Il dibattito sull’intelligenza artificiale e gli studenti è bloccato su una domanda che non porta da nessuna parte: si può usare o no. Da una parte chi vieta, dall’altra chi dice che ormai è come la calcolatrice. Nessuna delle due posizioni descrive quello che succede davvero nelle aule italiane, dove praticamente tutti usano qualcosa e quasi nessuno sa cosa può dichiarare senza rischiare.
La mia posizione è che la linea esiste, è nitida, e non passa dove la stanno cercando. Non è “hai usato ChatGPT sì o no”. È: alla fine del lavoro, dentro c’è ancora un’idea tua? Se sì, hai studiato. Se no, hai barato — e lo hai fatto anche se hai riscritto tutto con parole tue, perché il plagio non è delle parole, è del pensiero.
Prima però bisogna smontare la cosa su cui si regge quasi tutta la politica repressiva degli ultimi tre anni: i rilevatori di testo AI. Perché non funzionano, e stanno facendo danni a persone innocenti.
I rilevatori non funzionano, e lo dicono i numeri
Partiamo da chi ha meno interesse a dirlo. OpenAI ha lanciato il proprio AI Text Classifier nel gennaio 2023 e lo ha ritirato il 20 luglio dello stesso anno. La motivazione è scritta in cima all’annuncio originale: “low rate of accuracy”, bassa accuratezza. Nella stessa pagina OpenAI dichiarava che lo strumento riconosceva correttamente il testo scritto dall’AI solo nel 26% dei casi, e classificava erroneamente come AI il 9% dei testi scritti da esseri umani.
Fermiamoci un attimo su quel 9%. Vuol dire che, su una classe di cento studenti che hanno scritto tutto da soli, nove vengono segnalati. Nove persone innocenti convocate a giustificarsi.
Lo studio accademico più citato sull’argomento è quello di Weber-Wulff e colleghi, pubblicato nell’International Journal for Educational Integrity: dopo aver testato quattordici strumenti di rilevamento, la conclusione degli autori è che gli strumenti esaminati non sono “né accurati né affidabili”, e che mostrano incoerenze e falsi positivi anche sui testi scritti da persone.
E non è un problema del 2023 risolto poi. Uno studio pubblicato nel febbraio 2026 sulla stessa rivista (“Evaluating the accuracy and reliability of AI content detectors in academic contexts”) ha valutato due dei rilevatori commerciali più usati, Turnitin e Originality, su un set bilanciato di 192 testi. L’accuratezza complessiva è risultata 0,69 per Originality e 0,61 per Turnitin. Entrambi crollano sui testi ibridi — quelli in cui una persona ha scritto una parte e l’AI un’altra, cioè esattamente il caso più comune oggi. La conclusione degli autori è che questi strumenti non sono adatti a essere l’unica base per decisioni disciplinari.
Un’accuratezza dello 0,61 significa che quattro volte su dieci il sistema sbaglia. Nessuna università accetterebbe un esame di laboratorio con quel margine d’errore. Sulla reputazione di uno studente, invece, sembra accettabile.
Chi paga i falsi positivi: quasi sempre chi non scrive “da madrelingua”
C’è una parte della storia che rende il tutto più grave, e riguarda direttamente gli studenti italiani che scrivono in inglese.
Lo studio di Liang e colleghi, pubblicato su Patterns nel 2023, ha messo alla prova sette rilevatori commerciali su due gruppi di testi scritti da esseri umani: 88 temi di studenti americani di terza media e 91 saggi TOEFL scritti da non madrelingua. Risultato: sui saggi dei non madrelingua il tasso medio di falsi positivi è stato del 61,3%, mentre i temi degli studenti americani madrelingua sono stati classificati correttamente quasi sempre. Almeno un rilevatore ha segnalato come AI il 97,8% dei saggi TOEFL.
L’ipotesi degli autori è che il testo di chi scrive in una lingua non sua abbia una “perplessità” più bassa — usa un vocabolario più prevedibile, costruzioni più standard, meno variazione stilistica. Cioè esattamente le caratteristiche che questi strumenti leggono come impronta della macchina.
Traduci nella tua università: la dottoranda cinese, lo studente Erasmus, il ragazzo italiano che presenta un paper in inglese e scrive in modo corretto ma prevedibile. Sono loro i più esposti.
Chi usa questi strumenti per aprire un procedimento disciplinare sta usando uno strumento che discrimina in modo sistematico. Non “potrebbe discriminare”: lo fa, ed è misurato.
Allora dove passa la linea
Se il rilevatore non serve, la domanda torna a essere quella giusta: cosa distingue barare dallo studiare meglio.
Provo a dirlo nel modo più semplice possibile. Hai barato quando il lavoro consegnato contiene una conclusione che non hai raggiunto tu. Non quando l’AI ti ha corretto la grammatica, non quando ti ha spiegato un concetto che non capivi, non quando ti ha aiutato a organizzare una scaletta. Quando la tesi, l’argomento, il collegamento tra le idee — il pezzo per cui ti stanno valutando — è stato prodotto da una macchina e tu lo hai solo ospitato.
