C'è una nuova ondata nell'IA in questo momento, e non riguarda i chatbot. Negli ultimi mesi, qualcosa è cambiato. I sistemi di IA sono passati dal rispondere a domande al fare cose: scrivere intere basi di codice, gestire progetti complessi, eseguire attività a più fasi con una supervisione umana minima. Strumenti come Clawdbot, un framework per agenti open source diventato virale quasi da un giorno all'altro, consentono alle persone di eseguire l'IA localmente sulle proprie macchine, collegata alle proprie app, agendo per loro conto. Claude Code sta cambiando il modo in cui viene costruito il software.
McKay Wrigley, uno sviluppatore di cui mi fido, ha definito Opus 4.5 "per gli agenti ciò che Sonnet 3.5 è stato per il codice": il punto di svolta. METR, un'organizzazione di valutazione indipendente, ha rilevato che l'orizzonte temporale in cui l'IA può lavorare in autonomia raddoppia ogni quattro-sette mesi. Gli ingegneri di Brisk stanno delegando quasi tutto il loro lavoro di programmazione all'IA, dedicando il proprio tempo a revisionare, dirigere e decidere.
Non è solo clamore. Il paradigma degli agenti funziona per il lavoro basato sulla conoscenza e cambierà il modo in cui operano molti settori.
Perché il paradigma degli agenti non funziona per gli studenti
Di recente un giornalista mi ha chiesto cosa significhi tutto questo per l'istruzione primaria e secondaria. Ci rifletto da un po' e la mia risposta onesta è: probabilmente un sacco di fumo. Non perché gli agenti non siano potenti, ma perché la logica che li rende efficaci per l'ingegneria del software è quasi esattamente la stessa che li rende dannosi per l'apprendimento. Non credo che nel mondo dell'istruzione ci sia abbastanza chiarezza su questa distinzione.
Il modo più semplice per capirlo è chiedersi: qual è l'obiettivo?
Nel software, l'obiettivo è il risultato. Rilasciare la funzionalità, correggere il bug, distribuire il sistema. Se un agente IA scrive il codice al posto tuo, meglio e più velocemente di quanto potresti fare tu, il punto è proprio questo. L'agente che svolge il lavoro è il prodotto. Il lavoro di un ingegnere diventa sempre più quello di revisionare, dirigere e decidere, mentre l'IA si occupa dell'esecuzione.
A scuola, l'obiettivo è l'opposto. Il risultato (il saggio, gli esercizi, la relazione di laboratorio) è quasi irrilevante. Ciò che conta è cosa è successo nel cervello dello studente mentre lo produceva.
Uno studente che usa un agente IA per completare un compito non è stato aiutato. È stato privato dell'unica cosa che contava. Il fatto che il risultato sembri migliore è, se non altro, peggio: crea l'illusione di un apprendimento che in realtà non è avvenuto.
Ora abbiamo prove concrete di questo. Uno studio controllato randomizzato su quasi mille studenti delle scuole superiori in Turchia, pubblicato su PNAS, ha testato esattamente questo scenario. Gli studenti sono stati divisi in tre gruppi: senza accesso all'IA, con uno strumento standard simile a ChatGPT e con un tutor IA attentamente supervisionato, progettato con il contributo dei loro insegnanti.
Gli studenti che hanno utilizzato lo strumento IA standard hanno ottenuto risultati migliori del 48% negli esercizi pratici. Tuttavia, hanno ottenuto risultati peggiori del 17% all'esame, quando l'IA è stata rimossa. La cosa più preoccupante è che non se ne sono resi conto.
Credevano di aver imparato più del gruppo di controllo. L'OCSE, nel suo Digital Education Outlook 2026 pubblicato solo poche settimane fa, ha coniato un termine per questo: pigrizia metacognitiva. Gli studenti delegano non solo il lavoro, ma anche la consapevolezza di stare effettivamente imparando.
Il gruppo con il tutor supervisionato ha ottenuto risultati leggermente migliori (miglioramento del 127% nella pratica), ma nell'esame senza assistenza non ha fatto meglio degli studenti che non hanno mai usato l'IA. Anche lo strumento IA per studenti progettato con la massima cura non ha prodotto alcun guadagno di apprendimento misurabile nella valutazione che contava davvero.
Non si tratta solo di studenti pigri. È qualcosa di strutturale riguardo a cosa sono gli agenti e cosa sia l'istruzione primaria e secondaria.
