Intelligenza Artificiale, Scuola e Società: Un’Analisi Critica Oltre l’Hype

Il dibattito attuale sull’Intelligenza Artificiale (IA) applicata al contesto scolastico e sociale è descritto come “tossico, superficiale e grottesco”, inquinato da un linguaggio di marketing fuorviante e da tre derive pericolose: un’accademia che promuove un'”innovazione conservatrice” per rafforzare il proprio potere, reti istituzionali che producono documenti superficiali e teorie astratte che ignorano le conseguenze reali come lo sfruttamento del Sud globale. La stessa espressione “Intelligenza Artificiale” è un’etichetta inadeguata che ostacola la comprensione; tecnicamente, non si tratta di sistemi intelligenti, ma di macchine statistico-predittive che imitano gli esiti dei processi cognitivi umani, non i processi stessi.

Questi sistemi operano all’interno di un modello dominante definito “estrattivo” o “capitalismo cibernetico”, controllato da un oligopolio di poche grandi corporation (Microsoft, Alphabet, Meta). Questo modello si basa sulla captazione della conoscenza collettiva attraverso il “lavoro invisibile” degli utenti per perfezionare gli algoritmi e generare profitto, trasformando la conoscenza in una merce. Tale approccio comporta costi nascosti significativi a livello ambientale, etico, culturale e politico.

Nel contesto educativo, questo modello genera rischi concreti, come il “bisogno di trivializzazione” che alimenta un’illusione di competenza basata su ricettari pratici, e innesca un “circolo vizioso della mediocrità”, in cui l’IA, addestrata su dati web di bassa qualità, amplifica e legittima errori e banalizzazioni. Si delinea inoltre il pericolo di una deprofessionalizzazione del docente, la cui complessa professione viene scomposta in una sequenza di compiti assistiti, trasformando la tecnologia in un fattore “scompensativo” che atrofizza le abilità cognitive anziché potenziarle.

La soluzione proposta è un uso professionale, critico e consapevole basato sul principio di “complementarità”. Questo approccio rifiuta la metafora riduttiva dell’IA come “strumento” passivo, proponendola invece come un “assistente artificiale” a cui delegare compiti esecutivi e ripetitivi. In questo modello, l’essere umano (il docente) mantiene il pieno controllo del processo: progetta, definisce gli obiettivi didattici, valuta criticamente l’output e ne assume la piena responsabilità autoriale. La vera competenza professionale non risiede nella tecnica del “prompt engineering”, ma nella capacità di progettare un impiego sensato e intenzionale della tecnologia.

La scelta finale non è tecnologica, ma epistemologica e politica: contrapporre ai dispositivi estrattivi (chiusi, proprietari, opachi) i dispositivi conviviali (aperti, trasparenti, cooperativi). Questo richiede un riposizionamento professionale che passi dalla reazione all’intenzione e dalla fascinazione acritica alla valutazione consapevole. La sfida non è tra accettare o rifiutare la tecnologia, ma tra “subire la semplificazione o governare la complessità”.

——————————————————————————–

1. Decostruire il Dibattito Attuale: Tossicità, Superficialità e Tecno-feudalesimo

L’analisi critica del discorso pubblico sull’IA rivela un panorama definito “tossico, superficiale e grottesco”, caratterizzato da una “sterilità culturale opprimente”. Il dibattito si è arenato per anni sulla domanda fuorviante “Le macchine pensano davvero?”, dimostrando qualcosa che doveva essere un punto di partenza e non un punto d’arrivo. Questa impostazione errata ha generato un’illusione di controllo intellettuale, impedendo un’analisi lucida degli impatti reali del fenomeno.

1.1. Le Tre Derive Pericolose del Discorso Pubblico

Il discorso pubblico sull’IA a scuola è dominato da tre forze paralizzanti che alimentano un sistema autoreferenziale, definito “puro tecno-feudalesimo” intellettuale, in cui una casta elevata pubblica concettualizzazioni proprietarie per sedere ai tavoli della conoscenza mercificata.

1. L’Accademia: Vede nella “didattica conversazionale” un’occasione per creare filiere formative e rafforzare il proprio potere consolidato. Questa operazione viene etichettata come “innovazione conservatrice”, poiché mira a preservare le gerarchie esistenti anziché generare vera conoscenza.
2. Le Reti Istituzionali: Producono documenti “limitati nell’approccio, discutibili nel contenuto e sciatti nella forma”. Si accontentano di consensi superficiali e si autoalimentano tramite un sistema di inviti a convegni e citazioni reciproche con l’accademia, escludendo la pratica professionale reale.
3. I Teorici: Discutono di etica e futuro in termini astratti, ignorando le conseguenze concrete e presenti come la disumanizzazione del lavoro e lo sfruttamento del Sud globale, dove “microlavoratori” precari e sottopagati vengono impiegati per l’addestramento e la verifica dei modelli.

