IA a scuola: cosa dicono le ricerche recenti, e quanto sono solide

Cinque ricerche recenti sull'uso dell'IA in classe: cosa è dimostrato, cosa è solo promettente, cosa resta ignoto.

In breve

Un chatbot senza vincoli può far calare del 17% i risultati quando l'IA viene tolta (Bastani e colleghi, PNAS 2025, working paper).

Un tutor con vincoli pedagogici evita il danno, ma all'esame non produce un guadagno misurato.

Un tutor universitario ad hoc per un corso di fisica porta più apprendimento in meno tempo (Kestin, Scientific Reports 2025).

In Nigeria, sei settimane con Copilot guidato dagli insegnanti producono +0,31 deviazioni standard sul punteggio totale (De Simone e colleghi, Banca Mondiale, 2025).

Una rassegna di Stanford: 20 studi causali di alta qualità su 818 articoli, nessuno su studenti di scuole K-12 statunitensi.

Le associazioni emerse da un questionario in Bangladesh non sono prove causali (Alam e colleghi, Scientific Reports, 2026).

Panoramica: cosa dicono le ricerche recenti

La domanda non è più se l'intelligenza artificiale aiuti o danneggi l'apprendimento. È come è progettata l'interazione, e quanto solide sono le prove. La rassegna 2026 di Fesler, Martinez, Agnew e Loeb (AI Hub for Education, SCALE Initiative, Stanford University) ha esaminato 818 articoli e ne ha riconosciuti solo 20 come studi causali di alta qualità. Per gli studenti, da quanto risulta, nessuno è stato svolto in scuole K-12 statunitensi. Con l'accesso allo strumento le prestazioni migliorano; quando l'accesso viene tolto i risultati sono misti. Gli strumenti con vincoli pedagogici, scrivono gli autori, “mostrano più promesse” di quelli generici, ma si tratta di un'indicazione preliminare. Per i docenti, l'IA riduce il tempo di preparazione delle lezioni senza perdita di qualità.

Casi studio

Bastani: Turchia, scuola superiore, quasi mille studenti

Bastani e colleghi (University of Pennsylvania) hanno condotto un esperimento randomizzato pre-registrato in una grande scuola superiore turca, nel semestre autunnale 2023-2024: quattro sessioni da 90 minuti, circa 50 classi di nono, decimo e undicesimo anno, quasi mille studenti. Tre gruppi: controllo con libri e appunti, GPT Base (chat simile a ChatGPT), GPT Tutor con suggerimenti al posto delle soluzioni e materiali preparati dagli insegnanti. Durante gli esercizi con l'IA: +48% (GPT Base) e +127% (GPT Tutor) rispetto al controllo. All'esame finale, senza IA né libri, GPT Base chiude a -17% rispetto al controllo (differenza statisticamente significativa); GPT Tutor ottiene un effetto praticamente nullo. Secondo il working paper degli autori, il tutor con guardrail evita il danno ma non produce un guadagno. Limiti: misura di breve termine e lavoro oneroso per gli insegnanti.

Kestin: Harvard, fisica, 194 studenti universitari

Kestin e colleghi, su Scientific Reports (3 giugno 2025), hanno condotto un esperimento randomizzato crossover con 194 studenti universitari di Harvard: un tutor IA basato sui principi dell'apprendimento attivo contro una lezione di apprendimento attivo in aula, in un corso di fisica. In sintesi, gli studenti hanno imparato di più in meno tempo con il tutor IA. Limiti: un solo corso, un solo ateneo, un tutor costruito ad hoc, popolazione universitaria. Il risultato non è estendibile alla scuola secondaria senza una verifica dedicata.

De Simone: Nigeria, Benin City, scuola superiore

Il Policy Research Working Paper 11125 della Banca Mondiale (De Simone, Tiberti, Barron Rodriguez, Manolio, Mosuro, Dikoru, maggio 2025) descrive un esperimento randomizzato in nove scuole pubbliche di Benin City. Studenti del primo anno di scuola superiore (circa 15 anni), partecipazione volontaria (52% degli idonei), valutazione finale completata da 422 studenti del gruppo con IA e 337 del controllo. Sei settimane dopo la scuola (giugno-luglio 2024) con Microsoft Copilot basato su GPT-4, in coppie e guidato dagli insegnanti; presenza media 72%. Effetto sul punteggio totale: +0,31 deviazioni standard; inglese: +0,238. Gli autori traducono l'effetto in anni di scuola nello scenario ordinario: circa 1,5 anni per l'inglese e circa 2 per il punteggio totale. Il documento è un working paper dichiarato “work in progress”. Limiti: contaminazione tra i gruppi, abbandoni diversi tra i due gruppi, campione urbano di una sola città, interruzioni di rete e di corrente.

Strumenti efficaci: cosa hanno in comune

Gli studi letti non permettono di stilare una ricetta, ma alcuni tratti ricorrono. Nello studio turco il tutor che ha evitato il danno dava suggerimenti invece della soluzione e si appoggiava a materiali preparati dagli insegnanti (soluzioni ed errori tipici). Nel caso nigeriano l'uso era strutturato (sei settimane, dopo la scuola), in coppie e con la guida degli insegnanti. A Harvard il tutor era progettato sui principi dell'apprendimento attivo. In nessuno dei casi si tratta di una chat generica ad accesso libero. Sono osservazioni su tre studi diversi, non un modello dimostrato.

