Springfield Public Schools pubblica il suo primo manuale sull’AI, ma la vera prova è la fiducia in classe

Springfield Public Schools ha pubblicato il suo primo manuale sull’AI, offrendo al distretto un quadro concreto mentre l’AI generativa entra in un numero crescente di classi. L’annuncio è arrivato su Google News grazie alla copertura locale, ma la sola pubblicazione non risolve le questioni più difficili. Gli insegnanti devono ancora decidere quando l’AI sostiene l’apprendimento e quando invece sostituisce il ragionamento che un compito è stato progettato per valutare.

Il manuale arriva per l’anno scolastico 2026–27 insieme a materiali distrettuali aggiornati su tecnologia, onestà accademica e condotta degli studenti. Springfield dispone ora di ciò che è mancato a molti sistemi scolastici: un riferimento distrettuale visibile per studenti, famiglie, docenti e amministratori.

Questa chiarezza conta, perché in precedenza la scelta veniva spesso presentata come un’alternativa tra autorizzazione e divieto. Il conflitto più utile è un altro. Springfield deve consentire ai docenti di esplorare forme legittime di assistenza basata sull’AI, proteggendo al tempo stesso la privacy degli studenti, l’originalità del lavoro e il giudizio professionale degli insegnanti.

Ecco perché il manuale sull’AI di Springfield è più di un altro documento in un fitto calendario di inizio anno scolastico. Trasforma entusiasmo e preoccupazione generici in aspettative che le persone possono discutere, applicare e contestare. Resta da vedere se tali aspettative produrranno pratiche coerenti in classe.

Cosa ha effettivamente cambiato Springfield Public Schools

Springfield ha trasformato l’AI da una questione informale di classe in una responsabilità ufficiale del distretto.

Il distretto ora elenca un manuale sull’AI separato accanto al proprio manuale per gli studenti 2026–27. Questa collocazione segnala che l’uso dell’AI non è più considerato una questione sperimentale riservata ai soli specialisti tecnologici.

La stessa pagina del distretto contiene una sezione sull’onestà accademica e sull’uso improprio dell’intelligenza artificiale. Afferma che l’uso di programmi o applicazioni AI nei compiti può costituire disonestà accademica. La regola sottolinea inoltre la citazione delle fonti e l’uso appropriato delle virgolette.

Tuttavia, i materiali più ampi del distretto non presentano ogni interazione con l’AI come un imbroglio. Springfield ha creato una AI Academy per il personale, con indicazioni su prompt, uso etico, trasparenza, citazioni, privacy, bias e scelta degli strumenti.

Questa distinzione è importante. Un divieto assoluto sarebbe più facile da descrivere, ma più difficile da mantenere in ogni materia e servizio digitale. Un approccio permissivo creerebbe un problema diverso, perché gli studenti potrebbero ricevere poche indicazioni su paternità del lavoro o informazioni riservate.

La formazione sull’AI del distretto considera invece l’uso responsabile una pratica professionale. Ci si aspetta che gli insegnanti comprendano cosa fa uno strumento, lo selezionino per uno scopo definito e restino responsabili del risultato.

Per AI generativa si intende un software che produce nuovi testi, immagini, audio, video o codice a partire dalle istruzioni di un utente. Il suo output può sembrare autorevole senza essere corretto. Può anche riprodurre bias o esporre informazioni inserite in un servizio non adatto.

Questi limiti spiegano perché il manuale non può funzionare come un elenco di parole del vocabolario approvate. Le regole scolastiche sull’AI devono affrontare le scelte compiute prima, durante e dopo che uno strumento genera una risposta.

Prima di utilizzare un servizio, i docenti devono considerare le sue condizioni sulla privacy e la sua idoneità per gli studenti. Durante l’uso, gli studenti hanno bisogno di un confine chiaro per l’assistenza consentita. Successivamente, qualcuno deve verificare l’output e dichiarare in che modo l’AI ha contribuito.

Il linguaggio già presente sull’onestà accademica a Springfield mostra anche dove emergeranno le tensioni. Uno studente può usare un chatbot per fare brainstorming, correggere la grammatica, strutturare un’argomentazione o generare un’intera risposta. Queste azioni possono sembrare simili su uno schermo del browser, pur rappresentando livelli molto diversi di lavoro dello studente.

