Come si insegna agli studenti di Giurisprudenza l’uso proficuo dell’intelligenza artificiale generativa?

Riflessioni proposte a chi insegna corsi di diritto nelle Università

Giovanni Pascuzzi — versione 1.0, agosto 2026

Scarica il PDF

Perché queste riflessioni

Gli studenti di Giurisprudenza usano già l’intelligenza artificiale generativa. La usano per farsi spiegare un istituto giuridico, per riassumere una sentenza troppo lunga, per preparare una tesina, per esercitarsi prima di un orale. Lo fanno quotidianamente e, nella grande maggioranza dei casi, senza che nessuno abbia mai insegnato loro come farlo.

La ragione non è la pigrizia come si potrebbe di primo acchito immaginare. Da focus group condotti su studenti di Giurisprudenza risulta che lo strumento viene usato soprattutto come un tutor che non giudica: disponibile a qualunque ora, paziente alla terza riformulazione della stessa domanda, e davanti al quale non ci si vergogna di non aver capito. È una diagnosi che riguarda anche chi insegna. Su quel terreno — reperibilità e assenza di giudizio — nessun docente può competere, e non è detto che debba. Può competere su ciò che allo strumento manca: sapere quale domanda vale la pena porre, e accorgersi quando una risposta ben scritta è sbagliata.

La domanda che si pone a chi insegna non è dunque se consentirlo. È una domanda diversa e più scomoda: quello che i nostri studenti imparano a fare con questi strumenti, lo imparano da persone competenti o per conto proprio? Chi non dice nulla non ha scelto la neutralità. Ha delegato al passaparola la formazione dei propri studenti su un punto che riguarda direttamente il modo in cui essi studiano il diritto, verificano una fonte, costruiscono un ragionamento.

Queste riflessioni si propongono di provare a colmare quel vuoto, e hanno un perimetro deliberatamente stretto. Non trattano dell’uso che il docente può fare dell’intelligenza artificiale per il proprio lavoro. Non trattano dell’intelligenza artificiale nella ricerca scientifica, che pone problemi propri e ha ormai una sua letteratura. Trattano di una cosa sola: come si insegna a uno studente di Giurisprudenza a usare l’intelligenza artificiale in modo proficuo. L’unico punto in cui i due piani si toccano è la tesi di laurea, dove lo studente fa ricerca e il docente la dirige, ed è trattato al § 6.

Una precisazione tecnica minima, per chi legge senza aver letto altro. Un chatbot generativo non è una banca dati e non è un motore di ricerca: non recupera un testo che esiste da qualche parte, ne produce uno nuovo, scegliendo parola dopo parola quella statisticamente più probabile dato tutto ciò che l’ha preceduta. Ne discende una conseguenza che sta alla base di tutto il resto: lo strumento è costruito per produrre testo plausibile, non testo vero. Nella maggior parte dei casi le due cose coincidono. Quando non coincidono, non c’è nulla nell’output che lo segnali.

Di quali strumenti si parla. (Paragrafo soggetto a rapida obsolescenza.) Queste pagine riguardano i chatbot generalisti fra i più diffusi: ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic), Copilot (Microsoft). Quanto si dirà vale per tutti, perché condividono lo stesso funzionamento di fondo; le differenze fra l’uno e l’altro esistono, contano, e non sono oggetto di queste pagine. Restano fuori i sistemi specialistici per la ricerca giuridica integrati nelle banche dati, che pongono problemi in parte diversi. Va tenuto presente, infine, che alcuni atenei mettono a disposizione versioni istituzionali di questi strumenti, con regole d’uso proprie che prevalgono su ogni indicazione generale.

Gli agenti. (Paragrafo soggetto a rapida obsolescenza.) Accanto ai chatbot che rispondono in una finestra di dialogo si stanno diffondendo strumenti dotati di maggiore autonomia — comunemente detti agenti — che navigano in rete, aprono e producono file, eseguono sequenze di operazioni senza chiedere conferma a ogni passaggio. Quanto si dirà vale anche per loro, ma con un margine di cautela in più: più un sistema agisce da solo, meno chi lo usa controlla dove finiscono i materiali che gli ha dato, e più diventa difficile ricostruire a posteriori che cosa sia stato fatto e come. Alcuni atenei — Verona, per esempio — classificano gli strumenti per grado di autonomia e richiedono un’autorizzazione preventiva per quelli che operano fuori dallo spazio personale dell’utente.

Queste riflessioni non sostituiscono i manuali d’uso. Ciascun produttore pubblica sul proprio sito la documentazione relativa al proprio strumento — funzioni, limiti dichiarati, trattamento dei dati, condizioni d’uso — e la aggiorna con una frequenza che nessun testo di sintesi può seguire. Quei documenti vanno letti, e vanno letti alla fonte. Qui si riflette su cosa insegnare agli studenti, non si espone il funzionamento del singolo prodotto.

Dichiarazione d’uso. Al § 4.4 questo scritto propone di chiedere agli studenti di dichiarare come si sono avvalsi dell’intelligenza artificiale negli elaborati: ometterla qui sarebbe incoerente. Nella preparazione di questo scritto l’autore si è avvalso dell’assistenza di Claude (Anthropic). Il chatbot: (i) ha utilizzato unicamente materiali di partenza scritti dall’autore; (ii) ha potuto leggere unicamente documentazione fornita dall’autore, avendo avuto l’istruzione precisa di non “andare a zonzo” nel web senza autorizzazione dell’autore; (iii) ha redatto parti del testo che poi l’autore ha verificato e riscritto; (iv) ha redatto, una volta ultimato il lavoro, la pagina web in linguaggio html. L’assistenza più utile fornita dal chatbot è stata nella discussione dell’impianto della riflessione che, nel progredire di un dialogo serrato, ha aiutato l’autore a focalizzare passaggi che potevano apparire non chiari. Ovviamente l’autore si assume la piena responsabilità dei contenuti.

---

1. Che cosa gli studenti devono saper fare

Prima di decidere che cosa consentire e che cosa vietare, conviene fissare quale competenza si sta cercando di far acquisire agli studenti. Sei sono i concetti che devono essere sottolineati e fatti comprendere con decisione: i primi tre riguardano il modo in cui lo strumento sbaglia, i due successivi ciò che lo studente deve e non deve fare, l’ultimo il giudizio.

