Il MIT avverte: l'AI può completare in modo credibile quasi ogni compito universitario

Il MIT ha chiesto importanti cambiamenti nell'istruzione dopo aver concluso che l'AI può ora produrre lavori credibili in quasi ogni categoria di compito universitario.

L'avvertimento è circolato su google news come una storia su macchine in grado di completare saggi, dimostrazioni, problemi scientifici ed esercizi di programmazione. Eppure il vero conflitto non è tra studenti e software antiplagio. È tra un secolo di valutazioni basate sui risultati e strumenti capaci di produrre risultati convincenti su richiesta.

Il MIT non propone un divieto dell'AI esteso all'intero campus. Il suo nuovo quadro invita invece i docenti a riconsiderare gli obiettivi di apprendimento, riprogettare le valutazioni, chiarire gli usi accettabili e proteggere le relazioni umane alla base dell'istruzione in presenza. Questa posizione mette sotto pressione ogni università che continua a trattare l'AI come un ristretto problema di integrità accademica.

La domanda centrale è cambiata. Le università non possono più chiedersi soltanto se una risposta consegnata sia corretta o originale. Devono stabilire se lo studente sia in grado di spiegarla, difenderla, rivederla e applicarla.

Il rapporto del MIT sull'AI nell'istruzione mette in discussione il valore del lavoro finito

Il rapporto del MIT considera i compiti rifiniti una prova sempre più debole dell'apprendimento.

Il 25 agosto 2026, la presidente del MIT Sally Kornbluth ha pubblicato le conclusioni di un comitato ad hoc che ha esaminato l'AI nell'insegnamento, nell'apprendimento e nella formazione alla ricerca. Il MIT ha costituito il comitato a gennaio, assegnandogli tre compiti iniziali.

Il gruppo doveva valutare come docenti e studenti stessero usando l'AI. Doveva inoltre individuare innovazioni nell'insegnamento e nella valutazione, quindi proporre un approccio istituzionale all'uso dell'AI.

La sua analisi finale è andata oltre. Secondo il MIT, i sistemi attuali possono produrre risposte ragionevoli a quasi ogni compito universitario scritto. I lavori coinvolti includono saggi, problemi matematici e scientifici, dimostrazioni e attività di programmazione.

Questa affermazione è più ampia della tesi secondo cui ChatGPT scrive saggi accettabili. Si estende a esercizi, progetti di programmazione, analisi di laboratorio e spiegazioni tecniche. Sono questi gli elaborati che le università hanno a lungo considerato prove di competenza disciplinare.

La distinzione tra “credibile” e “corretto” è importante. Il MIT non ha annunciato un esperimento controllato che dimostri come un modello abbia padroneggiato l'intero catalogo dei suoi corsi universitari. Il rapporto si è basato sulla ricerca del comitato, sui contributi della comunità, su sondaggi e sui cambiamenti osservati nell'insegnamento e nell'apprendimento.

Un lavoro credibile può comunque contenere errori nascosti. Una dimostrazione generata può omettere un'ipotesi necessaria. Il codice può superare test comuni ma fallire in condizioni insolite. Un saggio può sembrare coerente senza dimostrare una lettura attenta o un giudizio originale.

Tuttavia, un compito non deve essere impeccabile per destabilizzare la valutazione. Deve solo apparire abbastanza valido da impedire a un docente di attribuire con sicurezza il ragionamento allo studente.

Per questo la posizione del MIT merita più attenzione di quanta ne abbia ricevuta attraverso la sua cornice su google news. Il comitato non sta dichiarando che le macchine possiedano una formazione universitaria completa. Sta sostenendo che il prodotto finale ha perso gran parte del suo valore come prova dell'apprendimento umano.

La presidente del MIT Kornbluth ha definito questo momento uno “spartiacque per il MIT” e per l'istruzione superiore. Il suo messaggio ha delineato tre risposte di ampia portata.

