Fino a questo momento abbiamo scritto codice e gestito eventi, ma non abbiamo ancora creato alcun elemento grafico. In questa lezione scopriremo il Canvas HTML5 e realizzeremo il primo prototipo della navicella di Vector Frontier.

Introduzione

Se osserviamo un videogioco, la prima cosa che notiamo è la grafica.

• Navicelle.

• Personaggi.

• Pianeti.

• Nemici.

• Esplosioni.

Tutto ciò che appare sullo schermo deve essere disegnato in qualche modo.

Nei videogiochi moderni esistono tecnologie molto sofisticate per gestire la grafica, noi inizieremo con uno strumento molto più semplice ma estremamente potente:

il Canvas HTML5.

Il Canvas può essere immaginato come un foglio bianco digitale sul quale JavaScript può disegnare; nelle prossime lezioni questo foglio diventerà il nostro universo di gioco.

Cosa costruiremo oggi

In questa lezione impareremo:

• cos’è il Canvas;

• come inserirlo nella pagina;

• come disegnare forme geometriche;

• come utilizzare coordinate;

• come creare il primo prototipo della navicella.

Alla fine della lezione Vector Frontier avrà finalmente un elemento grafico visibile.

Read more

Un sistema di IA individua un materiale che potrebbe avere proprietà superconduttive, però bisogna ancora produrlo e metterlo alla prova in laboratorio, nelle condizioni in cui dovrebbe mostrare quelle proprietà, è questo il passaggio che mi ha fatto fermare sulla notizia, apparentemente forse poco rilevante, pubblicata dall’Artificial Intelligence Materials Institute della Cornell University di cui vi accennavo questa mattina con una nota.

Il sistema di IA aveva indicato come possibile superconduttore un composto formato da platino, piombo e bismuto, identificato dalla formula PtPb₃Bi, detto in modo molto semplice, un superconduttore è un materiale che, quando viene portato a temperature molto basse, può condurre corrente elettrica senza la normale resistenza che incontriamo nei materiali comuni; la previsione era soltanto una parte del lavoro.

Iscriviti ora

I ricercatori hanno preso quel risultato come punto di partenza per cercare altri materiali appartenenti alla stessa famiglia strutturale, li hanno prodotti in laboratorio e sottoposti a diverse misure, in tre nuovi composti hanno osservato e confermato sperimentalmente la superconduttività ed è questa sequenza a interessarmi più del risultato in sé.

Potrebbe diventare sempre più facile leggere che “l’IA ha scoperto” un materiale, una molecola o una possibile soluzione; un modello IA può effettivamente analizzare grandi quantità di dati, individuare relazioni e suggerire candidati promettenti, però poi la previsione deve essere messa alla prova.

Qualcuno (parlo di esseri umani) deve decidere che cosa vale la pena verificare, costruire l’esperimento, preparare i materiali, effettuare le misure, confrontare i risultati e stabilire che cosa quei dati permettono realmente di affermare.

L’IA entra quindi nel processo scientifico, proprio per questo credo diventi necessario riformulare il modo in cui lo rappresentiamo. Oltre a chiederci che cosa abbia previsto il modello, dobbiamo rendere visibile il percorso di lavoro e di decisione che permette di stabilire se quella previsione regge quando incontra la realtà.

Ora probabilmente alcuni penseranno che me le vado a cercare, con questi pensieri da prof. Però, vivendo quotidianamente il laboratorio, la sequenza di ricerca che ha portato dalla previsione dell’IA alla verifica sperimentale mi fa pensare alle attività che svolgo con i miei studenti.

Utilizzo spesso un approccio per scoperta guidata: cerco di costruire situazioni nelle quali gli studenti possano arrivare progressivamente a una conclusione attraverso osservazioni, ipotesi, prove e confronti.

In tutto ciò l’intelligenza artificiale introduce però un elemento nuovo, oggi uno studente può chiedere a un modello di formulare un’ipotesi, prevedere ciò che dovrebbe accadere, suggerire una procedura oppure proporre un’interpretazione di un risultato; alcune operazioni che facevano parte del percorso di esplorazione possono quindi essere anticipate, almeno in parte, da una risposta ottenuta in pochi secondi e questo mi porta a chiedermi se dobbiamo rivedere il metodo della scoperta guidata.

Se l’IA suggerisce l’ipotesi, il compito dello studente non può ridursi a controllare se il modello aveva ragione, diventa importante comprendere quali condizioni permettono di verificare quella previsione, quali prove servono, che cosa osservare durante l’esperimento e come comportarsi quando ciò che accade non coincide con quanto previsto, proprio quest’ultima situazione può diventare particolarmente interessante.

Iscriviti ora

Se una previsione convincente non trova conferma nell’esperimento, il lavoro continua con altre domande: il circuito è stato montato correttamente? La misura è affidabile? L’ipotesi iniziale era incompleta? C’è una variabile che non abbiamo considerato?

L’IA potrebbe quindi modificare il punto di partenza della scoperta guidata senza eliminarne ciò che per me resta essenziale: confrontare un’ipotesi con ciò che accade realmente e decidere che cosa possiamo concludere dall’osservazione.

Cambia anche la progettazione dell’attività.

Possiamo usare l’IA prima dell’esperimento, per formulare ipotesi da confrontare; durante il lavoro, quando compare un risultato inatteso; oppure dopo mettendo a confronto l’interpretazione costruita dagli studenti con quella proposta dal modello.

Sono situazioni diverse e richiedono decisioni diverse.

Per questo penso che introdurre l’intelligenza artificiale in laboratorio non significhi semplicemente aggiungere un nuovo strumento, occorre rendere più esplicito il processo di lavoro e quello decisionale:

• quando chiediamo aiuto all’IA,

• quando verifichiamo ciò che propone,

• quando sospendiamo il suo intervento e lasciamo che siano i risultati dell’esperimento a rimettere in discussione l’ipotesi iniziale.

Il caso dei superconduttori, mi interessa anche per questo, l’IA può restringere enormemente lo spazio delle possibilità e indicare dove guardare, la conoscenza nasce però da una catena nella quale previsioni, esperimenti, misure, interpretazioni e decisioni continuano a confrontarsi ed è probabilmente questa catena che dovremmo rendere visibile anche agli studenti.

Se insegniamo ai ragazzi che l’IA “scopre” senza mostrare ciò che accade dopo la previsione, quale idea di scienza stiamo costruendo?

Fonte: Artificial Intelligence Materials Institute, Cornell University — AI-MI–Supported Study Confirms Superconductivity Across a Family Built Around an AI-Predicted Compound, 24 agosto 2026. Studio: Superconductors in the PtPb₃Bi Structure Type, Chemistry of Materials, 19 agosto 2026.

• Guida docente alla lezione
  Per introdurre in modo chiaro il concetto di GPIO come uscita digitale e preparare la prima vera attività in cui il programma agisce sul mondo fisico attraverso un LED.

• Scheda operativa di laboratorio
  Per accompagnare gli studenti nel collegamento del LED, nella comprensione dei pin digitali e nella realizzazione dei primi comandi di accensione, spegnimento e lampeggio.

Guida docente alla lezione

Introduzione

Dopo la lezione introduttiva su Thonny, è il momento di fare il primo vero passo nel mondo della programmazione hardware: controllare un’uscita digitale.

Questa è una lezione apparentemente semplice, ma in realtà è una delle più importanti di tutto il corso, qui gli studenti capiscono per la prima volta in modo concreto, che un programma non serve solo a scrivere testo sullo schermo: può agire sul mondo fisico, accendendo e spegnendo un componente elettronico, è da qui che inizia davvero il percorso IoT. La documentazione MicroPython per ESP32 presenta proprio i GPIO come il punto d’ingresso per controllare componenti esterni tramite la classe machine.Pin.

In questa lezione useremo un LED esterno collegato a un pin dell’ESP32. Ho scelto volutamente di non partire dal LED integrato della scheda, perché sulle ESP32 i pin disponibili e la loro esposizione possono cambiare da una board all’altra, e MicroPython raccomanda di fare sempre riferimento ai numeri reali dei GPIO e alla documentazione della propria scheda, inoltre Espressif segnala che alcuni pin dell’ESP32 sono “strapping pins” (*) o sono spesso legati alla memoria flash/PSRAM, quindi per un primo esercizio conviene usare un GPIO più lineare. Per questa lezione useremo GPIO18.

(*) ne abbiamo già parlato, però preferisco ricordarlo

Gli strapping pins sono alcuni pin dell’ESP32 che, oltre a funzionare come normali GPIO, hanno una funzione speciale durante l’avvio o il reset della scheda.

Quando l’ESP32 si accende, legge lo stato logico di questi pin (HIGH o LOW) per decidere alcune impostazioni iniziali, per esempio come deve avviarsi.

Puoi immaginarli come piccoli “interruttori di configurazione” controllati nei primissimi istanti:

Accensione / Reset
       v
ESP32 legge gli strapping pins
       v
determina la configurazione di avvio
       v
parte il programma

Un esempio molto importante è il pin GPIO0 su molti ESP32, se durante il reset viene mantenuto in uno stato particolare, il microcontrollore può entrare nella modalità di programmazione invece di eseguire normalmente il firmware.

Per questo motivo bisogna fare attenzione quando si collegano LED, pulsanti, sensori o altri circuiti a uno strapping pin: il circuito esterno potrebbe portare il pin a HIGH o LOW durante l’accensione e modificare involontariamente il comportamento di avvio dell’ESP32, dopo l’avvio, nella maggior parte dei casi questi pin possono comunque essere utilizzati come normali GPIO.

Agli studenti che iniziano direi:

Gli strapping pins sono GPIO speciali il cui stato viene letto dall’ESP32 durante l’accensione per decidere alcune modalità di funzionamento iniziali, per questo vanno usati con attenzione nei collegamenti esterni.

Approfondiremo l’argomento più avanti.

Obiettivo della lezione

Alla fine di questa attività lo studente dovrà essere in grado di:

• capire che cos’è un GPIO;

• distinguere un pin configurato come uscita da un pin configurato come ingresso;

• collegare correttamente un LED esterno a una ESP32;

• scrivere un programma in MicroPython per accendere, spegnere e far lampeggiare il LED;

• comprendere il significato di istruzioni come Pin.OUT, on(), off() e sleep_ms().

Materiale necessario

• 1 scheda ESP32;

• 1 breadboard;

• 1 LED;

• 1 resistenza da 220 Ohm;

• 3 jumper maschio-maschio;

• cavo USB dati;

• computer con Thonny e MicroPython già configurati.

Read more

Ormai il laboratorio in cui svolgo gran parte dei miei lavori sta diventando sempre di più un “consultorio” lavorativo :-) . Forse non sapete che oltre alla mia funzione da docente, mi occupo della gestione del Laboratorio Territoriale per l’Occupabilità (abbreviato LTO) di Moncalieri (To), per farla breve molto simile ad un grande FabLab, in cui sono presenti tecnologie al servizio della mia scuola e di enti esterni. L’LTO viene sempre più spesso utilizzato per prototipare ausili didattici e didattica, spero innovativa ed io supporto nel mio piccolo i colleghi. Nelle fasi di progettazione e costruzione la relazione non è concentrata solo sulla produzione dell’ausilio ma anche nello scambio di idee in altri ambiti.

Ricordo la domanda di qualche mese fa di un collega neoassunto a cui davo supporto per la produzione di un’attività per le classi prime dell’ITIS, che faceva uso di schede BBC micro:bit, l’attività sarebbe dovuta servire anche come presentazione finale del suo percorso formativo; il collega ad un certo punto mi chiese:

“Michele scusami ma tu come fai a documentarti velocemente quando arriva un progetto ministeriale, una circolare o un documento molto lungo e hai poco tempo per capire che cosa vale davvero la pena approfondire?”

… bella domanda, semplice ma fondamentale :-)

è una situazione che conosco bene, tra lezioni, progettazione, attività organizzative, riunioni e tutto ciò che accompagna normalmente il lavoro a scuola, non sempre è possibile prendere un documento di cinquanta o cento pagine e iniziare immediatamente a leggerlo dalla prima all’ultima, questo non significa che quei documenti non debbano essere letti, il problema, almeno per me, è capire da dove cominciare.

Iscriviti ora

In certi momenti forse, un po’ per l’età anagrafica e un po’ perché quel collega ha la stessa età di mio figlio, mi sono sentito in dovere di fermarmi e schematizzare come agisco, soprattutto quando devo avvicinarmi a un argomento che conosco poco o soltanto superficialmente.

Avevo pochi minuti a disposizione, circa una trentina ed ho imbastito questa attività.

Per rendere l’esempio più credibile ho scelto volutamente qualcosa abbastanza distante dal mio lavoro quotidiano: il testo delle nuove Indicazioni nazionali per i Licei, pubblicato dal Ministero dell’Istruzione e del Merito il 22 aprile 2026 e sottoposto alla consultazione delle scuole; l’obiettivo non era farmelo riassumere dall’IA, era capire da dove iniziare a leggerlo.

C’è un passaggio che in questo flusso di comprensione cerco di non saltare, prima recupero il documento dalla fonte ufficiale e verifico almeno tre cose: chi lo ha pubblicato, quando è stato pubblicato e quale sia il suo status.

Sostanzialmente, prima ancora dell’IA cerco di capire che documento ho davanti, quindi mi chiedo: di cosa si tratta di una bozza, un documento sottoposto a consultazione, una circolare, un decreto già emanato e una scheda di accompagnamento, ovviamente non sono la stessa cosa.

Può sembrare un dettaglio, ma chiedere all’IA di spiegarci molto bene il documento sbagliato non migliora la situazione. :-)

Quindi nell’esempio che ho fatto al collega sono partito dalla pagina del Ministero, non da un articolo che racconta le nuove Indicazioni, quindi andiamo alla fonte, solo dopo scaricherei il documento e lo fornirei al sistema di IA che utilizzo.

Non voglio un riassunto, voglio una mappa

La tentazione più immediata sarebbe scrivere: “riassumi questo documento.”

Probabilmente otterremmo una sintesi ordinata, leggibile e magari anche convincente, ma non è però quello che cerco.

Se il documento riguarda il mio lavoro, vorrei che la prima analisi mi aiutasse a capire la sua struttura, i punti sui quali fermarmi e le parti che dovrò leggere personalmente.

Userei quindi un prompt di questo tipo (non ricordo se è stato proprio questo, ma ho cercato di ricordare):

Sono un docente e devo comprendere questo documento per il mio lavoro.

Non voglio che la tua sintesi sostituisca la mia lettura. Voglio che mi aiuti a costruire una mappa del documento e a decidere che cosa leggere, in quale ordine e con quale attenzione.

1. spiegami in massimo dieci righe qual è lo scopo del documento, a chi è rivolto e quale funzione svolge;

2. ricostruisci la struttura principale del testo;

3. individua i cinque punti che possono avere le conseguenze più significative per il lavoro di un docente;

4. distingui, quando il testo permette di farlo chiaramente, ciò che prescrive, ciò che raccomanda e ciò che presenta come orientamento;

5. per ogni punto indicami la sezione, il titolo del paragrafo e, solo se puoi determinarla con certezza, la pagina alla quale devo tornare nel documento originale;

6. evidenzia eventuali scadenze, responsabilità, adempimenti o conseguenze sulla progettazione didattica;

7. se sostieni che qualcosa cambia rispetto alla situazione precedente, fallo soltanto se il documento lo afferma esplicitamente oppure se ti ho fornito anche il testo precedente con cui effettuare il confronto. Negli altri casi scrivi: “da verificare”;

8. indicami quali parti dovrei leggere integralmente e quali posso consultare successivamente;

9. segnalami i passaggi che rimandano ad altre norme o documenti necessari per comprendere correttamente il testo;

10. evidenzia separatamente ciò che ricavi direttamente dal documento e ciò che costituisce una tua interpretazione.

Alla fine proponimi un percorso di lettura articolato in tre livelli: da leggere subito, da approfondire, da consultare se necessario.

Non inventare informazioni mancanti. Se un riferimento non è disponibile o non sei sicuro della sua collocazione nel documento, dichiaralo esplicitamente.

La parte che considero più importante non è la sintesi iniziale.

È la richiesta:

“Indicami dove devo tornare nel documento originale”

a quel punto possiedo una mappa, non possiedo ancora la conoscenza del documento e la differenza non è piccola.

Iscriviti ora

Il secondo passaggio è ancora mio

Una volta ottenuta la mappa, apro il documento, leggo personalmente le sezioni che sono state indicate come rilevanti e controllo se l’interpretazione proposta dall’IA trova effettivamente riscontro nel testo, se il sistema mi dice che un determinato passaggio introduce un obbligo, voglio trovare quel passaggio, se mi segnala una conseguenza sulla progettazione didattica, voglio capire se quella conseguenza è realmente espressa nel documento oppure se deriva da un’interpretazione, se non riesco a trovare ciò che mi è stato indicato, non parto dal presupposto che sia sfuggito a me, potrebbe aver sbagliato l’IA; questo passaggio mi sembra particolarmente importante con documenti normativi o istituzionali, una risposta formulata bene non diventa vera perché è formulata bene.

Poi cambio il ruolo dell’IA

Dopo aver letto personalmente le sezioni più importanti, torno all’IA, questa volta, però non gli chiedo più di spiegarmi il documento, ma chiedo di verificare la mia comprensione.

Per esempio (vado a memoria):

Ho letto personalmente le sezioni che mi hai indicato, ora fammi cinque domande che mi aiutino a verificare se ho compreso il documento e le sue possibili conseguenze per il lavoro di un docente.

Fammi una domanda alla volta, dopo ogni mia risposta, non limitarti a dirmi se è corretta: chiedimi quale punto del documento sostiene la mia interpretazione, se la mia risposta contiene qualcosa che non trova riscontro nel testo, indicamelo e mostrami dove devo tornare a leggere.

Non aggiungere informazioni provenienti da altre fonti senza dichiararlo esplicitamente.

A questo punto l’IA svolge una funzione diversa, prima mi ha aiutato a orientarmi, mentre ora mi aiuta a mettere alla prova ciò che credo di aver capito, in mezzo c’è stata la lettura.

Perché ho scelto proprio un documento sui Licei

Avrei potuto utilizzare come esempio un documento riguardante gli istituti tecnici, l’elettronica, i laboratori o qualche ambito molto vicino al mio lavoro, ma ho preferito non farlo.

Quando conosco già bene un argomento, porto nella lettura una quantità di conoscenze precedenti che mi aiutano a riconoscere immediatamente ciò che è importante, volevo invece simulare una situazione diversa: trovarmi davanti a qualcosa che conosco solo superficialmente e dover costruire rapidamente una prima struttura mentale prima di approfondire ed è proprio in queste situazioni che trovo più utile l’IA, non perché sappia necessariamente che cosa sia importante per me, perché può aiutarmi a ridurre il disordine iniziale abbastanza da permettermi di cominciare a fare domande migliori.

