venerdì 3 luglio 2026

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.

giovedì 2 luglio 2026

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).

domenica 28 giugno 2026

La lettura come competenza che non possiamo permetterci di perdere

C'è un'asimmetria silenziosa nel mio mestiere, che ho imparato a riconoscere solo dopo molti anni di cattedra: io vedo quasi sempre la scrittura dei miei studenti, e quasi mai la loro lettura. Vedo la traduzione dal latino, il commento al canto dantesco, l'analisi del testo storiografico. Non vedo, se non per inferenza indiretta, come quello studente sia arrivato a scriverla. Non so se ha letto per intero il passo assegnato, se si è fermato sulle terzine più dense, se ha consultato una parafrasi a fianco del testo, o se — sempre più spesso, oggi — ha chiesto a un sistema di intelligenza artificiale di restituirgliene il contenuto in dieci righe prima ancora di aprire il libro.

Questa distanza tra ciò che osserviamo (la scrittura, prodotto finale e visibile) e ciò che resta sommerso (la lettura, processo invisibile) non è una novità portata dall'intelligenza artificiale. È una caratteristica strutturale della valutazione scolastica, che ha sempre faticato a "vedere" il momento in cui lo studente entra in contatto con un testo. Ma gli strumenti di sintesi automatica oggi disponibili — capaci di trasformare in pochi secondi un'orazione ciceroniana, un canto della Commedia o un capitolo dei Promessi Sposi in un elenco ordinato di punti chiave — rendono quell'invisibilità molto più rischiosa. Per la prima volta, un'apparenza credibile di comprensione può essere prodotta senza che sia avvenuta alcuna lettura.

Vorrei provare a riflettere su questo, non per demonizzare lo strumento, ma per riportare al centro una domanda che la scuola dà troppo spesso per scontata: cosa intendiamo, davvero, quando diciamo che uno studente "sa leggere" un testo?

Nel dibattito sull'intelligenza artificiale a scuola si parla quasi sempre di scrittura: integrità accademica, riconoscimento di elaborati generati dalla macchina, nuove forme di valutazione. Si parla molto meno di lettura, come se fosse una competenza già acquisita, scontata, non negoziabile. È un'omissione che trovo pericolosa, perché la lettura non è un'abilità accessoria rispetto alla scrittura o all'argomentazione orale: ne è il fondamento. Non si scrive un commento critico su un testo che non si è davvero attraversato. Non si costruisce un'argomentazione solida senza aver imparato, leggendo, come altri prima di noi hanno costruito le proprie. La competenza di lettura — quella che permette di seguire lo sviluppo di un ragionamento, di riconoscere un registro linguistico, di cogliere ciò che un autore lascia non detto — è la competenza che rende possibili tutte le altre. Se questa si erode, si erode in silenzio, perché continueremo a vedere elaborati scritti apparentemente corretti, senza accorgerci che dietro non c'è stato un vero incontro con il testo.
Leggere non è estrarre un contenuto

Quando assegno la lettura delle Catilinarie di Cicerone, l'obiettivo non si esaurisce nel fatto che gli studenti sappiano "di che cosa Cicerone accusi Catilina". Quell'informazione, per quanto necessaria, è la parte meno interessante del compito. Voglio che notino come Cicerone costruisce l'accusa: l'uso calcolato dell'anafora ("Quo usque tandem..."), la gradualità con cui sposta l'attenzione dal fatto privato alla minaccia per la res publica, il modo in cui la sintassi periodica imita l'avanzare quasi inesorabile dell'argomentazione. Lo stesso vale per un'ottava di Ariosto, per un capitolo dei Promessi Sposi, per una pagina di Tacito: il significato non sta solo in cosa viene detto, ma in come il testo pensa.

Una sintesi automatica, per quanto accurata, restituisce quasi sempre il primo livello e quasi mai il secondo. Può dirci che Renzo e Lucia sono separati dalle vicende della guerra e della peste; difficilmente trasmette l'ironia del narratore manzoniano, quello sguardo obliquo e a tratti impietoso che è la vera cifra stilistica del romanzo — pensiamo a come viene presentato Don Abbondio, "non era nato con un cuor di leone", e a tutto ciò che quella reticenza ironica comunica sulla mediocritas umana ben prima che il narratore lo dica esplicitamente. Una sintesi può segnalare che nel canto XXVI dell'Inferno Ulisse racconta il suo ultimo viaggio; difficilmente fa percepire la tensione, tutta dantesca, tra l'ammirazione per la sete di conoscenza e la condanna morale di quella stessa sete che supera il limite imposto da Dio — la hybris resa visibile nella lingua stessa, nel crescendo retorico del discorso ai compagni. Uno studente che leggesse solo la sintesi saprebbe di cosa parla il testo, ma non lo avrebbe incontrato.

