La farfalla di Austin: cosa ci insegna un disegno di prima elementare sul vero potere del feedback

 Come un bambino di sei anni, una fotografia e sei bozze possono cambiare il modo in cui pensiamo alla valutazione formativa

---

C'è un video che, ogni volta che lo mostro in formazione, produce lo stesso effetto: silenzio, poi un piccolo sussulto collettivo. Dura pochi minuti, non ha effetti speciali, eppure smonta in modo elegante alcune delle convinzioni più radicate sulla didattica. Parlo di "Austin's Butterfly", la testimonianza raccontata da Ron Berger, cofondatore di EL Education, che da anni gira nei circuiti di formazione internazionali come esempio-simbolo di cosa significhi davvero cultura della revisione.

Se non l'avete ancora visto, eccolo qui: 

Vi racconto perché merita un posto stabile nella cassetta degli attrezzi di ogni docente.

La storia, in breve

Austin è uno studente di prima elementare. Il compito: realizzare un disegno scientificamente accurato di una farfalla Tiger Swallowtail, partendo da una fotografia reale. La prima bozza è quello che ci si aspetterebbe da un bambino di sei anni: una farfalla "come se la immagina", disegnata a memoria, con la forma generica che tutti noi abbiamo in testa quando pensiamo a "una farfalla". Poco somigliante al modello reale.

Qui, però, la storia prende una piega diversa da quella abituale. Nessuno corregge il disegno al posto di Austin, nessuno gli mette un voto e archivia il lavoro. La classe, guidata dall'insegnante, entra in un processo strutturato di feedback tra pari: osservazioni puntuali, rispettose, mai generiche, su cosa cambiare — la forma delle ali, più angolata; le venature, mancanti; le proporzioni, da rivedere.

Austin riprende il disegno. E lo rifà. Sei volte.

Bozza dopo bozza, il disegno si trasforma: dai contorni approssimativi delle prime tre versioni, alla ricerca di simmetria e dettaglio nella quarta e quinta, fino al colore e alla precisione scientifica della sesta. Il risultato finale è un'illustrazione che sembra uscita da un testo di scienze naturali. Distanza siderale dal primo tentativo.

Perché questa storia è un caso di studio, non un aneddoto

Dietro la semplicità della narrazione ci sono almeno tre principi didattici solidissimi, che vale la pena isolare uno per uno se vogliamo portarli in classe con intenzionalità — e non solo come ispirazione da condividere sui social.

1. Il feedback che funziona è specifico, non generico

"Bravo", "bel lavoro", "ci sei quasi": sono le frasi con cui, spesso in buona fede, chiudiamo la valutazione di un elaborato. Il problema è che non contengono alcuna informazione utile a migliorare. Un bambino che sente "bravo" non sa cosa ha fatto bene, né tantomeno cosa dovrebbe fare diversamente la prossima volta.

Nel video, i compagni di Austin non dicono "bella farfalla". Dicono cose come: "le ali dovrebbero essere più a punta", "mancano le venature nere". È un feedback descrittivo, osservabile, azionabile. Non giudica la persona, guida il lavoro.

Per chi si occupa di formazione, questo è il cuore della differenza tra valutazione sommativa (che certifica un livello raggiunto) e valutazione formativa (che orienta il passo successivo). Il feedback di Austin's Butterfly è formativo nella sua forma più pura: non dice "quanto vali", dice "cosa puoi fare adesso".

2. Il potere dei modelli: senza un riferimento reale, si disegna ciò che si ha in testa

C'è un dettaglio che spesso passa in secondo piano rispetto al tema del feedback, ma che è altrettanto potente: la fotografia.

Senza un modello concreto, Austin non stava sbagliando per pigrizia o disattenzione: stava semplicemente disegnando l'idea astratta di "farfalla" che ognuno di noi ha interiorizzato fin da piccolo — due ali simmetriche, colori vivaci, forma generica. È un limite cognitivo naturale, non una mancanza di impegno.

Il modello reale — la foto della Tiger Swallowtail — cambia radicalmente la natura del compito: da esercizio di memoria a esercizio di osservazione. E offre qualcosa di prezioso a tutta la classe: uno standard condiviso con cui confrontare il lavoro in corso. Senza un modello chiaro, il feedback tra pari rischia di diventare opinione ("a me piace di più così"); con un modello chiaro, diventa osservazione condivisa ("qui la punta dell'ala è diversa da quella della foto").

Per la pratica d'aula, questo si traduce in una domanda molto concreta da porsi prima di ogni compito: sto dando ai miei studenti un riferimento di eccellenza reale, oppure mi aspetto che lo intuiscano da soli? Mostrare esempi di lavori eccellenti — testi, disegni, progetti, dimostrazioni — prima che gli studenti si mettano al lavoro non è "dare la soluzione": è dare loro gli occhi per vedere dove stanno andando.

3. La prima bozza non è un fallimento: è un punto di partenza

Il terzo principio è forse il più delicato da portare in classe, perché tocca la cultura emotiva che costruiamo intorno all'errore.

Nel video, la prima bozza di Austin non viene mai presentata come qualcosa di deludente. È semplicemente l'inizio di un processo, non il suo esito. Questo cambia tutto: libera lo studente dalla paura del giudizio immediato e gli permette di vivere l'imperfezione come condizione normale del lavoro in corso, non come segnale di scarsa capacità.

È qui che entra in gioco il legame con il growth mindset di Carol Dweck: Austin non riceve un messaggio del tipo "non sei portato per il disegno", ma vive un'esperienza diretta e concreta — sotto i suoi occhi, letteralmente sul foglio — che mostra come la competenza si costruisca attraverso il tentativo guidato, non attraverso un talento fisso posseduto o mancante. Vedere fianco a fianco la prima e la sesta bozza è una prova empirica di autoefficacia molto più potente di qualsiasi discorso motivazionale.

E poi c'è la resilienza, la parte forse più sottovalutata: Austin accetta di tornare al banco sei volte. Non è un dettaglio scontato. La perseveranza che mostra non nasce da una generica esortazione a "non mollare", ma da un contesto che rende il ritorno al lavoro sensato e gestibile: ogni volta sa esattamente cosa correggere, perché il feedback ricevuto è specifico, e ha davanti un modello con cui confrontarsi. La grinta, in altre parole, non si allena a parole: si allena costruendo le condizioni (feedback chiaro + modello + tempo) che la rendono possibile.

