Come l’intelligenza artificiale sta trasformando la valutazione dell’apprendimento e le sue ricadute economiche e sociali
La valutazione è uno degli snodi più delicati dei sistemi educativi, perché incide direttamente sulla distribuzione delle opportunità, sull’orientamento delle carriere e sulla costruzione del capitale umano. Misura, seleziona, indirizza, ma allo stesso tempo può irrigidire i percorsi, amplificare
disuguaglianze e produrre effetti di lungo periodo sull’economia e sulla società. Nell’era dell’intelligenza artificiale e dei learning analytics, questo equilibrio diventa ancora più complesso, perché la valutazione non è più un atto episodico, ma un processo continuo, automatizzato e potenzialmente pervasivo.
Le piattaforme digitali e i sistemi basati su AI raccolgono oggi una quantità crescente di dati sull’apprendimento: tempi di risposta, pattern di errore, progressioni, interazioni, comportamenti. Queste informazioni, elaborate in tempo reale, promettono una rappresentazione più precisa delle competenze e dei bisogni formativi. Nasce così la valutazione aumentata, un modello che combina indicatori quantitativi e supporto algoritmico, offrendo agli insegnanti strumenti di osservazione più raffinati. Ma proprio questa potenza informativa introduce una questione centrale: chi interpreta i dati e a quali fini.
Dal punto di vista macroeconomico, la valutazione non è mai neutrale. I criteri con cui si misura l’apprendimento influenzano la qualità del capitale umano, l’allocazione delle competenze nel mercato del lavoro e, in ultima analisi, la competitività di un Paese. Un sistema di valutazione orientato esclusivamente a metriche quantitative rischia di produrre profili standardizzati, poco adattabili a contesti complessi e in rapido mutamento. Al contrario, una valutazione capace di integrare dati e interpretazione può sostenere percorsi di apprendimento più flessibili, favorendo
innovazione, mobilità sociale e resilienza economica.
Il rischio principale della valutazione aumentata è la confusione tra misurazione e comprensione. I dati descrivono ciò che è osservabile, ma non esauriscono ciò che conta. Motivazione, contesto, impegno, capacità di collaborazione e pensiero critico restano dimensioni difficilmente riducibili a
indicatori numerici. Se la valutazione diventa un esercizio puramente algoritmico, si trasforma in un meccanismo di classificazione che può rafforzare disuguaglianze anziché ridurle. È qui che il ruolo del docente resta insostituibile: leggere i dati come strumenti interpretativi, non come verdetti. In questo senso, la valutazione aumentata introduce una nuova responsabilità istituzionale. Le scuole e i sistemi educativi non devono solo adottare tecnologie, ma sviluppare una cultura del dato capace di governarne l’uso. I learning analytics possono diventare strumenti di inclusione, individuando precocemente difficoltà e potenzialità, oppure meccanismi di esclusione, se utilizzati per etichettare e anticipare giudizi. La differenza non è tecnologica, ma decisionale.
Le implicazioni di questo modello vanno oltre la scuola. In un’economia in cui formazione e lavoro sono sempre più intrecciati, la valutazione diventa un dispositivo che orienta l’accesso alle opportunità professionali, alla formazione continua e alla mobilità sociale. Le nuove metriche dell’apprendimento influenzano sistemi di certificazione, micro-credential, politiche attive del lavoro. Per questo, parlare di valutazione aumentata significa parlare di governance del capitale umano, non solo di didattica. A livello europeo, queste questioni sono sempre più centrali. Le linee guida sul digitale e i principi dell’AI Act sottolineano la necessità di mantenere il controllo umano sui sistemi decisionali che incidono su istruzione e orientamento. La valutazione dell’apprendimento rientra pienamente tra gli ambiti sensibili, perché può produrre effetti duraturi sulle traiettorie individuali ed economiche. La trasparenza degli algoritmi, la possibilità di interpretazione e contestazione dei risultati, la tutela dei dati diventano elementi essenziali di un sistema educativo credibile.
Le esperienze più avanzate mostrano che la valutazione aumentata funziona quando viene concepita come processo narrativo, non come automatismo. I dati offrono mappe, ma sono gli insegnanti e gli studenti a costruire il significato del percorso. In questo modello, il voto perde centralità come punto d’arrivo e diventa una tappa di un processo più ampio di consapevolezza e responsabilità. La tecnologia, se ben orientata, può restituire una valutazione più equa, personalizzata e utile anche dal punto di vista economico.
In ultima analisi, la valutazione aumentata pone una domanda di fondo: che tipo di competenze vogliamo riconoscere e valorizzare. In un contesto di trasformazione continua, la competitività non dipende solo dalla precisione delle misurazioni, ma dalla capacità di riconoscere e sviluppare talenti complessi. L’intelligenza artificiale può aiutare a vedere meglio, ma non può decidere cosa conta davvero. Questa resta una scelta culturale, educativa e politica, da cui dipende la qualità del futuro economico e sociale.
Il prof. Carlo Maria Medaglia è delegato del Rettore per la Terza Missione, presidente della Commissione Spin Off e presidente della Commissione Rapporti con gli Enti Esterni dell’Università degli Studi Telematica IUL