Ethan Mollick, Co-Existence: The Next Phase of AI, New York, Portfolio/Penguin Random House, 2026
Chi è Ethan Mollick
Ethan Mollick è professore alla Wharton School dell’Università della Pennsylvania. Studia gli effetti dell’intelligenza artificiale sul lavoro e sull’educazione e dirige i Generative AI Labs. Ha appena pubblicato il volume Co-Existence. The next phase of AI che è la continuazione del suo precedente volume, pubblicato nel 2024, intitolato Co‑Intelligence: Living and Working with AI (tradotto in italiano con il titolo L’intelligenza condivisa: Vivere e lavorare insieme all’AI – Luiss University Press, 2025). Un volume diventato un punto di riferimento per chi cerca di comprendere l’attuale fase dell’intelligenza artificiale. È autore anche della newsletter One Useful Thing e le sue ricerche sulla «frontiera frastagliata» (the Jagged Frontier) delle capacità dell’IA hanno contribuito a orientare il modo in cui imprese, scuole e decisori politici concepiscono questa tecnologia.
La nuova fase del rapporto con l’IA: the Jagged Frontier
Nel 2024, dice Mollick, nella maggior parte dei compiti l’IA era quasi certamente meno capace dell’interlocutore umano. Oggi la situazione è cambiata e occorre confrontarsi con sistemi più potenti e con la prospettiva di ulteriori progressi anche se un’intelligenza artificiale generale non è stata certo raggiunta. Il problema della coesistenza si pone tuttavia anche prima dell’apparire eventuale dell’intelligenza artificiale generale. Anche capacità parziali ma elevate possono infatti produrre trasformazioni rilevanti.
La “frontiera frastagliata” (the Jagged Frontier ) delle capacità dell’IA è il concetto che rende comprensibile questa condizione. I confini fra ciò che la macchina sa e non sa fare non corrispondono alla difficoltà che un essere umano attribuirebbe ai compiti. Prestazioni sorprendenti possono convivere con errori elementari; inoltre, la frontiera si sposta in modo diseguale con l’evoluzione dei modelli. Da qui derivano due rischi opposti: estendere a ogni ambito la fiducia generata da un successo oppure respingere l’intera tecnologia dopo averne osservato un fallimento. Per Mollick, collaborare efficacemente richiede di imparare a riconoscere questa discontinuità.
Cosa si intenda, visivamente, per frontiera frastagliata, è facilmente comprensibile visitando il sito https://co-existence.ai/ dedicato al volume e dove troviamo, ad esempio, il seguente schema interattivo che permette di simulare l’idea di frontiera frastagliata
Una parte della nuova fase dipende dai modelli di ragionamento, che possono impiegare passaggi intermedi per pianificare e correggere le risposte, e dagli agenti, ai quali vengono affidate attività articolate attraverso strumenti e ambienti operativi. La tesi di Mollick è che una prestazione straordinaria non garantisce affidabilità negli altri compiti, neppure in quelli che giudichiamo più facili. Per questo dobbiamo conoscere le capacità dell’IA rispetto all’attività concreta che vogliamo affidarle. A scuola, per esempio, un sistema potrebbe risolvere un esercizio avanzato e poi dare un suggerimento didattico inadeguato o non riconoscere un proprio errore. Saper risolvere il problema e saper aiutare uno studente a comprenderlo sono capacità da verificare separatamente.
Come collaborare con l’AI?
In Co-Existence dunque Mollick affronta una situazione in cui l’intelligenza artificiale può già superare gli esseri umani in alcune attività intellettuali, pur rimanendo inaffidabile in altre. Da qui la domanda: come vivere, lavorare e continuare a sviluppare capacità proprie accanto ai sistemi AI? Il tema AI e educazione attraversa questa domanda ben oltre il capitolo che le è espressamente dedicato, perché il libro torna ripetutamente sulle condizioni in cui la collaborazione con l’IA rafforza o indebolisce il pensiero umano.