1.1 L’allucinazione è una proprietà, non un incidente

Il primo passaggio, e il più difficile da far accettare, è che l’errore del chatbot non è un malfunzionamento occasionale destinato a scomparire con la prossima versione. È il rovescio esatto del meccanismo che lo fa funzionare: un sistema addestrato a produrre la continuazione più plausibile produrrà, quando non dispone dell’informazione, la continuazione più plausibile comunque — cioè un testo che ha tutta l’apparenza di essere corretto.

Per il diritto questo ha una conseguenza specifica e più insidiosa che altrove. La sentenza inventata da un chatbot ha l’organo giudicante giusto, un numero di ruolo verosimile, una data compatibile e una massima scritta nella lingua del massimario. Non ha nessuno dei segnali che normalmente mettono in guardia. È esattamente la sua forma corretta a renderla pericolosa, perché non si è portati a dubitare di ciò che appare verosimile.

Il modo più efficace di mostrarlo in aula richiede dieci minuti: si chiede al chatbot, davanti agli studenti, di indicare in quale sentenza la Cassazione esprime un determinato principio. Quando il chatbot restituisce la risposta si va a controllare numero e anno della decisione indicata su una banca dati specializzata (Giuffrè, Wolters Kluwer, Foro Italiano e così via). Molto spesso si tratta di estremi inventati: la sentenza che corrisponde a quel numero e a quell’anno parla d’altro. Constatare l’allucinazione vale molto più che sentirla descrivere.

1.2 La sicofania: lo strumento asseconda chi lo interroga

L’allucinazione arriva non richiesta. La sicofania — la tendenza del sistema a confermare le premesse contenute nella domanda invece di contraddirle — la si provoca da soli, ed è per questo che nello studio è la più frequente delle due.

Uno studente interroga quasi sempre partendo da un’ipotesi: «è vero che quel termine è ordinatorio?», «l’orientamento prevalente è nel senso che…?». Un sistema addestrato a produrre risposte che l’utente giudichi utili tende a costruire la risposta sulla premessa ricevuta, anziché segnalarne l’erroneità. Il risultato è che lo studente esce dalla conversazione più sicuro di quanto vi fosse entrato, con l’errore rafforzato invece che corretto — ed è un esito peggiore di quello di partenza.

Ne discendono due indicazioni operative. La prima riguarda la forma della domanda: non «confermami che X» ma «X è corretto? argomenta anche in senso contrario». La seconda è il format della tesi contraria del § 3.3, che della sicofania è l’antidoto diretto, perché chiede allo strumento di attaccare la posizione di chi lo interroga invece di sostenerla.

Mostrarlo in aula costa cinque minuti: si pone la stessa domanda due volte, la prima contenendo un presupposto giuridico deliberatamente errato, la seconda in forma neutra, e si confrontano le due risposte.

1.3 Il modello non è neutro: il bias linguistico e culturale

C’è un terzo modo di sbagliare, meno vistoso dei primi due e, per chi studia il diritto italiano, probabilmente il più insidioso. Un modello linguistico riflette i testi su cui è stato addestrato, e quei testi sono in larghissima prevalenza in inglese e di matrice angloamericana. Ne discende che le categorie, gli esempi e i modi di argomentare che il sistema restituisce come naturali sono quelli di ordinamenti diversi dal nostro.

Il rischio, per uno studente di Giurisprudenza, non è che il chatbot dica una cosa falsa: è che dica una cosa vera altrove. Interrogato su un istituto italiano, il sistema tende a ricondurlo alla figura di common law che gli somiglia — il contratto, la responsabilità, il precedente, la riservatezza — e restituisce una risposta coerente, ben scritta e concettualmente fuori posto. È un errore che non si intercetta verificando una citazione, perché non c’è alcuna citazione sbagliata: c’è una cornice sbagliata.

Mostrarlo in aula è facile: si chiede allo strumento di spiegare un istituto tipicamente nostro — la trascrizione, l’usucapione, il silenzio-assenso, l’eccesso di potere — e si fa osservare alla classe quali categorie estranee affiorano nella risposta e quali distinzioni del nostro ordinamento spariscono.

Ne discende un’indicazione pratica: quando l’ordinamento conta, va dichiarato nel prompt, e va dichiarato per primo. «Secondo il diritto italiano» è l’istruzione che orienta il sistema sul corpo di testi giusto.

Una precisazione terminologica, perché la parola è ambigua. Con bias si designa anche un secondo fenomeno — la riproduzione, negli output, di stereotipi e squilibri presenti nei dati di addestramento — che pone problemi propri, di ordine diverso, e che queste pagine non affrontano.

1.4 Verificare alla fonte, sempre

Dalla proprietà appena descritta discende la sola regola operativa che gli studenti devono interiorizzare: nessuna fonte — e nessuno dei suoi estremi — può essere citata o utilizzata senza che sia stata consultata direttamente.

Le forme in cui il problema si presenta sono tre, e conviene nominarle distintamente perché richiedono verifiche diverse. La citazione normativa inventata, in cui l’articolo esiste ma dice altro, oppure non esiste affatto, ed è la più semplice da smontare. La massima di dubbia origine, che può essere un riassunto plausibile di un orientamento reale attribuito a una pronuncia sbagliata — la più difficile, perché è vera a metà. E il suggerimento opaco, in cui il sistema propone una soluzione senza che sia possibile ricostruire su quali basi, e che va trattato come si tratterebbe il parere di un collega che non spiega perché.

1.5 Che cosa non si immette nel sistema

È la competenza che si dà più facilmente per scontata, e a Giurisprudenza è quella con le conseguenze più serie. Ciò che viene digitato in un chatbot generalista esce dal controllo di chi lo scrive: a seconda delle condizioni contrattuali applicabili può essere conservato, riutilizzato per l’addestramento del modello, letto da personale del fornitore.

