Indice

---

Premessa

L’estate, con i tempi più distesi, permette e favorisce lo studio e l’approfondimento. Il testo che segue è molto lungo – quasi un mezzo libro piuttosto che un articolo – ed è frutto di un percorso molto specifico che vado a spiegare in questa premessa così da rendere più chiaro il percorso. Indicando anche gli strumenti di lavoro che ho utilizzato.

La consapevolezza di fondo è che gli scenari educativi stiano modificandosi in modo radicale e che di questa modificazioni vi sia poca o scarsa consapevolezza, soprattutto nel mondo istituzionale della scuola italiana. Al contrario di quanto avviene nei più interessanti centri di ricerca e anche – sia detto senza tirarcela troppo – in aree di concreta sperimentazione dal basso dove operano soggetti come Casco Learning.

Sono partito dall’editoriale con cui Jose Mangione, prima ricercatrice Indire, presenta il volume monografico della rivista Journal of Inclusive Methodology and Technology in Learning and Teaching pubblicato il 20 luglio 2026 (è disponibile al seguente link: DOI: https://doi.org/10.32043/jimtlt.v6i1sup ). L’editoriale si intitola “Dalla mente estesa agli ecosistemi educativi. Apprendimento, agency e governance cognitiva nell’età post digitale” e mi ha intrigato subito perché, come ben sa chi sta seguendo le traiettorie dell’Open Magazine di Casco, abbiamo qui più volte affrontato lo snodo della “mente estesa” in riferimento all’intelligenza artificiale¹ e, soprattutto, siamo molto attenti a cercare di comprendere le trasformazioni e le sfide che l’IA porta con sé quando viene coniugata con educazione e didattica. E’ il caso, ad esempio, della nuova ecologia dell’apprendimento, che è il cuore della proposta di Susanna Sancassani e Daniela Casiraghi del Metid del Politecnico di Milano contenuta nel volume Il potere di imparare² che prende avvio proprio da una ripresa del pensiero di Gregory Bateson e delle riflessioni contenute nel suo volume del 1972 intitolato Verso una ecologia della mente. Ma è anche il caso della proposta Rizoma portata avanti da Casco e che è strutturalmente fondata sull’idea che è l’ambiente ad essere formativo e che i soggetti di questo ambiente sono una pluralità di enti, risorse, esperienze, scuole, associazioni.

Il secondo passaggio è stato, cronologicamente, lo studio approfondito del saggio conclusivo del volume monografico curato da Mangione. Ovvero del saggio firmato da Lydia Zampolini, Fabrizio Lo Presti, Giuseppina Rita Jose Mangione, Manuel Gentile e intitolato Beyond AI Teammates: Collective Vicarious Cognition as a Framework for Educational Multi-Agent Systems. L’articolo mi ha intrigato in parte perché non conoscevo se non per sentito dire il concetto di Collective Vicarious Cognition e poi perché la lettura mi ha costretto ad andare a approfondire davvero il modello Human AI Teaming e AI Teammates. 

Di Human Ai Teaming si parla molto dopo la pubblicazione del rapporto Ocse 2026 ( OECD Digital Education Outlook 2026. Exploring effective uses of Generative IA in Education³). Così, prima di affrontare compiutamente il saggio di Zampolini et alia, mi sono messo a studiare i report di 3 gruppi di ricercatori che, sebbene non interessati direttamente al campo educativo, hanno approfondito da punti di vista diversi che cosa vuole dire fare team tra umani e agenti IA. 

Così, dopo aver compiuto questo approfondimento, ha scandagliato il saggio di Zampolini et alia.

Da lì ha preso avvio il terzo momento del lavoro. Compreso che gli studiosi propongono un framework per i sistemi multi-agente in ambito educativo ma non esemplificano come concretamente operare, ho provato a costruire un sistema multi-agente semplificato da utilizzare in ambito educativo in scuole secondarie di II grado che fosse un prototipo abbastanza vicino alla proposta di Zampolini et alia.

Questo lungo articolo è la narrazione del percorso che ho compiuto dalla fine luglio ad oggi. E si conclude, appunto, con la (auto) presentazione di un artefatto, ovvero di un (semplificato) prototipo di multi-agente che cerca di dare concretezza alla proposta di Zampolini, Mangione, Lo Presti e Gentile che sostengono “che il significato educativo degli AI teammate risieda meno nella loro capacità di generare risposte che nel loro potenziale di sostenere una diversità cognitiva organizzata, il giudizio riflessivo, l’agency collettiva e la costruzione collaborativa della conoscenza in ambienti di apprendimento ibridi uomo-AI”. 

Come ho scritto sopra, ho lavorato utilizzato più strumenti e sistemi di IA Generativa che mi hanno aiutato a sintetizzare, problematizzare, schematizzare e visualizzare il percorso. 

Ho utilizzo CharGPT Plus, Gemini Pro e Gemini Notebook (ex NotebookLM), Claude Sonnet 5. 

Per lo studio approfondito di molti passaggi ho utilizzato in particolare il GPT AIbook – Imparare con l’IA _Learning with AI⁴ realizzato da Susanna Sancassani e Daniela Casiraghi sperimentandone concretamente le enormi potenzialità e trovando conferma al fatto che un simile modello (e approccio) comporta il (radicale) superamento dei libri di testo.

Ho direttamente verificato ogni passaggio di questo articolo e tutte le fonti citate. La costruzione delle infografiche è risultata particolarmente complessa e ha richiesto intere giornate di lavoro a cesellare sin nei minimi particolari i diversi passaggi.

Ovviamente la responsabilità finale è mia è solo mia.

Spero che chi avrà modo di arrivare sino in fondo a questo approfondimento possa provare la curiosità di confrontarsi con gli enormi cambiamenti che stanno accadendo nel campo dell’educazione-formazione e di cui molti (in primis a livello politico) non paiono avere consapevolezza.

