Percorsi troppo adattivi possono ridurre scoperta, curiosità e confronto con ciò che è inatteso.
La personalizzazione è diventata una delle promesse più potenti dell’intelligenza artificiale applicata all’educazione. Sistemi adattivi, tutor intelligenti e modelli generativi possono ormai modificare contenuti, difficoltà, linguaggio e sequenza delle attività sulla base delle caratteristiche del singolo studente, trasformando in possibilità tecnologica ciò che per decenni ha rappresentato uno degli obiettivi più difficili della pedagogia: offrire a ciascuno un percorso realmente coerente con bisogni, capacità e tempi di apprendimento. Non sorprende quindi che proprio il personalized learning sia indicato dalle principali istituzioni internazionali tra le opportunità più significative aperte dall’AI. Nel rapporto AI and education: Protecting the rights of learners, pubblicato nel settembre 2025, l’UNESCO riconosce esplicitamente le potenzialità della personalizzazione, ma le inserisce all’interno di una riflessione più ampia su diritti, equità, sicurezza e agency dello studente (UNESCO, AI and education: Protecting the rights of learners, 2025, https://www.unesco.org/en/articles/ai-and-education-protecting-rights-learners). La domanda interessante, allora, non è più se possiamo personalizzare l’apprendimento, ma fino a che punto sia educativo farlo.
Immaginiamo di portare questa possibilità alle sue conseguenze estreme. Un sistema conosce le competenze pregresse dello studente, ne osserva errori e tempi di risposta, registra interessi e preferenze, individua gli argomenti che generano maggiore coinvolgimento e costruisce in tempo reale il percorso considerato più efficace. Se incontra una difficoltà modifica la spiegazione, se rileva noia cambia attività, se identifica una preferenza propone esempi coerenti con quella inclinazione. È il sogno di una didattica perfettamente adattiva, nella quale ogni individuo segue il percorso statisticamente più adatto a sé. Ma proprio qui emerge un paradosso: una scuola che conoscesse perfettamente ciò che ci interessa potrebbe progressivamente smettere di mostrarci ciò che ancora non sappiamo di poter amare.
Una parte decisiva dell’esperienza educativa nasce infatti dall’imprevisto. Molti degli incontri culturali che hanno modificato la nostra formazione non sono stati scelti sulla base delle nostre preferenze precedenti. Abbiamo letto libri che non avremmo cercato, incontrato discipline che inizialmente non comprendevamo, ascoltato insegnanti capaci di spostarci lontano dalle nostre inclinazioni, lavorato con compagni che vedevano il mondo in maniera profondamente diversa. La scuola ha sempre esercitato anche questa funzione: costringerci gentilmente a incontrare ciò che non avremmo selezionato da soli. È una forma di serendipità educativa che difficilmente compare nelle metriche dell’efficienza, ma che può risultare determinante nella costruzione di una persona.
Gli algoritmi di personalizzazione introducono invece nella scuola una logica che conosciamo già molto bene in altri ambienti digitali. Le piattaforme di streaming suggeriscono ciò che probabilmente ci piacerà sulla base di ciò che abbiamo già visto; i social network selezionano contenuti coerenti con i nostri comportamenti precedenti; i sistemi di raccomandazione cercano continuamente di ridurre la distanza tra ciò che desideriamo e ciò che ci viene proposto. Nell’intrattenimento questa efficienza produce comodità. Nell’educazione potrebbe avere conseguenze completamente diverse, perché imparare non significa soltanto approfondire ciò che ci somiglia, ma sviluppare la capacità di attraversare ciò che inizialmente ci è estraneo.
La ricerca sui sistemi adattivi suggerisce del resto che “più personalizzato” non equivalga automaticamente a “migliore”. Uno studio dedicato agli algoritmi adattivi nell’educazione ha mostrato, attraverso simulazioni e casi applicativi, che l’inclusione di un numero crescente di caratteristiche individuali può migliorare la personalizzazione in alcuni contesti, ma in altri può rallentare l’individuazione delle strategie migliori e perfino svantaggiare studenti con caratteristiche meno comuni (Li et al., Getting too personal(ized): The importance of feature choice in online adaptive algorithms, 2023, https://arxiv.org/abs/2309.02856). Il punto non è negare l’enorme potenziale dell’adaptive learning, ma riconoscere che personalizzare significa sempre scegliere quali caratteristiche di una persona debbano orientarne il percorso futuro.
