Argomento
19 articoli
Mi chiedo cosa significhi formare chi scrive in un’epoca in cui l’AI produce testo plausibile senza che chi lo usa abbia gli strumenti per giudicarlo. La formazione, per come la vedo, non è un accessorio: è la condizione di possibilità dell’uso intelligente della macchina.
A New York per anni non si sono somministrate le verifiche di lettura, perché l’esito si dava per scontato; il PISA cinese viene da quattro sole aree ricche, e stimandone la distorsione la Cina resta quarta al mondo. Dieci schede su che cosa succede quando un indicatore diventa l’obiettivo.
Ventisettemila studenti cinesi seguiti per due anni e mezzo: con l’AI i compiti migliorano e gli esami peggiorano, tranne per chi le dedica lo stesso tempo di prima. Dieci schede su che cosa ci toglie la macchina quando pensa al nostro posto, e su chi paga il conto.
Tokarczuk, Groff, e la domanda che nessuno sta facendo. Tre modi di scrivere con l’AI, il valore di quello che non si delega, e perché la lotta con la materia conta più del risultato.
Guest essay sul New York Times del 29 settembre 2026, a stampa su A23. Joe Cruz dirige il dipartimento di filosofia e il programma di scienze cognitive al Williams College. Entra in archivio anche, e soprattutto, perché contraddice una tesi che questo sito ha sostenuto per esteso: è il contraddittorio del saggio La forza della scrittura, e arriva da una fonte qualificata a formularlo. L’argomento è in tre mosse. La prima è storica: la convinzione che si impari a pensare scrivendo è recente, e Cruz la fa risalire al movimento writing across the curriculum degli anni Settanta, con la formulazione canonica di James Britton nel 1980 — scopriamo che cosa pensiamo nell’atto di scrivere. «Ipotizzò è la parola giusta, perché le supposizioni aneddotiche e introspettive di Britton non sono mai diventate la prova di un’affermazione più forte, e gli studi successivi sono stati limitati o inconcludenti.» La seconda è antica: nel Fedro Socrate obietta che le parole scritte non sono i veri figli della conoscenza, perché non sanno parlare, rispondere alle domande né difendersi, e che la ragione produce intuizioni vere solo nella conversazione fra menti. «Per due millenni questa valutazione è sembrata un difetto di apprezzamento della potenza della scrittura. Ma forse Socrate aveva ragione.» La terza mossa è quella che l’archivio tiene, perché non è filosofica ma istituzionale, e spiega la persistenza di una pratica meglio di qualunque argomento sul pensiero: «La scrittura è una traccia della mente portatile e compatta, più gestibile in una burocrazia di quanto non lo sia una conversazione.» I compiti scritti si portano a casa, si correggono a scaglioni, si rileggono quando la mente divaga, si esibiscono per giustificare un voto. «Ma nessuna di queste comodità riguarda lo sviluppo del pensiero migliore.» Da cui la formula finale: «Le università hanno dimenticato che archiviare e pensare sono due cose separate.» La proposta è concreta e verificabile sul campo, ed è la ragione del criterio. Lo scorso semestre Cruz ha permesso l’uso di strumenti di AI nei saggi finali secondo linee guida dichiarate, e ha poi sottoposto gli studenti a un esame orale di quarantacinque minuti in cui controllare la comprensione delle loro stesse tesi e spingerle oltre. Esito: «In nessun caso ho sospettato che un’AI avesse scritto il saggio di uno studente nel modo sostanziale e discutibile che ci preoccupa tutti», e «almeno metà della classe è stata più agile, più riflessiva e più chiara durante gli orali di quanto non fosse nei propri elaborati». Due riserve vanno dette, e non per cautela di maniera. La prima: l’affermazione che «gli studi successivi sono stati limitati o inconcludenti» regge metà dell’argomento e nel pezzo non è accompagnata da un solo riferimento — chi volesse controllarla non saprebbe da dove cominciare. La seconda: la prova portata è una classe, un semestre, nessun gruppo di controllo, e la valutazione è del docente sui propri studenti. Come proposta di pratica è forte e si può adottare lunedì; come evidenza è un aneddoto meglio organizzato di quello di Britton che Cruz critica, e l’ironia merita di essere registrata senza che tolga valore alla proposta. Cruz del resto non chiede di smettere di scrivere: «Socrate aveva torto se intendeva dire che non si debba scrivere affatto. La scrittura ha una funzione importante: riassume e comprime i nostri pensieri in un mezzo condivisibile e duraturo.»