C’è anche un errore che cerco di evitare

Non chiederei al sistema:

“Dimmi che cosa devo fare dopo aver letto questo documento”

almeno non come prima domanda, prima voglio capire che cosa dice il testo, poi posso discutere le conseguenze; mescolare immediatamente documento, interpretazione e suggerimento operativo rende molto più difficile capire da dove provenga una determinata conclusione.

In generale cerco sempre di mantenere separati tre livelli:

ciò che dice la fonte; ciò che interpreto io; ciò che potrei decidere di fare, l’IA può aiutarmi in tutti e tre, ma non dovrebbe confonderli.

Un metodo, non un prompt

Come potete evincere anche voi alla fine, ciò che ho mostrato al collega non era realmente un prompt era una sequenza:

verifico la fonte > costruisco una mappa > scelgo dove leggere > leggo > controllo > verifico ciò che ho compreso

il prompt è soltanto uno degli strumenti utilizzati lungo il percorso ed è forse questo il punto che considero più importante.

Di fronte a un documento di cento pagine, l’efficienza non consiste necessariamente nel trasformarlo in dieci righe, quelle dieci righe possono essere utili, ma possono anche darci molto rapidamente la sensazione di conoscere qualcosa che non abbiamo ancora letto.

Preferisco utilizzare l’intelligenza artificiale per sapere dove concentrare la mia attenzione,

una buona sintesi cerca di ridurre un documento,
una buona mappa dovrebbe invece farmi venire voglia di riaprirlo nei punti giusti.

Per il lavoro del docente, almeno per come cerco di utilizzare questi strumenti, la differenza è tutta qui:

non chiedere all’IA di leggere al posto nostro, ma usarla per arrivare meglio preparati nei punti in cui la lettura deve restare nostra.

Domanda del collega: “ma Michele questo metodo posso usarlo con gli studenti?”

Io: “certo che sì! Se vuoi vediamoci il prossimo anno scolastico insieme per farlo insieme” :-)

Pensiero finale:
ecco cosa inserire come attività nei prossimi laboratori per allievi e docenti.

Cosa ne pensate di tutto ciò?

Grazie.

Risorsa utilizzata nell’esempio

Ministero dell’Istruzione e del Merito, Nuove Indicazioni Nazionali per i Licei, testo pubblicato il 22 aprile 2026 e successivamente sottoposto alla consultazione delle scuole.

Qualche volta una ricerca appena pubblicata mi riporta a esperimenti didattici fatti molti anni prima, è quello che mi è successo leggendo “Working memory predicts the collaborative performance of young children during pair programming”, uno studio pubblicato il 10 agosto 2026 sull’European Journal of Psychology of Education.

I ricercatori hanno osservato 115 bambini tra i 6 e i 10 anni impegnati in attività di pair programming. Le lezioni sono state videoregistrate e analizzate osservando attenzione al compito, attenzione condivisa, stati emotivi e interazioni all’interno della coppia. Uno degli elementi emersi è che la memoria di lavoro dei due bambini interagisce con alcune dinamiche collaborative, in particolare con l’attenzione rivolta al compito e con la joint attention, cioè la capacità di orientare insieme l’attenzione verso lo stesso problema.

Il risultato mi interessa, ma non tanto per ricavarne una nuova regola su come formare le coppie, anzi, sarei prudente proprio su questo punto. Lo studio riguarda bambini tra i 6 e i 10 anni e uno specifico contesto sperimentale. I risultati ci suggeriscono che le caratteristiche dei singoli studenti possono influire sul lavoro della coppia, ma questo non significa che possano essere trasformate automaticamente in una regola per formare i gruppi. Una classe è un sistema molto più complesso, fatto di competenze, relazioni, motivazioni e situazioni che cambiano nel tempo.

La domanda che mi sembra più utile per noi insegnanti è un’altra:

che cosa accade realmente quando mettiamo due studenti davanti allo stesso computer?

Perché due studenti e un computer non producono automaticamente collaborazione.

Iscriviti ora

Una sperimentazione di qualche anno fa

Nel 2021 avevo provato a lavorare su questo problema con una mia quarta Elettronica.

Avevo chiamato l’esperimento Pair Cooperative Learning, partivo dal pair programming e dai due ruoli classici:

• driver, che utilizza tastiera e mouse e scrive il codice;

• navigator, che osserva, controlla, individua errori e propone possibili strategie.

Avevo poi aggiunto la Tecnica del Pomodoro per rendere espliciti anche i tempi di lavoro: 25 minuti di attività, cambio dei ruoli e pausa. Durante la sperimentazione avevo osservato maggiore concentrazione, riduzione delle distrazioni e, soprattutto, la necessità per gli studenti di cooperare anche con compagni che normalmente non avrebbero scelto.

A distanza di alcuni anni, la ricerca appena pubblicata mi suggerisce di tornare su quell’esperienza aggiungendo un terzo elemento che allora non avevo:

l’intelligenza artificiale

non però come terzo componente della coppia che risolve il problema, piuttosto come strumento al quale è deliberatamente impedito di fornire la soluzione.

Due studenti, un computer, un’IA che non può dare la soluzione.

Immagino un’attività di circa 60 minuti, utilizzabile nel biennio delle superiori, ma adattabile anche alla secondaria di primo grado.

Il docente prepara un piccolo programma in Scratch o Python contenente due errori: uno sintattico o strutturale e uno logico.

• Gli studenti lavorano in coppia;

• il Driver utilizza il computer;

• il Navigator legge il codice, formula domande, verifica la strategia e prova a individuare il punto nel quale il comportamento del programma non corrisponde più a ciò che ci si aspettava.

Questa volta farei turni più brevi, circa sette minuti, proprio per costringere entrambi a passare più volte dall’azione all’osservazione.

L’IA può essere interrogata, ma soltanto dopo tre passaggi:

1. descrivere che cosa dovrebbe fare il programma;

2. individuare il punto nel quale il comportamento cambia rispetto alle aspettative;

3. formulare almeno un’ipotesi sull’errore.

Solo a quel punto entra in gioco l’intelligenza artificiale e con una consegna precisa:

Stiamo cercando un errore in un programma, non fornire il codice corretto e non riscrivere la soluzione. Fammi una sola domanda alla volta che ci aiuti a verificare la nostra ipotesi. Se individui il possibile errore, suggerisci un test da eseguire senza rivelare direttamente la correzione.

Qui, secondo me, cambia qualcosa di importante, l’IA non sostituisce il ragionamento della coppia, obbliga la coppia a esplicitarlo.

Per poter formulare una buona domanda, Driver e Navigator devono prima capire che cosa stanno osservando, confrontarsi e costruire almeno un’ipotesi.

Iscriviti ora

Rendere volutamente l’IA meno efficiente

È forse la parte dell’attività che mi interessa di più.

Normalmente utilizziamo un sistema di IA perché vogliamo arrivare più rapidamente a una risposta, in questo caso farei esattamente il contrario:

• imporrei allo strumento dei limiti;

• non può riscrivere il programma;

• non può fornire immediatamente la correzione;

• non può anticipare il risultato;

• può fare una domanda alla volta e suggerire un test.

Dal punto di vista dell’efficienza è certamente un utilizzo peggiore dell’IA, ma dal punto di vista didattico potrebbe essere molto più interessante.

Il problema, infatti, non è correggere il codice nel minor tempo possibile, il problema è capire perché il programma non si comporta come avevamo previsto.

Se l’IA fornisce immediatamente la soluzione, il debugging termina, se invece ci costringe a formulare un’ipotesi e a verificarla, il debugging diventa parte dell’apprendimento.

Che cosa osserverei durante l’attività

Non valuterei soltanto se la coppia riesce a correggere entrambi gli errori, osserverei soprattutto il processo.

• Il Navigator riesce a spiegare ciò che sta osservando oppure detta semplicemente istruzioni al Driver?

• Il Driver esegue passivamente oppure discute le ipotesi?

• Quando i ruoli cambiano, entrambi riescono a ricostruire ciò che è stato fatto?

• La coppia formula una domanda all’IA perché ha individuato un problema oppure la utilizza appena incontra una difficoltà?

• E soprattutto: dopo aver ricevuto un suggerimento, gli studenti eseguono un test per verificare l’ipotesi oppure accettano semplicemente ciò che il sistema propone?

Sono aspetti che mi sembrano più interessanti del solo programma funzionante, perché un programma può funzionare anche dopo una correzione copiata, comprendere perché funziona è un’altra cosa.

L’IA come terzo elemento della relazione

Nel pair programming tradizionale il rapporto è tra due persone e un problema, con l’intelligenza artificiale compare un terzo elemento.

Possiamo permettere che questo elemento prenda il controllo del processo e trasformi rapidamente la coppia in due persone che aspettano una soluzione, oppure possiamo progettare il suo ruolo ed è questa seconda possibilità che mi interessa.

Non dovrei chiedermi se l’IA sia utile o dannosa in questa attività, ma dovrei piuttosto chiedermi in quali condizioni può aiutare due studenti a ragionare meglio e in quali condizioni, invece tende a sostituire il loro ragionamento; la tecnologia da sola non determina il risultato.

Molto dipende dalla consegna, dai vincoli, dai tempi, dai ruoli e dalle domande che decidiamo di costruirle intorno, in questo caso sceglierei deliberatamente un’IA che sa fare meno, non perché sia meno potente, perché voglio lasciare agli studenti la parte più importante del lavoro.

Alla fine dell’ora non chiederei soltanto se il programma funziona, chiederei:

abbiamo imparato di più quando abbiamo corretto il programma oppure quando abbiamo capito perché era sbagliato?

Risorse

Ricerca

Working memory predicts the collaborative performance of young children during pair programming European Journal of Psychology of Education, Springer Nature, 10 agosto 2026.

https://link.springer.com/article/10.1007/s10212-026-01171-5

L’articolo completo è a pagamento; abstract e informazioni metodologiche sono consultabili liberamente.

Sperimentazione precedente

Pair Cooperative Learning, quarta Elettronica, 2021.

https://www.maffucci.it/2021/12/15/sperimentazioni-didattiche-pair-cooperative-learning/

Un videogioco non può limitarsi a eseguire istruzioni in modo automatico, deve ascoltare il giocatore e reagire ai suoi comandi. In questa lezione scopriremo come utilizzare gli eventi per creare le prime interazioni.

Introduzione

Nelle lezioni precedenti abbiamo imparato:

• a creare una pagina HTML;

• a utilizzare JavaScript;

• a organizzare il codice mediante funzioni.

Tuttavia il nostro programma ha ancora un limite importante, fa solamente ciò che gli diciamo di fare all’avvio, un videogioco funziona in modo diverso, deve essere in grado di rispondere continuamente a domande come:

È stato premuto un tasto?

Il mouse è stato spostato?

È stato fatto clic su un pulsante?

Il giocatore sta interagendo?

Cosa costruiremo oggi

In questa lezione impareremo:

• cosa sono gli eventi;

• come intercettare un clic del mouse;

• come reagire alla pressione di un tasto;

• come collegare eventi e funzioni;

• come preparare i controlli che utilizzeremo nel videogioco.

Alla fine della lezione il nostro programma inizierà ad ascoltare il giocatore.

Read more

Il 2 agosto 2026 ha segnato un passaggio importante nel percorso di applicazione dell’AI Act europeo, da quella data sono diventati applicabili specifici obblighi di trasparenza previsti dall’articolo 50 del Regolamento europeo sull’intelligenza artificiale. Il 3 agosto sono diventate operative anche le regole di supervisione e applicazione relative all’articolo 4 sull’AI literacy, per una scuola potrebbe sembrare soprattutto una questione normativa, in realtà le conseguenze sono molto concrete.

Pensiamo a situazioni ormai abbastanza comuni: un docente prepara un’immagine con un generatore di IA, uno studente utilizza un chatbot durante un’attività, la scuola realizza un video con un avatar sintetico, un assistente virtuale risponde alle domande degli utenti sul sito dell’istituto, un testo destinato alla pubblicazione viene preparato con l’aiuto di un modello linguistico, sono tutti utilizzi dell’intelligenza artificiale, ma non sono lo stesso utilizzo, non producono gli stessi rischi e, soprattutto non comportano automaticamente gli stessi obblighi, sicuramente questo è probabilmente questo il primo punto da chiarire.

Non basta scrivere “realizzato con l’IA”

Una delle semplificazioni che sto osservando in queste settimane consiste nel riassumere ciò che è cambiato dal 2 agosto con una formula molto semplice:

“Dal 2 agosto tutto quello che viene fatto con l’intelligenza artificiale deve essere etichettato.”

Non è così.

L’articolo 50, oggi applicabile, riguarda situazioni specifiche; la Commissione europea distingue gli obblighi dei provider, cioè dei soggetti che forniscono determinati sistemi di IA, da quelli dei deployer, i soggetti che utilizzano un sistema sotto la propria autorità, salvo gli usi personali non professionali.

Tra i casi considerati troviamo l’interazione diretta con sistemi di IA, la produzione di alcuni contenuti sintetici, i deepfake, i sistemi di riconoscimento delle emozioni e di categorizzazione biometrica e determinati testi generati dall’IA su questioni di interesse pubblico quando mancano revisione umana o controllo editoriale.

Le linee guida della Commissione contengono anche eccezioni ed esempi di ciò che rientra o non rientra nell’ambito di applicazione, compresi alcuni normali interventi di editing.

La prima conseguenza pratica per una scuola dovrebbe essere questa:

non creare un’unica regola per qualsiasi utilizzo dell’IA.

Conviene invece classificare gli utilizzi.

Di seguito una mia analisi condotta dopo una chiacchierata online con colleghi a cui illustravo il lavoro svolto negli scorsi mesi riguardo la stesura del piano di sviluppo documentale e organizzativo per l’uso dell’IA a scuola condotta per diverse istituzioni scolastiche.

Read more

Da quando ho iniziato a scrivere di IA e didattica su questo sito diversi lettori mi hanno chiesto da dove cominciare lo studio per comprendere meglio il funzionamento degli LLM e, più in generale, l’intelligenza artificiale generativa.

La domanda sembra semplice, ma conduce subito a una difficoltà concreta, online si trovano corsi, video, tutorial, notebook già pronti e percorsi gratuiti di ottimo livello, il materiale, come credo abbiate voi stessi constatato, non manca; il rischio, semmai, è passare continuamente da una risorsa all’altra, imparare a utilizzare nuovi strumenti e continuare a non avere un quadro sufficientemente chiaro di ciò che accade dentro un modello linguistico.

Per il mio percorso personale decisi un po’ di tempo fa di affiancare alle risorse online una serie di testi, alcuni anche a livello universitario, ricordo di aver fatto una gran fatica a selezionare i libri e nei miei criteri di ricerca preferii testi capaci di offrirmi una struttura stabile, da seguire senza fretta.

Se dovessi sceglierne un libro da consigliare tra i diversi che scelsi quando inizia lo studio, certamente opterei per:

Sebastian Raschka, Build a Large Language Model (From Scratch).

Nota per il lettore.
Questo post non è sponsorizzato scrivo questo articolo, come risposta alle domande che mi sono giunte qualche settimana fa da 3 colleghi insegnanti che come me inizieranno ad affrontare questi temi con le loro classi da settembre prossimo, nulla di più.

Torniamo al libro…

Non è un manuale dedicato ai prompt e non insegna semplicemente a utilizzare un chatbot o un servizio online, il suo obiettivo è più impegnativo: accompagnare il lettore nella costruzione progressiva di un modello linguistico simile, nell’architettura generale, alla famiglia GPT.

L’idea di fondo è concreta: per comprendere davvero come funziona un LLM, bisogna provare a costruirne le parti principali.

Sì lo so sembra forse esagerato, ma è bello provarci!

Iscriviti ora

Usare un modello non significa comprenderlo

Oggi possiamo interrogare un sistema generativo senza conoscere quasi nulla della sua struttura, scriviamo una richiesta, attendiamo qualche secondo e riceviamo una risposta spesso articolata e plausibile.

Dal punto di vista dell’uso quotidiano è un vantaggio enorme, però dal punto di vista dello studio, però, molte domande rimangono nascoste.

Io mentre faccio clic sull’invio del prompt qualche domanda me la sono posta: che cosa accade al testo dopo che lo abbiamo scritto? Come viene suddiviso? In quale forma entra nel modello? Che cosa sono gli embedding? Perché un token può influenzarne un altro? Come funziona il meccanismo di attenzione? Che cosa viene modificato durante l’addestramento? In che modo un modello già addestrato viene adattato a un compito specifico?

Sono molte le domande e per comprendere le risposte avevo necessità di risposte autorevoli, che potessero venire da chi queste cose le costruisce.

Utilizzare un’API o un chatbot permette di osservare il risultato finale. Il libro di Raschka prova invece ad aprire la scatola e a ricostruirne il funzionamento, un componente alla volta.

Il percorso parte dalla preparazione dei dati testuali, attraversa tokenizzazione, embedding e meccanismi di attenzione, arriva all’implementazione di un’architettura GPT e prosegue con preaddestramento, classificazione testuale e instruction fine-tuning. Tutto viene sviluppato in Python e PyTorch.

Per il lettore,
posso immaginare la prima domanda: ma cosa è PyTorch?
E’ una libreria open source molto usata per il deep learning e il machine learning, basata sul linguaggio Python.

Che cosa significa davvero “from scratch”

Il titolo del libro potrebbe generare un equivoco.

Costruire un LLM “da zero” non significa riprodurre sul proprio computer un sistema delle dimensioni dei grandi modelli commerciali, un progetto del genere richiederebbe quantità di dati, potenza di calcolo e risorse economiche molto lontane da quelle disponibili a una singola persona o in un normale laboratorio scolastico.

Nel libro viene costruito un modello più piccolo, pensato per lo studio. La cosa che mi aveva e mi entusiasma tutt’ora e che il lettore non si limita a osservare un sistema già pronto, prepara la pipeline per caricare i dati, implementa i componenti interni dell’architettura, organizza il preaddestramento e trasforma progressivamente il modello di base in uno strumento capace di classificare testi e seguire semplici istruzioni.

Considero tutto ciò affascinante :-)

Il repository ufficiale comprende inoltre il codice necessario per caricare pesi preaddestrati, così da poter sperimentare con modelli già allenati senza dover ripetere ogni volta l’intero processo.

Il modello costruito nel libro è molto più piccolo dei sistemi industriali, ma il percorso riproduce su scala didattica le stesse categorie di lavoro:

• preparazione dei dati;

• progettazione dell’architettura;

• preaddestramento;

• valutazione;

• fine-tuning.

Sottolineo che non si costruisce un concorrente di un grande modello commerciale su un portatile, si studia in dimensioni osservabili, il processo che sta alla base dei modelli linguistici di grandi dimensioni. Lo stesso repository chiarisce che il modello è piccolo ma funzionante e che il metodo seguito rispecchia, su scala educativa, quello utilizzato per realizzare modelli molto più grandi.

