Un racconto in prima persona passeggiando tra il DigComp 3.0, l’OECD Digital Education Outlook 2026 e l’Enciclica Magnifica Humanitas

Di Angela Galia, Istituto Comprensivo «Nunzio Nasi» Trapani

Abstract

Questo contributo racconta, in prima persona, il percorso attraverso il quale ho provato a rispondere a una domanda che accompagna, non solo me, da qualche anno: Come evito che l’intelligenza artificiale generativa trasformi i miei studenti in bravi esecutori di compiti che non capiscono più a fondo? E inoltre, Quando correggo un elaborato che è stato scritto con l’aiuto di un’intelligenza artificiale generativa, che cosa sto davvero valutando? Muovendo dalle evidenze sul cognitive offloading raccolte dall’OECD (2026) e dall’epistemologia della didattica proposta da Marina De Rossi in Costruire l’azione didattica (2023), proverò a descrivere come sto trasformando l’intelligenza artificiale da oracolo erogativo in interlocutore socratico, gli strumenti che ho costruito per proteggere il tempo del pensiero – grazie a tecniche come il Prethinking, il Cognitive Latency e il Dubbio Aumentato – e la proposta dell’arbitrato epistemico, che sposta la mia valutazione inevitabilmente dal prodotto al processo. Il contributo si chiude interrogando ciò che, in questo mestiere, non è mai delegabile all’IA: il giudizio che nasce dal conoscere davvero i propri studenti, il coraggio di scegliere da che parte stare, il ruolo che voglio davvero avere, come docente, tra i miei studenti e la macchina.

Abstract (English)

This contribution tells the journey I’ve taken to answer a question that has been haunting me, and not only me, for some years: How do I prevent generative AI from turning my students into skilled performers of tasks they no longer fully understand? And furthermore, When I correct a paper written with the help of generative AI, what am I really evaluating? Drawing on evidence on cognitive offloading collected by the OECD (2026) and Marina De Rossi’s epistemology of teaching in Costruire l’azione didattica (2023), I will attempt to describe how I am turning AI from a delivery oracle into a Socratic interlocutor, the tools I’ve built to protect thinking time – Prethinking, Cognitive Latency, Augmented Doubt – and the proposal of epistemic arbitration, which shifts my evaluation from the product to the process. The contribution concludes by questioning what, in this profession, can never be delegated: the judgment that comes from truly knowing one’s students, the courage to choose which side to be on, the role I really want to have, as a teacher, between my students and the machine.

Parole chiave

intelligenza artificiale generativa; cognitive offloading; arbitrato epistemico; regia pedagogica umana; Magnifica Humanitas; ecologia digitale

Keywords

generative artificial intelligence; cognitive offloading; epistemic arbitration; human pedagogical oversight; Magnifica Humanitas; digital ecology

Premessa

Insegno in un istituto comprensivo di Trapani e da settembre coordino il team digitale, cercando di convincere il resto del collegio sull’importanza di una formazione ormai obbligatoria sull’AI literacy, impresa non facile dato l’alto numero di dubbi e domande che mi vengono rivolte e che, a dirla tutta, sono anche miei. Ormai si sa che gli alunni usano l’IA per i compiti a casa. E allora, quando correggo un elaborato che un mio studente ha scritto con l’aiuto di un’intelligenza artificiale generativa, non sempre sto valutando la sua competenza, non sempre il suo impegno, ma qualcosa di più sfuggente, che non aveva ancora un nome. Questo contributo nasce da lì, dalla domanda rimasta per mesi sulla mia scrivania insieme ai curricoli disciplinari e alle rubriche di valutazione. Non è una scrittura distante dal problema, ma la ricostruzione il più possibile onesta, del percorso fatto insieme ad alcuni colleghi e studenti per provare a rispondere. Lo racconto in prima persona perché credo che la didattica, quando funziona davvero, non sia mai un discorso impersonale: è sempre qualcuno che sceglie, in una classe reale, un lunedì mattina, che cosa fare, se lasciare che la macchina risponda al posto dei ragazzi o se fare qualcosa di diverso.

1. Da dove nasce questa riflessione: la crisi del cognitive offloading

Nella sala insegnanti del mio istituto ho visto, negli ultimi due anni, la stessa spaccatura che la call del n. 18 di questa rivista chiedeva di superare: da una parte colleghi che hanno lasciato che l’IA scrivesse al posto degli studenti, dall’altra colleghi che l’hanno bandita per decreto. Nessuna delle due posizioni regge a lungo: bisogna partire dalle evidenze, non dalle ideologie.

Il rapporto OECD Digital Education Outlook 2026 osserva che l’accesso non mediato all’intelligenza artificiale genera con frequenza un fenomeno di cognitive offloading. Nello studio sul campo di Bastani e colleghi (2025), chi usa la GenAI come semplice «risolutore di compiti» ottiene risultati immediati alti ma crolla nelle verifiche autonome. La scorciatoia algoritmica elimina lo sforzo desiderabile che serve a fissare davvero un concetto; quindi, mi chiedo se non stia misurando più la bravura di un algoritmo che quella dei miei ragazzi.