Tre discrepanze strutturali
Discrepanza 1: Il problema dell'esperto nel ciclo
Gli agenti sono progettati per un tipo specifico di lavoro. Sono efficaci con problemi aperti e inediti, dove l'essere umano nel ciclo possiede le competenze necessarie per valutare il risultato. Un ingegnere che utilizza Claude Code può leggere la pull request, individuare l'errore, comprendere il compromesso e reindirizzare il processo. L'agente propone; l'esperto dispone. Questo funziona perché l'essere umano ha una conoscenza del dominio sufficiente a fungere da vero controllo sul lavoro dell'agente.
Uno studente di terza media non può farlo. Quando un tutor basato sull'IA guida uno studente attraverso un problema di matematica o redige un paragrafo per il suo saggio, lo studente non possiede proprio le conoscenze che dovrebbe acquisire. Non è in grado di valutare se il ragionamento dell'IA sia corretto, se sia stato saltato un passaggio o se la spiegazione, seppur fluida, sia sottilmente errata.
Il modello dell'essere umano nel ciclo fallisce proprio quando è l'essere umano a dover imparare.
Non è qualcosa che si possa risolvere con un miglior prompt engineering o con guardrail più sofisticati. È un problema strutturale. Lo studente, per definizione, non è ancora l'esperto.
Discrepanza 2: Lavoro di routine contro ragionamento inedito
Esiste una seconda discrepanza. Gli agenti sono progettati per compiti inediti e generalizzabili, ovvero quelli che richiedono un ragionamento flessibile in territori sconosciuti. Ma l'istruzione primaria e secondaria non è inedita. Si tratta di 180 giorni di programmi strutturati e sequenziali. Un insegnante di terza elementare a Houston e uno a Memphis insegnano all'incirca gli stessi standard e all'incirca nello stesso ordine. Il lavoro è di routine nel senso migliore del termine: progettato con cura per costruire la conoscenza in modo incrementale, dove ogni lezione si basa su quella precedente. Non serve un'IA che ragioni da zero ogni volta. Serve qualcosa che esegua in modo affidabile un ambito e una sequenza noti. Il paradigma dell'agente è orientato verso il problema sbagliato.
Discrepanza 3: Sforzo produttivo contro sforzo improduttivo
Poi c'è la questione più profonda, quella che i bravi insegnanti comprendono intuitivamente ma che è quasi del tutto assente dal dibattito sull'IA nell'istruzione: la differenza tra sforzo produttivo e sforzo improduttivo.
Non tutte le difficoltà sono uguali. Quando uno studente si cimenta con un problema di matematica complesso e avverte quella frizione del non riuscire a capire subito, quello è uno sforzo produttivo. È lì che avviene l'apprendimento. Ma quando un insegnante passa quaranta minuti a riformattare un piano di lezione su tre piattaforme diverse, o a differenziare manualmente un brano di lettura per cinque livelli di competenza, o a cercare in un LMS lo standard giusto da etichettare, quello è uno sforzo improduttivo. Non produce apprendimento per nessuno. È puro carico di lavoro accessorio.
Un agente IA generico non sa distinguere tra sforzo produttivo e improduttivo. L'impostazione predefinita è quella di eliminare entrambi.
Quando si indirizza un agente verso uno studente, questo elimina lo sforzo produttivo — la parte in cui risiede l'apprendimento — insieme al lavoro di routine. È ciò che ha dimostrato lo studio in Turchia. L'IA ha fatto sembrare il lavoro più facile. Gli studenti avevano l'impressione di imparare. Ma la facilità era proprio il problema.
Cosa funziona davvero per gli studenti
Se gli agenti autonomi non sono il modello adatto agli studenti, significa che l'IA non dovrebbe mai interagire con loro? No. Ma l'orientamento dell'IA deve essere completamente diverso dal paradigma dell'agente, e l'insegnante deve mantenere il controllo sugli obiettivi verso cui l'IA sta guidando lo studente.
Pensiamo a due diversi approcci per un'attività didattica basata sull'IA. Nel primo, lo studente apre un'IA generica e chiede: "aiutami a scrivere un saggio sulle cause della Guerra Civile". L'agente esegue: abbozza una scaletta, suggerisce una tesi, propone paragrafi da perfezionare. Lo studente ottiene un saggio ben scritto, ma con la vaga sensazione di aver solo assistito al processo. Questo è il modello dell'agente applicato all'apprendimento, ed è ciò che lo studio in Turchia ha misurato. Non funziona.
Nel secondo approccio, l'insegnante crea un'attività basata sull'unità didattica della settimana. Il compito dell'IA non è aiutare lo studente a completare il lavoro, ma spingerlo a dimostrare un preciso obiettivo di apprendimento. Lo studente non può avanzare chiedendo all'IA di pensare al posto suo. L'IA pone domande, incalza, richiede allo studente di articolare il proprio ragionamento. L'unico modo per procedere è dimostrare di aver compreso. L'insegnante definisce l'obiettivo; l'IA impone il percorso.