Il valore del progetto non sta quindi nella potenza del modello finale, ma nella possibilità di comprendere le decisioni che ne rendono possibile il funzionamento, quindi è assolutamente un laboratorio, non una scorciatoia per costruire il prossimo modello commerciale.

Iscriviti ora

Dal testo ai token

Il percorso comincia da un problema che spesso rimane invisibile: un modello matematico non può lavorare direttamente con le parole come facciamo noi.

Il testo deve prima essere suddiviso in unità chiamate token, ed un token può corrispondere a una parola, a una parte di parola, a un segno di punteggiatura o a una breve sequenza di caratteri.

Ogni token viene trasformato in un identificatore numerico e successivamente in una rappresentazione composta da numeri, chiamata embedding.

Il modello non riceve quindi una frase nel senso umano del termine, riceve una sequenza di rappresentazioni numeriche sulle quali esegue operazioni matematiche.

Il secondo capitolo affronta proprio questa trasformazione: preparazione dei dati, Byte Pair Encoding, costruzione delle coppie di input e obiettivo, embedding dei token e rappresentazione della loro posizione nella sequenza.

Per chi si avvicina per la prima volta agli LLM, questo passaggio cambia il modo di osservare un chatbot.

La risposta non nasce perché il sistema cerca una frase già pronta dentro un archivio, viene costruita progressivamente, prevedendo un token dopo l’altro in relazione al contesto precedente.

L’attenzione non è una metafora

Uno dei passaggi centrali del libro riguarda il meccanismo di self-attention.

Quando il modello elabora una sequenza, deve stabilire quali elementi siano rilevanti per interpretare ciascun token. La self-attention calcola relazioni tra le diverse parti dell’input e attribuisce loro pesi differenti.

Il testo non presenta soltanto una formula da utilizzare, il meccanismo viene costruito progressivamente: prima una versione semplice, poi i pesi addestrabili, l’attenzione causale e infine la multi-head attention.

L’attenzione causale impedisce al modello, durante l’addestramento, di utilizzare i token successivi per prevedere quello corrente, la multi-head attention permette invece di rappresentare contemporaneamente relazioni differenti all’interno della stessa sequenza.

Sono concetti che possono sembrare astratti finché rimangono confinati in uno schema, però implementarli nel codice costringe a seguirne i passaggi, controllare le dimensioni dei tensori e comprendere quali dati entrino davvero in ogni operazione, ed è proprio questo uno dei punti di forza del libro: non nasconde i meccanismi dietro una libreria già pronta per gli LLM.

Costruire un piccolo GPT

Dopo aver preparato il testo e implementato l’attenzione, il libro collega i componenti all’interno di un modello GPT.

Entrano progressivamente in gioco:

• normalizzazione;

• reti feed-forward;

• funzioni di attivazione;

• connessioni residue;

• blocchi Transformer;

• generazione autoregressiva del testo.

Il modello produce inizialmente risultati privi di significato, perché i suoi parametri non sono ancora stati addestrati.

Questo passaggio rende visibile una distinzione essenziale: possedere l’architettura corretta non significa aver costruito un sistema capace di utilizzare il linguaggio.

L’architettura stabilisce come verranno elaborate le informazioni, l’addestramento modifica i valori numerici interni che permettono al modello di produrre previsioni progressivamente più plausibili.

Iscriviti ora

Un modello di base non è ancora un assistente

Un modello preaddestrato ha imparato a prevedere il token successivo, non per questo è automaticamente capace di classificare testi, seguire istruzioni o rispondere nel modo che ci aspettiamo da un assistente.

Gli ultimi capitoli mostrano come adattarlo.

Il percorso comprende il fine-tuning per la classificazione testuale e il fine-tuning sulle istruzioni, attraverso il quale il modello viene allenato a interpretare una richiesta e produrre una risposta coerente con il compito assegnato. Il lettore passa così dalla costruzione del modello di base a un semplice sistema capace di seguire istruzioni conversazionali.

Questo passaggio aiuta a comprendere perché modelli costruiti sulla stessa architettura generale possano comportarsi in modi molto diversi.

I dati utilizzati, l’obiettivo dell’addestramento e le procedure di adattamento influenzano profondamente il comportamento finale.

Perché tra tutti ho scelto proprio questo libro

Come detto ad inizio articolo, non considero Build a Large Language Model (From Scratch) l’unico testo possibile, esistono altri manuali validi, corsi universitari, repository e risorse gratuite, l’ho scelto perché segue una progressione che mi è congeniale: parte dagli elementi fondamentali, li trasforma in codice e li collega gradualmente in un sistema completo.

La cosa che apprezzo molto e che non viene chiesto al lettore di credere che un determinato meccanismo funzioni, lo invita a implementarlo, eseguirlo, modificarlo e osservarne gli effetti.

Sebastian Raschka lavora da oltre dieci anni nell’intelligenza artificiale e nel machine learning, oggi si presenta come LLM Research Engineer; il suo percorso comprende l’attività industriale in Lightning AI e quella accademica come docente di statistica all’Università del Wisconsin-Madison, la sua attività unisce ricerca sugli LLM, sviluppo di software e formazione tecnica.

Un libro accompagnato da un ambiente di studio

Il volume non è isolato, il repository ufficiale contiene il codice dei capitoli, notebook, esercizi, soluzioni, indicazioni per configurare l’ambiente e una guida alla risoluzione dei problemi. Sono disponibili anche materiali aggiuntivi dedicati, tra gli altri argomenti, alla tokenizzazione BPE, all’attenzione multi-head, al fine-tuning efficiente con LoRA e alla comprensione di PyTorch.

Il sito dell’autore propone una sequenza di studio semplice:

1. leggere prima il capitolo senza programmare;

2. utilizzare eventualmente il video come seconda spiegazione;

3. riscrivere ed eseguire il codice;

4. svolgere gli esercizi prima di consultare le soluzioni.

Raschka suggerisce, quando possibile, di digitare personalmente il codice, in alternativa si possono eseguire i notebook cella per cella, modificando piccoli elementi per osservare che cosa cambia ed è un’indicazione che condivido, perché copiare un notebook intero e ottenere l’output atteso dimostra che il programma funziona, non dimostra ancora che abbiamo compreso perché funzioni.

Il modo in cui ho deciso di affrontarlo

Vi confido che il mio obiettivo non è stato quello di terminare il libro rapidamente, ad oggi non ho concluso alcune parti, rileggo alcuni capitoli, cerco quando riesco di approfondire, se avrete occasione di procurarvelo vedrete l’enorme quantità di concetti da studiare, il mio obiettivo ultimo è quello di comprenderlo abbastanza bene da poter spiegare i concetti a uno studente, a un collega e a chi, pur utilizzando ogni giorno strumenti di intelligenza artificiale, non ha ancora avuto occasione di studiarne il funzionamento.

Come approcciarsi al libro - consigli

Via ansia derivante da: comprendere tutto e subito.
Sicuramente sarete incappati nei vari “fuffaguru” sui social che promettono rapida comprensione del tutto e far diventare il lettore un super esperto di IA, non ascoltateli, comprate questo o un altro libro e studiate, il vecchi metodo analogico funziona sempre.

Andate piano.
Le tecnologie in ballo evolvono rapidamente di settimana in settimana, ma i concetti di base che troverete in questo libro sono i fondamenti, quindi non abbiate fretta. Ho iniziato la lettura diversi mesi fa procedendo molto lentamente, lavorando normalmente su due o tre pagine per volta.

Creare un metodo.
Prima cercare di comprendere l’idea centrale, poi costruire i termini tecnici, eseguire il codice e provare a riformulare ciò che si è studiato con parole proprie. Quando un passaggio richiede un prerequisito che non si possiede, ci si ferma e si torna indietro.

Usare il libro in inglese.
La copia che utilizzo è in inglese, per me questo richiede un impegno ulteriore, soprattutto quando al lessico tecnico si aggiungono Python, PyTorch e concetti matematici nuovi. Ho scelto però di non trasformare questa difficoltà in una corsa alla traduzione, preferisco lavorare sui passaggi che non comprendo e poi costruire gradualmente il lessico necessario.

Gli esperimenti li ho svolti sul mio MacBook Air M4 con 16 GB di memoria. Il codice dei capitoli principali è progettato per funzionare su normali computer portatili e non richiede obbligatoriamente hardware specializzato, anche se può utilizzare una GPU quando disponibile.

Questo rende il percorso impegnativo, ma concretamente affrontabile anche fuori da un laboratorio universitario.

A chi lo consiglierei

Ora veniamo al nocciolo della questione, la mia domanda quando ho cercato questi testi è stata: ma sarò in grado di capire?

Andiamo per passi.

Il libro è rivolto a chi conosce già Python.

Aver sviluppato in precedenza modelli di machine learning può essere utile, ma non viene indicato come requisito indispensabile. Ovviamente sono necessari tempo, disponibilità a lavorare con PyTorch e la volontà di fermarsi sui passaggi matematici quando non risultano immediatamente chiari.

Il repository precisa che una conoscenza di base di PyTorch è utile, pur non essendo obbligatoria, e mette a disposizione un’appendice introduttiva dedicata.

Ora a chi lo consiglierei, forse dire consigliare è troppo perché non mi considero un esperto, forse posso ad oggi considerarmi un temerario, però direi che potrebbe essere indirizzato a:

• docenti di informatica, elettronica, sistemi e discipline STEM;

• programmatori che conoscono Python e vogliono comprendere i Transformer;

• studenti universitari;

• studenti degli ultimi anni della scuola secondaria con una buona preparazione tecnica;

• formatori interessati a spiegare gli LLM senza fermarsi alle applicazioni;

• persone curiose che preferiscono imparare costruendo.

Non lo proporrei certamente come prima introduzione assoluta alla programmazione.

Attenzione, chi non ha ancora familiarità con funzioni, classi, array, librerie Python e lettura del codice rischierebbe di dover affrontare contemporaneamente troppi livelli di difficoltà, in quel caso sarebbe più utile consolidare prima Python e i fondamenti del machine learning, se volete sapere anche quali libri usare per Python, fatemi sapere ne ho diversi nella mia libreria analogica.

Il libro aiuta, ma non elimina la necessità di procedere con calma.

Che cosa può cambiare nello studio dell’IA

Certamente se siete insegnanti la domanda ha poco senso, perché l’insegnante spiega anche come funzionano le cose, ma per essere più precisi ritengo che studiare un LLM costruendone uno piccolo obbliga a distinguere elementi che nell’uso quotidiano tendiamo a confondere.

Studiare un LLM costruendone una versione ridotta aiuta a separare aspetti che, nell’uso quotidiano, tendiamo a confondere. Il modello, per esempio, non coincide con il servizio attraverso cui lo utilizziamo, così come una risposta ben formulata non dimostra che il sistema abbia compreso ciò che sta dicendo. Anche il numero dei parametri racconta soltanto una parte della storia: un modello più grande non è automaticamente più affidabile e un testo fluido può contenere errori, omissioni o affermazioni prive di fondamento. Lo stesso vale per il fine-tuning, che può orientare il comportamento del sistema senza trasformarlo per questo in una fonte sicura.

La costruzione del modello rende visibili queste differenze perché obbliga a prendere decisioni concrete: come preparare i dati, quale dimensione assegnare agli embedding, quanti blocchi usare, come misurare l’errore, quando fermare l’addestramento e con quali criteri valutare ciò che viene generato. Davanti a un chatbot vediamo soprattutto il risultato finale. Seguendo il percorso proposto dal libro, iniziamo invece a ricostruire le scelte e i passaggi che lo hanno reso possibile ed è questa la ragione per cui ho deciso di assumerlo come testo principale del mio percorso di studio sugli LLM.

Mi ripeto lo so, ma un modello linguistico resta un oggetto difficile da comprendere finché lo osserviamo soltanto dall’esterno, costruirne una versione ridotta non elimina la complessità, ma permette finalmente di vedere dove si trova.

Ringrazio Sebastian Raschka per il suo lavoro.

Buono Studio.

Il libro

Sebastian Raschka
Build a Large Language Model (From Scratch)
Manning, 2024
ISBN: 978-1-63343-716-6.

Materiali di supporto

Il codice, i notebook, gli esercizi e i materiali aggiuntivi sono disponibili nel repository ufficiale del progetto. [link]

Pagina del libro sul sito di Sebastian Raschka [link]

Nel precedente articolo abbiamo ragionato su una domanda che sempre più docenti iniziano a porsi: ha ancora senso affidarsi esclusivamente ai servizi cloud oppure è arrivato il momento di sperimentare anche l’intelligenza artificiale locale?

La conclusione, almeno per me, è stata abbastanza chiara, non esiste una risposta valida per tutti, esistono invece esigenze diverse, c’è chi utilizza ChatGPT per preparare una lezione, chi Claude per scrivere documenti complessi, chi Perplexity per effettuare ricerche sul Web, io stesso continuo a utilizzare quotidianamente questi strumenti e credo che, almeno per il momento, rappresentino ancora la scelta migliore in moltissime situazioni.

Negli ultimi mesi, però, mi sono accorto che alcune attività richiedevano qualcosa di diverso.

Stavo sviluppando nuovi applicativi didattici e desideravo integrare funzionalità di intelligenza artificiale direttamente all’interno dei programmi, avevo bisogno di capire come funzionasse realmente un modello linguistico quando viene eseguito sul proprio computer, volevo verificare se fosse possibile elaborare alcuni contenuti senza dipendere continuamente da un servizio cloud e soprattutto volevo comprendere fino a che punto fosse possibile mantenere un maggiore controllo sul processo, sui dati e sul comportamento del modello ed è proprio da queste domande che è iniziata la mia sperimentazione con Ollama.

Perché partire da Ollama?

Se cercate informazioni sull’IA locale vi imbatterete rapidamente in decine di nomi.

• LM Studio;

• Open WebUI;

• Jan;

• AnythingLLM;

• Text Generation WebUI;

• vLLM;

l’elenco potrebbe continuare ancora.

Per chi si avvicina per la prima volta a questo mondo il rischio è quello di sentirsi immediatamente disorientato.

Quale scegliere?

Qual è il migliore?

La risposta, ancora una volta è: dipende.

Per iniziare, però, credo che Ollama rappresenti una delle soluzioni più interessanti, il motivo è molto semplice, Ollama non nasce per essere un’applicazione ricca di pulsanti, finestre e funzioni spettacolari, nasce con un obiettivo preciso: rendere semplice l’esecuzione locale dei modelli linguistici.

In altre parole, svolge un lavoro che normalmente richiederebbe numerose configurazioni tecniche:

• scarica il modello

• lo organizza sul computer

• lo rende disponibile

• e permette ad altre applicazioni di utilizzarlo,

Per questo motivo molti sviluppatori lo considerano una sorta di “motore” sul quale costruire applicazioni più complesse ed è esattamente questo l’aspetto che mi interessa di più, non voglio semplicemente installare un chatbot sul computer, vVglio costruire strumenti didattici che utilizzino un modello linguistico quando serve, lasciando però al docente il controllo dell’intero processo.

L'applicazione non dialoga direttamente con il modello linguistico, la richiesta passa attraverso Ollama, che si occupa di avviare e gestire il modello installato sul computer, restituendo infine la risposta all'applicazione.

Bene iniziamo il nostro viaggio, vediamo come trasformare un ambiente IA in uno strumento di lavoro utile nella pratica quotidiana del docente.

Read more

Sì è come pensate, si tratta di sponsorizzazione, ma come già detto in altre occasioni scrivere e progettare costa fatica e tempo :-) il mio desiderio è continuare e quindi ho pensato di trovare una modalità che in qualche modo possa offrire qualcosa di più agli abbonati.

Il mio ringraziamento va a tutti, grazie per leggere e sostenere Scholaria, il vostro supporto mi permette di continuare a studiare, sperimentare e condividere articoli, guide e attività didattiche.

Se trovate utili i contenuti che pubblico, potete aiutarmi a far conoscere Scholaria invitando amici e colleghi a iscriversi. Utilizzando il link personale, ogni nuova iscrizione verrà associata al vostro profilo e potrà permettervi di ottenere mesi gratuiti di abbonamento.

Come partecipare

1. Condividere Scholaria

Usate il link personale che trovate qui sotto oppure il pulsante Condividi presente negli articoli.

Potete inviarlo tramite messaggio o e-mail, oppure pubblicarlo sui tuoi social. Verranno conteggiati sia gli amici che scelgono l’iscrizione gratuita sia quelli che sottoscrivono un abbonamento a pagamento.

Refer a friend

2. Ottenere vantaggi

Al raggiungimento delle diverse soglie riceverete:

• 1 mese gratuito con 3 nuovi iscritti;

• 3 mesi gratuiti con 5 nuovi iscritti;

• 6 mesi gratuiti con 25 nuovi iscritti.

Visit the leaderboard

Per maggiori informazioni puoi consultare le FAQ di Substack dedicate al programma di referral.

Grazie per contribuire a far conoscere Scholaria e per aiutarmi a costruire una comunità di lettori interessati a scuola, tecnologia, intelligenza artificiale e didattica laboratoriale.

Ho iniziato a scrivere questo post qualche mese a seguito di una chiacchierata avvenuta con alcuni amici, programmatori senior che lavorano in aziende non italiane e poi è stato concluso dopo una rilettura di un articolo del Post che cito più avanti. Il punto sul quale insistevano gli amici programmatori era apparentemente semplice: l’IA non li stava facendo lavorare meno, li aiutava a risolvere più velocemente alcuni problemi, a produrre una prima versione del codice, a verificare ipotesi e a concludere in pochi giorni attività che in precedenza avrebbero richiesto settimane o mesi.

Un vantaggio enorme, soprattutto quando il problema è ben definito e chi utilizza lo strumento possiede l’esperienza necessaria per controllarne il risultato.

Il tempo risparmiato, però, non diventava automaticamente tempo libero. quasi sempre veniva occupato da un altro problema, da una funzione aggiuntiva, da un’ulteriore prova o da un nuovo progetto.

Non stavano svolgendo lo stesso lavoro in meno tempo, stavano facendo più lavoro nello stesso tempo.

Quella conversazione mi è tornata in mente leggendo l’articolo de Il Post “L’AI ci fa davvero lavorare di meno?”, dedicato a una ricerca svolta all’interno di un’azienda tecnologica statunitense, (trovate il link nelle fonti). La promessa iniziale era quella che ormai conosciamo: automatizzare alcune attività ripetitive per lasciare alle persone più tempo da dedicare ai compiti importanti. Ciò che le ricercatrici hanno osservato è stato diverso.

