Le sfide collegate all’integrazione dell’intelligenza artificiale generativa nella formazione professionale

Da un lato, sembra che gli apprendisti che usano l’IA generativa producano spesso di più, ma imparino di meno; dall’altro, molto dipende dal fatto che l’IA generativa venga utilizzata a scopo di attivazione cognitiva o piuttosto per “sgravare” il pensiero e l’apprendimento.

La rapida diffusione dell’intelligenza artificiale generativa (IA generativa), in particolare di Large Language Models (LLM) quali ChatGPT, pone sia la società nel suo insieme sia in particolare la scuola davanti a nuove sfide. Una delle preoccupazioni centrali è il cosiddetto “cognitive offloading”, che diventa particolarmente problematico quando non solamente compiti di supporto, ma anche compiti di pensiero essenziali vengono delegati a strumenti esterni. I risultati disponibili in merito a questo tema non sono tuttavia univoci. Alcuni studi evidenziano un legame tra il frequente impiego di strumenti di IA e una minore capacità di pensiero critico, in particolare tra i giovani (Gerlich 2025). Anche nello scrivere impiegando l’IA sarebbe riscontrabile un’attività cognitiva inferiore rispetto alla scrittura senza IA (Kosmyna et al., 2025). Esistono tuttavia prime meta-analisi che riportano anche effetti positivi (Zhu, Liu & Zhao, 2025; Chen & Cheung, 2025).

Tali risultati non univoci possono essere spiegati in due modi: da un lato, sembra che gli apprendisti che usano l’IA generativa producano spesso di più, ma imparino di meno; dall’altro, molto dipende dal fatto che l’IA generativa venga utilizzata a scopo di attivazione cognitiva o piuttosto per “sgravare” il pensiero e l’apprendimento. Se a prevalere è quest’ultimo uso, allora ci si trova davanti a conseguenze problematiche. Zuber e Gogoll (2024) sottolineano come tali sviluppi possano avere effetti negativi non soltanto a livello individuale, ma anche a livello sociale.

C’è altresì motivo di preoccuparsi della possibilità che il divario digitale si approfondisca (per divario digitale si intende una disuguaglianza gerarchica su più livelli nell’accesso alle tecnologie digitali, nel loro utilizzo e nelle conseguenze del loro utilizzo, influenzata dal capitale economico, culturale, sociale e tecnologico) (Selwyn, 2004). Uno studio di Suárez e García-Mariñoso (2025) ha mostrato che le persone più anziane, le persone con un livello di istruzione più basso e le donne, dal punto di vista statistico, utilizzano meno frequentemente l’IA generativa – e ciò potrebbe consolidare, se non addirittura rafforzare, le disuguaglianze sociali esistenti. Altri punti controversi frequentemente evidenziati sono i costi ecologici, la riproduzione di bias nonché la perdita di empatia e di autenticità (Bender et al., 2021; Kasneci et al., 2023).

I compiti delle istituzioni di formazione

Damberger sottolinea come in relazione all’IA la formazione dovrebbe concentrarsi sulla conoscenza e sulla critica dei media.

Alla luce di queste sfide, c’è da attendersi che le istituzioni di formazione sostengano i giovani affinché sappiano utilizzare in modo competente, autonomo, critico e responsabile le nuove tecnologie, quali l’IA generativa, e che promuovano al contempo le pari opportunità. Damberger (2021) sottolinea come in relazione all’IA la formazione dovrebbe concentrarsi sulla conoscenza e sulla critica dei media (cfr., per quanto riguarda la competenza mediatica, già Baacke, 1997), ove per conoscenza dei media si intende il sapere relativo ai sistemi mediatici, ai loro fondamenti tecnici, alle loro condizioni di produzione e alle loro strutture istituzionali, mentre per critica dei media si intende la capacità di riflettere in modo analitico sui contenuti mediatici, sulle loro condizioni quadro e sulle loro implicazioni sociali, politiche ed economiche, valutandole altresì dal punto di vista normativo. Questa focalizzazione sulla conoscenza e sulla critica dei media è particolarmente importante in quanto i sistemi di IA presentano un alto potenziale di influenzare profondamente gli ordinamenti sociali del sapere, i processi decisionali e le strutture di potere.