In realtà già in L’intelligenza condivisa Mollick dedicava un capitolo all’IA come tutor e uno all’IA come coach: vi comparivano il riferimento a Bloom, la crisi (chiamata Apocalisse) dei compiti a casa, il sostegno all’apprendimento attivo e il problema di come continuare a formare persone esperte. La novità di Co-Existence non coincide quindi con la scoperta del potenziale educativo dell’IA o dei rischi della delega. Il secondo volume riprende queste domande in una situazione tecnologica diversa e le sviluppa attraverso ulteriori risultati di ricerca e problemi di attuazione.
Anche la frontiera frastagliata era già presente nel primo libro. Mollick la introduceva infatti nel primo dei quattro principi della co-intelligenza per spiegare perché occorresse sperimentare direttamente le capacità dei sistemi. In Co-Existence diventa il riferimento che organizza l’intero ragionamento: capacità più elevate non producono una competenza uniforme, e lo spazio della collaborazione umana dipende ancora dal riconoscimento delle discontinuità. La continuità riguarda quindi sia l’interesse educativo sia il modo di interpretare la tecnologia.
I quattro principi per lavorare con l’IA
Nel capitolo 3 dell’Intelligenza condivisa Mollick propone quattro principi generali per lavorare con l’IA. Non sono istruzioni riservate alla scuola: definiscono una postura che aiuta a comprendere anche le successive proposte educative. Si tratta di regole abbastanza generali così da rimanere utili anche mentre cambiano i modelli.
Il primo è «aggiungi un posto a tavola per la AI». L’invito è a coinvolgerla nelle attività per cui non sussistano impedimenti etici o legali, perché l’esperienza diretta permette di scoprirne opportunità e limiti. Lo stesso paragrafo affronta la dipendenza e la possibilità di perdere capacità di giudizio: sperimentare non significa affidarle indiscriminatamente le decisioni. Co-Existence conserva questo invito all’esplorazione, affiancandogli una trattazione esplicita delle circostanze in cui usare l’IA ostacola l’apprendimento o sottrae valore all’attività.
Il secondo è «sii l’umano nel processo». L’intervento della persona incorpora giudizio, esperienza e responsabilità, riconosce gli errori plausibili e contrasta la fiducia acritica. Mollick lo presenta anche come una condizione per continuare a imparare. Nel nuovo libro questo principio incontra la possibilità di delegare a un agente senza seguirne ogni passaggio: la responsabilità umana viene esercitata anche attraverso la definizione degli obiettivi e la valutazione del lavoro concluso.
Il terzo è «tratta la AI come una persona (ma cerca di capire che tipo di persona sia)». La formula introduce un’analogia operativa: assegnare ruoli e contesto può orientare l’interazione. Mollick chiarisce però che il linguaggio antropomorfico è metaforico e discute i rischi di inganno e di aspettative irrealistiche. Il ruolo di tutor, critico o collaboratore è quindi un modo di indirizzare il sistema, non una prova che possieda le qualità umane corrispondenti.
Il quarto è «non userete mai una AI peggiore di quella che state usando adesso». È la previsione di Mollick sul miglioramento dei sistemi e dei modi di utilizzarli, formulata mentre scrive alla fine del 2023. Il paragrafo anticipa anche l’arrivo di agenti parzialmente autonomi. Co-Existence sviluppa questo orizzonte, chiedendo di aggiornare il giudizio sulle capacità delle macchine senza scambiare i loro limiti attuali per confini permanenti.
Collaborare e delegare mantenendo il giudizio
Il capitolo 4 di Co-Existence distingue tre modalità di collaborazione definite centauro, cyborg, conjurer.
Nel lavoro da centauro, persona e IA si dividono le attività con passaggi riconoscibili. Nel lavoro da cyborg, i contributi si intrecciano durante il processo. Entrambe erano già descritte nell’Intelligenza condivisa. La terza modalità, quella dell’evocatore, o conjurer, consiste nell’affidare a un agente un obiettivo articolato, lasciargli eseguire il lavoro e valutarne il risultato. Le tre modalità rispondono a esigenze differenti: alcune attività richiedono la presenza continua della persona, altre consentono una delega più ampia.
A questa trasformazione corrisponde il passaggio dal prompt engineering, inteso come ricerca di formule particolarmente efficaci, al context engineering: fornire informazioni, obiettivi, vincoli e criteri di riuscita sufficientemente chiari. Mollick avvicina queste capacità alla gestione del lavoro e alla delega. La convenienza dell’operazione dipende anche dal tempo necessario a controllare ciò che l’IA produce e dalla probabilità che lo produca correttamente. La velocità della generazione, presa da sola, non misura il vantaggio effettivo.