In primo luogo, il MIT dovrebbe creare processi educativi consapevoli dell'AI. Questi riconsidererebbero ciò che gli studenti devono imparare e il modo in cui i docenti possono verificarne l'apprendimento.

In secondo luogo, l'Istituto dovrebbe rafforzare le persone, la comunità e le esperienze in presenza. Questa raccomandazione collega direttamente il problema dell'AI alla ragione per cui gli studenti si riuniscono in un campus fisico.

In terzo luogo, il MIT dovrebbe stabilire processi in grado di evolversi continuamente. Una politica fissa, scritta attorno a una generazione di modelli, invecchierà rapidamente con l'emergere di nuove capacità.

Queste raccomandazioni trasformano una disputa sulle politiche tecnologiche in una sfida alla progettazione didattica. Se un docente assegna un problema noto e valuta soltanto la risposta finale, l'AI si interpone ora tra il compito e la prova.

Il rapporto chiede quindi revisioni su gran parte del curriculum del MIT. Indica esami orali, portfolio, dimostrazioni, lavori per fasi e conversazioni sui compiti completati fuori dall'aula.

Nessuno di questi formati garantisce un apprendimento autentico. Insieme, tuttavia, rendono visibile una parte maggiore del processo che ha prodotto una risposta. Uno studente che comprende una dimostrazione può spiegare perché ogni passaggio è necessario. Uno studente che ha scritto un programma può diagnosticare un errore e difendere una scelta progettuale.

Questo cambiamento crea la tensione centrale dell'articolo. L'AI generativa amplia ciò che gli studenti possono creare, ma indebolisce il legame tra ciò che consegnano e ciò che comprendono.

Perché i compiti universitari svolti dall'AI mettono sotto pressione i docenti

L'onere immediato ricade sui docenti perché ogni compito necessita ora sia di uno scopo formativo sia di una politica sull'AI.

Le università spesso rispondono alle nuove tecnologie con una regola centrale. Il MIT sta adottando un approccio più decentralizzato perché l'uso accettabile dell'AI varia in base alla disciplina, al corso e all'obiettivo formativo.

Un corso di programmazione potrebbe richiedere agli studenti di scrivere codice fondamentale senza assistenza. Un corso successivo potrebbe invece aspettarsi che supervisionino il codice generato e lo testino rigorosamente. Un seminario di scrittura potrebbe consentire il brainstorming vietando al contempo la prosa generata.

Le linee guida del MIT per l'autunno 2026 non impongono un'unica politica didattica valida per tutto l'Istituto. Chiedono invece ai docenti di comunicare chiaramente agli studenti quando l'AI è vietata, consentita o richiesta.

Questa flessibilità rispetta le differenze tra discipline. Trasferisce però anche un notevole lavoro di progettazione a docenti, dipartimenti, assistenti didattici e team di supporto accademico.

Il docente deve anzitutto decidere cosa il compito intenda misurare. Memoria, padronanza procedurale, comprensione concettuale, giudizio, capacità di ricerca o comunicazione? La risposta determina quali usi dell'AI sostengano l'obiettivo e quali lo aggirino.

Segue poi l'applicazione delle regole. I rilevatori di AI rimangono inaffidabili per accuse ad alta posta in gioco, soprattutto quando analizzano testi modificati o lavori di autori multilingue. Gli strumenti di sorveglianza possono inoltre creare problemi di privacy ed equità senza dimostrare chi abbia svolto il ragionamento.

Vietare l'AI nei compiti da svolgere a casa non elimina questi problemi. Un divieto è difficile da verificare quando gli studenti hanno accesso a chatbot generalisti, agenti di programmazione, servizi di riscrittura e strumenti integrati nel software di uso quotidiano.

L'alternativa è riprogettare la valutazione. Ciò potrebbe significare richiedere bozze, cronologie delle versioni, fonti annotate, riflessioni personali, dimostrazioni o brevi discussioni orali.

Ogni aggiunta richiede tempo. Un professore può correggere un tradizionale eserciziario in modo asincrono. Una conversazione significativa con ogni studente richiede pianificazione, aule, personale e attenzione.

