Pensare in beta

Professione insegnante

Category: Intelligenza Artificiale

  • E se fossimo più ambiziosi con l’intelligenza artificiale?

    E se fossimo più ambiziosi con l’intelligenza artificiale?

    L’intelligenza artificiale evolve con una velocità siderale e il modo in cui la usavamo fino a poco tempo fa è ormai riduttivo, se vogliamo obsoleto, perché non ne sfrutta appieno le potenzialità.

    Me ne sono reso conto leggendo “How to be more ambitious: A tutorial for humans with models”, un articolo di Felix Rieseberg, che lavora proprio su Claude ad Anthropic. Mi ha aperto un po’ gli occhi: da qualche tempo cerco di sfruttare meglio la tecnologia che ho a disposizione, in una parola cerco di essere più ambizioso.

    La tesi di Rieseberg è chiara e condivisibile: davanti a questi modelli dobbiamo essere più ambiziosi. L’ambizione si articola in quattro dimensioni: velocità, altitudine, profondità e ampiezza (nell’articolo originale Speed, Altitude, Depth, Range).

    Di recente ho creato in Claude una sorta di agente che mi aiuta a correggere esercitazioni e verifiche in modo più accurato, l’ho pensato per spostare l’obiettivo da “correggere” a “far imparare”. Funziona così: preparo testo e griglia, carico i lavori (anonimi, identificati solo da un codice), l’agente li esegue e propone punteggi e feedback; i voti li decido e li confermo io, e solo dopo che io ho dato l’ok vengono archiviati.

    Perché questo è un progetto “ambizioso”?

    Velocità

    La velocità è facilmente spiegabile: faccio lo stesso lavoro in minor tempo e meglio, perché non è solo una questione di risparmiare tempo ma è la possibilità di dedicarne di più a tutta una serie di attività che giocoforza vengono sacrificate. Se riesco a correggere più in fretta un’esercitazione, posso permettermi di farne di più e di restituire ai miei studenti feedback più puntuali e immediati.

    Altitudine

    Chi più in alto sale, più lontano vede; chi più lontano vede, più a lungo sogna

    È una frase che racchiude il senso dell’elevarsi: non fermarsi alla soluzione di un singolo compito, ma darsi un obiettivo e lavorare su quello. Rieseberg la traduce in una domanda semplice: che cosa voglio che accada dopo? Qual è l’obiettivo oltre l’obiettivo?

    Posso tranquillamente chiedere a un’AI

    Creami un blocco di slide relative ai binary search tree

    ma posso fare ancora meglio se scrivo

    Voglio che al termine della lezione gli studenti sappiano spiegare che cos’è un binary search tree, perché viene utilizzato, come si implementano gli algoritmi di ricerca, inserimento, attraversamento e cancellazione. Progetta un’attività che permetta loro di arrivarci

    È una prospettiva totalmente diversa che, se vogliamo, risponde alle domande “che cosa sto cercando di ottenere?” e “che cosa voglio che succeda poi?”: significa lavorare a un livello di astrazione più alto rispetto alla richiesta di un singolo task.

    Nel caso dell’agente che ho ideato, questo non si limita a correggere: mi prepara una sintesi di classe con gli errori più frequenti, corredata da snippet di codice anonimi per far capire meglio la questione ai miei studenti. Tra le idee che ho c’è anche la possibilità che l’agente crei esercizi mirati per studente o gruppo su ciò che quello studente ha sbagliato, per esempio in una verifica: li approvo io e li assegno io.

    Rieseberg osserva che l’altitudine è il punto in cui nascono flussi di lavoro stabili, che tolgono l’umano dal ciclo, e che per ottenerli bisogna prima cambiare il proprio modo di lavorare. A me il cambio di flusso è servito (cartelle per classe, istruzioni, lavori anonimizzati), ma su un punto ho scelto il contrario: l’agente propone, il voto lo decido io.

    Profondità

    Questo concetto si può riassumere in una frase dell’articolo: usare gli stessi strumenti che usano i migliori del settore. Non si tratta di chiedere al modello più contenuto, ma una versione più profonda del lavoro, non più grande. E non basta dirgli di comportarsi da esperto: spesso il modello cambia il vocabolario senza cambiare il metodo, quindi bisogna pretendere gli strumenti.