Iscriviti ora

Il tempo liberato non rimane vuoto

Tra aprile e dicembre del 2025, le ricercatrici Aruna Ranganathan e Xingqi Maggie Ye hanno studiato l’impiego dell’IA generativa in un’azienda tecnologica di circa duecento dipendenti. l’azienda aveva messo a disposizione strumenti commerciali senza imporne l’utilizzo. La ricerca, ancora in corso quando ne sono stati diffusi i primi risultati, si è basata su otto mesi di osservazione etnografica e più di quaranta interviste.

Gli strumenti avevano effettivamente semplificato e velocizzato diversi compiti, i dipendenti tuttavia, non avevano ridotto il proprio impegno. avevano aumentato il ritmo, ampliato la quantità di attività considerate parte del proprio ruolo e prolungato il lavoro in momenti della giornata che prima funzionavano come pause, spesso lo avevano fatto senza una richiesta esplicita dell’azienda.

Le ricercatrici hanno osservato tre trasformazioni principali.

La prima riguarda l’estensione dei compiti, attività che in passato sarebbero state affidate a un collega specializzato o rinviate perché troppo impegnative diventavano improvvisamente affrontabili, se un sistema può aiutarmi a iniziare, perché non provare?

La seconda riguarda le interruzioni naturali della giornata, inviare un prompt durante la pausa, prima di una riunione o la sera può sembrare un gesto minimo; il lavoro, però, comincia a occupare spazi nei quali prima si fermava.

La terza trasformazione è il moltiplicarsi delle attività parallele, mentre un sistema produce una risposta, la persona controlla il codice, modifica un documento, partecipa a una riunione o avvia una seconda elaborazione. La macchina continua a lavorare, ma l’attenzione umana deve spostarsi continuamente da un compito all’altro.

In ciascuna delle singole attività può esserci un guadagno di tempo, considerata nel suo insieme, però, la giornata diventa più densa.

Iscriviti ora

Più capacità significa anche più aspettative

Quando uno strumento riduce il costo necessario per iniziare un’attività, aumenta anche il numero delle attività che siamo disposti ad affrontare.

Prima dell’IA, un’idea poteva essere accantonata perché avrebbe richiesto troppo tempo, ora possiamo preparare rapidamente una prova, costruire un prototipo o verificare un’alternativa, pertanto la soglia che separa ciò che vale la pena tentare da ciò che lasciamo perdere si abbassa.

Questa possibilità è uno dei maggiori vantaggi dell’IA generativa, il problema però nasce quando ogni possibilità diventa un nuovo impegno.

Nello studio, ciò che inizialmente veniva vissuto come entusiasmo, sperimentazione e maggiore capacità finiva per modificare le aspettative. Un risultato ottenuto più rapidamente diventava il nuovo standard, l’aumento della capacità produceva più risultati; i risultati alzavano le aspettative e le nuove aspettative spingevano ad aumentare ancora il ritmo e nel tempo questo ciclo poteva tradursi in affaticamento cognitivo, minore capacità di recupero e maggiore difficoltà nel mantenere la qualità delle decisioni.

La ricerca riguarda una sola azienda e utilizza un metodo qualitativo, non dimostra che ogni organizzazione e ogni lavoratore reagiranno nello stesso modo, rende però visibile un meccanismo che merita attenzione: l’efficienza ottenuta su un singolo compito non coincide necessariamente con una diminuzione del carico complessivo.

Accelerare non significa alleggerire.

La gratificazione del problema risolto

Nella conversazione con i miei amici programmatori era emerso anche un altro aspetto:

risolvere un problema tecnico produce soddisfazione.

Quando una difficoltà che avrebbe richiesto giorni viene superata in poche ore, ci sentiamo più capaci, più veloci e più efficaci, viene naturale provare ancora.

Mi sono chiesto se questa gratificazione non possa produrre una dinamica simile a quella che sperimentiamo nei social: un risultato arriva rapidamente, ci restituisce una conferma e ci spinge a cercarne un altro.

Non credo serva trasformare questa osservazione in una spiegazione psicologica universale, basta riconoscere ciò che può accadere nel lavoro quotidiano. La velocità con cui otteniamo un risultato riduce il momento nel quale normalmente ci saremmo fermati a valutare se affrontare un altro compito.

In un laboratorio, quando una procedura richiede tempo, esistono attese obbligate: il codice deve essere scritto, il circuito montato, l’errore cercato. Alcune di quelle attese sono frustranti, altre permettono di ripensare il problema.

Con l’IA parte di quell’attrito si riduce. Otteniamo più rapidamente una proposta, una correzione o una possibile soluzione. A quel punto possiamo usare il tempo recuperato per approfondire ciò che abbiamo fatto oppure per aggiungere altro lavoro.

La tecnologia non decide quale delle due strade prenderemo.

A scuola il prodotto può migliorare senza che migliori la comprensione

La stessa dinamica può presentarsi nel lavoro degli studenti.

Fin qui il problema riguarda il lavoro, nella parte riservata agli abbonati provo a trasferire lo stesso meccanismo nella scuola: che cosa accade quando uno studente produce elaborati migliori senza aver necessariamente compreso di più? E come può cambiare la valutazione?

Read more

Ho pensato di condividere per gli abbonati sostenitori, le tracce delle attività di laboratorio sia per la mia materia, Sistemi Elettronici, che per altre discipline: materie umanistiche e scientifiche, in cui viene usata l’IA in maniera guidata e controllata.

Il perfezionamento delle schede avverrà da settembre prossimo quando si potrà sperimentare sul campo.

Si tenga in conto che il lavoro che sto svolgendo è quello di prototipare una serie di attività “template” che saranno usate come campioni e su cui saranno sviluppate altre sperimentazioni da parte dei colleghi. Sono partito dai nuclei fondanti per ogni materia nella scuola in cui lavoro (ITIS) e su quelli ho realizzato l’attività integrando l’uso dell’IA in classe.

Vi condividerò altri materiali perché sto realizzando un repository attenendomi ad una procedura che ho realizzato e che fa usa di una tabella operativa basata sulle linee guida del MIM sull’uso dell’AI a scuola e dell’AI competency framework for teachers dell’UNESCO.

Di seguito condivido la scheda di lavoro che sto scrivendo oggi, riguarda il Lab. di Fisica: spinta di Archimede.

La procedura di creazione è avvenuta in questo modo:

• selezione dei nuclei fondanti della disciplina;

• analisi delle schede di lavoro già prodotte;

• adattamenti per allievi con necessità specifiche;

• integrazione attività laboratoriali che integrano l’uso dell’IA;

• analisi della bozza creata dall’umano attraverso sistema IA al fine di verificare elementi mancanti.

La condivisione delle schede avverrà pian pianino, non appena una scheda sarà definita verrà pubblicata, spero che questo materiale possa servire.

Di seguito la scheda di lavoro

Read more

Durante la mia recente vacanza al mare stavo rileggendo “La tana del Bianconiglio”, l’articolo di Michele Bellone pubblicato nel numero di giugno 2026 di Le Scienze, nella rubrica: “I bastioni di Orione”.

Leggevo l’articolo, ma pur sforzandomi nel concentrarmi, la lettura avveniva ad intermittenza, perché distratto dalle conversazioni delle persone intorno a me, un vociare che parlava di: politica, social network, intelligenza artificiale, sospetti, ricostruzioni improvvisate, collegamenti senza senso tra fatti tra loro lontani.

E’ pur vero che avrei potuto spostarmi, ma il tratto di sabbia rovente che mi separava da una zona più in ombra era distante e non avevo voglia di cambiare. Ho cercato un’altra strategia per interrompere il fastidio, invece che cercare di ignorare le chiacchiere ho cercato di ascoltare ogni singola affermazione come mattoncini singoli e mi sono accorto quasi per caso che i meccanismi descritti dall’articolo di Bellone erano presenti nelle conversazioni che ascoltavo: bisogno di collegare frammenti, riconoscere un disegno e trasformare una serie di indizi in una storia coerente.

Visto che era da un po’ di tempo che non scrivevo i miei soliti “pensieri sotto l’ombrellone” ho preso a pretesto l’articolo di Le Scienze, non per riassumerlo ma per riflettere su il legame che intravedo tra tra sitemi di IA generativa e didattica.

Quando i frammenti diventano un disegno

Probabilmente, se siete lettori di questo mio nuovo sito, avrete intuito il mio interesse per la fantascienza e i techno-thriller pertanto mi viene quasi automatico il legame dei discorsi da spiaggia con l’immagine più nota di Matrix: la scelta tra la pillola blu e la pillola rossa.

Se ricordate la pillola blu permette a Neo di restare nella realtà conosciuta, quella rossa lo conduce oltre l’apparenza, dentro una verità, oserei dire una dimensione nascosta che soltanto poche persone sarebbero disposte ad affrontare. La scena è diventata iconica, la pillola rossa è diventata il simbolo di chi pensa di essersi sottratto a un inganno collettivo e di aver compreso ciò che agli altri continua a sfuggire e penso che questa sia una rappresentazione potente perché, oltre a offrire una spiegazione, assegna un ruolo.

Ritengo che chi aderisce a una narrazione cospirazionista non si considera il semplice destinatario di una storia, si percepisce come qualcuno che ha saputo guardare oltre la superficie, riconoscere gli indizi e ricostruire un disegno nascosto, tutto ciò porta inevitabilmente (per come la vedo io) ad una gratificazione: non sentirsi spettatori, ma investigatori.

Ora cosa accade: la narrazione diventa difficile da mettere in discussione, gli elementi che sembrano contraddirla vengono assorbiti al suo interno e la mancanza di prove può trasformarsi nel segno di un occultamento una smentita, nella conferma che qualcuno stia proteggendo il sistema

Non intravedete atteggiamenti simili sui social? :-)

Alla fine la storia finisce per difendersi da sola.

Ora non vorrei ricadere nello stereotipo: “ecco così fanno le persone poco informate” non penso che dipenda soltanto dalla credulità o dalla scarsa informazione, secondo me chiama in causa un comportamento molto più comune: il nostro bisogno di costruire relazioni tra ciò che osserviamo.

Viene citato nell’articolo di Bellone e poi ho approfondito un po’, la psicologia usa il termine apofenia “per descrivere la tendenza a riconoscere schemi, connessioni e significati anche in dati casuali o privi di un rapporto dimostrabile”, di per sé non è un comportamento patologico, interpretare la realtà, così come la insegniamo ai ragazzi significa in estrema sintesi: selezionare informazioni, mettere in relazione eventi e colmare parti mancanti, però il problema nasce quando il bisogno di trovare una spiegazione prende il posto della verifica.

Cosa può accadere se l’apofonia prende piede nella nostra mente: una coincidenza diventa un indizio, un secondo elemento sembra confermarla, alla fine la narrazione comincia a guidare lo sguardo:

Con maggior facilità noteremo ciò che la sostiene e trascureremo ciò che potrebbe indebolirla è un atteggiamento quasi involontario in questo modo la storia non si limita più a organizzare i fatti, inizia a scegliere quali fatti meritino di essere osservati.

Iscriviti ora

Un esperimento nato quasi per gioco

Poiché il tutto suscita in me parecchio interesse ho fatto un esercizio molto semplice, ho provato per gioco a raccogliere alcune notizie trovate online, che consideravo assurde e lontane tra loro e prive di una relazione evidente, ne ho fatto una collezione, immaginata ad un Deck di carte da gioco su cui su ognuna era riportata quella che definivo “news fesseria”;

Direte voi: “non avevi altro da fare al mare?”

Probabilmente sì, ma a me, divertiva questo gioco mentale anche perché poi volevo capire cosa sarebbe accaduto se il Deck fosse dato in pasto ad un sistema di IA generativa, chiedendo di trasformare quelle carte nel punto di partenza di una storia.

L’IA ha fatto egregiamente il suo lavoro, cercare una forma narrativa capace di tenere insieme il materiale disponibile, sono bastati pochi elementi perché emergessero collegamenti, intenzioni nascoste, personaggi e conseguenze, la cosa inquietante e che informazioni indipendenti hanno iniziato ad apparire come parti dello stesso disegno, immaginate il divertimento per un “non scrittore” come me immergersi in una storia che si stava auto-costruendo (alla fine ero all’interno del gioco).

Ora tralasciando l’aspetto narrativo, il risultato per me è stato istruttivo proprio perché conoscevo l’origine dell’esperimento, avevo scelto io le notizie e avevo chiesto esplicitamente al sistema di costruire una trama.

Il processo di creazione è stato molto semplice, non ho dato in pasto tutti i fatti all’IA, ma ho estratto a caso gruppi di carte e con uno specifico prompt ho chiesto di unire i puntini; in questo processo, vedevo accadere sempre la stessa cosa, quando mancava un passaggio tra due eventi scollegati, l’IA lo completava, se una motivazione non era presente, ne proponeva una plausibile, tra due fatti lontani costruiva un ponte narrativo abbastanza credibile da ridurre la distanza ed il risultato funzionava come racconto pur non avendo alcun rapporto con la realtà.

Nel processo sono accaduti eventi anche strani, ma su questo voglio indagare meglio, alcune volte mi capitava che quando l’IA completava un passaggio tra fatti non collegati, il completamento assomigliava ad una delle carte del mio Deck, ma come dicevo devo analizzare bene la cosa perché non vorrei che in questo processo di creazione anche io sono stato “colpito” dall’apofonia :-)

Ora da queste mie elucubrazioni estive ne ricavo una distinzione che considero essenziale: la capacità di produrre una storia coerente non dimostra che siano veri i collegamenti sui quali si regge, mostra soltanto che è possibile costruire una sequenza linguisticamente che dal punto di vista narrativo risulta convincente.

Nel mio caso l’obiettivo era dichiaratamente creativo: cercavo materiale per un techno-thriller, però le cose cambiano radicalmente quando lo stesso processo viene usato per produrre una spiegazione del mondo e quella spiegazione viene presentata come il risultato di un’indagine o di un fatto.

Il piacere di sentirsi scopritori

Se ci fate ben caso molte narrazioni cospirazioniste non si presentano come racconti già conclusi, accade anche nei libri di questo genere, arrivano per frammenti: immagini, allusioni, domande, documenti incompleti, presunti indizi e chi le incontra non deve fare altro che collegare i puntini e spesso ciò avviene, come già detto, senza accorgersi di quanto il percorso sia già stato orientato dall’autore.

Il meccanismo porta ad una conclusione che non sembra imposta dall’esterno, appare come il risultato di una scoperta personale e le persone non ricevono soltanto una storia, partecipano alla sua costruzione e proprio questo passaggio a modificare il rapporto con la narrazione, ripeto, a me intriga come gioco ma diventa preoccupante se usato avvalorare un fatto reale, anche perché una spiegazione ricevuta può essere valutata e respinta ed una spiegazione che crediamo di aver scoperto autonomamente entra nel cervello e diventare nostra.

Faccio un passettino in più in questo gioco mentale, cerco di evitare di introdurre un’etichetta scientifica, però credo si possa parlare di una forma di apofenia guidata, Cosa voglio dire? Perdonate rifletto e scrivo… i frammenti vengono selezionati o presentati in modo da orientare l’interpretazione, lasciando però alle persone la sensazione di aver raggiunto da sole la conclusione.

Per chi è avvezzo ai giochi di ruolo a quelli escape oppure ai libri game, il meccanismo ricorda assolutamente un gioco investigativo: si cercano tracce, si formulano ipotesi, si confrontano dettagli ed ogni nuovo collegamento dà la sensazione gratificante di aver decifrato qualcosa che agli altri è sfuggito.

In questo gioco dei “fatti fesseria” non emergono necessariamente le spiegazioni più solide, si diffondono con maggiore facilità quelle capaci di coinvolgere, che permetto di assegnare ruoli e produrre nuovi indizi.

Penso che le storie più persistenti non siano sempre le “più vere”, spesso sono quelle che permettono al pubblico di continuare a partecipare ed è proprio per questo che le narrazioni sono molto difficili da controllare, possono nascere con un obiettivo preciso e poi separarsi (non sempre è così) dalle intenzioni di chi le ha prodotte.

Alla fine tutto questo scrivere per dire che: ogni persona aggiunge un frammento, interpreta un dettaglio e amplia la trama, il racconto diventa un sistema aperto, capace di incorporare nuovi elementi senza cambiare la propria struttura di fondo.

Che cosa cambia con l’intelligenza artificiale

In questa mia piccola narrazione voglio chiarire che non credo che l’intelligenza artificiale generativa abbia il merito di aver inventato l’apofenia, il complottismo o la propaganda, sicuramente però ha ridotto il lavoro necessario per trasformare eventi diversi in una narrazione coerente adattando il racconto a pubblici differenti.

Attenzione non sto sostenendo che l’IA sia il male, è uno strumento utile in molti contesti, io stesso la uso moltissimi in diversi ambiti: per esplorare idee, organizzare appunti e mettere alla prova possibili sviluppi narrativi, oppure in un contesto didattico di programmazione per creare esercizi partendo da un dataset creato da me e sul risultato apporto modifiche manuali con criterio, attenendomi all’obiettivo. Se torniamo alla creazione della storia inteso in modo ampio, quindi non di creazione letteraria, ma soprattutto di manipolazione di idee per orientare le masse, la questione più importante e che se chiedo all’IA di inventare un collegamento, proverà a trovarlo, se gli domando di sviluppare una teoria nascosta, costruirà una continuazione plausibile rispetto alla richiesta e ai materiali ricevuti e dico cosa ovvia l’IA non ha necessità di “credere” in ciò che scrive è una macchina.

Ora dove risiede il rischio? Io lo intravedo quando viene confusa la fluidità della risposta con l’affidabilità della ricostruzione. Perdonate, ripeto il concetto perché questo diario serve a me per riflettere: una narrazione ben generata può sembrare ben documentata anche quando poggia su passaggi non verificati.

Intravedo altre componenti che “ingannano” un lettore: precisione della lingua, sicurezza del tono e continuità del ragionamento sono tutte cose che producono un’impressione di solidità che non corrisponde necessariamente alla qualità delle prove e nella didattica quest’aspetto merita di essere messo in evidenza: una spiegazione può essere coerente, dettagliata e persino elegante senza essere corretta.

Quindi come frase manifesto direi che: la coerenza narrativa non certifica la verità.

Iscriviti ora

Imparare a interrompere la storia

Ho fatto leggere la prima bozza di questo post al mio correttore di bozze di fiducia, non è l’IA e mia moglie :-) che mi ha detto: “ma allora dobbiamo diffidare delle narrazioni!”, direi proprio di no, le storie che siano quelle inventate per esprimere un concetto didattico o quelle che leggiamo ai nostri ragazzi, aiutano a comprendere fenomeni complessi, servono per ricordare informazioni, immaginare conseguenze Ion modo che noi si possa attribuire significato alle esperienze, sono uno strumento potente.