Come portare questi principi in classe

Qualche spunto operativo per chi lavora in formazione docenti o vuole sperimentare direttamente:

• Introdurre un "modello di eccellenza" prima del compito, non dopo. Che sia un testo, un disegno, una dimostrazione: mostrare cosa si intende per "buon lavoro" prima di chiedere di produrlo.
• Allenare il feedback tra pari con un protocollo semplice: "Cosa funziona già bene?" / "Cosa si può migliorare, nello specifico?" / "Come, concretamente?". Evitare aggettivi generici, cercare sempre l'osservazione puntuale.
• Normalizzare la bozza, con parole e con i fatti: dare tempo e spazio esplicito per revisioni successive, senza trattare il primo tentativo come definitivo o valutabile in senso sommativo.
• Rendere visibile il progresso: conservare le versioni intermedie di un lavoro (bozza 1, bozza 3, versione finale) è uno strumento potentissimo per costruire consapevolezza metacognitiva negli studenti.
• Insegnare esplicitamente come si dà un feedback, perché i bambini della classe di Austin non sanno farlo per istinto: lo sanno fare perché sono stati guidati a farlo, con modelli di linguaggio e pratica costante.

Una farfalla, molte domande per noi docenti

Quello che rende Austin's Butterfly un video che "resta addosso" non è solo la trasformazione visiva — pur spettacolare — del disegno. È la domanda scomoda che lascia in sospeso a chi insegna: quante volte, nelle nostre classi, ci fermiamo alla prima bozza? Quante volte un voto chiude un percorso che avrebbe ancora margini enormi di crescita, semplicemente perché non abbiamo costruito lo spazio, il tempo e la cultura per la revisione?

La storia di Austin non è un invito a disegnare farfalle più belle. È un invito a ripensare cosa intendiamo, nella pratica quotidiana, per "compito ben fatto" — e a chiederci se stiamo davvero dando ai nostri studenti gli strumenti (un modello, un feedback specifico, il permesso di rifare) per arrivarci.

Studiare per davvero: perché la motivazione viene prima del metodo (e come portarla in classe con l'Ora del Genio)

 

Ogni insegnante di lettere, prima o poi, si scontra con la stessa frustrazione: si può spiegare perfettamente una poesia, analizzarne metrica e figure retoriche, contestualizzarla con precisione filologica — e vedere comunque gli occhi degli studenti spegnersi dopo cinque minuti. Il problema, spesso, non è la qualità della spiegazione. È che manca la domanda che la giustifica.

Chi studia — a scuola come nella vita — trattiene davvero solo ciò che risponde a un bisogno autentico. Non un bisogno di voto, non un bisogno di apparire preparati: un bisogno esistenziale, per quanto piccolo, di capire qualcosa che conta per sé. Tutto il resto è memoria a breve termine, destinata a svanire subito dopo la verifica. Questo non è un vezzo pedagogico modaiolo: è semplicemente il modo in cui la mente umana seleziona ciò che vale la pena custodire.

Da qui parte questo articolo, che vuole essere insieme una riflessione metodologica e una proposta operativa: introdurre nell'ora di italiano la pratica della Ora del Genio (in inglese Genius Hour), collegandola in particolare al percorso sulla poesia che affronterò quest'anno.

Prima di arrivare alla proposta pratica, vale la pena fermarsi su alcune idee che dovrebbero guidare qualunque insegnante voglia portare i ragazzi a un rapporto autentico con un testo, letterario o meno.

La conoscenza è circolare, non lineare. Ogni opera nasce da altre opere, ogni testo presuppone letture precedenti, contesti, tradizioni. Questo è vero anche per una singola poesia: dietro tre versi può nascondersi un secolo di convenzioni poetiche. Ma proprio per questo bisogna resistere alla tentazione — che è anche una forma di rimando, di procrastinazione travestita da rigore — di voler prima "sapere tutto il contesto" prima di leggere il testo stesso. Non si finisce mai di costruire le premesse. Bisogna invece entrare nel testo accettando i vuoti, e colmarli progressivamente, mano a mano che servono per capire meglio ciò che si sta leggendo. Questo vale doppiamente per gli adolescenti: se pretendiamo che padroneggino il Dolce Stil Novo prima di lasciarli leggere un verso di Cavalcanti, li perdiamo prima ancora di cominciare.

La specializzazione isolata è un vicolo cieco. Le discipline umanistiche vivono di connessioni: storia, filosofia, arte, società, musica. Chiudere un componimento poetico dentro l'analisi metrica pura, senza mai farlo respirare nel proprio tempo o farlo dialogare con la sensibilità di oggi, produce competenza tecnica senza comprensione. Va bene lo studio puntuale — anzi è necessario — ma va sempre accompagnato da uno sguardo più largo.

Ogni testo è una risposta. Nessun autore scrive nel vuoto: risponde a qualcuno, a un dibattito, a un'urgenza del proprio tempo o della propria vita. Leggere una poesia senza chiedersi a quale domanda sta rispondendo il poeta significa leggerla a metà. È forse la domanda più trascurata nella didattica tradizionale della poesia, che spesso si concentra su come è fatta una poesia trascurando perché è stata scritta.

Attenzione alle domande sbagliate. Molti fraintendimenti — in classe come nella critica letteraria seria — nascono dal porre a un testo interrogativi che l'autore non si è mai posto: cercare messaggi psicologici in un sonetto scritto secondo convenzioni codificate, o leggere in chiave contemporanea scelte che rispondevano a tutt'altre logiche. Insegnare a fare la domanda giusta è, forse, la competenza più alta che possiamo trasmettere.

Questi quattro principi condividono una radice comune: la comprensione autentica nasce da un'inchiesta personale, non da un'informazione ricevuta. Ed è esattamente qui che l'Ora del Genio può diventare uno strumento potente.

L'Ora del Genio nasce in ambito aziendale (la celebre pratica del "20% time" di alcune aziende tecnologiche, dove i dipendenti potevano dedicare parte del loro tempo a progetti personali) ed è stata poi adattata alla scuola, in particolare nel mondo anglosassone, con il nome di Genius Hour o 20% Time in education.

L'idea di base è semplice: si riserva una porzione regolare del tempo scolastico — un'ora a settimana, oppure blocchi più ampi con cadenza mensile — in cui lo studente non segue il programma stabilito dal docente, ma persegue una propria domanda di ricerca, scelta autonomamente, purché autentica e sostenuta da curiosità reale. Il percorso si conclude solitamente con una restituzione: una presentazione, un prodotto, una condivisione con la classe.

Applicata alla letteratura, e in particolare alla poesia, l'Ora del Genio non significa "un'ora libera": significa un'ora strutturata attorno a una domanda che lo studente sente propria, con un impianto di lavoro serio, verificabile, guidato da criteri chiari.

Tre elementi la rendono diversa da un semplice lavoro di ricerca o da un compito assegnato:

1. La domanda nasce dallo studente, non viene consegnata dal docente. Il docente aiuta a raffinarla, non la sostituisce.
2. Il processo conta quanto il prodotto. Si valuta la qualità dell'indagine — le fonti consultate, le domande che si sono aperte, i vicoli ciechi affrontati — non solo il risultato finale.
3. C'è una restituzione pubblica, anche minima: la classe deve poter beneficiare del percorso individuale di ciascuno.