Leggere, in ambito letterario e storiografico, significa imparare a notare la struttura dell'argomentazione, le fonti e il modo in cui vengono impiegate, il metodo dell'autore, il tono e lo stile, il linguaggio disciplinare, l'incertezza e l'ambiguità che il testo stesso lascia aperte, il modo in cui le idee si connettono, le domande che il testo non risolve. Tutto questo appartiene a un livello che nessuna sintesi, per definizione, può restituire: una sintesi comprime, e ciò che comprime per primo è proprio la complessità, l'ambiguità, l'incertezza — cioè esattamente ciò che, in letteratura come in storia, costituisce il senso più alto dell'apprendimento.

C'è un punto in cui l'uso di questi strumenti smette di essere un supporto e diventa una sostituzione: quando lo studente legge solo la sintesi, la trascrive nei propri appunti, l'accetta senza verificarla, perde le sfumature o i punti di disaccordo che il testo conteneva, salta i passaggi più ostici, evita di misurarsi con le difficoltà che proprio quella lettura avrebbe dovuto allenarlo ad affrontare.

Penso a uno studente che, dovendo commentare un passo delle Historiae di Tacito, si limiti a copiare i punti elenco generati da un assistente IA senza mai aver attraversato la densità quasi ellittica della prosa tacitiana — quella brevitas che è essa stessa un giudizio morale sul potere che descrive. Conoscerà gli eventi narrati, ma avrà perso esattamente ciò che rende Tacito un autore da leggere e non solo da riassumere: il modo in cui la forma della frase incarna il sospetto, la reticenza, l'amarezza dello storico verso il principato. Penso a uno studente che debba ricostruire la congiura di Catilina narrata da Sallustio e si fermi alla cronologia degli eventi suggerita da una macchina, senza notare come Sallustio costruisca il ritratto morale di Catilina prima ancora di narrarne le azioni — un giudizio etico che precede e orienta tutta la narrazione storica, e che è proprio dello storiografo latino, non un dato neutro da "estrarre".

In questi casi non è la macchina ad aver fatto qualcosa di scorretto: ha semplicemente fatto il lavoro che lo studente avrebbe dovuto fare da sé. Il problema non è lo strumento. È che ha occupato lo spazio della lettura, non lo spazio che precede o segue la lettura.

Sarebbe altrettanto sbagliato chiudere la porta in faccia a questi strumenti. Usati con consapevolezza, possono svolgere una funzione di impalcatura — un sostegno temporaneo che permette allo studente di fare un lavoro che, da solo, non saprebbe ancora affrontare, e che si rimuove una volta raggiunta l'autonomia.

Penso a una classe che affronti per la prima volta un canto dantesco particolarmente arduo: una sintesi generata da una macchina può servire come mappa preliminare, utile a orientarsi tra i nuclei tematici — la conoscenza, il limite, la trasgressione — prima dell'incontro diretto con il testo in terzine, dove il lavoro reale di comprensione (la sintassi latinizzante, l'endecasillabo, le scelte lessicali) può avvenire con meno smarrimento iniziale. Penso a un passo di Livio particolarmente intricato sul piano sintattico, che lo studente può far "anticipare" da uno strumento per individuare i termini chiave e i nodi narrativi, prima di misurarsi con il testo latino vero e proprio. La stessa sintesi può essere usata dopo la lettura, per verificare se la comprensione autonoma ha colto gli elementi essenziali o ne ha smarriti alcuni, o per confrontare i propri appunti con un'altra versione e preparare domande per la discussione in classe.

La differenza tra sintesi-scorciatoia e sintesi-impalcatura non sta nello strumento: sta nella sequenza didattica in cui quello strumento viene inserito, e nella consapevolezza con cui lo studente lo utilizza.

Da queste premesse derivano alcune pratiche che ho cominciato a introdurre nella mia didattica e che propongo come piste di lavoro, non come ricette definitive.

Rendere visibile il processo di lettura. Accanto al commento scritto su un passo di Tacito o su un canto della Commedia, posso chiedere una breve nota di processo, da consegnare insieme all'elaborato: come hai letto questo testo? hai usato uno strumento di IA, e in che fase? in cosa ti ha aiutato? in cosa ti ha confuso? cosa hai verificato tornando al testo originale? Questa nota, valutata insieme al prodotto scritto, rende visibile ciò che normalmente resta sommerso, e sposta l'attenzione dal solo risultato al percorso che lo ha generato.