I sondaggi sull’IA generativa nelle scuole professionali nell’ambito dello studio DigiTraS II

Fino a oggi si sa molto poco su come l’IA generativa venga utilizzata e tematizzata nelle scuole e su come i diversi approcci pedagogici contribuiscano al raggiungimento degli obiettivi formativi desiderati. Nel quadro del progetto di ricerca DigiTraS II, che analizza l’integrazione delle tecnologie nelle scuole di livello secondario II, sono stati raccolti dati anche sull’uso dell’IA generativa in tale livello scolastico (Petko et al., 2025). A tal fine sono stati selezionati cinque licei, cinque scuole specializzate e cinque scuole professionali della Svizzera tedesca che utilizzano intensamente tecnologie digitali nell’insegnamento. Di seguito ci concentriamo sugli apprendisti delle cinque scuole professionali (N = 1279). I dati sono stati raccolti tra novembre 2023 e marzo 2024 mediante un questionario online. La ricerca si è rivolta ad apprendisti del penultimo anno (età: M = 18) afferenti a diversi campi professionali. Il 48,5% delle persone partecipanti ha indicato di essere di genere maschile, il 41% femminile e il 2,6% diverso, mentre il 6,9% non ha fornito indicazioni sul genere.

Alle persone intervistate è stato tra l’altro chiesto:

• con quale frequenza utilizzano l’IA generativa sul posto di lavoro, durante l’insegnamento, per attività scolastiche a casa e nel tempo libero (scala di risposta: 1 = “Mai o quasi mai”, 5 = “Più volte al giorno”),
• con quale frequenza svolgono attività specifiche impiegando l’IA generativa (scala di risposta: 1 = “Mai o quasi mai”, 5 = “Molto spesso”),
• secondo la loro valutazione, quanti insegnanti adottano un approccio di pedagogia dei media conservatore nei confronti dell’IA generativa (domanda esemplificatrice: “I nostri docenti vietano l’uso dell’intelligenza artificiale generativa.”; scala di risposta: 1 = “Nessun insegnante”, 5 = “Tutti gli insegnanti”),
• quanti insegnanti adottano un approccio di pedagogia dei media critico-riflessivo (domanda esemplificatrice: “I nostri docenti ci incoraggiano a riflettere in modo critico sull’intelligenza artificiale generativa.”; scala di risposta: 1 = “Nessun insegnante”; 5 = “Tutti gli insegnanti”)
• quanti insegnanti adottano un approccio di pedagogia dei media creativo-produttivo (domanda esemplificatrice: “I nostri insegnanti ci incoraggiano a utilizzare l’IA generativa per essere più produttivi.”; scala di risposta: 1 = “Nessun insegnante”; 5 = “Tutti gli insegnanti”).

Alle persone intervistate è stato inoltre chiesto:

• se hanno l’impressione di imparare meglio con l’IA generativa (domanda esemplificatrice: «Imparo meglio con l’IA generativa.»; scala di risposta: 1 = «Non sono affatto d’accordo.»; 5 = «Sono completamente d’accordo»),
• se utilizzano l’IA generativa per ridurre l’impegno scolastico ricorrendo a forme di imbroglio (domanda esemplificatrice: “Copio qualcosa che è stato generato tramite IA e lo presento semplicemente come se fosse un lavoro mio”; scala di risposta: 1 = “Non corrisponde affatto al vero”; 5 = “Corrisponde pienamente al vero”),
• quale sia la loro efficacia personale nell’utilizzo dell’IA generativa (domanda esemplificatrice: “So come selezionare diversi strumenti di IA per compiti diversi.”; scala di risposta: 1 = “Non corrisponde affatto al vero”; 5 = “Corrisponde pienamente al vero”)
• quale sia il loro senso di responsabilità nell’uso dell’IA generativa (domanda esemplificatrice: “Quando utilizzo l’IA, sono responsabile di ciò che faccio.”; scala di risposta: 1 = “Non corrisponde affatto al vero”; 5 = “Corrisponde pienamente al vero”)

