IA e inclusione: la promessa più ripetuta e la meno documentata

Domanda

L’inclusione è l’obiettivo che tutte le fonti di policy mettono in cima quando parlano di IA a scuola: quanto di quella promessa è oggi sostenuta da evidenze e praticabile dentro i vincoli giuridici?

Risposta sintetica

Nel corpus del wiki l’inclusione è l’uso dell’IA più promesso e meno documentato. I documenti di indirizzo la collocano al primo posto tra le finalità didattiche; la ricerca pedagogica italiana registra proprio su questo terreno “notevoli ritardi”; l’unica evidenza di efficacia disponibile (OCSE 2026) è condizionale, non incoraggiante. Soprattutto: i tre vincoli operativi più stringenti — divieto di inserire PEI e PDP nei prompt, divieto di riconoscimento delle emozioni, classificazione ad alto rischio della profilazione — colpiscono esattamente gli usi più “personalizzanti”. Ciò che resta immediatamente praticabile è una fascia più modesta ma reale: trasformare i materiali, non analizzare gli studenti.

Analisi

1. Cosa promettono i documenti di indirizzo

L’inclusione non è un tema laterale delle policy italiane: è la prima voce operativa dopo la personalizzazione. Le 2025) indicano l’adattamento dei materiali per BES e DSA e il supporto a PEI e PDP tra gli usi tipici del docente “co-pilota”; l’Atto di indirizzo che le scuole stanno adottando elenca, nell’ambito didattico-formativo, “recupero/inclusione BES con tecnologie assistive” e “analisi predittive contro la dispersione”; il cronoprogramma d’istituto ripete la coppia inclusione-dispersione tra gli obiettivi didattici.

Il contenuto pedagogico di questa promessa è l’Universal Design for Learning: l’IA renderebbe finalmente sostenibile l’accessibilità fin dall’origine — più rappresentazioni dello stesso contenuto, più canali, meno adattamento a posteriori — attraverso tre famiglie di supporti descritte in didattica inclusiva con IA: rappresentazioni multimodali, strumenti di accessibilità (sintesi vocale, trascrizione, semplificazione testuale) e calibrazione sulle fragilità individuali.

Il punto da tenere presente è che questa è una indicazione di policy, non un risultato misurato. Il wiki non contiene, a oggi, alcun dato d’impatto italiano sull’inclusione mediata dall’IA.

2. Cosa dice la ricerca: l’area più promessa è quella più scoperta

Qui il corpus contiene una contraddizione esplicita e documentata. La scoping review di Fiorucci e Bevilacqua (2024), che mappa 142 articoli su dieci anni di riviste pedagogiche italiane di Fascia A, individua tra le lacune nazionali proprio l’educazione speciale: internazionalmente uno dei campi più fecondi per l’IA in educazione, in Italia in “notevoli ritardi”.

Due dettagli metodologici rendono il dato ancora più severo:

degli articoli mappati, 85 su 142 stanno sull’asse epistemologico (teorico o storico) e solo 57 su quello prasseologico (sperimentale o empirico): la produzione è più riflessiva che sperimentale;
gli autori escludono esplicitamente ogni valutazione di qualità dei singoli lavori e segnalano che in molti il disegno di ricerca non è dichiarato.

Dunque non abbiamo solo poca ricerca italiana sull’inclusione con l’IA: quella che c’è è per larga parte teorica. L’indicazione di policy corre più veloce della ricerca nazionale che dovrebbe sostenerla.

3. L’unica evidenza di efficacia disponibile è condizionale

Il wiki contiene una sola fonte che parla di evidenze empiriche di efficacia, e non è specifica sull’inclusione: l’OECD Digital Education Outlook 2026. Il suo risultato principale è che la GenAI sostiene l’apprendimento solo se guidata da principi didattici chiari; usata senza guida pedagogica, migliora la prestazione senza produrre reali guadagni di apprendimento.

Applicato all’inclusione, questo risultato è più insidioso che altrove. Il rischio tipico della personalizzazione automatica è che la difficoltà scenda, il compito venga completato e il divario di apprendimento resti — anzi si nasconda dietro un output migliore. È lo stesso meccanismo della pigrizia metacognitiva, applicato agli studenti per cui il sostegno alla metacognizione conta di più. La convergenza con Galli (2025) rafforza il timore: l’uso studentesco rilevato è “largamente funzionale a scopi immediati e di utilità pratica”, non orientato a processi metacognitivi.

4. I tre vincoli che tagliano fuori gli usi più ambiziosi

È la parte che un docente o un dirigente deve conoscere prima di progettare, perché i vincoli non colpiscono a caso: colpiscono gli usi più vicini alla promessa.

Uso proposto dalle fonti	Cornice giuridica	Praticabilità oggi
Semplificare, riformulare, convertire in mappa o audio un materiale didattico	Nessun trattamento di dati personali se il testo è impersonale	Praticabile subito
Generare materiali differenziati “calibrati” su PEI e PDP	Divieto di inserire dati sensibili e identificativi nei prompt di modelli aperti (Privacy e protezione dei dati)	Solo per astrazione: caso verosimile inventato, mai il documento reale
Software che rileva attenzione, noia o frustrazione degli studenti	Pratica vietata dall’art. 5 AI Act, rischio inaccettabile (Riconoscimento delle emozioni (pratica vietata)); divieto ribadito dal Garante e in vigore dal 2 febbraio 2025	Escluso, senza mitigazioni possibili
Analisi predittive per individuare studenti a rischio di dispersione	L’istruzione è alto rischio (Allegato III, p. 3): assegnazione a percorsi e profilazione (AI Act — categorie di rischio) → DPIA + FRIA e supervisione umana tassativa	Non impossibile, ma il più oneroso

Il paradosso è netto: i dati che renderebbero la personalizzazione più efficace — quelli di PEI e PDP — sono i meno utilizzabili, perché sono i più sensibili. Non è un difetto di scrittura delle norme: PEI e PDP contengono dati sulla salute di minori.

