L’implementazione dell’Intelligenza Artificiale (IA) nella pubblica amministrazione rappresenta un punto cardine delle strategie di trasformazione digitale promosse dall’Agenzia per l’Italia Digitale (AgID), con un impatto rilevante anche nel settore dell’istruzione. Le “Linee guida per l’adozione dell’IA nella pubblica amministrazione” delineano un quadro normativo e metodologico che mira a garantire conformità giuridica, etica e operativa all’utilizzo della tecnologia nelle PP.AA.. Anche le scuole, quindi, in quanto pubbliche amministrazioni, devono rispettare le indicazioni contenute nella direttiva. L’integrazione dell’IA nelle scuole deve avvenire nel rispetto dei principi di responsabilità, equità e supervisione umana, e non può, perciò, prescindere dai criteri espressi nelle “Linee guida”, che rappresentano un riferimento essenziale per la progettazione, applicazione e monitoraggio delle tecnologie nel sistema educativo.
Le Linee Guida AgID
L’Agenzia per l’Italia Digitale, con la Determinazione n. 17 del 17 febbraio 2025, ha avviato il processo di consultazione sulle Linee guida per l’adozione dell’Intelligenza Artificiale nella Pubblica Amministrazione, elaborate nel quadro del Piano triennale per l’informatica nella PA 2024-2026 con il contributo, tra gli altri, di ANAC, MEF e del Dipartimento per la Trasformazione Digitale.
Le Linee guida definiscono un quadro normativo e operativo per l’adozione dell’IA nelle pubbliche amministrazioni, garantendo etica, trasparenza, protezione dei dati e formazione del personale. Il documento disciplina il ciclo di vita dell’IA, dalla progettazione alla dismissione dei sistemi, e identifica i ruoli chiave della catena del valore (fornitori di modelli, infrastrutture, applicazioni e utilizzatori finali).
Sul piano etico, le Linee guida sottolineano la necessità di garantire che i sistemi di IA siano sviluppati e utilizzati in modo responsabile, nel rispetto della Carta dei Diritti Fondamentali dell’Unione Europea.
Si evidenzia la necessità di garantire supervisione umana, prevenire bias e discriminazioni e classificare i sistemi IA in base al rischio:
- i sistemi vietati sono quelli che utilizzano pratiche manipolative;
- quelli ad alto rischio richiedono misure di mitigazione e controllo;
- i sistemi a rischio limitato o nullo possono essere adottati con minori vincoli.
Viene altresì sottolineata l’importanza della trasparenza, affinché le decisioni automatizzate siano comprensibili e verificabili, e della protezione della privacy, nel rispetto del GDPR e del Codice Privacy, con obbligo di DPIA (valutazione d’impatto sulla protezione dei dati) per i sistemi ad alto rischio. Altro aspetto centrale è la formazione del personale, essenziale per un utilizzo responsabile dell’IA, con programmi di aggiornamento professionale e alfabetizzazione digitale per dipendenti e cittadini.
Il modello di adozione dell’IA nella PA si basa su un ciclo di miglioramento continuo, che prevede la definizione di strategie di implementazione, la gestione del rischio e la valutazione delle performance. È fondamentale, dunque, assicurare che i sistemi impiegati siano conformi alle normative tecniche e che i processi di implementazione seguano standard riconosciuti a livello nazionale ed europeo, per garantire un’adozione responsabile ed efficace dell’Intelligenza Artificiale nei servizi pubblici.
A scuola con l’Intelligenza Artificiale
Anche il mondo della scuola e dell’istruzione rientra nell’ambito di applicazione delle linee guida. Le istituzioni scolastiche, riconosciute come enti pubblici autonomi, sono perciò chiamate ad implementare l’IA nel rispetto delle direttive in materia di etica, trasparenza e protezione dei dati.