Insegnare a verificare una sintesi, non solo a produrla. Posso fornire io stessa una sintesi generata da uno strumento di IA di un passo di Cicerone o di un episodio storico — la congiura di Catilina narrata da Sallustio, per esempio — e chiedere alla classe di confrontarla con il testo originale: in cosa è accurata? cosa manca? cosa viene semplificato fino a perdere le sfumature di significato che il testo invece manteneva? in quali punti la sintesi sembra più certa di quanto l'autore stesso non dimostri di essere? Questo esercizio trasforma lo studente da utilizzatore passivo a lettore critico della sintesi stessa, e — non meno importante — gli insegna a riconoscere quando una macchina semplifica troppo.

Lavorare in tre fasi: prima, durante, dopo. Prima della lettura, posso chiedere allo strumento un'anteprima sintetica per orientare la classe. Durante la lettura, gli studenti lavorano sul testo integrale, annotandolo. Dopo la lettura, confrontano i propri appunti con la sintesi iniziale e scrivono, in un'ultima fase, cosa la macchina aveva tralasciato — un esercizio che spesso rivela, meglio di qualsiasi verifica tradizionale, cosa lo studente ha davvero compreso.

Preservare i momenti di lettura lenta, senza alcun intermediario. Non tutti i testi richiedono lo stesso grado di prossimità. Per una contestualizzazione storica rapida — chi erano i Catilinari, qual era il clima politico di Roma nel 63 a.C. — l'uso di strumenti di sintesi può essere legittimo ed efficiente. Ma per l'analisi retorica di un'orazione, per il commento di una terzina, per la traduzione ragionata di un periodo latino, la lettura deve restare lenta, individuale, senza scorciatoie: è lì, in quel tempo apparentemente improduttivo, che si forma la competenza interpretativa.

Porre domande che una sintesi non può esaurire. Evito di chiedere soltanto "di cosa parla il testo": preferisco chiedere come l'autore costruisce l'argomentazione, quali evidenze sceglie e quali tace, quali presupposti culturali il testo assume come noti, dove il testo diventa più complesso e perché, cosa andrebbe perso in una sintesi di quel passo. Domande di questo tipo riportano l'attenzione sulla forma del pensiero, non solo sul suo contenuto, e per loro natura non hanno una risposta "riassumibile".

Costruire insieme alla classe un patto d'uso esplicito. Una policy condivisa, discussa e non semplicemente imposta — cosa la macchina può fare (anticipare, chiarire un termine, verificare la comprensione) e cosa non può sostituire (la lettura integrale richiesta dal compito, l'incontro diretto con la lingua del testo) — rende l'uso dello strumento trasparente e dichiarato, anziché clandestino, e chiede agli studenti di essere onesti su quando e come lo utilizzano.

C'è una domanda che ho imparato a pormi sistematicamente prima di assegnare un testo, ed è forse la più utile di tutte: cosa voglio davvero che gli studenti imparino da questa lettura? Se la risposta riguarda solo i contenuti fattuali — la trama, gli eventi, la cronologia — una sintesi può bastare, ed è probabilmente già uno strumento di studio legittimo. Ma se la risposta include la struttura dell'argomentazione, l'uso delle fonti, il registro linguistico, il giudizio critico, la pazienza intellettuale necessaria per restare dentro un testo difficile senza cercare la via più breve — tutto ciò che, con formula un po' logora ma ancora vera, chiamiamo "competenza di lettura" — allora nessuna sintesi, per quanto ben fatta, può sostituire l'attraversamento del testo.

Questa domanda mi pare valga più di qualunque regolamento. Perché obbliga il docente a chiarire prima di tutto a se stesso cosa intende per comprensione, e solo dopo a decidere quale spazio lasciare, in quella specifica lettura, agli strumenti che oggi abbiamo a disposizione.

Gli strumenti di sintesi automatica possono aprire una porta su testi altrimenti troppo ostici per un primo approccio: uno studente in difficoltà con il latino, una classe che si scoraggia davanti a un canto dantesco particolarmente arduo, chi ha poco tempo per leggere tutto ciò che vorrebbe. Per questi studenti, la sintesi può essere la differenza tra accostarsi a un testo e rinunciarvi del tutto, e sarebbe ingiusto ignorarlo.

Ma quella stessa porta, se diventa l'unico accesso al testo, può chiudersi silenziosamente sulla lettura profonda — quella che forma non solo la conoscenza di un contenuto, ma la capacità di stare dentro un pensiero complesso, di seguirne le pieghe, di accettarne la fatica. Il compito del docente non è vietare lo strumento, né ignorarlo: è insegnare agli studenti a riconoscere quando una mappa è sufficiente e quando, invece, occorre camminare per il sentiero. È un compito che richiede tempo, e che nessuna policy scolastica, da sola, potrà mai sostituire.

domenica 21 giugno 2026

E se potessimo incontrare davvero i volti dell'antichità?