Prima parte:
JOSI MANGIONE: DALLA MENTE ESTESA AGLI ECOSISTEMI EDUCATIVI

L’editoriale di presentazione dell’intero volume monografico parte da una domanda che può sembrare davvero strana o semplicistica: dove sta la mente quando apprendiamo?

Per rispondere, Mangione mette in fila una genealogia teorica che parte dalla mente estesa (Clark e Chalmers: un artefatto può essere parte costitutiva della cognizione, non solo supporto esterno), passa all’ecologia della mente (Bateson: la mente è un circuito di relazioni, non una sostanza nell’individuo), approfondisce la cognizione distribuita (Edwin Hutchins: il pensiero complesso emerge dal coordinamento sociale, non dalla somma di menti singole) e discute il material engagement (Lambros Malafouris: la materia co-costituisce il pensiero, non lo esegue soltanto). 

L’esito di questa genealogia è la consapevolezza che se la cognizione non è confinata nell’individuo, l’unità di analisi dell’apprendimento non può più essere lo studente isolato né la classe come contenitore, ma deve diventare il sistema di relazioni (persone, artefatti, istituzioni, ambienti, oggi anche sistemi AI) entro cui conoscenza e responsabilità vengono distribuite.

Emergono così le quattro traiettorie teoriche che fungono da catalizzatrici di tutti i contributi del fascicolo: 

1. Ripensare il soggetto: identità, linguaggi e inclusione diventano proprietà dell’ecosistema, non caratteristiche del solo individuo. 
2. Ambienti come agenti cognitivi: gli spazi naturali, digitali, urbani, sportivi, sociali non sono semplici contenitori, ma partecipano alla costruzione della cognizione. 
3. Le organizzazioni educative come sistemi cognitivi : la scuola può essere vista come un sistema che apprende, sviluppando memoria, riflessività e agency distribuita. 
4. Dall’estensione cognitiva alla governance cognitiva: con l’IA il problema diventa governare sistemi nei quali anche gli artefatti partecipano alla produzione di conoscenza e alle decisioni.

Siamo così di fronte ad un cambio di prospettiva: secondo Jose Mangione l’apprendimento non viene più letto come un processo confinato nella mente individuale, ma come un fenomeno ecologico, situato e distribuito, che prende forma nelle relazioni tra persone, corpi, ambienti, istituzioni, artefatti e tecnologie, compresi i sistemi di intelligenza artificiale. Ne consegue che la questione educativa non riguarda soltanto il modo in cui la cognizione può essere estesa attraverso strumenti e ambienti, ma anche come gli ecosistemi educativi possano essere progettati e governati affinché sostengano agency, inclusione, autonomia e responsabilità, evitando nuove dipendenze, asimmetrie e dispersioni della responsabilità.

Con la prima infografica, che riporto qui sotto, provo a rendere visibile questo spostamento attraverso quattro livelli progressivamente più ampi dello stesso ecosistema cognitivo: il Soggetto, l’Ambiente, l’Organizzazione e la Governance cognitiva. Non si tratta di fasi successive né di categorie indipendenti, ma di scale di analisi che si inglobano reciprocamente: il soggetto è situato in un ambiente; soggetti e ambienti partecipano ai sistemi organizzativi; persone, istituzioni, artefatti, reti e sistemi di IA entrano infine in un ecosistema più ampio che richiede forme di governo dell’agency, dell’autorità epistemica e della responsabilità.

Cosa cambia a livello pedagogico adottando la prospettiva ecosistemica? 

Una volta chiariti i quattro livelli, il passaggio successivo consiste nel chiedersi che cosa cambia, sul piano pedagogico, quando si adotta davvero questa prospettiva ecosistemica. Nel contributo di Mangione, infatti, il cambio di scala non è soltanto descrittivo: modifica ciò che deve essere osservato, progettato e governato. I quattro ambiti indicano dove si estende la cognizione; i cinque passaggi i successivi individuano invece quali trasformazioni pedagogiche diventano necessarie. 

Applicare la mente estesa alla scuola non significa “allargare” lo stesso modello dall’individuo al gruppo ma obbliga a cambiare oggetto di indagine: non ci si chiede più dove finiscono i confini cognitivi di una persona, ma quali architetture relazionali, sociali e istituzionali rendono possibile o impossibile una data estensione, e chi ne governa gli effetti. 

I cinque passaggi, ovvero le cinque trasformazioni pedagogiche sono proposte da Mangione in questo modo:

La lettura trasversale dei contributi raccolti in questo numero consente di individuare cinque passaggi che non descrivono soltanto altrettante linee di ricerca, ma segnalano una trasformazione più profonda dell’oggetto stesso della pedagogia. Essi riguardano il modo in cui vengono concepiti il soggetto che apprende, la tecnologia, l’inclusione, l’innovazione scolastica e la responsabilità educativa. Non si tratta di sostituire un termine con un altro o di adottare un nuovo lessico per descrivere pratiche già note. Ciascun passaggio modifica l’unità di analisi attraverso cui  interpretiamo l’apprendimento e obbliga a ridefinire ciò che deve essere osservato, progettato e governato (pag 11) .

I passaggi (ovvero la postura che richiede di abbandonare un punto per raggiungerne un altro) possono essere così riassunti:

1. dall’individuo al sistema (l’insuccesso non si spiega più solo con la carenza del soggetto, ma con la qualità delle connessioni del sistema);
2. dallo strumento alla configurazione sociomateriale (la tecnologia non è neutra: la domanda non è “funziona?” ma “per chi, in quali condizioni, con quali effetti su responsabilità e partecipazione”);
3. dall’accesso all’inclusione ecologica (l’accessibilità formale non basta: l’inclusione è proprietà relazionale, riguarda chi viene riconosciuto capace di conoscere);
4. dall’innovazione individuale all’apprendimento organizzativo (un’innovazione non radicata nell’organizzazione resta fragile e dipendente dalle singole persone);
5. dall’estensione alla governance cognitiva (il passaggio che il testo presenta come la vera cesura introdotta dall’AI, e su cui vale la pena soffermarsi.)