I risultati PISA 2025, usciti nel settembre 2026, sono stati una delusione per quasi tutti i paesi. Non per i 12.385 quindicenni della Cina continentale che hanno sostenuto le prove: hanno ottenuto il punteggio più alto di qualunque altro contingente in matematica e scienze, e in lettura sono secondi solo a Singapore. Il dato ha però un’abbreviazione impronunciabile attaccata, BSJZ, e dentro quelle quattro lettere sta tutta la questione: Pechino, Shanghai, Jiangsu e Zhejiang sono le uniche parti del continente che partecipano. Due megalopoli e due province orientali, per una popolazione complessiva di quasi duecento milioni di persone, ma con tassi di iscrizione ai licei e alle università superiori a quelli nazionali e un reddito disponibile pro capite di quasi 70.000 yuan l’anno — circa 9.700 dollari — vale a dire il 60% sopra la media continentale. La reazione consueta a un campione così si ferma qui: non rappresentativo, dunque il dato non dice nulla sulla Cina. Il pezzo fa invece la cosa più faticosa e più utile, cioè stima quanto valga la distorsione. Il metodo viene da alcuni ricercatori della Banca mondiale nel 2018: pezzi diversi della Cina hanno partecipato a PISA in momenti diversi e quindi a livelli di sviluppo diversi, il che permette di calcolare una relazione fra reddito disponibile e punteggi; poiché il reddito nazionale è noto, da quella relazione si inferiscono i punteggi del paese intero. The Economist aggiorna l’approccio aggiungendo le rilevazioni successive, e ottiene un primo risultato: sulla linea di tendenza grezza fra reddito e risultati, la Cina avrebbe ottenuto punteggi alti anche se tutte le province avessero partecipato, con un punteggio estrapolato di 579 in matematica che sarebbe stato il migliore al mondo. Segue la cautela, ed è la parte che rende il pezzo affidabile. Nel 2025 quasi tutti i paesi hanno fatto peggio del previsto, forse per gli strascichi della pandemia, forse per la disruption tecnologica delle abitudini di studio; perfino gli studenti di Pechino, Shanghai, Jiangsu e Zhejiang sono andati peggio in lettura rispetto al 2018, e nelle altre materie non sono migliorati quanto i guadagni di reddito avrebbero fatto prevedere. C’è una rottura di tendenza, e il modo più semplice di tenerne conto è trascinare la linea pre-2025 verso il basso fino ad allinearla ai risultati veri del 2025 delle quattro aree ricche. Con quel metro la Cina nel suo complesso avrebbe ottenuto 536 in matematica: molto meno del 612 effettivamente realizzato da BSJZ, e comunque il quarto punteggio mondiale. La media sulle tre materie, 501, l’avrebbe collocata settima, molto più in alto di quanto il suo livello economico lasci prevedere. La correzione ridimensiona il primato e non lo cancella. La chiusa allarga il caso e fa il lavoro politico senza dichiararlo: la Cina non è l’unico paese che iscrive a PISA solo una parte dei propri ragazzi, perché l’Iraq è rappresentato soltanto dalla sua regione curda e il Tagikistan soltanto dalla capitale, Dushanbe. «Se i nostri calcoli sono all’incirca giusti, la Cina dovrebbe accogliere la partecipazione nazionale. Che la Cina sia rappresentata dalla Cina. E che BSJZ passi alla storia di PISA, tanto difficile da ricordare quanto da pronunciare.» Quello che il sito archivia non è la classifica ma il gesto, che è trasferibile a qualunque dato sospetto: una distorsione misurata è un’altra cosa da una distorsione invocata. Dire che un campione non è rappresentativo costa niente, chiude la discussione e lascia chi lo dice nella stessa posizione di prima; stimare di quanto il campione sbagli, dichiarare il metodo e riportare che cosa sopravvive alla correzione costa lavoro e produce un’affermazione che qualcun altro può contestare. È anche, incidentalmente, una terza specie di patologia della misura, da non confondere con le due che l’archivio tiene già separate: non l’indicatore che diventa obiettivo e smette di descrivere, e non la valutazione che viene abbandonata mentre nessuno se ne accorge, ma un campione che misura benissimo una popolazione diversa da quella di cui si parla.
Nel 2016, sulla stessa rivista, Nikole Hannah-Jones pubblicò Choosing a School for My Daughter in a Segregated City: lei e il marito, famiglia nera della media borghesia alta di Brooklyn, l’anno prima avevano iscritto la figlia Najya non a una scuola bianca e ricca ma alla Public School 307, povera e segregata, davanti alle case popolari di Farragut. La tesi era che le famiglie nere con potere dovessero mettere in gioco la posta più personale che hanno — i propri figli — invece di sfilarsi come fanno i genitori benestanti di New York, città fra le più liberal d’America e con uno dei sistemi scolastici più segregati del paese. L’articolo ebbe un effetto enorme: riaprì il dossier della segregazione scolastica nel discorso pubblico americano, e a dieci anni di distanza ci sono ancora genitori che le scrivono di aver deciso come lei. Questo pezzo è il consuntivo, e si apre in macchina a Brooklyn con Najya, tredici anni, che ha appena cercato online i punteggi della propria scuola: «lo sapevi che la mia scuola era brutta così quando hai deciso di mettermi qui?». La parte che vale archiviare non è la colpa, è il