di Michele Allegretti

Lo Stanford HAI ha pubblicato la nona edizione dell’AI Index Report: 423 pagine in cui l’intelligenza artificiale smette di essere una previsione e diventa una variabile strutturale dell’economia, della scienza e dell’istruzione. La scorsa settimana il focus è stata l'Italia, come la tecnologia è entrata nel nostro esosistema nazionale, in tutti i campi. In questa edizione di Moredigital cercherò di leggere il report attraverso la lente dell'Education, il numero 7, perché è lì che si misura la distanza reale tra ciò che la tecnologia sa fare e come le persone se ne appropriano. Ho ricavato cinque immagini: tante ne bastano per fissare i punti che, dati alla mano, non si lasciano restituire a parole.

Contesto

Esperti e pubblico, almeno nei dati statunitensi, sembrano vivere in mondi cognitivi differenti quando si parla di AI: il 73% degli esperti si aspetta un impatto positivo sul lavoro, contro appena il 23% del pubblico. Il divario si replica anche in economia e sanità e suggerisce che l’accesso alle tecnologie non coincide necessariamente con la comprensione dei loro effetti. La frattura non è soltanto tecnologica, ma educativa. Anche la fiducia nelle istituzioni segue una geografia frammentata: gli Stati Uniti registrano il livello più basso di fiducia nella capacità del proprio governo di regolamentare responsabilmente l’AI, mentre l’Unione Europea gode in generale di una maggiore credibilità regolatoria. In altre parole, mentre le tecnologie accelerano, la legittimità delle istituzioni chiamate a governarle procede a velocità molto diverse.

Questa asimmetria emerge ancora più chiaramente osservando la crescita delle capacità dei modelli. Nel 2025 oltre il 90% dei modelli frontier più rilevanti è stato prodotto dall’industria privata, e molti sistemi raggiungono o superano prestazioni umane in compiti che fino a pochi anni fa venivano considerati altamente specialistici, come il "ragionamento" scientifico, la matematica competitiva o la programmazione avanzata. Su SWE-bench Verified, benchmark dedicato ai compiti di sviluppo software, le prestazioni dei modelli si sono avvicinate nel giro di un anno al livello umano di riferimento. Parallelamente, l’adozione dell’AI generativa si è diffusa rapidamente nei contesti educativi: circa quattro studenti universitari su cinque dichiarano oggi di utilizzare questi strumenti per studio, ricerca, brainstorming o revisione dei testi.

L'AI è più veloce delle nostre capacità di apprendimento

L’accelerazione delle capacità tecniche, tuttavia, non coincide con una pari accelerazione delle capacità educative e istituzionali necessarie a comprenderle criticamente. La diffusione dell’AI sembra seguire una dinamica tipica dell’educazione liquida: gli strumenti si trasformano più rapidamente dei sistemi deputati a insegnarne uso, limiti e implicazioni. Non sorprende quindi che il dibattito pubblico tenda spesso a sovrapporre AI in education, AI literacy e AI education, confondendo l’uso degli strumenti nei processi didattici, l’alfabetizzazione critica e la formazione tecnica specialistica

AI in education, AI literacy e AI in education indicano rispettivamente l'uso dell'AI nei processi di insegnamento, l'alfabetizzazione di base sul suo funzionamento, la formazione tecnica per costruire sistemi di AI, il dibattito pubblico li confonde

Educazione e geopolitica, la corsa tra Cina e USA

Anche la redistribuzione geopolitica dell’AI assume una dimensione educativa. Il divario tra modelli statunitensi e cinesi si è quasi annullato e le due potenze si alternano ormai nel primato tecnologico. Gli Stati Uniti restano dominanti negli investimenti privati e nei modelli frontier, mentre la Cina guida per volume di pubblicazioni, brevetti e robotica industriale. La Corea del Sud emerge invece per innovazione pro capite. Dietro questi dati si intravede una competizione non soltanto industriale, ma formativa: capacità di ricerca, infrastrutture educative, attrazione dei talenti e costruzione di competenze avanzate stanno diventando elementi centrali della sovranità tecnologica.