Due precisazioni doverose. Primo, la via d’uscita indicata dal Garante e recepita dalla 2025 esiste, e sono i dati sintetici o i casi verosimili inventati: si progetta su un profilo fittizio e si applica il risultato con giudizio professionale. Secondo, il rinvio degli obblighi sull’alto rischio al 2 dicembre 2027 (Digital Omnibus) non cambia nulla su questo punto — i divieti dell’art. 5 sono già pienamente efficaci, e il rinvio riguarda gli adempimenti, non la liceità del trattamento di dati sanitari di minori, che resta materia GDPR.

Va segnalata infine una zona grigia che le fonti del wiki non risolvono: IA@School — Quadro normativo e strategico (EFT Calabria) chiede esplicitamente come si conciliano il divieto di riconoscimento delle emozioni e gli strumenti di learning analytics che inferiscono stati attentivi. Nessuna fonte disponibile traccia quel confine in modo operativo. Chi acquista una piattaforma con funzioni di questo tipo lo fa quindi senza una linea chiara, e come deployer ne risponde.

5. Cosa resta, ed è più di quanto sembri

Se si sottraggono gli usi vietati, quelli ad alto rischio e quelli bloccati dal divieto sui dati sensibili, resta la fascia che il corpus chiama accessibilità e multimodalità — e che è, non per caso, la più vicina all’UDL originario:

conversione di formato: lo stesso contenuto in testo, mappa, immagine, audio, così che nessun profilo di apprendimento sia strutturalmente svantaggiato;
semplificazione linguistica e testuale dei materiali, a monte e non a valle della lezione;
strumenti assistivi — sintesi vocale, trascrizione automatica — che il glossario DigComp 3.0 classifica come tecnologie assistive e collega alla nozione di accessibilità;
produzione di materiali differenziati costruiti sul bisogno didattico descritto in astratto, non sul documento personale dello studente.

Il tratto comune è che l’IA lavora sul materiale, non sullo studente. È una riduzione di ambizione rispetto alla promessa della personalizzazione algoritmica, ma è anche l’unica fascia dove non serve una FRIA e dove il vincolo dell’OCSE — guida pedagogica del docente — è automaticamente soddisfatto, perché è il docente a decidere cosa trasformare e per chi.

6. Il contro-effetto: l’IA inclusiva può escludere

Un ultimo elemento, il più scomodo, che il corpus documenta con precisione. L’IA è presentata come leva di equità mentre le condizioni per usarla sono esse stesse distribuite in modo diseguale (Divario digitale): l’accesso agli abbonamenti premium separa chi usa i modelli più capaci da chi resta sulle versioni gratuite; il divario è territoriale; e corre anche dentro la scuola, tra docenti aggiornati e non.

Le due contromisure finanziate — la riserva di almeno il 40% dei 100 milioni del 2025 alle scuole del Mezzogiorno e la formazione a cascata — sono reali ma indirette: finanziano formazione, non dotazione. E la domanda più pratica che l’inclusione pone, cioè quali strumenti gratuiti permettano a una scuola senza budget di fare le stesse cose, resta aperta nel wiki come nella guida pratica.

Vale la pena notare che l’equità è trattata dalle fonti come imperativo categorico e non come effetto atteso dell’IA: l’Atto di indirizzo la fonda sugli artt. 34 e 38 della Costituzione. È una scelta di impostazione corretta, ed è anche l’ammissione che l’effetto inclusivo non è garantito dalla tecnologia.

Fonti usate

Lacune e domande aperte

Nessun dato d’impatto sull’inclusione. Il wiki non contiene una sola misura di efficacia dell’IA su studenti con BES o DSA — né italiana né internazionale. Tutto ciò che si può dire oggi è che la promessa non è smentita, non che sia verificata.
L’evidenza OCSE non è disaggregata per profilo di apprendimento. Il risultato “prestazione sì, apprendimento no” è generale: non sappiamo se sugli studenti con BES l’effetto sia attenuato o amplificato. È la domanda che più conterebbe.
Il confine tra learning analytics e inferenza emotiva non è tracciato. Nessuna fonte del wiki dà un criterio operativo, e la responsabilità di distinguere ricade sulla scuola-deployer.
Le analisi predittive contro la dispersione sono citate come obiettivo senza esame giuridico. L’Atto di indirizzo e le dichiarazioni politiche le propongono; nessuna fonte del corpus discute se e come una scuola possa svolgerle legittimamente, dato che profilano minori.
Nulla sui docenti di sostegno. Il corpus non contiene indicazioni specifiche per il personale di sostegno né per i CTS/CTI, che compaiono solo come componenti del Gruppo di Lavoro IA.
La domanda sugli strumenti gratuiti resta senza risposta. Rilevata nella guida pratica, ripresa in Divario digitale, mai colmata: è la lacuna più facilmente colmabile con una ricognizione dedicata.
Nessun dato sui percorsi PNRR e l’inclusione. Le metodologie inclusive figurano tra i contenuti degli snodi formativi, ma non esistono nel wiki valutazioni indipendenti di quei percorsi.

IA nella scuola — Wiki

Esplora