L’Intelligenza Artificiale può accelerare la conoscenza, ma non comprende il mondo né sostituisce il giudizio umano. Per governare l’IA non bastano competenze tecniche: serve la cultura umanistica. La sfida della scuola? Formare persone capaci di distinguere il vero dal plausibile e di usare la tecnologia senza diventarne dipendenti.
Pubblichiamo alcuni stralci dell’intervento di Igor Guida al III Congresso Nazionale dell’Osservatorio Minori e Intelligenza Artificiale (San Vito sullo Ionio, 9 luglio 2026).

 

 

 

Di IGOR GUIDA
Vicepresidente, CIO/CTO e cofondatore di Stripes Coop; Direttore scientifico di Stripes Digitus Lab; Vicedirettore di Pedagogika.it.

 

 

Due notizie della stessa settimana
A pochi giorni di distanza, in questi primi giorni di luglio, sono apparse due notizie che, lette insieme, sembrano contraddirsi, ma in realtà dicono la stessa cosa: una cosa che riguarda da vicino la scuola e i nostri ragazzi.
Prima notizia: un premio Nobel per la fisica ha risolto, insieme ad un’intelligenza artificiale, un problema matematico che resisteva da oltre dieci anni.
La seconda notizia sta in un titolo della BBC: l’intelligenza artificiale “non è intelligente”. A dirlo non è uno scettico qualsiasi, ma Yann LeCun, uno dei padri fondatori di questa tecnologia.
Allora: l’IA è così potente da collaborare con un Nobel, o così limitata da non capire il mondo quanto un ratto? La risposta è: entrambe le cose. Capire perché entrambe sono vere, a mio avviso, è il cuore di ciò che significa educare nell’epoca dell’intelligenza artificiale.

La prima notizia: LeCun e i limiti dei modelli linguistici
Partiamo dalla voce critica. Yann LeCun è stato per un decennio il responsabile scientifico dell’IA di Meta. Nel 2018 ha vinto il prestigioso Premio Turing, spesso definito il “Nobel dell’informatica”, insieme ai colleghi Yoshua Bengio e Geoffrey Hinton: tutti e tre sono riconosciuti a livello mondiale come i “padrini dell’Intelligenza artificiale”. Nel 2025 LeCun ha lasciato Meta per fondare a Parigi AMI Labs, che ha raccolto oltre un miliardo di dollari (uno dei più grandi round iniziali mai visti in Europa, con investitori come Nvidia e il fondo personale di Jeff Bezos). LeCun non è quindi un tecnofobo: è uno che sull’IA sta scommettendo tutto. Eppure, la sua diagnosi sui sistemi che i nostri ragazzi usano ogni giorno (ChatGPT, Claude, Gemini) è netta. Questi modelli, dice LeCun, sono bravissimi in compiti ben definiti: scrivere codici, risolvere problemi matematici, generare testi. Ma accumulano e restituiscono conoscenza senza una comprensione profonda di ciò che dicono. Non sono una strada verso un’intelligenza di livello umano e nemmeno – aggiunge – di livello animale: non abbiamo robot che comprendano il mondo fisico quanto un ratto.
LeCun usa un esempio illuminante nella sua semplicità: cosa succede a una penna tenuta in verticale sulla punta quando la lasci? Anche un bambino piccolo sa che cadrà. E sa anche un’altra cosa, più sottile: è inutile chiedersi in quale direzione cadrà, perché non c’è modo di saperlo. Un modello linguistico, invece, tenderebbe a generare una previsione precisa – statisticamente plausibile, linguisticamente convincente – ma priva di qualunque ragionamento sulla realtà fisica. Ecco la differenza tra sembrare intelligenti ed esserlo.
Per questo LeCun e molti altri (Ingmar Posner a Oxford, DeepMind con i suoi modelli Genie e Dreamer, Fei-Fei Li con World Labs) stanno lavorando a una nuova generazione di sistemi, i cosiddetti world models: architetture che costruiscono astrazioni del mondo reale per valutare le conseguenze delle azioni, invece di limitarsi a prevedere la parola successiva. Sistemi capaci di rispondere a domande come: che cosa conta? Che cosa causa che cosa? Che cosa succederebbe se agissi diversamente?
Anche in un futuro di sistemi più capaci di noi, aggiunge LeCun, resterà agli esseri umani il compito propriamente umano: decidere quali domande porre, che cosa costruire, che cosa creare. L’IA lavorerà per noi, come uno staff di assistenti brillanti al servizio di chi guida. Parole dirette a tutti, a maggior ragione a noi educatori.