Questo passaggio precisa una previsione già formulata nel primo volume. Nel paragrafo “insegnare la AI”, Mollick descriveva tecniche di prompting allora utili, ma ne considerava temporanea l’importanza: sistemi migliori avrebbero compreso più facilmente le intenzioni degli utenti. Raccomandava di insegnarne limiti, bias e impieghi contrari all’etica, senza collocare l’ingegneria del prompt al centro della scuola. La critica alla centralità educativa del prompting è dunque una continuità; il nuovo libro ne aggiorna le ragioni e sviluppa le competenze necessarie alla delega.
L’autore illustra questa scelta attraverso la scrittura del proprio libro. Dichiara di redigere personalmente le bozze dei capitoli, perché scrivere gli serve a elaborare il pensiero e perché una prima versione generata potrebbe orientare le idee prima che siano maturate. Usa poi l’IA per ricevere critiche, individuare fonti, controllare informazioni e superare alcuni blocchi di scrittura. È un esempio della distinzione, ricorrente nel volume, fra le fasi in cui l’aiuto accresce le possibilità della persona e quelle in cui rischia di sostituire un processo che la persona ha ragione di compiere.
Svolgere un compito e imparare a svolgerlo
Il nodo educativo di Co-Existence emerge nel capitolo 5. Un assistente progettato per essere utile tende a fornire risposte e a ridurre la fatica dell’interlocutore. Nell’apprendimento, però, una parte della fatica serve a costruire comprensione e memoria. Leggere una soluzione ben spiegata può dare la sensazione di aver imparato, senza sviluppare la capacità di risolvere autonomamente il problema. Mollick richiama le “difficoltà desiderabili” per spiegare perché la facilità dell’interazione non sia un indicatore sufficiente della qualità dell’apprendimento.
Il caso esemplare è uno studio[1] su studenti turchi: Mollick riferisce che l’uso non vincolato di ChatGPT per l’aiuto nei compiti si accompagna a risultati inferiori del 17% rispetto al gruppo senza IA, pur in presenza di maggiore sicurezza percepita. Quando il sistema viene istruito a comportarsi da tutor, l’effetto negativo scompare. L’autore distingue questo esito da un secondo studio, condotto a Taipei, nel quale un tutor opportunamente guidato migliora i punteggi. La differenza fra eliminare un danno e produrre un beneficio resta essenziale nella sua esposizione.
In sostanza si sostiene che la difficoltà può avere una funzione anche nella produzione di conoscenza. Richiamando il concetto di “fallimento produttivo”, Mollick descrive come il tentativo di affrontare un problema prima di riceverne la soluzione possa preparare una comprensione più profonda. Estende il ragionamento alla scrittura, alla ricerca e all’imprenditorialità, dove revisioni e insuccessi contribuiscono allo sviluppo dell’esperienza. Precisa però che non ogni ostacolo è formativo: esistono anche vicoli ciechi e lavoro sprecato. Occorre quindi decidere quali difficoltà preservare e quali rimuovere.
La perdita di capacità attraverso il mancato esercizio costituisce un ulteriore rischio. Per evitarla, Mollick propone un uso intenzionale dell’IA, che può comprendere momenti di lavoro autonomo oppure interazioni in cui la persona chiede spiegazioni e continua a svolgere parti significative dell’attività. Il libro mantiene così distinta l’efficienza immediata dalla conservazione e dallo sviluppo delle competenze.
La proposta del tutor e le condizioni della sua efficacia
La proposta del tutoraggio ha una storia interna ai due volumi. Il capitolo 7 dell’Intelligenza condivisa si apriva con lo studio di Bloom del 1984[2] e con l’aspirazione a rendere accessibile un sostegno individualizzato di alta qualità. L’autore precisava già che non tutti gli studi sul tutoraggio avevano riscontrato un impatto altrettanto significativo e che nessun metodo alternativo aveva regolarmente eguagliato o superato l’effetto dei due sigma.