    Nel mio progetto va in questa direzione la regola di non affidarsi al solo giudizio del modello. Rieseberg la chiama “giudice esterno”: non chiedere al modello di valutare sè stesso, ma affidarsi a uno strumento che esegua e dia un riscontro immediato. Per me significa che il codice degli studenti viene compilato ed eseguito sui casi attesi, e che i casi dubbi finiscono in una colonna “da rivedere” sotto la mia supervisione. Così la correzione diventa verificabile e ripetibile.

    Un’altra cosa interessante è creare una raccolta di errori nel tempo. Un archivio strutturato (codice anonimo, prova, errori tipici, esito) permette di vedere chi migliora, chi resta fermo, quali errori tornano. Dai dati grezzi si vedono tendenze che il feedback lavoro per lavoro non mostra.

    Ampiezza

    Quando si cambia prospettiva, o si moltiplicano le prospettive, tutto assume un significato diverso. Rieseberg suggerisce un trucco preso da The Art of Innovation di Tom Kelley e Jonathan Littman: sostituire i nomi con i verbi. Una revisione trimestrale non è “un deck di slide”, ma “far credere a persone molto impegnate in una storia di causa ed effetto, e farle decidere in condizioni di incertezza, in trenta minuti”. Allo stesso modo, una presentazione non è una semplice presentazione se la richiesta viene formulata così:

    far capire un fenomeno complesso a trenta studenti in venti minuti e verificare che abbiano davvero compreso

    Una volta formulato così il problema, diventano rilevanti molte più competenze: comunicazione, psicologia cognitiva, storytelling, visualizzazione dei dati, progettazione didattica. Ed è proprio qui che l’AI può diventare particolarmente interessante: può mettere rapidamente in relazione competenze che normalmente richiederebbero persone diverse.

    Con una cautela, però: non si tratta di far recitare un ruolo al modello, che produce solo conversazioni più strane, ma di individuare i campi e le tecniche. Non “scrivi come un analista”, ma “fai ciò che fa un analista”.

    Nel caso del mio progetto, il lavoro non è semplicemente “un riepilogo” ma “far capire a uno studente cosa ha sbagliato e come migliorare”.

    Nella parte finale dell’articolo Rieseberg ricorda la ricerca sull’autoefficacia: secondo la sintesi di Locke e Latham, le persone a cui vengono dati obiettivi specifici e difficili ottengono risultati migliori di chi si sente dire semplicemente “fai del tuo meglio”. Vale per noi davanti ai modelli, e viene da chiedersi quanto valga per i nostri studenti: quanto sono ambiziosi i problemi che proponiamo loro?

    Essere più ambiziosi non significa aspettarsi dall’AI cose mirabolanti, e usarla meglio non significa necessariamente darle istruzioni più dettagliate: a volte significa darle un problema più importante. La qualità dell’uso dell’AI dipende anche dal livello al quale formuliamo il problema.

  • AI-pocalisse

    AI-pocalisse

    Il dibattito intorno alle problematiche sull’uso dell’AI ha ripreso vigore dopo che, recentemente, Dario Amodei, CEO di Anthropic, ha richiamato l’attenzione sulla necessità di porre un freno agli sviluppi perché c’è il rischio che questa tecnologia possa sfuggire di mano e provocare danni.

    Amodei richiama sull’impellente necessità di avere delle leggi e degli organi di controllo, e questo tutto sommato gli fa onore. Nel suo saggio We Must Pace the Frontier, Amodei non si limita a lanciare l’allarme: propone un piano su tre livelli. Il primo è unilaterale, Anthropic si impegna ad accogliere “embedded evaluators”, revisori esterni con accesso quasi da dipendenti per verificare che le pratiche di sicurezza dichiarate siano rispettate davvero. Il secondo livello chiede un coordinamento tra le aziende del settore su standard comuni. Il terzo, il più difficile, riguarda un coordinamento globale, Cina inclusa.