meccanismo, e arriva alle elementari. Nel novembre 2019, in quarta, i genitori scoprono che Najya risulta sotto livello in tutte le materie e non lettrice competente; per settimane chiedono di vedere la valutazione di lettura e i compiti corretti, senza ottenere risposta. A dicembre la bambina annuncia di aver guadagnato tre livelli di lettura in un mese, cosa impossibile: la verità è che l’insegnante non aveva mai somministrato le verifiche obbligatorie, né a lei né ai compagni, avendo dato per scontata la competenza flettente di bambini neri e poveri. Quando qualcun altro le esegue, Najya legge benissimo. Poche settimane dopo arriva a casa una cartellina di compiti di matematica: nessuno corretto, quasi tutte le risposte sbagliate. Najya si credeva brava in matematica — era la sua materia preferita — perché nessuno le aveva mai detto il contrario. È il punto esportabile del pezzo: un sistema di valutazione che smette di valutare non produce ignoranza, produce incompetenza sicura di sé, e il soggetto non può accorgersene perché l’unico segnale disponibile gli dice che va bene. Il seguito è altrettanto istruttivo: la famiglia ha connessioni, tempo, status e una casa piena di libri, il padre è nel consiglio d’istituto, la madre scrive di disuguaglianza scolastica sul New York Times, ed escono comunque sconfitti alla fine della quinta. «La nostra esperienza ha smontato l’idea che famiglie che si curano contino più di insegnanti competenti.» Alle medie, alla Urban Assembly Unison di Brooklyn, la stessa cosa si ripresenta in forma istituzionale e ben intenzionata. È una buona scuola, con una preside capace, Emily Paige, che risponde alle mail e raccoglie fondi perché ai suoi studenti tocchi quello che tocca ai ricchi. Ma nel sistema newyorchese di school choice le scuole migliori selezionano in ingresso, e Unison prende tutti: più di un terzo degli iscritti ha una diagnosi di disturbo dell’apprendimento, contro il 17 per cento del liceo che Najya frequenterà poi. Per non condannare al fallimento chi è troppo indietro per lavorare da solo, Unison aveva abolito i compiti a casa, e valutava la crescita più che la padronanza, di fatto in curva. Najya prende A in algebra e non passa l’esame di Stato; un anno dopo un centro di tutoraggio le troverà lacune nelle divisioni e nelle frazioni. Paige riconosce il meccanismo a voce alta: i compiti «sono quasi un indicatore indiretto di “questa è una buona scuola”», e non darli ha significato non onorare l’io accademico di quei ragazzi. Poi aggiunge la frase più dura dell’articolo, e viene da dentro il sistema e non da un critico: «è importante non abbassare le aspettative nel nostro inseguire l’antirazzismo, perché è questo che succede — è razzismo sotto la maschera dell’antirazzismo». Il terzo atto rovescia i ruoli. Temendo che imporre i propri valori le costi il rapporto con la figlia, Hannah-Jones le lascia scegliere il liceo, con l’unico vincolo che sia pubblico. Najya sceglie una delle scuole più selettive di New York, a maggioranza bianca e asiatica, quel tipo di scuola screened contro cui la madre ha costruito una carriera: «se guardi le scuole migliori sono a maggioranza bianca, quindi ho capito che era quello che dovevo fare». Il primo semestre, nell’autunno del 2024, è un annegamento — compiti a casa per la prima volta in vita sua, nessuna abitudine allo studio autonomo, ansia da prestazione, algebra da rifare — e poi recupera, perché lì gli insegnanti hanno due o tre studenti con lacune, non una classe intera. È l’osservazione più fredda del pezzo: la stessa ragazza, le stesse lacune, esiti opposti a seconda della densità del problema nella stanza. Sullo sfondo, i numeri del sistema: negli Stati Uniti, secondo l’analisi EdBuild del 2019, le scuole dei distretti a maggioranza non bianca ricevono ventitré miliardi di dollari l’anno in meno delle controparti a maggioranza bianca; e a New York, nel 2026, studenti neri e latini sono il dieci per cento di chi supera l’esame d’ingresso alle otto specialized high school, pur essendo la maggioranza degli iscritti alla scuola pubblica cittadina — con tre studenti neri ammessi a Stuyvesant in tutto il distretto scolastico più grande d’America. La chiusa è americana e il sito la riporta per quello che è. Nel giugno 2026 Hannah-Jones ammette alla figlia sedicenne di non aver fatto il suo bene e le chiede scusa; ricostruisce la storia di Leona Tate, che nel novembre 1960, a sei anni, fu tra le prime bambine nere a desegregare le elementari del profondo Sud, e alla McDonogh 19 di New Orleans l’integrazione non durò fino alle tre del pomeriggio perché entro quell’ora tutti i genitori bianchi avevano ritirato i figli; e osserva che le scuole di New York sono segregate nel 2026 quanto dieci, venti e trent’anni prima, nonostante la sentenza Brown del 1954. La formula con cui chiude è però un problema di azione collettiva in forma pura, e come tale si porta su altri terreni: un sistema abbastanza diseguale da mettere in conflitto l’essere una brava persona con l’essere un buon genitore. Chi coopera paga da solo, e l’equilibrio non si muove — alla P.S. 307, dei bambini benestanti che avevano cominciato con Najya nel 2015, alla fine delle elementari era rimasto uno.