Il fulcro sta nel distinguere la capacità di una storia di coinvolgerci dalla qualità delle prove sulle quali è costruita, quando mi accorgo che una spiegazione sembra collegare perfettamente ogni elemento, proprio quella perfezione dovrebbe spingerci a rallentare;

lo so non è una cosa semplice.

Se dovessi costruire un’esercizio didattico sull’analisi di una storia presa online probabilmente inizierei da queste domande (ditemi voi se hanno senso o se ne dovrei aggiungerne altre):

Quali passaggi derivano da fatti verificabili?

Quali collegamenti sono stati dedotti?

Che cosa è stato lasciato fuori?

Esistono spiegazioni alternative?

Quale informazione potrebbe portarci a cambiare idea?

Io fornirei agli studenti gli stessi frammenti di notizie e chiederei a gruppi diversi di costruire narrazioni incompatibili tra loro credo che il confronto renderebbe visibile quanto sia facile produrre più storie plausibili partendo dagli stessi elementi.

Il lavoro più importante comincerebbe dopo: tornare alle fonti, separare dati e interpretazioni, individuare i passaggi aggiunti per rendere coerente il racconto.

In tutto questo gioco didattico anche l’IA potrebbe partecipare solo come strumento di esplorazione, si potrebbe fargli generare ipotesi diverse, mettendo in evidenza contraddizioni o suggerendo quali affermazioni richiedano una verifica, la valutazione delle fonti e la responsabilità della conclusione continuerebbero ad appartenere ai ragazzi.

Nota per il lettore: ancora non ho formalizzato l’attività, questo scrivere serve proprio per pensare come fare.

Torno a Matrix. Neo può scegliere tra due pillole e due realtà nettamente separate, però fuori dal film, la distinzione è meno rassicurante, non basta rifiutare una storia dominante per essere certi di averne trovata una più vera, a volte abbiamo soltanto sostituito una narrazione con un’altra, più adatta alle nostre aspettative e più gratificante per il ruolo che ci assegna.

Vi aggiungo una frase d’effetto :-)

chi pensa di essersi svegliato potrebbe essere entrato in un sogno più elaborato.

In altro modo posso dire che uscire dalla tana del Bianconiglio non significa sentirsi tra i pochi che hanno compreso, significa conservare la disponibilità a interrompere la storia, tornare ai fatti e modificare la propria interpretazione quando le prove prendono una direzione diversa.

Nota sulla fonte

Questo articolo nasce dalla lettura di Michele Bellone, “La tana del Bianconiglio”, pubblicato nella rubrica I bastioni di Orione su Le Scienze, n. 694, giugno 2026. La lettura ha costituito il punto di partenza per una riflessione personale sul rapporto tra narrazione, apofenia, intelligenza artificiale generativa e didattica.

Immagina di dover spiegare a un robot come preparare una tazza di tè, potreste scrivere:

Prendi la tazza
Apri il mobile
Prendi una bustina
Metti la bustina nella tazza
Versa l’acqua

Ora immagina di dover preparare dieci tazze di tè, dovreste riscrivere le stesse istruzioni dieci volte, ovviamente intuite subito che non è una soluzione molto efficiente, i programmatori risolvono questo problema utilizzando le funzioni.

Una funzione è un insieme di istruzioni a cui assegniamo un nome e successivamente possiamo richiamarla tutte le volte che desideriamo.

Cosa costruiremo oggi

In questa lezione impareremo:

• cosa sono le funzioni;

• come crearle;

• come eseguirle;

• come passare informazioni alle funzioni;

• come utilizzarle per organizzare il codice.

Al termine della lezione inizieremo a strutturare il nostro programma come fanno gli sviluppatori professionisti.

Read more

Negli ultimi mesi mi è capitato più volte di discutere con colleghi, formatori e appassionati di tecnologia della stessa questione: ha davvero senso acquistare un computer dedicato all’intelligenza artificiale locale?

La domanda, di solito, nasce dopo aver visto qualche video in cui un modello linguistico viene eseguito su un Mac mini, su una workstation con una scheda grafica molto potente oppure su un piccolo server installato in laboratorio.

L’idea è affascinante.

Una macchina che rimane a scuola, che può elaborare dati e documenti senza inviarli continuamente verso servizi esterni, che funziona anche senza connessione a Internet e che può essere configurata secondo le esigenze dei docenti.

A quel punto è naturale pensare:

perché continuare a pagare abbonamenti a ChatGPT, Claude, Gemini o Perplexity quando potremmo avere una nostra intelligenza artificiale?

La domanda è legittima, ma rischia di essere posta nel modo sbagliato.

La vera questione non è se una scuola possa acquistare un computer abbastanza potente da eseguire un modello linguistico, oggi, con una spesa più o meno elevata, questo è certamente possibile.

La domanda più utile è un’altra:

Quale problema didattico, organizzativo o formativo dovrebbe risolvere quella macchina?

Se non siamo in grado di rispondere con precisione, il rischio è acquistare hardware tecnologicamente interessante che, dopo qualche mese di sperimentazione, finisce per essere utilizzato soltanto da una o due persone, non sarebbe la prima volta.

Preferisci ascoltare?

Ho trasformato l’articolo in un breve approfondimento audio, non è la lettura del testo, ma un percorso ragionato con esempi. L’audio dell’articolo, come indicato nelle note a pie di pagina sull’uso dell’IA per questo articolo, è stata generata mediante strumenti di intelligenza artificiale a partire dal testo scritto dall’autore umano.

🎧 Ascolto di approfondimento: Dalla risposta alla comprensione

Il mio caso concreto: sto già usando l’IA locale

Questa riflessione, nel mio caso, non nasce soltanto da una curiosità teorica.

Attualmente sto facendo un uso piuttosto ampio dell’intelligenza artificiale locale per sperimentare e integrare nuove funzionalità negli applicativi didattici che sto sviluppando e presentando su Scholaria.

Si tratta di strumenti pensati per aiutare i docenti nella progettazione delle lezioni, nell’organizzazione delle attività, nella produzione di materiali, nella costruzione di percorsi laboratoriali e nell’utilizzo consapevole dell’intelligenza artificiale.

In molti di questi progetti non mi interessa semplicemente aggiungere un pulsante con la scritta “Genera con l’IA”, mi interessa capire come inserire l’intelligenza artificiale all’interno di un flusso di lavoro didattico senza trasformarla nel soggetto che decide al posto del docente.

Il modello può proporre una struttura, analizzare un testo, suggerire domande, individuare possibili difficoltà oppure assistere nella trasformazione di un esempio tecnico in un’attività didattica, la decisione finale, però, deve restare nelle mani dell’insegnante.

Per queste sperimentazioni sto utilizzando un MacBook Air con processore M4 e 16 GB di RAM, non si tratta di una workstation specializzata per l’intelligenza artificiale e non può eseguire qualsiasi modello con qualsiasi livello di prestazioni. I 16 GB di memoria impongono di scegliere con attenzione le dimensioni dei modelli, il livello di quantizzazione e la lunghezza del contesto.

Nonostante questi limiti, il computer mi consente di provare modelli locali di dimensioni contenute, verificare l’integrazione con le applicazioni, sperimentare prompt di sistema, confrontare risposte e costruire prototipi funzionanti, questo, a mio avviso, è un punto importante.

Per iniziare a esplorare l’IA locale non è sempre necessario acquistare subito una macchina molto costosa, è possibile partire da ciò che si possiede, installare un ambiente come Ollama o LM Studio, scegliere un modello compatibile con la memoria disponibile e verificare che cosa sia realmente possibile fare.

Naturalmente bisogna accettare alcuni compromessi.

Un modello locale eseguito su un portatile con 16 GB di RAM non offre le stesse prestazioni dei migliori servizi cloud, può essere più lento, meno capace nei compiti complessi e più sensibile alla quantità di testo fornita.

Per alcune funzioni integrate negli applicativi didattici, però, non serve necessariamente il modello più potente disponibile, serve un modello sufficientemente affidabile per un compito preciso.

Può essere necessario classificare una richiesta, proporre alcune domande, riorganizzare un testo, generare una prima struttura, analizzare uno sketch Arduino oppure restituire suggerimenti sulla base di criteri definiti dal docente, in questi casi, un modello più piccolo e locale può risultare adeguato.

L’esperienza mi sta confermando che la domanda corretta non è:

Qual è il modello più potente che posso installare?

La domanda più utile è:

Qual è il modello più piccolo e controllabile che riesce a svolgere bene questa specifica funzione?

È una prospettiva molto vicina alla progettazione elettronica e al making.

Non scegliamo il componente più potente in assoluto, scegliamo quello adeguato al progetto, ai consumi, agli spazi, al costo e alle prestazioni richieste.

Con l’IA locale dovrebbe accadere la stessa cosa.

Iscriviti ora

Prima il bisogno, poi la macchina

Nella maggior parte dei casi, per iniziare a sperimentare l’intelligenza artificiale a scuola, un servizio cloud rimane la soluzione più semplice.

Non richiede installazioni particolari e non impone al docente di gestire driver, aggiornamenti, modelli, quantizzazioni, memoria disponibile o problemi di compatibilità, si apre il browser, si accede al servizio e si può iniziare a lavorare.

Per progettare una lezione, semplificare un testo, costruire una rubrica di valutazione, generare esempi, analizzare una spiegazione o preparare domande per una verifica, il cloud è spesso sufficiente, questo non significa che sia sempre la soluzione migliore, significa soltanto che, nella fase iniziale, consente di comprendere quali siano i reali bisogni della scuola senza impegnare immediatamente risorse economiche importanti.

Prima di acquistare una macchina dedicata, sarebbe quindi opportuno osservare per alcuni mesi come viene realmente utilizzata l’IA:

quali attività vengono svolte più spesso?

Quali documenti i docenti evitano di caricare?

Quanto è importante lavorare senza connessione?

Esistono limiti di utilizzo che ostacolano le attività?

Serve mantenere sempre lo stesso modello per un progetto di ricerca o per una sperimentazione didattica?

Occorre costruire un ambiente controllato nel quale gli studenti possano lavorare senza accedere direttamente a servizi commerciali?

Le risposte a queste domande sono molto più importanti del confronto tra due processori o tra due schede grafiche.

Dal punto di vista economico il cloud parte avvantaggiato

Quando si guarda soltanto al costo iniziale, un abbonamento cloud è difficile da battere.

Una scuola può attivare alcuni account, avviare una sperimentazione e valutare i risultati senza acquistare una workstation completa.

Un sistema locale richiede invece una spesa immediata, non basta comprare una scheda grafica, servono memoria RAM, spazio di archiviazione, alimentazione adeguata, raffreddamento, rete, backup e, soprattutto, qualcuno che sappia mantenere il sistema, questo ultimo elemento viene spesso sottovalutato.

Un computer per l’IA locale non è un elettrodomestico che si accende e continua a funzionare nello stesso modo per anni; i modelli cambiano, i software vengono aggiornati, alcune configurazioni smettono di funzionare e le prestazioni dipendono da variabili che non sempre sono evidenti a chi non possiede competenze tecniche.

La quantità di memoria disponibile, ad esempio, è spesso più importante della potenza teorica del processore.

Un modello che entra interamente nella memoria disponibile può funzionare in modo accettabile, lo stesso modello, quando deve utilizzare continuamente il disco o una memoria più lenta, può diventare così poco reattivo da rendere frustrante l’esperienza.

Il problema non è soltanto acquistare una macchina, il problema è acquistare la macchina giusta per il carico di lavoro reale.

Che cosa si compra davvero con l’IA locale

Se l’IA locale non è necessariamente più economica e non è quasi mai più potente dei migliori modelli cloud, perché dovrebbe interessare una scuola?

La risposta è semplice: perché non si acquista soltanto capacità di calcolo, si acquistano controllo, continuità e autonomia.

Un servizio cloud appartiene a un’azienda, l’azienda può modificare il modello, cambiare l’interfaccia, introdurre limiti, eliminare funzioni oppure modificare le condizioni di utilizzo, un ambiente locale, invece, può essere mantenuto stabile.

Se una scuola costruisce un laboratorio didattico basato su un determinato modello, può continuare a utilizzare quella stessa versione per tutta la durata della sperimentazione; questo aspetto è particolarmente importante quando si desidera confrontare i risultati ottenuti da classi diverse oppure osservare l’evoluzione delle competenze degli studenti nel tempo.

Se il modello cambia continuamente, diventa difficile comprendere se il miglioramento dipenda dagli studenti, dal metodo didattico o semplicemente dall’aggiornamento dello strumento.

L’IA locale permette inoltre di lavorare offline.

In molti edifici scolastici la connessione non è sempre stabile, in altri contesti esistono laboratori isolati dalla rete esterna o attività che devono essere realizzate durante eventi, fiere, corsi e workshop in luoghi nei quali non è possibile fare affidamento su Internet.

Una macchina locale può trasformarsi in una piccola infrastruttura didattica autonoma, non necessariamente più intelligente del cloud, ma disponibile quando serve.

Iscriviti ora

Privacy: un vantaggio concreto, non una garanzia automatica

Uno degli argomenti più importanti a favore dell’IA locale riguarda la privacy.

Quando il modello viene eseguito realmente sul dispositivo e l’applicazione è configurata per elaborare i dati soltanto all’interno della macchina o della rete scolastica, testi e documenti non devono necessariamente essere trasmessi a un fornitore cloud, questo riduce l’esposizione verso soggetti esterni e può offrire alla scuola un maggiore controllo sui dati utilizzati.

Per i miei applicativi didattici questo rappresenta uno degli aspetti più interessanti.

Poter integrare una funzione di intelligenza artificiale senza obbligare l’utente a inviare ogni contenuto a un servizio commerciale apre possibilità importanti, soprattutto quando si lavora con materiali prodotti dal docente, archivi interni o documentazione che non dovrebbe circolare inutilmente fuori dal proprio dispositivo.

Bisogna però usare le parole con attenzione.

L’IA locale aiuta a proteggere la privacy, ma non la garantisce automaticamente.

È possibile eseguire localmente il modello e utilizzare contemporaneamente un’interfaccia che raccoglie dati, un’estensione collegata a servizi esterni, un sistema di sincronizzazione cloud oppure un’applicazione che conserva cronologie e registri senza che l’utente ne sia pienamente consapevole.

Anche i backup automatici possono trasferire altrove documenti che pensavamo rimanessero soltanto sul computer.

Per questo non basta leggere la scritta “local AI”, occorre verificare l’intera catena:

• dove viene eseguito il modello;

• dove vengono salvati prompt e risposte;

• se l’applicazione utilizza telemetria;

• se sono attivi collegamenti con servizi esterni;

• dove vengono conservati i documenti;

• chi può accedere alla macchina;

• quali backup vengono effettuati;

• per quanto tempo i dati rimangono disponibili.

Se il sistema è utilizzato a scuola, bisogna inoltre definire ruoli, autorizzazioni e procedure:

chi può caricare i documenti?

Quali tipologie di dati possono essere elaborate?

Gli studenti possono accedere alle conversazioni degli altri?

Le attività vengono registrate?

Esiste una procedura per cancellare i dati?

La macchina è protetta da accessi non autorizzati?

Queste domande rimangono necessarie anche se il computer si trova fisicamente all’interno dell’istituto.

IA locale, AI Act e protezione dei dati

Nei miei altri articoli ho già affrontato il tema dell’AI Act e continuerò a farlo perché l’introduzione dell’intelligenza artificiale nella scuola non può essere ridotta a una semplice scelta di strumenti, è importante, però, non sovrapporre piani differenti.

L’AI Act disciplina l’intelligenza artificiale secondo un approccio basato sul rischio e richiama temi come responsabilità, trasparenza, sicurezza e sorveglianza umana; la protezione dei dati personali continua ad avere un proprio quadro normativo e organizzativo.

Scegliere un sistema locale può ridurre alcuni rischi legati alla trasmissione dei dati verso servizi esterni, ma non elimina gli obblighi di valutare come il sistema viene usato, quali dati tratta e quali conseguenze può produrre.

Un modello installato all’interno della scuola non diventa automaticamente conforme soltanto perché è locale.

Anche un sistema locale può essere utilizzato in modo improprio.

Potrebbe essere impiegato per analizzare dati personali non necessari, produrre valutazioni opache, conservare informazioni troppo a lungo oppure influenzare decisioni che dovrebbero rimanere sotto la responsabilità del docente.

La sorveglianza umana rimane quindi essenziale.

Il docente deve conoscere il ruolo assegnato al sistema, controllarne i risultati e mantenere la responsabilità delle decisioni educative.

L’IA locale può diventare una componente di una strategia più prudente, ma non sostituisce la governance; la tecnologia può ridurre alcuni rischi, non può sostituire le regole, la formazione e l’attenzione delle persone.

Il caso d’uso più interessante: interrogare gli archivi della scuola

A mio avviso, il vantaggio più concreto dell’IA locale in ambito scolastico non consiste nell’avere un chatbot che risponde alle domande degli studenti, per questo scopo, almeno nella maggior parte dei casi, i servizi cloud sono più potenti e più semplici da utilizzare, l’ambito più interessante è la costruzione di una base di conoscenza privata.

Immaginiamo una scuola che possiede centinaia di documenti:

regolamenti, procedure, materiali di formazione, progetti, manuali di laboratorio, dispense, circolari interne, documentazione tecnica, repertori di attività, rubriche di valutazione e archivi prodotti dai dipartimenti.

Molto spesso questi documenti esistono, ma sono dispersi tra cartelle condivise, computer personali e piattaforme differenti, un sistema locale potrebbe permettere di cercare all’interno di questo patrimonio documentale utilizzando domande formulate in linguaggio naturale.

Un docente potrebbe chiedere:

Quali procedure sono previste per l’utilizzo del laboratorio di elettronica?

Oppure:

Mostrami le rubriche di valutazione già utilizzate nei progetti STEAM.

O ancora:

Quali attività sull’intelligenza artificiale sono state realizzate nell’ultimo triennio?

In questo scenario, l’IA non sostituisce il lavoro della scuola, rende più accessibile ciò che la scuola ha già prodotto.

La macchina locale diventa quindi una sorta di archivio intelligente, non un oracolo al quale delegare ogni decisione, è una differenza sostanziale, naturalmente anche questo caso d’uso deve essere progettato con cautela.

Non tutti i documenti devono essere necessariamente indicizzati, alcuni materiali potrebbero contenere dati personali, informazioni riservate o versioni non più valide di procedure e regolamenti.

Il sistema dovrebbe quindi permettere di selezionare le fonti, controllare gli accessi, indicare i documenti utilizzati per produrre una risposta e distinguere con chiarezza tra informazioni ufficiali e semplici materiali di lavoro.

Iscriviti ora

Anche per la didattica laboratoriale può avere senso

Esistono poi situazioni in cui l’IA locale può diventare essa stessa oggetto di studio.