Il capitolo 8 di Co-Existence si apre con la domanda se l’IA possa aiutare a imparare. Mollick richiama un tutor di matematica su WhatsApp in Ghana, uno studio della Banca mondiale in Nigeria con supervisione docente e un esperimento a Harvard nel quale il tutoraggio IA produce un apprendimento circa doppio rispetto al confronto con lezioni di apprendimento attivo. Aggiunge una meta-analisi di oltre trenta esperimenti, che riporta effetti positivi dell’uso controllato, particolarmente quando l’interazione dura più a lungo ed è inserita in un ambiente strutturato. Sono evidenze che l’autore considera incoraggianti per il tutoraggio ben progettato.
Lo stesso passaggio riconosce risultati nulli o negativi in altri esperimenti. “IA in educazione” è infatti un titolo che comprende impieghi differenti: il ruolo assegnato al sistema, il sostegno didattico che circonda l’interazione e il coinvolgimento dell’insegnante contribuiscono a determinarne l’effetto. L’uso non strutturato di un assistente per ottenere aiuto nei compiti non può dunque essere assimilato al tutoraggio sperimentato entro condizioni definite.
La sezione sul tutor universale mostra concretamente come possa cambiare l’interazione. A una richiesta di risolvere un problema il sistema risponde con la soluzione. Se invece gli si chiede di guidare la comprensione senza rivelare la risposta, specificando il livello scolastico, può proporre passaggi e invitare lo studente a tentare. Aggiungere interessi personali consente analogie su misura, ma Mollick precisa che una spiegazione più piacevole non necessariamente migliora l’apprendimento. Distingue questa personalizzazione dalla possibilità di adattarsi a livelli di capacità, lingue, culture e progressi nel tempo.
La multimodalità amplia ulteriormente le possibilità: il sistema può ascoltare e osservare lo studente mentre affronta un’attività. Parallelamente, i docenti possono produrre materiali personalizzati e giochi educativi, impiegando la conoscenza della classe e il proprio giudizio per controllare il contributo dell’IA. In questa ricostruzione l’insegnante interviene nella progettazione e nella verifica degli strumenti.
Per spiegare perché attribuisca al tutoraggio IA un potenziale diverso da precedenti innovazioni, Mollick ripercorre due diverse esperienze: One Laptop per Child e i MOOC. Il primo progetto affrontava l’accesso ai dispositivi, i secondi l’accesso ai contenuti; entrambi, nella sua lettura, hanno prodotto risultati inferiori alle promesse di trasformazione educativa. Restavano insufficienti l’attenzione individualizzata, il riscontro sul lavoro dello studente e le condizioni sociali e motivazionali dell’apprendimento. Nel caso dei MOOC sottolinea la distanza fra accedere alle lezioni di un’università e partecipare all’esperienza formativa offerta da quell’università.
Il tutor universale è la proposta di rendere disponibile su larga scala quell’attenzione individuale. Mollick richiama il problema dei due sigma di Benjamin Bloom, precisando che il celebre risultato del tutoraggio individuale non è stato pienamente replicato. Non presenta quindi l’IA come una soluzione già dimostrata a quel problema: individua una possibilità da sviluppare e verificare. Denuncia inoltre l’assenza, per quanto gli risulta, di un’iniziativa su larga scala che costruisca uno strumento pensato fin dall’origine per apprendere, lo sottoponga a prove rigorose e lo renda gratuitamente accessibile a ogni studente.
La professione docente nella proposta di Mollick
Nel primo libro, il tutor era inserito soprattutto nella prospettiva della scuola capovolta: acquisire contenuti fuori dall’aula e utilizzare il tempo condiviso per applicazioni, discussioni e collaborazione. Mollick riteneva che l’IA potesse aiutare i docenti a preparare materiali e attività, sostenendo gli studenti prima del lavoro in classe. Riconosceva che il valore del capovolgimento dipendeva dall’effettivo apprendimento attivo e dalle risorse necessarie a realizzarlo. Il tutor non era quindi presentato come una ragione per superare la scuola, ma come una possibilità per riorganizzarne tempi e funzioni.