Questi passaggi non rappresentano nuove fasi sequenziali, ma altrettanti cambiamenti di prospettiva: le capacità individuali vengono ricollocate nelle reti di relazioni in cui si esercitano; la tecnologia viene letta dentro pratiche, ruoli e norme; l’inclusione diventa una proprietà dell’ecosistema; l’innovazione deve sedimentarsi come patrimonio cognitivo dell’organizzazione; infine, quando anche sistemi di IA partecipano alla produzione di conoscenza e all’orientamento delle decisioni, diventa necessario governare agency, autorità epistemica e responsabilità. 

Ho cercato di riassumere tutto in una nuova infografica che tiene insieme i 4 livelli del nuovo ecosistema cognitivo e le cinque trasformazioni pedagogiche. 

Nel loro insieme, le due infografiche mostrano che il passaggio dalla mente estesa agli ecosistemi educativi non consiste semplicemente nell’aggiungere nuovi strumenti tecnologici ai processi di apprendimento. Il cambiamento riguarda piuttosto l’unità stessa di analisi: dal soggetto isolato si passa a sistemi di relazioni, ambienti e organizzazioni che partecipano alla costruzione della conoscenza; parallelamente, cambiano anche le responsabilità pedagogiche, perché inclusione, innovazione, agency e autonomia non possono più essere considerate proprietà esclusivamente individuali.

L’ingresso dell’AI

È soprattutto con l’ingresso dei sistemi di IA che questa prospettiva acquista una rilevanza ulteriore. Quando gli artefatti non si limitano a conservare o trasmettere informazioni, ma possono generare contenuti, formulare ipotesi, orientare decisioni e partecipare al ragionamento, il problema educativo non è più soltanto quello dell’estensione della cognizione, ma quello della sua governance. Diventa allora necessario interrogarsi su come distribuire l’agency, su dove collocare l’autorità epistemica, su come garantire trasparenza e contestabilità degli output e, soprattutto, su come mantenere riconoscibile la responsabilità umana.

In questa prospettiva ha buon gioco Mangione a sostenere che non si apprende semplicemente “in” un sistema, ma “attraverso” il sistema. La pedagogia degli ecosistemi cognitivi invita quindi a spostare l’attenzione dalla prestazione del singolo elemento alla qualità delle relazioni che rendono possibile l’apprendimento, chiedendo non solo se una tecnologia “funziona”, ma per chi, in quali condizioni e con quali effetti sugli equilibri di autonomia, inclusione e responsabilità.

In chiusura va sottolineato che Mangione rifiuta esplicitamente due letture ingenue e speculari: sia quella che vede l’AI come mera minaccia alla “purezza” della cognizione umana (ogni mediazione tecnologica è sempre stata presente — linguaggio, scrittura, istituzioni), sia quella che tratta la distribuzione della cognizione come automaticamente democratica o inclusiva solo perché più ampia. Un sistema più connesso non è di per sé più equo: bisogna sempre chiedersi non solo cosa circola, ma chi può produrlo, controllarlo, modificarlo. Si tratta della stessa domanda sull’asimmetria di potere che, ad esempio, ho evidenziato recensendo l’ultimo libro di Paolo Benanti (La nuova logica del dominio), solo applicato alla governance educativa dell’AI in classe.

Seconda parte:
HUMAN AI TEAMING – AI TEAMMATE

Come ho scritto nella premessa di questo lungo studio, dopo aver analizzato l’editoriale di Mangione mi sono dedicato allo studio dell’ultimo saggio del numero della rivista, intitolato Beyond AI Teammates: Collective Vicarious Cognition as a Framework for Educational Multi-Agent Systems.

Ma sin dalle prime righe del saggio ho capito che dovevo fare un passo indietro. Scrivono infatti gli autori: 

La nozione di AI Teammate (“compagno di squadra IA”) ha guadagnato crescente attenzione nella ricerca educativa e organizzativa. In molte discussioni, tuttavia, il termine viene associato principalmente alla performance generativa dei Large Language Models (LLM), inquadrando l’Intelligenza Artificiale (IA) come un assistente avanzato piuttosto che come un collaboratore strutturalmente integrato. Questa interpretazione preserva una logica fondamentalmente centrata sullo strumento, in cui il sistema potenzia la produttività ma non trasforma in modo sostanziale l’architettura della collaborazione.
La ricerca sul team-working uomo-IA suggerisce una prospettiva più impegnativa. Seeber et al. (2020) sostengono che trattare le macchine come compagne di squadra richiede di ripensare la collaborazione a livello delle strutture di coordinamento, dell’allocazione dei ruoli e dell’intenzionalità condivisa. Un compagno di squadra non è semplicemente un esecutore di sotto-compiti, ma un partecipante a processi interdipendenti di costruzione di senso e di decision-making. Allo stesso modo, McNeese et al. (2021) sottolineano come la domanda “Chi o cosa è il mio compagno di squadra?” non sia banale: la composizione del team, l’agentività percepita e la differenziazione dei ruoli plasmano in modo fondamentale le dinamiche di interazione nei team uomo-IA. La metafora del compagno di squadra implica dunque un’integrazione strutturale, e non una semplice assistenza funzionale.

Il passo indietro è consistito nell’ andare a analizzare gli apporti e gli studi dei gruppi di lavoro guidati da Isabella Seeber e Nathan J. McNeese sul tema dell’IA come “compagno di squadra – elemento del team”.

E qui è utile in primo luogo una breve chiarificazione terminologica

L’approccio Human–AI Teaming descrive una forma di collaborazione in cui l’intelligenza artificiale non viene utilizzata soltanto come strumento o assistente, ma assume un ruolo riconoscibile all’interno del team. Teaming indica come il team collabora, ovvero come persone e agenti artificiali lavorano verso un obiettivo condiviso, svolgono attività interdipendenti, si scambiano informazioni e coordinano le proprie azioni.