Un manuale offre agli insegnanti un linguaggio condiviso per tracciare quella linea. Non elimina la necessità di spiegarla per ogni compito.

Il titolo su Google News coglie quindi soltanto il primo passo istituzionale. Springfield ha pubblicato un quadro di riferimento, ma il cambiamento decisivo avviene quando gli insegnanti trasformano quel quadro in istruzioni che gli studenti possano comprendere.

Un insegnante di scienze potrebbe consentire all’AI di proporre variabili sperimentali, chiedendo però agli studenti di valutare ogni suggerimento. Un insegnante di inglese potrebbe permettere feedback sull’organizzazione ma vietare paragrafi generati. Un insegnante di matematica potrebbe usare una soluzione AI errata come materiale per l’analisi degli errori.

In ogni esempio, il valore educativo deriva dalla progettazione del compito e dalla revisione umana. Il chatbot non è la lezione.

La decisione di Springfield attribuisce inoltre responsabilità agli adulti. Se il distretto insegna agli studenti a dichiarare l’assistenza dell’AI, insegnanti e amministratori dovrebbero applicare una trasparenza comparabile ai materiali didattici o alle comunicazioni supportati dall’AI.

Questa simmetria può rafforzare la fiducia. Gli studenti sono più propensi a considerare la dichiarazione come una norma di apprendimento quando si applica a tutta l’istituzione, e non solo come una regola di sorveglianza rivolta a loro.

Perché il manuale sull’AI di Springfield è arrivato ora

Il manuale riflette il passaggio dalle reazioni d’emergenza alla governance locale di una tecnologia ormai consolidata.

All’inizio, le scuole hanno risposto all’AI generativa attraverso controlli familiari. Alcune hanno bloccato i siti dei chatbot, avvertito gli studenti sul plagio o fatto affidamento sulle politiche esistenti di uso accettabile.

Queste risposte hanno affrontato le preoccupazioni immediate, ma non hanno chiarito come gli insegnanti dovessero usare l’AI né come gli studenti dovessero prepararsi a luoghi di lavoro plasmati dall’AI. Non hanno nemmeno risolto il problema delle funzionalità AI che compaiono all’interno di servizi ormai familiari per ricerca, scrittura e produttività.

Springfield agisce in un contesto statale favorevole allo sviluppo di politiche locali. Le linee guida educative del Missouri affermano che le agenzie educative locali dovrebbero creare procedure adatte alle proprie comunità.

Le linee guida statali inquadrano l’AI come uno strumento che dovrebbe integrare il pensiero e il processo decisionale umani. Richiamano inoltre l’attenzione su privacy dei dati, integrità accademica, sviluppo professionale, bias e supervisione umana.

Questo approccio lascia a Springfield spazio per stabilire aspettative locali. Lascia però anche al distretto la responsabilità dei dettagli di attuazione che le linee guida statali non possono definire per ogni classe.

Il quadro del Missouri riconosce una realtà di base: l’AI generativa è già integrata nelle attività svolte da studenti e personale. Ricerca, testo predittivo, apprendimento adattivo, valutazione automatica, trascrizione e generazione di contenuti si sovrappongono sempre più.

Una regola focalizzata su un solo chatbot nominato invecchierà rapidamente. Un manuale duraturo deve regolamentare comportamenti e rischi, anziché dipendere da un elenco statico di prodotti.

La tempistica riflette anche un vuoto informativo tra gli educatori. In un sondaggio del 2024 condotto su 924 insegnanti e dirigenti scolastici, il 79 per cento ha dichiarato che i propri distretti non disponevano di politiche AI chiare. Il dato è stato riportato in un sondaggio sulle politiche AI.

Questa cifra nazionale non dovrebbe essere considerata una misurazione locale di Springfield. Spiega però perché pubblicare regole scolastiche sull’AI sia diventato una priorità pratica.

Politiche poco chiare producono classi disomogenee. Un insegnante può incoraggiare la ricerca assistita dall’AI, un altro può considerare scorretto qualsiasi uso di chatbot e un terzo può non affrontare mai l’argomento.

Questa incoerenza crea rischi per gli studenti. Possono seguire le norme di una classe e violare le aspettative di un altro insegnante senza comprenderne la differenza.

Indebolisce anche l’applicazione delle regole. Uno studente accusato di uso improprio può ragionevolmente chiedere se il confine consentito sia stato spiegato prima dell’inizio del compito.

