uno dei miei preferiti, quindi puoi tranquillamente presumere che fossi critico nei confronti dell’articolo.

^[3] Agli insegnanti è stato fornito lo stesso strumento più promemoria settimanali contenenti statistiche di utilizzo individualizzate per incoraggiare un impegno continuo.

^[4] Babu e Mendro riferiscono che gli studenti con rendimento basso hanno il doppio delle probabilità di essere assegnati a insegnanti inefficaci rispetto agli studenti con rendimento alto.
Babu, S., & Mendro, R. (2003, aprile). Responsabilità degli insegnanti: indici di efficacia degli insegnanti basati su HLM nell’indagine sugli effetti degli insegnanti sul rendimento degli studenti in un programma di valutazione statale [Presentazione alla conferenza]. Riunione annuale AERA, Chicago, IL.

---

Il presente articolo è stato pubblicato la prima volta il 6 agosto 2026 sulla pagina Substack di Paul A. Kirschner. La riproduzione in lingua italiana è stata autorizzata.