AI geniale in matematica ma insufficiente nei task elementari

Questa corsa alle capacità convive però con limiti profondi che hanno conseguenze dirette anche sul piano pedagogico. I modelli AI mostrano quella che alcuni ricercatori definiscono una “frontiera frastagliata”: possono risolvere problemi matematici di altissimo livello e fallire contemporaneamente compiti elementari, come leggere correttamente un orologio analogico. Il paradosso mette in discussione l’idea che l’intelligenza artificiale segua una progressione lineare e costringe anche l’educazione a ripensare il rapporto tra performance, comprensione e competenza. La stessa tensione emerge nella robotica e negli ambienti simulati. I sistemi ottengono risultati sempre migliori nei benchmark controllati ma mostrano ancora forti limiti nei contesti reali non strutturati. Il divario tra simulazione e mondo reale richiama un problema tipicamente educativo: apprendere in un ambiente controllato non garantisce la capacità di generalizzare conoscenze e comportamenti in situazioni impreviste

Fiducia nell’AI per scopi lavorativi (KPMG / University of Melbourne, 2025). Solo il 40% dei lavoratori italiani dichiara di fidarsi degli strumenti AI: tra i valori più bassi del campione internazionale

Ancora troppi incidenti nelle performance dell' AI

Mentre le capacità avanzano, la formazione critica e la governance responsabile procedono più lentamente. Quasi tutti i principali sviluppatori pubblicano benchmark sulle performance dei modelli, ma il reporting su sicurezza, equità e trasparenza resta limitato. Gli incidenti documentati legati all’AI continuano a crescere, segnalando una distanza sempre più evidente tra innovazione tecnica e alfabetizzazione sociale delle sue conseguenze.

Anche il tema dei talenti assume una valenza educativa strategica. Nonostante gli Stati Uniti dominino ancora gli investimenti globali, il numero di ricercatori AI che si trasferisce nel paese è crollato drasticamente negli ultimi anni. La competizione globale sull’AI sembra quindi dipendere sempre meno soltanto dalla disponibilità economica e sempre più dalla capacità di costruire ecosistemi formativi e scientifici attrattivi.

L'AI si diffonde più velocemente di internet e dei computer

Sul fronte della diffusione, l’AI generativa ha raggiunto livelli di adozione più rapidi di Internet e del personal computer. Ma la velocità di utilizzo non coincide con una distribuzione uniforme delle competenze. I dati LinkedIn mostrano che la crescita delle skill AI avviene sempre più spesso fuori dai percorsi formali di istruzione e con forti differenze geografiche. L’India guida la classifica globale nella penetrazione relativa delle competenze AI, mentre l’Italia resta nella parte bassa della graduatoria. L’apprendimento dell’AI si sta quindi espandendo in modo informale e distribuito, ma senza una reale omogeneità nell’accesso alle competenze avanzate.

L'open source democratizza la partecipazione ma non il potere computazionale

In questo scenario, l’open source introduce un ulteriore elemento educativo e politico. La possibilità di contribuire a modelli, dataset e benchmark ridistribuisce parzialmente la partecipazione globale alla costruzione dell’AI, ampliando l’accesso alla conoscenza tecnica oltre i grandi poli industriali. Tuttavia, la produzione dei modelli frontier e delle infrastrutture computazionali resta fortemente concentrata, mostrando come la democratizzazione dell’uso non coincida necessariamente con la democratizzazione del potere tecnologico.Tra i dieci capitoli del report, Education è quello che illumina meglio il paradosso di fondo: l'AI corre più veloce della nostra capacità di formarci a usarla, regolarla, comprenderla.

Educazione liquida

Parafrasando Zygmunt Bauman definirei la situazione attuale come “ricerca liquida” o “educazione liquida”, dai dati emersi i sistemi e le istituzioni deputate a regolare l’accesso, la formazione e l’educazione agli strumenti AI sono necessariamente più lenti nell’erogazione e nella regolazione, dall’accesso all’istruzione, dei cambiamenti tecnologici relativi coinvolti. Ciò comporta che nonostante gli sforzi, e nonostante il mondo universitario si sia impegnato assiduamente a formare nuova ricerca e condivisione del sapere, le strategie adattive sono più lente dei cambiamenti in atto producendo lo slittamento in avanti dei bias non risolti: quando arriviamo a un punto, tutto intorno è cambiato.

