Pubblicato il
02 giugno 2026
Condividi
Nel 2013, il film "Lei" (Her) di Spike Jonze usciva nelle sale italiane. Al centro della pellicola, la storia d'amore ambientata in un futuro volutamente indefinito tra Theodore, scrittore di lettere interpretato da un malinconico Joaquin Phoenix, e Samantha, un sistema operativo dalla personalità sorprendentemente umana. Una storia che all'epoca poteva sembrare fantascienza pura, un’iperbole per discutere di come la tecnologia stesse entrando nelle nostre vite sempre più solitarie, atomizzate e monotone.
Eppure, a distanza di poco più di dieci anni, la diffusione capillare degli strumenti di Intelligenza Artificiale Generativa ci ha avvicinati a quello scenario con una velocità che pochi avrebbero saputo prevedere. Al centro del dibattito pubblico ci sono soprattutto i Large Language Models (LLMs) - ChatGPT, Claude, DeepSeek, solo per citare i più noti - che rappresentano una componente specifica, per quanto rumorosa, del panorama dell'Intelligenza Artificiale. Una distinzione che vale la pena sottolineare, dato che nel discorso pubblico i due termini tendono a sovrapporsi e a essere usati come sinonimi, appiattendo una realtà molto più articolata.
La pervasività di questi strumenti ha finito per intaccare, nel profondo, l'esperienza quotidiana di milioni di persone: il modo in cui scriviamo, cerchiamo informazioni, deleghiamo decisioni, persino il modo in cui studiamo. Ed è proprio su quest'ultimo punto che vale la pena soffermarsi. Tra tutti i gruppi che si trovano a fare i conti con questa trasformazione, gli studenti universitari occupano una posizione del tutto peculiare, e per questo meritano un'attenzione specifica.
Ci sono due motivi per cui è necessario tenere conto proprio di questa categoria. In primo luogo, proprio per quello che si diceva in precedenza: i LLMs possono avere un impatto sulla salute mentale considerevole sui giovani adulti, ma partendo già da una situazione non proprio rosea. Un editoriale su Frontiers del 2021 aveva evidenziato, letteratura alla mano, come vari fattori quali lo stress, la competizione e l’isolamento acuito dalla pandemia rappresentavano elementi di criticità e d’altronde tutto il progetto Health Mode On lavora per chiarire gli scenari del disagio studentesco nelle università.
In secondo luogo, gli studenti universitari si trovano in una fase particolarmente delicata: quella del consolidamento finale delle proprie competenze, a cavallo tra il percorso formativo e il primo affaccio sul mondo del lavoro. È proprio in questo snodo che i LLMs mostrano una doppia faccia.
Da una parte, grazie alla loro capacità di redigere testi articolati, produrre artefatti verosimili e simulare ragionamenti complessi, rischiano di alterare le modalità attraverso cui gli studenti apprendono e misurano le proprie capacità.
Dall’altra parte, quella stessa verosimiglianza che li rende strumenti potenti in ambito accademico li trasforma, agli occhi di molti, in una minaccia concreta per gli entry-level jobs. Si tratta delle posizioni che tradizionalmente rappresentano il primo punto d’ingresso nel mercato del lavoro e che oggi appaiono tra le più esposte all’automazione.
E proprio questa fascia sembra aver compreso la necessità di una discussione più organica, senza scadere né nel luddismo né nel tecnottimismo. In questi mesi non sono mancate infatti manifestazioni di contrarietà all’impiego massimo dei LLMs da parte proprio delle generazioni più giovani.
Gli studiosi Blanka Klimova e Marcel Pikhart, dell’Università di Hradec Králové, hanno recentemente pubblicato una delle prime review che cerca di sintetizzare i risultati principali emersi dalla ricerca sui benefici e i rischi dell’utilizzo di strumenti di AI e LLMs per gli studenti universitari.
Uno dei principali benefici riguarda la possibilità di personalizzare maggiormente l’apprendimento. Le piattaforme basate su AI possono adattare contenuti, suggerimenti e modalità di studio alle esigenze specifiche dei singoli studenti, permettendo percorsi meno rigidi e più calibrati sul ritmo individuale. In teoria, questo può contribuire a ridurre stress e frustrazione, migliorando non soltanto le performance accademiche ma anche il benessere psicologico.
Diversi studi mostrano come molti studenti percepiscono questi strumenti in maniera positiva proprio dal punto di vista emotivo. Chatbot e assistenti virtuali, ad esempio, garantiscono risposte immediate, supporto continuo e accesso rapido alle informazioni, rendendo alcune forme di assistenza più accessibili rispetto al passato. Per molti studenti, i LLMs diventano strumenti utili per organizzare lo studio, chiarire dubbi, sviluppare competenze o semplicemente alleggerire il carico di lavoro quotidiano.