Nel secondo volume Mollick afferma che l’IA sembra funzionare meglio quando è integrata nell’esperienza di classe, anziché impiegata per sostituire gli insegnanti. La sua ricostruzione delle promesse mancate dell’EdTech attribuisce valore alla capacità di accorgersi della confusione di uno studente, porre la domanda adatta e modificare la spiegazione. Queste funzioni aiutano a comprendere perché l’accesso alle informazioni, da solo, non basti a educare.
L’autore segnala tuttavia un vuoto di sostegno istituzionale. Richiama un sondaggio Gallup del 2025 su oltre duemila insegnanti delle scuole pubbliche statunitensi, secondo il quale circa due terzi non avevano ricevuto formazione sull’IA. Accanto a questo dato descrive comunità di docenti che sperimentano e condividono strumenti. Gli utilizzatori frequenti dichiarano di risparmiare l’equivalente di sei settimane annuali di preparazione, reinvestendo tempo in feedback, progettazione e colloqui individuali. Il volume presenta questo risultato come esperienza riferita da una parte dei docenti, non come guadagno automaticamente disponibile a tutti.
La presenza umana può inoltre avere un significato che eccede la qualità del prodotto. Mollick racconta di continuare a correggere personalmente i lavori degli studenti, pur riconoscendo le capacità dell’IA nella valutazione, perché avverte un obbligo nei loro confronti. Il suo esempio rende esplicita la necessità di considerare anche il valore relazionale di un’attività quando si decide se delegarla.
Le conoscenze e le capacità da coltivare
L’importanza delle conoscenze costituisce un’altra continuità. Nell’Intelligenza condivisa il capitolo sull’IA come coach spiegava che per valutare un risultato, affrontare problemi nuovi e ragionare criticamente occorre una competenza radicata in conoscenze di base. Il percorso verso l’esperienza richiede pratica deliberata: difficoltà crescente, riscontri pertinenti e guida. L’IA veniva proposta come un possibile sostegno a queste condizioni, pur con limiti che ne impedivano allora la piena realizzazione. Co-Existence riprende il problema e mette maggiormente a fuoco anche il pericolo che un aiuto troppo immediato rimuova l’esercizio necessario.
La risposta di Co-Existence alla domanda su che cosa insegnare riprende quattro risorse umane sviluppate nel capitolo 5: conoscenza profonda, conoscenza ampia, gusto e agency. Mollick non le presenta come un elenco di prestazioni in cui la macchina sarà necessariamente sempre inferiore. Dopo aver richiamato la “lezione amara”[3] di Richard Sutton sull’efficacia della scala computazionale, distingue le situazioni in cui un buon risultato è chiaramente specificabile da quelle in cui contano processi, relazioni e valutazioni controverse. Le quattro risorse servono a orientare il lavoro con l’IA entro questa condizione.
La conoscenza profonda permette di cogliere errori plausibili, formulare domande pertinenti e valutare situazioni inconsuete. Nella traduzione educativa di questa idea, Mollick sostiene che occorrano più conoscenze fattuali, non meno: le informazioni interiorizzate costruiscono la struttura attraverso cui si comprende e si giudica ciò che il sistema restituisce. Conoscere davvero un argomento permette un confronto esigente con l’IA; riceverne una sintesi fluente può invece essere scambiato per comprensione.
La conoscenza ampia consente di riconoscere collegamenti fra campi e di mobilitare prospettive che l’utente deve almeno sapere esistenti per poterle richiedere. Mollick ne ricava un argomento a favore dell’ampiezza culturale e delle discipline umanistiche: una specializzazione precoce fondata sull’idea di occupare uno spazio che l’IA non sa ancora presidiare sarebbe fragile, perché il confine delle sue capacità continua a cambiare.
Il gusto è invece presentato come la capacità di distinguere ciò che merita attenzione fra molte produzioni possibili. Quando generare materiale diventa rapido ed economico, aumenta il peso della selezione. Mollick collega la formazione di questa capacità all’incontro con opere diverse e alla costruzione di giudizi sulle loro qualità.
L’agency indica invece la disposizione a prendere iniziativa e sperimentare senza attendere istruzioni. L’autore riconosce che questa possibilità dipende anche dalle condizioni in cui una persona opera: sostegno, strumenti e autorizzazione a sperimentare possono favorirla.
