Settembre è tradizionalmente il mese del ritorno sui banchi. Scuole e università ripartono, si torna a parlare di programmi, competenze e modalità di apprendimento.
Quest’anno, però, c’è una domanda in più.
Cosa significa imparare in un mondo nel quale un’intelligenza artificiale può scrivere un testo, risolvere un problema, produrre codice, sintetizzare un documento o costruire in pochi secondi una risposta che fino a pochi anni fa avrebbe richiesto ore di lavoro?
È una domanda che il Massachusetts Institute of Technology ha deciso di affrontare in modo strutturale.
Il 13 agosto 2026 il MIT ha pubblicato il rapporto finale del suo Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, costituito per analizzare come studenti e docenti stiano utilizzando l’intelligenza artificiale generativa, comprendere le conseguenze sulla didattica e proporre nuove regole per il suo utilizzo.
La presidente del MIT Sally Kornbluth ha definito l’arrivo dell’AI generativa un vero “watershed moment”, un punto di svolta per il modello educativo dell’università e, più in generale, per l’intero sistema dell’istruzione superiore. Nella sua lettera richiama anche la missione originaria del MIT: aiutare le persone a sviluppare le proprie capacità di scoperta, problem solving e invenzione.
Ma sarebbe riduttivo leggere il documento come l’ennesima discussione sull’utilizzo degli strumenti di AI generativa nelle scuole. Perché molte delle domande poste dal MIT riguardano anche il modo in cui formiamo oggi le persone nelle aziende.
Il problema non è che l’AI sa fare i compiti
Uno dei temi centrali del rapporto riguarda una trasformazione ormai evidente: i sistemi di AI generativa possono intervenire in una quantità crescente di attività che fino a pochissimo tempo fa richiedevano direttamente l’elaborazione dello studente.
La reazione più immediata potrebbe essere semplice: impediamo di utilizzarli.
Il MIT sceglie una strada diversa.
Perché il problema non è soltanto scoprire chi ha fatto il compito.
La questione più profonda è capire se il compito continua a essere uno strumento valido per produrre e misurare apprendimento.
Se posso ottenere una risposta corretta senza attraversare il percorso cognitivo necessario per costruirla, posso avere un ottimo risultato e contemporaneamente aver imparato molto poco.
Ed è qui che il ragionamento diventa interessante anche fuori dall’università.
Pensiamo alla formazione aziendale.
Un partecipante frequenta un corso sulla comunicazione, sull’analisi dei dati, sulla gestione delle persone o sull’utilizzo dell’AI. Al termine gli viene chiesto di produrre una presentazione, un’analisi, una procedura o un piano d’azione.
Oggi un sistema di intelligenza artificiale può aiutarlo a produrre in pochi minuti un elaborato formalmente eccellente.
Ma la qualità dell’output dimostra ancora la qualità della competenza acquisita?
Non necessariamente.
Ed è probabilmente questa una delle grandi questioni che la formazione aziendale dovrà affrontare nei prossimi anni.
“Augmentation, not automation”
Tra i principi che emergono dal lavoro del MIT ce n’è uno particolarmente interessante: augmentation, not automation.
L’intelligenza artificiale dovrebbe aumentare le capacità della persona, non sostituirla nel processo che permette di svilupparle.
Il tema è quello del cognitive offloading: delegare progressivamente alla macchina attività di ragionamento, elaborazione e problem solving che rappresentano proprio il terreno sul quale costruiamo competenze.
Anche docenti MIT coinvolti nel dibattito hanno posto la questione nei termini di una scelta tra offloading e uplifting: l’AI può essere utilizzata per scaricare il lavoro cognitivo oppure per sostenere e sviluppare il processo di comprensione.
Ottenere velocemente la risposta giusta può creare un’illusione di apprendimento.
Il principio potrebbe essere trasferito quasi letteralmente nel mondo del lavoro: pro-worker AI, non worker-replacement AI.
Non chiedersi soltanto quante attività possiamo automatizzare, quindi, ma quali attività possiamo svolgere meglio grazie all’AI e quali competenze dobbiamo continuare a esercitare direttamente per non perderle.