La seconda notizia: Parisi, Zamponi e l’IA come collaboratrice
L’altra faccia della medaglia: Giorgio Parisi, premio Nobel per la fisica nel 2021, e Francesco Zamponi, fisico della Sapienza, hanno appena pubblicato sul Journal of Statistical Mechanics la dimostrazione di un problema aperto da oltre dieci anni. Una dimostrazione ottenuta lavorando con un modello di intelligenza artificiale, Claude.
Il contesto è quello del jamming: la transizione improvvisa con cui sistemi disordinati (la sabbia, le schiume, perfino una folla) passano da uno stato fluido a uno rigido, senza acquisire un ordine regolare. Nel 2014, dentro il modello teorico di Parisi e Zamponi, era emersa una relazione sorprendente: due parametri matematici, sommati, davano sempre esattamente uno. I calcoli numerici lo confermavano con grande precisione, ma nessuno riusciva a dimostrarlo formalmente. Per anni il problema è rimasto sospeso.
Come ha lavorato Parisi? Non ha delegato. Prima ha verificato l’affidabilità del modello, chiedendogli di riprodurre calcoli già noti. Solo dopo gli ha posto la domanda decisiva. La prima risposta di Claude era una traccia promettente ma imperfetta, con errori. Da lì è iniziato un lavoro fatto di revisioni, correzioni, verifiche continue. La dimostrazione finale è nata da questo scambio: non da un’intuizione isolata della macchina, né da una delega dell’uomo.
Tutto ciò è in contraddizione con quanto sostenuto da LeCun, cioè che questi modelli “non capiscono”? No. LeCun ha ragione. Claude non ha capito il jamming: ha esplorato rapidamente possibilità rimaste ai margini, ha suggerito piste, ha accelerato passaggi. Tutto questo è diventato una scoperta scientifica solo perché dall’altra parte c’era chi aveva formulato bene il problema, conosceva la materia e sapeva distinguere un passaggio plausibile da uno valido. Le due notizie quindi non si contraddicono, ma si spiegano a vicenda: l’intelligenza artificiale non ha sostituito il pensiero. Lo ha amplificato.

L’amplificatore e la domanda culturale
Un amplificatore, per definizione, ingrandisce ciò che gli si dà in ingresso: le buone domande come le cattive; il rigore come la superficialità; la curiosità come il pregiudizio. Se l’IA sta entrando nella ricerca, nella scuola, nella cura, nel lavoro, allora la questione decisiva non è tecnica ma culturale: che cosa vogliamo amplificare?
A questa domanda le discipline tecniche, da sole, non sanno rispondere. Servono le materie umanistiche, e non come ornamento. Serve la filosofia, che da sempre distingue il vero dal verosimile, il ragionamento dalla persuasione, la conoscenza dall’opinione ben formulata: è esattamente la sfida posta da sistemi capaci di generare risposte plausibili e linguisticamente convincenti, ma non necessariamente fondate (di nuovo l’esempio della penna di LeCun). Serve l’etica: per decidere dove delegare e dove no, e per ricordare che la responsabilità non si può trasferire ad una macchina. Serve la storia, che ci insegna come ogni tecnologia ridisegni i rapporti di potere prima ancora delle abitudini. Serve il linguaggio, perché dialogare con questi sistemi è letteralmente un esercizio di scrittura e interpretazione: la qualità di ciò che otteniamo dipende dalla qualità di ciò che sappiamo chiedere.
Non è un caso che il Regolamento Europeo sull’intelligenza artificiale parli di trasparenza, dignità, supervisione umana: concetti che nessun algoritmo ha inventato, ma che vengono da secoli di pensiero umanistico. Se l’IA diventa uno strumento di conoscenza, non basterà insegnare a usarla come si insegna un software. Bisognerà educare a pensare insieme all’IA senza rinunciare al proprio giudizio: formare persone capaci di fare domande migliori, di riconoscere un ragionamento fragile, di distinguere una risposta elegante da una risposta vera. L’IA può accelerare l’apprendimento, ma solo se trova davanti a sé menti allenate al controllo critico. Altrimenti non produce conoscenza: produce dipendenza.