Nel capitolo educativo questa proposta comprende l’esercizio del giudizio in condizioni d’incertezza. Mollick richiama studi di caso, lettura di testi ambigui, simulazioni, dilemmi etici e dibattito storiografico, riconoscendo che sono pratiche già presenti in diverse discipline. Racconta inoltre un’attività con partecipanti prevalentemente iscritti a un executive MBA: creare una startup in quattro giorni con l’IA, collegandola ad almeno due esperienze, competenze o passioni personali raccolte prima del compito nel questionario Voight-Kampff. Il vincolo serve a far sì che gli studenti mettano qualcosa di proprio nel progetto e vi riconoscano una posta in gioco personale.
Valutazione e formazione dei futuri esperti
La crisi dei compiti a casa, denominata Homework Apocalypse, mette in discussione la possibilità di dedurre le capacità dello studente dalla qualità di un elaborato svolto senza osservazione. Mollick ricostruisce la rincorsa fra rilevatori, espedienti dei docenti e strategie degli studenti. Considera però gestibile il problema della verifica attraverso attività in classe, discussioni dal vivo ed esami sorvegliati. Riconosce al tempo stesso l’indebolimento di pratiche valide, come i saggi estesi da preparare a casa, e invita a non fare del contrasto all’imbroglio la priorità assoluta dell’educazione con l’IA.
Nella parte finale del capitolo, la questione si estende alla certificazione. Diplomi e valutazioni presupponevano che il lavoro prodotto rappresentasse ciò che una persona sapeva e sapeva fare. L’IA rende meno sicuro questo nesso. Mollick auspica nuove modalità di certificare capacità attraverso attività con e senza IA, senza definire un sistema completo di criteri o procedure. La responsabilità delle istituzioni consiste nel riuscire sia a formare sia a rendere riconoscibili le competenze effettive.
La formazione degli esperti costituisce il versante professionale dello stesso problema. Richiamando Matt Beane, Mollick descrive tre condizioni dell’apprendimento sul lavoro:
- compiti sufficientemente impegnativi
- accesso alla complessità dell’attività
- relazione di fiducia con un professionista esperto.
L’IA può indebolirle se i senior smettono di delegare ai principianti e questi ultimi affidano a loro volta il lavoro alla macchina. Ridurre le assunzioni iniziali può apparire conveniente alla singola organizzazione, ma compromettere collettivamente la formazione dei futuri esperti.
Anche questo rischio era già riconosciuto nel primo volume. All’inizio del capitolo “La AI come coach”, Mollick descriveva la possibilità che gli esperti, potendo svolgere autonomamente alcune mansioni con l’IA, sottraessero ai principianti occasioni di provare e sbagliare sotto supervisione. Il nuovo libro approfondisce la portata collettiva di questa interruzione e la collega più esplicitamente al ruolo futuro delle istituzioni formative.
Mollick individua due possibili risposte: riprogettare la formazione nelle organizzazioni, rafforzando il rapporto fra esperti e principianti, e accrescere il ruolo dell’istruzione formale nello sviluppo di capacità professionali. L’IA può ridurre divari di prestazione proprio perché svolge una parte del lavoro; ciò non equivale ad aver costruito nelle persone le conoscenze che consentono di guidarla e controllarla. È questa distinzione a sostenere l’ipotesi, apparentemente controintuitiva, che una maggiore capacità delle macchine possa richiedere più formazione umana.
Le condizioni istituzionali della trasformazione educativa
Il problema dell’equità emerge esplicitamente nello scenario della crescita progressiva delle capacità dell’IA, chiamato Escalator (scala mobile, ascensore sociale, diremmo in italiano). Mollick immagina che scuole dotate di insegnanti preparati, risorse e flessibilità organizzativa riescano a integrare deliberatamente i nuovi strumenti, mentre quelle meno attrezzate oscillino fra divieto e uso senza guida. Il rischio è che una tecnologia potenzialmente capace di ampliare l’accesso all’aiuto individuale accresca le disuguaglianze.
La proposta educativa del volume assegna quindi un compito anche alle istituzioni. Il potenziale dei tutor richiede strumenti progettati per l’apprendimento, valutazioni rigorose e condizioni che ne rendano possibile un impiego guidato. Mollick chiude il capitolo sull’educazione chiedendo di coinvolgere docenti, genitori e studenti nella costruzione di una nuova visione condivisa. Lascia aperta la possibilità di un’altra promessa tecnologica mancata, ma affida alle scelte formative e organizzative la possibilità di ottenere un esito diverso.