Di fronte a questa dinamica ho capito che la risposta non può essere la proibizione, né la resa alla tecnologia, ma la riaffermazione di una solida epistemologia della mia stessa professione. Come scrive De Rossi (2023, cap. 1), la didattica richiede il passaggio da un insegnante inteso come puro esecutore tecnico a un insegnante agente di cambiamento; io aggiungerei un divulgatore e creatore di contenuti. Ho iniziato allora a pensarmi meno come depositaria di risposte e più come qualcuno che deve muoversi, con i suoi studenti, nell’incertezza che l’intelligenza artificiale sembra annullare nelle sue risposte, attivando quel Pedagogical Content Knowledge (Shulman, 1987) che integra la conoscenza disciplinare e pedagogica con la lettura reale del contesto classe.

Mi chiedo, leggendo le domande guida della call del n. 18, in che modo il digitale e l’intelligenza artificiale stiano contribuendo alla formazione di una cultura europea condivisa. Nella mia piccola scala, la risposta che sto costruendo è questa: non condividendo output per quanto diversi uno dall’altro – cosa che l’IA renderebbe fin troppo facile – ma condividendo lo stesso metodo di dubbio, applicato a patrimoni locali diversissimi tra loro. È una cultura europea che nasce dal confronto tra territori, non dall’omologazione dei loro racconti.

Governare culturalmente l’intelligenza artificiale, per me, significa proprio questo: trasformare il patrimonio culturale del mio territorio in un terreno di indagine, impedendo che la macchina si sostituisca all’atto stesso del comprendere.

2. Dall’oracolo al tutor socratico

Il punto di svolta è stato accettare un ribaltamento che sulle prime mi sembrava innaturale. Nell’uso comune dell’intelligenza artificiale l’interazione è direttiva: il ragazzo scrive un prompt, la macchina restituisce una risposta già confezionata. Ho iniziato a chiedere ai miei studenti di rovesciare questo schema: formulare prima un’ipotesi propria, lasciare che sia l’IA a rispondere con una contro-domanda, e tornare a riflettere e a difendere la propria tesi. Ho visto questo ribaltamento agire su tre piani: smantella il cognitive offloading, perché se la macchina risponde subito i ragazzi delegano, mentre se rilancia con una domanda tornano a cercare; trasforma la macchina in uno specchio critico, non in una fonte di verità; e lascia la regia interamente nelle loro mani, perché per rispondere alle sollecitazioni devono fare perno su quello che sanno. La macchina guida l’indagine, ma sono loro a produrre il senso e a cercare di comprendere come ha funzionato la macchina (e chi lo sa?), e io resto lì a osservarlo accadere. E quel docente che sa prendersi cura di questo uso dell’intelligenza artificiale, è un docente aumentato.

Ricordo una sessione sulla fiaba in una prima classe di scuola secondaria di I grado, lo scorso autunno, durante la quale ho sperimentato la tecnica del Book Bento Box, un formato che si presta benissimo al ribaltamento maieutico di cui parlo, forse meglio di un compito scritto tradizionale, perché ogni scelta (l’oggetto, il colore, il simbolo, il suono) è già un’affermazione interpretativa che si può interrogare. Ecco come ho usato l’IA socratica nelle diverse fasi del progetto.

Nella fase di selezione degli oggetti, dopo il Prethinking, non prima. Lo studente sceglie prima da solo la fiaba tra quelle lette e sul quaderno quali elementi del libro vuole rappresentare (un personaggio, un simbolo, l’ambientazione, un tema) e con quale oggetto pensa di rappresentarli. Solo dopo, quando utilizza l’IA, il sistema non deve mai suggerire “usa una chiave per rappresentare la libertà”: deve chiedere perché quella chiave, e se un lettore che non ha letto il libro coglierebbe il collegamento o se serve altro contesto.

Nella giustificazione, che è il vero cuore del compito. I progetti Book Bento chiedono quasi sempre una breve spiegazione per ogni oggetto: è lì che l’IA può aumentare il dubbio. Non rispondere: «È corretto», ma con «Puoi indicarmi il passaggio esatto del testo che sostiene questa lettura? Hai scelto questo oggetto per come si comporta il personaggio o per come si sente – e sono la stessa cosa, in questo libro? Se il tuo compagno avesse scelto un oggetto opposto per lo stesso personaggio, chi avrebbe ragione, e perché?»

Nell’audit dei bias, applicato ai simboli invece che ai dati. Se un libro è ambientato fuori dal contesto culturale dello studente, l’IA può chiedere: «Il simbolo che hai scelto viene dalla tua cultura o da quella del libro – e se sono diverse, la scelta rischia di semplificare o di travisare qualcosa?» È lo stesso lavoro di audit territoriale che in questo saggio descrivo per il patrimonio locale (§ 7), spostato sulla rappresentazione letteraria.

Nella cognitive latency, prima di finalizzare la scatola. Una pausa imposta tra la prima intuizione simbolica e la scelta definitiva, magari confrontandosi con un compagno, non con la macchina, evita che il primo oggetto plausibile diventi quello definitivo solo perché è arrivato per primo.

Nella valutazione, che segue il modello dell’arbitrato. Non giudico la scatola finita come prodotto isolato, ma la documentazione: perché quell’oggetto e non un altro, quali alternative lo studente ha scartato e perché, cosa gli ha fatto cambiare idea durante il lavoro. È lo spostamento dal prodotto al processo, anche se pure l’occhio vuole la sua parte. Per non parlare della morale della fiaba.