Il percorso sulla poesia si presta particolarmente bene a questa pratica, per un motivo controintuitivo: la poesia è il genere letterario che più resiste alla trasmissione frontale di informazioni e più richiede un incontro personale con il testo. Si può spiegare la differenza tra endecasillabo e settenario in cinque minuti; non si può spiegare perché un verso risuoni in qualcuno. Quel riconoscimento richiede tempo, ripetizione, libertà di scelta — esattamente ciò che l'Ora del Genio offre.

Una possibile architettura per un percorso annuale:

• Fase 1 — Innesco (1-2 settimane). Non si parte dalla domanda, si parte dall'incontro: si espone la classe a una selezione ampia e volutamente eterogenea di poesie — epoche, stili, lingue, temi diversi — senza commento critico immediato, lasciando che emerga un'attrazione spontanea verso alcuni testi o alcuni autori.
• Fase 2 — Formulazione della domanda personale. Ogni studente individua un poeta, un testo o un tema che lo ha colpito, e lo trasforma in una domanda di ricerca autentica (qui sotto trovate 25 spunti). Il docente ha un ruolo cruciale in questa fase: deve aiutare a distinguere una domanda viva da una domanda finta — cioè da una domanda a cui lo studente non tiene davvero, scelta solo perché "sembra buona".
• Fase 3 — Indagine (il cuore dell'Ora del Genio). Un'ora settimanale dedicata, con un diario di bordo in cui lo studente annota non solo ciò che scopre, ma anche i dubbi, le domande secondarie che emergono, le letture che si aprono. È qui che entra in gioco la circolarità della conoscenza: lo studente scoprirà che per capire una poesia deve sapere qualcosa sul contesto storico, poi sulla biografia dell'autore, poi su un'altra poesia che dialoga con quella. Il docente lo accompagna a non disperdersi, ma senza soffocare le diramazioni naturali della ricerca.
• Fase 4 — Restituzione. Non necessariamente un saggio scritto: può essere una lettura interpretativa ad alta voce con motivazione delle scelte, un confronto tra due traduzioni, una riscrittura contemporanea del tema, una breve presentazione multimediale. Ciò che conta è che lo studente racconti alla classe quale domanda lo ha mosso e come è cambiata nel corso della ricerca.

C'è un elefante nella stanza che non possiamo ignorare, ed è proprio ciò che rende urgente — non opzionale — un lavoro di questo tipo oggi: i nostri studenti hanno accesso immediato a risposte su qualsiasi domanda, vere o presunte tali, tramite un motore di ricerca o un assistente basato su intelligenza artificiale. Questo cambia radicalmente il senso del nostro lavoro come docenti, e vale la pena affrontarlo con onestà metodologica, non con allarmismo né con negazione.

Il problema non è l'accesso all'informazione, è la sostituzione della domanda. Un tempo lo studente doveva faticare per trovare una risposta, e quella fatica — cercare in biblioteca, confrontare fonti, chiedere a un adulto — era già parte del processo di apprendimento. Oggi la fatica può essere azzerata: basta una richiesta ben scritta a un chatbot per ottenere un'analisi plausibile, a volte sofisticata, di qualunque poesia. Il rischio non è che gli studenti "copino" — il copiare è sempre esistito — ma che non arrivino mai a formulare una domanda propria, perché la risposta arriva prima che il bisogno di capire si sia formato.

Questo rende ancora più centrale, non meno, il principio da cui siamo partiti: senza una domanda autentica, nessuna risposta — per quanto corretta, per quanto ben scritta, per quanto generata istantaneamente — lascia traccia. Uno studente può ottenere da un'intelligenza artificiale un'analisi impeccabile del Sabato del villaggio e non aver capito nulla di Leopardi, perché quella risposta non ha attraversato nessuna sua domanda reale.

Alcune implicazioni metodologiche concrete per chi porta l'Ora del Genio in classe in questo contesto:

• Spostare la valutazione dal prodotto al processo. Se il prodotto finale è facilmente generabile con uno strumento esterno, ma il diario di bordo, le domande intermedie, i vicoli ciechi affrontati, i cambi di direzione non lo sono, allora è lì che va spostato il peso della valutazione. Un diario di ricerca autentico è quasi impossibile da falsificare in modo convincente, perché richiede coerenza narrativa con un percorso realmente vissuto.
• Insegnare esplicitamente a interrogare le fonti, incluse quelle generate dall'IA. Uno strumento di intelligenza artificiale può essere usato dentro l'Ora del Genio, non va demonizzato — ma va trattato come si tratterebbe qualunque fonte secondaria: con la domanda "a quale interrogativo sta rispondendo questa risposta, e coincide con il mio?". Chiedere a uno studente di verificare, contestare, integrare una risposta ottenuta dall'IA con altre fonti è di per sé un esercizio critico prezioso — trasforma uno strumento passivizzante in un'occasione di pensiero attivo.
• Valorizzare le "false domande" come materiale didattico, non come errori da correggere in silenzio. Quando uno studente chiede a un motore di ricerca o a un'IA qualcosa a cui il testo non dà una risposta chiara — un'interpretazione psicologica anacronistica, un giudizio morale fuori contesto — non è tempo perso: è un'occasione perfetta per mostrare in classe, apertamente, come si riconosce una domanda mal posta e come la si corregge. Questo forma un discernimento che rimarrà utile ben oltre l'ora di italiano.
• Proteggere il tempo della noia produttiva. Una parte del valore dell'Ora del Genio sta proprio nel non avere una risposta a portata di clic nei primi minuti. Vale la pena, in alcune fasi dell'indagine, chiedere esplicitamente agli studenti di lavorare senza strumenti digitali — con il testo, con appunti a mano, con il confronto orale tra compagni — non per un dogmatismo anti-tecnologico, ma perché la frustrazione iniziale di fronte a un problema che non si risolve subito è, paradossalmente, il terreno in cui nasce una domanda vera.

Introdurre l'Ora del Genio non richiede stravolgere il programma né rinunciare ai contenuti previsti dalle indicazioni nazionali. Richiede, più semplicemente, ritagliare uno spazio protetto e regolare in cui lo studente possa sperimentare — magari per la prima volta nella sua carriera scolastica — che cosa significhi avere una domanda propria su un testo, e il tempo per inseguirla fino in fondo.

Non è una ricetta per rendere la poesia "divertente". È una scommessa più seria: che uno studente il quale abbia realmente inseguito, anche solo una volta nell'anno, una propria domanda autentica su un testo poetico, ne conserverà il ricordo — e il metodo — molto più a lungo di chiunque abbia solo memorizzato lo schema delle rime del sonetto.

