La ricerca scientifica può impiegare anni per ottenere il riconoscimento di un risultato che un laboratorio privato ha già trasformato in un prodotto; l’università, al contrario, potrebbe scoprire di essere in grado di erogare corsi personalizzati a migliaia di studenti senza moltiplicare il numero dei docenti. Due fenomeni apparentemente distinti, uniti dalla stessa trasformazione tecnologica: l’intelligenza artificiale sta comprimendo i tempi necessari per produrre e distribuire conoscenza, mentre le istituzioni che ne certificano il valore continuano a funzionare secondo regole concepite in un’altra epoca. Il problema non è stabilire se la velocità sia sempre un vantaggio o se la tradizione accademica debba essere difesa a prescindere. Il problema è capire che cosa accade quando la capacità tecnica di fare qualcosa supera la capacità organizzativa di valutarne le conseguenze.

Il primo punto riguarda la pubblicazione scientifica, in numerosi settori, soprattutto nell’informatica e nell’intelligenza artificiale, il percorso che conduce dalla conclusione di una ricerca alla sua accettazione in una conferenza internazionale può richiedere mesi, talvolta più di un anno, considerando le scadenze editoriali, le revisioni e gli eventuali tentativi successivi. Non esiste una durata universale, e le tempistiche cambiano sensibilmente tra discipline e sedi di pubblicazione; resta però evidente la tensione tra un processo di validazione necessariamente accurato e un settore nel quale nuovi modelli, tecniche e sistemi vengono sviluppati con una frequenza crescente. Quando un risultato raggiunge il circuito accademico tradizionale, il contesto tecnologico nel quale è stato prodotto potrebbe essere già cambiato.

Il peer review non è un’inutile formalità burocratica è uno dei meccanismi attraverso i quali una comunità scientifica tenta di distinguere un risultato solido da un’affermazione non sufficientemente dimostrata. La revisione indipendente consente di individuare errori metodologici, verificare la qualità delle evidenze e sottoporre le conclusioni a un esame critico. Sarebbe quindi ingenuo interpretare ogni ritardo come uno spreco da eliminare. La questione è un’altra: quanto del tempo necessario alla verifica scientifica dipende dalla complessità del lavoro e quanto, invece, da procedure editoriali, finestre di sottomissione e incentivi professionali che potrebbero essere ripensati? Confondere questi due elementi significa scegliere tra una lentezza inefficiente e una velocità irresponsabile, quando l’obiettivo dovrebbe essere migliorare il processo senza indebolire le garanzie.

La difficoltà aumenta quando si considera il modello economico che sostiene la ricerca un laboratorio finanziato da un’impresa tecnologica può decidere di non pubblicare immediatamente i propri risultati, perché il vantaggio competitivo deriva dalla capacità di integrarli in un prodotto prima che i concorrenti possano replicarli. Un gruppo universitario, invece, deve spesso dimostrare la propria produttività attraverso pubblicazioni, citazioni e partecipazione alle conferenze più prestigiose, elementi che incidono sulle carriere e sull’accesso ai finanziamenti. Non è una differenza marginale significa che due organizzazioni possono lavorare sulla stessa tecnologia, ma rispondere a criteri di successo radicalmente diversi. La prima può misurare il valore in termini di prestazioni commerciali; la seconda deve renderlo visibile attraverso un sistema di riconoscimento scientifico. Quando la tecnologia avanza rapidamente, questa asimmetria può tradursi in uno svantaggio strutturale per la ricerca pubblica, che non dispone necessariamente della stessa libertà di investimento né può rinunciare ai controlli giustamente imposti dall’utilizzo di risorse collettive.

La soluzione, tuttavia, non consiste nell’imitare i laboratori privati, la ricerca finanziata con denaro pubblico risponde anche all’esigenza di rendere verificabili i risultati e di diffondere conoscenza oltre i confini di una singola impresa. Una strada possibile è separare maggiormente la comunicazione tempestiva dei risultati dalla loro validazione definitiva. I preprint, depositati in archivi come arXiv, permettono già ai ricercatori di condividere un lavoro prima della pubblicazione formale, rendendolo accessibile alla comunità scientifica. Un articolo disponibile pubblicamente non è automaticamente un articolo validato, ccorre quindi rendere più trasparente lo stato delle evidenze, facilitare la replicazione degli esperimenti e migliorare il monitoraggio delle revisioni, evitando che la velocità di diffusione venga scambiata per una certificazione di affidabilità. Il problema, in definitiva, non è pubblicare più velocemente a ogni costo, ma ridurre il tempo che separa una scoperta dalla sua valutazione critica.

L’intelligenza artificiale, peraltro, sta già mettendo sotto pressione lo stesso sistema di revisione. Uno studio pubblicato negli atti della conferenza ICML nel 2024 ha stimato che una quota compresa tra il 6,5% e il 16,9% dei testi di peer review analizzati in alcune conferenze di intelligenza artificiale potesse essere stata sostanzialmente modificata o prodotta con l’assistenza di modelli linguistici. La stima riguarda uno specifico campione e non può essere generalizzata all’intera comunità scientifica, ma segnala una trasformazione significativa: gli strumenti che accelerano la scrittura possono aumentare anche il volume dei contributi da valutare, mentre i revisori rimangono una risorsa limitata. Proceedings of Machine Learning Research

L’IA promette di ridurre i tempi della ricerca, ma può contribuire a congestionare proprio i meccanismi che dovrebbero verificarne la qualità. Se aumenta il numero dei manoscritti senza un corrispondente miglioramento della capacità di valutazione, la produttività apparente rischia di crescere più rapidamente della conoscenza effettivamente affidabile.

