La domanda di corsi sull'AI cresce mentre calano le iscrizioni a informatica

Google News ha posto l'attenzione su un'inversione significativa nei campus americani: la domanda di corsi sull'intelligenza artificiale è in crescita, mentre diminuiscono le iscrizioni ai tradizionali corsi di informatica.

Gli studenti non stanno semplicemente abbandonando la tecnologia. Molti si stanno orientando verso percorsi più brevi, applicati e interdisciplinari, che collegano l'AI a psicologia, musica, economia, scrittura, sanità e design.

Questa distinzione cambia la prospettiva. Il confronto non è più tra formazione sull'AI e istruzione non tecnica. È tra la preparazione specialistica in informatica e una più ampia alfabetizzazione all'AI per quasi tutti gli studenti.

Un rapporto sui campus e l'AI dell'agosto 2026 ha documentato questo cambiamento in università tra cui Virginia Commonwealth, Northwestern, Harvard, Purdue, Ohio State ed Eastern Mennonite.

Il boom segnalato non significa che ogni programma di AI stia prosperando. I dati nazionali mostrano un indebolimento delle iscrizioni nei tradizionali corsi di informatica e scienze dell'informazione.

Le università stanno quindi puntando su due fronti contemporaneamente. Stanno creando lauree tecniche in AI e, allo stesso tempo, integrando competenze AI di base in corsi di laurea non correlati.

Questo approccio potrebbe preparare più studenti a luoghi di lavoro plasmati dall'AI. Potrebbe però anche generare titoli superficiali se le istituzioni insegnano gli strumenti senza sviluppare le necessarie capacità di ragionamento, gestione dei dati e valutazione.

Cosa è cambiato nelle università statunitensi

La formazione sull'AI sta passando da specializzazione dell'informatica a componente del curriculum universitario generale.

Virginia Commonwealth University offre un minor in AI rivolto in parte anche agli studenti esterni ai tradizionali programmi di informatica. L'Associated Press ha raccontato il caso di Faith Maeba, studentessa di psicologia che ha aggiunto il minor mentre valutava gli studi post-laurea.

Il suo caso rappresenta la nuova domanda. Non si sta formando principalmente per diventare ingegnera del software. Vuole capire come il machine learning influenzi il comportamento umano e i luoghi di lavoro.

Northwestern University sta compiendo un cambiamento analogo su scala più ampia. Il suo dipartimento di informatica si prepara a insegnare a più studenti non iscritti alla materia, mentre le nuove coorti di informatica si riducono.

Il dipartimento offre già un minor in AI e sta introducendo una laurea triennale in AI. Sta inoltre semplificando i percorsi di accesso ai corsi di AI e machine learning.

Il nuovo corso di laurea in AI di Northwestern combina fondamenti matematici, programmazione, strutture dati, machine learning, infrastrutture, etica e design incentrato sulle persone.

Gli studenti di qualsiasi scuola di Northwestern possono aggiungere l'AI come seconda specializzazione restando nella propria scuola originaria. Questa struttura rende l'AI un livello interdisciplinare, anziché un'identità accademica completa.

L'università sta inoltre portando l'AI in materie che in precedenza erano ben lontane dall'informatica. La sua scuola di musica offre un certificato che collega musica e intelligenza artificiale.

Eastern Mennonite University prevede un'aula ancora più integrata. Studenti di musica, teatro, arte, ingegneria, matematica e informatica studieranno l'AI insieme.

Il corso esaminerà attività come il montaggio o la generazione di tracce di batteria. Il suo obiettivo più ampio è insegnare la collaborazione tra specialisti creativi e tecnici.

Harvard ha introdotto i grandi modelli linguistici nei corsi di scrittura del primo anno. Un grande modello linguistico prevede e genera linguaggio a partire da schemi appresi su ampi dataset.

Secondo quanto riportato, questi corsi collegano la tecnologia a copyright, disinformazione e pratica della scrittura. Non si tratta di insegnamento convenzionale della programmazione, ma richiede comunque una comprensione tecnica critica.

Purdue ha introdotto un requisito di laurea legato all'AI. Ohio State sta integrando l'insegnamento dell'AI nella formazione universitaria di primo livello in tutti i suoi college.

Nel complesso, questi casi mostrano la reale portata della domanda di corsi sull'AI. Le università non stanno solo aggiungendo insegnamenti opzionali per studenti di ingegneria. Stanno trattando l'alfabetizzazione all'AI come una competenza accademica generale.