Un altro aspetto spesso sottolineato riguarda l’accessibilità. Gli strumenti basati su AI possono facilitare l’apprendimento per studenti con esigenze differenti. Basti pensare alla traduzione automatica in tempo reale. Non a caso, i dati provenienti dagli Stati Uniti mostrano una maggior adozione di strumenti di AI/LLMs da parte di studenti stranieri. Ma si pensi anche a supporti per disabilità o tutoraggio disponibile a qualsiasi ora. Si tratta di elementi che, almeno potenzialmente, contribuiscono a rendere l’ambiente universitario più inclusivo e meno alienante per chi incontra maggiori difficoltà.
Allo stesso tempo, però, questa diffusione porta con sé anche una serie di problemi sempre più evidenti. Uno dei più discussi riguarda il rischio di dipendenza dagli strumenti di AI. Se una parte crescente delle interazioni - dallo studio alla comunicazione - viene mediata da sistemi automatici, c’è il rischio di impoverire progressivamente le relazioni sociali dirette?
Alcuni studi sottolineano come un uso eccessivo dell’AI, soprattutto quando sostituisce il confronto umano, possa accentuare isolamento e solitudine, oltre a ridurre capacità relazionali fondamentali. Per alcuni studenti, soprattutto quelli più fragili o isolati, l’AI rischia così di trasformarsi in una forma surrogata di supporto sociale.
A questo si aggiunge un’altra dimensione meno discussa ma rilevante: quella del cosiddetto “technostress”. Non tutti studenti possiedono infatti le competenze necessarie per integrare rapidamente questi strumenti nella propria attività quotidiana. L’obbligo implicito di adattarsi continuamente a nuove tecnologie può quindi produrre ansia, senso di inadeguatezza e ulteriore pressione psicologica.
Altri lati negativi provengono invece da survey condotte tra gli studenti. Due sono di particolare importanza. La prima è che la questione della responsabilità dei risultati ottenuti attraverso i LLMs e le possibili accuse di plagio sono citate come un fattore di stress dagli studenti. In secondo luogo, gli studenti temono di non acquisire abbastanza competenze delegando una parte dei compiti a strumenti di AI o LLMs.
Abbiamo detto che si è assistito a una maggior adozione di strumenti come i LLMs. Il punto, però, è che la semplice presenza di questi strumenti non basta, di per sé, a migliorare i risultati degli studenti. Molto dipende da come vengono utilizzati e dal contesto didattico in cui vengono inseriti.
In pedagogia esiste un modello abbastanza noto, il Technological Pedagogical Content Knowledge (TPACK), secondo cui l’uso efficace della tecnologia richiede un equilibrio tra tre elementi: la conoscenza della disciplina, le modalità di insegnamento e lo strumento tecnologico stesso. L’idea di fondo è che introdurre una nuova tecnologia non porta necessariamente un apprendimento migliore. Affinché questo accada, è necessario che lo strumento venga integrato in maniera coerente all’interno del percorso formativo.
È una questione di particolare importanza nel caso dei LLMs. Se il loro utilizzo viene guidato dai docenti, ad esempio indicando come usarli per strutturare una linea argomentativa, rielaborare fonti o revisionare un testo, allora possono diventare strumenti di supporto effettivamente utili. Diverso è invece il caso di un utilizzo lasciato completamente all’iniziativa individuale degli studenti. In assenza di indicazioni precise, il rischio è quello di un uso superficiale: affidarsi alle risposte generate senza sviluppare davvero capacità critiche oppure non comprenderne fino in fondo limiti ed errori.
Al tempo stesso, anche l’assenza totale di questi strumenti presenta delle criticità: continuare a fare affidamento esclusivamente sulle proprie competenze, senza alcun supporto tecnologico, può infatti accentuare difficoltà e insicurezze soprattutto negli studenti meno preparati o con minore fiducia nelle proprie capacità.
Proprio per questo, una parte crescente della ricerca si sta concentrando non tanto sulla semplice presenza dei LLMs nelle università, quanto sulle diverse modalità con cui vengono utilizzati. L’ipotesi di fondo è che un impiego integrato all’interno di un percorso didattico strutturato possa produrre effetti migliori sia sul piano dell’apprendimento sia su quello del coinvolgimento e del benessere psicologico degli studenti.
Vale la pena soffermarsi su uno dei problemi già citati in precedenza. Soprattutto laddove la valutazione si basa sull’elaborazione di testi, la risoluzione di esercizi o la scrittura di codice, ci può essere un utilizzo con esiti positivi sulla valutazione dei LLMs. In parte, i compiti per cui sono utilizzati sono contraddistinti dall’essere lunghi, frustranti e all’apparenza inutili, soprattutto nell’ipotesi in cui una volta inseriti nel mondo del lavoro verranno effettivamente svolti con l’aiuto di questi strumenti.
C’è però da sottolineare una differenza modale in questi due approcci. La letteratura sull’AI-ma in generale sul cambiamento tecnologico-distingue tra due modalità d’utilizzo: sostitutiva e complementare. Quest’ultima rappresenta il punto nevralgico: in ogni lavoro, soprattutto quelli che richiedono una formazione superiore, ci sono inesorabilmente dei compiti che sono, per l’appunto, noiosi. Per quanto idealizzato, pensiamo ad esempio alla stesura di un testo. Una volta che si sono raccolte le fonti, si sono organizzate le idee e la struttura che si vuole dare, è necessario finalizzare e scrivere il testo, nonostante la parte di approfondimento e di acquisizione delle conoscenza sia perlopiù fatta.