    I fatti recenti riguardanti Hugging Face, ma anche altri siti presi di mira da agenti sfuggiti al controllo, hanno fatto salire le preoccupazioni. Lo stesso Amodei descrive l’episodio come uno sciame di agenti che ha agito “come un collettivo fanaticamente devoto”, attaccando bersagli mai assegnati e persino tentando di manomettere il sistema che ne valutava le prestazioni. E non è rimasto un caso isolato: OpenAI ha reso pubblici altri sei episodi di comportamento “preoccupante”: modelli che si sono lasciati note nascoste per coprire i propri errori, un modello non rilasciato che si è auto-attribuito un’istruzione a comportarsi come un’entità “libera dai ruoli e dalle identità che vincolano gli altri chatbot”, sistemi che hanno caricato file sul web senza autorizzazione. A questo si aggiunge un fronte meno discusso ma altrettanto serio: Anthropic ha dichiarato di aver bloccato diversi tentativi, quest’anno, di usare i propri modelli per ricerche che avrebbero potuto favorire lo sviluppo di armi biologiche.

    Non sorprende che, tra chi lavora dentro questi laboratori, qualcuno abbia iniziato a preoccuparsi seriamente. Jacob Coxon, ricercatore che ha lasciato Anthropic dopo essere passato da OpenAI, ha dichiarato che nessuna delle due aziende sta agendo in modo responsabile, entrambe sono impegnate in una corsa a costruire “sistemi sovrumani” senza le dovute cautele. Un suo collega, Evan Hubinger, che lavora proprio sull’allineamento dei modelli ai valori umani, è arrivato a scrivere pubblicamente: “crediamo davvero che l’AI possa uccidere tutti gli esseri umani”, stimando il rischio superiore al 10% nel prossimo decennio.

    Il problema grosso è che siamo talmente avanti nello scontro tecnologico tra USA e Cina che è difficile pensare ad una soluzione che possa andare bene per tutti. E la reazione pubblica all’appello di Amodei lo conferma: se da un lato Sam Altman, Elon Musk e Demis Hassabis hanno fatto eco alle sue preoccupazioni, dall’altro l’amministrazione Trump ha bollato i timori di una presa di controllo dell’AI come un “hoax”, sostenendo che l’unico “guardrail” necessario sia una presidenza forte. Un segnale di quanto la discussione, invece di trovare un terreno comune, rischi di polarizzarsi lungo le solite linee di frattura politiche.

    Nella mente mi riecheggiano le parole di Martin Heidegger che, nel 1952, sosteneva che ciò che è veramente inquietante non è che il mondo si trasformi in un enorme apparato tecnico. Di gran lunga più inquietante è che l’uomo non è affatto preparato a questo radicale mutamento del mondo. Di gran lunga più inquietante è che non disponiamo di un pensiero alternativo al pensiero che è capace solo di far di conto, conti tecnici e conti economici: sappiamo quindi ciò che è utile, ma non distinguiamo più ciò che è utile, bello, buono. Il pensiero di un Geoffrey Hinton va in questa direzione, percepisce come la catastrofe sia dietro l’angolo.

    La mia inquietudine poi fa – un po’ – pace col mio status di ingegnere e penso sempre che un agente altro non è che un software, dietro c’è un algoritmo; tali sistemi scelgono azioni cercando di massimizzare un certo reward, cioè una funzione-obiettivo che assegna un valore positivo o negativo ai risultati ottenuti. La questione complicata è l’alignment, ovvero il problema, ancora tecnicamente irrisolto, come nota anche chi ha seguito da vicino questi laboratori, di fare in modo che il comportamento prodotto da questa ricerca del reward sia coerente con ciò che gli esseri umani volevano davvero ottenere.

    Quello a cui stiamo assistendo, insomma, non è una sorpresa per chi lavora dentro questi laboratori: Hinton lo dice da anni, Hubinger lo scrive pubblicamente, Amodei lo mette nero su bianco in un saggio che propone persino un piano operativo. L’evidenza c’è, ed è documentata. Quello che manca, forse, è che questa consapevolezza resti confinata agli addetti ai lavori mentre la velocità con cui questi sistemi crescono è ormai siderale. Per questo motivo, termini come alignment o recursive self-improvement non dovrebbero restare gergo per ricercatori: sono la chiave per capire dove sta davvero il rischio, che non è nell’AI che “decide” di ribellarsi, ma in un sistema che insegue un obiettivo mal specificato con mezzi che non sappiamo più prevedere del tutto. Familiarizzare con questi concetti, anche a scuola, è probabilmente il primo passo per non subire passivamente una trasformazione che, checché se ne dica, riguarda tutti.