1.2. “Intelligenza Artificiale”: Un’Etichetta di Marketing da Superare

Il termine “Intelligenza Artificiale” è il primo ostacolo alla comprensione. Si tratta di un’etichetta di marketing efficace ma tecnicamente inaccurata, una “nebulosità” che andrebbe accantonata. Come sottolineato da diversi esperti (Y. Katz, E. Esposito, K. Crawford), la formulazione è vaga e inadeguata.

Si propone di sostituirla con definizioni più rigorose e funzionali:

• Macchine Statistico-Predittive: Basandosi sul lavoro di Nello Cristianini, questa definizione sposta il focus sul funzionamento reale: sistemi che analizzano immense quantità di dati per calcolare la sequenza di parole (o pixel) più probabile in risposta a una richiesta. Non capiscono, predicono.
• Comunicazione Artificiale: Concetto della sociologa Elena Esposito, evidenzia che questi dispositivi raggiungono un obiettivo (es. una traduzione) senza comprenderne il significato, basandosi unicamente su correlazioni statistiche e sintattiche. Sono simulatori di conversazione che “simulano i risultati, non i processi”.

1.3. La Vera Natura della Macchina: Calcolo Statistico, non Simulazione del Pensiero

È fondamentale evitare ogni sovrapposizione tra IA e processi cognitivi umani. Le macchine generative non replicano il pensiero umano, che è un processo complesso basato su contesto, intenzione, semantica ed esperienza. Al contrario, esse operano tramite un meccanismo statistico-predittivo che si basa su tre principi:

1. Raccolta Dati: Raccolgono dati in un ambiente di addestramento, verifica e feedback.
2. Computazione Sofisticata: Producono esiti plausibili e assimilabili a quelli umani tramite computazioni complesse.
3. Correlazioni, non Cognizione: Si basano su regolarità statistiche ricavabili dal trattamento di Big Data.

Le aziende hanno esplicitamente rinunciato a riprodurre i processi cognitivi umani, preferendo l’efficienza delle regolarità statistiche.

2. Il Modello Dominante: Capitalismo Estrattivo e i Suoi Costi Nascosti

L’IA non è uno “strumento” neutrale, ma un sistema sostenuto da una precisa logica socio-economica. Per analizzarla, si propone un nuovo quadro concettuale: l’Infrastruttura Logistica della Conoscenza. Questa non è un’entità astratta, ma un sistema industriale pervasivo con caratteristiche materiali misurabili, che gestisce la circolazione, l’accumulazione e la ridistribuzione del sapere.

2.1. L’Infrastruttura Logistica della Conoscenza: Un Gioco per Pochi

L’accesso all’IA non è democratico. Solo le grandi corporation internazionali (oligopoli come Microsoft, Alphabet, Meta) dispongono delle tre risorse necessarie per competere:

• Potenza di Calcolo: Infrastrutture di server immense ed estremamente costose.
• Accesso ai Dati: Capacità di raccogliere e processare “quantità oceaniche di dati” (Big Data).
• Capitale Umano e Finanziario: Team di specialisti e investimenti miliardari.

Questa infrastruttura è caratterizzata da una chiara vocazione capitalistica: è strutturata per l’estrazione di valore a fini di profitto.

2.2. Il Meccanismo dell’Estrazione: Dati, Lavoro Invisibile e Profitto

Il modello operativo è definito estrattivo. A differenza del capitalismo industriale che produce beni, questo modello estrae valore da processi, dati e risorse culturali preesistenti. Il meccanismo si svolge in quattro fasi:

1. Cattura della Conoscenza: Ogni interazione digitale (click, domanda, testo) viene raccolta.
2. Lavoro Invisibile: Gli utenti addestrano gratuitamente il sistema.
3. Perfezionamento del Modello: Il lavoro collettivo serve a ottimizzare il modello statistico.
4. Estrazione di Valore: Il modello ottimizzato viene usato per generare profitto.

In questo sistema, quando un servizio è gratuito, l’utente non è il cliente, ma la risorsa: “siamo la miniera da cui si estrae il minerale prezioso”.

2.3. Oltre la Punta dell’Iceberg: I Costi Reali dell’IA

I costi visibili (abbonamenti, licenze) sono solo la punta dell’iceberg. Sotto la superficie si celano costi sistemici profondi, spesso ignorati nel dibattito educativo.

Categoria di Costo	Descrizione
Costi Ambientali	Enormi consumi energetici dei data center, emissioni, sfruttamento di risorse e produzione di rifiuti elettronici (e-waste).
Costi Etici	Sfruttamento del Sud globale per l’addestramento e la verifica dei modelli, tramite micro-lavoro precario e sottopagato.
Costi Culturali	Trivializzazione del sapere, rischio di perdita di autorialità e privatizzazione della conoscenza pubblica, trasformata in “contenuto” mercificato.
Costi Politici	Dipendenza tecnologica dagli oligopoli e accettazione acritica di un modello basato sull’estrattivismo di dati.