L’AI è già dentro il processo di apprendimento
Un altro elemento interessante emerge dalle rilevazioni condotte all’interno della comunità MIT.
In una survey realizzata nel 2025 su oltre mille persone della comunità dell’Istituto, il 46% degli undergraduate dichiarava di utilizzare quotidianamente strumenti basati su large language model. Allo stesso tempo, il 90% dichiarava almeno un certo livello di preoccupazione rispetto al rischio di dipendere eccessivamente da questi strumenti.
C’è quindi una situazione apparentemente contraddittoria: si utilizza moltissimo l’AI e contemporaneamente se ne percepiscono i rischi.
Ancora più significativo è un altro dato.
Quasi il 70% degli studenti intervistati considera la capacità di utilizzare strumenti di AI importante per la propria carriera, ma soltanto un quarto di essi ritiene che il MIT li stia preparando adeguatamente a utilizzarli nel contesto professionale.
Probabilmente è questo il dato che dovrebbe interessare maggiormente anche le imprese.
Perché qualcosa di molto simile sta già accadendo nelle organizzazioni.
Le persone utilizzano strumenti di AI prima ancora che l’azienda abbia definito come utilizzarli. Imparano attraverso tentativi, tutorial, colleghi e sperimentazione individuale. Alcuni ne fanno un uso evoluto, altri chiedono semplicemente alla tecnologia di produrre al posto loro ciò che devono realizzare.
Il vero rischio, allora, non è soltanto avere collaboratori che non utilizzano l’AI.
È avere collaboratori che la utilizzano moltissimo senza essere stati formati a farlo.
La formazione aziendale deve cambiare domanda
Uno dei principi utili che possiamo ricavare dal lavoro del MIT è quello di partire dagli obiettivi di apprendimento.
Prima di chiedersi: Possiamo utilizzare l’AI durante questa attività?
bisognerebbe chiedersi: Cosa vogliamo che questa persona sappia, sappia fare e sappia valutare al termine del percorso?
Solo dopo viene la scelta dello strumento.
Può sembrare una differenza sottile. In realtà cambia completamente il modo di progettare la formazione.
Prendiamo un corso destinato a un responsabile HR.
Se l’obiettivo è insegnargli semplicemente a predisporre una job description, utilizzare un sistema di AI generativa può essere perfettamente coerente.
Se invece l’obiettivo è sviluppare la capacità di analizzare un ruolo, individuare competenze, comprendere le esigenze organizzative e confrontarsi con il responsabile della funzione, lasciare che l’AI realizzi l’intero processo rischia di annullare proprio l’apprendimento che volevamo produrre.
L’output può essere identico. La competenza sviluppata no.
Non serve una sola regola sull’AI
Anche su questo il MIT propone un approccio interessante.
Il rapporto rifiuta di fatto l’idea di una regola universale valida per qualsiasi percorso. Un corso di scrittura, uno di matematica e un laboratorio di progettazione hanno finalità differenti e possono quindi richiedere rapporti completamente diversi con l’AI.
Per l’autunno 2026 il MIT ha proposto ai docenti un modello articolato in quattro possibili impostazioni, lasciando comunque alle singole discipline la responsabilità di stabilire regole coerenti con gli obiettivi formativi. Gli studenti, sottolinea il rapporto, chiedono soprattutto chiarezza su quando, dove e perché l’AI sia vietata, consentita oppure richiesta.
Nella formazione aziendale potremmo tradurre questo principio in quattro situazioni:
- utilizzo dell’AI liberamente consentito;
- utilizzo consentito esclusivamente come supporto;
- utilizzo dell’AI richiesto perché parte della competenza da sviluppare;
- utilizzo dell’AI non consentito perché l’obiettivo dell’attività è esercitare direttamente una determinata capacità.
In un’esercitazione potremmo chiedere alla persona di ragionare inizialmente senza AI.
In una seconda fase potremmo consentirle di utilizzarla per confrontare il proprio ragionamento.
In un’altra attività potremmo rendere obbligatorio l’utilizzo dell’AI e valutare proprio la capacità di formulare richieste, verificare risultati e correggere errori.