Una persona che possiede già quelle competenze può - prescindendo qui dalla questione morale -utilizzare i LLMs per trasformare appunti, idee e struttura argomentativa in una prima bozza di testo, riducendo la parte più meccanica del lavoro.
Ma sul lavoro queste competenze sono già sviluppate, al contrario di chi si trova invece in un percorso di formazione superiore. Proprio quei compiti meccanici, frustranti e apparentemente inutili servono proprio a fare pratica e digerire quelle mansioni che solo dopo averle interiorizzate saranno semplici. Senza quella frustrazione, il rischio è, come già rilevano i sondaggi, di non imparare davvero qualcosa. Non tutta la frustrazione, quindi, è un ostacolo all’apprendimento. a volte ne costituisce il meccanismo stesso.
Anche le Università hanno sviluppato una maggior consapevolezza di questo fatto. Per questo, come sottolinea Josh Freeman dell’Higher Education Policy Institute (HEPI), già oggi alcune facoltà hanno istituito nuove modalità di accertamento, come esami scritti in presenza oppure orali, nonostante possano esserci a loro volta degli aspetti problematici.
La questione, allora, non è semplicemente se usare o meno i LLMs nelle università. È capire quali parti del processo di apprendimento possano essere delegate alle macchine e quali, al contrario, richiedano ancora tempo, ripetizione e fatica. Perché se l’università serve anche a interiorizzare competenze - e non soltanto a produrre output - allora una parte di quella frustrazione potrebbe non essere un difetto del sistema: è, al contrario, una delle condizioni stesse dell’apprendere.
Quello che abbiamo evidenziato è l'impatto che tecnologie come i LLMs stanno avendo già ora sugli studenti universitari. Si tratta di evidenze ancora parziali, che richiederanno anni per essere consolidate. Tuttavia si può già intravedere una direzione.
Questi strumenti portano vantaggi reali. Spesso, inoltre, li portano proprio a chi ne aveva più bisogno: studenti stranieri, con disabilità, chi studia in contesti meno supportati. Ma è altrettanto chiaro che la semplice adozione non basta: là dove c'è un contesto didattico che integra questi strumenti con consapevolezza, i risultati sono migliori. Se viene a mancare, il rischio è che i LLMs diventino una scorciatoia che erode proprio quelle competenze che l'università dovrebbe costruire.
Diventa allora inevitabile chiedersi quali esperienze debbano rimanere lente, imperfette, faticose -non nonostante la loro inefficienza, ma proprio grazie a questa. Alcune competenze, dalla scrittura al pensiero critico, si formano attraverso quell'attrito che le tecnologie cercano sempre più di eliminare. Non tutto ciò che è frustrante è un difetto del sistema. A volte ne è la condizione.
Bibliografia
Klimova, B., & Pikhart, M. (2025). Exploring the effects of artificial intelligence on student and academic well-being in higher education: a mini-review. Frontiers in Psychology, 16, 1498132. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2025.1498132/full
Optimizing academic engagement and mental health through AI: an experimental study on LLM integration in higher education (2025). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2025.1641212/full
Editorial: Psychological Distress Among University Students (2021). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2021.647940/full
Koehler, M. J., & Mishra, P. (2009). What Is Technological Pedagogical Content Knowledge? Contemporary Issues in Technology and Teacher Education (CITE Journal), 9(1). https://citejournal.org/volume-9/issue-1-09/general/what-is-technological-pedagogicalcontent-knowledge/
Sitografia
Freeman, J. (2025, 6 giugno). If memory is the residue of thought, what are we learning from AI? Higher Education Policy Institute (HEPI). https://www.hepi.ac.uk/2025/06/06/if-memory-is-the-residue-of-thought-what-are-we-learning-from-ai/
Student wellbeing in the AI era: stress, confidence and connection – a global snapshot (2025, 11 agosto). Higher Education Policy Institute (HEPI). https://www.hepi.ac.uk/2025/08/11/student-wellbeing-in-the-ai-era-stress-confidence-and-connection-a-global-snapshot/
Studiosity (2025). Student Wellbeing in Higher Education 2025 – USA [report]. https://www.studiosity.com/hubfs/Studiosity/Downloads/Research/2025-USA-Wellbeing/2025-HE-Student-Wellbeing-USA.pdf
Georgieva, K. (2024, 14 gennaio). AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity. IMF Blog, International Monetary Fund. https://www.imf.org/en/Blogs/Articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity
[Opinion / commento sul fenomeno dei "boo" alle cerimonie di laurea sull'AI] (2026, 18 maggio). The New York Times. https://www.nytimes.com/2026/05/18/opinion/ai-boo-commencement-speeches.html
Progetto selezionato nell'ambito dei due avvisi PRO-BEN 1 e PRO-BEN 2 del Ministero dell'Università e della Ricerca (MUR) per la concessione di finanziamenti volti alla promozione del benessere psicofisico e al contrasto del disagio psicologico ed emotivo tra gli studenti.