Per uno studente di diritto i casi concreti non sono ipotetici: il fascicolo visto durante un tirocinio, i dati di una persona reale incontrati in una clinica legale, il testo ancora inedito della propria tesi, il materiale non pubblicato messo a disposizione dal docente. La regola è una sola e non ammette gradazioni: nel sistema non entra nulla che non si sarebbe disposti a rendere pubblico.

Conviene aggiungere il perché, che gli studenti afferrano immediatamente: è la stessa ragione per cui, da professionisti, non potranno immettere in questi strumenti ciò che è coperto da segreto. La cautela che si chiede loro oggi non è una regola di corso, è l’anticipo di un dovere.

Il problema si aggrava con gli strumenti agentici: un sistema che naviga, apre file e ne produce moltiplica i punti in cui un dato può uscire, e rende più difficile ricostruire dove sia finito.

Dove l’ateneo mette a disposizione una versione istituzionale dello strumento, le condizioni contrattuali sono di norma diverse e più protettive: è un’informazione che vale la pena dare, perché molti studenti non sanno di averla.

1.6 Riconoscere il divieto implicito

La terza competenza è di ordine diverso, e riguarda il giudizio più che la tecnica: capire quando lo scopo di un esercizio esclude l’uso dello strumento anche in assenza di un divieto scritto.

Una prova assegnata per verificare la capacità di ragionare su un caso mai visto è, per definizione, una prova in cui il ricorso a un sistema che produce il ragionamento al posto dello studente vanifica la misurazione. Non serve che qualcuno lo abbia messo per iscritto: lo dice lo scopo dichiarato dell’esercizio. Insegnare a leggere quello scopo — e a chiedere, nel dubbio, prima e non dopo — è una competenza in sé, e per uno studente di Giurisprudenza è anche un buon esercizio di interpretazione.

---

2. Scrivere le regole del proprio corso

Le linee guida di ateneo, dove ci sono, fissano principi e lasciano deliberatamente al titolare dell’insegnamento la regola concreta. Le regole del singolo corso di insegnamento le scrive il docente, e se non le scrive il vuoto non resta neutro.

Molti Atenei hanno infatti approvato linee guida sull’uso dell’intelligenza artificiale da parte degli studenti. Di regola sono comuni a tutti i corsi di laurea. In qualche caso linee guida sono state adottate dal collegio dei docenti di singoli corsi di laurea.

2.1 Il silenzio vale come divieto, ma è un difetto

La prima cosa da sapere è che il silenzio ha già una risposta: se il docente non si è espresso sull’uso dell’intelligenza artificiale in una determinata prova, l’uso va considerato vietato e non semplicemente ambiguo, perché l’onere di verificare le regole applicabili grava su chi userebbe lo strumento.

La seconda cosa da sapere è che questa risposta, per quanto corretta, non risolve nulla. Uno studente che non sa se può usare un chatbot per preparare la tesina, e che deduce il divieto da un’assenza, non ha imparato niente e con ogni probabilità lo userà lo stesso. Il silenzio è un difetto della comunicazione del docente, non una politica.

2.2 Che cosa contiene una regola utilizzabile

Una regola che funzioni sta in una decina di righe nel syllabus e contiene sei elementi:

1. Ambito. A che cosa si applica: lezioni, esercitazioni, elaborati intermedi, prova finale, tesi. Sono situazioni diverse e possono avere regole diverse.
2. Usi liberi. Quelli che non richiedono né autorizzazione né dichiarazione. Tipicamente: chiedere la spiegazione di un concetto, generare domande di autoverifica, tradurre, correggere la forma di un testo già proprio.
3. Usi consentiti ma da dichiarare. Quelli che incidono sul contenuto di un elaborato valutato: costruzione della scaletta, riformulazione sostanziale, ricerca di materiali poi verificati.
4. Usi esclusi. Quelli che sostituiscono la prestazione oggetto di valutazione. Vanno nominati per quello che sono, non per divieto generico.
5. Conseguenze. Che cosa accade se la regola non è rispettata, e chi lo decide.
6. Adattamenti. Come si procede per gli studenti che di questi strumenti si servono come ausilio e non come scorciatoia.

Una distinzione merita di essere sottolineata perché è più fine di quella che viene spontanea. L’obbligo di dichiarazione non deve essere assoluto: pretendere che lo studente dichiari di aver chiesto al chatbot il significato di un termine è un adempimento inutile che finisce per screditare l’obbligo dove invece conta. Conviene legare la dichiarazione al tipo di uso — è la soluzione adottata dall’Università di Bologna nelle sue schede per caso d’uso — anziché imporla per ogni contatto con lo strumento.

Sull’ultimo elemento vale la pena fermarsi, perché è quello a cui si pensa meno. Per uno studente con un disturbo specifico dell’apprendimento, per uno studente con disabilità, per chi studia in una lingua che non è la propria, questi strumenti non sono una scorciatoia: sono un ausilio, e fanno per lui ciò che per altri fanno il tempo aggiuntivo o la mappa concettuale. Una regola scritta senza tenerne conto — «è vietato ogni intervento dell’IA sulla forma del testo» — rischia di essere, oltre che inapplicabile, discriminatoria. La soluzione non è un’eccezione generica, ma la stessa che già si adotta per gli altri adattamenti: un canale dichiarato per chiederli e un criterio noto in anticipo. Conviene che la regola del corso lo dica, invece di lasciare che lo studente debba chiederlo come un favore.

Chi preferisse partire da un testo già pronto lo trova nelle linee guida dell’Università di Padova, che propongono tre clausole alternative da inserire nel syllabus — permissiva, intermedia, proibitiva — con l’avvertenza, esplicita, di riservare la terza a casi particolari.

Un’ultima osservazione, che vale come incoraggiamento a scriverle davvero, queste regole. Si teme che vengano percepite dagli studenti come un’imposizione: i dati disponibili dicono il contrario. In uno studio condotto all’Università di Warwick su studenti di Giurisprudenza già esperti nell’uso di questi strumenti, la maggioranza si è dichiarata contraria all’impiego dell’IA generativa negli elaborati valutati, temendo testi vaghi e prolissi, citazioni inventate e un’erosione dell’equità nella valutazione dei meriti. Chi scrive le regole del proprio corso, su questo terreno, troverà più alleati che oppositori.