Schermate della bacheca Padlet della classe con i Book Bento Box (i nomi degli studenti sono oscurati).

Mi sono chiesta se fosse etico. Sì, un’intelligenza artificiale che fa domande non crea dipendenza e rispetta la dignità dei miei studenti trattandoli come persone capaci di ragionare da sole; svela bias e omologazioni e dall’errore si apprende; l’errore restituisce la responsabilità. La macchina deve porre domande non per giudicare o manipolare, ma per sollecitare i miei studenti a riappropriarsi del proprio pensiero. La responsabilità della risposta resta, sempre, dei ragazzi – e la mia, nel disegnare le condizioni perché questo accada davvero. Un alunno che chiede perché non sa svolgere un’attività è già regista del suo apprendimento. La vera maieutica nasce dallo sguardo di un maestro, non da una sequenza sintattica di domande, e se lascio che sia la macchina a occupare interamente quello spazio rischio di produrre alienazione, non apprendimento.

Un ragazzo che scrive male, che ripete una parola perché non ne conosce altre, che costruisce una frase sbagliata, sta comunque dicendo qualcosa che intende dire, a partire da quello che ha vissuto, letto, capito fino a quel momento, e per questo il suo errore è diagnostico: mi dice dove si trova nel suo percorso, cosa ha frainteso, cosa gli manca. La lingua di ChatGPT non nasce da nessuna esperienza: è la sequenza statisticamente più probabile di parole, calcolata su miliardi di testi altrui. Non ha una posizione nel mondo da cui parlare, non è mai stata sola, non ha un corpo che invecchia, non ha mai avuto paura di soffrire o della morte, anche quando produce una poesia sulla solitudine.

Imitare uno stile è riprodurre una superficie, non una postura esistenziale. Se chiedo ai miei alunni di scrivere dei versi “alla maniera di Leopardi” è quasi scontato che loro si affidino a ChatGPT per comporre la poesia. Il modello riconosce e ricombina i tratti ricorrenti – il lessico (siepe, ermo colle, infinito), certi ritmi, certe inversioni sintattiche, il tono malinconico – perché li ha visti migliaia di volte nel suo addestramento. Ma quei tratti in Leopardi non sono ornamenti stilistici: sono la conseguenza linguistica di una visione del mondo (il pessimismo cosmico, la funzione consolatoria dell’immaginazione contro il “vero”). La macchina può copiare l’effetto senza aver mai attraversato la causa. È didatticamente pericoloso proprio perché il risultato può essere bellissimo – più bello, magari, di quanto lo studente saprebbe scrivere da solo – e proprio per questo non dice nulla sulla sua comprensione di Leopardi.

Il modello non significa, simula la superficie di ciò che significa.

Non posso più chiedere “Scrivi una poesia in stile Leopardi” e valutare solo il risultato. Devo chiedere allo studente di motivare ogni scelta stilistica rispetto alla poetica leopardiana reale (perché questa parola e non un’altra, che cosa vuol dire “cosmico” in questo pessimismo), esattamente come con il Book Bento Box: non il prodotto isolato, ma la giustificazione che solo chi ha davvero capito può dare.

3. Il Dubbio Aumentato: come ho imparato a farne uno strumento di lavoro con il Prethinking e il Cognitive Latency

Se l’uso comune dell’intelligenza artificiale tende a farne un oracolo che dissolve l’incertezza, io ho iniziato a chiedere ai miei studenti l’esatto contrario: usarla per amplificare il dubbio, non per liquidarlo. Non mi interessa che l’IA aumenti le informazioni a loro disposizione, ne hanno già più di quante riescano a gestirne, mi interessa che aumenti la complessità e il livello delle domande che si pongono sui contenuti.

I tre livelli nelle sessioni di lavoro riguardano il dubbio metacognitivo: la macchina-tutor mette in discussione la prima risposta o l’intuizione superficiale di un ragazzo, chiedendogli ad esempio come concili la propria tesi con una fonte che sembra contraddirla. È esattamente lo sforzo desiderabile di cui parla l’OECD (2026), quello che serve a fissare le cose imparate. Il secondo è il dubbio epistemologico ed etico: seguendo l’approccio socio-costruttivista di De Rossi (2023, cap. 2) e il quadro DigComp 3.0, guido i miei studenti a dubitare degli output della macchina, cercando nella ricostruzione di un evento del nostro patrimonio locale eventuali bias o stereotipi di genere. Ma quello che oggi ritengo più importante di tutti è il dubbio ecologico ed esistenziale, di cui parlerò più diffusamente più avanti: chiedersi se dieci query superflue siano davvero necessarie per un compito che la propria mente può risolvere da sola.

Nella fase di Prethinking, prima di aprire qualsiasi ambiente di intelligenza artificiale, i miei studenti lavorano da soli sui documenti primari del patrimonio locale (archivi, fonti orali, monumenti) costruendo uno schema cognitivo proprio, con letture, annotazioni a mano, mappe concettuali di partenza. Il Cognitive Latency è il tempo di sospensione che impongo tra la sollecitazione, o la risposta della macchina, e l’azione dei miei studenti. Questa pausa reintroduce lo sforzo desiderabile e impedisce la risposta d’impulso, il copia-incolla riflesso. È lo spazio-tempo, spesso silenzioso, in cui vedo i ragazzi effettivamente pensare… creare. Diamo loro il tempo di farlo, non svolgiamo le nostre interrogazioni come fossero dei quiz a tempo, il tempo è di tutti e di ciascuno. E in questa pausa cognitiva e riflessiva abita la sostenibilità ambientale, la green latency: nel tempo di attesa tra una domanda e l’altra chiedo ai ragazzi di valutare se quella domanda sia davvero necessaria, trasformando una pausa di pensiero in un piccolo gesto di responsabilità ecologica.