Nel video vedrai l'Auriga di Delfi prima nella sua forma originale e poi reinterpretato in modo realistico grazie all'intelligenza artificiale.

✨ Perché può essere interessante a scuola?

✔️ Aiuta gli studenti a visualizzare il volto e l'aspetto delle persone del mondo antico.

✔️ Stimola il confronto tra fonte storica e ricostruzione digitale.

✔️ Favorisce il pensiero critico: quanto è fedele una ricostruzione generata dall'AI?

✔️ Rende arte e storia più coinvolgenti e accessibili.

✔️ Offre spunti per attività interdisciplinari tra storia dell'arte, tecnologia ed educazione ai media.

L'AI non sostituisce il patrimonio artistico: può diventare uno strumento per osservarlo con occhi nuovi e imparare a porci domande migliori.

🏛️ Dal passato al futuro, passando per la curiosità.

#IntelligenzaArtificiale #DidatticaDigitale #ArteClassica #AurigaDiDelfi #StoriaDellArte #AIaScuola #EdTech #Docenti #InnovazioneDidattica #Classici #DigitalHumanities #InstagramScuola

venerdì 12 giugno 2026

La macchina che fa i compiti. E il cervello che se ne va

Un racconto da tenere in classe Qualche tempo fa ho riletto un racconto breve di Gianni Rodari che continua a sembrarmi straordinariamente attuale. Ve lo riporto qui, perché credo che valga la pena leggerlo prima di qualsiasi ragionamento sull’intelligenza artificiale. Un giorno bussò alla nostra porta uno strano tipo: un ometto buffo, vi dico, alto poco più di due fiammiferi. Aveva in spalla una borsa più grande di lui. – Ho qui delle macchine da vendere – disse. – Fate vedere – disse il babbo. – Ecco, questa è una macchina per fare i compiti. Si schiaccia il bottoncino rosso per fare i problemi, il bottoncino giallo per svolgere i temi, il bottoncino verde per imparare la geografia: la macchina fa tutto da sola in un minuto. – Compramela, babbo! – dissi io. – Va bene, quanto volete? – Non voglio denari – disse l’omino. – Ma non lavorerete mica per pigliar caldo! – No, ma in cambio della macchina voglio il cervello del vostro bambino. – Ma siete matto! – esclamò il babbo. – State a sentire, signore – disse l’omino, sorridendo. – Se i compiti glieli fa la macchina, a che cosa gli serve il cervello? – Comprami la macchina, babbo! – implorai. – Che cosa ne faccio del cervello? Il babbo mi guardò un poco e poi disse: – Va bene, prendete il suo cervello. L’omino mi prese il cervello e se lo mise in una borsetta. Com’ero leggero, senza cervello! Tanto leggero che mi misi a volare per la stanza, e se il babbo non mi avesse afferrato in tempo sarei volato giù dalla finestra. – Bisognerà tenerlo in gabbia – disse l’ometto. – Ma perché? – domandò il babbo. – Non ha più cervello, ecco perché. Se lo lasciate andare in giro, volerà nei boschi come un uccellino, e in pochi giorni morirà di fame! Il babbo mi rinchiuse in una gabbia, come un canarino. La gabbia era piccola, stretta, non mi potevo muovere. Le stecche mi stringevano tanto che… alla fine mi svegliai spaventato. Meno male che era stato solo un sogno! Vi assicuro che mi sono subito messo a fare i compiti. — Gianni Rodari--

Un racconto da tenere in classe

Rodari scrisse questo testo negli anni Sessanta, pensando a chissà quale macchina futuribile. Non immaginava — o forse sì, a modo suo — che l’omino con la borsa sarebbe arrivato davvero, e che si sarebbe presentato con un’interfaccia pulita e una casella di testo bianca. Negli ultimi due anni ho assistito in prima persona all’arrivo di quell’omino nelle mie classi.

L’entusiasmo iniziale è stato travolgente, e sarei disonesta a negarlo. Gli studenti si sono presentati con temi scritti in un italiano impeccabile, ricerche storiche ben strutturate, riassunti privi di errori. Per qualche settimana ho avuto la sensazione di guardare un’aula piena di geni improvvisati. Poi ho cominciato a fare domande. Domande semplici, sul contenuto di quello che avevano consegnato. E lì il castello ha cominciato a scricchiolare.