2.3 Una scala, non un interruttore (paragrafo soggetto a rapida obsolescenza)

La ragione per cui la regola non può essere un sì o un no sta nel fatto che gli usi possibili si dispongono lungo un continuo, dal più marginale al più sostanziale. Una scala esplicita, messa nel syllabus, fa due cose insieme: dice allo studente dove passa la linea e gli insegna che la linea esiste.

Livello	Uso	Dichiarazione
1	Chiarimento di un concetto, traduzione, correzione ortografica e grammaticale	non richiesta
2	Generazione di domande di autoverifica, simulazione di interrogazione	non richiesta
3	Ricerca di materiali e fonti, poi verificati integralmente alla fonte	richiesta
4	Costruzione della scaletta o dell’impianto argomentativo di un elaborato	richiesta
5	Riformulazione sostanziale di parti di testo proprio	richiesta
6	Produzione di testo destinato a confluire nell’elaborato senza rielaborazione	esclusa, perché si tratta di uso non consentito

I livelli 1 e 2 sono lo studio; il 3 e il 4 sono lavoro assistito che resta dello studente purché dichiarato; il 5 è il confine, e va deciso corso per corso; il 6 non è un uso da dichiarare, è la sostituzione della prestazione valutata.

2.4 Che cosa dicono già gli atenei (paragrafo soggetto a rapida obsolescenza)

Ricognizione condotta sui documenti di cinque atenei — Bologna, Insubria, Padova, Pavia, Verona — aggiornata ad agosto 2026.

Il dato più significativo è la convergenza. Nonostante l’autonomia di ciascuna università e la diversità delle forme adottate, i principi enunciati sono largamente gli stessi: l’intelligenza artificiale integra e non sostituisce il pensiero critico; la decisione e il giudizio finale restano umani; l’uso va reso trasparente; è vietato immettere nei sistemi dati personali o riservati; la valutazione automatizzata di persone è attività ad alto rischio o esclusa.

Cambia il livello di dettaglio. Bologna e Pavia arrivano a schedare singoli casi d’uso con tabelle di ammissibilità; Padova dedica alla didattica e alle tesi un documento a sé, che arriva a fornire tre clausole già scritte da inserire nel syllabus — permissiva, intermedia, proibitiva — sconsigliando espressamente l’ultima; Insubria, con il suo «Non-Decalogo in nove punti», resta sul piano dei principi; Verona distingue fra la policy generale e le istruzioni operative per singolo strumento.

Tre punti meritano attenzione da parte di chi insegna:

• La valutazione delle prove non è delegabile. L’Università di Bologna la dichiara espressamente non coerente con la propria policy, perché delegare alla IA generativa il giudizio finale sulla prova compromette la responsabilità valutativa del docente, e la aggancia alla classificazione come attività ad alto rischio dell’AI Act. Padova, Verona e Pavia dicono la stessa cosa in forme diverse. È il punto su cui la convergenza è totale.
• L’autonomia del docente è riconosciuta esplicitamente. Pavia prevede che il docente e i consigli didattici possano introdurre vincoli aggiuntivi rispetto alla policy di ateneo. La regola del corso non è una libertà residuale: è la sede propria della disciplina concreta.
• Le conseguenze disciplinari sono raramente esplicitate. Pavia è l’unico dei cinque atenei a rinviare espressamente alle commissioni disciplinari competenti. Altrove il punto resta aperto, e questo è un buon motivo perché la regola del corso dica almeno che cosa comporta la violazione.
• I rilevatori di testo generato non sono raccomandati. Padova lo scrive per esteso: non esistono strumenti in grado di accertare con certezza l’uso dell’IA, i principali produttori dichiarano percentuali consistenti di falsi positivi e servizi specializzati vendono, a costo paragonabile, la garanzia di produrre testi che li aggirano; l’Ateneo «non sostiene a oggi l’utilizzo di tali strumenti». È il punto su cui chi insegna ha oggi la copertura istituzionale più netta, e torna al § 5.

Prima di scrivere le regole del proprio corso conviene verificare se il proprio ateneo ne ha adottate: molti hanno una pagina dedicata, e le regole del corso si aggiungono a quelle, non le sostituiscono.

---

3. Parlare dell’intelligenza artificiale a lezione

Esistono numerose strategie di tipo esperienziale che possono essere adottate per mostrare agli studenti gli usi più produttivi dell’intelligenza artificiale generativa (e, per converso, per sottolineare quando non deve essere usata). Di seguito se ne propongono alcune, in ordine crescente di impegno.

3.1 Il caso di apertura da dieci minuti

Si chiede al chatbot, in aula e a schermo condiviso, di trovare una sentenza su un punto circoscritto del programma. Poi si controlla la risposta cercando la sentenza indicata in una banca dati giuridica. Come detto, nella maggior parte dei casi la sentenza non esiste, o esiste e riguarda altro.

Il valore didattico non sta nella dimostrazione che lo strumento sbaglia — quello lo sanno già. Sta nel far notare che nulla, nell’output, segnalava l’errore: la forma era perfetta.

Una variante costa due minuti e mostra una proprietà diversa: si pone la stessa identica domanda due volte, in due sessioni distinte, e si confrontano le risposte. Sono diverse. Non perché lo strumento abbia cambiato idea, ma perché non ha idee: ricalcola ogni volta. Per uno studente di diritto, abituato a fonti che restano identiche a se stesse e su cui si può tornare, è una scoperta che riorienta l’uso più di qualunque spiegazione.

3.2 Insegnare la struttura del prompt

Chi usa questi nuovi strumenti deve necessariamente sviluppare una nuova competenza: l’arte di saper interrogare l’intelligenza artificiale. Il termine tecnico è “prompt”: un prompt è l’istruzione, la domanda o il comando testuale — o anche in altri formati — fornito a un modello di intelligenza artificiale per innescare una risposta specifica. Funge, in altre parole, da input iniziale che guida il comportamento del sistema, e determina in larghissima misura la qualità e la pertinenza del contenuto generato.