Istruzioni chiare a livello di compito riducono questa ambiguità. Gli insegnanti possono indicare se l’AI è vietata, consentita per un’assistenza limitata o raccomandata per uno specifico obiettivo di apprendimento.

Il manuale può fornire categorie comuni, ma gli insegnanti devono comunque collegarle al lavoro concreto. “Usa l’AI in modo responsabile” è troppo generico per uno studente che deve decidere se sia consentito ricevere feedback sulla grammatica.

La formazione del personale del distretto è quindi importante quanto il documento pubblico. Gli insegnanti hanno bisogno di esempi, tempo per riprogettare i compiti e supporto quando un nuovo strumento solleva una questione non familiare.

Lo sviluppo professionale dovrebbe includere anche esercitazioni nella valutazione degli output. Una risposta fluida può contenere riferimenti inventati, affermazioni non supportate, errori di calcolo o presupposti culturali.

Gli studenti hanno bisogno della stessa abitudine critica. L’alfabetizzazione all’AI non consiste nella capacità di ottenere rapidamente una risposta. Consiste nella capacità di chiedersi come sia stata prodotta la risposta, quali prove la sostengano e cosa resti incerto.

Questo contesto rende il manuale sull’AI di Springfield tempestivo anziché prematuro. Attendere che l’AI generativa si stabilizzi lascerebbe le classi senza aspettative condivise nel periodo di maggiore confusione.

Tuttavia, l’urgenza non dovrebbe giustificare regole vaghe. Il distretto deve aggiornare le proprie indicazioni man mano che cambiano strumenti, leggi ed evidenze raccolte nelle classi.

L’attenzione di Google News incontra la realtà della classe

La sfida centrale non è Springfield contro un’azienda tecnologica; è la politica scritta contro la coerenza quotidiana in classe.

Comparire su Google News dà al manuale visibilità pubblica. Crea però anche il rischio che la pubblicazione venga giudicata dal titolo anziché dalla sua attuazione.

Un distretto può pubblicare principi accurati mentre gli studenti sperimentano regole contraddittorie. Può promuovere la supervisione umana mentre gli educatori accettano contenuti generati senza verificarli. Può sottolineare la privacy mentre il personale inserisce informazioni sensibili in servizi non approvati.

Il divario tra politica e pratica è la prova principale per Springfield. Ogni altra preoccupazione, inclusi imbrogli, privacy, bias e accesso, passa attraverso l’attuazione.

Si consideri l’integrità accademica. Il manuale per gli studenti del distretto identifica l’uso non autorizzato dell’AI come una possibile forma di disonestà. Eppure rilevare tale uso improprio non è un semplice processo tecnico.

I rilevatori di AI stimano se un software abbia generato un brano. Non ricostruiscono una cronologia definitiva di chi abbia scritto ogni frase. Accuse false possono danneggiare la fiducia, soprattutto per studenti multilingui o autori il cui stile corrisponde ai modelli statistici di un rilevatore.

Un processo più solido parte dalla progettazione del compito e dalle prove dell’apprendimento. Gli insegnanti possono esaminare scalette, bozze, appunti, citazioni, cronologie delle versioni, spiegazioni orali e lavoro svolto in classe.

Questi metodi richiedono più giudizio rispetto al caricamento di un elaborato in un rilevatore. Allineano inoltre la disciplina a prove osservabili anziché a un punteggio di probabilità.

Lo stesso divario tra politica e pratica emerge nella privacy. Studenti ed educatori possono capire che i dati personali debbano rimanere protetti, ma comunque divulgarli accidentalmente cercando assistenza personalizzata.

Un insegnante potrebbe incollare il lavoro di uno studente in un chatbot pubblico per ottenere feedback. Un consulente scolastico potrebbe inserire uno scenario dettagliato contenente fatti identificabili. Uno studente potrebbe condividere informazioni sulla salute, la famiglia o provvedimenti disciplinari chiedendo consiglio.

Lo scopo educativo non elimina l’esposizione. Il personale ha bisogno di una regola semplice su quali informazioni non debbano mai comparire in un prompt AI pubblico.

Ha inoltre bisogno di un processo per gli strumenti approvati. Tale processo dovrebbe esaminare conservazione dei dati, addestramento dei modelli, requisiti dell’account, limiti di età, accessibilità, sicurezza e termini contrattuali.