Nel primo modello, l'IA è focalizzata sul compito e il suo parametro di successo è il completamento dello stesso. Nel secondo, l'IA è focalizzata sullo studente e il suo parametro di successo è la dimostrazione della comprensione da parte dello studente.
Questa distinzione sembra minima, ma cambia tutto. Uno è un agente. L'altro è uno strumento della pedagogia dell'insegnante. È ciò che abbiamo costruito con Brisk Boost: attività didattiche basate sull'IA in cui l'insegnante stabilisce l'obiettivo di apprendimento, l'IA è ancorata al curriculum reale e lo studente è costretto a pensare. Il compito dell'IA è rendere inevitabile lo sforzo produttivo, non eliminarlo.
La questione non è mai stata "l'IA deve interagire con gli studenti?". La vera domanda è: chi ha il controllo e cosa sta ottimizzando l'IA? Un agente generico che punta al completamento del compito tenderà sempre a fare il lavoro al posto dello studente. È per questo che gli agenti sono progettati. Quando l'insegnante definisce l'obiettivo di apprendimento e l'IA è vincolata a perseguirlo, la dinamica si inverte. L'IA diventa uno strumento per imporre il rigore, non per aggirarlo.
Dove gli agenti trovano il loro posto: il flusso di lavoro dell'insegnante
Il lato dell'insegnante è altrettanto importante, ed è qui che il paradigma dell'agente trova effettivamente spazio.
Gli insegnanti sono sommersi, ma non dal lavoro di insegnamento in sé, bensì da tutto ciò che vi ruota attorno. Un insegnante medio utilizza quotidianamente una mezza dozzina di piattaforme: LMS, SIS, portale del curriculum, Google Docs, email, strumenti di valutazione. Il carico di lavoro necessario per gestire questi sistemi, riformattare i contenuti e adattare manualmente i materiali alle diverse esigenze degli studenti è enorme. I dati mostrano che gli insegnanti che utilizzano l'IA settimanalmente risparmiano in media quasi sei ore a settimana. In un anno scolastico, significa recuperare sei intere settimane di tempo.
I compiti che logorano gli insegnanti sono esattamente quelli in cui gli agenti eccellono: differenziare questa unità per tre livelli di lettura, allineare questa valutazione agli standard distrettuali, generare una comunicazione per i genitori sugli obiettivi settimanali, creare un'attività per piccoli gruppi basata sul programma della lezione. Si tratta di flussi di lavoro vincolati, ripetibili e verificabili. Non sono aperti, né inediti. Sono lo stesso tipo di compiti, eseguiti centinaia di volte l'anno, su un curriculum noto.
E l'insegnante è l'esperto che supervisiona il processo. Revisiona l'output dell'IA prima che arrivi allo studente. Coglie l'errore, corregge il tono, reindirizza l'approccio. Il modello "human-in-the-loop" funziona qui perché l'essere umano possiede la competenza necessaria per valutare ciò che l'agente produce.
Questo è il tipo di IA di cui la scuola ha realmente bisogno: non un agente autonomo che ragiona da zero su cosa uno studente debba imparare, ma un sistema che esegue in modo affidabile il curriculum effettivo del distretto: il programma, i materiali adottati, gli standard e le guide di progressione. L'intelligenza non risiede nel ragionamento generale, ma nel recupero, nell'ancoraggio e nella fedeltà a ciò che quel distretto, in quella classe e in quell'unità, sta effettivamente insegnando quella settimana.
Il fatto che gli agenti IA stiano trasformando l'ingegneria del software non significa che trasformeranno ogni cosa. La logica del codice non è la logica dell'apprendimento. Nel codice, vuoi che sia l'IA a svolgere il lavoro. A scuola, il fatto che sia lo studente a svolgere il lavoro è l'intero punto della questione. Trattare l'apprendimento come un'altra attività di lavoro intellettuale da automatizzare è un errore che potrebbe far regredire una generazione di studenti, dando a tutti l'illusione che si stiano facendo progressi.
La tecnologia è potente. La domanda è se vogliamo indirizzarla verso il lavoro da svolgere o verso le persone che dovrebbero imparare da quel lavoro.
L'opportunità nel settore K-12 è reale e significativa, ma risiede nel mettere gli insegnanti al comando. Del curriculum da cui l'IA attinge. Dei risultati di apprendimento verso cui punta. Dei flussi di lavoro che esegue per loro conto. Non nel consegnare agli studenti un agente generico sperando che tutto vada per il meglio.
.webp)