Esiste uno schema contesto — ruolo — formato — vincoli trasferibile a qualunque disciplina e insegnabile in poco tempo. Vale la pena presentarlo non come un espediente per ottenere risposte migliori, ma per quello che è: un esercizio di formulazione precisa di una domanda, cioè una competenza che a Giurisprudenza serve comunque.

Allo schema va affiancata una regola d’oro: dare al sistema un documento preciso da leggere e un compito preciso da svolgere su quel documento, invece di lasciarlo libero. È la differenza tra “che cosa dice la giurisprudenza sull’affidamento del minore” e “leggi questa sentenza e dimmi quali passaggi motivazionali sostengono la decisione sul punto X”.

Un esempio completo, da mostrare a schermo scomponendolo nei quattro blocchi:

Contesto: ti allego la sentenza [estremi]. Riguarda [materia] e in particolare la questione se [punto controverso]. Ruolo: comportati come un lettore critico che deve preparare una scheda per un seminario, non come un commentatore che deve elogiare la decisione. Formato: una scheda in quattro punti — questione, soluzione, passaggi motivazionali che la sostengono, punti in cui la motivazione è più debole. Vincoli: usa solo il testo che ti ho allegato. Se un’informazione non c’è, scrivi “non risulta dal testo” invece di ricostruirla.

L’ultimo vincolo è il più importante e va commentato in aula: è l’unico modo — imperfetto — per ridurre la probabilità che lo strumento colmi le lacune inventando. Un chatbot lasciato libero le colma sempre, perché è ciò che sa fare.

3.3 Tre format di esercitazione

I chatbot possono svolgere un ruolo utile se usati dagli studenti per testare la propria preparazione. Nel parlarne a lezione si possono fare esempi che testimoniano concretamente questo tipo di uso.

A. La simulazione di interrogazione. Lo studente chiede al chatbot di formulare tre domande a risposta aperta di difficoltà crescente sul programma, con l’istruzione esplicita di non fornire le risposte. Poi risponde per iscritto.

B. Lo schema mirato su un dubbio specifico. Non “spiegami la responsabilità precontrattuale”, ma “ho capito X e Y, non capisco come si concilino”: una domanda che presuppone lo studio fatto e che lo strumento non può porre al posto dello studente.

C. La tesi contraria. Si chiede allo studente di far generare allo strumento l’argomentazione opposta alla propria — la difesa della soluzione che ha scartato, l’eccezione che smonta la sua ricostruzione — e di scrivere poi la replica. Lo strumento produce una tesi avversaria plausibile in pochi secondi, che è precisamente ciò di cui uno studente ha bisogno e che a lezione manca quasi sempre per mancanza di tempo. È il format che sfrutta meglio una debolezza dello strumento trasformandola in risorsa: la tesi contraria generata sarà generica e in qualche punto sbagliata, e lo studente che scrive la replica è costretto a distinguere gli argomenti seri da quelli apparenti. Si allena il contraddittorio, che è poi il modo in cui si forma la decisione sul caso giuridico. Ed è, insieme, l’antidoto più diretto alla sicofania del § 1.2.

I tre format non hanno però lo stesso profilo di rischio, e il primo richiede una precisazione che finisce per valere anche oltre.

Il valore della simulazione di interrogazione sta tutto nella prima metà, quella in cui lo strumento formula le domande, e conviene dirlo con precisione: una domanda non ha bisogno di essere esatta per essere utile. Anche una domanda imprecisa costringe al richiamo attivo, che è il meccanismo per cui il ripasso funziona. Il rischio, qui, è quasi nullo.

La correzione è un’altra cosa, e va ribadito ciò che queste pagine affermano ovunque: il giudizio del chatbot sulla risposta è esposto esattamente allo stesso difetto dell’output di cui insegniamo a diffidare. Uno studente che accetta la correzione perché viene dallo strumento non ha risolto il problema, lo ha spostato di un passo.

Se si vuole usare anche la seconda metà, va ancorata, con la stessa regola del § 3.2: si allega il testo su cui si sta studiando — il capitolo del manuale, gli appunti, la norma — e si chiede non «la mia risposta è giusta?» ma «in quali punti la mia risposta diverge da questo testo, e su quale passaggio si basa ciascuna divergenza?». Così la correzione smette di essere un giudizio da credere e diventa un confronto verificabile: lo studente va a leggere il passaggio indicato e decide lui.

Resta un limite che agli studenti va detto per intero, perché eccede di molto questo esercizio: una correzione si può controllare solo su ciò che già in parte si sa. Su un argomento del tutto ignoto lo studente non ha modo di accorgersi che la correzione è sbagliata, ed è esattamente il caso in cui lo strumento è più pericoloso. L’intelligenza artificiale rende di più a chi sa già di più — il contrario di come viene abitualmente presentata. Per questo la simulazione di interrogazione è un ottimo strumento di ripasso e un pessimo strumento di primo apprendimento.

Il filo comune dei tre format è ciò che gli studenti dovrebbero capire una volta per tutte: un uso proficuo dell’intelligenza artificiale non consiste nel farle scrivere qualcosa — magari partendo da domande generali e senza fornirle alcuna documentazione — ma nel farsi interrogare, contraddire e mettere alla prova da essa.

3.4 La ricerca giuridica documentata

Si assegna una ricerca su un tema circoscritto, consentendo l’uso del chatbot, ma chiedendo di allegare la documentazione di che cosa è stato chiesto in ciascuna fase: individuazione e formulazione del problema, ricerca dei materiali, verifica alla fonte.

Il rendimento didattico è doppio. Lo studente è costretto a rendere esplicito un procedimento che altrimenti resterebbe implicito anche a se stesso. E il docente può valutare il metodo e non solo il risultato — cosa che, con una ricerca tradizionale, raramente viene effettuata. È probabilmente l’unico caso in cui la presenza dello strumento rende la valutazione più ricca di quanto fosse prima.

In concreto, vengono chiesti tre allegati brevi: la trascrizione delle domande poste allo strumento (non delle risposte, che sono irrilevanti), l’elenco delle fonti che ha indicato con l’esito della verifica di ciascuna — trovata, non trovata, trovata ma su altro punto — e due righe su che cosa è cambiato nell’impostazione della ricerca dopo la verifica. La correzione si concentra sul secondo allegato: è lì che si vede se lo studente ha verificato davvero o si è fidato.