È però nella didattica che questa accelerazione assume una dimensione forse ancora più radicale. Immaginiamo un sistema capace di partire da un libro universitario e trasformarlo in una lezione audiovisiva, con un docente virtuale scelto dallo studente, slide generate automaticamente e verifiche costruite sulla base delle risposte precedenti. Il sistema conosce il percorso formativo dell’utente e può modificare la difficoltà degli esercizi, riproporre gli argomenti non compresi e adattare il ritmo della spiegazione. Non si tratta più della semplice digitalizzazione di una lezione tradizionale, ma della possibilità di costruire un’esperienza didattica individuale, almeno in parte automatizzata. Le tecnologie necessarie esistono già separatamente; la loro integrazione in prodotti commerciali rende plausibile una diffusione crescente, anche se le prestazioni effettive e l’efficacia pedagogica devono essere valutate caso per caso.

Il mercato iniziale è quello della formazione aziendale, dove le imprese cercano di aggiornare rapidamente le competenze dei dipendenti e misurare i risultati degli investimenti formativi. In questo contesto, un sistema automatizzato può offrire vantaggi economici concreti, soprattutto quando i contenuti sono relativamente standardizzati e le verifiche possono essere collegate a obiettivi operativi definiti. La situazione cambia quando la stessa architettura entra nell’università telematica. Un ateneo potrebbe utilizzare un unico impianto didattico per servire un numero molto maggiore di studenti, riducendo alcuni costi marginali e rendendo più accessibili percorsi che oggi richiedono un impegno organizzativo significativo. Il vantaggio competitivo non dipenderebbe più soltanto dal catalogo dei corsi o dal prestigio del marchio, ma dalla qualità dei contenuti, dalla capacità di personalizzazione e dall’efficacia con cui la piattaforma accompagna lo studente fino alla verifica delle competenze.

Se il costo di produzione di una lezione personalizzata diminuisce, il valore del docente non può essere misurato esclusivamente attraverso la quantità di contenuti erogati. La sua funzione dovrebbe spostarsi verso attività nelle quali il giudizio umano conserva un peso decisivo: discutere interpretazioni concorrenti, verificare la solidità di un ragionamento, riconoscere quando una risposta formalmente corretta nasconde una comprensione superficiale. Un avatar può spiegare una teoria economica e sottoporre lo studente a un test; dimostrare che quello studente sa applicare la teoria a una situazione nuova è un compito più difficile. Un sistema che ottimizza le proprie spiegazioni per migliorare il punteggio ai quiz potrebbe produrre risultati apparentemente eccellenti senza garantire una preparazione equivalente. L’efficacia dell’apprendimento non può quindi essere dedotta dal numero di interazioni, dal tempo trascorso sulla piattaforma o dalla percentuale di risposte corrette a verifiche costruite dallo stesso sistema.

Esiste poi una questione meno visibile, ma decisiva per il futuro dell’istruzione superiore: il controllo dei dati. Una piattaforma capace di personalizzare le lezioni raccoglie informazioni sul comportamento dello studente, sulle sue difficoltà e sulle modalità con cui apprende. Questi dati possono migliorare l’insegnamento, ma diventano anche una risorsa commerciale e un elemento di dipendenza tecnologica. Chi controlla il software potrebbe influenzare il modo in cui vengono presentati i contenuti, aggiornati i programmi e misurati i risultati. L’università rischierebbe così di conservare formalmente la titolarità del corso e il potere di rilasciare il titolo, delegando però a un fornitore esterno una parte crescente dell’esperienza educativa. Le questioni relative alla protezione dei dati e alla supervisione umana degli avatar didattici sono già oggetto di analisi nella letteratura scientifica. Frontiers

L’UNESCO ha inoltre richiamato l’attenzione sulla necessità di un approccio all’IA educativa centrato sui diritti degli studenti, sull’equità e sulla protezione delle persone più esposte alle conseguenze della digitalizzazione. UNESCO

La questione, dunque, non riguarda soltanto l’introduzione di nuovi strumenti nelle aule virtuali riguarda il rapporto tra conoscenza e autorità. Nell’università tradizionale, il docente interpreta il sapere e ne guida la trasmissione; nell’università potenziata dall’IA, una parte crescente di questa funzione può essere incorporata in un sistema software, mentre l’istituzione mantiene la responsabilità della qualità formativa e del titolo rilasciato. Se la verifica finale resta affidata a un esame rigoroso, progettato per accertare competenze reali e non semplicemente la capacità di riconoscere risposte plausibili, l’automazione può ampliare l’accesso all’istruzione. Se invece la stessa piattaforma produce le lezioni, costruisce gli esercizi e determina il livello di preparazione sulla base dei propri indicatori, il rischio è creare un circuito chiuso nel quale il sistema finisce per certificare l’efficacia di se stesso.

La ricerca scientifica e l’università si trovano quindi davanti a una pressione comune, ma non identica. La prima deve trovare il modo di accelerare la circolazione dei risultati senza indebolire la verifica indipendente; la seconda deve sfruttare la personalizzazione automatizzata senza confondere l’efficienza dell’erogazione con la qualità dell’apprendimento. Entrambe devono inoltre evitare che il controllo delle infrastrutture tecnologiche si traduca in un controllo privato delle condizioni attraverso cui la conoscenza viene prodotta, distribuita e riconosciuta. L’innovazione non rende superflue le istituzioni: rende più urgente capire quali funzioni debbano conservare e quali processi possano essere riprogettati.

Per approfondire, sono utili lo studio sulla revisione scientifica assistita dall’IA pubblicato negli atti di ICML nel 2024, disponibile su Proceedings of Machine Learning Research, il contributo sugli avatar didattici pubblicato da Frontiers in Education, consultabile su Frontiers in Education, e il rapporto UNESCO del 2025, AI and education: Protecting the rights of learners.