Oltre a ciò, sono stati rilevati dati sociodemografici quali il genere, l’età, la lingua che gli apprendisti parlano a casa e il livello di formazione (titolo più elevato) dei genitori.

Grandi differenze tra maschi e femmine

I maschi presentano per esempio un grado più elevato di efficacia personale nell’uso dell’IA generativa rispetto alle colleghe femmine.

Prendendo in esame i dati secondo la prospettiva del divario digitale, emergono alcuni punti problematici in relazione all’integrazione dell’IA generativa nella formazione professionale di base. Emerge anzitutto che la lingua parlata a casa e il livello di formazione dei genitori non hanno generalmente alcuna influenza (o un’influenza molto ridotta). Il genere, al contrario, appare avere un’influenza significativa su quasi ogni aspetto analizzato. La figura 1 mostra differenze statisticamente significative nelle medie tra femmine e maschi in relazione ad alcune variabili chiave esaminate. I maschi presentano per esempio un grado più elevato di efficacia personale nell’uso dell’IA generativa rispetto alle colleghe femmine (M maschi = 3.32, DS = 0.99; M femmine = 2.93, SD = 0.93; t[967] = 6.28, p < .001, d = 0.41). Sebbene test di performance abbiano mostrato che, per quanto riguarda le competenze digitali, di solito non ci sono differenze tra giovani donne e uomini (Siddiq & Scherer, 2019), le differenze in quanto a efficacia personale o valutazione soggettiva delle proprie competenze appaiono in grado di esercitare un’influenza sul loro futuro (per esempio nella scelta della carriera), contribuendo così alla riproduzione del divario digitale di genere. Va sottolineato che i giovani uomini tendono a valutare più elevate le proprie competenze tecniche, mentre le giovani donne sono più sensibili alle questioni etiche e agli impatti sociali dell’IA generativa (vedi anche Zhong & Liu, 2024). Una formazione digitale completa dovrebbe integrare entrambi gli aspetti, promuovendo tanto fra gli apprendisti quante fra le apprendiste sia le competenze tecniche sia la riflessione sugli aspetti etici e sociali (Gesellschaft für Informatik, 2016; UNESCO, 2024). È altresì interessante osservare che le apprendiste dichiarano di utilizzare l’IA generativa per le attività scolastiche in misura significativamente inferiore rispetto ai loro colleghi maschi. Inoltre, a scuola esse sperimentano significativamente più spesso un approccio di pedagogia dei media conservatore e significativamente meno spesso un approccio creativo-produttivo. Queste differenze possono essere dovute al fatto che le apprendiste sono sovrarappresentate in determinate formazioni in cui gli approcci conservatori sono più diffusi. Ciò mostra altresì come le stesse attività scolastiche svolgano un ruolo nella riproduzione del divario digitale di genere.

Approcci pedagogici ai media diversamente diffusi ed efficaci

Analisi di carattere esplorativo sulla frequenza d’uso, agli approcci pedagogici nei confronti dei media (cfr. Botturi, 2019) nonché su possibili fenomeni sia desiderati sia indesiderati evidenziano ulteriori sfide relative all’integrazione dell’IA generativa nella formazione professionale di base. È qui importante sottolineare che un’associazione statistica (correlazione) tra due variabili non dimostra ancora che una variabile causi l’altra (causalità). Tuttavia, tali correlazioni forniscono le prime evidenze empiriche sull’integrazione dell’IA generativa e sulle potenziali sfide che essa comporta.