Le applicazioni pratiche dell’IA nelle istituzioni educative sono molteplici e spaziano dall’automazione dei processi amministrativi alla personalizzazione dell’apprendimento, fino all’analisi predittiva dei progressi degli studenti[1].
Secondo Zawacki-Richter et al. (2019)[2], le principali aree di applicazione dell’IA nell’educazione includono:
- profilazione e previsione;
- valutazione automatizzata;
- sistemi adattativi:
- tutoraggio intelligente.
Applicazioni didattiche dell’IA
Le piattaforme basate su IA ottimizzano la didattica grazie a sistemi adattativi che modulano i contenuti in base alle esigenze degli studenti, regolando il livello di difficoltà e personalizzando le attività didattiche[3]. I tutor virtuali o i sistemi di tutoraggio intelligente (ITS) simulano l’interazione umana, offrendo supporto personalizzato e adattando le spiegazioni ai bisogni degli studenti, contribuendo a colmare eventuali lacune attraverso esercizi mirati. Strumenti di valutazione automatizzata, come l’Automated Essay Scoring (AES), riducono il carico di lavoro degli insegnanti, migliorando l’efficienza delle valutazioni[4]. Allo stesso tempo, le tecnologie di analisi predittiva permettono di individuare precocemente gli studenti a rischio di difficoltà o abbandono scolastico, facilitando interventi mirati[5].
Per rendere concrete e funzionali tali misure è fondamentale che gli insegnanti acquisiscano una solida comprensione delle potenzialità e dei limiti di questa tecnologia, nonché delle implicazioni etiche e sociali connesse al suo utilizzo. Solo in questo modo sarà possibile sfruttare appieno i benefici dell’IA per migliorare l’esperienza di apprendimento degli studenti e promuovere un’istruzione più inclusiva ed equa, in linea con i principi sanciti dalle Linee guida dell’AGiD.
Guidare l’innovazione nelle scuole
L’implementazione di strumenti basati sull’intelligenza artificiale nelle scuole, come tutor virtuali, piattaforme di apprendimento personalizzato e sistemi per la gestione amministrativa, deve avvenire in modo regolato e consapevole, assicurando la supervisione umana e garantendo la sicurezza delle informazioni sensibili degli studenti e del personale scolastico.
Il dirigente scolastico, in quanto figura di riferimento nell’organizzazione educativa, gioca un ruolo chiave nell’implementazione di questi principi, traducendo le Linee guida nazionali in azioni concrete all’interno della propria istituzione.
Un primo passo fondamentale consiste nell’elaborare una strategia di governance che definisca obiettivi chiari e modalità di applicazione dell’IA nei processi didattici e amministrativi. Questo significa individuare gli strumenti più adatti alle esigenze della scuola, valutando al contempo i rischi legati alla trasparenza e alla protezione dei dati. Creare un gruppo di lavoro che coinvolga docenti, tecnici e specialisti può favorire un’adozione consapevole dell’IA, garantendo che le scelte tecnologiche siano sempre orientate al benessere degli studenti.
Parallelamente, è essenziale investire nella formazione del personale scolastico. Senza una conoscenza adeguata delle potenzialità e dei limiti dell’IA, diventa difficile sfruttarne al meglio le applicazioni. Organizzare corsi di aggiornamento e percorsi di alfabetizzazione digitale aiuta i docenti a integrare in modo efficace strumenti intelligenti nella didattica, permettendo loro di utilizzarli non solo come supporto, ma anche come mezzo per sviluppare negli studenti un pensiero critico rispetto alla tecnologia.
La strategia di fare rete
In questo scenario, le reti di scuole previste dall’art. 7 del DPR 275/1999 e potenziate dalla Legge 107/2015 rappresentano uno strumento strategico per favorire l’innovazione condivisa e la sperimentazione congiunta dell’IA nel settore scolastico. La collaborazione tra istituti, sia in reti di ambito che di scopo, consente di ottimizzare le risorse, coordinare attività formative comuni e condividere buone pratiche nell’adozione dell’IA. Grazie a queste sinergie, le scuole possono accedere a strumenti e competenze specialistiche, riducendo le disparità territoriali e promuovendo un uso più efficace e inclusivo delle tecnologie intelligenti.