La guida internazionale indica la stessa direzione. Le linee guida dell’UNESCO sull’IA generativa sottolineano la protezione dei dati e un accesso ai sistemi conversazionali adeguato all’età.

L’equità pone un’altra sfida di attuazione. Gli studenti non entrano in un’aula potenziata dall’IA con dispositivi, abbonamenti, supporto linguistico, connettività domestica o familiarità con il prompting equivalenti.

Se un compito premia l’accesso a un modello migliore, il distretto potrebbe involontariamente valutare le risorse anziché la comprensione. Se l’IA è facoltativa, gli insegnanti devono assicurarsi che gli studenti che scelgono di non usarla possano svolgere un lavoro comparabile.

L’accesso include anche il supporto alla disabilità. Gli strumenti generativi possono semplificare i testi, fornire spiegazioni alternative, facilitare la comunicazione o aiutare a organizzare le informazioni. Questi usi possono ampliare la partecipazione quando gli educatori scelgono gli strumenti con attenzione.

Le stesse funzionalità possono trasformarsi in scorciatoie che riducono lo sforzo produttivo. Per sforzo produttivo si intende l’impegno attraverso cui uno studente sviluppa la comprensione invece di ricevere semplicemente una risposta già pronta.

La differenza dipende dall’obiettivo di apprendimento. Se l’obiettivo è organizzare le prove, una scaletta generata dall’IA potrebbe sostituire una pratica essenziale. Se l’obiettivo è valutare le argomentazioni, una scaletta generata potrebbe diventare materiale utile da criticare.

Gli insegnanti non possono applicare questa distinzione senza sapere perché il compito esiste. Una buona politica sull’IA spinge quindi gli educatori verso una progettazione didattica più chiara.

Il rapporto del Dipartimento dell’Istruzione degli Stati Uniti su insegnamento e IA raccomandava di mantenere le persone coinvolte nelle decisioni sull’IA educativa. Human-in-the-loop significa che una persona conserva l’autorità di riesaminare, mettere in discussione e prevalere sul sistema.

Il manuale di Springfield rispetta questo principio solo se la revisione umana resta significativa. Un insegnante che approva centinaia di raccomandazioni generate senza tempo sufficiente è tecnicamente presente, ma non esercita una supervisione reale.

Il distretto dovrebbe monitorare il carico di lavoro con la stessa attenzione riservata alla conformità. Se verifica, dichiarazione d’uso e revisione degli strumenti creano richieste ingestibili, il personale svilupperà scorciatoie informali.

Ciò riporterebbe Springfield all’incoerenza che il manuale dovrebbe ridurre.

Il vero compromesso è tra capacità e responsabilità

L’IA può ampliare le opzioni educative, ma ogni capacità aggiuntiva crea un corrispondente dovere di verificare, dichiarare e proteggere.

L’IA generativa può aiutare un insegnante a produrre esempi per diversi livelli di lettura. Può suggerire domande per la discussione, tradurre comunicazioni preliminari o generare esercizi.

Gli studenti possono usarla per esplorare controargomentazioni, chiedere un’altra spiegazione, creare domande di studio o ricevere feedback prima di consegnare il lavoro.

Nessuna di queste capacità garantisce un apprendimento migliore. Il risultato dipende dall’accuratezza, dalla progettazione del compito, dal coinvolgimento degli studenti e dalla qualità della revisione umana.

Questo è il compromesso centrale alla base del manuale sull’IA di Springfield. Il distretto vuole sperimentazioni utili senza permettere che la comodità sostituisca il giudizio professionale o il pensiero degli studenti.

La responsabilità inizia dalla dichiarazione d’uso. Se l’IA ha plasmato in modo sostanziale una lezione, una comunicazione o la consegna di uno studente, il pubblico pertinente dovrebbe comprenderne il contributo.

La dichiarazione non richiede di trasformare ogni compito in un audit tecnico. Una breve nota può identificare lo strumento e descrivere se ha supportato il brainstorming, la revisione, la traduzione o la generazione.

La descrizione conta più del nome del prodotto. “Ho usato l’IA” non mostra quale lavoro intellettuale sia rimasto allo studente.

Nemmeno la citazione è una soluzione completa. Uno studente può citare correttamente un chatbot pur avendo esternalizzato l’abilità oggetto della valutazione.