Natalia Kucirkova, che insegna educazione della prima infanzia a Stavanger e sviluppo della lettura alla Open University, sposta la domanda sui media per bambini dal quanto al come: non il tempo davanti allo schermo, ma il ritmo con cui quel tempo è costruito. Chiama hectic i contenuti fatti di cambi di scena rapidi, stimolo continuo e cicli di ricompensa automatici, e slow quelli che lasciano pause, ripetizione e spazio perché qualcosa si depositi — Mister Rogers e Paddington da una parte, Ask the StoryBots dall’altra. Due bambini che guardano venti minuti, sostiene, non hanno passato lo stesso tempo. L’esempio centrale è Paw Patrol, già presente in archivio ma letto per il contenuto: lì la domanda era cosa quel cartone significhi e perché funzioni, con la psicoanalisi che batte la critica ideologica. Qui la domanda è cosa faccia il suo ritmo, indipendentemente da cosa racconti — il passaggio da problema a soluzione è così efficiente che il bambino viene trascinato dall’urgenza prima di aver capito di cosa si trattasse. È l’ecologia dei media presa alla lettera e applicata a un singolo prodotto: l’ambiente che conta non è il dispositivo, è il tempo interno del contenuto. Il quadro teorico che l’essay non nomina è quello di Katherine Hayles, e cambia la posta in gioco. L’iperattenzione — passaggio rapido fra stimoli, alta tolleranza alla noia, input multipli — è un adattamento all’ambiente digitale, non un deficit. Ma quell’adattamento gli adulti l’hanno fatto su un ambiente che hanno incontrato da formati; qui viene progettato a monte, dentro prodotti destinati a chi quell’adattamento non l’ha ancora scelto. Il punto che si porta via riguarda però le metriche, e vale ben oltre l’infanzia. Un bambino può sembrare intensamente coinvolto avendo pochissimo tempo per pensare: l’engagement misura l’attivazione, non l’elaborazione, e i due indicatori possono muoversi in direzioni opposte. È la stessa struttura del dato già registrato qui sull’uso dell’AI nei compiti, dove la qualità dei compiti sale e i risultati agli esami scendono. Da cui la conseguenza scomoda per chi progetta e vende contenuti: il ritmo hectic è premiato perché produce indicatori immediati, mentre lo slow è una scommessa su un esito differito che nessuno misura. Non è una distinzione fra produttori virtuosi e cinici, è un’asimmetria fra ciò che si può contare e ciò che conta. Va detto infine che la coppia hectic/slow arriva con un progetto attaccato — l’autrice dirige un Children’s Slow Media Project — e con una normatività dentro, che è meglio tenere visibile mentre la si usa. Come strumento di lettura regge; come griglia di valutazione automatica, meno.
Lo studio è del giugno 2026 (preprint, non ancora peer-reviewed): Strömberg et al. tracciano 27.000 studenti cinesi tra 12 e 18 anni per 2,5 anni. L’80% usa AI (Doubao, DeepSeek); il 20% forma il gruppo di controllo. I risultati sono netti nella loro apparente contraddizione: chi usa l’AI vede i voti dei compiti salire del 18% e il tempo dedicato ridursi da 64 a 45 minuti. Ma agli esami, gli stessi studenti ottengono il 20% in meno rispetto ai compagni che non hanno usato l’AI. La variabile che spiega tutto è il tempo: chi usa AI ma ci dedica lo stesso tempo dei non-utenti non subisce alcuna penalità agli esami. Il danno è specifico: riguarda chi ha usato l’AI per ottimizzare l’output senza fare il processo cognitivo che l’apprendimento richiede. Un secondo studio (Contractor e Reyes, Middlebury College) va nella direzione opposta: studenti universitari che usano l’AI per apprendere un argomento nuovo — non per completare un compito — ottengono risultati migliori nei test, con un vantaggio che persiste a distanza di una settimana. La distinzione rilevante non è ‘AI sì o AI no’ ma ‘AI come scorciatoia o AI come tutor’. Chi usa i chatbot per farsi spiegare concetti difficili o per lavorare su problemi specifici impara; chi li usa per generare la risposta finale senza pensarci non impara nulla. È la conferma empirica di una distinzione che il sito segue teoricamente: l’AI non sostituisce il capitale semantico, lo presuppone. Senza il processo — lettura, riflessione, errore, correzione — l’output esiste ma l’apprendimento no. Il dato che merita più attenzione non è il -20% agli esami: è che i voti dei compiti hanno smesso di predire i voti agli esami. Il segnale osservabile si è disconnesso dall’apprendimento reale. Questo crea un problema di valutazione che va ben oltre la scuola: qualsiasi sistema che misura l’output invece del processo rischia di premiare chi ottimizza la superficie senza costruire nulla sotto.
L’argomento è semplice nella diagnosi, più impegnativo nella proposta. Diagnosi: l’AI vince nell’educazione perché abbiamo costruito l’istruzione moderna su un’idea utilitaristica dell’intelligenza: si educa affinché (buoni cittadini, buoni lavoratori, problem-solver). Su questo campo l’AI batte l’uomo strutturalmente e sempre di più. Proposta: recuperare la concezione medievale di virtù intellettuale come fine in sé. Leggere, pensare, discutere, meravigliarsi sono attività intrinsecamente buone — ‘fini penultimi’ nel lessico di Peter Lombard — indipendentemente da qualsiasi utilità estrinseca. Su questo terreno l’AI non può sostituire l’uomo, perché l’eccellenza non sta nel prodotto ma nell’attività. Il gancio è Leo XIV, Magnifica Humanitas § 140, che chiede di ‘esercitare limitazioni nell’uso dell’AI e proteggere i giovani dalla promessa della macchina perfetta.’ L’autore è medievalista di Boston College e scrive su America, la principale rivista intellettuale gesuitica americana; il posizionamento va tenuto presente, ma non condiziona la validità dell’argomento. Del resto, i gesuiti hanno offerto enormi contributi scientifici in tutti i campi, non ultimo la massmediologia. Una nota. La tradizione intellettuale cattolica ha al suo interno i germi di una resistenza — nel senso quasi tedesco di Widerstand, di ‘frizione’ — nei confronti della modernità che, ci piaccia o no, può offrire un servizio non secondario a una contemporaneità evidentemente molto veloce. Questa frizione non è confessionale: gli aspetti più confessionali di quella tradizione sono anzi deteriori, per esempio relativamente al riconoscimento dei diritti civili o alla sessualità. I suoi aspetti migliori sono invece legati a un’eredità specifica ricevuta dall’antichità: la virtue ethics. Costruire il soggetto prima di ricorrere al potenziamento tecnologico è una ricetta di difficilissima applicazione — come ben sappiamo — ma logicamente inappuntabile. Non è un caso che alcune figure alfieri di questa linea, come Alasdair MacIntyre, abbiano una duplice matrice cattolica e marxista: la critica all’atomismo liberale converge da entrambi i lati. Il futuro passa probabilmente anche per una riconfigurazione dello spazio liberale, fatto di attori puntiformi che si muovono su un piano infinito e neutro. Questa tradizione vede al contrario lo spazio come un ambiente tridimensionale, non neutrale e accidentato, in cui i soggetti — per non essere agiti dallo spazio — devono competenzializzarsi: non possono essere dei punti tutti uguali. Coolman ne offre un caso particolare: nell’ecosistema AI, chi non ha sviluppato una virtù intellettuale propria non è un attore autonomo, ma esclusivamente un punto d’accesso. La tesi è brillante; l’applicazione su grande scala problematica.