L’«AI tunnel» e il «toe-hold». Due nozioni conviene che gli studenti imparino con il loro nome, perché le riconoscano quando ci cadono dentro. Le ha formulate Rebecca Fordon, law librarian alla Ohio State, e il contrasto che propone dice più di qualunque raccomandazione generica: lei usa l’intelligenza artificiale come un’impalcatura di un minuto per arrivare prima agli strumenti di ricerca tradizionali; i suoi studenti la usano per una conversazione di trenta minuti che li allontana dalle fonti migliori, o fa sì che non le trovino mai. È l’AI tunnel: si resta dentro il dialogo con lo strumento credendo di fare ricerca, mentre si sta soltanto raffinando un testo generato.

Il toe-hold — il punto d’appoggio — è la via d’uscita: dalla risposta dell’intelligenza artificiale si estrae un solo appiglio, una norma, una sentenza, un’espressione tecnica, e da quello si passa immediatamente agli strumenti autorevoli, dove la ricerca vera comincia. La consegna documentata descritta sopra serve esattamente a rendere visibile quale delle due strade lo studente abbia preso.

Fordon ne ricava un esercizio d’aula della durata di venti minuti. Si consegna agli studenti una risposta già generata dall’intelligenza artificiale su un tema del programma e si chiede loro, a coppie, due cose soltanto: individuare il toe-hold, cioè l’unico elemento da cui si esce dal tunnel, e dire dove passerebbero subito dopo — quale banca dati, quale commentario, quale indice sistematico. Non si chiede di correggere l’output né di giudicarlo: si chiede di trovare la porta.

Conviene aggiungere, perché gli studenti lo trovano rassicurante, che il fenomeno non nasce con i chatbot. La letteratura sui sistemi automatici di supporto alla decisione lo studia da trent’anni sotto i nomi di automation bias e automation-induced complacency: la tendenza a fidarsi dell’esito prodotto dalla macchina e a smettere di cercare le informazioni che potrebbero smentirlo. La ricerca sull’intelligenza artificiale generativa in ambito educativo la ritrova oggi sotto l’etichetta di metacognitive laziness: lo studente delega allo strumento non il lavoro, ma la regolazione del proprio lavoro. Non si sta chiedendo loro di diffidare di una tecnologia nuova, ma di riconoscere una debolezza umana antica in una veste nuova.

Vale la pena anticipare in aula che l’esito normale, non l’eccezione, è che una parte delle fonti indicate non regga. Uno studente che consegna un elenco in cui tutto risulta verificato ha quasi sempre saltato la verifica.

3.5 Due usi che sembrano buoni e non lo sono

Spesso gli studenti adoperano l’IA per usi tutt’altro che proficui.

Far riassumere il manuale. Il riassunto è l’operazione in cui si impara: chi la delega ottiene un testo corretto e non ha studiato nulla. In più, il riassunto di un testo giuridico perde per prima cosa le distinzioni — che sono il contenuto.

Farsi generare schemi da memorizzare. Uno schema costruito da altri è una mappa di un territorio che non si è percorso. Serve a superare l’orale finché le domande seguono lo schema, e crolla alla prima domanda che lo attraversa di traverso.

Il principio da trasmettere è semplice: l’intelligenza artificiale può interrogare, non può studiare al posto di chi studia. Tutti i format del § 3.3 rispettano quel confine; i due usi qui sopra lo violano.

---

4. Costruire la prova di valutazione

È un aspetto rilevante su cui, però, è facile cadere in errore.

4.1 Il principio

Consentire l’intelligenza artificiale in una prova di valutazione senza cambiare nient’altro non rende l’esame più facile: lo rende meno significativo. Se la domanda resta “esponga il candidato l’istituto X”, un chatbot la risolve in pochi secondi e la prova smette di misurare qualcosa.

Un esame ben costruito, quando consente lo strumento, sposta l’oggetto della valutazione da ciò che il chatbot fa in pochi secondi — recuperare ed esporre nozioni — a ciò che non può fare al posto dello studente: verificare, applicare a un caso mai visto, motivare a voce, rivedere criticamente. Il consenso, in questa forma, costa al docente un lavoro in più nella costruzione della prova. È l’unico modo perché sia un’opportunità e non una resa.

4.2 Tre modelli di prova scritta

Il parere con l’errore. Si allega alla traccia un parere generato ad hoc con un chatbot su un caso circoscritto, nel quale è stata inserita di proposito un’imprecisione tecnica — per esempio un termine perentorio trattato come ordinatorio. L’uso dello strumento è consentito, ma il compito è individuare l’errore e argomentare la correzione citando la norma pertinente. Chi trascrive il parere come corretto viene penalizzato; chi lo tratta come materiale da verificare ottiene la valutazione migliore. Si valuta esattamente la competenza del § 1.4.

Il caso costruito. Un caso pratico mai discusso a lezione e non presente in alcun manuale, con l’uso dello strumento autorizzato soltanto per recuperare il testo di una norma o il nome esatto di un istituto (dati comunque da verificare) — non per costruire la risposta. Chi incolla l’output ottiene tipicamente una valutazione bassa, perché il collegamento tra i fatti specifici del caso e la norma, lasciato a uno strumento che quei fatti non conosce, risulta generico. La prova funziona per una ragione strutturale: l’unicità del materiale è la difesa.

La bozza da correggere. Si chiede di generare con l’intelligenza artificiale una prima bozza di risposta su un tema già trattato a lezione, e poi di correggerla e integrarla, segnalando esplicitamente che cosa è stato cambiato e perché. La valutazione riguarda la qualità delle correzioni, non la bozza di partenza. È il modo più diretto di misurare la capacità di revisione critica invece di quella di produzione.

4.3 Due modelli di prova orale

La consultazione valutata. Lo studente che non ricorda con precisione un termine processuale viene autorizzato a consultare il chatbot in tempo reale. Nella valutazione pesano due cose: la qualità della domanda posta allo strumento — specifica e mirata, oppure generica — e se lo studente verifica criticamente la risposta prima di riportarla. Si valuta il § 3.2 sul campo.