3. L’Impatto sulla Scuola: Rischi di Trivializzazione e Deprofessionalizzazione

L’adozione acritica dell’IA in ambito educativo, guidata da logiche di mercato, presenta minacce significative per la qualità dell’apprendimento e per la professionalità docente.

3.1. Il “Bisogno di Trivializzazione” e l’Illusione di Competenza

Le iniziative di formazione sull’IA spesso hanno successo non perché efficaci, ma perché intercettano una diffusa esigenza di semplificazione, un “bisogno di trivializzazione”. Questo approccio:

• Si concentra su “ricettari pratici”: Focus su virtuosismi tecnici come il “prompt engineering”, riducendo la complessità a una serie di passaggi da eseguire.
• Crea un’illusione di competenza: Offre la sensazione di “aver capito” con il minimo sforzo cognitivo, scoraggiando un’analisi critica più profonda.
• Degrada il dibattito: Abilita “soggetti e individui a improvvisarsi agenzie formative e formatori”, banalizzando la pratica professionale.

3.2. Il Circolo Vizioso della Mediocrità: Il Caso Studio delle Mappe Concettuali

L’IA, addestrata su contenuti web spesso banali, può amplificare e legittimare informazioni di bassa qualità. Il caso delle “mappe concettuali” è emblematico:

1. Errore Umano Diffuso (Contaminazione Originale): Il web è pieno di risorse di bassa qualità che banalizzano la teoria e confondono mind maps e concept maps.
2. Training su Dati Degradati: I chatbot vengono addestrati su questo corpus di materiali “ampiamente degradati”.
3. L’IA Amplifica l’Errore: La macchina riproduce e valida gli errori, presentando risposte “plausibili” ma fondamentalmente sbagliate.
4. Validazione Inconsapevole (Chiusura del Cerchio): Gli utenti, spesso con lo stesso atteggiamento riduttivo, accettano le risposte errate, rafforzando il ciclo.

Come afferma una citazione chiave: “L’insipienza degli autori e quella degli utenti si saldano in un circolo vizioso che al momento sembra impossibile arrestare.”

3.3. Tecnologie “Scompensative” e Scomposizione della Professionalità Docente

Le piattaforme di IA (es. MagicSchool.ai) si presentano come “suite di assistenti operativi” che scompongono la professione docente in una serie di task discreti (crea un quiz, scrivi un’email, prepara un piano di lezione). Questo modello parcellizzato, che offre una “guida eccessiva”, rischia di svuotare la professionalità, trasformando un mestiere complesso in una sequenza di compiti assistiti.

Si introduce qui la distinzione tra:

• Misure Compensative: Aiutano a superare una difficoltà, potenziando le capacità.
• Misure Dispensative: Esonerano da un compito, di fatto indebolendo le capacità.

Quando la tecnologia confonde la semplificazione con la banalizzazione, agisce come fattore scompensativo: “scompensa l’apprendimento, atrofizzando le abilità cognitive che dovrebbe supportare”.

4. Una Proposta Alternativa: Il Principio di Complementarità per un Uso Professionale

Per contrastare la sottomissione e la banalizzazione, viene proposto un approccio basato su un uso professionale, critico e consapevole, guidato dal principio di complementarietà.

4.1. Uscire dalla Metafora dello “Strumento”: Verso la “Complementarità Attiva”

Ridurre l’IA a un “tool” è un’auto-assoluzione che ne occulta il reale impatto. Un’IA non è un martello, un oggetto passivo e neutro. È un sistema di “complementarità attiva” che modifica profondamente contesti e relazioni, determina condizioni, induce comportamenti e interagisce con l’utente.

Il concetto chiave, ripreso da Junaid Mubeen, è quello di complementarità: delegare gli aspetti esecutivi a un artefatto per liberare tempo e spazio cognitivo per attività a più alto valore.

4.2. Il Modello Professionale: Il Docente Progetta, l’Assistente Esegue

L’obiettivo è riservare agli esseri umani il pieno controllo del processo, delegando all’assistente artificiale compiti esecutivi e ripetitivi.

• Il Ruolo del Docente (Umano): Detiene l’intenzionalità, definisce gli obiettivi didattici, progetta, esercita un’etica, valuta criticamente l’output e mantiene l’autorialità finale.
• Il Ruolo dell’Assistente Artificiale (Macchina): Esegue compiti delegati come generazione di bozze, creazione di quiz, sintesi di materiali, traduzioni, adattamento di testi e produzione di immagini esemplificative.