Supponiamo che un compito misuri la capacità di costruire un’argomentazione storica. Citare un’argomentazione generata dall’IA rende visibile l’assistenza, ma non dimostra che lo studente sia in grado di costruire l’argomentazione.

Gli insegnanti devono quindi separare l’attribuzione dall’autorizzazione. L’attribuzione spiega da dove proviene l’assistenza. L’autorizzazione stabilisce se quell’assistenza fosse appropriata per il compito.

La responsabilità richiede anche la verifica dei fatti. I modelli generativi prevedono sequenze plausibili in base ai modelli presenti nel loro addestramento e negli input. Non garantiscono intrinsecamente la verità.

Una citazione inventata può apparire convincente perché combina nomi di autori, titoli di riviste e formattazioni familiari. Gli studenti hanno bisogno di accedere direttamente alla fonte originale prima di farvi affidamento.

Questa abitudine alla verifica collega l’alfabetizzazione sull’IA alla tradizionale alfabetizzazione alla ricerca. Risultati di ricerca, post social, video e risposte generate richiedono tutti una valutazione delle fonti.

È qui che la scomoda parola chiave primaria, google news, diventa rilevante oltre la distribuzione. Un titolo apparso in un aggregatore non convalida in modo indipendente ogni dettaglio contenuto in un articolo.

I lettori dovrebbero comunque seguire il reportage fino alle prove sottostanti. Gli studenti dovrebbero imparare la stessa distinzione tra scoprire informazioni e verificarle.

La credibilità del manuale dipenderà anche dalla responsabilità relativa agli strumenti approvati dal distretto. L’approvazione non dovrebbe diventare permanente soltanto perché un servizio ha superato una revisione iniziale.

I prodotti cambiano modelli, condizioni sulla privacy, interfacce, requisiti di età e pratiche sui dati. Springfield ha bisogno di un processo di revisione ricorrente e di un modo per gli educatori di segnalare comportamenti inattesi.

Le famiglie dovrebbero poter capire quali strumenti gli studenti potrebbero incontrare e quali informazioni tali servizi elaborano. Devono inoltre disporre di un canale chiaro per domande o obiezioni.

Gli insegnanti hanno bisogno di protezione da aspettative irrealistiche. Un distretto non dovrebbe introdurre strumenti di IA e presumere che gli educatori possano assorbire valutazione, riprogettazione e monitoraggio senza tempo dedicato.

Gli studenti hanno bisogno di spazio per contestare un output e un requisito di IA previsto da un compito. Il pensiero critico include mettere in discussione l’idoneità dello strumento, non soltanto usarlo in modo efficiente.

Una cultura scolastica utile dovrebbe premiare questo scetticismo. Uno studente che individua una fonte inventata o un presupposto distorto ha dimostrato apprendimento, anche se la risposta dell’IA stessa era fallace.

Il rischio è che l’efficienza diventi la misura dominante. Una preparazione delle lezioni più rapida o feedback più veloci possono essere attraenti, ma la velocità non dimostra che il materiale sia accurato o didatticamente appropriato.

Springfield dovrebbe resistere alla tentazione di misurare il successo esclusivamente attraverso l’uso degli strumenti. Più prompt, account o documenti generati dimostrerebbero adozione, non valore educativo.

Misure migliori esaminerebbero se gli insegnanti comprendono le regole, se gli studenti sanno spiegare gli usi consentiti e se gli incidenti legati alla privacy diminuiscono.

Il distretto potrebbe anche valutare se i compiti supportati dall’IA producono un ragionamento più solido rispetto ad attività comparabili senza IA. Queste prove aiuterebbero a distinguere pratiche utili dalla novità.

Senza una simile valutazione, il manuale sull’IA di Springfield potrebbe restare una sensata dichiarazione d’intenti. Con essa, il distretto può trasformare la politica in un programma di apprendimento responsabile.

Cosa dovrebbe monitorare Springfield in seguito

Tre segnali mostreranno se il manuale diventerà una politica operativa: coerenza degli insegnanti, comprensione degli studenti e revisione trasparente degli incidenti.

Il primo segnale è se gli insegnanti traducono le indicazioni del distretto in istruzioni a livello di compito. Gli studenti non dovrebbero dover dedurre la regola dall’opinione generale di un insegnante sull’IA.