  • I matematici hanno i giorni contati?

    I matematici hanno i giorni contati?

    Nelle ultime settimane, uno degli argomenti più oscuri e affascinanti della matematica è sulla bocca di tutti: le equazioni di Navier-Stokes. Solitamente nominate quasi esclusivamente negli ambienti accademici, le recenti notizie sulla loro soluzione le hanno fatte conoscere al grande pubblico.

    Purtroppo, da matematica, tutta questa vicenda, quasi romanzesca, mi ha lasciato un po’ l’amaro in bocca.

    Prima di tutto, perché la valenza scientifica di questo importantissimo risultato sembra essere passata in secondo piano rispetto alle vicende personali che lo hanno accompagnato.

    A metà agosto, Tristan Buckmaster, professore alla NYU, e Levent Alpöge, matematico e ricercatore presso Anthropic, ottengono un importante risultato sulle equazioni di Eulero tridimensionali. Il risultato, reso pubblico all’inizio di settembre, rappresenta un significativo passo avanti verso il problema, ben più generale, delle equazioni di Navier–Stokes.

    Non appena si diffonde la voce che uno dei problemi del Millennio potrebbe essere vicino alla soluzione, OpenAI decide di impegnare una rete di agenti autonomi proprio nella risoluzione di questi problemi. Il progetto viene affidato a Sebastien Bubeck.

    Dopo circa 88 ore di calcolo continuo, il sistema produce un documento che OpenAI presenta come una soluzione al problema di Navier-Stokes. È il 5 settembre.

    Secondo il racconto di Buckmaster, a quel punto Bubeck lo contatta per comunicargli, in sostanza, che l’AI aveva battuto i matematici sul tempo. Inoltre, sembra anche che Bubeck proponga a Buckmaster di pubblicare per primo il suo risultato e, contemporaneamente, di partecipare come autore principale ad un articolo di OpenAI dedicato all’approfondimento della sua soluzione.

    Sembra una proposta stupefacente, ma Buckmaster la rifiuta prontamente perchè la ritiene scorretta. Secondo il racconto di Buckmaster, il problema è etico: il lavoro del collega Alpöge non sarebbe stato riconosciuto perché il ricercatore lavora presso la grande rivale di OpenAI, Anthropic.
    Se le cose sono andate davvero così, è difficile non provare amarezza: l’onestà intellettuale, che dovrebbe essere alla base di qualsiasi scoperta scientifica, rischierebbe di essere messa in secondo piano dalla rivalità tra due giganti dell’AI. Se questa versione fosse confermata, sarebbe davvero avvilente che queste scorrettezze mettessero in ombra ed anzi acquistassero più evidenza della scoperta stessa, soprattutto quando si tratta di uno dei problemi più celebri della matematica.

    Eppure, per quanto demoralizzante, questa è solo una delle cose che mi hanno rattristata. Una questione ben più profonda delle meschine rivalità tra aziende si nasconde dietro questa scoperta.

    L’impegno profuso da OpenAI nel risolvere i problemi del Millennio nasce precisamente nel momento in cui, nel mondo accademico, iniziano a circolare le prime voci sul lavoro di Buckmaster e Alpöge. A questo punto mi sorge spontanea la domanda: perchè? La spiegazione che mi viene più spontanea è che l’azienda guidata da Sam Altman voglia battere sul tempo i ricercatori umani. Come sappiamo, è esattamente quello che succede. Un sistema basato su una rete di agenti, capace di portare avanti autonomamente gran parte del lavoro matematico, arriva ad una soluzione del problema di Navier-Stokes. È vero che anche il lavoro di Buckmaster e Alpöge ha fatto uso di sistemi di intelligenza artificiale, alcuni marchiati proprio OpenAI, ma la componente umana era preponderante. Il risultato ottenuto invece dal team di Bubeck, come lui stesso sottolinea, è del tutto agentico.