Il titolo di Google News coglie il boom visibile, ma il meccanismo conta di più. La domanda si sta espandendo perché il pubblico potenziale include ormai quasi ogni corso di laurea.

Questo crea un mercato molto più ampio rispetto al vecchio modello di corsi avanzati di machine learning riservati ai dipartimenti di informatica.

Google News rivela una storia delle iscrizioni più complessa

Il boom dei corsi sull'AI avviene parallelamente a un calo misurabile delle iscrizioni ai tradizionali corsi di informatica, non sopra una crescita ininterrotta dell'informatica.

I dati del National Student Clearinghouse mostrano che le iscrizioni complessive all'istruzione post-secondaria negli Stati Uniti sono cresciute nell'autunno del 2025. Erano iscritti più di 19,4 milioni di studenti, con un aumento annuo dell'uno per cento.

Informatica e scienze dell'informazione si sono mosse nella direzione opposta. Le iscrizioni sono diminuite a ogni livello di titolo e in ogni tipo di istituzione considerato dal rapporto.

I cali andavano dal 3,6 per cento per gli studenti universitari in istituzioni principalmente orientate ai diplomi associate al 14 per cento a livello post-laurea, secondo i dati sulle iscrizioni autunnali.

L'Associated Press ha poi riportato un ulteriore calo nella primavera del 2026. Le iscrizioni ai corsi di informatica e scienze dell'informazione sono diminuite di oltre l'otto per cento nelle istituzioni quadriennali.

Questi numeri complicano qualsiasi affermazione secondo cui gli studenti si stiano semplicemente precipitando nei campi tecnici a causa dell'AI. Il movimento è più selettivo.

Alcuni studenti vogliono ancora costruire modelli, infrastrutture e prodotti AI. Altri desiderano conoscenze sufficienti per applicare l'AI in sicurezza in una professione diversa.

A Northwestern, il corpo docente di informatica era già raddoppiato mentre il dipartimento rispondeva alla domanda precedente. Ora il dipartimento prevede di insegnare a più studenti provenienti da altri corsi di laurea.

Il presidente del dipartimento di informatica Samir Khuller ha dichiarato all'AP che il dipartimento stava cercando di assumere altri tre professori. Ciò avveniva nonostante il minor numero di nuove matricole di informatica.

L'apparente contraddizione scompare quando si separano i gruppi di studenti. Le iscrizioni ai corsi di laurea e quelle ai singoli corsi misurano comportamenti diversi.

Uno studente può evitare una laurea quadriennale in informatica pur seguendo corsi di AI, dati o programmazione. Un altro può aggiungere un minor in AI senza modificare una laurea in psicologia o musica.

Il mercato del lavoro aiuta a spiegare questa distinzione. Lo sviluppo software entry-level non appare più come una via automatica verso un lavoro professionale stabile.

I sistemi di programmazione AI possono generare funzioni, test, documentazione e componenti applicativi di routine. I datori di lavoro potrebbero quindi aspettarsi che un minor numero di sviluppatori junior completi lo stesso volume di lavoro.

Gli studenti hanno notato questa incertezza. Alcuni cercano competenze specifiche sull'AI, mentre altri puntano a lauree che combinino dimestichezza tecnica e conoscenza del settore.

Uno studente di psicologia che comprende i limiti dei modelli potrebbe studiare il comportamento nei luoghi di lavoro. Un musicista potrebbe valutare i media sintetici. Uno studente di economia potrebbe esaminare decisioni automatizzate.

Questi percorsi non eliminano il bisogno dell'informatica. Ogni sistema AI operativo dipende ancora da software, strutture dati, infrastrutture, sicurezza e ragionamento matematico.

Tuttavia, il segnale dato dal titolo di studio sta cambiando. Una laurea generica in informatica non porta più con sé la stessa promessa lineare che l'accompagnava durante il precedente boom delle assunzioni nel settore tecnologico.

La domanda di corsi sull'AI è quindi in parte difensiva. Gli studenti vogliono dimostrare di saper lavorare con i sistemi che stanno cambiando le carriere a cui aspirano.

Le università subiscono pressioni da entrambe le direzioni. Devono aggiornare le lauree tecniche e al tempo stesso creare una formazione accessibile per studenti privi di prerequisiti avanzati.

Per questo la copertura di Google News sulla domanda in aumento non dovrebbe essere letta come una semplice vittoria nelle iscrizioni. Riflette una redistribuzione dell'interesse all'interno della formazione tecnologica.