Ecco il ruolo che sento di dover avere: non sono io a fornire risposte, ma sono io a progettare e a proteggere i tempi di latenza cognitiva, impedendo che la classe si adegui ai ritmi frenetici dell’algoritmo, d’altra parte non potrebbero mai avere la stessa velocità (su questo tornerò dopo). E quando valuto, ormai, non misuro più la velocità con cui un compito viene consegnato, ma la qualità del Prethinking, la ricchezza delle annotazioni intermedie, la capacità di ciascuno di abitare l’incertezza senza scappare verso la prima risposta disponibile.

4. Coltivare, Educare, Umanizzare

I tre verbi-bussola della call del n. 18 (coltivare, educare, umanizzare) li ho letti come tre domande pratiche da farmi ogni volta che progetto un’attività, incrociandoli con le cinque dimensioni dell’apprendimento significativo di Jonassen (2008): attivo, costruttivo, cooperativo, autentico, intenzionale.

Ho iniziato a trattare gli Oggetti di Intelligenza Culturale come patrimonio della comunità scolastica e territoriale, non come proprietà mia o della piattaforma che li ha resi possibili: li condividiamo per permettere a chiunque di riusarli e arricchirli. È un piccolo gesto, ma mi sembra l’unico modo coerente di trattare il patrimonio culturale digitale come accesso equo alla conoscenza.

Prima di accettare qualunque affermazione prodotta dall’intelligenza artificiale sul nostro patrimonio, ho imposto una regola semplice: nessuna informazione entra nell’Oggetto di Intelligenza Culturale senza almeno due fonti primarie indipendenti che la confermino. Non è un esercizio astratto di media literacy, ma una pratica quotidiana che i ragazzi applicano, imparando a diffidare tanto della disinformazione online quanto delle sintesi troppo fluide di un modello linguistico che rischiano di sembrare più autorevoli di una fonte incerta ma onesta.

Coltivare il passato, educare il presente, umanizzare il futuro significa, per me, anche guardare indietro con onestà, perché il passato è un maestro a cui ogni generazione rischia di disobbedire di nuovo. Lavorando sulle fonti storiche del nostro territorio, non posso separare la memoria del patrimonio da quella delle guerre, delle distruzioni, dell’inquinamento che ancora oggi pesano sul nostro pianeta. Non lo faccio per spaventare i miei studenti, ma perché credo che nessuna intelligenza artificiale possa insegnare da sola questa lezione: la storia si ripete non perché manchino le informazioni sul passato – oggi ne abbiamo più che mai – ma perché manca il coraggio di scegliere da che parte stare quando quella scelta costa qualcosa. Discernere non significa schierarsi con chi ha più potere, né seguire semplicemente la maggioranza, ma imparare a riconoscere, spesso in minoranza, spesso senza alcun vantaggio, dove sta il “cuore” delle cose. È un esercizio di umiltà prima ancora che di intelligenza, ed è forse l’unica competenza che davvero non si può delegare: nessun algoritmo rischia nulla di proprio nello scegliere, e la scelta, quella vera, si misura proprio dal “rischio” che comporta per chi la fa.

Umanizzare riafferma il mio irrinunciabile primato della mediazione docente: «disarmare l’intelligenza artificiale», toglierle il ruolo di giudice o di oracolo, riducendola a un terzo pedagogico sotto la regia umana.

Guardando il lavoro che faccio con i miei studenti sul nostro patrimonio mi convinco che un luogo non muore quando viene distrutto, ma quando smette di generare immaginazione in chi lo abita. Una città colpita da un terremoto, un mestiere scomparso, un paesaggio trasformato possono sopravvivere benissimo negli archivi, nelle fotografie, nei registri e restare comunque morti, se quella memoria si limita a fotografare ciò che è stato senza più inventare nulla. Per questo, quando lavoriamo su una fonte del nostro territorio, chiedo loro di reinventarla, di scriverci sopra qualcosa che prima non c’era. Credo, in fondo, che l’immaginazione sia la forma di resistenza più forte che abbiamo, personale, prima ancora che collettiva, contro qualunque cosa minacci di farci sparire: una guerra, una distruzione, o semplicemente la pigrizia di lasciare che sia una macchina a pensare al posto nostro.

Ma desiderare un mondo migliore non basta, non ci si può fermare al sogno – e non mi dispiace che i miei studenti sognino, anzi lo custodisco come una delle poche cose che ancora ci appartengono senza mediazione. Un desiderio che non si dota degli strumenti per realizzarsi, però, resta un esercizio consolatorio, non un atto educativo. Per questo, ogni volta che i miei ragazzi immaginano, con o senza l’aiuto della macchina, un futuro migliore per il nostro territorio, chiedo loro il passo che quasi sempre manca: quali sono, concretamente, i primi gesti che lo renderebbero possibile? Chi dovrebbero convincere, che cosa manca davvero, a che cosa sono disposti a rinunciare per ottenerlo? È lo stesso principio che ha guidato tutto questo mio percorso: non basta desiderare che l’intelligenza artificiale non sostituisca il pensiero dei miei studenti, bisogna costruire, giorno per giorno, gli strumenti concreti perché questo non accada davvero. Il sogno apre la strada; il metodo, paziente e quotidiano, la percorre.