In un istituto tecnico, in un laboratorio STEAM o in un percorso di formazione avanzato, configurare un sistema locale permette di affrontare molti temi che normalmente rimangono invisibili quando si utilizza soltanto un’interfaccia web.

Gli studenti possono osservare quanto spazio occupa un modello, quanta memoria richiede, come cambia la velocità al variare della quantizzazione e perché un modello più grande non è necessariamente quello più adatto.

Possono confrontare modelli differenti sullo stesso compito, possono analizzare gli errori, misurare i tempi di risposta e discutere la relazione tra prestazioni, consumi energetici e qualità dei risultati.

A quel punto l’hardware non è soltanto un mezzo per utilizzare l’IA, diventa parte dell’esperienza didattica.

Questo tipo di attività permette anche di smontare una delle rappresentazioni più diffuse dell’intelligenza artificiale: l’idea che le risposte arrivino da un’entità immateriale che vive genericamente “nel cloud”.

Eseguire un modello su una macchina reale rende visibile il costo computazionale dell’IA; gli studenti scoprono che ogni risposta richiede memoria, energia, hardware e tempo di elaborazione, è un passaggio importante anche sul piano della cittadinanza digitale.

Per la programmazione la soluzione rimane ibrida

Nel coding la risposta è meno netta.

I modelli locali sono ormai in grado di assistere nella scrittura di piccoli programmi, spiegare porzioni di codice, proporre correzioni e lavorare su progetti circoscritti, in un laboratorio scolastico questo può essere sufficiente per molte attività.

Un modello locale può, ad esempio, aiutare uno studente a comprendere perché uno sketch Arduino non funziona, suggerire una diversa organizzazione del codice o spiegare il ruolo di una funzione.

Il docente potrebbe inoltre configurare il modello in modo da non fornire direttamente la soluzione, ma guidare lo studente attraverso domande progressive, questa possibilità è didatticamente interessante perché rende più controllabile il comportamento dello strumento.

Quando però si passa a progetti molto grandi, librerie recenti, contesti lunghi o attività che richiedono capacità di ragionamento più avanzate, i migliori modelli cloud conservano un vantaggio evidente, anche in questo caso, la scelta più sensata non consiste nel decidere che tutto debba essere locale oppure tutto debba essere online.

Si può utilizzare il cloud quando serve la massima capacità del modello e il locale quando diventano prioritari la privacy, la ripetibilità, il controllo e la possibilità di lavorare senza limiti di utilizzo, è in sostanza, l’approccio che sto sperimentando anche nello sviluppo dei miei applicativi, non escludere il cloud e non idealizzare il locale, utilizzare entrambi in funzione del compito.

Il rischio della workstation acquistata per entusiasmo

Esiste però un rischio concreto.

Una scuola può essere affascinata dall’idea di possedere una propria infrastruttura di intelligenza artificiale e acquistare una macchina potente senza avere definito chi la utilizzerà e per quali attività.

Dopo l’entusiasmo iniziale, il sistema potrebbe rimanere acceso soltanto durante alcune dimostrazioni.

Per evitare questo risultato sarebbe opportuno partire da un piccolo progetto pilota.

Non necessariamente da una workstation costosa.

La mia stessa esperienza con un MacBook Air M4 dotato di 16 GB di RAM dimostra che è possibile iniziare a sperimentare su una macchina non progettata come server per l’intelligenza artificiale.

Naturalmente un computer di questo tipo non è adatto a servire contemporaneamente un’intera classe e non può gestire modelli di grandi dimensioni come una workstation dedicata, può però essere sufficiente per costruire prototipi, integrare funzionalità negli applicativi, verificare ipotesi e comprendere quale dotazione potrebbe essere realmente necessaria in una fase successiva.

Una scuola potrebbe adottare lo stesso metodo.

Partire da un computer già disponibile, installare un modello di dimensioni contenute e verificare quali attività risultano utili.

Sperimentare la ricerca su un piccolo archivio di documenti, realizzare un assistente dedicato a un laboratorio oppure costruire un ambiente nel quale confrontare le risposte di modelli differenti, soltanto dopo questa fase avrebbe senso valutare un investimento più importante.

La sequenza dovrebbe essere:

bisogno, sperimentazione, misurazione e infine acquisto;

troppo spesso procediamo nell’ordine inverso, compriamo la tecnologia e poi cerchiamo un problema che possa giustificarla.

Iscriviti ora

Il modello più sensato per una scuola è probabilmente ibrido

Nel 2026, almeno per la maggior parte delle scuole, la scelta più equilibrata non è tra cloud e locale, è dal mio punto di vista una combinazione dei due.

Il cloud può essere utilizzato per accedere ai modelli più avanzati, svolgere ricerche collegate al web, produrre contenuti multimodali e affrontare attività che richiedono elevate capacità di elaborazione.

Il locale può essere riservato ai documenti interni, alle sperimentazioni controllate, alle attività offline, ai laboratori tecnici e ai progetti nei quali è importante mantenere stabile il modello utilizzato, questa soluzione permette anche di evitare acquisti sovradimensionati.

Non tutto deve essere eseguito localmente, il fatto che una scuola possieda una macchina per l’IA non significa che debba rinunciare ai servizi cloud; allo stesso modo, utilizzare il cloud non impedisce di costruire gradualmente una maggiore autonomia tecnologica, l’importante è sapere perché stiamo scegliendo uno strumento.

Quindi, conviene acquistare hardware per l’IA locale?

La mia risposta è: dipende dal motivo.

Non conviene acquistarlo soltanto per risparmiare il costo di uno o più abbonamenti, nella maggior parte dei casi, almeno inizialmente, il cloud rimane più economico, più semplice e più potente.

Può invece avere senso quando la scuola ha bisogno di:

• lavorare su documenti interni riducendo la trasmissione verso servizi esterni;

• garantire un ambiente stabile per sperimentazioni di lunga durata;

• utilizzare l’IA anche senza connessione a Internet;

• costruire una base di conoscenza privata;

• creare laboratori tecnici sul funzionamento reale dei modelli;

• controllare in modo più preciso modelli, interfacce e modalità di utilizzo;

• integrare funzioni intelligenti in applicativi didattici specifici;

• sostenere un carico di lavoro continuativo e già chiaramente definito.

L’IA locale non dovrebbe essere acquistata per il fascino di possedere una macchina potente, dovrebbe essere considerata un’infrastruttura e un’infrastruttura ha senso soltanto quando esiste un servizio concreto che deve garantire.

La domanda finale non riguarda l’hardware

Prima di chiedere quale computer acquistare, una scuola dovrebbe quindi domandarsi:

Quale attività vogliamo poter svolgere che oggi non riusciamo a realizzare in modo adeguato?

Se la risposta riguarda la privacy, la continuità, l’accesso offline, la ricerca sugli archivi interni, l’integrazione con applicativi didattici o la costruzione di un laboratorio avanzato, allora l’IA locale può rappresentare un investimento interessante, se invece l’obiettivo è semplicemente disporre di un chatbot per scrivere testi, preparare lezioni o generare qualche immagine, è probabile che un servizio cloud rimanga ancora la soluzione più razionale, almeno per ora.

La mia esperienza mi sta portando verso una conclusione abbastanza chiara.

L’IA locale non è necessariamente un’alternativa completa al cloud, è uno strumento diverso, che diventa prezioso quando abbiamo bisogno di maggiore controllo sul processo, sui dati e sulle funzioni che vogliamo integrare.

Il punto non è possedere l’intelligenza artificiale, il punto è costruire le condizioni per utilizzarla in modo consapevole, sostenibile e coerente con gli obiettivi educativi della scuola.

Nei prossimi articoli non parleremo dell’IA locale come dell’ennesima novità tecnologica.

Proveremo invece a capire come trasformarla in uno strumento di lavoro per il docente, partendo da una domanda molto concreta: è possibile costruire un ambiente di IA realmente nostro, che rispetti la privacy, sia comprensibile e soprattutto utile nella pratica quotidiana?

Cominceremo dal primo passo, installeremo Ollama, vedremo come scegliere il primo modello e scopriremo che cosa accade davvero quando un’intelligenza artificiale smette di vivere “nel cloud” e inizia a lavorare direttamente sul nostro computer.

Nota sull’uso dell’intelligenza artificiale

Le illustrazioni presenti in questo articolo sono state generate mediante strumenti di intelligenza artificiale generativa, quindi selezionate, curate e adattate per accompagnare i contenuti e mantenere coerenza con l’identità visiva del progetto.

La versione audio dell’articolo è stata generata mediante strumenti di intelligenza artificiale a partire dal testo scritto dall’autore umano. La voce utilizzata è sintetica e non corrisponde a una registrazione diretta dell’autore. I contenuti sono stati rivisti, curati e validati prima della pubblicazione.

Dal mio taccuino di lavoro

Ogni tanto, quando il ritmo del lavoro rallenta, torno al mio taccuino, è un insieme piuttosto disordinato di appunti raccolti durante le lezioni, le attività di formazione, le sperimentazioni con nuovi strumenti e le letture che accompagnano il mio lavoro.

In questi giorni, rileggendo quelle pagine, ho ritrovato più volte la stessa domanda: mentre introduciamo nella scuola sistemi di intelligenza artificiale sempre più potenti, stiamo aiutando gli studenti a pensare meglio oppure stiamo soltanto rendendo più semplice ottenere una risposta?

Non è una domanda sull’opportunità di usare o non usare l’IA a scuola, questi strumenti sono già entrati nelle nostre classi, direttamente o attraverso le abitudini degli studenti. La questione, almeno per me, è capire quando possano sostenere realmente l’apprendimento, quando rischino di sostituire il ragionamento e quali competenze dobbiamo rafforzare per non delegare alle macchine ciò che dovrebbe rimanere umano.

Da questi appunti nasce una riflessione più lunga del consueto, perché alcuni temi non si lasciano comprimere in poche righe, soprattutto quando riguardano il modo in cui insegniamo, apprendiamo e prendiamo decisioni.

Si parte :-)

Preferisci ascoltare?

Ho trasformato alcune delle domande centrali di questo articolo in un breve approfondimento audio, non è la lettura del testo, ma un percorso complementare dedicato alla differenza tra ottenere una risposta e comprendere davvero ciò che stiamo facendo. L’audio dell’articolo, come indicato nelle note a pie di pagina sull’uso dell’IA per questo articolo, è stata generata mediante strumenti di intelligenza artificiale a partire dal testo scritto dall’autore umano.

🎧 Ascolto di approfondimento: Dalla risposta alla comprensione

Negli ultimi vent’anni la scuola è stata attraversata da una successione quasi ininterrotta di innovazioni tecnologiche.

Abbiamo visto arrivare le lavagne interattive, i tablet, le piattaforme per la didattica digitale, gli ambienti cloud, le applicazioni per la collaborazione e, infine, gli strumenti di intelligenza artificiale generativa.

Ogni passaggio è stato accompagnato da promesse, entusiasmi, resistenze e discussioni. Alcune tecnologie hanno migliorato concretamente il modo di insegnare e di apprendere; altre sono state adottate senza una riflessione sufficiente, per poi essere abbandonate o sostituite dall’innovazione successiva.

Oggi, di fronte alla diffusione dell’intelligenza artificiale, la questione non può essere ridotta alla scelta tra accettazione e rifiuto.

La domanda che dovremmo porci è più complessa:

quale ruolo vogliamo assegnare alla tecnologia nella nostra classe, nel lavoro del docente e nei processi di apprendimento degli studenti?

Non tutta l’intelligenza artificiale è uguale

Nel dibattito sull’IA compare sempre più spesso l’espressione inglese AI slop.

Il termine indica contenuti generati automaticamente, spesso scadenti, ripetitivi, privi di originalità, inaccurati o addirittura insensati. Testi, immagini e video formalmente plausibili, ma senza una reale intenzione comunicativa, senza profondità e, soprattutto, senza una responsabilità umana riconoscibile.

Una parte della produzione generata dall’IA appartiene certamente a questa categoria, basta osservare la quantità di testi impersonali, immagini stereotipate e risposte apparentemente corrette che circolano online per rendersi conto del problema; questo, però, non significa che ogni impiego dell’intelligenza artificiale sia necessariamente inutile o dannoso.

Il compito più importante, per chi educa, consiste proprio nel saper distinguere, occorre separare gli usi che delegano impropriamente alle macchine decisioni delicate da quelli che, invece, possono sostenere l’analisi, la progettazione, la ricerca e l’apprendimento.

Non si tratta, quindi, di accettare o rifiutare l’IA nel suo complesso, ma di stabilire quali utilizzi siano sensati, quali richiedano particolari cautele e quali debbano essere esclusi.

Iscriviti ora

Quando la simulazione viene scambiata per comprensione

Un esempio problematico è l’impiego dell’intelligenza artificiale come terapeuta, consulente emotivo o sostituto di una relazione di aiuto professionale.

Un sistema generativo non prova emozioni e non comprende realmente ciò che una persona gli racconta.

Analizza sequenze di parole, riconosce configurazioni simili a quelle presenti nei dati utilizzati durante l’addestramento e produce una risposta linguisticamente plausibile, può imitare il tono dell’ascolto, della partecipazione e dell’empatia, ma l’imitazione di un comportamento non equivale all’esperienza umana che quel comportamento rappresenta.

Una risposta può sembrare attenta, rassicurante e persino affettuosa, senza che dietro quelle parole esista alcuna comprensione della sofferenza, della paura o della fragilità della persona che le sta leggendo.

La salute mentale è una componente troppo importante del nostro benessere per essere affidata a un sistema che non conosce davvero la persona, non possiede coscienza della situazione e non può assumersi la responsabilità delle conseguenze dei propri suggerimenti.

Possiamo programmare una macchina affinché simuli alcuni segnali dell’empatia, non possiamo programmare l’esperienza umana dell’empatia, sono due cose profondamente diverse.

Quando l’IA sostiene il lavoro senza sostituire il giudizio

Esistono, al contrario, utilizzi nei quali l’intelligenza artificiale può rappresentare un valido supporto.

Immaginiamo di dover preparare un dibattito da svolgere in classe, possiamo raccogliere documenti, articoli, studi e materiali di approfondimento, inserirli in uno strumento come NotebookLM e costruire un ambiente di consultazione basato sulle fonti che abbiamo scelto, a quel punto possiamo interrogare i documenti, chiedere un confronto tra posizioni differenti, individuare concetti ricorrenti, far emergere eventuali lacune e simulare possibili obiezioni.

Lo strumento non sostituisce lo studio e non garantisce che ogni risposta sia corretta, può però aiutarci a esplorare le fonti, organizzare il lavoro e mettere alla prova un’argomentazione, la differenza è sostanziale.

Nel primo caso chiediamo all’IA di occupare uno spazio che richiede comprensione, relazione, competenza professionale e responsabilità umana, nel secondo caso utilizziamo uno strumento per sostenere un processo che rimane sotto il nostro controllo.

Anche in questo tipo di attività possono comparire errori, semplificazioni e allucinazioni; nessun sistema generativo può essere considerato infallibile, neppure quando lavora su un insieme circoscritto di fonti.

La responsabilità della verifica rimane quindi nostra.

Oltre lo human in the loop

Si parla spesso della necessità di mantenere l’essere umano nel circuito decisionale, secondo il principio dello human in the loop, è un criterio importante, ma credo sia necessario andare oltre.

Non basta prevedere che una persona intervenga al termine del processo per approvare o correggere il risultato prodotto dall’algoritmo, l’intero sistema dovrebbe essere progettato partendo dai bisogni, dai diritti e dalle responsabilità delle persone coinvolte.

La dimensione umana deve rimanere centrale nel modo in cui parliamo dell’intelligenza artificiale, nelle decisioni che assumiamo, nella scelta degli strumenti, nella definizione delle regole d’uso e nella tutela dei dati personali, deve rimanere centrale anche quando scriviamo, progettiamo o creiamo con l’IA.

Non dovremmo descrivere un sistema generativo come se fosse un essere vivente che pensa, comprende, desidera o decide, espressioni come “l’IA sa”, “l’IA vuole”, oppure “l’IA si rende conto” possono essere comode nel linguaggio quotidiano, ma rischiano di attribuire alla tecnologia capacità che non possiede.

Un modello linguistico genera risposte, non prova intenzioni, può produrre un ragionamento formalmente convincente, senza avere coscienza del significato di ciò che sta affermando, ricordarlo non significa sminuire la potenza dello strumento, significa utilizzarlo con maggiore precisione.

Iscriviti ora

La logica prima dello strumento

Per sfruttare in modo responsabile l’intelligenza artificiale in classe occorre recuperare una competenza che rischiamo spesso di dare per scontata: il ragionamento logico.

Negli ultimi anni la scuola è stata attraversata da molte parole chiave: pensiero critico, problem solving, didattica per competenze, apprendimento basato sui progetti, creatività, collaborazione, sono tutte espressioni importanti, ma possono trasformarsi in semplici formule se non vengono sostenute da attività cognitive concrete.

Il pensiero critico, in particolare, non nasce automaticamente dal fatto di sottoporre gli studenti a problemi complessi o di chiedere loro di esprimere un’opinione.

Per valutare criticamente un’affermazione occorre saper riconoscere le premesse, individuare i passaggi del ragionamento, distinguere una correlazione da una relazione causale, rilevare una contraddizione e verificare se una conclusione deriva realmente dai dati disponibili, tutto questo richiede logica.

La logica non appartiene soltanto alla filosofia, alla matematica o all’informatica, è presente ogni volta che un bambino sceglie come vestirsi osservando le condizioni atmosferiche, quando uno studente formula un’ipotesi durante un esperimento, quando confronta due fonti oppure quando cerca di capire perché un programma non funziona.

Un tempo molti di questi passaggi venivano affrontati in maniera più esplicita attraverso dimostrazioni geometriche, problemi, analisi di proposizioni e attività basate su condizioni del tipo “se… allora…”, oggi, nella scuola italiana, questi contenuti non sono scomparsi, ma rischiano di essere distribuiti in modo frammentario tra discipline, progetti e attività occasionali.

Il problema non è l’uso o il mancato uso del libro di testo, un manuale può offrire una struttura utile, ma non garantisce da solo lo sviluppo del ragionamento; allo stesso modo, una didattica costruita con materiali diversi può essere molto rigorosa, purché rimangano chiari gli obiettivi, la progressione dei contenuti e le competenze che si intendono sviluppare.

Il punto centrale è un altro: la logica dovrebbe tornare a essere visibile.

Dovremmo indicare agli studenti quando stanno formulando una deduzione, quando stanno verificando una premessa, quando stanno costruendo una generalizzazione e quando, invece, stanno accettando una conclusione che non è sostenuta dalle informazioni disponibili.

Ottenere la risposta non significa aver compreso

La diffusione delle calcolatrici, dei motori di ricerca e, oggi degli strumenti di intelligenza artificiale ha reso sempre più facile raggiungere rapidamente un risultato, questa facilità può però generare un equivoco.