Il test pratico è brutale ma funziona: potresti difendere ogni singola affermazione di quel testo davanti a un docente che ti interroga per venti minuti? Se sì, il lavoro è tuo, qualunque strumento tu abbia usato per arrivarci. Se no, non lo è, e non lo è indipendentemente da quanto lo hai riscritto.
Da questo test discendono conseguenze scomode per entrambi gli schieramenti.
Per chi vieta: far correggere la grammatica a un modello non è barare, e continuare a chiamarlo barare significa punire soprattutto gli studenti stranieri e quelli con disturbi specifici dell’apprendimento, per i quali quello strumento è compensativo. Farsi spiegare un teorema in tre modi diversi finché non si capisce non è barare: è la cosa più simile a un tutor privato che uno studente senza soldi abbia mai avuto.
Per chi minimizza: far generare l’argomentazione e poi “personalizzarla” è barare, punto. E genera anche un altro problema, che gli studenti sottovalutano: i modelli inventano fonti. Bibliografie plausibili, DOI che non esistono, citazioni attribuite ad autori che non le hanno mai scritte. Consegnare un lavoro con tre riferimenti inventati è peggio che consegnarlo mediocre.
Cosa fanno già gli atenei italiani
Il quadro italiano è meno arretrato di quanto si dica, ed è utile guardare un documento vero.
L’Università di Pavia ha approvato le proprie Linee Guida per l’utilizzo dell’Intelligenza Artificiale con delibera del Consiglio di Amministrazione n. 153/2026 del 22 maggio 2026. Sono sette pagine che vale la pena leggere anche se non studi lì, perché fanno esattamente le distinzioni giuste.
Per gli studenti: l’AI può essere usata per brainstorming, organizzazione delle idee, revisione linguistica e correzione grammaticale di testi scritti autonomamente. Non è consentito usarla per generare risposte durante esami e verifiche, salvo autorizzazione esplicita del docente, né per “la redazione integrale di tesi ed elaborati senza adeguata rielaborazione critica”. E ogni elaborato in cui siano stati usati strumenti di AI deve contenere una dichiarazione che specifichi lo strumento, il perimetro di applicazione e le modalità di impiego.
Per i docenti: autonomia nel decidere le regole del proprio insegnamento, con l’obbligo di scriverle nel syllabus all’inizio dell’anno. E un divieto che mi sembra la cosa più importante di tutto il documento: non è mai consentito delegare interamente la valutazione dell’apprendimento a strumenti di AI, soprattutto per le prove che concorrono al voto finale.
Documenti analoghi esistono in altri atenei: le linee guida dell’Università di Bergamo, quelle della LUMSA e quelle dell’Università della Basilicata. Il modello è lo stesso: trasparenza obbligatoria, responsabilità dello studente, autonomia del docente. Nessuno di questi documenti si affida ai rilevatori automatici come prova.
Cosa dovrebbero fare i prof, invece di vietare
Il divieto generalizzato non funziona per un motivo banale: non è verificabile. Se non puoi accertare la violazione, la regola punisce solo gli onesti che si autodenunciano. È la peggior regola possibile.
Quello che funziona, e qui do la mia opinione senza cautele, è cambiare la prova, non inseguire lo strumento.
Un compito che si può risolvere copiando un output di un modello è un compito mal progettato, e lo era anche prima che i modelli esistessero: era già copiabile da Wikipedia, da un compagno, da una tesi trovata online. Se il tuo esame chiede “descrivi le cause della prima guerra mondiale”, il problema non è ChatGPT.
Va detto che il lavoro di riprogettare le prove costa tempo, ed è tempo che un docente non ha. Il paradosso è che gli strumenti che permettono di recuperarlo sono gli stessi: differenziare una verifica su tre livelli o riscrivere un testo per uno studente con DSA sono le cose in cui l’AI restituisce ore vere a chi insegna. Chiedere ai prof prove migliori senza dargli il tempo di scriverle è una richiesta a vuoto.
Le prove che reggono
Le prove che reggono sono altre. Il colloquio sul lavoro consegnato: dieci minuti in cui lo studente difende quello che ha scritto, e in cui la differenza tra chi ha capito e chi ha incollato emerge in due domande. La valutazione del processo: chiedere di consegnare la scaletta, le versioni intermedie, il registro delle decisioni, con la spiegazione di cosa è stato scartato e perché. I compiti radicati nel contesto: applicare la teoria a dati raccolti in aula, a un caso locale, a materiale che il modello non ha visto. E l’uso dichiarato e valutato dell’AI: chiedere allo studente di usarla, allegare il dialogo, e poi valutare la qualità della critica che ne ha fatto — dove il modello ha sbagliato, cosa ha dovuto verificare, cosa ha scartato.
Quest’ultima è la più difficile da preparare e la più formativa. Insegna la competenza che serve davvero fuori: non usare un modello, ma non fidarsi di un modello.
E una richiesta agli atenei, netta: smettete di usare i punteggi dei rilevatori come prova nei procedimenti disciplinari. Usateli, se proprio volete, come segnale che apre una conversazione. Un colloquio con lo studente vale più di qualunque percentuale, e non rischia di distruggere la carriera di chi scrive in un inglese corretto ma prevedibile.
Cosa cambia per te
Se sei uno studente: usa gli strumenti, dichiarali, e assicurati di poter difendere ogni riga di quello che consegni. Prima di