Project Panama: quando i libri diventano carburante per l'IA

Negli ultimi mesi sono emersi dettagli inquietanti su un'iniziativa interna di Anthropic soprannominata "Project Panama". L'azienda, nota per aver sviluppato il chatbot Claude, avrebbe acquistato e successivamente distrutto milioni di libri cartacei usati per raccogliere dati di addestramento.

Il processo è meccanico e brutale: i volumi vengono acquistati in massa a basso costo, le rilegature vengono tagliate meccanicamente per separare le pagine, e scanner ad alta velocità digitalizzano il contenuto. Una volta completata la scansione, i libri vengono avviati al macero o al riciclo.

L'obiettivo dichiarato è ottenere testi di qualità letteraria e saggistica superiore rispetto a quanto disponibile sul web, per affinare le capacità di scrittura e comprensione dei modelli linguistici di Anthropic.

Certamente si potrebbero scannerizzare milioni di pagine anche senza ricorrere al taglio delle rilegature ma ciò comporterebbe costi molto alti, non convenienti a chi ragiona esclusivamente con mentalità aziendalistica.

C'è qualcosa di profondamente simbolico nella distruzione fisica di milioni di libri. Non stiamo parlando di contenuti digitali che possono essere replicati all'infinito, ma di oggetti materiali che hanno superato la prova del tempo. Libri stampati prima del 2022, prima che l'IA generativa entrasse nelle nostre vite, che rappresentano un patrimonio culturale accumulato attraverso secoli di pensiero umano.

Quando un libro viene distrutto per diventare dati, si perde molto più del supporto fisico. Si perdono le annotazioni dei lettori precedenti, le dediche, le pieghe delle pagine più sfogliate. Ogni copia cartacea è unica, porta con sé la storia di chi l'ha posseduta. Questa memoria collettiva scompare per sempre.

Forse l'aspetto più inquietante riguarda l'accesso alla conoscenza. I libri cartacei sono democratici per natura: una biblioteca pubblica li rende accessibili a chiunque, indipendentemente dal reddito. Un libro usato costa pochi euro, una biblioteca universitaria è aperta agli studenti, e persino i libri rari possono essere consultati in loco.

Ma cosa succede quando questo patrimonio viene digitalizzato e inglobato in sistemi proprietari? L'IA potrebbe diventare un nuovo guardiano della cultura, accessibile solo a chi può permettersi abbonamenti costosi. Chi controlla i dati di addestramento controlla anche quale conoscenza viene resa disponibile, in quale forma, e a quale prezzo.

Questo crea un paradosso crudele: distruggiamo l'accessibilità fisica dei libri per creare sistemi digitali che potrebbero essere ancora meno accessibili.

La storia ci ha insegnato a riconoscere la distruzione dei libri come sintomo di regimi tirannici. Dai roghi nazisti alle biblioteche saccheggiate durante le guerre, bruciare libri è sempre stato un atto di controllo: eliminare narrazioni scomode, riscrivere la memoria collettiva, monopolizzare la verità.

Il Project Panama non è un rogo ideologico, ma condivide con queste pratiche una caratteristica fondamentale: la concentrazione del controllo. Quando un'azienda privata decide quali libri vengono preservati come dati e quali vengono distrutti, sta esercitando un potere enorme sulla conoscenza futura. Non è censura esplicita, ma è selezione algoritmica di ciò che l'IA "impara" e quindi di ciò che può riprodurre.

La domanda che dobbiamo porci è: possiamo davvero parlare di progresso quando per addestrare l'intelligenza artificiale dobbiamo distruggere l'intelligenza umana del passato?

E soprattutto: chi deciderà, nei prossimi anni, quale versione della cultura umana sarà accessibile alle generazioni future — quella custodita nelle biblioteche pubbliche o quella filtrata attraverso i server di poche aziende tecnologiche?

La risposta a queste domande definirà non solo il futuro dell'IA, ma il futuro stesso della conoscenza come bene comune.

La formazione non finisce con l'attestato

Mentre mi accingo a progettare un percorso di formazione rivolto ai formatori sul tema dell'intelligenza artificiale, mi trovo a riflettere su una domanda che considero decisiva:

Come misuriamo davvero il successo di un intervento formativo?

Troppo spesso ci affidiamo agli indicatori più semplici da rilevare: numero di corsi realizzati, ore erogate, partecipanti coinvolti, attestati conseguiti.

Sono dati importanti, ma raccontano solo una parte della storia.

Se l'obiettivo è promuovere innovazione didattica, forse dovremmo iniziare a osservare anche altri indicatori. Ad esempio:

Quanti docenti, a distanza di un mese, hanno sperimentato almeno un'attività in classe utilizzando quanto appreso durante la formazione?

Questa domanda mi sembra particolarmente rilevante mentre prende avvio la nuova stagione formativa prevista dal D.M. 219 sull'intelligenza artificiale.

Perché un percorso di cambiamento non può essere ridotto all'erogazione di un corso e al rilascio di un attestato. La formazione rappresenta semmai un passaggio all'interno di un processo più ampio, che richiede preparazione, accompagnamento, sperimentazione, confronto tra pari e momenti di riflessione sulle pratiche.

Forse il vero successo di questi percorsi non si misurerà tanto nel numero di docenti formati, quanto nella capacità di sostenere il trasferimento delle competenze nella quotidianità delle aule.

Da questa prospettiva, la domanda sui docenti che, dopo un mese, hanno provato almeno un'attività in classe non è soltanto un indicatore di efficacia. Potrebbe essere anche lo spunto per immaginare ulteriori azioni di follow-up: comunità di pratica, laboratori di progettazione, momenti di restituzione, mentoring tra colleghi, raccolta e condivisione di esperienze.

In altre parole, la formazione non dovrebbe terminare con l'ultima lezione del corso.

È proprio dopo che inizia la parte più importante.

E allora una domanda, forse un po' scomoda, vale la pena porsela: se tutto si esaurisce nell'erogazione di corsi, nella registrazione delle presenze e nel rilascio degli attestati, a chi giova davvero questo modello?

Perché qualcuno un vantaggio probabilmente lo otterrà. Ma se non cambia ciò che accade nelle classi, se i docenti non vengono accompagnati nella sperimentazione e se le scuole non vedono evolvere le proprie pratiche, è difficile sostenere che i beneficiari siano i docenti, le scuole o, soprattutto, gli studenti.

Prima ci hanno regalato l'accesso. Ora iniziano a chiuderlo.