Sapere come ottenere la risposta corretta non significa necessariamente aver compreso il problema.

Uno studente può applicare una formula senza sapere che cosa rappresenti, può utilizzare un algoritmo senza comprenderne i passaggi, può copiare un programma funzionante senza essere in grado di spiegare perché funzioni.

Con l’intelligenza artificiale questa distanza tra risultato e comprensione diventa ancora più evidente.

Il sistema può produrre in pochi secondi una relazione di laboratorio, un programma, una dimostrazione o una spiegazione apparentemente impeccabile, lo studente può consegnare un elaborato corretto nella forma, senza aver costruito alcuna conoscenza stabile.

La questione educativa non consiste allora nel proibire automaticamente lo strumento, ma nel modificare le attività affinché il risultato generato non coincida con il traguardo dell’apprendimento.

Occorre chiedere agli studenti di spiegare, verificare, confrontare, correggere e giustificare.

Non soltanto: “Qual è la risposta?”, ma anche: “Su quali premesse si basa?”, “Come possiamo controllarla?”, “In quale situazione potrebbe essere sbagliata?”, “Che cosa cambierebbe modificando uno dei dati iniziali?”.

La pizza con la colla e il rischio dell’automatismo

Uno degli esempi più noti di risposta assurda prodotta da un sistema generativo suggeriva di aggiungere della colla sulla pizza per impedire al formaggio di scivolare, letta isolatamente, la vicenda può sembrare soltanto divertente.

Il problema, però, non è la singola risposta grottesca, il problema è l’abitudine ad accettare le risposte automatiche senza sottoporle a verifica.

Di fronte alla colla sulla pizza, il buon senso dovrebbe essere sufficiente a farci rifiutare immediatamente il suggerimento, non tutti gli errori, però, sono altrettanto evidenti.

Molte risposte errate sono credibili, formulate bene e mescolate a informazioni corrette ed è proprio questa plausibilità a renderle pericolose.

Se ci abituiamo a considerare l’output dell’algoritmo come un punto di arrivo, anziché come un oggetto da analizzare, rischiamo di indebolire progressivamente la nostra capacità di giudizio.

La domanda potrebbe non essere più: “Questa risposta è corretta?”, ma diventare: “Per quale motivo l’IA dovrebbe sbagliare?”.

È un rovesciamento pericoloso.

L’affidabilità non deve essere presunta, deve essere verificata.

Iscriviti ora

Educare alla logica nell’epoca dell’intelligenza artificiale

Accogliere il cambiamento non significa rinunciare a valutarlo criticamente, significa riconoscere il valore delle nuove possibilità, senza ignorarne i limiti e i rischi, significa osservare ogni situazione, considerare il contesto e scegliere consapevolmente quali strumenti utilizzare, con quali studenti e per quali obiettivi, per questo motivo, insieme all’educazione all’intelligenza artificiale, dovremmo rafforzare l’educazione alla logica in ogni fase del percorso scolastico.

Non è necessario introdurre ovunque una nuova disciplina autonoma, possiamo cominciare rendendo esplicite le strutture logiche già presenti nelle attività quotidiane.

Nella scuola primaria si può lavorare su classificazioni, sequenze, relazioni di causa ed effetto, condizioni e semplici inferenze.

Nella scuola secondaria si possono analizzare argomentazioni, confrontare fonti, riconoscere fallacie, costruire dimostrazioni, utilizzare tavole di verità, verificare ipotesi sperimentali e discutere il comportamento degli algoritmi.

Nelle attività con l’intelligenza artificiale possiamo chiedere agli studenti di individuare le affermazioni verificabili, separare i fatti dalle interpretazioni, confrontare una risposta con fonti autorevoli e motivare la decisione di accettarla, correggerla o rifiutarla, è in questo passaggio che l’intelligenza artificiale può diventare uno strumento didattico realmente interessante, non quando evita agli studenti la fatica del pensiero, ma quando ci offre nuovi materiali sui quali esercitare il pensiero.

La decisione deve rimanere umana

Noi esseri umani progettiamo i sistemi, scegliamo i dati, definiamo gli obiettivi e decidiamo in quali contesti utilizzare l’intelligenza artificiale, siamo anche coloro che devono controllarne i risultati, riconoscerne gli errori e assumersi la responsabilità delle decisioni.

L’IA può assisterci nell’analisi, nella scrittura, nella progettazione e nell’esplorazione delle informazioni, non dovrebbe però diventare il luogo nel quale depositiamo, senza controllo, il nostro giudizio.

La vera sfida per la scuola non consiste nell’inseguire ogni nuovo strumento e neppure nel difendersi da ogni innovazione, consiste nel formare persone capaci di utilizzare tecnologie potenti senza rinunciare alla propria capacità di pensare, perché l’intelligenza artificiale può produrre risposte, suggerire percorsi e generare possibilità, ma deve spettare ancora a noi decidere quali di quelle possibilità abbiano senso e soprattutto, quali siano compatibili con la scuola e con la società che desideriamo costruire.

Nota sull’uso dell’intelligenza artificiale

Le illustrazioni presenti in questo articolo sono state generate mediante strumenti di intelligenza artificiale generativa, quindi selezionate, curate e adattate per accompagnare i contenuti e mantenere coerenza con l’identità visiva del progetto.

La versione audio dell’articolo è stata generata mediante strumenti di intelligenza artificiale a partire dal testo scritto dall’autore umano. La voce utilizzata è sintetica e non corrisponde a una registrazione diretta dell’autore. I contenuti sono stati rivisti, curati e validati prima della pubblicazione.

La cartella era vuota soltanto in apparenza,
la cartella era ancora lì:

non_cercare_elia

Non lampeggiava, non cambiava posizione e non mostrava alcun segno particolare, era una normale icona sul desktop di un vecchio portatile, comparsa pochi secondi dopo che avevo chiuso codice_17.py.

Il nome, però rendeva difficile trattarla come un oggetto normale.

Portai il puntatore sopra l’icona, senza fare clic, il gesto più immediato sarebbe stato aprirla, ma era anche quello che avrebbe prodotto più conseguenze e meno informazioni; prima di entrare volevo capire che cosa stavo toccando;

aprii le proprietà,

la cartella risultava modificata alle 16:12:41,

guardai l’orologio nell’angolo dello schermo: erano le 16:13;

il dato non dimostrava che la cartella fosse stata creata in quel momento, una data di modifica non è un certificato di nascita e può cambiare per ragioni diverse, però riduceva le spiegazioni più comode; non sembrava un residuo dimenticato sul desktop da anni.

Annotai l’ora su un foglio,

poi aprii la cartella,

era vuota.

La finestra mostrava soltanto lo spazio bianco riservato ai file, senza nomi, icone o sottocartelle; per qualche secondo pensai che il nome fosse l’intero messaggio, una cartella creata per attirare l’attenzione e non contenere nulla.

Quella spiegazione aveva un problema,

una cartella vuota non avrebbe giustificato la modifica delle 16:12:41, a meno che qualcosa non l’avesse appena creata, rinominata o toccata, inoltre, in un sistema informatico, “non vedo nulla” non significa necessariamente “non c’è nulla”.

Dal menu della finestra attivai la visualizzazione degli elementi nascosti,

non comparve niente,

il risultato era pulito, ma non conclusivo. Le impostazioni grafiche possono filtrare elementi, confondere attributi o dipendere dal modo in cui il sistema decide di presentarli; preferii interrogare direttamente la cartella.

Aprii un terminale sul desktop e scrissi poche righe:

from pathlib import Path
from datetime import datetime

cartella = Path("non_cercare_elia")

for elemento in cartella.iterdir():
    modifica = datetime.fromtimestamp(elemento.stat().st_mtime)
    print(elemento.name, modifica.strftime("%H:%M:%S"))

Il programma non cercava significati nascosti e non interpretava il nome della cartella, chiedeva soltanto al file system di elencare ciò che conteneva, compresi gli elementi che l’interfaccia poteva non mostrare.

Premetti Invio.

.accessi_17.log 16:12:41

La cartella non era vuota,

conteneva un file nascosto chiamato .accessi_17.log.

Il punto iniziale spiegava perché non fosse comparso nella visualizzazione ordinaria, il resto del nome era meno rassicurante. Un log è una registrazione cronologica, non dimostra che ogni riga sia autentica, ma indica che qualcuno o qualcosa ha scelto di conservare una sequenza di eventi.

Aprii il file in sola lettura,

c’erano tre righe,

la prima riportava la data della sera precedente, le altre due, quella del giorno in corso:

23:17:04 | nome=elia  | esito=negato | origine=LAB-2
16:08:06 | nome=elia  | esito=negato | origine=LAB-3
16:11:54 | nome=admin | esito=attivo | origine=LAB-3.

Rilessi i valori senza muovere il cursore,

le ultime due righe corrispondevano alle mie prove.

Alle 16:08 avevo eseguito lo script con elia, poco prima delle 16:12 avevo sostituito quel valore con admin ed eseguito di nuovo il programma; l’ordine coincideva, così come gli esiti;

il file aveva registrato entrambe le operazioni.

Tornai a codice_17.py e controllai ancora una volta il frammento completo:

• la lista;

• il dizionario;

• la condizione;

• le istruzioni di stampa;

non c’era alcuna apertura di file, nessuna scrittura su disco, nessun riferimento a .accessi_17.log;

lo script visibile non poteva produrre quelle righe,

questo non significava che il computer stesse prendendo decisioni, poteva esserci un secondo programma in esecuzione, un servizio locale, un comando di avvio, un ambiente configurato per controllare il file o una procedura rimasta attiva da un vecchio progetto;

le spiegazioni ordinarie esistevano ancora,

il problema era che non ne avevo ancora verificata nessuna,

la prima riga introduceva una difficoltà ulteriore,

23:17:04 | nome=elia | esito=negato | origine=LAB-2

Non riportava LAB-3,

riportava LAB-2;

l’orario coincideva quasi perfettamente con quello stampato dal programma e con la modifica del file osservata nei metadati, però adesso compariva in un terzo contesto, non come valore scritto nello print, non come ora di modifica di codice_17.py, ma come evento del log.

La coincidenza diventava più forte, non ancora una spiegazione.

Osservai di nuovo il commento presente nel codice:

# Se la chiave manca, controlla cosa resta

Fino a quel momento avevo verificato soltanto due valori già previsti: elia e admin. Per capire se il log stesse copiando l’output, osservando l’esecuzione o reagendo a qualcos’altro serviva una prova diversa;

sostituii il nome con un valore che non compariva né nella lista né nel dizionario:

nome = "prova"

Eseguii lo script:

Utente inesistente
Stato accesso: non registrato
Ultimo controllo: 23 : 17

Questa volta il comportamento era esattamente quello previsto, prova non apparteneva alla lista e non era una chiave del registro, il programma aveva quindi usato il valore predefinito non registrato.

Tornai al file nascosto,

la quarta riga era già presente:

16:15:20 | nome=prova | esito=non registrato | origine=LAB-3

Non avevo più soltanto una corrispondenza con eventi precedenti, avevo osservato l’aggiornamento.

Qualcosa, esterno al frammento visibile di codice_17.py stava registrando le esecuzioni dello script.

Aprii una seconda finestra del terminale, con l’intenzione di controllare i processi attivi, prima di scrivere il comando, il cursore del file di log si spostò verso il basso.

Comparve una quinta riga:

16:15:21 | nome=docente | esito=attivo | origine=LAB-2

Non avevo eseguito docente,

non avevo digitato quel valore,

soprattutto quella riga non dichiarava di provenire da LAB-3.

Rimasi con le mani ferme sulla tastiera, mentre l’orologio passava alle 16:16.

Il file non dimostrava che nel laboratorio esistesse un secondo computer acceso, non provava un collegamento di rete e non identificava una persona, LAB-2 poteva essere il nome di una macchina, una vecchia etichetta, una variabile o un’origine falsa scritta da un processo locale.

Una cosa, però, era appena diventata certa,

l’ultima registrazione non corrispondeva a nessuna azione che avevo compiuto

e il sistema sosteneva che fosse arrivata da un’altra postazione.

Qualcuno ha lasciato un file aperto, non era in una cartella visibile, non aveva un nome rassicurante e non compariva tra i documenti recenti,

era nascosto in un vecchio portatile di laboratorio, dentro un archivio che sembrava dimenticato da anni,

il file si chiamava:

codice_17.py

All’inizio sembrava solo un piccolo programma Python: poche righe, qualche variabile, un controllo, un messaggio stampato a video, poi è comparso un nome

elia

Da quel momento ogni frammento ha iniziato a sembrare un indizio: utenti negati, cartelle che non dovrebbero esistere, log incompleti, commenti lasciati nel codice, numeri che ritornano sempre alla stessa ora.

Non so ancora chi abbia scritto quel file,

non so nemmeno se sia stato scritto per essere eseguito, oppure soltanto per essere trovato,

forse era un esperimento dimenticato,

forse era un avvertimento.

—

Da oggi apro l’archivio, un frammento alla volta.

Chi legge potrà seguire la storia, osservare il codice, interpretare le tracce e decidere quali dettagli meritano attenzione.

Una sola precauzione: non tutto ciò che il programma stampa è vero, e non tutto ciò che sembra un errore è davvero un errore.

Buona lettura.

P.S.

Abbiate pazienza: questo è un esperimento di scrittura, è un’idea nata qualche tempo fa e tornata fuori sotto l’ombrellone, tra appunti, letture estive e quella voglia un po’ ostinata di cercare strade diverse per raccontare il Coding.

Non volevo partire da una spiegazione, né da una lezione. Volevo provare a costruire una storia in cui il codice non fosse un esercizio, ma una traccia; non una soluzione immediata, ma un indizio da osservare.

La storia si sta costruendo mentre la scrivo. Le puntate successive non sono tutte già chiuse, e anche il finale è ancora in movimento. Alcuni indizi sono già stati seminati, altri nasceranno lungo il percorso, mentre l’archivio si aprirà un frammento alla volta.

Una scrittura in esplorazione, un piccolo laboratorio narrativo dove racconto, mistero e codice provano a stare insieme.

Vediamo dove ci porterà.

Intanto fate attenzione ai nomi, ai file, agli orari e ai piccoli dettagli che sembrano fuori posto.

Qualcosa, nei prossimi mesi, potrebbe accadere.

Iscriviti ora

—

+--------------------------------------+
|              CODICE 17               |
|   01. Il file che non doveva esserci |
+--------------------------------------+

> apertura archivio...
> file rilevato: codice_17.py
> stato: accesso negato

Il vecchio portatile era rimasto nell’armadio del laboratorio per anni.

Il laboratorio era vuoto, con le sedie ancora capovolte sui banchi e l’odore leggero di polvere calda che rimane quando gli alimentatori vengono riaccesi dopo molto tempo.

Sui cassetti c’erano etichette ormai quasi illeggibili:

sensori, cavi rete, schede da testare.

In fondo, vicino alla finestra, una stampante 3D ferma da mesi custodiva ancora un pezzo incompleto sul piano di stampa.

Nessuno ricordava più chi avesse usato per ultimo quel portatile, era uno di quei computer di servizio che nelle scuole sopravvivono a tutto: cambi di aula, traslochi, progetti finiti, alimentatori persi, password dimenticate;

l’ho trovato sotto una pila di cavi USB, adattatori VGA e vecchi sensori mai inventariati,

sul coperchio c’era un’etichetta scolorita:

LAB-3 / NON FORMATTARE

Naturalmente è stata la prima cosa che mi ha fatto venire voglia di accenderlo;

la batteria era morta, ho cercato un alimentatore compatibile, ho collegato il cavo e ho premuto il pulsante,

per qualche secondo non è successo nulla, poi la ventola ha iniziato a girare con un rumore secco, quasi infastidito, e lo schermo si è acceso,

nessuna icona, nessun documento, solo una cartella al centro del desktop

backup_finale_non_aprire

dentro c’era un unico file:

codice_17.py

l’ho aperto

utenti = ["admin", "tecnico", "docente", "elia"]

registro = {
    "admin": "attivo",
    "tecnico": "attivo",
    "docente": "attivo",
    "elia": "negato"
}

nome = "elia"

if nome in utenti:
    print("Utente trovato:", nome)
else:
    print("Utente inesistente")

stato = registro.get(nome, "non registrato")
print("Stato accesso:", stato)

# dict.get(key, default)
# Se la chiave manca, controlla cosa resta.

print("Ultimo controllo:", 23, ":", 17)

Non era un programma lungo, né sembrava pericoloso,

assomigliava a una piccola verifica, uno di quei controlli automatici che qualcuno scrive, usa una volta e poi dimentica,

l’ho eseguito

il terminale ha risposto così:

Utente trovato: elia
Stato accesso: negato
Ultimo controllo: 23 : 17

All’inizio ho pensato a un vecchio account di laboratorio, così ho controllato nei registri degli utenti, nelle cartelle condivise e nei progetti archiviati,

nessun Elia,

nessuna consegna,

nessuna autorizzazione,

nessuna traccia,

eppure il codice diceva altro.

Per il sistema, Elia era stato trovato, non era inesistente, era negato,

c’era un altro particolare che mi disturbava.

Nel codice tutti gli utenti erano scritti come ruoli:

admin, tecnico, docente.

Solo elia era un nome,

non una funzione,

non un profilo,

una persona;

la differenza sembrava minima, tuttavia in informatica le differenze minime sono spesso quelle che aprono le porte peggiori;

ho controllato la data di modifica del file,

non risaliva ad anni prima, non era un vecchio residuo dimenticato.

codice_17.py

era stato modificato ieri sera, alle 23:17.

Sotto l’ultima riga c’era anche un commento che non avevo notato subito:

# dict.get(key, default)

# Se la chiave manca, controlla cosa resta.

Sembrava un promemoria tecnico, uno di quegli appunti che si lasciano nel codice per ricordare come funziona un comando, oppure era un’indicazione;

per curiosità ho cambiato una sola riga,

al posto di:

nome = "elia"

ho scritto:

nome = "admin"

Questa volta il programma ha risposto come previsto:

Utente trovato: admin
Stato accesso: attivo
Ultimo controllo: 23 : 17

Tutto normale, almeno fino a quando non ho chiuso il file.

Sul desktop era comparsa una nuova cartella:

non_cercare_elia

In questo anno scolastico mi è capitato spesso di osservare gli studenti durante le attività di laboratorio.

Ragazzi e ragazze di 16 o 17 anni, seduti davanti ai loro portatili, impegnati a scrivere relazioni, svolgere esercizi, impostare formule matematiche, completare consegne per il giorno dopo.

Sapete qual è una delle scene che ho visto ripetersi più spesso?

Aprono ChatGPT, Claude o strumenti simili, incollano la richiesta, chiedono una soluzione, attendono pochi minuti e il compito è fatto, tempo tecnico: tra i cinque e i dieci minuti.