In altre ancora potrebbe essere utile eliminarla completamente.
La questione, quindi, non è stabilire se l’AI sia ammessa o vietata ma spiegare perché lo è in relazione alla competenza che vogliamo costruire.
Il rischio più grande: formare persone bravissime a produrre output
Per molti anni la formazione aziendale ha misurato soprattutto la partecipazione.
Ore frequentate. Corsi conclusi. Attestati ottenuti.
Successivamente abbiamo iniziato a chiedere degli output: project work, esercitazioni, business case.
L’intelligenza artificiale ci obbliga probabilmente a compiere un ulteriore passaggio.
Dobbiamo tornare a osservare il processo.
- Come è stata costruita quella soluzione?
- Quali alternative sono state considerate?
- Perché è stata presa quella decisione?
- La persona è in grado di spiegare, difendere e modificare ciò che ha prodotto?
- Sa riconoscere quando l’AI sta sbagliando?
- Sa quando non dovrebbe utilizzarla?
Sono domande molto più importanti della semplice capacità di formulare una buona richiesta a un sistema di AI.
Il futuro della formazione aziendale potrebbe quindi essere paradossalmente più tecnologico e contemporaneamente più umano.
Più AI durante l’apprendimento.
Ma anche più confronto, sperimentazione, feedback, casi reali, lavoro di gruppo, discussione e applicazione sul campo.
Formare all’AI non significa fare un corso sull’AI
Ed eccoci forse alla considerazione più importante per imprese e professionisti HR.
Molte organizzazioni stanno iniziando a pensare alla formazione sull’intelligenza artificiale come a una nuova materia da aggiungere al catalogo: corso introduttivo sull’AI generativa, tecniche di prompting, strumenti disponibili, qualche esercitazione.
È necessario, ma probabilmente non sufficiente.
Il rapporto del MIT suggerisce una direzione più ambiziosa.
L’AI literacy dovrebbe attraversare progressivamente le diverse discipline.
Per utilizzare efficacemente questi strumenti bisogna saper formulare il problema, valutare la risposta, riconoscere possibili errori e allucinazioni e soprattutto capire quando non utilizzare l’AI.
Utilizzarla responsabilmente significa anche comprendere la differenza tra ricevere supporto e delegare interamente il lavoro; farlo in maniera consapevole richiede attenzione a dati, bias, proprietà intellettuale, trasparenza e responsabilità.
Tradotto in azienda significa che probabilmente non avremo soltanto bisogno di un “corso sull’AI”.
Dovremo ripensare:
- la formazione commerciale con l’AI;
- la formazione manageriale con l’AI;
- la formazione HR con l’AI;
- la formazione amministrativa con l’AI;
- la formazione dei professionisti con l’AI.
Perché l’intelligenza artificiale sarà sempre meno una competenza separata e sempre più una componente del modo in cui svolgiamo il nostro lavoro.
Dal back to school al back to learning: proteggere il nostro capitale semantico
Il rapporto del MIT non sostiene che l’intelligenza artificiale renda automaticamente le persone meno capaci, né suggerisce di eliminarla dall’apprendimento.
Dice qualcosa di molto più interessante.
Quando una tecnologia rende improvvisamente facile ottenere il risultato, dobbiamo tornare a chiederci quale fosse il valore del percorso necessario per raggiungerlo.
Ed è una affermazione che non riguarda soltanto studenti e università, ma anche tutti coloro che hanno la responsabilità di far crescere competenze dentro un’organizzazione.
Per comprenderne fino in fondo la portata può essere utile richiamare un concetto elaborato dal filosofo Luciano Floridi: quello di capitale semantico.
Nel suo saggio Semantic Capital: Its Nature, Value, and Curation, Floridi definisce il capitale semantico come “any content that can enhance someone’s power to give meaning to and make sense of something”: tutto ciò, quindi, che aumenta la nostra capacità di attribuire significato e dare senso alla realtà.
Ne fanno parte conoscenze, idee, esperienze, linguaggi, modelli interpretativi, scoperte, racconti, cultura, valori. È il patrimonio attraverso il quale non ci limitiamo a ricevere informazioni, ma riusciamo a interpretarle.