I dati suggeriscono una domanda continua di specializzazione in AI anche mentre le iscrizioni a informatica rallentano (negli USA), e gli Stati Uniti restano un leader globale nella formazione di laureati nei settori ICT, a tutti i livelli di istruzione.

Nonostante la maggioranza degli studenti tra scuole superiori e università negli Stati Uniti utilizzi ormai l’AI per il lavoro scolastico, le politiche educative non hanno tenuto il passo, c’è ancora molto da fare. Solo la metà delle scuole medie e superiori dispone di politiche sull’AI e appena il 6% degli insegnanti ritiene che tali politiche siano chiare. Gli studenti utilizzano più comunemente l’AI generativa per la ricerca, la revisione dei saggi e il brainstorming.

Cina ed Emirati Arabi Uniti hanno introdotto l’obbligo di insegnamento dell’AI a partire dall’anno scolastico 2025-2026, segnando un passaggio verso un’istruzione formale sull’AI a livello nazionale ma sono una eccezione, poiché generalmente le persone stanno acquisendo competenze in AI anche al di fuori dei percorsi educativi formali e le indicano sempre più nei propri curriculum.

AI Skills Diffusion Index per paese (LinkedIn, 2025): l’Italia raggiunge 77,95 nell’AI literacy ma si ferma a 27,33 nell’AI engineering. La distanza tra i due indicatori è la misura del divario tra usare gli strumenti e saperli costruire

Il dibattito pubblico sull’AI nell’educazione continua ad ampliarsi, coinvolgendo sviluppatori, fornitori di tecnologie educative, sostenitori dell’istruzione, decisori politici e insegnanti attorno al ruolo dell’AI, con particolare attenzione ai suoi rischi e benefici. Esiste un ampio consenso sull’importanza dell’alfabetizzazione all’AI per tutti gli studenti e sul suo riconoscimento come competenza cruciale per orientarsi e avere successo in ambito accademico, professionale e civico.

Parallelamente, il dibattito pubblico tende a non distinguere in modo chiaro tra AI in education, AI literacy e AI education, tre concetti distinti che riguardano rispettivamente l’uso dell’AI nei processi di insegnamento e apprendimento, le competenze di base per comprenderne funzionamento e rischi, e la formazione tecnica necessaria alla progettazione di sistemi di AI (grafico 7.1 sopra)

La crescita dei Dottorati di Ricerca rappresenta un dato fondamentale in questo dibattito, perché si comincia a intravvedere una rimonta del mondo accademico rispetto le aziende private, in genere più attrattive per gli stipendi più alti, invertendo una tendenza decennale che vedeva i nuovi dottori di ricerca in AI entrare principalmente nel settore industriale, segno che l’Università è riuscita ad arginare quella che viene definita fuga di cervelli, attraverso una maggiore quota di occupazione accademica.

Il ruolo dell’AI nell’educazione si sta espandendo più rapidamente dei dati necessari per monitorarlo, e la gran parte dei dati è limitata nella portata, in ritardo nel tempo, o entrambe le cose. Date queste limitazioni, non è possibile una valutazione completa della crescente domanda di formazione sull’AI e di come i sistemi attuali stiano rispondendo.

In conclusione

Questi cambiamenti decisivi, che si sono verificati in così poco tempo, non sono affatto indolori e rendono evidente il paradosso del risparmio: un’industria così energivora sta creando allarme per quanto riguarda la sostenibilità, dove la sempre maggiore richiesta di risorse sta determinando quesiti geopolitici di non facile soluzione. L'AI ci fa risparmiare tempo umano, ma a quale costo in risorse naturali?

Una nuova “geopolitica dell’AI” è rappresentata dall’open source: sta ridistribuendo la partecipazione rendendo necessaria una riflessione su cosa significhi questo per la sovranità tecnologica europea, visto che l'UE è citata come leader nella regolamentazione ma meno nella produzione di modelli "frontier".