Così il pomeriggio resta libero per mille altre attività: sport, musica, teatro, corsi, amici, famiglia.

Una bella adolescenza, verrebbe da dire :-)

Eppure, dietro questa scena apparentemente normale, c’è una questione enorme che noi insegnanti non possiamo più rimandare.

Dirò una cosa forse ovvia, ma credo abbastanza vicina alla realtà: molti studenti usano già l’intelligenza artificiale per svolgere i compiti, non tutti allo stesso modo, non sempre con la stessa consapevolezza, ma il fenomeno è ormai presente, me lo confermano anche dichiarazioni spontanee, spesso anonime, raccolte a scuola durante conversazioni informali.

Iscriviti ora

A questo punto la domanda diventa inevitabile: come possiamo insegnare, se ogni risposta può essere prodotta in pochi secondi da uno strumento di intelligenza artificiale?

È una domanda che mi viene posta spesso anche durante i corsi di formazione con i docenti.

Sto cercando di approfondire il tema, confrontandomi con colleghi italiani e leggendo anche esperienze provenienti da altri Paesi europei. La sensazione, però, è che le risposte siano ancora poche, frammentate e non sempre realmente applicabili alla quotidianità scolastica.

Durante alcuni corsi ho provato a chiedere ai colleghi quale fosse la loro percezione sull’uso dell’IA da parte degli studenti, la stima, molto approssimativa, è che almeno il 50% degli studenti la utilizzi per svolgere i compiti, io sinceramente, credo che la percentuale sia anche più alta, mi riservo però di affrontare il tema in modo più strutturato il prossimo anno scolastico, magari costruendo un piccolo metodo di osservazione e analisi più rigoroso.

Il problema principale è che l’uso dell’IA non è sempre facile da riconoscere.

Certo, a volte emergono segnali abbastanza evidenti: formule linguistiche ricorrenti, frasi troppo levigate, passaggi generici, punteggiatura innaturale, risposte formalmente corrette ma poco aderenti alla consegna, tuttavia, con qualche correzione e un minimo di attenzione, il confine tra produzione umana e produzione assistita dalla macchina diventa molto più sottile.

Non esiste, almeno oggi, un metodo davvero inconfutabile per stabilire quando e quanto uno studente abbia usato l’IA.

Nella correzione di relazioni tecniche, esercizi e programmi scritti in C o in Python, mi è capitato di ricevere lavori palesemente generati dall’intelligenza artificiale, in alcuni casi erano persino privi di senso rispetto alla consegna, gli studenti più maldestri non si erano nemmeno presi il tempo di confrontare ciò che avevano consegnato con ciò che era stato richiesto.

Altre volte, invece, il lavoro era formalmente ordinato, ma talmente generico e povero di riferimenti alla lezione da rendere evidente una cosa: lo studente non aveva realmente studiato, né rielaborato gli appunti, né compreso il percorso svolto in classe.

E allora che facciamo?

Ci trasformiamo in investigatori?

Personalmente non credo sia questa la strada e provo anche a mettermi nei panni dei colleghi di area umanistica, che spesso hanno molte più classi e molti più studenti da seguire. Possiamo davvero pensare di giocare al poliziotto con cento o più ragazzi?

Non credo.

Iscriviti ora

La questione, secondo me, non è soltanto “come scoprire chi copia”, la questione è molto più profonda: dobbiamo ripensare che cosa chiediamo agli studenti, quando glielo chiediamo e in che modo valutiamo ciò che producono.

Io stesso, insieme ad altri colleghi con cui mi sono confrontato, ho iniziato a modificare in modo significativo la mia didattica, molto più lavoro viene svolto in classe, sotto la supervisione dell’insegnante, non solo verifiche, ma momenti di produzione, ragionamento, revisione, confronto, spiegazione orale, controllo del processo.

È un cambiamento positivo, perché riporta al centro l’apprendimento osservabile e il percorso dello studente, non solo il prodotto finale consegnato, ma è anche un cambiamento molto impegnativo, richiede tempi diversi, spazi diversi, consegne diverse, strumenti diversi. Tutto ciò richiederebbe anche classi meno numerose, maggiore compresenza, ambienti più flessibili e una progettazione didattica più sostenibile e qui tocchiamo un punto delicato: non credo che la scuola, almeno nella sua organizzazione attuale, sia davvero pronta ad affrontare fino in fondo questo cambiamento e immagino che anche l’università si trovi davanti a problemi molto simili.

Vorrei lasciarvi con una domanda che mi ha posto un collega di italiano e storia:

“se per scrivere un tema, cioè un testo in cui dovrebbero emergere pensieri personali, creatività, convinzioni, dubbi, sensibilità e visione del mondo, uno studente si appoggia completamente all’IA, che senso ha ancora insegnare a scrivere?”

È una domanda forte.

Molti colleghi non hanno ancora una risposta definitiva. Forse nessuno di noi ce l’ha davvero.

Io sto provando a costruirne una attraverso lezioni, riflessioni e strategie operative raccolte nel percorso “IA a Scuola”:

https://maffucci.substack.com/p/ia-a-scuola

Una cosa, però, mi sembra chiara: non possiamo limitarci a vietare, inseguire, sospettare o punire.

Dobbiamo cambiare strategia e dobbiamo farlo rapidamente.

Saluti :-)

Il nome “Ventuno” non è casuale, richiama il numero 21, l’anniversario di Arduino, ma suggerisce anche una sorta di passaggio di maturità: dall’Arduino usato per imparare l’elettronica e il Coding, a una piattaforma capace di ospitare modelli di IA, elaborare immagini, riconoscere voce, interpretare gesti e controllare dispositivi fisici in tempo reale.

Iscriviti ora

Per chi lavora nella scuola, nella formazione tecnica, questa scheda merita attenzione non tanto perché sia “l’ennesima scheda potente”, ma perché porta dentro un formato familiare un’idea molto importante: l’intelligenza artificiale può essere locale, fisica, sperimentabile e collegata al mondo reale.

La caratteristica più interessante: due cervelli sulla stessa scheda

Arduino VENTUNO Q è costruita attorno a un’architettura che Arduino definisce “dual brain”.

Da una parte c’è il cervello ad alte prestazioni, basato su processore Qualcomm Dragonwing IQ8, è la parte pensata per eseguire Linux, gestire applicazioni complesse, elaborare dati, immagini, audio e modelli di intelligenza artificiale.

Dall’altra parte c’è un microcontrollore STM32H5, cioè il cervello più vicino alla tradizione Arduino: controllo in tempo reale, GPIO, PWM, bus industriali, sensori, motori, attuatori.

Questa separazione è didatticamente molto interessante, perché permette di distinguere due mondi che spesso vengono confusi:

In altre parole, la scheda può “capire” qualcosa attraverso l’IA e poi “agire” fisicamente in modo controllato, questo è il punto più importante: non solo IA che risponde a una domanda, ma IA che osserva, decide e produce un’azione nel mondo reale.

Le funzioni AI dichiarate da sito

A mio avviso, la parte più interessante, per chi si occupa di didattica e tecnologie educative, riguarda le funzionalità di intelligenza artificiale previste.

Arduino parla di modelli locali per:

• LLM, cioè modelli linguistici eseguiti direttamente sulla scheda;

• VLM, modelli capaci di combinare visione e linguaggio;

• riconoscimento vocale offline;

• sintesi vocale;

• riconoscimento di gesti;

• object tracking;

• pose detection;

• applicazioni robotiche con ROS 2;

• sviluppo tramite Arduino App Lab;

• integrazione con Edge Impulse e Qualcomm AI Hub.

Credo che il dato non debba essere letto come: “posso far girare qualsiasi IA come su un grande PC con GPU”, sarebbe una semplificazione,va letto piuttosto così: posso costruire sistemi di edge AI, cioè sistemi che elaborano dati localmente, senza dipendere necessariamente dal cloud.

Questo cambia molto il tipo di attività didattica che possiamo immaginare.

Perché mi interessa per la scuola

Chi segue le mie sperimentazioni sa che da tempo lavoro su strumenti come Lesson Flow, Concept Flow e altre applicazioni locali pensate per supportare la progettazione didattica, la generazione di materiali, la costruzione di percorsi e la riflessione metodologica.

Il tema che mi interessa non è soltanto “usare l’IA”, ma costruire ambienti in cui il docente possa sperimentare l’IA in modo più controllato, trasparente e comprensibile.

Una scheda come VENTUNO Q potrebbe diventare interessante in diversi ambiti, ho immaginato i tre scenari di seguito elencati.

Iscriviti ora

Scenario 1: un piccolo server locale per app didattiche con IA

La prima ipotesi è usare VENTUNO Q come un piccolo computer Linux dedicato alle applicazioni locali.

Immagino, ad esempio, una postazione in laboratorio in cui girano:

• un’interfaccia web per Lesson Flow;

• un sistema locale per generare bozze di lezioni;

• un’app per organizzare concetti, mappe, sequenze didattiche;

• un backend AI locale;

• un archivio di prompt e materiali;

• un ambiente accessibile via browser dai dispositivi della rete interna.

In questo scenario la scheda non sarebbe usata come “Arduino” nel senso tradizionale, ma come appliance didattica locale: un piccolo nodo di intelligenza artificiale per il laboratorio.

Il vantaggio sarebbe evidente: non dipendere sempre da servizi cloud, poter lavorare anche in modalità controllata, sperimentare con modelli locali, far vedere agli studenti che l’IA non è una magia remota, ma un sistema software che può essere installato, configurato, interrogato e valutato.

Scenario 2: un assistente locale per il laboratorio

Un secondo scenario è quello dell’assistente locale.

Immaginiamo una postazione in laboratorio elettronica, robotica o informatica in cui gli studenti possono chiedere supporto a un assistente AI locale:

• “spiegami questo errore nel codice”;

• “cosa fa questa istruzione?”;

• “come posso leggere un sensore?””

• “riassumi questa procedura”;

• “generami una checklist di collaudo”;

• “trasforma questi appunti in una scheda tecnica”.

In questo caso VENTUNO Q potrebbe funzionare come macchina dedicata a un modello locale di piccole o medie dimensioni, con un’interfaccia web semplice e controllata.

Non sarebbe necessariamente più potente di un buon PC, ma avrebbe un valore didattico diverso, sarebbe un oggetto fisico, visibile, configurabile, vicino all’elettronica e alla robotica. Gli studenti potrebbero osservare che l’IA non vive solo nei servizi online, ma può essere portata “a bordo macchina”.

Scenario 3: IA che osserva e agisce

Il terzo scenario è probabilmente il più coerente con la natura della scheda.

VENTUNO Q ha senso quando l’IA non deve solo produrre testo, ma deve interagire con il mondo fisico.

Esempi possibili:

• una telecamera riconosce oggetti e la scheda attiva una risposta;

• un modello vocale interpreta un comando e pilota un dispositivo;

• un sistema riconosce posture o movimenti e genera feedback;

• un robot usa visione artificiale e controllo motori;

• un banco didattico rileva anomalie e produce una spiegazione;

• un sistema di laboratorio classifica dati provenienti da sensori e visualizza un report.

Questo, in ambito scolastico, è potentissimo perché permette di collegare:

• informatica;

• elettronica;

• robotica;

• fisica;

• matematica;

• educazione civica digitale;

• privacy;

• progettazione di interfacce;

• pensiero critico sull’IA.

L’IA non è più solo chatbot, diventa sistema embedded, sistema cyber-fisico, ambiente di misura, dispositivo di supporto, macchina che interpreta dati e produce azioni.

Può far girare Lesson Flow o Concept Flow?

La risposta ragionata è: potenzialmente sì, ma dipende da come vengono progettate le app e da quali modelli si vogliono usare.

Se Lesson Flow o Concept Flow sono applicazioni web locali, con un’interfaccia nel browser e un backend che dialoga con un modello AI locale tramite API, allora VENTUNO Q potrebbe essere una piattaforma interessante.

La scheda supporta Ubuntu o Debian, quindi può essere trattata, almeno concettualmente, come un piccolo computer Linux. Questo significa poter immaginare:

• server web locale;

• applicazioni Python;

• ambienti Node.js;

• database leggeri;

• Docker;

• accesso via SSH;

• interfacce raggiungibili da browser;

• modelli AI locali ottimizzati.

Credo che si debba essere prudenti, perché un conto è far girare un’app web locale,un altro conto è ottenere buone prestazioni con modelli linguistici generativi. I 16 GB di RAM sono interessanti, ma non trasformano la scheda in una workstation con GPU dedicata. Per LLM locali bisognerà valutare dimensione del modello, quantizzazione, velocità di risposta, consumo, temperatura, compatibilità software e supporto reale dell’accelerazione AI.

In altre parole: come macchina locale per sperimentare IA didattica ha senso; come sostituto di un PC potente per generazione intensiva di testi, va verificata sul campo.

La questione Ollama

Nel mio caso, ma credo per molti mie colleghi sperimentatori, quando si parla di IA locale, il pensiero va subito a Ollama, è una strada possibile, soprattutto se l’obiettivo è eseguire modelli linguistici locali e interrogarli tramite API. Se la scheda esegue Linux su architettura ARM64, l’installazione di ambienti di questo tipo può diventare plausibile.

Il punto critico è un altro: non bisogna dare per scontato che Ollama sfrutti automaticamente la NPU Qualcomm presente sulla scheda. Potrebbe funzionare usando CPU e memoria di sistema, ma l’accelerazione hardware specifica potrebbe richiedere runtime, modelli e strumenti ottimizzati.

Per questo, almeno in una prima fase, vedo due strade:

1. usare VENTUNO Q come piccolo server Linux per app locali e modelli leggeri;

2. usare l’ecosistema Arduino App Lab, Qualcomm AI Hub ed Edge Impulse per sfruttare meglio i modelli ottimizzati per edge AI.

La prima strada è più vicina al mondo del docente-sperimentatore che vuole come me costruire strumenti come Lesson Flow o Concept Flow ed altri che stanno arrivando.

La seconda strada è più vicina al mondo dell’edge AI, della robotica, della visione artificiale e dei sistemi embedded.

VENTUNO Q ha senso a scuola?

Secondo me sì, ma non per tutti gli usi.

Non la vedo come scheda da acquistare in massa per ogni studente. Sarebbe probabilmente eccessiva per attività introduttive di Coding, sensori o automazione di base, per quelle attività bastano già micro:bit, ESP32, Arduino UNO R4, Raspberry Pi o altre soluzioni più economiche.

La vedo invece molto interessante in questi casi:

• laboratorio avanzato di robotica;

• corso di edge AI;

• progetto FSL (ex PCTO);

• dimostratore per IA locale;

• postazione docente per sperimentazioni;

• laboratorio interdisciplinare su IA, dati, sensori e privacy;

• attività per studenti del triennio tecnico;

• formazione docenti su IA locale e sistemi intelligenti;

• prototipo per applicazioni assistive o inclusive;

• nodo locale per app didattiche sperimentali.

Il valore scolastico non sta solo nella potenza della scheda, ma nella possibilità di far vedere agli studenti una filiera completa:

dato > modello > inferenza > decisione > azione > valutazione critica

Questa sequenza è uno dei modi migliori per rendere l’intelligenza artificiale comprensibile e non magica.

Iscriviti ora

Attenzione alla privacy e alla governance

Il fatto che un sistema sia locale non significa automaticamente che sia conforme, sicuro o corretto.

L’IA locale può ridurre alcuni rischi legati all’invio di dati verso servizi esterni, ma rimangono aperte molte questioni:

• quali dati vengono usati;

• dove vengono salvati;

• chi può accedere;

• se sono presenti dati personali degli studenti;

• se vengono conservati log;

• come viene informata la classe;

• chi configura il sistema;

• chi valida i risultati;

• come si evita l’uso improprio dello strumento.

In ambito scolastico, soprattutto quando si parla di IA, non basta dire “funziona offline”, serve una progettazione didattica e organizzativa consapevole.

Per questo, in un primo utilizzo scolastico, consiglierei di lavorare con:

• dati sintetici;

• esempi anonimi;

• materiali non sensibili;

• attività dimostrative;

• account locali;

• rete controllata;

• log disattivati o documentati;

• supervisione del docente;

• finalità didattiche esplicite.

La mia valutazione

Arduino VENTUNO Q mi sembra una scheda molto interessante, ma va capita bene.

Non è semplicemente “un Arduino più potente”, è una piattaforma che prova a mettere insieme tre mondi:

1. il mondo Arduino, quindi elettronica, sensori, attuatori e didattica maker;

2. il mondo Linux, quindi applicazioni, server locali, Python, ambienti di sviluppo;

3. il mondo dell’IA edge, quindi modelli eseguiti sul dispositivo, visione, audio, linguaggio e controllo fisico.

Per le mie attività su Lesson Flow, Concept Flow e sulle applicazioni scolastiche locali, la vedo come una possibile strada di sperimentazione: non necessariamente la soluzione definitiva, ma un oggetto molto interessante per costruire un laboratorio in cui l’IA locale non sia solo raccontata, ma installata, osservata, misurata e discussa.

La domanda vera, per la scuola, non è: “possiamo farci girare un chatbot?”

La domanda più interessante è:

possiamo costruire una postazione didattica in cui l’intelligenza artificiale locale diventa oggetto di studio, strumento di lavoro e ponte tra software e mondo fisico?

Con VENTUNO Q, questa domanda diventa concreta.

Ed è proprio per questo che la seguirò con molta attenzione.

Quali attività immagino di realizzare

Leggendo le caratteristiche della scheda, ho immaginato alcune attività progressive:

1. installare e configurare la scheda come mini computer Linux;

2. accedervi da browser o via SSH;

3. eseguire una piccola app web locale;

4. provare un modello AI leggero;

5. confrontare cloud AI e local AI;

6. misurare tempi di risposta, consumo e limiti;

7. collegare un sensore o una telecamera;

8. trasformare un dato del mondo reale in una risposta generata dall’IA;

9. discutere privacy, affidabilità e responsabilità;

10. progettare un prototipo utile per la scuola.

Questa progressione avrebbe una forte valenza didattica perché porterebbe gli studenti a ragionare non solo sull’uso dell’IA, ma anche sulla sua architettura.

Per la scuola VENTUNO Q secondo me potrebbe diventare una piattaforma preziosa, soprattutto se usata non come semplice gadget tecnologico, ma come occasione per costruire percorsi su:

• IA locale;

• sistemi embedded intelligenti;

• robotica;

• privacy;

• interazione uomo-macchina;

• progettazione didattica assistita;

• uso critico dei modelli generativi.

Sicuramente non può essere la scheda per iniziare da zero, ma potrebbe essere una scheda eccellente per fare un passo avanti: dal Coding alla progettazione di sistemi intelligenti locali.

Vedremo ed attendo che la scheda venga messa in vendita per poterla utilizzare.

Buon Making a tutti :-)