Teammate indica invece chi partecipa al team e quindi un AI teammate è un agente di intelligenza artificiale che assume un ruolo riconoscibile, contribuisce a un obiettivo comune e si coordina con gli altri membri.

In sintesi il teammate è il giocatore; il teaming è il modo in cui la squadra gioca insieme.

A questo punto possiamo andare a vedere le ricerche coordinate da Isabella Seeber e Nathan J. McNeese che contribuiscono a definire lo Human–AI Teaming come un campo distinto dalla semplice interazione uomo–macchina. 

In questa prospettiva, l’intelligenza artificiale non è considerata soltanto uno strumento che esegue istruzioni, ma un possibile membro operativo del team, capace di contribuire al raggiungimento di obiettivi condivisi. Seeber e colleghi affrontano il tema da una prospettiva prevalentemente sociotecnica e organizzativa. Il loro lavoro Machines as Teammates propone una research agenda costruita con il contributo di 65 studiosi e 819 domande di ricerca, organizzando il fenomeno intorno a tre aree di progettazione: caratteristiche dell’artefatto IA, organizzazione della collaborazione e contesto istituzionale. Il modello sottolinea anche l’ambivalenza del teaming: le stesse scelte progettuali possono generare vantaggi, come aumento delle capacità decisionali e sviluppo di nuove competenze, oppure rischi, come perdita di controllo, dipendenza dagli output e deskilling.

McNeese e collaboratori analizzano invece lo Human–AI Teaming soprattutto dal punto di vista cognitivo, comunicativo e sperimentale. Le loro ricerche studiano come la composizione del gruppo (team solo umani, gruppi misti o team di agenti, in sigla HHH, HHA, HAA) influenzi performance, consapevolezza situazionale, fiducia e percezione della cognizione condivisa. 

I risultati mostrano che un’elevata performance operativa non coincide necessariamente con una buona esperienza di teamwork: in alcuni scenari i team misti o artificiali ottengono risultati migliori, mentre i gruppi completamente umani percepiscono una maggiore comprensione condivisa. Ne deriva che la qualità del teaming non può essere misurata soltanto attraverso gli esiti del compito, ma deve includere anche coordinamento, comunicazione, modelli mentali condivisi e fiducia calibrata.

Nel loro insieme, i due approcci sono complementari. Seeber chiarisce che cosa deve essere progettato affinché l’IA possa operare come teammate; McNeese mostra quali processi cognitivi e relazionali devono funzionare perché la squadra sia realmente efficace. 

Entrambi superano una visione deterministica dell’IA: la qualità della collaborazione non dipende unicamente dalle prestazioni tecniche del sistema, ma dall’allineamento tra tecnologia, persone, ruoli, comunicazione, regole e responsabilità. In ambito educativo, ciò implica che l’IA possa sostenere docenti e formatori nella progettazione e nella produzione di contenuti, ma che obiettivi, valutazione critica, supervisione e decisione finale debbano rimanere sotto responsabilità umana.

Nel mio percorso ho approfondito in maniera più ampia di quanto qui riportato gli studi citati⁵ (anche in vista di un ulteriore e più specifico articolo) ma qui credo possa bastare quanto ho appena scritto e tre infografiche che ho elaborato (cioè che ho fatto assembleare a ChatGPT Plus immagini a partire dalla proposta di layout frutto dell’interazione con AIbook del Metid).

La prima infografica presenta in chiave generale l’uso dell’IA come attore dentro un team

La seconda (tralasciando altri approfondimenti su cui tornerò a breve sempre su Open Magazine di Casco Learning) analizza come si sviluppa la cognizione e la comunicazione dentro un team composto anche da AI, come si fa a costruire un modello di azione condiviso, come si scambiano le informazioni,  come si interagisce,…

La terza infografica cerca di riassumere come cambia concretamente il lavoro di un team quando c’è un AI teammate nel gruppo. E qui in particolare ho sintetizzate sei pratiche per lavorare in un Human Ai Team, quali le azioni da compiere prima, durante e dopo il compito e (punto 4) come valutare se il team funziona.

Human–AI Teaming e formazione. E se fosse un consiglio di classe?

L’ipotesi dello Human–AI Teaming è particolarmente interessante per l’educazione perché invita a superare l’uso dell’IA come semplice strumento che produce risposte. L’agente artificiale può diventare un partecipante riconoscibile del processo di apprendimento: contribuisce a un obiettivo condiviso, fornisce informazioni nel momento opportuno, rende comprensibili le proprie azioni e si coordina con studenti e docenti.

Per gli studenti, questo significa poter utilizzare l’IA come compagno di apprendimento: per esplorare un argomento, ricevere feedback, confrontare interpretazioni, svolgere esercizi e riflettere sulle proprie difficoltà. Per i docenti, l’IA può invece supportare la progettazione delle attività, la personalizzazione dei percorsi e il monitoraggio dell’apprendimento, senza sostituire la responsabilità educativa.

Questa prospettiva richiede però una progettazione consapevole: devono essere chiari obiettivi, ruoli, limiti, modalità di controllo e responsabilità. L’efficacia non dipende soltanto dalla qualità delle risposte dell’IA, ma dalla qualità della collaborazione che si costruisce. In ambito educativo, dunque, lo Human–AI Teaming può trasformare l’IA da scorciatoia per ottenere un risultato a occasione per sviluppare autonomia, pensiero critico e consapevolezza metacognitiva.

Simuliamo un CdC aumentato

In pratica, si potrebbe immaginare un consiglio di classe aumentato, nel quale docenti e agenti AI lavorino su un obiettivo comune, con ruoli distinti e responsabilità umane sempre chiare.