Come afferma una citazione chiave, “L’intelligenza umana non sta nel prompt, ma in tutto ciò che viene prima e dopo.”

4.3. Applicazioni Ragionevoli: Ottimizzare il Lavoro di Mediazione Didattica

Invece di usare l’IA per sostituire i processi cognitivi dello studente (es. “creare mappe automatiche”), il docente la usa per ottimizzare il proprio lavoro di mediazione. Esempi includono:

• Testi: Generare batterie di esercizi, semplificare testi complessi, riscrivere materiali per diversi livelli (UDL).
• Valutazione: Produrre bozze di quiz o domande a scelta multipla da rivedere e validare.
• Immagini: Creare immagini personalizzate e libere da copyright per lezioni specifiche.
• Strutturazione: Elaborare bozze logico-visive per argomenti consolidati.
• Video: Ottenere trascrizioni e sintesi per rendere i contenuti più accessibili.

4.4. La Vera Competenza non è il “Prompt Engineering”, ma la Progettazione Consapevole

L’attuale enfasi sulla “didattica conversazionale” e sulla scrittura di prompt è riduttiva e fuorviante. La vera abilità professionale sta nella capacità di prefigurare e progettare un impiego sensato dell’IA all’interno di un processo professionale completo:

1. Definire l’obiettivo didattico.
2. Valutare se un assistente può supportare.
3. Formulare la richiesta (il prompt).
4. Valutare criticamente l’output e rimaneggiarlo.

L’obiettivo finale non è la tecnica, ma l’emancipazione professionale: mantenere il pieno controllo e la responsabilità sui materiali prodotti.

5. La Scelta Fondamentale: Dall’Adattamento Passivo al Potenziamento Emancipante

La sfida dell’IA a scuola non è tecnologica, ma epistemologica e professionale. Ci troviamo di fronte a un bivio fondamentale.

5.1. Dispositivi Estrattivi vs. Dispositivi Conviviali: Una Scelta Politica

La vera contrapposizione non è tecnica, ma civica, etica ed ecologica. Si tratta di scegliere tra due modelli opposti.

Dispositivi Estrattivi	Dispositivi Conviviali (Ivan Illich)
Logica: Capitalismo Cibernetico / di Piattaforma	Logica: Mutualismo e Cooperazione
Finalità: Estrazione di valore, profitto, profilazione, controllo	Finalità: Sviluppo umano equo, condivisione della conoscenza
Caratteristiche: Chiusi, proprietari, opachi (‘black box’), pervasivi	Caratteristiche: Aperti (open source), trasparenti (‘scatola aperta’), sostenibili
Cultura: Competizione, adattamento, individualismo	Cultura: Emancipazione, partecipazione, bene comune

5.2. Ripoliticizzare il Dibattito: Una Griglia di Valutazione per Navigare il Mercato

Ogni scuola e ogni docente dovrebbe dotarsi di una griglia di valutazione per prendere decisioni consapevoli prima di adottare qualsiasi strumento di IA, ponendosi domande su cinque aree chiave:

1. Costi e Sostenibilità: Chi paga nel tempo (scuola, docenti, famiglie)?
2. Dati e Privacy: Dove finiscono i dati inseriti? Chi è il proprietario dei contenuti? Le normative (GDPR) sono rispettate?
3. Impatto Etico: Qual è l’impatto ambientale? Contribuisce a un modello di sfruttamento del lavoro?
4. Valore Pedagogico: Potenzia l’apprendimento o lo trivializza? Sostiene un processo emancipante o offre una scorciatoia dispensativa?
5. Agency Professionale: Rende il professionista più capace o lo trasforma in un mero esecutore di procedure predefinite?

5.3. Il Ruolo Professionale: Dall’Addestramento alla Progettazione con il dispositivo

Di fronte alla pervasività dell’IA, la risposta professionale richiede un riposizionamento, riassunto in tre passaggi chiave:

• Dalla reazione all’intenzione.
• Dall’addestramento allo strumento alla progettazione con il dispositivo.
• Dalla fascinazione acritica alla valutazione consapevole.

5.4. Conclusioni: Governare la Complessità, non Subire la banalizzazione

La sfida posta dall’IA non ammette né una resa incondizionata né un rifiuto ideologico. Come sintetizzato da una citazione di Marco Guastavigna: “Nessun rifiuto aprioristico, ma nemmeno superficialità e inerzia.” Rifiutare le narrazioni superficiali e gli strumenti che frammentano l’identità professionale è il primo passo. Adottare un approccio basato sulla complementarietà, dove l’intelligenza umana guida e controlla la prestazione artificiale, è la via per un’innovazione autenticamente al servizio dell’insegnamento e dell’apprendimento. La scelta non è tra accettare o rifiutare, ma tra subire la banalizzazione o governare la complessità.