Paw Patrol — dodici stagioni, un impero del merchandising e tre film al cinema — è finito nel mirino delle guerre culturali. Il Guardian lo ha definito «propaganda neoliberale autoritaria»; un accademico ha sostenuto che «incoraggia la complicità in un sistema capitalistico globale che riproduce le diseguaglianze»; i detrattori più militanti hanno adottato lo slogan «Defund the Paw Patrol». L’Economist riconosce che la questione non è del tutto campata in aria — «c’è una ragione per cui i dittatori cercano di controllare le storie raccontate ai giovani» — ma smonta la lettura ideologica con uno strumento diverso: la psicoanalisi. Superficialmente il cartoon ha una politica di sinistra poco sofisticata (il villain è un narcisista biondo che disprezza le «elezioni libere e regolari» e costruisce torri falliche), ma anche il contrario (la pattuglia sono freelance non responsabili davanti a nessuno, sostituti privati dei servizi pubblici; il cane di punta è un poliziotto). La lettura ideologica produce risultati contraddittori perché applica lo strumento sbagliato. Quello giusto è la psicoanalisi: molti bambini vogliono disperatamente guarire i propri genitori, spesso assumendone i ruoli — è la struttura psichica di Paw Patrol come di Harry Potter come di Enid Blyton. La generazione Paw Patrol ha origliato genitori in preda al panico per politica, guerra, inflazione, Covid e clima; il cartone è saturo di appagamento di desideri prescolari — i cuccioli mangiano senza limiti, giocano senza supervisione con attrezzatura fantascientifica — e realizza il desiderio più potente: che i bambini possano risolvere i problemi degli adulti. «No pup’s too small to notice them.»
Quattro ricercatori dell’Università di Notre Dame; preprint del 6 agosto 2026, seconda versione del 20 agosto, accettato all’ACM AI Leadership Summit. È lo studio che rovescia il problema: non chiede se i rilevatori funzionino, chiede che cosa premino. Il disegno confronta abstract pubblicati in quattro discipline, mettendo a confronto lavori vecchi — 2013-2015, cioè precedenti a qualunque modello generativo di largo uso — e recenti, 2023-2025. Tre risultati, e vanno letti insieme. Il primo: gli originali recenti non modificati vengono segnalati fra il 9% e il 15%. Testi umani, scritti da ricercatori, marcati come artificiali in una proporzione che in un’aula si tradurrebbe in accuse. Il secondo è quello che fa la differenza: i punteggi «correlavano con misure di densità lessicale piuttosto che con l’intenzione autoriale effettiva», e le discipline umanistiche mostrano tassi di rilevazione nettamente superiori a quelle scientifiche. La prosa colta alza il punteggio a prescindere da chi l’ha scritta. È lo stesso meccanismo che lo studio di Stanford del 2023 aveva trovato in forma speculare — lì a essere punita era la povertà lessicale, qui la ricchezza — ed è la ragione per cui un punteggio non è mai un’informazione sull’autore ma sullo stile. Il terzo è il più scomodo, e dà il titolo alla scheda. Un intervento di editing leggero con un modello fa scattare la segnalazione fra il 38% e l’80% dei casi; ma dopo il passaggio in un servizio di «umanizzazione» del testo, meno del 4% delle riscritture generate resta segnalato — un tasso di falsi negativi superiore al 96%. La conclusione degli autori è una riga: «l’editing onesto con l’AI comporta un rischio di sanzione più alto dell’elusione assistita da un umanizzatore». Chi dichiara e usa poco viene preso; chi usa molto e nasconde no. Ne segue la frase che la catena porta via: «i punteggi dei rilevatori non dovrebbero servire come prova autonoma di cattiva condotta». Ma la conseguenza vera è più larga di una norma disciplinare, ed è di teoria della misura: un indicatore che punisce chi lo rispetta e assolve chi lo aggira non è un indicatore difettoso, è un indicatore che ha cambiato oggetto. Misura la capacità di dissimulare, e la chiama integrità. Chi lo adotta ottiene una popolazione selezionata per quella capacità — che è esattamente il meccanismo della legge di Goodhart, con l’aggravante che qui chi è misurato può intervenire sul proprio punteggio senza toccare il proprio comportamento.