C’è un’ultima connessione che ho iniziato a fare, pensando al futuro professionale dei miei studenti più che al voto di domani. Le competenze che alleno con l’arbitrato epistemico – validare fonti, riconoscere bias, documentare un processo, discernere un giudizio da un’opinione – non sono soltanto competenze scolastiche: sono esattamente ciò che il mondo del lavoro comincia a chiamare intelligenza culturale, la capacità di orientarsi tra strumenti generativi senza esserne governati. Non voglio ridurre l’educazione a un addestramento tecnico in vista di una professione, ma non posso nemmeno ignorare che i miei studenti entreranno in un mercato del lavoro culturale radicalmente diverso da quello che conosco io. Se riescono, fin dalla scuola secondaria, a distinguere un lavoro generativo da un giudizio che porta conseguenze per una persona, avranno una bussola che nessun corso di aggiornamento professionale potrà mai dare loro dall’oggi al domani. Umanizzare significa anche fondare la mia valutazione su un modello sostenibile, capace di andare oltre la sola logica certificativa, per sostenere l’autonomia e il giudizio critico dei miei studenti lungo tutto l’arco della loro vita, non solo fino all’esame di stato. Guardate, riporto un esempio: un alunno valutato con 9/10 e non con dieci all’esame di scuola secondaria di primo grado e con il massimo dei voti alla maturità e la lode alla laurea, mi sta dicendo che la valutazione deve essere visione. Una macchina non sa farlo.

Umanizzare il futuro significa, per me, rifiutare l’idea che la tecnologia segua un destino già scritto. Se l’intelligenza artificiale tende a generare «futuri probabilistici», semplicemente ricombinando i dati con cui è stata addestrata, il compito più importante che ho è restituire ai miei studenti il potere dell’immaginazione, del giudizio etico, della discontinuità. Cercherò allora di guidarli a pensare a un semplice codice etico condiviso che stabilisce che cosa può essere automatizzato e che cosa deve restare, per noi, rigorosamente umano: l’empatia, il giudizio morale, la tutela della dignità, l’attribuzione di significato al patrimonio, l’accoglienza del limite.

5. Il terzo pedagogico: proteggere la relazione

Il rischio che la macchina prosciughi lo spazio della relazione è reale. So che una macchina può simulare una sequenza sintattica di empatia, ma resta una finzione basata su calcoli probabilistici (De Rossi, 2023, capp. 1-2): per questo ogni sessione con l’IA si chiude sempre con un momento di confronto guidato da me, in cui non chiedo che cosa ha detto la macchina, ma come si sono sentiti nel difendere la propria tesi, quale sfumatura umana la macchina non ha colto.

Ho imparato a proteggere questo momento: osservo le esitazioni, la frustrazione, l’entusiasmo dei ragazzi durante il lavoro, segnali che nessuna interfaccia digitale potrà mai cogliere al posto mio.

Nella letteratura recente compare il modello dello Human-AI Teaming (OECD, 2026): una squadra a ruoli distinti, in cui la macchina si distingue per velocità e capacità di calcolo, e l’essere umano per giudizio, contesto, responsabilità finale. A dire il vero, nel termine teaming ci vedo una vera e propria squadra che superi la prospettiva dell’AI mentor (o mentored) e sia in grado di governare l’idea di un’intelligenza artificiale sempre disponibile, capace di dare feedback personalizzato e di accompagnare lo studente quasi come farebbe un mentore umano. Non perché la tecnologia non ne sia capace, ma perché un mentore, per definizione, conosce la persona che accompagna: ne ricorda la storia, calibra l’intervento su quello che sa di lei. È esattamente il territorio delle sfumature (la nonna in ospedale, il silenzio che è timidezza e non disimpegno – su questo tornerò a parlare). L’IA, nella mia classe, può fare squadra con me; non può fare il mentore al posto mio.

6. La sostenibilità ecologica in classe

Vivo in una regione dove la parola siccità non è un’astrazione. Ogni interrogazione a un modello linguistico di grande scala consuma acqua reale – secondo una stima riferita a GPT-3, circa mezzo litro ogni dieci-cinquanta risposte di media lunghezza (Li et al., 2025) – ed energia elettrica. Scrivere un prompt vago è l’equivalente digitale di lasciare un rubinetto aperto. Coltivare, in questa chiave, significa educare al «pensiero denso»: meno domande, di valore più alto, una sorta di monitoraggio dell’impronta idrica e di carbonio dei nostri progetti digitali, uno Slow AI & Green Prompting, un’unica domanda densa al posto del chattare frammentato, in linea con l’Agenda 2030 e l’enciclica Laudato si’.