La tabella 1 mostra come l’efficacia personale relativa all’IA generativa sia significativamente correlata alla frequenza del suo uso e ad approcci di pedagogia dei media critico-riflessivi piuttosto che creativo-produttivi. L’uso responsabile e informato dell’IA generativa appare correlato soprattutto a un approccio critico-riflessivo (vedi anche Consoli & Petko, 2025), mentre un approccio restrittivo o conservatore non mostra alcuna correlazione con un suo uso responsabile. Questi risultati indicano che, sebbene possano esserci valide ragioni etiche, normative o legate all’apprendimento per vietare l’IA generativa in determinati contesti o per determinati compiti, un divieto totale potrebbe impedire l’apprendimento dell’efficacia personale e della responsabilità nel suo uso. Nei dati da noi rilevati, l’approccio critico-riflessivo è risultato quello più diffuso (M = 2.57; SD = 1.07), seguito da quello conservatore (M = 2.35; SD = 1.05) e infine dall’approccio creativo-produttivo (M = 2.18; SD = 1.01).

La tabella 1 mostra altresì che la frequenza d’uso dell’IA generativa durante le lezioni, sul posto di lavoro e a casa, così come un approccio creativo-produttivo, sono spesso correlati a una riduzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio.

La tabella 1 mostra altresì che la frequenza d’uso dell’IA generativa nel tempo libero, a scuola, sul posto di lavoro e a casa, così come un approccio creativo-produttivo, sono spesso associati a una valutazione positiva dell’apprendimento con l’IA generativa. Allo stesso tempo, questi modi di utilizzo sono anche associati a una riduzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio. Al momento della rilevazione dei dati, né inegnanti né scuole sembrano aver ancora sviluppato strategie adeguate a prevenire tale comportamento.

L’uso critico-riflessivo dell’IA generativa è decisivo

Nel complesso, questi risultati mettono in luce la sfida consistente, da un lato, nel trasmettere efficacia personale (in particolare tra le apprendiste) e responsabilità nell’uso dell’IA generativa; dall’altro nel contrastare il rischio per il quale un uso frequente e non riflessivo dell’IA generativa potrebbe portare a una crescente diminuzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio (in particolare tra gli apprendisti). L’approccio più adatto per promuovere contemporaneamente efficacia personale e responsabilità nell’uso dell’IA generativa appare essere quello critico-riflessivo.  Questo approccio potrebbe peraltro spingere gli apprendisti ad analizzare e mettere criticamente in discussione il proprio uso dell’IA generativa nonché i suoi effetti sul loro pensiero e il loro apprendimento. Oltre a ciò, dovrebbero essere tenute in considerazione anche le possibili conseguenze a lungo termine sulla società. Secondo i nostri risultati empirici, un approccio critico-riflessivo risulta tuttavia leggermente correlato a una diminuzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio (r = 0.07, p < 0.05). Appaiono pertanto necessarie ulteriori strategie e misure – quali la definizione di regole d’uso dell’IA generativa (un processo che può anche essere strutturato in modo partecipativo coinvolgendo direttamente gli apprendisti) o lo sviluppo e attuazione di strategie pedagogiche per un uso dell’IA generativa nell’insegnamento capace di favorire l’apprendimento.

Figura 1: Differenze medie statisticamente significative tra apprendiste e apprendisti.

Tabella 1: Matrice di correlazione. Nota: r di Pearson, * p < .05, ** p < .01, *** p < .001. Legenda: i coefficienti di correlazione possono variare tra -1 e +1. Valori positivi indicano che valori più elevati di una variabile sono associati a valori più elevati dell’altra variabile. Per esempio, r = .49 tra l’utilizzo dell’IA generativa nell’insegnamento e la diminuzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio indica una correlazione positiva da moderata a relativamente positiva.