 

Il 12 giugno 2026 gli Stati Uniti hanno oscurato nel mondo intero due dei modelli più avanzati di Anthropic, Fable 5 e Mythos 5, con un ordine del Dipartimento del Commercio motivato da rischi di sicurezza. Anthropic li ha resi di nuovo disponibili solo il 1° luglio, dopo che le restrizioni sono state revocate il 30 giugno. Tre settimane di blackout per chiunque, fuori dagli Stati Uniti, dipendesse da quella tecnologia.

Il giorno dopo lo stop, il 13 giugno, l'azienda cinese Z.ai (ex Zhipu AI) ha rilasciato GLM-5.2: pesi aperti, licenza MIT, nessun vincolo geografico, addestrato su chip Huawei senza una sola scheda Nvidia. In poche settimane è salito ai vertici delle classifiche di settore, con benchmark di cybersecurity che secondo diverse analisi indipendenti si avvicinano a quelli dei modelli americani più blindati, a una frazione del costo. Il paradosso è servito: mentre Washington chiudeva un rubinetto, Pechino ne apriva un altro, gratis, per chiunque nel mondo avesse una connessione internet.

Ora, secondo quanto riportato da Reuters il 7 luglio, il copione potrebbe ribaltarsi di nuovo: il Ministero del Commercio cinese ha convocato Alibaba, ByteDance e Z.ai per discutere limiti all'accesso estero ai modelli più avanzati, valutando anche di equiparare la sottrazione di IA proprietaria a una violazione della sicurezza nazionale. Nessuna regola è stata ancora formalizzata, ma il segnale è chiaro: l'apertura generosa dei modelli cinesi open source, che negli ultimi due anni ha eroso la barriera d'ingresso per sviluppatori e aziende di tutto il mondo, potrebbe non essere un principio, ma una fase. Una fase che finisce quando lo scarto tecnologico con gli Stati Uniti si è chiuso abbastanza da rendere quei modelli un asset da proteggere, non da regalare.

Il punto non è chi vince questa corsa. È che nessuno dei due controllori è europeo.

Che si tratti di un ordine esecutivo di Washington o di una direttiva del Ministero del Commercio di Pechino, il risultato per un'azienda italiana è identico: l'accesso alla tecnologia su cui ha costruito processi, prodotti e competitività può essere sospeso, ridimensionato o reso a pagamento da un governo di cui quell'azienda non è cittadina e su cui non ha alcuna voce in capitolo. Non è un'ipotesi teorica: è già successo una volta, per tre settimane, a giugno.

In Italia esistono progetti reali su cui costruire un'alternativa: Minerva, sviluppato dal gruppo Sapienza NLP guidato da Roberto Navigli con i fondi PNRR del programma FAIR e il supercomputer Leonardo del CINECA, è il primo LLM addestrato da zero in italiano, rilasciato con licenza aperta; FastwebMIIA punta su infrastrutture localizzate in Italia per imprese e pubblica amministrazione; a questi si affiancano Velvet di Almawave e Italia-10B di Domyn. Sono passi concreti, ma restano ordini di grandezza lontani dai modelli generalisti americani e cinesi, sia per scala di calcolo sia, soprattutto, per capacità agentica: generazione di codice complesso, uso di strumenti esterni, orchestrazione autonoma di più passaggi. Su questo fronte il divario non si è ridotto, si è approfondito. Il modello evoluto a 20 miliardi di parametri annunciato da Navigli per l'autunno 2026 resta comunque due ordini di grandezza sotto i sistemi di punta.

Ed è qui che arriva la parte scomoda.

Molte aziende italiane ed europee stanno accelerando l'adozione di IA generativa nei processi di sviluppo software, spesso senza chiedersi cosa succede se l'accesso a quello strumento cambia condizioni, prezzo o disponibilità da un giorno all'altro. Delegare la scrittura del codice a un modello esterno, per quanto potente, senza mantenere all'interno dell'organizzazione competenze reali di programmazione, significa costruire un debito tecnico e strategico che si vede solo quando il fornitore - qualunque sia la sua bandiera - cambia le regole del gioco. È già successo con il cloud, è già successo con i semiconduttori, e ora si ripropone con l'intelligenza artificiale: la velocità con cui si abbandona una competenza interna è quasi sempre superiore alla velocità con cui la si ricostruisce quando serve di nuovo.

Non è un invito a rifiutare l'IA nello sviluppo software: sarebbe una battaglia persa e, francamente, inutile. È un invito a non confondere l'uso di uno strumento con la rinuncia al sapere che sta sotto quello strumento. Le aziende che continueranno a formare sviluppatori capaci di leggere, correggere e comprendere codice - non solo di prompt-are un modello - saranno quelle in grado di assorbire uno shock di accesso quando (non se) arriverà il prossimo.

La domanda, allora, non è più "quale modello scegliere".

È: se domani l'accesso al modello che usiamo oggi venisse limitato da una decisione geopolitica su cui non abbiamo alcun controllo, la nostra azienda saprebbe ancora come lavorare? L'Europa - e l'Italia in particolare - ha ancora una finestra per costruire un'alternativa reale, ma quella finestra si restringe alla stessa velocità con cui Washington e Pechino trasformano i loro modelli in strumenti di politica estera.

Siamo pronti a un mondo in cui l'intelligenza artificiale più avanzata è, a tutti gli effetti, una risorsa strategica nazionale come il gas o i semiconduttori? E se la risposta è sì, cosa stiamo facendo oggi, davvero, per non restare l'ennesimo mercato che compra e non produce?

---

Fonti: Reuters (via Qz.com, 7 luglio 2026); Tom's Hardware; comunicato ufficiale Anthropic sulla sospensione e il ripristino di Fable 5 e Mythos 5; R Street Institute; Sapienza Università di Roma / Fondazione FAIR; AI4Business; Tom's Hardware Italia.

L'impronta dell'anima - Perché la creatività umana resta «rara» nell'era dell'IA

Un percorso tra segnali di superficie, strutture narrative profonde e dati di ricerca, con alcune proposte di scrittura per la scuola secondaria.

La sensazione del «non detto»

Chiunque legga molto — romanzi, articoli, temi di scuola, email di lavoro — conosce quella strana sensazione: un testo scorre bene, non contiene errori, eppure lascia addosso una vaga inquietudine, come se mancasse qualcosa senza riuscire a dire cosa. È il paradosso del riconoscimento: spesso percepiamo che un testo è stato generato da un'intelligenza artificiale prima ancora di riuscire a dimostrarlo con prove concrete. Non è un pregiudizio: è un segnale, per quanto vago, che qualcosa nella trama profonda del testo si comporta in modo diverso da come si comporta la scrittura umana.