Il problema della scala diventa evidente in un corso numeroso. Chris Schaffer, professore di ingegneria biomedica alla Cornell, ha introdotto discussioni orali di 20 minuti dopo gli esercizi scritti. Il suo corso contava 70 studenti, quindi gli assistenti didattici hanno contribuito a condurre le sessioni.

Schaffer ha dichiarato all'Associated Press che gli studenti non sarebbero stati in grado di usare l'AI per eludere un esame orale. I suoi docenti hanno smesso di correggere gli esercizi scritti e hanno valutato invece le discussioni.

Questo esempio illustra sia la promessa sia il costo della direzione indicata dal MIT. Le domande orali possono rivelare se gli studenti comprendono il proprio lavoro. Riassegnano però anche prezioso lavoro didattico dalla revisione degli elaborati all'interazione con le persone.

Il cambiamento può funzionare bene quando le istituzioni lo sostengono. Senza personale aggiuntivo o carichi di lavoro riprogettati, tuttavia, i docenti potrebbero semplicemente aggiungere verifiche orali alla valutazione esistente.

Questo esito renderebbe ancora più difficile un lavoro già impegnativo. La ricerca sulle linee guida istituzionali per l'AI ha avvertito che aspettative estese di revisione dei corsi possono creare un pesante onere per i docenti.

Le università si trovano quindi davanti a una scelta operativa. Possono investire in gruppi più piccoli, assistenti formati, spazi per le valutazioni e supporto alla progettazione dei corsi. Oppure possono emanare linee guida ambiziose che i singoli docenti faticano a implementare in modo coerente.

Il MIT ha iniziato a costruire questo sostegno attraverso un AI Community Hub esteso all'intero Istituto. Le attività annunciate includono assistenza alla riprogettazione dei corsi, modelli di policy, comunità di pratica, formazione alla ricerca e coordinamento sull'accesso alle risorse informatiche.

L'AI teaching hub segnala che il MIT comprende come la sola politica non cambierà le aule. I docenti hanno bisogno di esempi verificati, tempo e autorizzazione istituzionale per sostituire i compiti familiari.

Anche gli studenti hanno bisogno di chiarezza. Un mosaico di regole non scritte può rendere più difficile un uso responsabile perché la stessa attività può essere incoraggiata in un corso e trattata come condotta scorretta in un altro.

Politiche chiare aiutano a distinguere l'aumento delle capacità dalla sostituzione. L'aumento delle capacità usa l'AI per mettere alla prova, organizzare, verificare o estendere il pensiero di uno studente. La sostituzione chiede al sistema di svolgere il lavoro intellettuale che il compito era progettato per sviluppare.

Il confine non è sempre evidente. Uno studente che chiede un feedback su un'argomentazione può confrontarsi più a fondo con essa. Uno studente che richiede un'argomentazione completa e ne modifica la formulazione può imparare ben poco.

Questa ambiguità significa che i docenti non possono risolvere il problema con un elenco di strumenti vietati. Devono definire l'attività umana che gli studenti rimangono responsabili di svolgere.

Il vero conflitto è tra valutazione e comprensione

L'AI ha messo in luce una debolezza che precede i chatbot: le università spesso valutano il prodotto perché osservare il processo di apprendimento è costoso.

I corsi tradizionali si basano su indicatori indiretti. Un saggio rappresenta lettura e interpretazione. Una dimostrazione rappresenta ragionamento matematico. Un programma rappresenta scomposizione del problema, implementazione e test.

Questi indicatori funzionavano perché produrre l'elaborato richiedeva di norma gran parte del ragionamento previsto. Esternalizzare il lavoro era possibile, ma comportava trovare un'altra persona, acquistare elaborati o copiare da una fonte rintracciabile.

L'AI generativa cambia l'economia della sostituzione. Uno studente può richiedere subito una risposta su misura, rivederla attraverso una conversazione e generare versioni alternative senza contattare un'altra persona.