Bret Stephens — columnist del NYT su politica estera e cultura — scrive una colonna-supplica: non usare mai l’AI per scrivere, nemmeno per le email di routine, nemmeno per organizzare gli appunti. Non per ragioni etiche (la certificazione dell’utilizzo degli LLM risolve di fatto il problema etico dell’autenticità dei testi, per chi tiene a questo punto) e nemmeno perché si possa scrivere meglio di un LLM (presto non sarà più possibile, come non si può battere un’app di scacchi). La ragione è cognitiva: scrivere informa il pensiero in modi che la contemplazione silenziosa o il linguaggio orale raramente riescono a fare. Sottopone il pensiero allo sforzo dell’articolazione, al rigore della grammatica, al test della coerenza e all’ispezione altrui. La parola scritta ha peso morale perché implica considerazione — «I want that in writing» vale come prova che le parole sono intenzionali. Delegare la scrittura all’AI è come prendere la scala mobile ogni giorno invece delle scale: ci si indebolisce esattamente nel muscolo che dovrebbe essere allenato. Stephens cita dati preoccupanti sulle tesi dottorali (56% con ricorso «non trascurabile» agli strumenti AI, e il 19% con oltre il 50% di testo generato) e collega il declino della scrittura al declino della capacità democratica: storicamente, chi sa leggere e scrivere sa anche scegliere e argomentare per sé. L’argomento ha forma simile e opposta a quello usato da Tacito a proposito dell’arte oratoria, che nella visione dello storico latino aveva potuto fiorire grazie allo sviluppo delle istituzioni democratiche: in entrambi i casi le relazioni causali non sono chiare, ma che le forme culturali determinino in qualche modo delle forme istituzionali è in qualche modo una tesi ancora più forte (di questi tempi, direi, molto diffusa), e ancora meno plausibile. Il pezzo vale come registrazione di un momento — un mainstream columnist che prende una posizione non conforme — più che come analisi. L’intuizione di Stephens converge con il concetto di capitale semantico ma senza l’apparato teorico: la pratica quotidiana della scrittura ordinaria è la stessa «riserva cognitiva» che si attiva nella scrittura che conta. La questione è semmai se tutti questi strumenti inibiscano la possibilità di imparare a scrivere per i nuovi discenti: a meno di regressi fenomenali (più verosimili in caso di competenze non pienamente maturate), non sarà mai un problema per chi la skill l’ha già acquisita.
Debbie Millman — designer, brand strategist e responsabile del Master in Branding alla School of Visual Arts — apre con la norma della tradizione cabalistica: nessuno dovrebbe studiare la Kabbalah prima dei quarant’anni, non perché la conoscenza sia proibita, ma perché richiede preparazione interiore. Propone qualcosa di analogo per l’AI. Nel suo programma di laurea magistrale in brand strategy, gli studenti avevano firmato un accordo: AI consentita per la ricerca e la visualizzazione delle idee, non per scrivere o pensare al loro posto. Alcuni l’hanno violato, dichiarando di averla usata per «integrare e sintetizzare» il lavoro. Millman trova rivelatrice la scelta del verbo: «augment» fa apparire l’intervento cosmetico, «when what was actually being altered was the student’s relationship to struggle, authorship and accountability». L’AI è analoga a una droga non perché produca piacere, ma perché rimuove un tipo particolare di dolore: chi cresce con l’AI potrebbe non conoscere mai l’agonia necessaria della pagina bianca, il falso avvio, l’imbarazzo privato di una prima bozza. La confusione è uno stato necessario in cui si impara a pensare; il linguaggio non è solo il modo in cui ci esprimiamo, è uno dei modi in cui diventiamo noi stessi. La distinzione cruciale è tra mente formata e mente in formazione: chi ha già sviluppato una voce può usare la macchina senza lasciare che la macchina diventi la voce; chi è ancora in costruzione non sa distinguere la confusione dal fallimento, e non riesce quindi a lasciare che la difficoltà gli insegni qualcosa. La regola dei quarant’anni per la Kabbalah è inapplicabile come politica AI, e Millman lo riconosce: «There will be no collective vow of restraint.» Ma l’impossibilità non rende l’argomento privo di senso: «Sometimes a rule is valuable not because it can be enforced but because it tells us what a culture reveres.»
Tre ore e venti di Andrej Karpathy che ricostruisce dall’inizio come funzionano davvero i modelli linguistici: dai dati di pretraining sul web fino al reinforcement learning da feedback umano, passando per tokenizzazione, architettura transformer, fine-tuning supervisionato, DeepSeek-R1. È la risorsa di riferimento per chi vuole capire la catena causale che produce quello che vediamo sullo schermo, senza fermarsi alla superficie — e Karpathy ha il vantaggio di averla costruita, quella catena: founding member di OpenAI, poi responsabile dell’AI di Tesla fino al 2022. Due osservazioni che vale la pena portarsi dietro. La prima: i modelli hanno bisogno di token per pensare — il ragionamento emerge nell’atto della generazione, non prima, il che ha conseguenze pratiche dirette su come interrogarli. La seconda è quella che Karpathy chiama jagged intelligence: i modelli eccellono dove ci aspettiamo difficoltà e falliscono dove ci aspettiamo semplicità. In termini concreti: un LLM può supportare un team di ricercatori di biologia molecolare meglio di quanto ci aspetteremmo, e, se avesse una fronte, non riuscirebbe a grattarsi un sopracciglio — che è peraltro, non a caso, il tipo di problema che i filosofi analitici hanno sempre usato come esempio di azione elementare. Qualsiasi gerarchia lineare di capacità, in questo contesto, è inutile. Il video entra nel sito come riferimento tecnico fondamentale: non si scrive di AI con una qualche pretesa di rigore senza averlo guardato almeno una volta.