Da qualche tempo si parla di AI slop per indicare quella produzione testuale sintetica, abbondante e a basso sforzo, che riempie il web di contenuti percepiti come piatti o intercambiabili. Ma il problema, se di problema si tratta, non riguarda solo la qualità della singola frase. Un modello linguistico non scrive nel senso in cui lo intendiamo noi: assembla, ricombinando pattern statistici appresi da miliardi di frasi altrui, selezionando a ogni passo la continuazione più probabile. Il risultato può essere grammaticalmente impeccabile e narrativamente prevedibile allo stesso tempo — ed è proprio questa combinazione a produrre quella sensazione di “stonatura”che avvertiamo leggendo.

Proviamo allora a scendere in profondità: dai segnali più superficiali e già noti, fino alle scoperte più recenti sulla struttura narrativa, restituite da uno studio che ha analizzato oltre sessantamila racconti umani e generati da intelligenza artificiale: StoryScope: Investigating Idiosyncrasies in AI Fiction (Russel et al.). L'obiettivo non è demonizzare la scrittura assistita da IA, ma capire, con rigore, cosa distingue davvero — oggi — un racconto umano da uno artificiale, e perché questa distinzione conta anche per chi insegna e per chi impara a scrivere.

Livello 1: i segnali di superficie (la «pelle» del testo)

Il primo strato di riconoscimento è quello più discusso online, ed è anche il più fragile: riguarda lo stile lessicale e sintattico, cioè la «pelle» del testo, non la sua struttura profonda.

I tic verbali dell'algoritmo

Alcuni modelli linguistici mostrano una netta predilezione per un ristretto vocabolario «da saggio»: termini come approfondire, intreccio o espressioni come «in un panorama in continua evoluzione» ricorrono con una frequenza sproporzionata rispetto all'uso reale della lingua. Sono parole che, singolarmente, non hanno nulla di sbagliato: è la loro sovra-rappresentazione statistica a tradirle.

La punteggiatura «traditrice»

Un secondo indizio è sintattico: l'uso sistematico del trattino lungo per creare pause enfatiche, e di strutture parallele fisse come «non è semplicemente X, ma è Y». Prese isolatamente sono figure retoriche legittime; ripetute con regolarità meccanica diventano una firma riconoscibile, quasi un tic nervoso della macchina.

Il limite dei correttori

Qui però si apre un punto cruciale, spesso frainteso: il semplice editing stilistico — sostituire approfondire con un sinonimo, eliminare qualche trattino, variare la punteggiatura — non basta più a mascherare l'origine artificiale di un testo. Questi interventi agiscono sulla pelle, non sullo scheletro. La differenza più profonda e più difficile da correggere non riguarda le parole scelte, ma le scelte narrative: come si costruisce una trama, come si gestiscono le emozioni dei personaggi, cosa si decide di mostrare e cosa di tacere. Ed è proprio su questo secondo livello che si concentra la ricerca più interessante degli ultimi mesi.

Livello 2: le strutture profonde (lo scheletro della storia)

Lo studio StoryScope (Russel et al.) ha affrontato il problema da un'angolazione diversa rispetto alla maggior parte dei classificatori «anti-IA» in circolazione: invece di cercare parole spia, ha mappato le scelte narrative — le decisioni strutturali che un autore compie nel costruire un racconto — su un corpus di oltre sessantamila storie, umane e generate da diversi modelli (GPT, Claude, Gemini, DeepSeek, Kimi). Il risultato è una sorta di mappa genetica della narrazione, capace di rivelare pattern invisibili a una lettura superficiale.

La «didascalia morale»

Uno dei dati più netti riguarda il rapporto tra racconto e significato. Nei testi generati da IA, il tema o la morale della storia viene esplicitato apertamente in circa il 77% dei casi: il narratore, o un personaggio, tende a dichiarare cosa il lettore dovrebbe aver capito. La scrittura umana, al contrario, si fida molto più spesso del lettore: lascia che il significato emerga dall'azione, dal dettaglio, dal non detto, senza sigillarlo in una frase esplicativa finale. È la differenza tra mostrare una porta che si chiude e scrivere «in quel momento capì che l'amicizia era finita per sempre».

Emozioni «biologiche» contro emozioni psicologiche

Un secondo pattern riguarda il modo in cui vengono rappresentati i sentimenti. I testi IA tendono a descrivere le emozioni quasi esclusivamente attraverso reazioni fisiche — il cuore che batte più forte, le mani che sudano, un nodo alla gola — un repertorio efficace ma limitato, che aggira la difficoltà di nominare uno stato interiore complesso. La scrittura umana, invece, alterna al corpo l'uso di etichette emotive dirette e di una vera e propria profondità psicologica: non solo cosa prova il personaggio nel corpo, ma cosa significa quella emozione per la sua storia, i suoi valori, le sue contraddizioni.

La tirannia della linearità

Infine, la struttura temporale. Le trame generate da IA tendono a essere ordinate, causali, prevedibili: un evento porta al successivo con una logica quasi didattica. Gli autori umani, al contrario, abbracciano più volentieri il disordine: flashback, sottotrame che si intrecciano, risoluzioni parziali o volutamente ambigue. È come se la macchina, addestrata a prevedere la continuazione più probabile di un testo, finisse per privilegiare sempre la strada più prevedibile anche a livello di trama — mentre l'essere umano, proprio nell'atto di deviare da quella strada, costruisce ciò che chiamiamo stile.

La rarità come misura del genio

Uno dei contributi più originali di StoryScope è aver provato a misurare, in termini quantitativi, qualcosa che finora restava affidato all'intuizione critica: quanto è «rara», cioè statisticamente improbabile, la sequenza di scelte narrative che compongono una storia, rispetto a un ampio corpus di riferimento. Più una storia si allontana dai pattern più comuni, più il suo punteggio di rarità narrativa si avvicina a 1; più si adegua alle combinazioni più frequenti, più si avvicina a 0.

Distribuzione della rarità narrativa per singola storia, per fonte (test set). Le linee continue indicano le medie, quelle tratteggiate le mediane.

L'arcipelago umano

Nel grafico, gli autori umani (in marrone) occupano stabilmente i percentili più alti, con una media attorno a 0,71: le loro storie, cioè, tendono a discostarsi in modo marcato dalle combinazioni narrative più comuni presenti nel corpus di addestramento. È un dato che dà sostanza numerica a un'intuizione antica — la scrittura umana è, in media, più imprevedibile — senza però trasformarla in un assoluto: come si vede dalla forma allargata del violino anche in basso, esistono comunque racconti umani molto convenzionali.

Il «ghetto» algoritmico

I modelli di intelligenza artificiale, per quanto diversi tra loro per architettura e azienda produttrice, si addensano tutti attorno al percentile 0,50: le loro storie, in media, sono «tipiche» rispetto alla distribuzione di riferimento — né particolarmente rare, né particolarmente scontate, ma schiacciate verso il centro. È una conseguenza quasi diretta di come questi sistemi funzionano: un modello linguistico è addestrato a prevedere la continuazione più probabile di un testo, e questa logica, applicata alla costruzione di una trama, tende naturalmente a regredire verso la media statistica delle storie già viste.