In quest’agosto in cui scrivo, ai World Humanoid Robot Games di Pechino un robot ha corso i cento metri in 9,32 secondi, secondo quanto comunicato dal produttore dopo una prova che ha preceduto i Giochi, abbattendo di ventisei centesimi il record mondiale che apparteneva a Usain Bolt dal 2009. La notizia è stata accolta, comprensibilmente, come un trionfo tecnologico: una macchina progettata per fare esattamente quella cosa, e nient’altro, ha battuto il corpo umano più veloce mai cronometrato. E agli stessi Giochi una squadra italiana, il team SPQR della Sapienza, ha vinto la medaglia d’argento nel torneo di calcio per robot umanoidi: proprio il calcio, quello dei Mondiali che la nostra nazionale in carne e ossa quest’estate non ha disputato…

Ma quello che mi ha colpito profondamente, guardando quelle immagini, non è stato il numero di robot, è stato accorgermi di quanto la cultura che festeggia quel record sia l’esatto opposto di quella che provo a costruire. Oggi si misura il valore nella velocità: quanto in fretta un algoritmo genera un testo, quanto in fretta una macchina attraversa un traguardo, quanto in fretta uno studente consegna un compito. Io chiedo, ai miei ragazzi, esattamente il contrario: un pensiero denso invece di dieci interrogazioni superficiali. Non è nostalgia per un mondo più lento che non esiste più: è la scommessa che il tempo speso a dubitare, a tornare indietro, a lasciar decantare un’idea prima di scriverla, sia esattamente il tempo che nessun velocissimo robot potrà mai correre al posto nostro. Un corpo meccanico può abbattere un record cronometrico; non può abbattere la fatica, che è tutt’altra cosa, di capire.

Mi è tornata in mente, guardando le notizie da Pechino, una canzone dei miei tempi, Giulio Cesare di Venditti: «Eravamo trentaquattro e adesso non ci siamo più, e seduto in questo banco ci sei tu. Era l’anno dei mondiali, quelli dell’86, Paolo Rossi era un ragazzo come noi.» Non parla proprio di calcio: parla di una classe, di compagni che diventano ricordi, di un Paolo Rossi che molti hanno scambiato per il campione del 1982 e che invece, come ha spiegato lo stesso Venditti, è lo studente morto nel 1966 negli scontri all’Università di Roma: un’omonimia che la canzone lascia volutamente aperta, perché il calcio, lì, è solo la cornice di qualcos’altro: il tempo che passa sui corpi, i banchi che si svuotano uno dopo l’altro, un paese che cambia pelle. Non credo che qualcuno, tra quarant’anni, scriverà una canzone sulla finale di Pechino. Non perché la tecnologia non la meriterebbe, ma perché manca tutto quello che rende un mondiale degno di essere ricordato. Una generazione che si riconosce in una maglia. Un nome che può essere scambiato per un altro perché entrambi, in fondo, «erano un ragazzo come noi». Un robot non ha compagni di classe o di banco che spariscono. Non ha un’estate della maturità da festeggiare guardando una partita in televisione. Non ha conosciuto il 1982. Vince, o perde, senza che quel risultato diventi mai il segno di un’epoca per chi lo guarda. Ecco cosa manca oggi, quando misuriamo un trionfo solo in centesimi di secondo o in una medaglia: manca la vita che ci scorre attorno mentre succede, quella che nessun algoritmo, per quanto bravo a vincere, potrà mai raccontare al posto nostro.

7. Lo Slow AI Workflow: cosa può fare la scuola

La sequenza di lavoro che i miei studenti possono ripetere, settimana dopo settimana, si articola in quattro fasi. Ricapitolando: nella prima, l’attivazione autonoma, prima di toccare qualsiasi risorsa di intelligenza artificiale i miei studenti lavorano sui documenti primari del nostro patrimonio locale con schede d’analisi analogiche senza le quali non avrebbero i criteri per valutare o confutare quello che la macchina restituirà loro. Nella seconda, l’interazione socratica, l’IA che ho configurato assume il ruolo di partner euristico, senza mai fornire soluzioni finite, ma ponendo quesiti e offrendo indizi graduali. Nella terza, l’audit dei bias algoritmici, i ragazzi analizzano criticamente i testi e le immagini prodotti dall’IA sul nostro patrimonio, cercando distorsioni, omissioni storiche o l’invisibilizzazione delle figure femminili; è il momento in cui l’aula si trasforma in un piccolo laboratorio di cittadinanza digitale. Nella quarta, la co-creazione dell’oggetto culturale, i ragazzi rielaborano le loro sintesi critiche per costruire insieme un «Oggetto di Intelligenza Culturale» (un dataset curato, un archivio digitale arricchito, una mappa o gioco interattivo) e il percorso si chiude sempre con una restituzione pubblica alla comunità. Ma soprattutto, tutti hanno contribuito.

Arrivata a questo punto mi sono resa conto che tutto il lavoro fatto fin qui lascia scoperta l’ultima questione: come valuto un elaborato quando non posso più fidarmi del prodotto finale? Per anni ho corretto dando per scontato che il prodotto fosse un indicatore affidabile di quello che uno studente aveva capito. La GenAI ha fatto crollare questa certezza: continuare a valutare solo l’esecuzione rischia di configurarsi come una forma di negligenza verso il mio stesso ruolo. La tabella seguente sintetizza questa distinzione.