Ma come si fa, a scuola? Oltre la scatola nera
Occorre però mettere a terra quanto finora detto: come si costruisce, concretamente, la postura di Parisi in un ragazzo di dodici anni? Come quotidianamente sperimentiamo in Stripes Digitus Lab (il polo di ricerca e sperimentazione su robotica educativa e tecnologie digitali che dirigo al MIND di Milano), il punto di partenza è un paradosso. Gli strumenti di IA generativa sono ormai pervasivi nell’esperienza quotidiana di studenti e studentesse (anche nella scuola secondaria di primo grado) e spesso rappresentano la loro principale – se non unica – forma di contatto con l’intelligenza artificiale. Ma questi strumenti hanno una caratteristica educativamente problematica: il loro funzionamento interno resta inaccessibile. Sono cioè percepiti come una scatola nera che produce risposte plausibili senza rendere comprensibile il processo che le genera. E questa opacità rischia di favorire un rapporto con la tecnologia fondato sulla fiducia acritica nei risultati, invece che su una comprensione, anche minima, dei meccanismi che li determinano.
Ecco allora la domanda che ci siamo posti all’inizio della storia di Stripes Digitus Lab: come avvicinare studenti tra gli 11 e i 14 anni ai meccanismi dell’intelligenza artificiale, senza passare dagli strumenti generativi e dalla loro opacità? In base alla nostra esperienza, la robotica educativa lo permette. Infatti, la peculiarità della robotica di partire dal corpo – dal mondo fisico, dai sensori – converge proprio con la direzione indicata da LeCun: se il limite dei modelli linguistici è non capire il mondo reale, è dal mondo reale che ha senso partire per capire l’IA.

Al Digitus Utilizziamo Thymio, un robot educativo open-source nato dalla ricerca dell’EPFL di Losanna, dotato dell’estensione Thymio AI. Attraverso un’interfaccia grafica, i nove sensori a infrarossi del robot vengono collegati a una rete neurale che ne governa le azioni, e gli studenti possono addestrarlo a nuovi comportamenti per apprendimento supervisionato, senza scrivere una riga di codice. Un esempio: l’elusione degli ostacoli. I ragazzi guidano manualmente Thymio, associando ad ogni configurazione dei sensori (ostacolo a destra, a sinistra, frontale) un’azione motoria. Ogni associazione viene fornita più volte, perché è la ripetizione, non la singola istruzione, il meccanismo di apprendimento: la rete aggiorna progressivamente i pesi delle proprie connessioni in funzione della frequenza e della coerenza degli esempi. E l’interfaccia rende tutto visibile in tempo reale: a ogni esempio, le linee che rappresentano le connessioni della rete si ispessiscono o si schiariscono. Ciò che negli strumenti generativi resta invisibile – l’aggiornamento dei pesi di un modello – qui diventa un fenomeno osservabile a occhio nudo.
Ma il momento pedagogicamente più prezioso arriva dopo, quando il robot, attivata la modalità autonoma, viene messo alla prova in condizioni diverse da quelle dell’addestramento. E sbaglia. Quei momenti non sono malfunzionamenti: sono i più formativi dell’intero percorso. Perché un sistema che ha appena imparato a muoversi tra gli ostacoli sbaglia proprio qui? La risposta (il robot non ha “capito” nulla, ma ha costruito un modello da un insieme limitato di esempi, e quel modello può non reggere davanti a situazioni mai incontrate) non viene enunciata dal formatore: viene scoperta dagli studenti. È così che, senza astrazioni teoriche, un dodicenne incontra uno dei nodi concettuali più rilevanti dell’IA contemporanea: il problema della generalizzazione. Che è poi, in miniatura, esattamente ciò che LeCun rimprovera ai grandi modelli linguistici.