Va detto con onestà, perché è la stessa cautela espressa dagli autori dello studio: le distribuzioni si sovrappongono in modo sostanziale. Non esiste una soglia netta che separi un racconto umano da uno artificiale sulla base della sola rarità narrativa: alcuni testi IA raggiungono percentili alti, alcuni testi umani restano molto convenzionali. Ciò che cambia, in modo statisticamente robusto, è la tendenza centrale delle due popolazioni — non un confine invalicabile tra due mondi.

La monocoltura algoritmica

Un aspetto ulteriore, forse il più inquietante dal punto di vista culturale, è che i diversi modelli — pur competitor, pur addestrati su dati e con tecniche in parte differenti — finiscono per somigliarsi tra loro più di quanto ciascuno somigli alla varietà umana. È la convergenza algoritmica: se sempre più testo del web verrà prodotto da sistemi che tendono verso lo stesso centro statistico, il rischio non è solo la qualità del singolo racconto, ma l'impoverimento della diversità narrativa collettiva — una monocoltura che, come in agricoltura, rende l'intero ecosistema più fragile e meno capace di sorprendere.

Il valore dell'imprevedibilità umana

L'ambiguità morale

Un altro dato dello studio riguarda i personaggi: il 59% dei protagonisti umani presenta tratti moralmente ambigui — luci e ombre, contraddizioni, scelte discutibili non sempre sanzionate dalla trama — contro il 38% dei protagonisti generati da IA, più spesso allineati a un asse morale chiaro e riconoscibile. È un altro modo in cui la scrittura umana riflette la complessità della vita reale, dove raramente le persone sono integralmente buone o cattive.

La connessione con il mondo esterno

Gli autori umani citano più liberamente marchi reali, luoghi concreti, riferimenti culturali condivisi; rompono più spesso la quarta parete per rivolgersi direttamente al lettore, trattandolo come un complice con cui condividere un'ironia o un sottinteso, non solo come un destinatario passivo del racconto. Sono tutte forme di rischio narrativo — scelte che possono non funzionare, che espongono l'autore — e proprio per questo sono anche indizi forti di autorialità.

L'originalità come «scelta rara»

Tutto questo porta a una definizione di creatività più utile di quella intuitiva. Creatività non è assenza di errori, né tantomeno stranezza fine a sé stessa: è la capacità di compiere, ripetutamente, scelte narrative statisticamente improbabili che restano però coerenti e significative. È un equilibrio difficile — tra sorpresa e senso — che per ora resta più facile da raggiungere per una mente che scrive a partire da un'esperienza vissuta, incerta, contraddittoria, che per un sistema addestrato a inseguire la continuazione più plausibile.

Il futuro del racconto

Lo stile, come abbiamo visto, si può imitare: bastano poche istruzioni per ottenere da un modello linguistico un testo privo dei tic più riconoscibili. Ma la concezione strutturale di una storia — il modo in cui si intrecciano trama, tempo, emozione e significato — resta, almeno per ora, il baluardo più solido della creatività umana. È lì, in quello scarto statistico tra ciò che è probabile e ciò che un autore sceglie comunque di scrivere, che si nasconde qualcosa che nessuna macchina è ancora riuscita a mappare del tutto.

Per chi scrive, e per chi insegna a scrivere, questo è anche un invito: coltivare la propria rarità, la propria confusione produttiva, la propria intertestualità — cioè il fitto tessuto di riferimenti, ricordi ed esperienze che rende ogni storia umana irripetibile. Non per rifiutare gli strumenti di intelligenza artificiale, che possono essere alleati preziosi nella fase di ideazione o di revisione, ma per non delegare a essi la parte più importante del mestiere: la scelta improbabile.

Proposte di scrittura narrativa con supporto IA per la scuola secondaria

Le osservazioni di StoryScope si prestano bene a un uso didattico: più che vietare l'intelligenza artificiale, si può insegnare a riconoscerne le tendenze e a usarla consapevolmente come strumento di confronto, non di sostituzione. Ecco alcune attività, pensate per classi di scuola secondaria di primo o secondo grado, organizzabili anche in un breve percorso di più lezioni.

Chi paga davvero l'intelligenza artificiale? Alcune domande da portare in classe

 

Quando si parla di intelligenza artificiale a scuola, la conversazione scivola quasi sempre su due binari: gli usi didattici, cioè come integrarla nella progettazione delle lezioni, e i rischi per l'apprendimento, dal plagio alla dipendenza cognitiva. Sono binari legittimi, ma lasciano fuori una dimensione che i nostri studenti — futuri lavoratori, prima ancora che utenti di chatbot — dovranno saper leggere: chi guadagna, chi paga e chi decide, in questa fase di espansione dell'AI. Non è un tema per soli economisti. È materia di educazione civica, ed è utile che i docenti abbiano qualche coordinata prima di affrontarlo in classe.

Cominciamo dal lavoro, perché è lì che la percezione pubblica è più tesa. Da anni si susseguono annunci di sostituzioni imminenti — l'AI che toglierà questa o quella professione — e il sospetto, sempre più diffuso tra i lavoratori, è che questa narrazione funzioni più come pressione psicologica che come previsione accurata, spingendo le persone ad accettare condizioni peggiori pur di non perdere un impiego già percepito come precario. I dati italiani raccontano però una dinamica più complicata di un semplice ricatto. L'occupazione, nel complesso, tiene: Istat registra una crescita dei contratti stabili e Unioncamere stima un fabbisogno occupazionale tra 3,3 e 3,7 milioni di lavoratori nel periodo 2025-2029. Quello che non tiene è il potere d'acquisto: a livello globale i salari reali faticano a recuperare quanto perso con l'inflazione nella maggior parte dei paesi del G20, e in Italia la crescita dei salari contrattuali, pur superiore alla media degli anni precedenti, resta insufficiente rispetto ai tassi di inflazione registrati. Questo scarto tra occupazione e salari non nasce con l'intelligenza artificiale: è una tendenza legata alla debole crescita della produttività e alla frammentazione della contrattazione collettiva, osservata dagli economisti del lavoro da almeno un decennio. Sarebbe impreciso attribuirla interamente all'AI. Ma sarebbe altrettanto impreciso ignorare che la retorica dell'automazione imminente si inserisce in questo scenario come variabile che pesa sulla trattativa: rende più difficile, per un lavoratore o per un sindacato, negoziare da una posizione di forza quando l'orizzonte narrativo dominante è che quel ruolo potrebbe non esistere più tra due anni. È un effetto psicologico e organizzativo, osservabile nelle dinamiche di negoziazione, più che una regia orchestrata a tavolino. La domanda utile da portare in classe, allora, non è se l'AI ruba il lavoro, ma chi trae vantaggio da un clima di incertezza diffusa, indipendentemente da quanto quell'incertezza sia poi confermata dai fatti.