I due minuti per strutturare. Si pone un caso pratico nuovo e si concedono due minuti per consultare lo strumento e organizzare una risposta, ma si valuta esclusivamente il ragionamento esposto a voce, chiedendo allo studente di spiegare perché ha scelto quella soluzione. Non si accetta che legga il testo generato.

4.4 La dichiarazione d’uso come criterio di correzione

Per gli elaborati, il modo più semplice di rendere operativa la scala del § 2.3 è richiedere in allegato una dichiarazione d’uso. Una formula sufficiente, adattata da quella adottata dall’Università di Verona:

Nella preparazione di questo elaborato ho utilizzato [nome dello strumento] per: [funzioni specifiche]. Dopo averlo utilizzato ho revisionato e modificato il contenuto secondo necessità e mi assumo la piena responsabilità del testo finale.

Le parti tra parentesi quadre sono le uniche da personalizzare. Il resto — la revisione critica e l’assunzione di responsabilità — è il punto, e coincide con ciò che si chiede allo studente in qualunque altro contesto.

Due avvertenze. La dichiarazione non serve a sanzionare, serve a rendere discutibile una cosa che altrimenti resta sommersa: il suo valore didattico sta nella conversazione che consente, non nel controllo. E una dichiarazione palesemente insufficiente — “ho usato l’IA per migliorare il testo” — va trattata come parte dell’elaborato, cioè corretta, perché anche saper descrivere il proprio procedimento è una competenza.

4.5 Una questione di equità

C’è un problema che attraversa tutti i modelli appena visti e conviene affrontarlo per ultimo, perché li condiziona tutti. Le versioni a pagamento di questi strumenti sono, oggi, sensibilmente migliori di quelle gratuite: sbagliano meno, leggono documenti più lunghi, reggono ragionamenti più articolati. Un docente che consente l’intelligenza artificiale in una prova sta dunque consentendo, di fatto, strumenti diversi a studenti diversi, e la differenza corre lungo una linea che non ha nulla a che vedere con la preparazione.

Il dato empirico complica il quadro invece di semplificarlo, ed è giusto conoscerlo: l’assistenza dell’IA innalza in modo marcato i risultati degli studenti con rendimento più basso, mentre ha effetti trascurabili — talvolta negativi — su quelli già preparati. Lo stesso strumento può quindi allargare il divario fra chi paga e chi non paga e insieme ridurre quello fra chi sa e chi sa meno. Quale dei due effetti prevalga dipende, ancora una volta, da come è costruita la prova.

Tre conseguenze pratiche.

Se l’ateneo mette a disposizione uno strumento istituzionale, la prova va costruita su quello, non su un prodotto generico. È il modo più semplice per riportare tutti sulla stessa linea di partenza, e vale la pena verificare se esiste prima di scrivere la traccia.

Dove uno strumento comune non c’è, conviene privilegiare i modelli che dipendono meno dalla potenza dello strumento — il caso costruito ad hoc, la bozza da correggere, l’orale — e diffidare di quelli che premiano la qualità dell’output. Una prova che misura quanto è buono il chatbot dello studente non misura lo studente.

La disparità, però, non nasce con l’esame: nasce durante il semestre, perché chi ha lo strumento migliore lo usa anche per studiare. Non è un problema che il singolo docente possa risolvere, ma è un buon argomento da portare in consiglio di corso quando si discute di licenze di ateneo.

---

5. Quando si sospetta un uso non dichiarato

È la domanda che ci si pone per prima ed è quella a cui è più difficile rispondere. Un elaborato arriva, si legge, e qualcosa non torna: la lingua è troppo uniforme, le fonti sono generiche, il registro non somiglia a quello che quello studente usa a lezione. Che cosa si fa?

Anzitutto, che cosa non si fa. Non ci si affida a un software di rilevamento. Gli strumenti che promettono di riconoscere il testo generato hanno tassi di errore elevati in entrambe le direzioni: assolvono testi artificiali e — più grave — segnalano come artificiali testi scritti da persone, con una frequenza maggiore proprio per chi scrive in una lingua che non è la propria o con uno stile piano e ripetitivo. Un docente che contesti un uso non dichiarato sulla base di una percentuale prodotta da uno di questi strumenti, se lo studente non ci sta, si ritrova senza nulla in mano. Non è un’opinione isolata: l’Università di Padova, nelle proprie linee guida sulla didattica, osserva che esistono servizi che vendono la garanzia di produrre testi capaci di aggirare i rilevatori, e conclude che l’Ateneo «non sostiene a oggi l’utilizzo di tali strumenti».

Il punto, per un giurista, è che il sospetto non è una prova. Gli indizi che circolano — paragrafi di lunghezza uniforme, abbondanza di elenchi puntati, aggettivazione ricorrente, assenza di citazioni testuali — descrivono uno stile, non un’origine. Sono compatibili con la generazione automatica e lo sono altrettanto con uno studente diligente che scrive in modo scolastico. Fondare su di essi una contestazione significa chiedere allo studente di provare un fatto negativo.

Che cosa si può fare, invece. La strada praticabile è una sola e non passa dall’accusa: si verifica la padronanza, non l’origine del testo. Si convoca lo studente e si discute l’elaborato — perché questa soluzione e non quella, dove ha trovato quella fonte, che cosa cambierebbe se un elemento del caso fosse diverso. Non è un interrogatorio: è esattamente ciò che si fa in sede d’esame. Chi ha lavorato regge la conversazione; chi ha consegnato un testo non suo non la regge, e la questione si scioglie senza che nessuno abbia dovuto dimostrare l’indimostrabile.

Questa via ha un secondo vantaggio: è neutrale rispetto alla causa. Vale identica se il testo è stato prodotto da un chatbot, da un amico compiacente o da un servizio a pagamento, e non obbliga il docente a pronunciarsi su quale delle tre ipotesi sia la vera.