Facciamo un esempio ipotizzando un possibile modello. Un consiglio di classe decide inserire nel proprio team un agente AI didattico e un agente AI organizzativo. Stabilisce poi un obiettivo concreto: migliorare entro alcuni mesi la partecipazione e i risultati della classe, con particolare attenzione agli studenti in difficoltà. L’agente didattico analizza i materiali messi a disposizione dai docenti: verifiche, osservazioni, attività svolte e bisogni segnalati. Può individuare ricorrenze, formulare ipotesi, proporre attività differenziate, esercizi di recupero, strategie di retrieval o modalità alternative di spiegazione. Non decide il percorso: presenta opzioni motivate che i docenti valutano.  L’agente organizzativo prepara l’ordine del giorno, collega le decisioni prese ai responsabili, segnala scadenze e sovrapposizioni, redige una bozza del verbale e mantiene aggiornato il piano delle azioni. Può anche ricordare quali informazioni devono essere condivise con chi e in quale momento.

Vediamo in pratica come si svolgerebbe il lavoro: prima del consiglio, i due agenti preparano due documenti distinti, ovvero una sintesi didattica e una sintesi organizzativa.

Durante la riunione, l’agente didattico può essere interrogato sulle possibili strategie e spiegare su quali dati basa le proprie proposte. L’agente organizzativo tiene invece traccia delle decisioni, delle responsabilità e delle attività da svolgere. E predispone la bozza di verbale.

Dopo la riunione, gli agenti producono una bozza del piano operativo: cosa fare, chi se ne occupa, entro quando e con quali criteri verificare i risultati. Il documento diventa valido solo dopo l’approvazione dei docenti.

Continuo con un esempio ancora più concreto: se emerge che diversi studenti comprendono la teoria ma falliscono negli esercizi, l’agente didattico potrebbe proporre una sequenza di esempi guidati, esercizi progressivi e brevi momenti di autovalutazione. L’agente organizzativo potrebbe distribuire le attività tra i docenti, programmare una verifica intermedia e ricordare al consiglio quando confrontare i risultati.

Abbiamo detto che si parla davvero di Human–AI Teaming quando gli agenti non producono soltanto un documento occasionale, ma partecipano a un ciclo continuo di progettazione, coordinamento, verifica e apprendimento. E’ quello che succede nell’esempio che ho prospettato. Ovviamente vanno definite regole chiare ed esplicite: accesso limitato ai dati, motivazione delle proposte, possibilità di controllo, registrazione delle operazioni e responsabilità finale sempre attribuita alle persone.

Ma questo esempio è frutto di un colpo di sole estivo o sarebbe davvero possibile costruire un consiglio di classe aumentato che vede presenti due agenti AI? La risposta è SI.

In linea di principio sì. Un consiglio di classe che lavori con uno o due agenti AI non è di per sé incompatibile con la normativa italiana o europea. Anzi, le Linee guida del MIM del 2025 prevedono espressamente che l’IA possa contribuire ai processi «organizzativi, gestionali, formativi e di apprendimento», purché vi siano adeguata supervisione, tutela dei dati e un approccio antropocentrico. (cfr Linee guida AI del MIM ).

La distinzione decisiva è ovviamente la seguente: gli agenti partecipano al lavoro del consiglio, ma non diventano titolari della decisione educativa. Gli agenti possono analizzare informazioni, preparare sintesi, proporre strategie, evidenziare problemi organizzativi o suggerire attività ma la valutazione delle proposte e le decisioni resta esclusivo compito del consiglio di classe “umano”.

Per esempio, una configurazione relativamente prudente potrebbe essere la seguente:

• Agente organizzativo: ordine del giorno, scadenze, raccordo tra attività, sintesi delle decisioni, verifica delle azioni concordate, verbalizzazioni.
• Agente didattico: propone strategie, confronta attività, suggerisce recuperi o approfondimenti e analizza dati aggregati o pseudonimizzati e anonimizzati, seguendo in questo caso le indicazioni delle linee guida AI del MIM che chiedono che i dati di studenti e personale siano utilizzati solo per finalità definite e secondo principi di minimizzazione, privacy by design/default, anonimizzazione e limitazione dei dati identificativi
• Docenti: interpretano, verificano, contestualizzano e decidono.

Il tema privacy, ovviamente, diventa centrale. Il Garante della privacy raccomanda di usare dati personali nell’IA scolastica solo quando indispensabili, privilegiando, ove possibile, dati sintetici. 

Sarebbe del tutto non ammissibile, ad esempio, dire all’agente: «analizza Mario Rossi e decidi se deve essere promosso», oppure se caricare indiscriminatamente in un servizio AI diagnosi, difficoltà personali, voti e osservazioni nominative degli studenti. L’Ai Act infatti non solo vieta tassativamente l’uso dell’IA per inferire le emozioni delle persone negli istituti di istruzione (Eur-Lex) ma considera particolarmente sensibili alcuni sistemi utilizzati nell’istruzione, per esempio quelli destinati a valutare i risultati di apprendimento, determinare l’accesso o l’ammissione, incidere sul livello di istruzione oppure controllare comportamenti vietati durante le prove. Le specifiche regole europee per questi sistemi high-risk entreranno in applicazione dal 2 dicembre 2027, dopo il recente adeguamento del calendario dell’AI Act; ciò naturalmente non sospende nel frattempo GDPR, normativa scolastica e obblighi già applicabili. (Strategia Digitale Europa)

Tutto ciò chiarito possiamo dire che nostra ipotesi è non soltanto concepibile, ma è un ottimo caso per studiare davvero lo Human–AI Teaming: il punto di progettazione diventa stabilire che cosa può sapere l’agente, che cosa può proporre e che cosa deve rimanere esclusivamente responsabilità umana. 

Il passo successivo potrebbe essere molto concreto: progettiamo il consiglio di classe Human–AI come se dovesse essere realmente sperimentato in una scuola, definendo per prima cosa i ruoli dei due agenti e i loro confini. 

Ma qui mi fermo e, avendo approfondito IA Teaming e AI Teammate, procedo andando a studiare la proposta di framework riferita alla “cognizione collettiva vicaria come framework per i sistemi multi-agente educativi”.