Cosa abbiamo osservato: errore, responsabilità, incarnazione
Dalle sessioni laboratoriali condotte al Digitus sono emerse alcune osservazioni chiave.
Prima osservazione: la distinzione tra “capire” e “imparare”. La tendenza naturale degli studenti è attribuire a Thymiouna comprensione semantica delle situazioni (proprio come tanti adulti attribuiscono a un chatbot intenzioni e coscienza). È un nodo concettuale persistente, che richiede accompagnamento, ma – proprio per questo – diventa il punto di ingresso privilegiato per riflettere sulla natura statistica, e non cognitiva, dell’apprendimento automatico. Un antidoto esperienziale all’antropomorfizzazione, che è forse il rischio più insidioso nel rapporto tra minori e IA: il ragazzo che ha visto la rete di Thymio ispessire le proprie connessioni ha uno strumento in più per capire cosa intende LeCun quando afferma che questi sistemi «non sono particolarmente intelligenti».
Seconda osservazione: la dimensione etica non è un modulo aggiuntivo, ma è intrinseca al metodo. Sono gli studenti stessi a costruire, prova dopo prova, il comportamento del robot. E ciò li rende esperienzialmente consapevoli delle responsabilità di chi addestra un sistema artificiale: le scelte compiute in fase di addestramento producono conseguenze sul comportamento risultante. Chi ha addestrato un robot – sbagliando, correggendo e osservando le conseguenze delle proprie scelte – sa per esperienza che dietro ogni sistema “intelligente” c’è un processo costruito da esseri umani, con tutti i limiti che questo comporta.
Terza osservazione: il ruolo dell’errore e del formatore. Nei laboratori del Digitus il formatore non è fonte di risposte, ma facilitatore di scoperta guidata: le domande degli studenti vengono restituite al gruppo come ipotesi da verificare empiricamente con il robot. E l’errore – cioè il comportamento inatteso del robot – non è qualcosa da evitare, ma un’informazione da interrogare collettivamente. Comprendere perché un modello sbaglia si è rivelato più formativo che constatare quando funziona. In scala ridotta, è esattamente quanto hanno fatto Parisi e Zamponi con la prima dimostrazione imperfetta di Claude: non l’hanno buttata via, l’hanno interrogata e corretta.
Dispositivi come Thymio si prestano ad essere estesi alla scuola secondaria di secondo grado, dove l’esperienza concreta di addestramento può fare da base per una riflessione più strutturata sui principi di trasparenza e responsabilità introdotti dall’AI Act: non regole calate dall’alto, ma principi di cui i ragazzi hanno toccato con mano le ragioni.

In conclusione: educare è decidere che cosa amplificare
LeCun ci ricorda che cosa i sistemi di IA non sono: non capiscono, non ragionano sul mondo, generano il plausibile. Parisi ci mostra che cosa possono diventare nelle mani giuste: amplificatori formidabili di un pensiero che formula il problema, verifica, corregge, si assume la responsabilità del risultato. Il laboratorio con Thymio ci mostra dove si comincia: aprendo la scatola nera a undici anni, rendendo visibile l’addestramento, valorizzando l’errore, facendo sperimentare sulla propria pelle la responsabilità di chi insegna qualcosa a una macchina.
In mezzo c’è la scuola, con una grande sfida: un’AI literacy che non si esaurisca nella conoscenza di alcuni principi tecnici, né nell’addestramento all’uso di un software, ma si configuri come competenza incarnata, costruita nel fare e nell’errare. Una competenza che riguarda il funzionamento dei sistemi, certo, ma soprattutto la postura con cui ci si rapporta ad essi. Se ha ragione LeCun quando dice che anche in un futuro di macchine più capaci di noi, resterà umano il compito di decidere quali domande porre e che cosa costruire, allora la scuola ha davanti a sé una responsabilità enorme e bellissima: formare proprio quella capacità. Persone che sappiano fare domande migliori, riconoscere un ragionamento fragile, distinguere una risposta elegante da una risposta vera.
Per questo non serviranno soltanto competenze digitali. Servirà una nuova educazione del giudizio, che passa anche da quelle materie che sembrano meno “utili” perché non producono immediatamente strumenti, ma formano la capacità di usarli. È la sfida di un nuovo umanesimo capace di coniugare competenze tecniche e responsabilità etica: un’intelligenza artificiale studiata facendo, e non solo raccontata.
Perché la filosofia – e con lei tutta l’educazione – non serve a difenderci dall’intelligenza artificiale. Serve a renderci abbastanza intelligenti da governarla.