CaratteristicaProduzione umana (cognizione)Produzione GenAI (paralessia)
Relazione con il mondoRelazione incarnata, contestuale e intenzionaleIndifferenza ontologica; isolamento in un sistema simbolico chiuso
Natura del processoElaborazione critica basata su modelli mentaliCalcolo statistico e predizione probabilistica di segni
Fondamento epistemicoVincolato alla verità e all’esperienza del realeSimulazione di strutture linguistiche, con rischio di allucinazione
Scopo della produzioneComunicazione di significato e di sensoOttimizzazione della coerenza testuale superficiale

Ho iniziato allora a riscrivere le consegne, sostituendo i verbi di produzione con verbi di analisi: invece di «scrivi un saggio», chiedo di valutare tre analisi generate dall’IA, individuare quale bozza è parziale, correggere le inesattezze e documentare ogni intervento. E ho spostato la mia valutazione sulla documentazione del processo, in cui ogni studente motiva per iscritto ogni modifica.

Questo mi ha portata a rovesciare, nella pratica, la gerarchia delle competenze che insegno per prime. Le competenze che una volta chiamavo «di base» – l’arbitrato della conoscenza, la validazione delle fonti, la valutazione della coerenza logica, l’interrogazione critica – sono ormai, per me, le priorità assolute. L’esecuzione tecnica e la produzione testuale in senso stretto restano importanti, ma sono diventate strumentali, in buona parte delegabili o supportabili dall’intelligenza artificiale.

C’è un momento che continuo a vivere in classe, e che nessuna macchina può sostituire al posto mio: quello in cui uno studente, dopo un pomeriggio passato a interrogare curiosamente l’IA su Dante (la vita, l’esilio, la struttura della Divina Commedia) arriva il giorno dopo in classe con una domanda: perché Virgilio e non un santo, se l’Inferno sia anche vendetta politica, ecc. In quella domanda non manca un’informazione, che il ragazzo ha già; manca qualcuno che sappia chi è lui, non solo che cosa sta chiedendo. Una macchina può descrivermi l’esilio di Dante con precisione perfetta; non può sapere che quello studente, in quel momento della sua vita, sta chiedendo qualcosa anche su di sé: «chi è per lui Dante», «come entra nella sua vita», ogni alunno avrà una risposta diversa.

Sono sfumature che riconosco solo perché sto in quella classe ogni giorno. So che un alunno con BES ha impiegato il triplo del tempo per arrivare ad analizzare una frase che a un compagno viene naturale, ma c’è arrivato. So che un’alunna, la settimana della verifica, aveva la nonna in ospedale. So che un silenzio, durante una discussione, è timidezza anche dopo tre anni, non un vuoto da segnalare. Riconosco gli stessi segnali anche fuori da un compito: quando un alunno mi chiede di sedersi vicino a me per studiare, raramente è solo una questione di banco. A volte cerca nella mia vicinanza un argine contro la propria distrazione; altre volte è una richiesta di rassicurazione silenziosa; altre volte, semplicemente, è affetto. Non lo interpreto mai allo stesso modo due volte, perché dipende da chi me lo chiede e da quello che so già di lui o di lei in quel momento della sua storia. È esattamente il tipo di giudizio che nessuna macchina può esercitare al posto mio, perché non basta leggere un segnale: bisogna conoscere la persona che lo manda.

8. Dalla Sindrome di Babele alla Via di Neemia

Ho trovato un fondamento ulteriore a tutto questo percorso nell’Enciclica Magnifica Humanitas (Leone XIV, 2026), che contrappone la «Sindrome di Babele», l’omologazione tecnocratica del pensiero, alla «Via di Neemia», la ricostruzione comunitaria e paziente del cantiere digitale. La tabella seguente prova a confrontare questa corrispondenza tra i principi che mi hanno guidata, i concetti pedagogici in cui li ho tradotti, e i gesti concreti che faccio ogni settimana in classe.

Principio etico-filosoficoConcetto pedagogicoAzione didattica in classe
Ascesi digitale e fatica della veritàPrethinking e Cognitive LatencyFase Brain-Only su carta; pausa di tre minuti prima di rispondere all’IA
Disarmare l’IA e regia dell’umanoRibaltamento maieutico e Dubbio AumentatoL’IA da oracolo a tutor socratico che pone contro-domande
Dalla Sindrome di Babele alla Via di NeemiaApprendimento collaborativo e sostenibileCooperative learning, audit dei bias, restituzione pubblica al territorio
I dati come nuove terre rareGreen AI Literacy e water/energy auditProtocollo Slow AI: query dense, calcolo dell’impronta idrica e di carbonio
Igiene dell’attenzione e cura del limiteValutazione sostenibile (assessment as learning)Peer feedback, rubriche di autovalutazione, valore al processo

«Disarmare l’intelligenza artificiale», in questa cornice, non è un’immagine di rottura ma un compito pedagogico quotidiano: imparare, insieme ai miei studenti, a riconoscere e trasformare le logiche di dominio presenti nei sistemi tecnici e comunicativi, a partire dai bias che scoviamo nei nostri Oggetti di Intelligenza Culturale, fino al modo in cui scegliamo, con parsimonia, quando e come interrogare la macchina.

