Ci sono almeno due modi di riuscire a fare qualcosa.
Possiamo riuscirci perché abbiamo acquisito conoscenze, strategie e capacità sufficienti per affrontare autonomamente un problema. Oppure possiamo riuscirci perché abbiamo accesso a uno strumento capace di colmare, almeno temporaneamente, ciò che ancora non sappiamo fare.
Finché lo strumento rimane disponibile, le due condizioni possono apparire sorprendentemente simili.
Il risultato è corretto.
Il problema viene risolto.
Il testo migliora.
L’esercizio viene completato.
Eppure, dal punto di vista dell’apprendimento, potrebbe essere accaduto qualcosa di molto diverso.
Questa distinzione sta diventando particolarmente importante con l’intelligenza artificiale generativa.
Un sistema capace di spiegare, correggere, suggerire, sintetizzare e produrre direttamente una soluzione può aumentare immediatamente ciò che una persona riesce a fare. Ma la prestazione osservata mentre persona e AI operano insieme non coincide necessariamente con ciò che quella stessa persona sarà successivamente capace di fare da sola.
È la differenza tra prestazione assistita e apprendimento acquisito.
Quando il risultato migliora, ma l’apprendimento no
Uno degli studi più rilevanti su questa distinzione è stato pubblicato nel 2025 sui Proceedings of the National Academy of Sciences.
Hamsa Bastani e colleghi hanno condotto un esperimento sul campo con quasi mille studenti delle scuole superiori impegnati nello studio della matematica.
Gli studenti potevano trovarsi in tre condizioni: utilizzare le risorse tradizionali senza AI; utilizzare un’interfaccia basata su GPT-4 relativamente simile a un chatbot generalista, denominata GPT Base; oppure utilizzare GPT Tutor, una versione progettata con salvaguardie pedagogiche e suggerimenti predisposti con il contributo degli insegnanti.
Durante gli esercizi di pratica, l’AI funzionava molto bene come amplificatore della prestazione.
Rispetto al gruppo di controllo, i risultati durante la pratica aumentavano del 48% nel gruppo GPT Base e del 127% nel gruppo GPT Tutor.
Poi l’AI veniva rimossa.
Gli studenti dovevano sostenere autonomamente una prova successiva.
A quel punto emergeva una differenza importante: gli studenti che avevano utilizzato GPT Base ottenevano risultati inferiori del 17% rispetto al gruppo che non aveva avuto accesso all’AI.
Il vantaggio osservato durante l’assistenza, quindi, non si era trasformato automaticamente in una capacità disponibile senza assistenza.
Nel gruppo GPT Tutor, invece, l’effetto negativo risultava sostanzialmente eliminato. Ma anche in questo caso la performance nella prova autonoma non risultava significativamente superiore a quella del gruppo di controllo.
È un risultato che richiede precisione.
Non dimostra che utilizzare l’intelligenza artificiale renda le persone meno intelligenti.
Non dimostra che l’AI impedisca di imparare.
E non consente di generalizzare un esperimento sulla matematica scolastica a ogni forma di apprendimento umano.
Mostra qualcosa di più circoscritto e, forse proprio per questo, più importante: uno strumento può migliorare molto la prestazione mentre viene utilizzato senza produrre un corrispondente miglioramento della competenza autonoma.
Il problema non è necessariamente l’AI
Lo stesso campo di ricerca fornisce però risultati apparentemente opposti.
Nel 2025 Greg Kestin e colleghi hanno pubblicato su Scientific Reports uno studio randomizzato controllato condotto in un corso universitario di fisica ad Harvard.
In questo caso l’AI non era semplicemente disponibile per fornire risposte.
I ricercatori avevano costruito un tutor specificamente progettato secondo principi derivati dalla ricerca educativa: apprendimento attivo, scaffolding, feedback mirato, gestione del carico cognitivo, possibilità di procedere secondo il proprio ritmo e attenzione alla qualità delle spiegazioni.