Ed è qui che il ragionamento di Floridi incontra in maniera sorprendentemente efficace quello del MIT.
L’AI rende sempre più economico produrre informazione.
Una risposta, una sintesi, un testo, un’analisi preliminare o una presentazione possono essere generati in pochi secondi.
Ma avere una risposta non significa necessariamente comprenderla.
Se l’informazione diventa abbondante, la risorsa scarsa rischia di diventare un’altra: la capacità di attribuirle significato.
Sapere se è corretta.
Inserirla in un contesto.
Collegarla a ciò che già sappiamo.
Capire quali conseguenze produce.
Individuare ciò che manca.
Confrontarla con esperienze precedenti.
Metterla in discussione.
Trasformarla in una decisione.
Tutto questo è capitale semantico.
Floridi arriva a descriverlo come uno dei patrimoni più preziosi di cui disponiamo, perché è attraverso questo capitale che costruiamo identità, relazioni e comprensione del mondo. E proprio per questo insiste non soltanto sulla sua produzione, ma anche sulla necessità di curarlo, proteggerlo e accrescerlo.
Trasferito nella formazione aziendale, il concetto produce una conseguenza importante.
La formazione non può avere come unico obiettivo quello di trasferire informazioni. Deve aumentare il capitale semantico delle persone.
Significa costruire conoscenze di dominio, linguaggi, esperienze, criteri di giudizio, capacità di porre domande, modelli interpretativi e collegamenti tra fenomeni diversi.
Perché è proprio questo patrimonio che consente poi a una persona di utilizzare bene l’intelligenza artificiale.
Un collaboratore con poco capitale semantico può ricevere da un sistema di AI una risposta formalmente impeccabile senza avere gli strumenti per capire se sia utile, corretta o appropriata.
Un professionista con un patrimonio solido di conoscenze ed esperienza può invece utilizzare la stessa tecnologia per esplorare più alternative, mettere alla prova le proprie ipotesi, ricercare controargomentazioni, accelerare analisi e ampliare le proprie capacità.
La differenza non la fa lo strumento.
La fa ciò che la persona porta nella relazione con lo strumento.
E allora emerge anche un rischio ulteriore.
Se deleghiamo continuamente alla macchina non soltanto l’esecuzione, ma anche la fase nella quale costruiamo collegamenti, formuliamo ipotesi, interpretiamo informazioni e cerchiamo soluzioni, rischiamo di non alimentare proprio quel capitale semantico che dovrebbe consentirci di governare la tecnologia.
È questo forse il punto più interessante per chi oggi progetta formazione nelle organizzazioni.
L’obiettivo non dovrebbe essere proteggere le persone dall’intelligenza artificiale.
E neppure insegnare semplicemente a utilizzarla.
Dovrebbe essere costruire persone capaci di utilizzare l’AI senza smettere di costruire significato.
Per questo la formazione del futuro potrebbe assumere una funzione ancora più strategica rispetto al passato.
Quando le informazioni erano difficili da reperire, formare significava soprattutto trasferire conoscenza.
Quando le informazioni diventano istantaneamente accessibili e producibili, formare significa sempre più costruire gli strumenti per interpretarle.
Ed è forse questa la vera evoluzione dal back to school al back to learning.
L’AI ci permetterà probabilmente di produrre più velocemente documenti, analisi, presentazioni, codice, report e ipotesi di decisione.
Ma il vero vantaggio competitivo non sarà avere persone capaci di ottenere più velocemente una risposta.
Sarà avere persone capaci di capire quella risposta, contestarla, migliorarla, inserirla nel contesto, collegarla alla propria esperienza e assumersi la responsabilità della decisione che ne deriva.
Nell’epoca dell’intelligenza artificiale, quindi, imparare non significa più soltanto sapere fare qualcosa.
Significa sapere cosa delegare alla macchina, cosa continuare a esercitare direttamente e quale significato attribuire a ciò che la macchina ci restituisce. Perché forse la competenza più importante da proteggere non è la capacità di produrre risposte, ma la capacità, profondamente umana, di dare loro un senso.