L'alfabetizzazione all'AI sta diventando un requisito generale

Le università considerano sempre più l'alfabetizzazione all'AI come il ragionamento quantitativo: una capacità necessaria ai laureati anche quando non costruiranno mai un modello.

Peter Stone, presidente del dipartimento di informatica dell'University of Texas at Austin, ha espresso direttamente questa posizione. Ha sostenuto che gli studenti abbiano bisogno di una certa alfabetizzazione all'AI, proprio come hanno bisogno di matematica, lettura e scrittura.

Stone ha recentemente sviluppato un corso introduttivo sui fondamenti dell'AI per studenti esterni all'informatica. La parola “fondamenti” indica un obiettivo educativo diverso da quello di un percorso di ingegneria.

Gli studenti di questi corsi devono capire cosa può fare l'AI, da dove provengono i suoi risultati e perché le sue risposte possono fallire.

Devono inoltre saper riconoscere le allucinazioni, ossia risultati plausibili ma non supportati da prove affidabili. Questa capacità è importante nel diritto, nella medicina, nella ricerca, nel giornalismo e nel normale lavoro d'ufficio.

Ohio State ha trasformato questa premessa in un programma esteso all'intera università. Il suo obiettivo è che ogni studente, a partire dalla classe del 2029, si laurei con competenze AI specifiche per il proprio settore.

Il programma AI Fluency dell'università include una formazione di base sull'AI generativa in un seminario obbligatorio e workshop all'interno dell'esperienza del primo anno.

I risultati di apprendimento dichiarati vanno oltre la scrittura di prompt. Gli studenti dovrebbero comprendere i concetti fondamentali, valutare input e output, verificarne l'accuratezza ed esaminare le implicazioni legali ed etiche.

L'approccio di Ohio State potrebbe raggiungere alla fine circa 53.000 studenti universitari, man mano che i suoi college elaborano piani di attuazione individuali.

Questa scala dimostra perché i programmi universitari sull'AI non sono più limitati ai dipartimenti di informatica. Un unico curriculum tecnico non può affrontare ogni contesto professionale.

Uno studente di infermieristica deve valutare i sistemi di supporto clinico e la privacy dei pazienti. Un designer deve esaminare paternità dell'opera, bias e media sintetici.

Un product manager deve verificare se un flusso di lavoro automatizzato risolva il problema previsto. Un ricercatore deve documentare quando l'AI ha assistito nell'analisi o nella scrittura.

Queste applicazioni condividono diverse basi, ma richiedono esempi, rischi e metodi di valutazione differenti.

Il cambiamento influenza anche il modo in cui gli studenti organizzano la conoscenza. Gli strumenti AI possono produrre risposte rapide, ma gli studenti hanno comunque bisogno di materiale di fonte affidabile e di un contesto duraturo.

Un sistema personale di conoscenza può aiutare gli studenti a conservare letture, appunti delle lezioni e prove prima di chiedere all'AI di metterli in relazione. Lo strumento non sostituisce la competenza nella materia.

Questa distinzione è essenziale. La dimestichezza con l'AI dovrebbe significare uso consapevole, non dipendenza continua da un chatbot.

Le università devono anche decidere se l'AI debba appartenere a corsi dedicati o a materie esistenti. I corsi separati offrono concentrazione, mentre l'insegnamento integrato può collegare l'AI a un autentico lavoro disciplinare.

Ohio State sta usando entrambe le strade. Offre istruzione generale, chiedendo al tempo stesso ai singoli college di definire come l'AI si applichi nei rispettivi ambiti.

La struttura di Northwestern segue la stessa logica generale. Supporta una laurea tecnica, un minor interdisciplinare e punti di accesso per studenti interessati a singoli corsi.

Questo modello a livelli sta diventando la risposta dominante perché gli obiettivi degli studenti variano molto. Alcuni hanno bisogno di alfabetizzazione, altri di competenze applicate e altri ancora di una preparazione ingegneristica approfondita.

L'interesse di Google News per questa tendenza riflette il suo vasto pubblico. Quasi ogni studente, genitore, educatore e datore di lavoro ha interesse a definire correttamente questi livelli.

Il boom sta superando gli standard dei programmi di studio

La rapida espansione crea un problema di qualità perché programmi con etichette AI simili possono richiedere livelli molto diversi di preparazione tecnica ed etica.

Ricercatori della Northeastern University hanno mappato oltre 350 programmi universitari di AI presso atenei statunitensi quadriennali nella primavera del 2026.

Il loro studio di mappatura dei programmi ha esaminato oltre 560 istituzioni, che rappresentano l'86 percento dei laureati statunitensi in informatica.