Il risultato può anche essere personalizzato. Ciò rende meno utile il normale confronto per rilevare il plagio, perché due studenti possono porre domande simili e ricevere testi o codice diversi.

La risposta centrale del MIT non è ripristinare la vecchia scarsità delle risposte. È rendere l'apprendimento più visibile attraverso interazione, iterazione e applicazione.

Le discussioni orali sono un'opzione. Un docente può chiedere perché uno studente abbia scelto un metodo, cosa non abbia funzionato durante lo sviluppo o come cambierebbe il risultato con una nuova ipotesi.

I portfolio offrono un'altra strada. Un portfolio mostra il lavoro nel tempo, incluse bozze, feedback, revisioni e riflessioni. Rende il percorso più importante di una singola consegna rifinita.

I progetti pratici possono collegare la conoscenza a sistemi fisici o condizioni reali. Gli studenti potrebbero dover configurare attrezzature, raccogliere osservazioni, collaborare con i compagni o reagire quando la realtà differisce da un modello.

La scrittura e gli esami in presenza possono ancora svolgere un ruolo. Creano un contesto controllato in cui la prestazione indipendente dello studente diventa più visibile.

Eppure, un ritorno completo alle prove a libri chiusi sacrificherebbe forme utili di apprendimento. Il lavoro professionale comporta spesso strumenti, riferimenti, collaborazione e revisione. I laureati devono anche saper usare l’AI senza accettarne ciecamente l’output.

L’approccio del MIT assomiglia quindi più a un compromesso che a un divieto. Gli studenti ottengono un accesso legittimo all’AI in alcuni compiti, mentre i corsi richiedono altrove prove più solide di comprensione.

Questo compromesso potrebbe produrre consegne migliori. Uno studente potrebbe usare un modello per generare spiegazioni alternative, poi identificarne gli errori e difendere un’interpretazione preferita. Un programmatore potrebbe verificare il codice generato, costruire test avversari e documentare ogni errore.

Questi compiti valutano la capacità di giudizio anziché la mera produzione. Inoltre, ricordano i luoghi di lavoro in cui i dipendenti revisionano, dirigono e integrano sempre più spesso materiale generato dalle macchine.

Il rischio è che “consapevole dell’AI” diventi un’etichetta per aggiungere un chatbot a un corso invariato. Se l’obiettivo di apprendimento e la valutazione restano identici, l’accesso agli strumenti può accelerare il completamento senza approfondire la comprensione.

C’è anche il rischio di confondere la performance sotto interrogazione con l’apprendimento stesso. Alcuni studenti comunicano con sicurezza in contesti dal vivo, mentre altri necessitano di più tempo o di formati accessibili. Gli esami orali devono tenere conto delle disabilità, del background linguistico, dell’ansia e dei diversi stili comunicativi.

Un sistema di valutazione diversificato può ridurre questo problema. Portfolio, dimostrazioni, riflessioni scritte, colloqui e lavoro supervisionato possono fornire molteplici forme di evidenza.

La progettazione migliore dipenderà dalla disciplina. Uno studente di chimica dovrebbe dimostrare pratiche di laboratorio sicure. Uno storico dovrebbe valutare le fonti e difendere le interpretazioni. Un informatico dovrebbe ragionare sul comportamento dei sistemi andando oltre la produzione di codice compilabile.

Il requisito comune è la tracciabilità. I docenti hanno bisogno di prove sufficienti per collegare l’elaborato consegnato alle decisioni dello studente.

Gli studenti possono rafforzare tale collegamento conservando appunti, tracce delle fonti, bozze, prompt, esperimenti e correzioni. Un sistema personale di gestione della conoscenza può aiutare a organizzare questo processo, anche se la documentazione non può sostituire la comprensione diretta.

Questo approccio cambia anche il significato dell’integrità accademica. La questione centrale riguarda meno il fatto che uno strumento abbia contribuito al lavoro e più il fatto che gli studenti presentino il lavoro della macchina come se fosse il proprio pensiero.