Terza parte:
BEYOND AI TEAMMATES: COLLECTIVE VICARIOUS COGNITION AS A FRAMEWORK FOR EDUCATIONAL MULTI-AGENT SYSTEMS

Ho detto che l’ultimo saggio del numero speciale della rivista vede come autori Lydia Zampolini e Giuseppina Rita Jose Mangione di Indire e Fabrizio Lo Presti e  Manuel Gentile dell’Istituto per le Tecnologie Didattiche – Consiglio Nazionale delle Ricerche di Palermo ed è dedicato ad un tema molto specifico (qui il testo in inglese).

Il punto di partenza è la contestazione dell’idea che basti usare ben un LLM per stare dentro il paradigma AI Teammate. Infatti se l’AI è vista come assistente avanzato che risponde a comandi, essa permane dentro una logica “tool-centrica”: aumenta la produttività individuale ma non trasforma l’architettura della collaborazione. E, come abbiamo visto nella letteratura sull’human-AI teaming, per parlare di IA come “compagno di squadra” sono necessarie integrazione strutturale, condivisione di ruoli, autorità epistemica, intenzionalità. 

La tesi centrale è dunque la seguente: un sistema AI merita la qualifica di “teammate” non quando genera buone risposte, ma quando partecipa a processi strutturati di modellizzazione che rendono osservabile, comparabile e regolabile una pluralità organizzata di strategie cognitive. Il criterio non è la sofisticazione computazionale, ma l’architettura: se l’autorità epistemica resta opaca o concentrata nel sistema, la collaborazione degenera in automazione anche quando sembra dialogica.

La sfida pedagogica – scrivono i 4 autori – diventa allora “progettare ambienti in cui i contributi distribuiti non frammentino la responsabilità, ma favoriscano una regolazione coordinata. Qualunque sistema tecnologico posizionato come “teammate” deve quindi essere esaminato considerando il suo impatto sull’agency collettiva: centralizza l’autorità epistemica, o sostiene la regolazione condivisa? Questa domanda prepara il terreno per la Cognizione Vicaria Collettiva. Se l’agency collettiva riguarda la capacità condivisa di agire verso obiettivi comuni, la CVC riguarda la possibilità condivisa di apprendere dall’interazione visibile di contributi cognitivi differenziati. L’enfasi si sposta dal semplice agire insieme all’osservare, interpretare e regolare il modo in cui forme diverse di ragionamento interagiscono”.

Gli autori procedono incrociando tre diverse fonti teoriche:

• la teoria dell’apprendimento sociale di Bandura, distinguendo agency personale, “agency per procura” (proxy) e agency collettiva. Interessante qui ricordare che Bandura per proxy agency intende la modalità d’azione in cui una persona non agisce direttamente per raggiungere un obiettivo, ma si affida ad altri che possiedono competenze, risorse, potere o influenza maggiori. Si tratta quindi di una delega ad altri dell’azione necessaria per ottenere il risultato desiderato, con l’avvertenza che la proxy agency è ambivalente: può ampliare l’accesso a risorse, ma indebolisce l’autoregolazione se la delega sostituisce il coinvolgimento attivo;
• il concetto di vicarianza di Berthoz, ovvero  l’idea che i sistemi viventi raggiungono lo stesso obiettivo attraverso configurazioni funzionali diverse, quindi la variabilità non è rumore ma condizione di adattabilità;
• la cognizione distribuita di Hutchins

Vale la pena provare a scavare un po’ di più all’interno di alcuni aspetti.  

Vicarianza

Vicarianza⁶ è il termine con il quale Alain Berthoz, neuroscienziato francese, indica la capacità del cervello e più in generale dei sistemi viventi  di sostituire, supplire o sostituire funzionalmente un processo, una struttura o una strategia con un’altra, per raggiungere lo stesso obiettivo o risultato adattivo. In altre parole, la vicarianza è la proprietà per cui uno stesso scopo può essere raggiunto attraverso percorsi diversi, e uno stesso organo o circuito neurale può assolvere a funzioni diverse a seconda del contesto. 

I tratti distintivi della vicarianza per Alain Berthoz sono 

• Molteplicità di soluzioni: di fronte a uno stesso problema (percettivo, motorio, cognitivo), il cervello non usa un’unica via obbligata, ma dispone di più strategie alternative ed equivalenti tra cui scegliere.
• Plasticità e sostituzione funzionale: una struttura neurale danneggiata o mancante può essere “sostituita” da un’altra che assume la stessa funzione (un principio alla base, ad esempio, dei fenomeni di riorganizzazione cerebrale dopo lesioni).
• Creatività e adattamento: proprio perché il cervello non è vincolato a un’unica soluzione, la vicarianza è per Berthoz alla base della creatività, dell’invenzione e della capacità di adattarsi a situazioni nuove e impreviste.
• Superamento del determinismo rigido: Berthoz contrappone questa visione a un’idea troppo meccanicistica del cervello come sistema con percorsi fissi e obbligati (legati alla logica stimolo/ risposta). La vicarianza introduce invece flessibilità, scelta e variabilità.

Per Berthoz la vicarianza è quindi  il principio secondo cui il vivente dispone sempre di più mezzi alternativi per raggiungere uno stesso fine, ed è ciò che rende possibili l’apprendimento, l’adattamento e l’inventiva del cervello umano

Come si può vedere si tratta di elementi decisamente significativi per l’ambito educativo.

Cognizione distribuita

Edwin Hutchins (antropologo, velista e navigatore d’altura) è stato capo del dipartimento di scienze cognitive all’Università della California a San Diego e ha fornito una originalissima interpretazione delle scienze cognitive. Le sue intuizioni teoriche si fondano su un’analisi approfondita della navigazione navale: le sue basi computazionali, le sue radici storiche, la sua organizzazione sociale e i dettagli della sua implementazione pratica a bordo di grandi navi. Il risultato è un approccio interdisciplinare insolito alla cognizione nelle attività culturalmente determinate al di fuori del laboratorio, “sul campo”. 

