Domanda
Se l’IA generativa può produrre il compito al posto dello studente, e non esiste un modo affidabile per accertarlo, che cosa resta da valutare — e come?
Risposta sintetica
Il problema non è tecnico ma pedagogico: non esistono strumenti affidabili per riconoscere un testo generato dall’IA, quindi difendere la valutazione del prodotto finale è una battaglia persa. La via che il corpus indica con convergenza è spostare la valutazione sul processo — decisioni, revisioni, giustificazioni — rendendo l’uso dell’IA dichiarato e discutibile anziché nascosto. L’evidenza OCSE 2026 aggiunge la ragione più forte per farlo: senza guida pedagogica l’IA alza la prestazione senza produrre apprendimento, cioè rende il prodotto finale un indicatore ancora meno affidabile di prima.
Analisi
1. Perché il prodotto finale non è più un buon indicatore
Tre fatti, presi insieme, erodono la validità del compito consegnato:
- Gli AI detector non funzionano. Il corpus è netto: producono troppi falsi positivi e falsi negativi (Valutazione e integrità accademica). Un’accusa fondata su un detector è un rischio, non una prova.
- Il “plagio mascherato” è a costo quasi zero. L’IA generativa produce testo originale e non ricopiato: gli strumenti antiplagio classici, costruiti sul confronto tra fonti, non intercettano il problema.
- La prestazione si scollega dall’apprendimento. È il risultato del Digital Education Outlook 2026: delegare i compiti all’IA senza guida pedagogica migliora l’esito visibile senza reali guadagni di apprendimento. Un buon prodotto può quindi coesistere con un apprendimento nullo.
Il terzo punto è il più scomodo: non riguarda la disonestà, ma i casi in cui lo studente usa l’IA in modo dichiarato e lecito e consegna comunque un lavoro che non misura ciò che ha imparato.
2. Il vincolo normativo: automatizzare la valutazione è “alto rischio”
La strada opposta — usare l’IA per valutare — è quella più regolata. L’AI Act classifica i sistemi che valutano i risultati di apprendimento come ad alto rischio (AI Act — categorie di rischio), perché un errore o un bias può condizionare l’accesso a percorsi futuri. Ne discendono FRIA e supervisione umana tassativa: nessun voto può essere l’output non rivisto di un algoritmo.
Va però tenuto presente il calendario aggiornato: per l’Allegato III gli obblighi decorrono dal 2 dicembre 2027 (AI Act e Digital Omnibus: applicazione e rinvii (agosto 2026)). È tempo per prepararsi, non per rimandare.
3. Che cosa diventa valutabile
Spostare il focus sul processo significa rendere osservabili elementi che prima restavano impliciti:
| Oggetto di valutazione | Che cosa mostra | Come raccoglierlo |
|---|---|---|
| Dichiarazione d’uso | onestà e consapevolezza dello strumento | breve nota: se, dove e come è stata usata l’IA |
| Qualità dei prompt | capacità di formulare un problema (Prompt) | consegna della sequenza di prompt usati |
| Revisione critica dell’output | fact-checking, riconoscimento delle allucinazioni | testo IA annotato con correzioni e fonti |
| Diario di bordo / scelte | decisioni, ripensamenti, alternative scartate | poche righe per fase di lavoro |
| Discussione orale | padronanza reale di ciò che si è consegnato | domande sul perché delle scelte, non sul contenuto |
L’ultimo punto è il presidio più solido e il meno tecnologico: se lo studente sa difendere le proprie scelte, l’apprendimento c’è stato — indipendentemente da quanta IA ha usato.
4. Attività già presenti nel corpus
La Guida pratica per la secondaria di I grado offre format che sono al tempo stesso didattici e valutativi: fact-checking di un testo IA con errori deliberati, test di Turing in classe per riconoscere i vizi di forma della macchina, workshop sul prompt. In tutti, ciò che si valuta è il ragionamento dello studente sull’output, non l’output.
5. Il presidio che resta scoperto
Con gli AI detector fuori gioco, l’integrità poggia sulla trasparenza dichiarata dallo studente — cioè su un patto, non su un controllo. Il Codice Etico va in questa direzione chiedendo di dichiarare l’uso dell’IA e vietando di spacciare per proprio un contenuto generato. È una soluzione fragile se resta un divieto scritto: regge solo se la dichiarazione conviene allo studente, cioè se il processo dichiarato è ciò che viene valutato.
Fonti usate
Valutazione e integrità accademica, Supervisione umana (human-in-the-loop), AI Act — categorie di rischio, FRIA — Valutazione d’Impatto sui Diritti Fondamentali, Prompt, Allucinazione, Bias Algoritmico, Scuola aumentata, OECD Digital Education Outlook 2026, 1689, AI Act e Digital Omnibus: applicazione e rinvii (agosto 2026), 2025), Guida Pratica all’IA nella Scuola Secondaria di I grado, Manifesto e Codice Etico IA Generativa a Scuola (ISIS Europa)
Lacune e domande aperte
- Nessun dato d’impatto italiano: le sperimentazioni “Progetti IA” sulla Piattaforma Unica non hanno ancora esiti pubblicati; questa analisi dice come progettare, non quanto funziona nel contesto nazionale.
- Carico di lavoro: valutare il processo costa più tempo che correggere un prodotto. Il corpus non offre stime né soluzioni organizzative.
- Equità: valutare i prompt presuppone che tutti gli studenti abbiano accesso agli stessi strumenti — un rischio già segnalato come “scuola a due velocità”.
- Prove standardizzate: come si concilia la valutazione di processo con esami e prove nazionali basate sul prodotto (compresa PISA 2029)?