Il database comprende corsi di laurea principali, secondari, indirizzi di specializzazione e certificati. Queste categorie descrivono impegni sostanzialmente diversi, eppure gli studenti potrebbero incontrarle sotto la stessa etichetta AI.

I ricercatori hanno analizzato i requisiti di 66 corsi di laurea principali e 87 corsi secondari in AI. Hanno riscontrato notevoli variazioni nelle dimensioni dei programmi e nei curricula.

Ogni corso di laurea principale esaminato richiedeva un corso generale di intelligenza artificiale oppure di machine learning. Ciò garantisce una base tecnica minima, ma i requisiti etici erano meno uniformi.

Più di un terzo dei corsi di laurea principali richiedeva un corso di etica dell'AI. Meno di un quarto dei corsi secondari includeva tale requisito.

Questi risultati evidenziano un compromesso centrale. Le università vogliono avviare rapidamente programmi pertinenti, ma un insegnamento responsabile dell'AI richiede più che dimostrazioni di strumenti.

Gli studenti devono comprendere i dati di addestramento, l'incertezza statistica, i metodi di valutazione, la privacy, la sicurezza, la proprietà intellettuale e i costi ambientali dell'informatica.

Gli studenti tecnici necessitano inoltre di basi durature. Le interfacce attuali e i marchi dei modelli possono cambiare molto più rapidamente della matematica, degli algoritmi, della progettazione dei sistemi e del ragionamento sperimentale.

Murtaza Ali, ricercatore di dottorato dell'University of Washington che studia l'educazione informatica, ha individuato un ulteriore rischio nel rapporto di AP.

Quando gli studenti chiedono all'AI di scrivere codice, il sistema può svolgere anche una parte dell'analisi del problema sottostante. L'output può funzionare, mentre lo studente non coglie il ragionamento.

Questo crea un difficile problema di valutazione. Un programma consegnato non dimostra più in modo affidabile se lo studente sia in grado di scomporre il compito, scegliere un approccio e diagnosticare gli errori.

La stessa preoccupazione si applica al di fuori della programmazione. Un saggio ben rifinito non prova che il suo autore abbia valutato le fonti o compreso l'argomentazione.

Un'analisi di mercato generata può nascondere cifre inventate. Un'immagine sintetica può violare le regole di licenza o riprodurre schemi distorti.

Programmi universitari di AI efficaci devono quindi valutare il processo oltre all'output. Gli studenti dovrebbero spiegare le proprie decisioni, verificare i risultati, documentare le fonti e identificare i fallimenti del modello.

Gli incarichi potrebbero richiedere discussioni orali, esercizi in aula, registri di sviluppo o valutazioni pratiche controllate. Altrimenti, le università rischiano di certificare l'accesso agli strumenti anziché la competenza.

La capacità del corpo docente rappresenta un altro vincolo. La domanda di corsi sull'AI può crescere nel giro di pochi mesi, ma assumere specialisti e approvare curricula richiede di norma molto più tempo.

Paul LeBlanc, studioso di educazione ad Harvard ed ex presidente universitario, ha riconosciuto che le istituzioni non possono adeguarsi perfettamente al ritmo della tecnologia.

Questo ritardo non giustifica curricula statici. Significa però che gli atenei dovrebbero evitare di progettare interi programmi attorno a funzionalità temporanee di prodotto.

Esiste anche un incentivo di branding. L'AI attira candidati, donatori, partner di ricerca e attenzione istituzionale.

Le università possono rinominare percorsi esistenti di data science o informatica più rapidamente di quanto riescano a creare programmi accademici realmente distinti.

Gli studenti dovrebbero quindi esaminare i requisiti dei corsi anziché affidarsi ai titoli dei programmi. Un titolo tecnico credibile dovrebbe rendere visibili le sue basi in matematica, informatica, dati, sistemi e valutazione.

Un percorso secondario applicato dovrebbe definire chiaramente ciò che i laureati possono valutare o produrre. Un requisito generale di alfabetizzazione dovrebbe affrontare prove, limiti e uso responsabile.

I risultati sull'istruzione AI del 2026 aggiungono un ulteriore avvertimento. I programmi legati all'AI stanno crescendo, mentre accesso e preparazione restano disomogenei.

L'espansione non risolve automaticamente queste lacune. Gli studenti delle università ben finanziate possono ricevere insegnamento specialistico, accesso alle risorse di calcolo e opportunità di ricerca.