L’introduzione dell’IA nel sistema scolastico non deve essere vista come una semplice innovazione tecnologica, ma come un cambiamento culturale che coinvolge studenti, docenti e dirigenti. Il ruolo del dirigente scolastico è quindi quello di guidare questa trasformazione, assicurandosi che l’intelligenza artificiale venga utilizzata per migliorare la qualità dell’educazione, senza perdere di vista i principi fondamentali di equità, inclusione e rispetto della persona.
Verso un’Intelligenza Artificiale “responsabile”
L’adozione dell’IA nelle scuole deve avvenire in linea con le best practices indicate nelle Linee guida elaborate dall’AgID, assicurando che ogni sistema implementato sia spiegabile, equo e supervisionato da operatori umani.
Ad esempio, l’uso di sistemi adattativi e tutor virtuali deve rispettare il principio di accountability, garantendo che le decisioni algoritmiche non sostituiscano mai il giudizio degli insegnanti ma lo supportino in modo trasparente e verificabile. Allo stesso modo, la profilazione degli studenti mediante analisi predittiva deve essere gestita con estrema attenzione per evitare pregiudizi algoritmici e garantire che i dati raccolti siano trattati nel pieno rispetto delle normative sulla privacy, come previsto dal Regolamento Generale sulla Protezione dei Dati (GDPR).
Le Linee guida sottolineano, inoltre, la necessità di adottare misure di sicurezza informatica per prevenire violazioni dei dati e proteggere le informazioni sensibili degli studenti e del personale scolastico. Ciò è particolarmente rilevante per l’uso di strumenti come l’Automated Essay Scoring (AES) e altri sistemi di valutazione automatizzata, che devono essere trasparenti nel funzionamento e verificabili dai docenti per evitare distorsioni nei giudizi.
L’importanza della formazione per accompagnare il cambiamento
Infine, un altro elemento chiave richiamato dalle Linee guida è la formazione del personale. L’introduzione dell’IA nelle scuole deve essere accompagnata da percorsi di aggiornamento e alfabetizzazione digitale per insegnanti e dirigenti scolastici, in modo da garantire un utilizzo consapevole degli strumenti tecnologici e una gestione appropriata delle informazioni generate dai sistemi intelligenti.
L’introduzione dell’IA nella scuola offre opportunità significative per il miglioramento della didattica e dell’organizzazione amministrativa, ma richiede un approccio attento e responsabile. La trasparenza, l’etica, la protezione dei dati e la formazione sono elementi essenziali per garantire un utilizzo efficace e sicuro delle nuove tecnologie. Le linee guida per la pubblica amministrazione forniscono un quadro di riferimento utile per accompagnare questo processo, promuovendo un’innovazione sostenibile e inclusiva. La scuola, come pubblica amministrazione autonoma, ha la responsabilità di adottare l’IA in modo consapevole, valorizzando il ruolo del docente e assicurando un equilibrio tra tecnologia e umanità nell’educazione del futuro.
[1] M. Chassignol, A. Khoroshavin, A. Klimova, and A. Bilyatdinova, Artificial intelligence trends in education: A narrative overview, Procedia Comput. Sci., vol. 136, pp. 16–24, 2018.; R. C. Sharma, P. Kawachi, and A Bozkurt, The landscape of artificial intelligence in open, online and distance education: Promises and concerns, Asian J. Distance Educ., vol. 14, no. 2, pp. 1–2, 2019; S. Pokrivcakova, Preparing teachers for the application of AI-powered technologies in foreign language education, J. Lang. Cultural Edu., vol. 7, no. 3, pp. 135–153, 2019; S. A. Wartman and C. D. Combs, Medical education must move from the information age to the age of artificial intelligence, Acad. Med., vol. 93, no. 8, pp. 1107–1109, 2018.