Conclusioni

Se dovessi rispondere direttamente ad alcune delle domande guida della call del n. 18, direi questo. Quali pratiche concrete mostrano un’intelligenza artificiale al servizio delle comunità educanti? Quelle in cui la macchina resta subordinata a un tempo umano – il Prethinking, la Cognitive Latency, la restituzione pubblica – e non lo sostituisce mai. Come rispondere, nelle scuole, alla sfida antropologica posta da Magnifica Humanitas? Non solo con un corso in più nel piano dell’offerta formativa, ma con una postura quotidiana: chiedersi, prima di ogni attività, se il compito che sto delegando alla macchina è generativo, formativo, o riguarda un giudizio sulla persona che ho davanti, e trattarlo di conseguenza.

Se dovessi riassumere in una frase quello che questo percorso mi ha insegnato, direi questo: la risposta alle sfide dell’intelligenza artificiale generativa non sta né nel divieto né nell’entusiasmo acritico (a volte il mio), ma nel presidio quotidiano della regia pedagogica umana, la mia, ogni giorno, in una classe reale. Intrecciando prospettive metodologiche, indicazioni dell’OECD (2026) con i quadri europei DigCompEdu e DigComp 3.0 e con la cornice antropologica di Magnifica Humanitas, ho provato a costruire una via concreta per trasformare la minaccia del cognitive offloading in un’occasione di crescita per i miei studenti. L’arbitrato epistemico mi ha dato uno strumento valutativo che posso usare da lunedì mattina: spostare il mio sguardo dal prodotto al processo.

Attraverso la creazione degli Oggetti di Intelligenza Culturale ho ritrovato il motivo per cui ho scelto di insegnare: coltivare il capitale umano dei miei studenti, educare la nostra comunità alla tutela umana e critica del patrimonio, umanizzare la tecnologia mettendola al servizio della libertà di pensiero e della dignità di ciascuno. Non so se questo contributo risponderà pienamente alle domande di quella call, ma so che mi ha aiutata a rispondere a quella con cui l’ho aperto e che mi permetterà di entrare in classe pensando di sapere che cosa sto facendo, e perché. Lo studente è un mosaico cognitivo ed emotivo: a me, e non a un algoritmo, il compito di comporre le singole tessere.

A mia madre, insegnante, e mio padre, che ho perso insieme a luglio, dedico questo saggio. Nessuna macchina, per quanto capace di simulare pensiero e linguaggio, avrebbe potuto prevedere la piega che la vita, senza chiedere permesso, ha deciso di prendere; e nessun algoritmo potrà mai restituire il peso di un’assenza così improvvisa. È proprio in questi momenti che si misura la distanza tra una macchina semantica e un essere umano: l’una calcola, ottimizza, predice; l’altro ama, perde, ricorda, e continua comunque a cercare un senso, a tenere dentro di sé quei momenti che scaldano il cuore. Se in queste pagine ho difeso il primato del giudizio umano sulla delega automatica, è anche perché ho imparato, nel modo più duro, che il lutto, l’amore e la memoria di chi ci ha reso quello che siamo restano territori che nessuna intelligenza artificiale potrà mai arbitrare al posto nostro. Ai miei genitori, che mi hanno insegnato a pensare con la mia testa molto prima che lo facesse qualunque strumento informatico o digitale, è dedicato questo lavoro.

Riferimenti bibliografici e normativi

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European Digital Competence Framework. Fifth edition. Luxembourg: Publications Office of the European Union. https://data.europa.eu/doi/10.2760/0001149

De Rossi, M. (2023). Costruire l’azione didattica. Lecce: Pensa MultiMedia (collana «Didattiche, tecnologie e media education. Frontiere per la sostenibilità»).

Jonassen, D. H., et al. (2008). Meaningful Learning with Technology. Upper Saddle River, NJ: Pearson.

Leone XIV (2026). Lettera enciclica Magnifica humanitas sulla custodia della persona umana nel tempo dell’intelligenza artificiale, 15 maggio 2026. Città del Vaticano. https://www.vatican.va/content/leo-xiv/it/encyclicals/documents/20260515-magnifica-humanitas.html

Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). Making AI Less “Thirsty”. Communications of the ACM. https://doi.org/10.1145/3724499

Lichtner, M. (2013). Educazione e valutazione. Modelli, metodi, strumenti. Milano: FrancoAngeli.

Ministero dell’Istruzione e del Merito (2025). Linee guida per l’introduzione dell’Intelligenza Artificiale nelle Istituzioni scolastiche, versione 1.0, allegate al DM n. 166 del 9 agosto 2025. Roma.

Mishra, P., & Koehler, M. J. (2006). Technological Pedagogical Content Knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054.

OECD (2026). OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. Paris: OECD Publishing.

Perrenoud, P. (2003). Dieci nuove competenze per insegnare. Roma: Anicia.

Redazione DiCultHer (2026). Call for Papers 2026: N. 18 Rivista «Culture Digitali», ISSN 2785-308X. Pubblicato il 17 febbraio 2026.

Redecker, C. (2017). European Framework for the Digital Competence of Educators: DigCompEdu. Luxembourg: Publications Office of the European Union.

Shulman, L. S. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review, 57(1), 1-22.

Nota biografica

Mi chiamo Angela Galia e insegno Lettere da 25 anni, gli ultimi 15 presso l’Istituto Comprensivo «Nunzio Nasi» di Trapani. Da poco sono Referente IA per la mia scuola dopo aver ricoperto vari incarichi nell’ambito del PTOF e del RAV.