Mi sentirei di descrivere questo report come un punto di partenza per ridefinire alcuni aspetti della ricerca che reputo di irrinunciabile importanza: il report AI index parla di noi, di cosa vogliamo essere in questo cambiamento, di quali qualità vogliamo essere fatti, di quali perimetri etici e legislativi e, infine, di quanto riusciremo a equalizzare questo cambiamento con la sintonia ambientale ed ecosistemica, di cui facciamo parte, per renderlo un tassello di costruzione di umanità. Baudelaire, grande anticipatore della modernità, scrisse: “Della vaporizzazione e della centralizzazione dell'Io. Tutto sta in questo”.

Per approfondimenti

Artificial Intelligence Index Report 2026, Stanford HAI, https://hai.stanford.edu/ai-index/2026-ai-index-report

Allen, Jemima Winifred, Ivar Rodríguez Hannikainen, Julian Savulescu, Dominic Wilkinson, e Brian David Earp. «Is Consent-GPT Valid? Public Attitudes to Generative AI Use in Surgical Consent». AI & SOCIETY 41, fasc. 3 (2026): 2637–55. https://doi.org/10.1007/s00146-025-02644-9

Berger, Simon Aleksander, Erna Håland, e Marit Solbjør. «Patient Perspectives on Trust in Artificial Intelligence–Powered Tools in Prostate Cancer Diagnostics». Qualitative Health Research 36, fasc. 2–3 (2025): 276–88. https://doi.org/10.1177/10497323251387545

Carl, Nicolas, Sarah Haggenmüller, Jana Theres Winterstein, et al. «Patient Insights into Empathy, Compassion and Self-Disclosure in Medical Large Language Models: Results from the IPALLM III Study». World Journal of Urology 43, fasc. 1 (2025): 492. https://doi.org/10.1007/s00345-025-05872-2

Davis, Victoria H., Jinfan Rose Qiang, Itunuoluwa Adekoya MacCarthy, et al. «Perspectives on Using Artificial Intelligence to Derive Social Determinants of Health Data From Medical Records in Canada: Large Multijurisdictional Qualitative Study (Preprint)». Preprint, Journal of Medical Internet Research, 28 agosto 2023. https://doi.org/10.2196/preprints.52244

Fee, Niamh, Louise E. Glover, Renato Bauman, e David A. Crosby. «Patient perceptions on the use of artificial intelligence (AI) in fertility treatment». Human Fertility 28, fasc. 1 (2025): 2591161. https://doi.org/10.1080/14647273.2025.2591161

Gottweis, Juraj, Wei-Hung Weng, Alexander Daryin, et al. «Towards an AI co-scientist». arXiv:2502.18864. Preprint, arXiv, 26 febbraio 2025. https://doi.org/10.48550/arXiv.2502.18864

Hmido, Sara Ben, Houssam Abder Rahim, Corrette Ploem, et al. «Patient Perspectives on AI-Based Decision Support in Surgery». BMJ Surgery, Interventions, & Health Technologies 7, fasc. 1 (2025). https://doi.org/10.1136/bmjsit-2024-000365

Luong, Thang, Dawsen Hwang, Hoang H. Nguyen, et al. «Towards Robust Mathematical Reasoning». arXiv:2511.01846. Preprint, arXiv, 3 novembre 2025. https://doi.org/10.48550/arXiv.2511.01846

Machado, Catarina Menicha, e Benjamin G. Voyer. «Applying artificial intelligence to cardiology services: a qualitative exploration of patient perspectives». British Journal of Healthcare Management 31, fasc. 7 (2025): 1–15. https://doi.org/10.12968/bjhc.2024.0086

Nong, Paige, e Molin Ji. «Expectations of healthcare AI and the role of trust: understanding patient views on how AI will impact cost, access, and patient-provider relationships». Journal of the American Medical Informatics Association 32, fasc. 5 (2025): 795–99. https://doi.org/10.1093/jamia/ocaf031