Altri potrebbero ricevere un breve workshop costruito attorno a strumenti commerciali. Entrambi i gruppi potrebbero ottenere credenziali etichettate come competenti nell'AI, nonostante una preparazione diversa.

Questa è la principale sfida dietro il boom. Le università devono ampliare l'accesso senza ridurre l'educazione AI a prompt e tutorial sui prodotti.

L'informatica tradizionale fornisce ancora le basi

L'ascesa dell'AI interdisciplinare non rende obsoleta l'informatica; rende meno visibili i confini attorno all'informatica.

I moderni sistemi di AI dipendono da decenni di lavoro su algoritmi, ingegneria del software, statistica, database, sistemi distribuiti e architettura dei computer.

Il nuovo corso di laurea principale di Northwestern riconosce questa eredità. Il suo curriculum include strutture dati, fondamenti matematici, programmazione, infrastrutture, machine learning ed elaborazione del linguaggio naturale.

Aggiunge anche aree che i programmi convenzionali talvolta trattavano come secondarie. Tra queste vi sono progettazione centrata sull'essere umano, privacy, sostenibilità e proprietà intellettuale.

Questa combinazione mostra perché contrapporre “AI contro informatica” è una cornice incompleta. L'educazione AI riorganizza il curriculum, ma non sfugge alle basi dell'informatica.

Uno studente che impara a distribuire un modello deve capire come i dati si muovono in un sistema. L'affidabilità richiede test, monitoraggio, controlli di accesso e gestione dei guasti.

Uno studente che valuta risultati generati necessita di statistica e conoscenza del dominio. Senza queste basi, la fiducia può crescere più rapidamente della competenza.

La contrapposizione più utile è quindi tra ampia alfabetizzazione AI e profondità della qualifica. Le università devono decidere di cosa abbia bisogno ogni studente e cosa soltanto gli specialisti possano svolgere responsabilmente.

Per chi non segue un corso di laurea principale, l'obiettivo dovrebbe essere un'applicazione informata. Gli studenti dovrebbero sapere quando l'AI è adatta a un compito, come convalidare gli output e quando il giudizio umano deve restare decisivo.

Per gli specialisti tecnici, le aspettative dovrebbero essere più elevate. Dovrebbero comprendere addestramento dei modelli, valutazione, infrastrutture, sicurezza, ottimizzazione e conseguenze della distribuzione.

Le università necessitano inoltre di ponti tra questi gruppi. I progetti interdisciplinari funzionano al meglio quando i partecipanti comprendono le reciproche ipotesi e limitazioni.

Uno studente di musica potrebbe definire un requisito artistico mentre uno studente di informatica progetta il sistema di elaborazione. Entrambi dovrebbero valutare attribuzione, consenso e qualità dell'output.

Uno studente di psicologia potrebbe individuare una domanda di ricerca mentre uno specialista dei dati costruisce un flusso di lavoro per l'analisi. Entrambi devono riconoscere problemi di campionamento e rischi per la privacy.

Queste collaborazioni spiegano perché i dipartimenti di informatica restano molto impegnati nonostante il calo delle iscrizioni ai corsi di laurea principali. Il loro insegnamento ora serve una parte più ampia dell'università.

Tuttavia, i dipartimenti non possono assorbire una domanda illimitata senza modificare personale e progettazione dei corsi. Le classi introduttive per chi non è specialista richiedono un ritmo diverso dalle sequenze per specialisti.

Il corpo docente deve anche stabilire quali prerequisiti siano davvero necessari. Rimuovere barriere inutili può ampliare l'accesso, ma eliminare basi essenziali può indebolire l'apprendimento.

La copertura di Google News tende a comprimere queste distinzioni in un'unica narrazione di crescita impetuosa. La trasformazione dei campus sottostante è più strutturale.

L'informatica sta passando dall'essere una laurea di destinazione a un'infrastruttura accademica condivisa. I suoi concetti sostengono sempre più corsi in tutta l'istituzione.

Questa transizione può rafforzare il settore se le università la finanziano. Può anche sovraccaricare i dipartimenti se i dirigenti aggiungono requisiti senza docenti, assistenti didattici o risorse di calcolo.

Il calo delle iscrizioni non dovrebbe quindi essere considerato una prova che l'informatica abbia perso rilevanza. Mostra che gli studenti stanno rivalutando come desiderano acquisire tale rilevanza.

Alcuni sceglieranno lauree tecniche complete. Altri combineranno corsi mirati di informatica con competenze in sanità, finanza, scienza, governo o lavoro creativo.