Gli studenti che utilizzavano questo tutor mostravano guadagni di apprendimento significativamente maggiori rispetto alla condizione di active learning in aula, pur impiegando mediamente meno tempo. Riportavano inoltre maggiore coinvolgimento e motivazione, mentre non emergevano differenze significative per altre misure soggettive considerate nello studio.
Il risultato non dimostra che un tutor AI sia generalmente superiore a un insegnante.
Lo studio riguardava uno specifico corso universitario, determinati contenuti di fisica, un sistema accuratamente progettato e un periodo di osservazione limitato.
Dimostra però qualcosa che complica utilmente il quadro:
l’effetto dell’AI sull’apprendimento dipende anche da come viene progettata e da ciò che induce la persona a fare cognitivamente.
Un sistema può sostituire parte del processo necessario per arrivare alla soluzione.
Oppure può accompagnare la persona attraverso quel processo.
La differenza tecnologica può essere minima.
La differenza cognitiva può essere enorme.
La scorciatoia invisibile
Il problema diventa allora meno evidente di quanto sembri.
Quando una calcolatrice esegue un’operazione, sappiamo generalmente che il calcolo è stato delegato.
Quando un navigatore indica una strada, sappiamo che l’orientamento è stato almeno parzialmente affidato al dispositivo.
L’intelligenza artificiale generativa introduce una forma di delega più difficile da riconoscere perché interviene proprio nei processi attraverso i quali manifestiamo molte competenze cognitive: formulare, spiegare, argomentare, confrontare, sintetizzare, programmare, risolvere.
Il prodotto finale può quindi assomigliare molto al prodotto di una competenza posseduta.
Una risposta ben argomentata non dimostra necessariamente che chi la presenta sappia costruire quell’argomentazione.
Un codice funzionante non dimostra necessariamente che chi lo utilizza sappia ricostruirne la logica.
Una sintesi corretta non dimostra necessariamente che sia avvenuta comprensione.
Questo non rende quei risultati inutili o illegittimi.
Significa semplicemente che la qualità dell’output non è più una misura sufficiente della competenza dell’autore umano dell’azione.
Il test della sottrazione
Potremmo allora introdurre una domanda molto semplice.
Che cosa accade quando togliamo l’AI?
Se una persona, dopo essere stata assistita, riesce a ricostruire il ragionamento, trasferire ciò che ha appreso a un problema nuovo, individuare un errore, spiegare perché una soluzione funziona e operare con una crescente autonomia, l’AI può aver funzionato come supporto all’apprendimento.
Se invece la capacità scompare insieme allo strumento, ciò che abbiamo osservato era soprattutto una prestazione aumentata.
Naturalmente la distinzione non è assoluta.
Gli esseri umani hanno sempre imparato attraverso strumenti esterni: scrittura, libri, mappe, calcolatrici, motori di ricerca e dispositivi digitali hanno trasformato il confine tra ciò che ricordiamo internamente e ciò che sappiamo recuperare dall’ambiente.
Non ogni delega è impoverimento.
Liberare risorse cognitive da operazioni routinarie può consentire di dedicarle a problemi più complessi.
La questione diventa quindi quali processi convenga delegare e quali debbano continuare a essere esercitati perché costituiscono la competenza che vogliamo conservare.
Una tecnologia può anche insegnare a non sostituirci
L’OECD Digital Education Outlook 2026 sintetizza questa tensione in modo particolarmente chiaro: l’AI generativa può sostenere l’apprendimento quando viene guidata da principi pedagogici, mentre l’uso di strumenti che forniscono direttamente le risposte può migliorare la performance senza produrre corrispondenti guadagni di apprendimento.
Anche l’approccio UNESCO insiste sulla necessità di un impiego human-centred dell’AI nell’educazione, nel quale progettazione pedagogica, capacità umane e appropriatezza rispetto all’età rimangano centrali.
Questo sposta la discussione.
Forse un buon sistema educativo basato sull’AI non dovrebbe essere progettato soltanto per fornire la risposta migliore.
In alcuni momenti dovrebbe fare esattamente il contrario.
Non rispondere immediatamente.
Fare una domanda.
Chiedere un tentativo.