Criticità

Tre nodi restano aperti. Primo: il contrasto fra prestazione con l'IA e apprendimento senza l'IA (Bastani, GPT Base). Secondo: il lavoro richiesto agli insegnanti dal tutor con guardrail. Terzo: la validità fuori dal contesto. Harvard è un solo ateneo; Benin City è una sola città, con contaminazione tra gruppi, abbandoni diversi e interruzioni di rete e di corrente. Nessuno dei due risultati si trasferisce automaticamente a una scuola secondaria italiana. Il report di Stanford precisa che, per gli studenti, non risultano studi causali di alta qualità in scuole K-12 statunitensi.

I dati a confronto

I cinque studi non sono confrontabili: misure diverse (percentuali, deviazioni standard, anni di scuola equivalenti, associazioni) e contesti diversi (Turchia, Stati Uniti, Nigeria, Bangladesh).

Bastani (PNAS 2025), RCT, ~1000 studenti scuola superiore, Turchia; +48%/+127% con IA, -17% senza IA per GPT Base, nullo per GPT Tutor; limite: breve termine.

Kestin (Scientific Reports 2025), RCT crossover, 194 universitari fisica, Harvard; più apprendimento in meno tempo; limite: un solo corso.

De Simone (Banca Mondiale 2025), RCT, 9 scuole Benin City, 422+337 studenti; +0,31 DS totale, +0,238 inglese, circa 1,5-2 anni di scuola equivalenti nello scenario ordinario; limite: contaminazione, campione urbano.

Fesler et al. (Stanford 2026), rassegna di 818 articoli, 20 studi causali di alta qualità, nessuno su studenti K-12 USA; il report cita anche Chen et al. 2025 e Blasco e Charisi 2025; limite: nessun dato primario.

Alam et al. (Scientific Reports 2026), questionario PLS-SEM su 390 universitari in Bangladesh; associazioni fra utilità percepita, frequenza d'uso, carico cognitivo e benessere mentale; limite: autovalutazioni, non è prova causale.

Prospettive

Il lavoro che manca è duplice. Da un lato prove causali su scuole secondarie di diversi paesi, con misure di apprendimento a lungo termine. Dall'altro studi italiani: nessuno dei cinque lavori qui esaminati si svolge in Italia. In Italia il quadro normativo è in evoluzione, come raccontato nel nostro articolo del 10 agosto 2026 sull'IA nelle scuole italiane.

La domanda per chi dirige una scuola e per chi insegna è operativa: come è progettata l'interazione fra studente e strumento, quanti vincoli pedagogici sono inseriti, quanto lavoro aggiuntivo richiede ai docenti. Da quanto risulta oggi, è lì che si gioca la differenza fra un chatbot che fa calare i risultati e un tutor che li tiene fermi.

Errori comuni

Confondere prestazione con apprendimento. Con il chatbot standard i punteggi negli esercizi salgono del 48%, ma Bastani mostra che quegli studenti, senza l'IA all'esame, chiudono a -17% rispetto al controllo. Fare bene con l'IA non significa aver imparato.

Leggere “1,5-2 anni” senza la misura. Nello studio nigeriano il dato è +0,31 deviazioni standard sul totale e +0,238 in inglese; gli anni sono una traduzione di quelle grandezze nello scenario ordinario, non una misura diretta.

Trattare un questionario come prova causale. Lo studio di Alam è un'analisi su 390 studenti in Bangladesh e rileva associazioni. Dire che l'IA riduca lo stress sulla base di autovalutazioni è un salto che i dati non autorizzano.

Generalizzare da studi universitari alla scuola. Kestin lavora su universitari di fisica a Harvard con un tutor ad hoc. Trasferirlo alla scuola secondaria senza verifica dedicata significa trattare contesti diversi come se fossero la stessa cosa.

Domande frequenti

Dipende dallo strumento. Un tutor con vincoli pedagogici (Bastani) azzera il danno ma non produce un guadagno; un tutor universitario ad hoc (Kestin( porta più apprendimento in meno tempo; l'uso guidato dagli insegnanti Copilot in Nigeria (De Simone) produce +0,31 deviazioni standard.?

Un chatbot libero in classe può danneggiare gli studenti? Lo studio di Bastani in Turchia ha misurato un calo del 17% all'esame finale per il gruppo che aveva usato una chat simile a ChatGPT (differenza statisticamente significativa). Il tutor con vincoli pedagogici, nello stesso esperimento, non produce quel danno. Quante prove causali abbiamo sull'IA nelle scuole K-12? La rassegna 2026 di Stanford ha esaminato 818 articoli e ne ha riconosciuti 20 come studi causali di alta qualità. Per gli studenti, da quanto risulta, nessuno è stato svolto in scuole K-12 degli Stati Uniti. Cosa si sa dell'uso dell'IA nelle scuole italiane? Nessuno dei cinque studi qui esaminati si svolge in Italia. Il contesto normativo è in evoluzione: rimandiamo all'articolo del 10 agosto 2026 citato in Prospettive. Esistono effetti dell'IA sul benessere degli studenti? Il questionario di Alam su 390 universitari in Bangladesh rileva associazioni fra utilità percepita, frequenza d'uso, carico cognitivo e benessere mentale. Sono associazioni, non effetti causali. ## Fonti Bastani H. e altri, *Generative AI Without Guardrails Can Harm Learning*, University of Pennsylvania, PNAS 2025 (working paper). Kestin et al., tutor IA in fisica, *Scientific Reports*, 3 giugno 2025, Harvard. De Simone e altri, *From Chalkboards to Chatbots*, Banca Mondiale, Policy Research Working Paper 11125, maggio 2025. Fesler, Martinez, Agnew, Loeb, *The Evidence Base on AI in K-12: A 2026 Review*, AI Hub for Education, Stanford, 2026. Alam et al., *Integrating AI into higher education*, Scientific Reports, 2026, DOI 10.1038/s41598-026-74412-8 (versione anticipata 8 ottobre 2026).