[2] Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F., Systematic review of research on artificial intelligence applications in higher education – where are the educators?, International Journal of Educational Technology in Higher Education, 2019.
[3] Alfarsi, G. M. S., Omar, K. A. M., & Alsinani, M. J. (2017), A rule-based system for advising undergraduate students, Journal of Theoretical and Applied Information Technology, 2017, hanno esplorato i risultati dei sistemi di AI per attività di supporto accademico agli studenti universitari (v. anche Feghali, T., Zbib, I., & Hallal, S. A web-based decision support tool for academic advising, Educational Technology and Society, 2011
https://www.learntechlib.org/p/52325/.).
[4] Gierl, M., Latifi, S., Lai, H., Boulais, A., & Champlain, A. (2014) Automated essay scoring and the future of educational assessment in medical education, Medical Education, 48(10), 950–962 https://doi.org/10.1111/medu.12517.
[5] Si vedano sul punto gli studi condotti da Phani Krishna, K. V., Mani Kumar, M., & Aruna Sri, P. S. G. (2018), Student information system and performance retrieval through dashboard, International Journal of Engineering and Technology (UAE), 7, 682–685. https://doi.org/10.14419/ijet. v7i2.7.10922; Chen, J.-F., & Do, Q. H. (2014), Training neural networks to predict student academic performance: A comparison of cuckoo search and gravitational search algorithms, International Journal of Computational Intelligence and Applications, https://doi.org/10.1142/S1469026814500059 dove si evidenzia che “the accurate prediction of students’ academic performance is of importance for making admission decisions as well as providing better educational services (p. 18); Acikkar, M., & Akay, M. F. (2009), Support vector machines for predicting the admission decision of a candidate to the School of Physical Education and Sports at Cukurova University, Expert Systems with Applications, 36(3 PART 2), 7228–7233. https://doi.org/10.1016/j.eswa.2008.09.007: in questo studio i ricercatori hanno utilizzato un particolare algoritmo di apprendimento (c.d. tecnica della macchina a vettori di supporto, SVM) per individuare i candidati che sarebbero stati ammessi ad una scuola di educazione fisica in Turchia. L’algoritmo è stato in grado di individuare e prevedere gli studenti effettivamente ammessi con un livello di accuratezza del 97,17% nel 2006 e del 90,51% nel 2007; Delen, D. (2011), Predicting student attrition with data mining methods, Journal of College Student Retention: Research, Theory and Practice, https://doi.org/10.2190/CS.13.1.b. Questo studio ha utilizzato l’AI per individuare e prevedere il tasso di abbandono accademico degli studenti di un’università americana. In particolare, è stato esaminato nell’arco di 8 anni un campione di 25.224 studenti iscritti come matricole all’università. Sono state utilizzate tre tecniche di classificazione per prevedere l’abbandono: ANN, alberi decisionali (DT) e regressione logistica. I dati contenevano variabili relative alle caratteristiche demografiche, accademiche e finanziarie degli studenti (ad esempio età, sesso, etnia, punteggio TOEFL, aiuti finanziari, prestito studentesco, ecc.). Lo studio ha dimostrato che il modello ANN funzionava meglio, con un tasso di accuratezza dell’81,19%, e ha concluso che i più importanti fattori predittivi dell’abbandono scolastico degli studenti sono correlati al rendimento scolastico passato e presente dello studente e alla possibilità o meno di accedere a sostegni finanziari; Babić, I. D. (2017), Machine learning methods in predicting the student academic motivation, Croatian Operational Research Review, 8(2), 443–461. https://doi.org/10.17535/crorr.2017.0028, ha sviluppato un modello per prevedere la motivazione accademica degli studenti in base al loro comportamento in un ambiente di apprendimento online.