Questo standard è più difficile da ridurre a una regola binaria. È anche più vicino al reale scopo educativo di una consegna.

Il titolo di Google News suggerisce che l’AI abbia sconfitto i compiti universitari. L’argomentazione più profonda del MIT è che l’istruzione superiore abbia fatto troppo affidamento sui compiti come prova.

Cosa non dimostra l’avvertimento del MIT

Il rapporto evidenzia un urgente problema di valutazione, ma non dimostra che l’AI abbia padroneggiato ogni materia universitaria.

Le versioni più forti della storia fondono diverse affermazioni. Produrre una risposta credibile non equivale a raggiungere una risposta corretta. Superare un compito non equivale a comprendere un corso.

Un sistema di AI può generare una spiegazione convincente inventando al tempo stesso una citazione. Può risolvere un problema standard ma fallire quando cambia l’impostazione. Può produrre codice che funziona con input comuni nascondendo però difetti di sicurezza o affidabilità.

I modelli beneficiano anche di schemi di compiti familiari. Le università riutilizzano esercizi dei manuali, tracce convenzionali per saggi e materiali didattici pubblici. I dati di addestramento e l’accesso al web possono offrire a un modello un’ampia esposizione a soluzioni correlate.

Ciò rende alcuni compiti più facili da automatizzare rispetto alla disciplina sottostante. Riconoscere e riprodurre uno schema dimostrativo noto è diverso dal selezionare un approccio durante una ricerca non familiare.

L’affermazione del comitato del MIT va quindi letta come un avvertimento sugli output credibili, non come un parametro universale della competenza delle macchine.

Questa limitazione non indebolisce la preoccupazione educativa. In genere, i docenti non possono condurre un’indagine forense su ogni frase o riga di codice. Una risposta plausibile può compromettere la valutazione anche quando gli esperti finirebbero per individuarne i difetti.

Il rapporto non dimostra neppure che ogni studente stia delegando interi compiti. L’uso dell’AI copre una vasta gamma di comportamenti, dal controllo della grammatica alla generazione di una consegna completa.

Sondaggi nazionali e istituzionali rilevano regolarmente un’elevata adozione, ma le percentuali dichiarate dipendono da definizioni, popolazioni e formulazione delle domande. Il solo uso degli strumenti dice poco sul fatto che l’apprendimento sia aumentato o diminuito.

Un sondaggio Coursera del 2026 ha coinvolto oltre 4.200 studenti e docenti in cinque Paesi. Ha rilevato un uso diffuso dell’AI, mentre solo il 26 per cento dei docenti intervistati ha dichiarato che la propria istituzione disponeva di una politica formale sull’AI.

Questi risultati forniscono un contesto di settore, ma provengono da un’azienda di apprendimento online con interessi commerciali nell’istruzione abilitata dall’AI. Non dovrebbero essere considerati una misurazione neutrale di ogni campus.

Un progetto separato di EDUCAUSE ha intervistato 438 docenti e membri del personale sulla valutazione. La sua esistenza mostra che la riprogettazione dei corsi è ormai una preoccupazione dell’intero settore, non una reazione isolata del MIT.

Le prove indipendenti più solide provengono dai cambiamenti osservabili in aula. Le università stanno sperimentando valutazioni orali, scrittura supervisionata, presentazioni e progetti a fasi perché i docenti non si fidano più dei soli elaborati finali.

Il passaggio agli esami orali include approcci contrastanti. Cornell usa interrogazioni condotte da persone dopo le serie di problemi. La New York University ha testato un agente vocale AI che interroga gli studenti sui progetti di gruppo.

L’esperimento della NYU coglie il paradosso che l’istruzione superiore deve affrontare. Un sistema di AI aiuta a verificare se uno studente si sia affidato eccessivamente a un altro.

Gli studenti hanno riportato esperienze contrastanti con quell’agente. Alcuni hanno trovato la conversazione goffa o confusa. Queste reazioni mostrano perché la scalabilità tecnica non può essere l’unica misura di una buona valutazione.