N. Ángel Pinillos, professore di filosofia all’Arizona State University, muove da una premessa scomoda: gli umanisti sono i peggiori avvocati delle proprie discipline. L’argomento standard — valore intrinseco, paideia, Bildung — è circolare: funziona solo su chi è già convinto. L’alternativa che propone è meno solenne ma più solida: le humanities insegnano una competenza identificabile — leggere, scrivere, argomentare con precisione — che non esiste altrove nel curriculum. E l’AI l’ha resa più preziosa, non meno: usare bene i modelli richiede esattamente quelle capacità, riconoscere dove l’argomento scivola, revisionare l’output invece di spedire la poltiglia. La conclusione è ottimista: i modelli producono testo fluente in quantità industriale, il che rende la capacità di distinguere buon ragionamento da cattivo la competenza cognitiva più preziosa del presente. Connessione diretta con quanto Floridi chiama «capitale semantico» — e con ciò che il sito ha già provato a dire altrove.
Un paper di Anthropic che mette Claude alla prova sulla spettroscopia NMR — l’analisi che permette ai chimici di “leggere” la struttura molecolare di un composto da una firma spettrale. Opus 4.7 risulta competitivo con i software specializzati nella predizione diretta (struttura → spettro) e capace di lavorare nella direzione inversa (spettro → struttura) da soli dati 1D — cosa che oggi richiede strumenti dedicati e competenze specifiche. Il punto non è la performance tecnica in sé: è che un modello linguistico generalista sta cominciando ad abbassare le barriere di accesso a una disciplina che, per definizione, consiste nel manipolare la natura della materia. Come la tecnica CRISPR-Cas9 ha reso editabile il genoma anche fuori dai grandi centri di ricerca, un’interfaccia in linguaggio naturale per la chimica potrebbe avvicinare alla disciplina ricercatori di altre aree, studenti, e chiunque abbia bisogno di ragionare su strutture molecolari senza un dottorato in tasca. Interessante anche la prospettiva didattica: non uno strumento che sostituisce l’apprendimento, ma uno sgabello — nel senso che ho provato a esplorare altrove — che consente di arrivare dove prima non si riusciva a stare in piedi.
Il report del WEF sulla readiness educativa per l’AI contiene, sotto la superficie istituzionale, una serie di dati che correggono l’intuizione. Il più importante: in un esperimento controllato, gli studenti con accesso a un tool AI miglioravano le performance iniziali — ma una volta rimosso il tool, performavano peggio di quelli che non l’avevano mai avuto. Non si tratta di scaffolding cognitivo, ma di sostituzione: quando l’AI esegue il lavoro di ragionamento, il cervello non costruisce l’architettura neurale necessaria per farlo da solo. Il secondo dato: il 67% degli studenti riconosce che usare l’AI per i compiti può danneggiare il pensiero critico — e continuano ugualmente. La quota di studenti che usa AI per i compiti è passata dal 48% (maggio 2025) al 62% (dicembre 2025, RAND). Il terzo: i modelli linguistici, quando allucinano, usano un linguaggio più assertivo — frasi come ‘definitely’, ‘certainly’, ‘without doubt’ — con una probabilità del 34% superiore rispetto a quando forniscono informazioni corrette. Il segnale epistemico si inverte: la fiducia è massima quando l’affidabilità è minima. Solo il 6% degli insegnanti ritiene che le politiche esistenti sull’AI forniscano indicazioni chiare (Stanford AI Index), ma la diffusione non ha aspettato le politiche: gli studenti l’hanno adottata dal basso, i docenti hanno seguito, le istituzioni inseguono. Un dato di contesto chiude il quadro: i cali PISA in matematica, lettura e scienze precedono il 2022 — l’AI si innesta su un declino cognitivo preesistente, non lo causa da zero. La domanda che il report apre senza rispondere è quella decisiva. L’adozione è già bottom-up e non strutturata: vietarla sarebbe come vietare la calcolatrice a casa, una battaglia persa in partenza. La responsabilità degli enti formativi è allora quella di far entrare la tecnologia nei processi di apprendimento per potenziare lo sviluppo cognitivo, non per sostituirlo — invertendo la dinamica del cognitive offloading prima che si consolidi come norma. Questo richiede molta motivazione, sia dal lato del formatore sia da quello del discente. E sconta un ritardo significativo: non siamo ancora riusciti a integrare lo smartphone nell’educazione, che è una tecnologia ormai datata. Figuriamoci gli LLM.
Ross Douthat intervista Jennifer Frey, professoressa di filosofia che ha costruito e poi visto smantellare un programma di liberal arts all’Università di Tulsa. Il pezzo è il contrario complementare del Pinillos già in archivio: dove Pinillos difende le humanities con argomenti pragmatici — insegnano competenze identificabili che l’AI rende più preziose — Frey difende la liberal education con un argomento intrinseco: la paideia e il Bildung come coltivazione delle capacità superiori dell’essere umano come fine in sé, non come mezzo. L’Aristotele che cita vale la pena ricordarlo: il fine dell’educazione è la scholé (σχολή), il leisure — non il riposo né il divertimento, ma lo spazio in cui si coltiva il meglio di sé. Il punto più interessante per noi è la difesa della gerarchia dei beni (Shakespeare è migliore di Grisham: sì, e ammetterlo non è antidemocratico) come affermazione ontologica: senza alcun senso di “superiore”, diventa molto difficile parlare di istruzione superiore in qualunque senso. Frey non risolve il problema di Pinillos — come si convince un sistema a investire su ciò che non produce output misurabili — ma ne radicalizza le premesse.