Ed è proprio questa scelta a trasformare un problema apparentemente tecnologico in una questione pedagogica. Se uno studente mostra una maggiore predisposizione per le discipline scientifiche, un sistema dovrebbe offrirgli progressivamente più contenuti scientifici oppure continuare deliberatamente a esporlo alla letteratura, all’arte e alla filosofia? Se incontra difficoltà davanti a un problema complesso, l’algoritmo dovrebbe immediatamente semplificarlo oppure consentirgli di attraversare quella frustrazione che spesso rappresenta una componente fondamentale dell’apprendimento? Se preferisce contenuti brevi e visuali, dobbiamo adattare ogni esperienza a quella preferenza oppure insegnargli anche la fatica della lettura lunga e della concentrazione?
Sono domande che mostrano il limite di una concezione puramente ottimizzativa dell’educazione. Un algoritmo tende inevitabilmente a cercare il percorso più efficace rispetto all’obiettivo che gli abbiamo assegnato. Ma educare significa anche accompagnare una persona verso obiettivi che quella persona non sarebbe ancora in grado di scegliere autonomamente. La scuola non è un servizio di raccomandazione culturale e lo studente non è un consumatore al quale proporre continuamente ciò che massimizza il proprio engagement.
Forse dovremmo allora aggiungere alla personalizzazione un principio apparentemente opposto: la serendipità progettata. Utilizzare l’intelligenza artificiale per comprendere meglio ogni studente, certamente, ma conservare deliberatamente dentro il percorso educativo zone di sorpresa, deviazione, contaminazione e persino temporaneo disagio cognitivo. Perché una buona educazione non dovrebbe limitarsi a portarci più velocemente dove vogliamo andare. Dovrebbe continuare ad avere la capacità di condurci, qualche volta, proprio dove non avremmo mai pensato di andare.
Il rischio più interessante della personalizzazione estrema può essere compreso osservando ciò che è già accaduto fuori dalla scuola. I sistemi di raccomandazione sono nati per risolvere un problema reale: orientare le persone dentro un’offerta di contenuti diventata troppo grande per essere esplorata individualmente. Ma proprio l’efficienza crescente di questi sistemi ha fatto emergere il problema delle filter bubble, ambienti nei quali le preferenze precedenti dell’utente influenzano ciò che gli viene proposto successivamente, generando circuiti di progressivo rafforzamento. Una revisione sistematica della letteratura sui recommender systems ha rilevato evidenze dell’esistenza di questi fenomeni e indicato nella diversificazione delle raccomandazioni una delle strategie per limitarli (Areeb et al., Filter Bubbles in Recommender Systems: Fact or Fallacy? A Systematic Review, 2023, https://arxiv.org/abs/2307.01221). Trasferita nell’educazione, la filter bubble assume però un significato molto più delicato: non rischia soltanto di restringere ciò che guardiamo, ma ciò che potremmo diventare.
Un algoritmo educativo che apprende continuamente dalle nostre scelte potrebbe infatti trasformare una preferenza temporanea in una traiettoria permanente. Se uno studente mostra maggiore interesse per alcune discipline, il sistema potrebbe proporgliene progressivamente di più; se incontra difficoltà con determinati contenuti, potrebbe ridurne la presenza; se apprende più rapidamente attraverso immagini e video, potrebbe privilegiare quelle modalità. Ciascuna decisione, considerata isolatamente, appare ragionevole. Ma la loro somma potrebbe produrre un effetto inatteso: il passato dello studente diventerebbe progressivamente il principale predittore del suo futuro. Proprio nel momento in cui promettiamo percorsi più aperti e individualizzati potremmo costruire, quasi senza accorgercene, corridoi educativi estremamente efficienti ma sempre più stretti.
Il problema non è soltanto teorico. Già nel contesto universitario la ricerca sui sistemi di raccomandazione dei corsi ha mostrato quanto sia difficile conciliare accuratezza e scoperta. Pardos e Jiang, analizzando un sistema reale di course recommendation, hanno osservato come modelli orientati a prevedere le scelte sulla base dei comportamenti precedenti tendessero a produrre raccomandazioni con scarsa novità, sperimentando quindi strategie capaci di aumentare deliberatamente la serendipità (Pardos, Z.A. & Jiang, W., Combating the Filter Bubble: Designing for Serendipity in a University Course Recommendation System, 2019, https://arxiv.org/abs/1907.01591). Il paradosso è evidente: per aiutare davvero una persona a scoprire qualcosa di nuovo, un algoritmo deve qualche volta smettere di darle esattamente ciò che prevede che desideri.
Da qui potrebbe nascere un principio completamente nuovo per l’adaptive learning. Accanto alla personalizzazione dovremmo progettare una quota deliberata di imprevedibilità educativa. Non casualità pura, che avrebbe poco valore pedagogico, ma esposizione intenzionale a contenuti, discipline, persone e problemi sufficientemente lontani dal profilo precedente dello studente da ampliarne progressivamente l’orizzonte. È precisamente ciò che la ricerca sui recommender systems definisce serendipity: suggerire qualcosa di inatteso ma potenzialmente rilevante. Studi recentissimi stanno cercando di utilizzare persino i grandi modelli linguistici per introdurre maggiore serendipità nei sistemi di raccomandazione e ridurre gli effetti di omogeneizzazione prodotti dai feedback loop (Xi et al., Bursting Filter Bubble: Enhancing Serendipity Recommendations with Aligned Large Language Models, 2025, https://arxiv.org/abs/2502.13539).