Letti in successione, i due libri mostrano una proposta educativa persistente: sperimentare, conservare il giudizio umano, sostenere l’apprendimento con il tutoraggio e continuare a formare conoscenze e competenze. Co-Existence la colloca in un quadro nel quale il lavoro delegabile è aumentato e diventano più pressanti le domande sulla verifica degli apprendimenti e sulle condizioni istituzionali dell’accesso. La crescente capacità delle macchine rende più esigente la realizzazione di principi già formulati, anziché renderli superflui.
Edizioni di riferimento
Mollick, E., L’intelligenza condivisa. Vivere e lavorare insieme all’AI. Prefazione di Giuseppe F. Italiano. Traduzione di Paolo Bassotti. Roma: Luiss University Press. Prima edizione italiana, aprile 2025; edizione originale: Co-Intelligence: Living and Working with AI, Portfolio/Penguin, 2024.
Mollick, E., Co-Existence: The Next Phase of AI. New York: Portfolio/Penguin Random House 2026
[1] Mollick cita lo studio di Bastani, H. O. Bastani, A. Sungu, H. Ge, O. Kabakcı and R. Mariman (2024), “Generative AI Can Harm Learning”, The Wharton School Research Paper, Available at SSRN: http://dx.doi.org/10.2139/ssrn.4895486. Lo stesso studio è stato successivamente pubblicato nel 2025 su PNAS con il titolo più preciso di Generative AI without guardrails can harm learning: Evidence from high school mathematics , DOI: 10.1073/pnas.2422633122 pubmed.ncbi.nlm.nih.gov . Lo studio è anche alla base di una parte importante del rapporto OCSE2026 (Digital educational outlook) dove viene utilizzato per introdurre il rischio della “scorciatoia cognitiva”: l’uso passivo dell’IA che riduce lo sforzo cognitivo e fornisce risposte pronte senza che vi sia reale comprensione
[2] B. Bloom, “The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring”, in Educational Researcher (Vol. 13, No. 6, pp. 4-16 – 1984). Il testo è disponibile on line. Il riferimento a Bloom è centrale soprattutto perché la stessa sperimentazione su AI e Didattica realizza dal MIM in 15 scuole italiane parte proprio dall’ipotesi di Bloom.
[3] La “lezione amara” è la tesi formulata da Richard Sutton nel breve saggio The Bitter Lesson, del 13 marzo 2019. Sutton sostiene che nella storia dell’IA, i metodi generali capaci di sfruttare quantità crescenti di calcolo hanno finito per superare quelli costruiti inserendo manualmente conoscenze e strategie degli esperti umani. Sutton individua soprattutto due metodi: la ricerca tra possibilità e l’apprendimento dall’esperienza. cs.utexas.edu. Un esempio sono gli scacchi. Si può cercare di insegnare a un programma tutte le strategie elaborate dai grandi giocatori, traducendole in regole. Oppure si può costruire un sistema capace di esplorare moltissime mosse e valutarne le conseguenze. Sutton osserva che gli approcci capaci di utilizzare enormi risorse di calcolo hanno prodotto i progressi decisivi. È una lezione “amara” per i ricercatori: incorporare nel programma la propria comprensione del problema è intellettualmente gratificante e può dare risultati immediati. Nel lungo periodo, però, quella struttura può diventare un limite, mentre metodi più generali continuano a migliorare grazie all’aumento del calcolo disponibile. È un’interpretazione storica dello sviluppo dell’IA, non una garanzia che aumentare la potenza migliori qualsiasi sistema.
Per il nostro discorso educativo, occorre distinguere due questioni: quanto una macchina diventa capace di risolvere problemi e quanto una persona impara utilizzandola. La tesi di Sutton riguarda la prima. Non dimostra che un’IA più potente produca automaticamente un apprendimento migliore: per questo servono progettazione didattica e verifiche su ciò che lo studente sa fare autonomamente. È proprio la distinzione resa evidente dall’esperimento turco che abbiamo appena discusso.