Esito del suo percorso è il fondamentale studio Cognition in the Wild⁷ pubblicato nel 1996 dove Hutchins mette in evidenza i processi cognitivi distribuiti che sono al centro del governo di una nave della marina militare criticando le visioni disincarnate della cognizione. La sua proposta alternativa considera invece sistemi cognitivi composti da più agenti e dallo stesso mondo materiale.

Nel libro, l’autore descrive minuziosamente come l’equipaggio della nave USS Palau riesca a far entrare la nave nel porto di San Diego o a gestire situazioni di emergenza (come un’improvvisa avaria ai motori). Il calcolo della posizione e della traiettoria della nave, ad esempio, non avviene nella testa del capitano ma il compito cognitivo è distribuito su un’intera squadra di navigazione (l’addetto alle letture con l’alidada, il tracciatore sulla carta nautica, il timoniere, il navigatore e il comandante) ed è supportato da artefatti fisici e geometrici, come i grafici, le bussole, i righelli paralleli e le carte nautiche. 

Nessun singolo individuo possiede l’intera mappa cognitiva o esegue tutti i calcoli da solo; l’elaborazione delle informazioni si propaga da uno strumento all’altro e da un membro dell’equipaggio all’altro. 

Anche in questo caso non sfugge al lettore il significato che la teoria della cognizione distribuita acquisisce in ambito formativo e dentro la prospettiva entro cui ci stiamo muovendo.

Dalla vicarianza ai sistemi multi agente: come funziona la Collective Vicarious Cognition (CVC)

Che ruolo può avere, questa è ora la domanda cruciale, l’intelligenza artificiale (i sistemi di intelligenza artificiale) dentro processi di apprendimento basati sulla vicarianza? Per rispondere dobbiamo in primo luogo distinguere vicarianza semplice da vicarianza sistemica. Nel primo caso si osserva un solo modello come esempio mentre nella vicarianza sistemica si osservano più processi di ragionamento che si confrontano, si criticano, si correggono a vicenda. E’ abbastanza intuitivo che solo la vicarianza sistemica  abbia rilevanza pedagogica in quanto espone lo studente non solo al risultato ma al modo in cui le alternative vengono generate, contestate, riviste.

Bene, a questo punto che ruolo può avere l’AI?

Gli autori chiariscono subito che l’AI non è mai il soggetto della vicarianza ma ne diventa l’infrastruttura abilitante: il dispositivo che la rende possibile, tecnicamente e architetturalmente.  

Ma come l’AI può tradurre il principio della vicarianza in pratica pedagogica osservabile? Le prospettive sono tre.

In primo luogo l’AI può diventare fornitrice di modelli multipli, non di una risposta singola. Nella vicarianza classica, un discente apprende osservando un modello e confrontando la strategia osservata con la propria. Un singolo LLM che risponde a un prompt, dicono gli autori, resta strutturalmente incapace di sostenere questo processo: offre un’unica traiettoria di ragionamento, per quanto sofisticata, e quindi produce al massimo vicarianza semplice (un solo modello-esempio). Al contrario un sistema multi agente (LLM-MAS), distribuendo funzioni cognitive diverse su agenti differenziati (uno genera ipotesi, uno valuta criticamente, uno verifica informazioni, uno sintetizza), moltiplica artificialmente i modelli osservabili e apre la strada a quella che chiamano vicarianza sistemica: non un esempio da imitare, ma un’interazione tra strategie concorrenti da confrontare, in cui il discente vede assunti, criteri e vincoli diversi confrontarsi apertamente. I sistemi multi-agente, con ruoli differenziati, dialogo inter-agente, tracce di ragionamento esplicite e un agente supervisore, rendono invece osservabile la pluralità: gli studenti non ricevono più un output autorevole, ma assistono a un processo in cui ipotesi vengono proposte, criticate, difese e raffinate trasformando il problem-solving in un fenomeno esplicitamente dialogico.

In secondo luogo l’AI esternalizza processi normalmente invisibili. Il ragionamento umano, sia quello di un insegnante che quello interno alla mente di chi risolve un problema, resta perlopiù opaco: si vede il risultato, non il percorso. Le architetture multi-agente, rendendo esplicite le tracce di ragionamento intermedie e il dialogo inter-agente (accordo, disaccordo, revisione delle ipotesi), trasformano qualcosa che di norma è invisibile in un “artefatto educativo osservabile”, per usare l’espressione degli autori. In questo senso l’AI non sostituisce l’apprendimento vicario ma lo rende possibile su scala e con un grado di trasparenza che l’osservazione di un singolo modello umano raramente offre in aula.

Al terzo livello gli autori segnalano che l’AI, se non ben governata,  può costituire rischio per la vicarianza.  Secondo gli autori la CVC può fallire nei seguenti casi

• opacità del processo deliberativo: se i passaggi intermedi restano una scatola nera, l’utente vede solo l’esito, non le traiettorie cognitive da cui si impara;
• amplificazione della proxy agency  e cognitive outsourcing: se la deliberazione avviene tutta dentro il sistema, lo studente diventa un mero validatore, non un partecipante al processo;
• pluralità superficiale: agenti diversi possono condividere bias di addestramento e convergere rapidamente su soluzioni omogenee, simulando diversità senza produrla realmente);
• collaborazione solo apparente, con l’AI che produce e organizza soluzioni e l’umano che si limita ad approvarle e con una concentrazione di autorità epistemica nell’AI.

In sintesi: l’AI può fungere da architettura di pluralità organizzata, il mezzo attraverso cui la vicarianza, da fenomeno individuale (osservare un modello alla volta), diventa un fenomeno collettivo e strutturato (osservare più traiettorie di ragionamento che si confrontano tra loro). Ma è un ruolo condizionato: l’AI abilita la vicarianza solo se resta trasparente, genuinamente differenziata e priva di autorità epistemica concentrata; altrimenti la sua presenza produce.

