IA e istruzione: leva di accessibilità o nuovo divario?

L'accessibilità è senza dubbio l'ambito in cui l'IA mantiene le sue promesse più concrete. Descrivere un'immagine per uno studente ipovedente, sottotitolare una lezione, trascrivere il parlato, tradurre in tempo reale, riformulare una consegna complessa: sono tutte attività un tempo onerose che l'IA rende praticabili su larga scala. Ma la stessa tecnologia può anche allargare i divari se non si presta attenzione.

Guadagni di accessibilità tangibili

Per gli studenti con disabilità, l'IA (descrizione delle immagini, riconoscimento vocale, sottotitolazione, traduzione) è una forte leva di inclusione ^[1]. Uno studio di caso condotto con studenti con disabilità visiva descrive l'IA generativa come uno strumento di supporto che accresce realmente l'accesso e la partecipazione ^[2]. Nelle classi multilingue, la traduzione in tempo reale abbassa le barriere linguistiche e personalizza l'accompagnamento ^[3].

Questo approccio si ricongiunge ai principi della progettazione universale per l'apprendimento (UDL): offrire più mezzi di rappresentazione, di azione e di coinvolgimento. Allineare le capacità generative dell'IA all'UDL consente percorsi più flessibili e inclusivi ^[4]. L'IA può anche estendere un'istruzione di qualità alle comunità che parlano lingue con poche risorse, a lungo ignorate dalla tecnologia ^[5].

Il rovescio della medaglia: bias e divario

Il divario è anche materiale. Il rapporto 2025 dell'AI Index ricorda che l'accesso all'informatica e all'IA a scuola progredisce ma resta molto diseguale — l'infrastruttura, fino all'elettricità, manca in numerosi paesi, e meno della metà degli insegnanti interessati si sente attrezzata per insegnare l'IA ^[7]. La promessa di equità si scontra con la realtà dei mezzi.

• Benefici: accessibilità sensoriale, lingue, personalizzazione, destigmatizzazione.
• Rischi: bias dei dati, dipendenza dall'infrastruttura, eccessiva fiducia in output errati.
• Condizioni: audit dei bias, co-progettazione con le persone interessate, verifica umana.

L'IA è inclusiva solo se l'inclusione è un obiettivo di progettazione, non un effetto collaterale sperato.

Sintesi Learnya

Per i sistemi educativi europei e svizzeri, la sfida è coniugare accessibilità e protezione dei dati dei pubblici vulnerabili — spesso minori portatori di informazioni sensibili. L'equità attraverso l'IA si costruisce: audit, co-progettazione, trasparenza e una base infrastrutturale che non lasci indietro nessuno.

L'equità si progetta, non si constata

È allettante credere che uno strumento utile gioverà naturalmente a tutti. La storia delle tecnologie educative dice il contrario: senza un'intenzione esplicita, l'innovazione avvantaggia anzitutto i meglio dotati, allargando il divario invece di colmarlo. Le indagini mostrano già questo rischio con l'IA, la cui adozione e formazione sono più deboli negli ambienti svantaggiati ^[7]. L'equità non è un risultato automatico; è un obiettivo di progettazione e di politica pubblica.

La co-progettazione con le persone interessate è una chiave. Un dispositivo di accessibilità pensato senza gli studenti con disabilità spesso manca i loro bisogni reali, o addirittura li danneggia. Gli studi che danno voce a questi pubblici mostrano che l'IA generativa diventa un vero sostegno quando risponde a utilizzi individuati insieme a loro ^[2]. Ascoltare prima di implementare non è un valore aggiunto opzionale: è una condizione di efficacia.

Resta la vigilanza sui bias. Un modello addestrato su dati non rappresentativi può rendere meno bene per lingue con poche risorse, accenti minoritari o forme di espressione atipiche ^[5][6]. Sottoporre ad audit, testare su popolazioni diverse e correggere di continuo deve far parte del ciclo di vita. L'IA può abbassare barriere storiche di accesso al sapere — a condizione di trattare l'equità come un'esigenza prioritaria, non come un effetto collaterale sperato.

Un potenziale reale, a condizioni

Di tutti gli utilizzi dell'IA nell'istruzione, l'accessibilità è forse quello in cui il beneficio netto è più chiaro: dare a uno studente con difficoltà l'accesso a un contenuto finora fuori portata cambia concretamente una traiettoria. Questo potenziale è reale e già documentato. Ma si realizzerà su larga scala solo se l'equità sarà trattata come un obiettivo esplicito, misurato e finanziato.

I prossimi anni diranno se l'IA riduce il divario educativo o lo aggrava. La risposta dipenderà meno dai modelli che dalle scelte collettive: investire nell'infrastruttura dove manca, co-progettare con i pubblici interessati, sottoporre ad audit i bias e garantire che i dati dei più vulnerabili siano protetti. L'inclusione non è un sottoprodotto della tecnologia; è una decisione che si prende, o che si manca.