Mostrare un indizio invece della soluzione.
Richiedere di spiegare il ragionamento.
Introdurre una difficoltà produttiva.
E, progressivamente, rendersi meno necessario.
In questa prospettiva, una delle caratteristiche di una buona AI educativa potrebbe sembrare paradossale:
la sua capacità di costruire le condizioni perché l’essere umano possa fare sempre più cose senza di essa.
Il rischio della competenza apparente
Qui il tema supera la scuola.
Lo stesso problema potrebbe riguardare progressivamente il lavoro, la scrittura, la programmazione, la ricerca e molte attività cognitive quotidiane.
Una persona che lavora costantemente con sistemi generativi può produrre risultati migliori di quelli che produrrebbe autonomamente.
Questo può rappresentare un autentico aumento delle capacità operative.
Ma apre una domanda nuova sulla misurazione della competenza.
Quando valutiamo una persona, che cosa stiamo osservando?
Ciò che sa fare?
Ciò che sa fare con l’AI?
Oppure la qualità del sistema formato dalla persona e dagli strumenti che sa utilizzare?
Non abbiamo ancora una risposta definitiva.
E sarebbe prematuro sostenere che l’uso prolungato dell’AI produrrà necessariamente una perdita generalizzata delle capacità cognitive. Le evidenze disponibili sono ancora eterogenee, dipendono dai compiti, dalle popolazioni studiate, dal design degli strumenti e dalla durata dell’esposizione. Molti studi misurano inoltre effetti a breve termine; sappiamo molto meno sulla conservazione delle competenze dopo mesi o anni di utilizzo continuativo.
Ma il problema può già essere formulato.
La domanda dell’Osservatorio
Per molto tempo abbiamo valutato la tecnologia chiedendoci quanto potesse aumentare ciò che l’essere umano riesce a fare.
Con l’intelligenza artificiale generativa potrebbe diventare necessario aggiungere una seconda misura:
quanto di quella capacità rimane all’essere umano quando la tecnologia non c’è?
Non perché dobbiamo immaginare un futuro senza strumenti.
Ma perché autonomia e competenza non sono la stessa cosa della disponibilità permanente di assistenza.
L’obiettivo, allora, non dovrebbe essere scegliere tra imparare con l’AI e imparare senza l’AI.
Dovrebbe essere imparare a costruire una relazione con questi sistemi nella quale l’aumento della prestazione non venga confuso con l’aumento della capacità.
Perché possiamo produrre qualcosa che sembra conoscenza senza averla ancora acquisita.
E forse una delle nuove competenze dell’epoca dell’intelligenza artificiale sarà proprio questa:
saper distinguere ciò che siamo diventati capaci di fare da ciò che, per il momento, siamo soltanto diventati capaci di far fare.
Aggiornamento trasversale — settembre 2026
Evidenza: empatia percepita e attribuzione di umanità
La distinzione tra prestazione e competenza riguarda anche le qualità umane che attribuiamo a una risposta. Studi sperimentali mostrano che testi generati da sistemi linguistici possono essere valutati come empatici, appropriati o di buona qualità. Altri risultati indicano che l’attribuzione umana della stessa risposta può aumentarne il valore percepito.
Prestazione percepita come empatica ≠ esperienza dell’empatia ≠ comprensione umana.
Una valutazione di empatia riguarda l’esperienza del destinatario e le caratteristiche linguistiche del messaggio. Non dimostra che il sistema provi emozioni, comprenda soggettivamente l’esperienza altrui o possieda coscienza.
Interpretazione dell’Osservatorio
Lo Scarto umano può essere usato come chiave editoriale per interrogare ciò che separa una prestazione linguistica convincente dall’esperienza vissuta, dalla reciprocità e dalla responsabilità di una relazione. Non è una conclusione scientificamente dimostrata né una misura validata.
Limite. Gli studi citati valutano risposte e attribuzioni in contesti sperimentali specifici. Non dimostrano un effetto uniforme in ogni relazione uomo–AI e non autorizzano inferenze sulla vita mentale dei sistemi.