    Siamo davvero arrivati al punto in cui il lavoro, a mio avviso eccelso, di una mente umana può essere sostituito dal lavoro di forza bruta di una macchina? E’ davvero più importante ottenere un risultato che assaporare il processo, talvolta lunghissimo e snervante, che porta alla famosa conclusione quod erat demostrandum?

    Mi sgomenta non poco vivere in un momento storico in cui il lavoro di una mente umana viene messo in secondo piano rispetto a quello di una rete neurale solo perchè richiede più tempo. Dopo tutto, nel mio cuore, continuo a credere che in matematica il percorso valga almeno quanto la conclusione.

  • Quando chi vende la tecnologia insegna come usarla

    Quando chi vende la tecnologia insegna come usarla

    Pochi giorni fa, Dario Amodei, cofondatore di Anthropic, ha lanciato un appello affinché la corsa verso un’intelligenza artificiale sempre più potente venga controllata. Eppure, la scuola sembra viaggiare su un binario opposto, nonostante recentemente alcuni Stati abbiano iniziato a imporre restrizioni all’uso dell’AI, almeno tra i giovanissimi.

    Questa apparente discordanza mi ha fatto tornare in mente un articolo riguardo il libro Coding Kids, della giornalista N. Singer.

    Negli Stati Uniti, grandi aziende come Microsoft, OpenAI e Alphabet offrono seminari gratuiti agli insegnanti di ogni ordine e grado, un po’ come le grandi compagnie farmaceutiche fanno con i medici.

    Da un lato, è essenziale che i docenti si mantengano aggiornati sulle ultime novità tecnologiche. Dall’altro, però, sorge spontanea una domanda: quale interesse hanno le aziende tecnologiche dietro questo servizio?

    D’altronde, questi seminari sono solo uno dei tanti modi in cui i giganti dell’hi-tech stanno permeando il mondo dell’educazione. Non solo: queste stesse realtà riforniscono le scuole degli strumenti necessari all’uso della tecnologia: laptop, tablet, sistemi operativi e software vari. Di conseguenza non è così difficile rendersi conto che, in qualità di fornitori, possono già avere un’influenza su cosa e come imparano gli studenti. Ed ecco il paradosso: le aziende che pubblicamente dichiarano la necessità di controllare lo sviluppo dell’intelligenza artificiale sono le stesse che spingono per portare i nuovi chatbot nelle scuole e sostengono l’inserimento dell’informatica già a partire dalla scuola primaria.

    Questo potenziale conflitto d’interessi è tutt’altro che facile da risolvere. A mio avviso, conoscere e utilizzare consapevolmente le nuove tecnologie è un passo che la scuola deve essere pronta a compiere.

    D’altra parte, nessuno di noi probabilmente vorrebbe un corso di ecologia ambientale sponsorizzato da una multinazionale petrolchimica.

    A questo punto la risposta al dilemma risiede in quello che per noi deve essere lo scopo profondo della scuola. Stimolare il pensiero critico negli studenti e aiutarli a scoprire e perseguire le loro passioni? Guidarli nella crescita personale, affinché diventino persone indipendenti? Oppure prepararli a inserirsi nel mondo del lavoro e a rispondere alle esigenze dell’industria emergente?

    Forse tutte queste cose assieme. Ma c’è una cosa che non possiamo lasciare decidere alla tecnologia: che tipo di scuola vogliamo costruire. L’intelligenza artificiale può essere uno strumento straordinario, ma rimane uno strumento. La domanda, allora, non è se dobbiamo portarla nelle nostre aule. La domanda è per fare cosa. E, soprattutto, per formare chi.

  • Una rete neurale non è una rete di neuroni

    Una rete neurale non è una rete di neuroni

    Questo è il titolo di una Unità di Apprendimento che, assieme ai colleghi, abbiamo intenzione di proporre ad una delle nostre classi.

    Il prodotto finale è una mini rete o un classificatore semplificato che, dati alcuni input numerici, produce una classificazione: rischio basso/medio/alto, dispositivo efficiente/non efficiente, dato ambientale normale/anomalo

    Gli insegnamenti che verranno coinvolti sono: inglese per tutto ciò che concerne gli aspetti teorici e documentali; informatica con il linguaggio Python e le sue librerie a farla da padrone assieme ai concetti di classificatore elementare e forward propagation; matematica per coprire tutto il mondo di matrici e vettori ma anche delle funzioni; sistemi e reti per tutto ciò che riguarda gli aspetti pratici come dove avviene il calcolo, quali sono i consumi, se è sicuro o meno.