L’interazione umana è centrale nelle raccomandazioni del MIT perché l’istruzione implica tutoraggio, senso di appartenenza, sfida intellettuale e sviluppo dell’identità. Automatizzare l’esame orale potrebbe preservare la verifica indebolendo al contempo queste relazioni.

La stessa preoccupazione vale per il tutoraggio AI. Spiegazioni immediate e pratica personalizzata possono sostenere gli studenti che esitano a chiedere aiuto. Possono anche ridurre il contatto con docenti e compagni se le istituzioni trattano il software come un sostituto del lavoro didattico.

L’avversario principale del MIT non è quindi l’AI in sé. È un modello educativo che tratta il lavoro completato come una misura affidabile della comprensione, riducendo al minimo le costose interazioni umane che rivelano l’apprendimento.

Questa impostazione lascia spazio a un uso produttivo dell’AI. Uno studente può chiedere spiegazioni alternative, domande di esercitazione, feedback o controargomentazioni. Il valore dipende dal fatto che lo strumento stimoli più riflessione o la elimini.

L’incertezza è significativa. I ricercatori necessitano ancora di prove longitudinali che mostrino come diversi modelli di utilizzo dell’AI influenzino la ritenzione, il ragionamento, la creatività e le prestazioni successive.

Le università dovrebbero anche monitorare l’accesso diseguale. Studenti con strumenti a pagamento, modelli migliori o competenze avanzate di prompting potrebbero ricevere un’assistenza maggiore rispetto ai compagni che usano sistemi limitati.

Regole chiare non elimineranno questa differenza. Le istituzioni potrebbero dover fornire strumenti approvati e spiegarne i limiti se l’AI diventa un’infrastruttura obbligatoria per i corsi.

La privacy presenta un’altra questione irrisolta. I prompt degli studenti possono contenere informazioni personali, ricerche inedite, materiale protetto da copyright o dati istituzionali sensibili. Le politiche dei corsi devono affrontare la destinazione di tali informazioni.

Questi limiti suggeriscono un’implementazione attenta, non un rinvio. Il rapporto del MIT descrive esplicitamente il lavoro come non facoltativo, poiché le capacità dell’AI e le pratiche degli studenti continueranno a cambiare mentre le università deliberano.

Cosa osservare dopo la fine del ciclo di Google News

L’avvertimento del MIT diventa rilevante solo se politiche, budget e progettazione dei corsi cambiano dopo che il titolo svanisce.

Il primo segnale è se i dipartimenti pubblicheranno regole chiare e specifiche per ciascun corso durante il trimestre autunnale del 2026. Il MIT ha incoraggiato indicazioni esplicite, ma non ha imposto una politica uniforme.

Regole efficaci dovrebbero spiegare perché l’AI è consentita o limitata, non limitarsi a nominare gli strumenti approvati. Dovrebbero collegare ogni confine a un obiettivo di apprendimento e descrivere come gli studenti devono dichiarare l’assistenza ricevuta.

Anche la coerenza è importante. Gli studenti possono gestire regole diverse nei vari corsi quando queste sono visibili e motivate. Aspettative nascoste creano confusione e indeboliscono l’applicazione delle regole.

Se la maggior parte dei corsi adotterà politiche chiare, la strategia decentralizzata del MIT acquisterà credibilità. Se le indicazioni resteranno disomogenee, il rapporto avrà identificato un problema senza risolverne le conseguenze quotidiane.

Il secondo segnale è la portata della riprogettazione delle valutazioni. Le università dovrebbero monitorare quanti corsi sostituiscono o integrano gli elaborati da svolgere a casa con difese orali, portfolio, dimostrazioni, lavoro supervisionato o consegne a fasi.

La metrica rilevante non è il numero di workshop sull’AI offerti. È il numero di corsi che cambiano ciò che conta come prova.