L’originale è in cinese e non ha versione inglese: quello che segue è un resoconto esteso, non una traduzione, con poche citazioni tradotte e attribuite. Il titolo suona «Approfondire la riforma della valutazione differenziata delle università con orientamento al contributo»; esce sul China Science Daily (中国科学报), il quotidiano dell’Accademia cinese delle scienze, il 24 marzo 2026, nella rubrica Osservatorio universitario. L’oggetto è il 分类评价, la valutazione differenziata degli atenei: invece di una graduatoria unica, tipi diversi di università valutati su scale diverse. È l’indirizzo fissato dal Piano complessivo per la riforma della valutazione educativa nella nuova era e ripreso dal Piano per la costruzione di una potenza educativa 2024-2035. Shanghai è il pilota nazionale e ha fatto la cosa decisiva: ha collegato i risultati della valutazione all’assegnazione fiscale e all’accesso ai progetti, con tre famiglie di indicatori primari — tutela della riforma complessiva, adattabilità della formazione dei talenti, grado di contributo al servizio sociale — e indicatori secondari differenziati per tipo di ateneo. Il pezzo non celebra il pilota, lo mette in guardia. Quando la valutazione si integra nei sistemi amministrativi e di allocazione delle risorse, scrive l’autrice, rischia di evolvere «dalla tradizionale competizione negli indicatori a un’altra forma di competizione omogenea attorno alle nuove etichette di classificazione»: gli atenei inseguiranno la categoria socialmente percepita come superiore per ottenere risorse, e la «differenziazione» slitterà silenziosamente verso «stratificazione». La diagnosi è precisa e riguarda un’asimmetria: la funzione direttiva della valutazione è troppo forte, mentre i meccanismi di motivazione interna che dovrebbero spingere un ateneo a specializzarsi sul proprio posizionamento non sono stabiliti. A questo si aggiungono due inclinazioni note dei sistemi di indicatori — enfatizzare il quantitativo sul qualitativo, privilegiare ciò che è visibile sui contributi durevoli — che in presenza di un legame forte fra risorse e valutazione rinforzano l’inerzia gerarchica invece di scioglierla. Le tre transizioni proposte hanno la forma di correzioni al disegno. Dalla classificazione ordinale al valore aggiunto funzionale: riconoscere al contributo di un ateneo applicato che risolve un problema tecnico industriale lo stesso valore dei risultati teorici di un ateneo di ricerca, «diversi tipi, pari importanza». Dalla direzione governativa alla consultazione pluralista: standard co-costruiti con imprese, enti locali, docenti, studenti e pubblico, che l’autrice inquadra come requisito per la modernizzazione e la democratizzazione della governance educativa. E dal posizionamento statico alla guida dinamica: nessuna etichetta fissa, ma un quadro elastico che lasci spazio alla fusione interdisciplinare e all’innovazione delle modalità formative. La parte più istruttiva è il confronto internazionale, e conviene leggerla per quello che implica. Il sistema tedesco delle Fachhochschulen funziona perché il posizionamento applicativo è fissato per legge e la partecipazione dell’industria è un vincolo rigido. La classificazione Carnegie funziona, scrive l’autrice, «proprio perché disaccoppiata dall’allocazione di risorse federali», il che «riduce effettivamente l’imitazione strategica delle istituzioni» e le restituisce un linguaggio descrittivo neutrale. U-Multirank funziona perché lascia all’utente definire i pesi degli indicatori, quindi non esiste una graduatoria unica da inseguire. Vincolo giuridico, disaccoppiamento dalle risorse, pluralizzazione dei pesi: i tre casi dicono la stessa cosa da tre direzioni, e Shanghai ha fatto l’opposto del secondo. Che la scelta di agganciare la valutazione al finanziamento sia il problema, e non un dettaglio di implementazione, è un’inferenza di chi scrive questa scheda, non una tesi esplicita dell’articolo — che però porta i tre esempi e non ne trae la conclusione. Conta anche chi firma, e come. Xia Xiaoyan è ricercatrice all’Istituto di scienze dell’educazione di Shanghai, e l’articolo dichiara in coda di essere risultato parziale di un progetto 2025 finanziato dalla Commissione per l’educazione di Shanghai sull’ottimizzazione degli indicatori per la classificazione differenziata degli atenei della città. Non è dunque critica esterna: è l’apparato che ha progettato il sistema a pubblicare l’avvertimento sul proprio difetto, con firma personale, sul giornale dell’Accademia delle scienze, e inquadrandolo come «approfondimento della riforma» invece che come obiezione. Il genere informa quanto il contenuto — dice per quale canale circola l’autocorrezione in quel sistema: non la stampa d’opinione ma la letteratura di policy, non negando l’obiettivo ma contestando lo strumento. Per l’archivio è il quarto caso dello stesso schema, e il primo in cui qualcuno prova a progettare contro. I compiti che migliorano mentre l’apprendimento peggiora; gli incidenti segnalati che scendono mentre gli incidenti non si sa; le prestazioni dichiarate che valgono come prova di capacità. Qui un apparato statale, con le risorse per tentarlo davvero, prova a costruire un sistema di misura che non si trasformi in gerarchia — e si accorge che il punto di rottura non è il disegno degli indicatori ma chi tiene la cassa. Il vincolo che nessuna delle tre transizioni scioglie è che in Cina il valutatore e il finanziatore sono lo stesso attore: Carnegie evita il problema per costruzione, essendo una fondazione privata che descrive e non paga.