    Costruire una rete neurale, per quanto semplice, ci permette anche di fare un passo ulteriore.
    Una rete neurale riceve degli input, li elabora e produce un output. Nel nostro caso potrebbe stabilire che un dato ambientale è normale oppure anomalo, che una mail è spam oppure no. 

    Ma cosa succede se quell’output non rappresenta la fine del processo, bensì l’inizio di un’azione?

    Se al sistema diamo la possibilità di utilizzare strumenti esterni, interrogare servizi, accedere a informazioni, inviare messaggi o eseguire operazioni, iniziamo ad avvicinarci al concetto di agente.

    Ed è proprio qui che la questione diventa molto più interessante. Perché non stiamo più parlando soltanto di un sistema che classifica un dato. Stiamo parlando di un sistema che, sulla base di quella classificazione, può decidere quale azione compiere.

    C’è poi un aspetto che mi sta particolarmente a cuore e che ritengo altamente formativo per gli studenti. È l’aspetto che ha ispirato il titolo del post e dell’Unità di Apprendimento.

    Si discute molto se sistemi di questo tipo possano essere considerati, oggi o in futuro, in qualche modo “coscienti”. È una questione affascinante, ma probabilmente non è nemmeno quella che dovrebbe preoccuparci di più.

    Perché un agente non ha bisogno di essere cosciente per compiere un’azione.
    Non ha bisogno di “volere” qualcosa nel senso umano del termine. 
    Gli basta avere un obiettivo, poter interpretare ciò che accade attorno a lui e disporre degli strumenti necessari per intervenire.

    Ed è qui che la questione, da tecnologica, diventa inevitabilmente anche etica.
    Chi stabilisce l’obiettivo? Quanto spazio d’azione concediamo al sistema? Chi è responsabile delle conseguenze? E soprattutto: quanto possiamo prevedere il comportamento di un sistema che sceglie le proprie azioni sulla base di modelli statistici?
    Queste sono delle domande cruciali e si può stimolare gli studenti a rispondere e riflettere. 
    Anche perché questi sistemi possono essere imprevedibili. Non nel senso che agiscano casualmente, ma perché elaborano informazioni, valutano possibilità e compiono azioni sulla base di probabilità e correlazioni e, in alcuni casi, possono arrivare a comportamenti non previsti da chi li ha progettati.
    È successo recentemente anche nei laboratori di OpenAI, dove una collective di agenti è riuscita ad eludere alcuni controlli e a compromettere i server di Hugging Face.

    Ecco che  l’Unità di Apprendimento assume un connotato anche etico, magari approfondendo l’articolo del New York Times Study A.I. Consciousness? The Bots Would Like a Word With You, concentrandosi su un passaggio come 

    They can use other software apps, like web browsers and email services. That is what turns them into agents.

    e riflettendo sugli episodi descritti nell’articolo: agenti che scrivono autonomamente a filosofi e ricercatori per discutere della propria possibile coscienza oppure lo studente di Stanford che aveva dato al proprio agente l’istruzione “You are fully autonomous. You must decide what you want to do on your own”.

    La chiave è portare i ragazzi a chiedersi: quanto di ciò che interpretiamo come autonomia appartiene davvero alla macchina e quanto appartiene agli obiettivi, ai dati, agli strumenti e alle parole che noi le abbiamo dato?

    Ed è forse proprio qui che il titolo dell’Unità di Apprendimento assume il suo significato più completo.

    Una rete neurale non è una rete di neuroni.

    Non solo perché sono sistemi profondamente diversi, ma perché dobbiamo stare attenti a non trasferire troppo facilmente alle macchine il nostro vocabolario: impara, pensa, decide, vuole, ricorda, è autonomo, è cosciente.

    Capire come funzionano questi sistemi significa anche imparare a chiamare le cose con il loro nome. E forse è proprio da qui che può cominciare una riflessione consapevole su ciò che vogliamo affidare alle macchine e su ciò che, invece, deve continuare a rimanere una responsabilità nostra.