Il Community Hub del MIT ha annunciato un sostegno iniziale per i team didattici che rivedono compiti e obiettivi di apprendimento. Dimensione, durata e adozione di tale sostegno mostreranno se la riprogettazione è un investimento centrale o un progetto pilota limitato.

Altre università offrono un primo termine di confronto. Cornell ha integrato la formazione sulle valutazioni orali nel supporto ai docenti. L’Università della Pennsylvania ha segnalato un uso crescente delle valutazioni orali e in presenza.

Questi esperimenti riveleranno vincoli pratici. Grandi corsi introduttivi, docenti a tempo parziale, requisiti di accessibilità e spazi d’aula limitati possono rendere difficile una valutazione ad alta intensità di lavoro.

Se le istituzioni finanzieranno ulteriore capacità didattica, il modello incentrato sull’essere umano del MIT diventerà più realistico. Se faranno affidamento sul personale esistente, la riprogettazione potrebbe restare concentrata in corsi piccoli o ben finanziati.

Il terzo segnale riguarda le prove sugli esiti di apprendimento. Le università devono confrontare ritenzione, trasferimento delle conoscenze, ragionamento e fiducia degli studenti tra diversi modelli di utilizzo dell’AI.

Un corso può diventare più difficile da aggirare senza diventare più educativo. Maggiore sorveglianza, più esami e più ansia non produrrebbero automaticamente una comprensione più profonda.

I ricercatori dovrebbero distinguere tra AI come tutor, AI come critico, AI come assistente alla produzione e AI come sostituto. Riunire questi comportamenti in un’unica categoria di “uso dell’AI” nasconde il meccanismo che conta.

I risultati longitudinali potrebbero rafforzare il giudizio del MIT se le valutazioni ricche di processo migliorassero la capacità degli studenti di spiegare e applicare le conoscenze. Potrebbero indebolirlo se i corsi riprogettati aggiungessero lavoro senza migliorare l’apprendimento.

Il futuro dell’istruzione residenziale potrebbe dipendere da questi risultati. Se l’erogazione dei contenuti e il feedback di routine diventano economici, le università devono giustificare il valore dei campus attraverso relazioni, laboratori, collaborazione, tutoraggio e vita intellettuale condivisa.

Il linguaggio del MIT punta direttamente verso questa difesa. La sua leadership vuole un’istruzione svolta da esseri umani, per esseri umani, usando l’AI dove accresce la capacità umana.

È una posizione più esigente tanto del divieto quanto dell’adozione senza restrizioni. Richiede ai docenti di rendere esplicito lo scopo di ogni consegna. Richiede agli studenti di restare responsabili del giudizio anche quando le macchine aiutano a produrre l’elaborato.

Richiede inoltre ai leader universitari di finanziare il contatto umano invece di trattare l’AI come una scorciatoia verso classi più grandi e costi didattici inferiori.

La storia originale di Google News ha correttamente sottolineato l’ampiezza dei compiti universitari svolti con l’AI. Tuttavia, l’affermazione sui compiti è soltanto il fatto iniziale.

La questione più ampia è che le università non possono più equiparare una consegna credibile a una persona istruita. Devono osservare il ragionamento, creare occasioni di confronto intellettuale e insegnare agli studenti quando delegare diventa una forma di autoannullamento.

Studenti e lavoratori della conoscenza possono applicare subito lo stesso criterio. Quando l'AI produce una risposta, conservate le fonti, le ipotesi, le bozze e le correzioni che rendono vostro il ragionamento. Poi chiedetevi se sapreste difendere il risultato senza lo strumento.

Questa abitudine conta anche oltre l'università. I datori di lavoro avranno bisogno di prove che i lavoratori comprendano gli output assistiti dalle macchine, soprattutto quando le decisioni riguardano clienti, sicurezza, denaro o fiducia pubblica. Quando il ciclo di notizie di google sarà passato, le istituzioni riprogetteranno l'apprendimento attorno a questa responsabilità o continueranno a valutare artefatti di cui non si fidano più?