Alla fine, i datori di lavoro verificheranno se queste combinazioni producono un giudizio utile. I soli nomi delle lauree non risolveranno questa questione.

Cosa dovrebbero osservare studenti e università

La prossima prova sarà stabilire se la crescente iscrizione ai programmi di AI produca competenze durature, valutazioni credibili e migliori risultati occupazionali.

Il primo segnale sarà il completamento e la progressione dei corsi. L'iscrizione iniziale può riflettere curiosità, ma la partecipazione ai corsi avanzati mostra se gli studenti stanno costruendo una competenza sostenuta.

Le università dovrebbero pubblicare quanti studenti passano dai corsi introduttivi di alfabetizzazione a corsi secondari, corsi di laurea principali, progetti di ricerca o lavoro disciplinare applicato.

Se la progressione resta forte, il boom riflette più di un interesse temporaneo. Se le iscrizioni crollano dopo un corso introduttivo, la domanda potrebbe essere ampia ma superficiale.

Il secondo segnale sarà la qualità del curriculum. La ricerca di mappatura dei programmi mostra già ampie variazioni nei requisiti tecnici ed etici.

Enti di accreditamento, gruppi di docenti e datori di lavoro potrebbero iniziare a definire aspettative più chiare per corsi di laurea principali, secondari e credenziali di alfabetizzazione generale in AI.

Ciò rafforzerebbe l'attuale cambiamento, rendendo le credenziali più facili da interpretare. Un'incoerenza continua indebolirebbe la fiducia nelle nuove etichette dei programmi.

Il terzo segnale arriverà dal mercato del lavoro. Le università stanno rispondendo in parte alle domande dei datori di lavoro sulle capacità AI dei laureati.

Gli atenei avranno bisogno di prove che i laureati formati nell'AI possano valutare sistemi, lavorare tra discipline e svolgere compiti che vadano oltre l'uso ordinario degli strumenti.

Risultati dei tirocini, occupazione dopo la laurea, qualità dei portfolio e feedback dei datori di lavoro conteranno più del numero di corsi appena annunciati.

Gli studenti dovrebbero anche osservare come cambiano i ruoli entry-level. Un minor numero di aperture convenzionali nello sviluppo software non significa necessariamente meno lavoro tecnico.

Le aziende potrebbero cercare candidati che combinino programmazione con giudizio sul prodotto, sicurezza, ricerca, operazioni o conoscenze specialistiche di settore.

Le università devono fare attenzione nell'interpretare questi segnali. Una debolezza delle assunzioni nel breve termine può cambiare prima che una coorte quadriennale si laurei.

Un curriculum costruito esclusivamente sugli annunci di lavoro attuali può diventare rapidamente datato. Ragionamento duraturo e basi tecniche offrono una protezione migliore da questo ciclo.

I programmi universitari di AI più solidi condivideranno probabilmente quattro qualità.

• Distinguono l'alfabetizzazione generale dall'ingegneria specialistica.

• Richiedono agli studenti di verificare gli output e documentare le fonti.

• Combinano competenza di dominio con un'adeguata profondità tecnica.

• Valutano il ragionamento indipendente, non soltanto risultati AI-assistiti ben rifiniti.

Gli studenti che valutano un programma dovrebbero porsi domande altrettanto dirette. Cosa possono costruire o valutare i laureati, e come l'università verifica queste capacità?

Dovrebbero esaminare prerequisiti, corsi obbligatori, competenze dei docenti, opportunità progettuali e regole per l'uso responsabile dell'AI.

Dovrebbero anche chiedersi se un corso secondario integri il loro campo principale o aggiunga semplicemente un'altra credenziale. La risposta dipende dal lavoro che desiderano svolgere.

Per le università, il compito è più difficile. Devono ampliare l'accesso senza fingere che un solo corso trasformi ogni studente in uno specialista dell'AI.

Devono preservare le basi dell'informatica, riconoscendo al contempo che la competenza nell'AI ormai appartiene all'intero curriculum.

Il picco di Google News è quindi un indicatore iniziale, non un verdetto definitivo. Le iscrizioni dimostrano attenzione, ma non dimostrano ancora valore educativo.

Il risultato significativo apparirà quando i laureati affronteranno sistemi sconosciuti e prove ambigue. Sapranno mettere in discussione gli output, verificare le ipotesi e prendere decisioni responsabili?

Gli studenti che scelgono i corsi quest'anno dovrebbero guardare oltre l'etichetta AI. Trovate il programma che vi insegna ciò che il sistema non può decidere al posto vostro.