La scuola potrebbe appropriarsi di questa logica e trasformarla in un principio pedagogico. Un sistema intelligente dovrebbe certamente sapere che cosa uno studente conosce, quali difficoltà incontra e quali modalità facilitano il suo apprendimento, ma dovrebbe essere progettato anche per chiedersi quale esperienza potrebbe allargare quel profilo anziché semplicemente soddisfarlo. Se uno studente ama la matematica, potrebbe essere proprio la letteratura a offrirgli un incontro inatteso; se predilige risposte rapide, potrebbe aver bisogno di confrontarsi con un problema che richiede giorni; se manifesta continuamente le stesse opinioni, potrebbe essere utile esporlo ad argomentazioni costruite da prospettive lontane dalle proprie. La personalizzazione diventerebbe così non un processo che adatta continuamente il mondo allo studente, ma uno strumento attraverso il quale lo studente viene progressivamente preparato a incontrare un mondo che non sarà mai completamente adattato a lui.
Questo cambia anche il ruolo dell’insegnante. In una scuola fortemente algoritmica il docente potrebbe diventare proprio il garante dell’imprevisto, la persona capace di interrompere la traiettoria suggerita dai dati perché intravede nello studente una possibilità che i dati non possono ancora conoscere. UNESCO continua a insistere sulla necessità di preservare agency, pensiero critico e centralità dell’essere umano nei sistemi educativi basati sull’intelligenza artificiale, ricordando che la tecnologia deve rafforzare le opportunità di apprendimento senza trasformare studenti e docenti in semplici destinatari delle decisioni automatiche (UNESCO, AI and education: Protecting the rights of learners, 2025, https://www.unesco.org/en/articles/ai-and-education-protecting-rights-learners). (UNESCO)
È una funzione pedagogica molto più importante di quanto possa sembrare. Un algoritmo conosce ciò che siamo stati attraverso le tracce che abbiamo lasciato. Un insegnante può invece immaginare ciò che potremmo ancora diventare. La distinzione tra queste due prospettive potrebbe diventare decisiva in un sistema educativo sempre più guidato dai dati. L’una procede attraverso probabilità, l’altra conserva lo spazio della possibilità.
Dovremo quindi probabilmente superare anche l’equazione secondo cui una maggiore personalizzazione rappresenta necessariamente una migliore educazione. La vera sfida sarà costruire sistemi capaci di muoversi continuamente tra due forze apparentemente contraddittorie: adattamento ed esplorazione. Dovranno riconoscere quando accompagnare lo studente lungo il percorso più efficace e quando introdurre deliberatamente una deviazione; quando semplificare una difficoltà e quando permettere che quella difficoltà venga attraversata; quando seguire un interesse e quando provocarne uno completamente nuovo. La migliore intelligenza artificiale educativa non sarà quella che conoscerà perfettamente lo studente, ma quella che saprà lasciare aperta la possibilità che quello studente sorprenda persino il proprio algoritmo.
Forse è proprio questo che rischiamo di dimenticare nell’entusiasmo per la personalizzazione. Educare non significa soltanto ottimizzare l’apprendimento di ciò che abbiamo già deciso di insegnare. Significa creare le condizioni perché avvengano incontri che nessun modello predittivo avrebbe potuto programmare completamente. Una disciplina inattesa, un libro difficile, un compagno diverso, un errore, una deviazione, persino un momento di noia possono aprire percorsi che diventano comprensibili soltanto molti anni dopo.
La scuola perfettamente personalizzata potrebbe quindi essere meno educativa proprio perché troppo perfetta. Il futuro del digital learning non dovrebbe essere costruire algoritmi capaci di eliminare ogni attrito dal percorso dello studente, ma progettare sistemi abbastanza intelligenti da comprendere che qualche volta l’attrito, l’incontro inatteso e perfino lo smarrimento sono parte dell’apprendimento. In una società nella quale gli algoritmi cercheranno continuamente di anticipare ciò che desideriamo, la scuola potrebbe conservare una funzione straordinariamente contemporanea: continuare a mostrarci ciò che non sapevamo ancora di desiderare.
Il prof. Carlo Maria Medaglia è delegato del Rettore per la Terza Missione, Innovazione Didattica ed Intelligenza Artificiale, presidente della Commissione Spin Off e presidente della Commissione Rapporti con gli Enti Esterni dell’UNIVERSITÀ DEGLI STUDI TELEMATICA IUL