ИИ меняет связь языка и знаний: вузам пора перейти от стандартизированных тестов к профессиональному суждению

Basta leggere qualche decina di project work di una qualunque disciplina universitaria per notarlo. Gli studenti difendono le proprie scelte progettuali con argomentazioni all'apparenza più coerenti: rispetto a qualche anno fa, il linguaggio è più solido, con riferimenti teorici puntuali e un vocabolario tecnico più vasto. Ma se si chiede perché quella scelta progettuale abbia funzionato, o cosa sarebbe accaduto in condizioni diverse, la sicurezza vacilla rapidamente. Spesso anche i nessi di causalità vengono invertiti, favoriti da uno strumento che di suo non distingue tra correlazione e causalità. Questo scarto tra linguaggio e conoscenza si sta allargando in università, sia sui corsi di laurea che nei master executive destinati a chi già ha esperienza professionale, da quando la GenAI è diventata infrastruttura cognitiva quotidiana. Il dibattito pubblico si concentra su plagio e affidabilità delle risposte generate. Sono questioni reali, ma nascondono una trasformazione più profonda: l'IA non sta solo cambiando come scriviamo testi. Sta alterando il rapporto tra linguaggio e conoscenza — e quindi il modo in cui dovremmo insegnare e valutare. Nei corsi di studio di base osservo un uso sempre più disinvolto del linguaggio disciplinare, non necessariamente una comprensione più profonda dei fenomeni. Se questa crescente padronanza lessicale non coincide con una maggiore capacità di coglierne cause e meccanismi, il rischio è di confondere il linguaggio dell'episteme con l'episteme stessa. Eppure l'episteme non è il possesso di un lessico specialistico: è la comprensione del perché un fenomeno accade, non soltanto del che cosa accade. Nella formazione executive la dinamica è diversa, e per certi versi più insidiosa. Qui l'IA non riempie un vuoto di esperienza: interviene in presenza di forti ancore cognitive, ed è usata per sostenere con più veemenza tesi già radicate nella propria esperienza — soprattutto da chi non è abituato al pensiero sistemico e al confronto con voci e background diversi in azienda. Il linguaggio, in questo caso, non maschera l'assenza di un modello mentale: irrigidisce un modello già parziale. Esiste un luogo nel quale questo fenomeno è immediatamente riconoscibile: il calcio. In Italia è difficile trovare un linguaggio più condiviso e, al tempo stesso, più utilizzato per rivendicare competenza. Chi ama snocciolare la match analysis riconosce con naturalezza espressioni come costruzione dal basso o richiama statistiche sempre più sofisticate. Anche il commento tattico del "bar sport" si è fatto sorprendentemente evoluto. Molto meno frequente è, però, la capacità di spiegare perché, in una determinata situazione, una squadra scelga una soluzione piuttosto che un'altra. Il vocabolario si è diffuso; il modello mentale che gli dà significato resta molto più raro. La ragione è che i modelli mentali non nascono da un manuale, ma da un lungo processo induttivo fatto di esperienza, osservazione ed errori. Prima viene l'esperienza; solo dopo arrivano i concetti e il linguaggio. La GenAI rende invece possibile il percorso inverso: appropriarsi rapidamente del linguaggio di una teoria senza aver attraversato il cammino cognitivo che normalmente conduce alla sua comprensione. Se questa è la trasformazione che stiamo osservando nei processi di apprendimento, è inevitabile chiedersi se anche i nostri strumenti di valutazione siano ancora adeguati. Perché, se diventa più difficile distinguere tra chi padroneggia un linguaggio e chi ha costruito un autentico modello mentale, allora cambia inevitabilmente anche ciò che un'università dovrebbe essere in grado di riconoscere e certificare. Checklist e quiz hanno favorito criteri di valutazione sempre più standardizzati. Erano euristiche ragionevoli finché produrre un elaborato richiedeva un lungo lavoro individuale. Oggi ciò che un sistema di valutazione rende prevedibile è anche facilmente ottimizzabile da una macchina addestrata proprio a soddisfare quei criteri. Non servono docenti più severi. Serve più giudizio esperto — una valutazione che assomigli meno a un algoritmo e più al ragionamento di un bravo clinico, che non si limita a verificare la presenza di sintomi ma cerca il meccanismo che li produce. C'è però un aspetto più sottile, legato a un residuo di positivismo scientifico. In azienda come in università abbiamo costruito sistemi pensati per una competizione giocata su velocità e scalabilità: piattaforme, procedure, algoritmi che alleggeriscono il compito. Ma alleggerire il compito non è neutro: produce spesso un disingaggio progressivo dai fenomeni che quel compito dovrebbe governare — la stessa compiacenza da automazione che porta un pilota a fidarsi del pilota automatico più che a interrogarsi sui segnali ambigui fuori dal finestrino. La GenAI applica la stessa logica alla scrittura. C'è infine un rischio ancora più profondo, che riguarda il modo in cui impariamo a conoscere. Per Popper una teoria vale perché accetta il rischio di essere smentita dai fatti, non perché spiega tutto. La GenAI fa l'opposto: costruisce spiegazioni coerenti molto meglio di quanto sappia suggerire ciò che potrebbe smentirle — e chi non ha basi disciplinari solide rischia di scambiare una spiegazione ben articolata per una vera. Il problema non riguarda solo l'università, ma tutte le professioni che operano in sistemi complessi: il medico che deve distinguere sintomi simili prodotti da cause diverse, l'ingegnere che deve capire perché una struttura potrebbe collassare e non solo applicare correttamente una formula. I grandi incidenti dei sistemi complessi raramente nascono dall'assenza di informazioni, più spesso da un eccesso di informazioni ambigue o da spiegazioni convincenti che descrivevano male i meccanismi della realtà. Per questo l'università dovrebbe avere il coraggio di invertire la rotta: meno fiducia nella griglia che riduce tutto a un punteggio, più spazio al giudizio professionale — più orali, più domande controfattuali, più tentativi di falsificare le ipotesi degli studenti. Non per renderli più difficili, ma per verificare se dietro il linguaggio esista davvero una comprensione dei meccanismi. Forse dovremo tornare a insegnare una competenza data per acquisita: non come costruire argomentazioni convincenti, ma come cercare sistematicamente le ragioni per cui potrebbero essere sbagliate. Il valore dell'IA non dipenderà dalla qualità delle risposte che saprà produrre, ma dalla qualità delle domande e delle confutazioni che sapremo continuare a formulare. È il giudizio, molto più del linguaggio, la responsabilità che nessun algoritmo potrà assumersi al posto nostro.