Non è una questione di disonestà intellettuale — o almeno, non solo. È qualcosa di più sottile e più preoccupante: molti ragazzi avevano consegnato testi che non avevano compreso. Non perché fossero incapaci, ma perché il processo attraverso cui si comprende una cosa — il tentativo, l’errore, la correzione, la fatica — era stato saltato a piè pari. Avevano preso la borsa dell’omino senza chiedersi cosa ci avevano messo dentro.

C’è un termine tecnico che viene dalla sociologia del lavoro, deskilling, che indica il processo attraverso cui una tecnologia sostituisce progressivamente le competenze umane fino a renderle atrofizzate per mancanza d’uso. Lo abbiamo visto con il calcolo mentale nell’era della calcolatrice, con la scrittura a mano nell’era della tastiera, con il senso dell’orientamento nell’era del GPS. Non sto dicendo che queste siano state catastrofi — molte di quelle competenze erano sacrificabili. Ma la scrittura, il ragionamento, la capacità di costruire un argomento e di sostenere un’idea davanti a un interlocutore? Queste non sono competenze accessorie.

Quando un ragazzo delega a uno strumento l’atto di pensare — non di formattare, non di cercare dati, ma di pensare — rinuncia a qualcosa che non si recupera facilmente. La fatica cognitiva non è un ostacolo all’apprendimento: è l’apprendimento stesso. Ogni volta che uno studente lotta con una frase difficile, cerca il termine giusto, riscrive un paragrafo perché non suona bene, sta costruendo qualcosa dentro di sé. Quella costruzione non avviene se la frase la scrive qualcun altro, o qualcos’altro.

Detto questo, qualcosa di interessante è accaduto nel tempo. L’entusiasmo iniziale si è smorzato, e non per effetto di qualche campagna moralizzatrice da parte dei docenti. Gli studenti stessi hanno cominciato a fare i conti con i limiti dello strumento. Chi ha provato a usare l’intelligenza artificiale per una ricerca storica ha trovato date sbagliate, personaggi confusi, citazioni di libri che non esistono. Chi ha chiesto aiuto per un testo argomentativo ha ricevuto pagine apparentemente coerenti che, a uno sguardo più attento, giravano in tondo senza dire niente.

Quello che i ricercatori chiamano “allucinazione” — la tendenza dei modelli linguistici a produrre informazioni false con la stessa sicumera con cui ne producono di vere — è diventato un’esperienza concreta per i miei studenti. Alcuni di loro hanno passato più tempo a verificare quello che l’AI aveva scritto che non a svolgere il compito in proprio. Quando l’ho fatto notare, qualcuno ha risposto con una frase che mi è rimasta: “Ma tanto ci vuole più tempo così”. Esatto.

A questo si aggiunge il problema dei bias: i modelli linguistici sono addestrati su enormi quantità di testo prodotto da certi tipi di fonti, in certi contesti culturali, con certe prospettive dominanti. Chiedere loro di raccontare la storia coloniale italiana, o di spiegare un conflitto geopolitico recente, non è la stessa cosa che consultare storici diversi o leggere fonti primarie. Lo strumento non è neutro, e questa non-neutralità è spesso invisibile, il che la rende ancora più insidiosa.

Non ho intenzione di trasformare questo post in un atto d’accusa contro l’intelligenza artificiale. Gli strumenti esistono, e gli studenti li useranno, dentro e fuori dalla scuola, con o senza il nostro consenso. Il punto non è proibire, ma capire cosa sta succedendo e aiutare i ragazzi a capirlo con noi.

Quello che possiamo fare, come docenti, è rendere esplicito il nodo. L’omino di Rodari non porta via il cervello di nascosto: chiede il permesso, e noi lo diamo. La domanda da porre agli studenti non è “hai usato l’AI?”, ma “cosa hai imparato facendo questo?”. Se la risposta è “niente”, il problema non è lo strumento: è il modo in cui è stato usato.

Il sogno del bambino di Rodari finisce con uno spavento e con un gesto semplice: si mette a fare i compiti. Non perché qualcuno glielo abbia imposto, ma perché ha capito — attraverso il sogno, che è uno dei modi in cui si capiscono le cose — che rinunciare al proprio cervello è un pessimo affare. Forse anche i nostri studenti, attraverso la disillusione e l’esperienza diretta dei limiti dello strumento, stanno cominciando a capire qualcosa di simile. Sta a noi non sprecare quella lezione.

martedì 2 giugno 2026

Tavola periodica interattiva

Tavola Periodica Interattiva - Liceo Scientifico

TAVOLA PERIODICA DEGLI ELEMENTI

Strumento Interattivo Certificato per il Liceo

claudia punto zero

Elenco blog personale