Springfield può verificare la coerenza con semplici controlli. I programmi dei corsi spiegano la regola predefinita? I compiti identificano l’assistenza consentita? Gli insegnanti sanno descrivere come gestiscono i casi incerti?

La coerenza non richiede regole identiche in tutte le materie. Un laboratorio di scrittura creativa, un corso di programmazione e una valutazione di algebra misurano abilità diverse.

Richiede però un vocabolario condiviso. Gli studenti dovrebbero riconoscere cosa significano “vietato”, “assistenza limitata” e “consentito con dichiarazione” ovunque compaiano queste categorie.

Se questo vocabolario diventerà abituale nei primi mesi di scuola, l’approccio di Springfield acquisterà credibilità. Se ogni aula inventerà una terminologia separata, il divario della politica resterà.

Il secondo segnale è se gli studenti comprendono il ragionamento alla base delle regole. Una conformità fondata soltanto sulla paura della punizione non costruirà un’alfabetizzazione all’IA duratura.

Gli studenti dovrebbero saper spiegare perché le informazioni personali non dovrebbero essere inserite in un chatbot aperto. Dovrebbero capire perché una citazione generata richiede verifica e perché il permesso varia a seconda del compito.

Brevi esercizi basati su scenari possono rivelare più di un modulo di presa visione firmato. Gli studenti potrebbero confrontare il brainstorming con la generazione di risposte complete o identificare dettagli sensibili in un prompt di esempio.

Questi esercizi possono anche far emergere la confusione prima che diventi cattiva condotta. Un manuale funziona meglio come materiale didattico che come prova introdotta solo dopo una presunta violazione.

Il terzo segnale è il modo in cui Springfield esamina errori, reclami ed eccezioni alla politica. L’attuazione iniziale produrrà casi contestati, perché nessun manuale anticipa ogni strumento o situazione in classe.

Il distretto dovrebbe esaminare se una regola fosse chiara, se lo studente avesse un accesso appropriato e quali prove supportino la decisione. Dovrebbe inoltre monitorare se casi simili ricevono risposte comparabili.

Gli incidenti di privacy meritano lo stesso processo di apprendimento trasparente. L’obiettivo dovrebbe essere correggere sistemi e lacune formative, non semplicemente individuare una persona da biasimare.

La rendicontazione pubblica può rimanere aggregata per proteggere gli studenti. Springfield potrebbe riassumere domande comuni, aggiornamenti della politica, modifiche agli strumenti approvati e lezioni tratte dall’attuazione.

Questo ciclo di feedback dimostrerebbe che il manuale è un documento di governance vivo. Offrirebbe inoltre alle famiglie prove del fatto che il distretto sta valutando le conseguenze invece di promuovere la tecnologia in modo acritico.

Il risultato più solido non sarebbe l’uso universale dell’IA. Sarebbe una variazione intenzionale, con gli educatori che scelgono l’IA solo quando supporta un obiettivo di apprendimento definito.

Alcuni compiti dovrebbero restare interamente umani. Gli studenti hanno ancora bisogno di lettura prolungata, scrittura indipendente, calcolo mentale, discussione, memoria e pratica creativa diretta.

Altri compiti possono usare l’IA come oggetto di analisi o come assistente limitato. Il compito del manuale è rendere tali scelte visibili e difendibili.

Per gli studenti che gestiscono ricerche tra risposte generate, materiali didattici e fonti originali, una base di conoscenza personale può aiutare a preservare le prove e a separare gli appunti dagli output non supportati. Lo strumento non sostituisce la valutazione delle fonti né i requisiti degli insegnanti.

Le Springfield Public Schools hanno già completato il passo più visibile. Il loro primo manuale ha raggiunto famiglie, educatori, cronaca locale e Google News.

Ora arriva il lavoro più lento. Gli insegnanti devono applicare le regole, gli studenti devono comprenderle e gli amministratori devono rivederle quando le prove rivelano una debolezza.

I lettori dovrebbero osservare il primo semestre alla ricerca di istruzioni concrete per la classe, misure di tutela della privacy e aggiornamenti della politica pubblicati. Questi segnali riveleranno se Springfield ha creato un documento o una pratica duratura.

La domanda non è se l’IA comparirà nei lavori scolastici. Lo fa già. La domanda è se Springfield riuscirà a rendere ogni utilizzo responsabile nei confronti dell’apprendimento, della privacy e del giudizio umano.