L’intelligenza artificiale è già entrata nello studio quotidiano. La domanda quindi non è più se l’AI entrerà nell’apprendimento, ma come distingueremo un risultato migliore da un apprendimento migliore.
Performance e apprendimento non sono la stessa cosa
Uno studente può scrivere un testo più corretto, risolvere un problema più rapidamente o costruire un’argomentazione più sofisticata utilizzando un sistema di AI. Quell’output può essere migliore.
Ma non dimostra automaticamente che lo studente abbia acquisito una competenza equivalente. Se valutiamo soltanto il prodotto finale, rischiamo di attribuire allo studente capacità che appartengono, almeno in parte, al sistema con cui ha lavorato.
La letteratura scientifica ha iniziato a formalizzare proprio questa distinzione: i guadagni di performance ottenuti utilizzando l’AI non coincidono necessariamente con i processi cognitivi e metacognitivi che sostengono l’apprendimento.
La domanda non è soltanto: “Lo studente ha ottenuto una risposta corretta?”
Diventa: “Che cosa saprebbe ancora fare senza quella risposta?”
Quando l’assistenza viene rimossa
Una valutazione significativa deve distinguere ciò che una persona riesce a fare insieme all’intelligenza artificiale da ciò che riesce a fare quando l’assistenza viene ridotta o rimossa.
Questo introduce una differenza essenziale tra supported performance e prestazione indipendente.
Il problema della competenza trattenuta
Anche quando l’AI migliora la prestazione immediata, rimane da verificare se la conoscenza o la capacità siano disponibili successivamente.
La performance durante l’assistenza e la ritenzione successiva possono divergere. Ed è proprio questa divergenza che deve diventare osservabile.
Dall’output alla catena dell’apprendimento
Un percorso di verifica per distinguere la qualità del risultato assistito dalla competenza effettivamente acquisita e attribuibile alla persona.
Cognitive Logic propone di distinguere cinque livelli:
- AI-assisted performance — ciò che lo studente riesce a produrre con l’AI.
- Independent performance — ciò che riesce a fare senza l’assistenza.
- Retained competence — ciò che rimane nel tempo.
- Transfer — la capacità di applicare quanto appreso a un problema nuovo.
- Evidence of learning — le evidenze che consentono di attribuire la competenza alla persona.
1. AI-assisted performance
È il livello più immediatamente osservabile: un elaborato migliore, una soluzione più precisa, una spiegazione più completa.
Ma rappresenta soltanto ciò che persona e sistema riescono a produrre insieme.
2. Independent performance
Quando l’assistenza viene rimossa, lo studente riesce ancora a formulare il problema? Sa ricostruire il procedimento? Riconosce una risposta sbagliata? Sa spiegare perché una soluzione sia preferibile a un’altra?
3. Retained competence
La capacità rimane nel tempo? Un risultato ottenuto oggi non dimostra automaticamente che la conoscenza sia ancora disponibile settimane o mesi dopo.
4. Transfer
Lo studente riesce ad applicare ciò che ha appreso a una situazione nuova? Imparare a ottenere una buona risposta da un modello non equivale necessariamente a saper affrontare autonomamente un problema diverso.
5. Evidence of learning
La domanda conclusiva è: quali evidenze permettono di attribuire quella competenza allo studente?
È qui che il problema educativo incontra quello della governance dell’evidenza.
Non basta sapere se è stata usata l’AI
Gran parte del dibattito sull’AI nell’istruzione si concentra sulla presenza dello strumento: è stata utilizzata? Quanto? Il compito è stato scritto dall’AI?
Sono domande utili, ma incomplete. L’obiettivo educativo dovrebbe essere ricostruire la capacità umana rimasta nel processo.
Diventano quindi rilevanti evidenze come:
- formulazione autonoma del problema;
- selezione e verifica delle fonti;
- riconoscimento degli errori prodotti dall’AI;
- confronto fra alternative;
- motivazione di una scelta;
- revisione critica dell’output;
- ricostruzione del ragionamento;
- ripetizione autonoma dell’attività;
- trasferimento della competenza a un caso nuovo.
L’evidenza dell’apprendimento potrebbe quindi spostarsi progressivamente dal prodotto al processo.
Dalla sorveglianza alla verificabilità
Il problema non dovrebbe diventare quello di sorvegliare ogni interazione dello studente con l’intelligenza artificiale.
Una prospettiva diversa consiste nel progettare valutazioni capaci di verificare ciò che interessa davvero: la competenza umana.
L’AI può essere ammessa, limitata o utilizzata intenzionalmente in fasi diverse. Ciò che deve rimanere verificabile è la relazione tra:
strumento → processo → evidenza → competenza.
Un problema di Evidence Governance
Quando un sistema intelligente partecipa alla produzione di un risultato, l’output finale non racconta necessariamente come quel risultato sia stato costruito.
La qualità dell’output e la qualità del processo diventano due cose diverse.
Nell’industria questo significa poter ricostruire perché un sistema abbia prodotto una raccomandazione. Nella pubblica amministrazione significa ricostruire fonti e criteri di una decisione. Nell’istruzione significa distinguere la performance prodotta con l’AI dalla competenza realmente acquisita dalla persona.
Un risultato non dovrebbe diventare automaticamente una prova della capacità che presumiamo lo abbia prodotto.
L’AI può migliorare l’apprendimento. Ma dobbiamo riuscire a dimostrarlo
La conclusione non è che l’intelligenza artificiale debba essere rimossa dalla scuola. Sistemi ben progettati possono aiutare gli studenti a ricevere feedback, esplorare alternative, individuare lacune e affrontare problemi progressivamente più complessi.
Ma se vogliamo sostenere che l’AI migliora l’apprendimento, dobbiamo costruire strumenti capaci di misurare l’apprendimento, non soltanto la qualità dei risultati prodotti mentre l’AI è disponibile.
La domanda
Come distinguiamo chi ha imparato meglio grazie all’AI da chi ha semplicemente imparato a ottenere risposte migliori dall’AI?
Per rispondere serviranno non soltanto nuovi strumenti educativi. Serviranno nuove evidenze.
Riferimenti essenziali
- Yan, L., Greiff, S., Lodge, J. M. et al. Distinguishing performance gains from learning when using generative AI. Nature Reviews Psychology, 2025. DOI: 10.1038/s44159-025-00467-5.
- Chen, X. Layer-sensitive cognitive offloading in generative AI-assisted writing: supported performance and independent no-AI outcomes. Frontiers in Psychology, 2026. DOI: 10.3389/fpsyg.2026.1906199.
- Barcaui, A. ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 2025. DOI: 10.1016/j.ssaho.2025.102287.