Conclusioni

Un approccio di pedagogia dei media critico-riflessivo all’IA generativa appare particolarmente adatto per promuovere contemporaneamente efficacia personale e responsabilità nel suo uso.

Il presente articolo analizza diverse sfide legate all’integrazione dell’intelligenza artificiale generativa (IA generativa) nell’insegnamento nelle scuole professionali. In particolare, esso mostra come il modo in cui sia gli apprendisti sia le scuole fanno uso dell’IA generativa riproduca il divario digitale di genere. Oltre a ciò, viene evidenziato come la frequenza d’uso dell’IA generativa così come un approccio di pedagogia dei media creativo-produttivo siano correlati a una diminuzione dell’impegno scolastico attraverso il ricorso a forme di imbroglio. Un approccio di pedagogia dei media critico-riflessivo all’IA generativa appare particolarmente adatto per promuovere contemporaneamente efficacia personale e responsabilità nel suo uso. Tuttavia, ciò deve essere accompagnato da ulteriori misure, quali la definizione di regole d’uso e lo sviluppo e attuazione di strategie pedagogiche per un utilizzo dell’IA generativa nell’insegnamento capace di favorire l’apprendimento.

Bibliografia

• Baacke, D. (1997). Medienpädagogik. Tübingen: Niemeyer.
• Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021, March). On the dangers of stochastic parrots: Can language models be too big?🦜. In Proceedings of the 2021 ACM conference on fairness, accountability, and transparency (pp. 610-623).
• Botturi, L. (2019). Digital and media literacy in pre-service teacher education: A case study from Switzerland. Nordic Journal of Digital Literacy, 14(3–4).
• Chen, S., & Cheung, A. C. (2025). Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysis. Educational Research Review, 100737.
• Consoli, T., & Petko, D. (2025). Which educational approaches predict students’ generative AI confidence and responsibility? Computers and Education: Artificial Intelligence, 9, 100431.
• Damberger, T. (2021). Medienentwicklung und Medienpädagogik: Künstliche Intelligenz. In U. Sander, F. von Gross, & K.-U. Hugger (Eds.), Handbuch Medienpädagogik. Springer.
• Gesellschaft für Informatik (2016). Dagstuhl-Erklärung: Bildung in der digitalen vernetzten Welt.
• Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6.
• Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., & Seidel, T. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and individual differences, 103, 102274.
• Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X. H., Beresnitzky, A. V., … & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint.
• Petko, D.; Cattaneo, A.; Gonon, P.; Antonietti, C.; Consoli, T.; Hartmann, M.; Michos, K.; Schmitz, M. L (2025). Digitale Transformation der Sekundarstufe II. Schlussbericht des DigiTrasII Projektes.
• Selwyn, N. (2004). Reconsidering political and popular understandings of the digital divide. New media & society, 6(3), 341-362.
• Siddiq, F., & Scherer, R. (2019). Is there a gender gap? A meta-analysis of the gender differences in students’ ict literacy. Educational Research Review, 27, 205–217.
• Suárez, D., & García-Mariñoso, B. (2025). On the verge of a digital divide in the use of generative AI?. Telecommunications Policy, 102997.
• UNESCO (2024). AI competency framework for students. United Nations Educational, Scientific and Cultural Organization.
• Zhong, B., & Liu, X. (2025). Evaluating AI literacy of secondary students: Framework and scale development. Computers & Education, 227, 105230.
• Zhu, Y., Liu, Q., & Zhao, L. (2025). Exploring the impact of generative artificial intelligence on students’ learning outcomes: A meta-analysis. Education and Information Technologies, 30(11), 16211-16239.
• Zuber, N., & Gogoll, J. (2024). Vox populi, vox ChatGPT: Large language models, education, and democracy. Philosophie, 9(1), 13.

Questo lavoro è protetto da copyright. È consentito qualsiasi uso, tranne quello commerciale. La riproduzione con la stessa licenza è possibile, ma richiede l'attribuzione dell’autore.