C'è poi un secondo livello del problema, meno discusso ma più facilmente documentabile con i numeri: l'intelligenza artificiale generativa non è un servizio immateriale. Ogni richiesta viene elaborata da data center che consumano elettricità, acqua di raffreddamento e suolo, e questi costi non compaiono mai nel prezzo di un abbonamento mensile. Uno studio dell'Università delle Nazioni Unite stima che nel 2025 i data center globali abbiano consumato circa 448 TWh di elettricità, un volume che li collocherebbe all'undicesimo posto tra i maggiori consumatori nazionali al mondo, mentre le proiezioni dell'Agenzia Internazionale dell'Energia indicano un consumo elettrico dei data center in crescita fino a 945 TWh entro il 2030, più del doppio in sei anni. Il capitolo acqua è ancora più delicato, perché tocca una risorsa già sotto stress in molte aree del pianeta: secondo l'analisi del ricercatore Alex de Vries-Gao, della Vrije Universiteit di Amsterdam, l'impronta idrica complessiva dell'AI nel 2025 potrebbe aver raggiunto tra i 312 e i 764 miliardi di litri, un ordine di grandezza paragonabile all'intero consumo mondiale annuo di acqua imbottigliata — e va detto che l'intensità idrica indiretta, quella legata alla produzione dell'elettricità, è oltre dodici volte superiore a quella del raffreddamento diretto nei server, il che significa che le cifre comunicate dalle aziende sui consumi "per singola domanda" raccontano solo una parte della storia. Questi impianti, per giunta, non nascono nel vuoto: si insediano in territori specifici, entrando in competizione con l'agricoltura e con le comunità locali per l'accesso all'acqua dolce, tanto che quasi il 70% degli statunitensi si oppone alla costruzione di nuovi data center nella propria zona, secondo un sondaggio Gallup, indicando proprio acqua ed energia come preoccupazioni principali. In Italia il tema comincia a porsi concretamente, con nuovi poli di server in costruzione attorno a Milano, senza che esista ancora un obbligo nazionale di rendicontazione dei consumi idrici. Per una lezione di geografia economica, è un caso quasi perfetto: dove vengono costruiti fisicamente questi impianti, chi decide dove costruirli, e chi si accolla il costo ambientale locale di un servizio poi utilizzato ovunque nel mondo.

Resta il nodo più scivoloso, quello della governance dei modelli più avanzati. Le principali aziende del settore giustificano spesso la scelta di non rendere pubblici i pesi dei sistemi più capaci richiamando rischi concreti: uso improprio in ambito di cybersicurezza, generazione di contenuti pericolosi, capacità sfruttabili in contesti offensivi. Non è un argomento da liquidare come pretesto: alcuni report di settore osservano che l'evoluzione dei modelli sta effettivamente comprimendo i tempi del rischio informatico, riducendo la finestra tra la scoperta di una vulnerabilità e il suo sfruttamento da settimane o mesi a poche ore, una dinamica che riguarda tanto chi attacca quanto chi difende. Negli Stati Uniti la legge californiana SB53 ha introdotto obblighi di trasparenza sui rischi catastrofici e tutele per i dipendenti che segnalano problemi di sicurezza interni alle aziende di frontiera — un segnale che il tema non è puro marketing regolatorio. Detto questo, sarebbe ingenuo non notare che la stessa scelta, mantenere chiuso l'accesso ai modelli più capaci, coincide perfettamente con l'interesse commerciale di chi li produce: meno concorrenti possono replicare quella tecnologia, più a lungo dura il vantaggio di mercato di chi la controlla. Le due motivazioni non si escludono a vicenda, e proprio la loro sovrapposizione rende il tema utile da discutere in classe, perché costringe a chiedersi come distinguere, nella pratica, una precauzione genuina da una barriera all'ingresso travestita da precauzione.

Su un punto specifico, però, vale la pena essere più cauti del solito, perché i fatti recenti raccontano una storia diversa da quella che spesso si teme: l'ipotesi che le autorità possano arrivare a vietare i modelli open source o l'esecuzione locale dell'AI. Al momento la traiettoria osservabile va nella direzione opposta. I modelli a pesi aperti, in particolare quelli cinesi come DeepSeek, Qwen di Alibaba o GLM, si sono affermati come strumenti geopolitici a tutti gli effetti, e le restrizioni statunitensi all'esportazione dei modelli proprietari hanno finora rafforzato, più che indebolito, questo ecosistema concorrente: quando un sistema proprietario diventa meno disponibile, il mercato cerca alternative e se queste alternative sono open source e installabili localmente finiscono per acquisire un vantaggio competitivo che va oltre il semplice confronto tecnico. Questo non significa che il rischio normativo sia inesistente — la regolazione dell'AI si muove rapidamente e in direzioni non sempre coerenti tra Unione Europea, Stati Uniti e Cina — ma trasformare un'ipotesi in una certezza, dando per scontato che il divieto sia la prossima mossa inevitabile, va oltre quanto i fatti attuali permettano di sostenere.

Non si tratta di trasformare l'ora di educazione civica in un corso di politica industriale. Si tratta piuttosto di offrire agli studenti, e prima ancora a noi stessi come docenti, lo stesso metodo critico che applichiamo a qualunque altra fonte quando si parla di intelligenza artificiale: separare il dato verificabile dall'interpretazione, riconoscere quando un'affermazione allarmante è sostenuta da evidenze e quando invece amplifica un'ansia diffusa senza un fondamento specifico, e chiedersi sempre chi trae beneficio da una determinata narrazione, senza per questo scivolare nel sospetto sistematico verso ogni notizia che riguarda il settore. Il potere negoziale dei lavoratori, i costi ambientali scaricati sul territorio, la governance dei modelli più avanzati sono terreni che non offrono risposte comode o definitive, e proprio per questo vale la pena portarli in classe, perché costringono a ragionare sui dati disponibili, a tollerare l'incertezza, e a distinguere tra ciò che sappiamo, ciò che è plausibile e ciò che resta, per ora, solo un timore.

---

Fonti: 

studio UNU-INWEH sull'impronta ambientale dell'AI (2026); 

analisi di Alex de Vries-Gao, Vrije Universiteit Amsterdam; 

proiezioni IEA "Energy and AI" (2025); 

dati Istat sulle retribuzioni contrattuali; 

report Unioncamere-Excelsior sui fabbisogni occupazionali 2025-2029; 

sondaggio Gallup sui data center; 

legge californiana SB53 (Transparency in Frontier Artificial Intelligence Act).