Tutor IA: l'antico sogno del precettore, davvero a portata di mano?

Nel 1984, Benjamin Bloom formulava una sfida divenuta celebre: uno studente seguito in tutoraggio individuale con pedagogia della padronanza progrediva di circa due deviazioni standard in più rispetto alla classe ordinaria — il «problema dei due sigma» ^[1]. Il tutoraggio umano funzionava, ma restava economicamente impossibile da generalizzare. Quarant'anni dopo, i grandi modelli linguistici rilanciano questa promessa: un precettore paziente e disponibile per ogni studente. Le prove cominciano ad arrivare e sono più sfumate delle dimostrazioni di marketing.

Studi controllati incoraggianti

Nel 2025, uno studio randomizzato condotto ad Harvard ha confrontato un tutor IA progettato secondo principi pedagogici con un corso in apprendimento attivo: gli studenti con il tutor IA hanno imparato di più, in meno tempo, e si sono detti più coinvolti ^[2]. Un altro studio, in classi di scuola secondaria nel Regno Unito, ha mostrato che studenti guidati da un sistema basato su LearnLM ottenevano risultati almeno pari a quelli seguiti da un tutor umano e risolvevano un po' meglio problemi nuovi ^[3].

L'IA può anche potenziare il tutor umano invece di sostituirlo. Nello studio Tutor CoPilot, un copilota IA che suggeriva indicazioni in tempo reale ai tutor ha aumentato il tasso di padronanza degli studenti di 4 punti in media, e di 9 punti per gli studenti seguiti dai tutor con le valutazioni più basse — per circa 20 dollari per tutor all'anno ^[4].

Ma la prudenza resta d'obbligo

Non tutti gli studi concludono per un effetto positivo. Una valutazione di Khanmigo per l'apprendimento di concetti scientifici non ha rilevato alcuna differenza statisticamente significativa rispetto a una semplice ricerca su Google, anche se gli studenti percepivano lo strumento in modo positivo ^[5]. Soprattutto, la competenza pedagogica dei modelli resta disomogenea: in uno shared task di valutazione, i migliori tutor IA raggiungevano solo punteggi modesti nell'identificare e correggere in modo affidabile gli errori degli studenti ^[6].

• Allucinare una spiegazione errata con sicurezza resta possibile.
• Diagnosticare l'origine reale di un errore è più difficile che dare la risposta giusta.
• Molti studi sono brevi e misurano la prestazione immediata, non la ritenzione duratura.

Il dato che mancava: le tracce di tutoraggi reali

Una pista promettente consiste nello specializzare i modelli a partire da vere sessioni di tutoraggio. Il progetto TeachLM, addestrato su migliaia di ore di tutoraggio individuale autentico, ha raddoppiato il tempo di parola di chi apprende e aumentato il numero di scambi, con uno stile di interrogazione più vicino a quello di un buon insegnante ^[7]. In altre parole, un buon tutor IA non parla di più: fa parlare e ragionare di più lo studente.

L'obiettivo non è un modello che risponde bene, ma un modello che fa apprendere — due competenze distinte.

Sintesi Learnya

Per gli istituti — in particolare in Europa e in Svizzera, attenti alla riservatezza — la posta in gioco va oltre la prestazione: un tutor IA tratta dati di apprendimento sensibili e deve inserirsi in una governance controllata. Il sogno di Bloom diventa tecnicamente credibile, ma si giocherà nei dettagli di progettazione, di prova e di fiducia, non nella sola potenza del modello.

Dal prototipo di ricerca al prodotto sul campo

Un punto merita di essere sottolineato: la maggior parte dei risultati incoraggianti proviene da sistemi accuratamente progettati da gruppi di ricerca, testati in condizioni controllate. Il passaggio a un prodotto diffuso in centinaia di classi, con insegnanti non specialisti, connessioni instabili e programmi eterogenei, resta un salto considerevole. Un tutor che brilla in laboratorio può deludere in condizioni reali se la sua integrazione nella lezione, la sua robustezza e la sua manutenzione non sono state pensate.

La qualità stessa delle prove richiede cautela. Gli shared task di valutazione mostrano che i modelli faticano ancora a diagnosticare con precisione un errore o a scegliere l'indizio giusto ^[6]. Molti studi si concentrano su una sola materia, per una durata breve, e misurano guadagni immediati. Mancano ancora studi longitudinali che verifichino la ritenzione a diversi mesi di distanza, o l'effetto sulla motivazione e sull'autonomia a lungo termine.

Infine, un tutor IA non esiste mai da solo: si inserisce in un'ecologia di classe. I risultati migliori combinano l'IA e l'insegnante, come mostra lo studio in cui il sistema sostiene soprattutto i tutor meno esperti. La domanda giusta, dunque, non è «l'IA fa altrettanto bene di un essere umano?» ma «quale ripartizione dei ruoli massimizza l'apprendimento?». È una scelta di progettazione pedagogica e organizzativa, non soltanto di modello.

Ciò che sapremo meglio entro il 2027

Il campo entra in una fase di maturità in cui le domande cambiano natura. Non ci si chiede più soltanto se un tutor IA possa far progredire uno studente, ma in quali condizioni, per quali profili e a quale reale costo pedagogico. Gli studi futuri dovranno confrontare non l'IA con il nulla, ma diverse concezioni di tutor tra loro, e seguirne gli effetti nell'arco di più mesi.

Tre cantieri domineranno: la robustezza in condizioni reali, lontano dai laboratori; l'articolazione con il lavoro dell'insegnante, che resta l'orchestratore del senso; e il controllo dei dati di apprendimento, condizione della fiducia delle famiglie. Il tutor ideale non sarà il più loquace, ma quello che sa quando tacere per lasciar cercare lo studente — e che rende conto di ciò che fa dei suoi dati.