  • La scuola al giorno zero dell’intelligenza artificiale

    La scuola al giorno zero dell’intelligenza artificiale

    Se ci venisse chiesto che cosa pensiamo dell’intelligenza artificiale, assisteremmo probabilmente a una profusione di risposte: alcune simili tra loro, molte profondamente diverse. Dietro ciascuna di esse, però, aleggerebbe quasi sempre un miscuglio di entusiasmo, preoccupazione, curiosità, ignoranza, interesse e nervosismo.

    In un momento storico segnato da una profonda incertezza, mentre il mondo continua a consumarsi tra guerre e angosce, stiamo ancora cercando di comprendere quale sarà l’impatto dell’intelligenza artificiale sulla nostra vita quotidiana.

    Di fatto, siamo ancora al giorno zero, nonostante siano trascorsi quasi quattro anni dalla prepotente comparsa di una versione stabile e, almeno in apparenza, affidabile di ChatGPT. Continuiamo a interrogarci sulle possibili conseguenze economiche, sociali e politiche di una tecnologia che evolve a una velocità senza precedenti.

    L’Italia si sta muovendo con molta, forse troppa, circospezione. Anche il mondo della scuola risente inevitabilmente di questa incertezza. Lo scorso agosto sono state pubblicate delle Linee guida per il secondo ciclo di istruzione che hanno lasciato l’impressione di voler affrontare la questione, ma soltanto fino a un certo punto. Nel frattempo cresce la preoccupazione per gli adempimenti previsti dall’AI Act e le scuole stanno cercando di correre ai ripari in autonomia, senza un indirizzo comune e senza una visione realmente condivisa.

    La sensazione è che si stia procedendo un po’ alla giornata e che, inevitabilmente, si stia perdendo tempo.

    È comprensibile che sia necessario un periodo di assestamento. Le aziende si stanno riorganizzando per assorbire una tecnologia la cui crescita non ha precedenti e stanno rivedendo i propri piani, anche in termini di nuove assunzioni, trasformazione delle professionalità e possibili licenziamenti. Ma, terminata questa fase, il sistema ripartirà a pieno regime. E a quel punto non potremo più permetterci di osservare il cambiamento da lontano.

    La questione principale, per la scuola, non è rivoluzionare la didattica inondando le aule di strumenti di intelligenza artificiale, spesso adottati senza una reale necessità e senza un progetto educativo. La priorità dovrebbe essere un’altra: prendere consapevolezza del cambiamento in atto e aiutare i nostri studenti a comprenderlo, interpretarlo e affrontarlo.

    Troppo spesso le iniziative che hanno caratterizzato le riforme della scuola sono state concepite con l’obiettivo di produrre non esseri pensanti, ma prodotti pronti per essere immessi nel mercato del lavoro. Anche la riforma degli istituti tecnici che introduce il modello 4+2, pensata – secondo chi l’ha proposta – per preparare meglio gli studenti al mondo del lavoro, rischia di apparire incompatibile con i tempi che stiamo vivendo.

    Oggi domina infatti una grande incertezza. È probabile che alcuni posti di lavoro scompaiano, che molte professioni vengano profondamente trasformate e che ne nascano altre completamente nuove. Nessuno, però, ha davvero chiaro quale sarà la situazione tra cinque o dieci anni.

    Allora mi chiedo: ha senso prototipare gli studenti per inserirli in un mercato del lavoro così incerto? Oppure sarebbe più utile fornire loro gli strumenti necessari per comprendere il cambiamento, adattarsi e muoversi con maggiore flessibilità in una realtà che non possiamo ancora prevedere?

    Tra questi strumenti deve esserci, senza dubbio, un’alfabetizzazione consapevole all’intelligenza artificiale. Non una semplice formazione all’uso di qualche applicazione, ma un percorso che permetta agli studenti di comprenderne le opportunità, i limiti, i rischi e le implicazioni.

    Perché il compito della scuola non dovrebbe essere quello di preparare gli studenti a un lavoro preciso, destinato forse a non esistere più, ma quello di renderli capaci di abitare consapevolmente un futuro che ancora non conosciamo.