A questo punto risulta comprensibile la complessa infografica che Zampolini et alia inseriscono a pagina 10 del loro studio⁸ con la seguente spiegazione:

Figura 1. La Cognizione Collettiva Vicaria (CVC) come framework pedagogico per i sistemi multi-agente educativi. La figura illustra come la pluralità organizzata, la visibilità del ragionamento, il confronto riflessivo, la regolazione metacognitiva e l’agentività collettiva creino le condizioni attraverso cui gli studenti si confrontano con molteplici traiettorie cognitive e sviluppano competenza adattiva, giudizio epistemico e costruzione collaborativa della conoscenza.

Prospettive pedagogiche

Nella sezione 6 dell’articolo vengono in chiusura identificati diversi scenari e prospettive pedagogiche legate all’uso dei sistemi multi-agente basati su LLM (LLM-MAS) nell’ottica della Cognizione Collettiva Vicaria (CVC). 

Li elenco qui in modo sommario:

1. Studi interdisciplinari simulati: ambienti in cui agenti IA incarnano prospettive epistemiche distinte (ad esempio discipline diverse), permettendo ai partecipanti di osservare come approcci disciplinari differenti inquadrano e interpretano uno stesso problema condiviso.
2. Ambienti di simulazione di policy: contesti che permettono alle comunità educative di esplorare questioni organizzative o sociali complesse attraverso confronti strutturati tra punti di vista contrapposti.
3. Laboratori di innovazione ibridi: spazi in cui insegnanti, dirigenti scolastici e agenti IA collaborano nell’esplorare alternative progettuali e strategie di problem-solving legate alla pratica educativa e allo sviluppo istituzionale (un po’ quello che ho provato ad esemplificare sopra con la proposta di Consiglio di Classe aumentato
4. Spazi dedicati al conflitto cognitivo: ambienti in cui il disaccordo diventa una componente visibile e produttiva dei processi di ragionamento, permettendo ai partecipanti di sperimentare come interpretazioni alternative si confrontano e contribuiscono a chiarire progressivamente i problemi.

Il filo conduttore pedagogico che lega questi scenari è uno spostamento dell’unità di analisi pedagogica: non più il rapporto tra singolo studente e fonte di informazione, ma l’organizzazione di traiettorie cognitive visibili all’interno di un ambiente di apprendimento condiviso. L’apprendimento diventa quindi un processo di interpretazione e valutazione di forme distribuite di ragionamento, e l’agency si esercita partecipando all’interpretazione e regolazione della pluralità cognitiva organizzata.

Il testo indica anche direzioni di ricerca future, tra cui:

• come gli studenti navigano prospettive in competizione tra loro
• come si sviluppano criteri valutativi
• come la partecipazione ad ambienti di ragionamento distribuito contribuisce allo sviluppo di competenza adattiva e autoefficacia collettiva

Infine, si sottolinea che la sfida pedagogica centrale del futuro non sarà tanto l’accesso all’informazione, quanto la progettazione di condizioni in cui la diversità cognitiva diventi una risorsa condivisa per giudizio, agency, indagine collettiva e costruzione collaborativa della conoscenza.

Ho provato a riassumere il tutto in una slide che mette al centro la ricaduta sulla concreta attività didattica e laboratoriale a scuola

Quarta parte:
CVC LAB – PROSPETTIVE, CONFRONTO E GIUDIZIO

Giunto a questo punto mi sono chiesto come, praticamente, fosse possibile sperimentare il modello proposto da Zampolini, Mangione, Lo Presti e Gentile. 

Loro non entrano nello specifico e non dicono “come concretamente si potrebbe fare”.

Così ho provato io stesso a costruire un ambiente didattico basato sulla Cognizione Vicaria Collettiva e che contenga al suo interno l’equivalente di una pluralità di agenti che interagiscono tra di loro. Si tratta di un ambiente (un GPT) che guida gli studenti nell’analisi di problemi complessi attraverso quattro diverse prospettive, critica e verifica di fonti e criteri, fino a giungere alla costruzione di un giudizio autonomo, motivato e responsabile.

Il lavoro è stato complesso e qui ne descrivo solo l’esito, ovvero il GPT’s chiamato CVC Lab – Prospettive, confronto e giudizio.

Ecco come il GPT stesso si presenta.

Ho anche elaborato una sorta di guida per gli studenti 

Un esempio concreto di didattica della filosofia

In realtà ero partito da un caso più concreto, ovvero dalla didattica della filosofia ipotizzando (e anche costruendo) un GPT “filosofico” che svolgesse i diversi ruoli. Poi ho deciso di rendere il GPT capace di operare su una pluralità di percorsi e quindi ho alzato il livello di astrazione.

L’esempio ripreso dalla didattica della filosofia mi permette tuttavia di far vedere in modo più concreto come funziona il sistema “multi-agente” (in realtà con multi-agenti simulati).

Il punto di partenza è ben rappresentato dalla infografica seguente: 

Continuando nella simulazione ho ipotizzato un gruppo di studenti messi di fronte alla domanda sulla responsabilità etica di un agente AI.

Ma siccome esistono molte prospettive etiche è necessario far interagire agenti AI che rappresentano le diverse posizioni. Nell’esempio visualizzato dall’infografica seguente sono previsti 6 diversi agenti AI: 4 rappresentano le 4 diverse prospettive filosofiche, il quinto è l’Agente Critico e il sesto l’Agente Normativo.

Gli studenti li fanno interagire ed entrano direttamente nell’interazione che non avanza senza la loro partecipazione (vedi sopra le istruzioni per gli studenti).

In sintesi il lavoro degli studenti è rappresentato dalla infografica che segue

Conclusione

Se sei arrivato sino qui potresti avere molte domande. E altrettante considerazioni.

Ti invito a scrivercele. Così come ti invito a sperimentare tu stesso/a laboratori e percorsi didattici che testino in maniera approfondita un uso sempre più pedagogicamente e filosoficamente sensato dell’Intelligenza Artificiale in didattica (e non solo).

Grazie per essere arrivato sino qui. La ricerca continua.

Aluisi