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.