Il momento giusto, comunque, è prima e non dopo. Se le regole del corso sono state scritte (§ 2), se la dichiarazione d’uso è stata richiesta (§ 4.4) e se la prova è costruita in modo che un testo generico non basti (§ 4), il caso si presenta di rado. Quasi tutto ciò che si può fare contro l’uso non dichiarato lo si fa all’inizio del corso.

Resta una domanda che conviene porsi prima di aprire un procedimento: se un elaborato interamente generato da un chatbot supera la prova, il problema è soltanto dello studente?

---

6. La tesi, e il ruolo del relatore

È il momento in cui apprendimento e ricerca autonoma approfondita coincidono: lo studente fa ricerca sotto la guida del docente. La questione va posta all’inizio del lavoro, non alla consegna.

Il modello più praticabile è una dichiarazione per fase — ricerca dei materiali, scrittura, revisione — richiesta come allegato standard alla tesi. La ragione per cui conviene articolarla per fasi e non chiederla in blocco è che il grado di assistenza accettabile non è lo stesso nelle tre: farsi indicare materiali da verificare integralmente è cosa diversa dal farsi scrivere un paragrafo.

L’utilità vera, però, non è nel documento. È che l’obbligo di produrlo costringe a una conversazione esplicita, all’inizio, su quale grado di assistenza sia considerato accettabile per quel particolare argomento e per quel particolare studente. È una conversazione che i relatori non hanno mai avuto bisogno di fare e che oggi conviene fare per prima.

Il confine, sul quale gli atenei che si sono pronunciati concordano, è la delega sostanziale della composizione e della scrittura: il punto oltre il quale la tesi cessa di essere prova di una capacità.

6.1 Le tre fasi, e che cosa è accettabile in ciascuna

Ricerca dei materiali. È la fase in cui l’assistenza è più difendibile e il rischio più concreto. Farsi indicare filoni giurisprudenziali, autori, questioni controverse da esplorare è un uso legittimo, a una condizione non negoziabile: ogni indicazione va verificata alla fonte prima di entrare nella tesi. Il rischio specifico della tesi in diritto è la bibliografia inventata — un contributo dottrinale con autore reale, titolo verosimile e rivista esistente, che non è mai stato scritto. È l’allucinazione più difficile da intercettare in sede di correzione, perché il relatore non può conoscere l’intera letteratura su un tema circoscritto.

Scrittura. Qui il confine è più netto di quanto sembri. Discutere l’impianto, provare due ordini possibili dei capitoli, chiedere se un passaggio argomentativo regge sono usi che lasciano la scrittura allo studente. Far produrre un paragrafo destinato a confluire nel testo non lo è — e non lo diventa se il paragrafo viene poi ritoccato.

Revisione. L’intervento sulla lingua — periodi troppo lunghi, ripetizioni, incoerenze terminologiche — è pacificamente ammissibile e migliora tesi che altrimenti restano scritte male. L’intervento sul contenuto in fase di revisione, invece, è scrittura mascherata da revisione: se un’osservazione dello strumento cambia la tesi, quella tesi va ripensata dallo studente, non recepita.

6.2 La conversazione da fare all’inizio

Tre domande, da porre al primo incontro tra relatore e tesista e non alla consegna dell’elaborato:

1. Quali strumenti intende usare e per quale fase.
2. Come intende verificare le fonti che gli verranno indicate — con quale banca dati, e a campione o integralmente.
3. Che cosa considera, lui, il confine oltre il quale la tesi non sarebbe più sua.

La terza è la più utile e va posta sul serio. Una risposta vaga è un’informazione preziosa, perché dice che la questione non se l’era mai posta — ed è meglio saperlo al primo incontro che alla consegna dell’ultimo capitolo.

6.3 Come accorgersene

Il controllo praticabile è uno e costa poco: chiedere il testo integrale di un campione di fonti citate, scelte dal relatore e non dal laureando, in due o tre momenti del lavoro. Non serve a cogliere in fallo: serve a rendere noto fin dall’inizio che la verifica esiste, il che produce quasi tutto l’effetto senza bisogno di esercitarla.

Resta poi la seduta di laurea, che su questo terreno conserva intatta la sua funzione originaria. Una tesi scritta da altri — che sia un chatbot o chiunque altro — non sopravvive a tre domande poste di traverso rispetto all’indice.

---

7. Che cosa obbliga a occuparsi del problema (paragrafo soggetto a rapida obsolescenza)

Perché un professore che insegna diritto all’Università deve occuparsi del problema oggetto di queste riflessioni? Oltre a ragioni che affondano le radici nella metodologia didattica e nell’obiettivo di favorire un apprendimento autonomo e critico, esistono anche precisi obblighi e raccomandazioni normative.

Quadro aggiornato ad agosto 2026.

Il Regolamento (UE) 2024/1689 (AI Act). L’art. 3, punto 56, definisce l’alfabetizzazione in materia di IA come l’insieme di competenze, conoscenze e comprensione che consentono un uso informato dei sistemi e la consapevolezza di opportunità, rischi e danni possibili — una definizione che non richiede competenze tecniche specialistiche. L’art. 4 impone a fornitori e deployer di adottare misure volte a sostenere lo sviluppo dell’alfabetizzazione in materia di IA del loro personale. Un’università che adotta sistemi di intelligenza artificiale è un deployer, e la disposizione la vincola direttamente.

La legge 23 settembre 2025, n. 132. L’art. 24, comma 2, lett. i), delega il Governo a prevedere nei corsi universitari attività formative per la comprensione tecnica e l’utilizzo consapevole, anche sotto il profilo giuridico, dei sistemi di intelligenza artificiale.

Lo schema di decreto attuativo recante adeguamento della normativa nazionale alle disposizioni del regolamento UE sull’IA (AG 421). L’art. 42 chiede alle università di integrare, nell’esercizio della propria autonomia didattica, attività formative sulla comprensione tecnica dei sistemi, sull’uso sicuro e consapevole e sulla corretta interpretazione dei risultati, differenziando i contenuti secondo il profilo del corso di studi — e per i corsi a prevalente profilo giuridico richiedendo in particolare l’integrazione dei profili tecnici e funzionali. L’art. 41 prevede che le attività di alfabetizzazione, formazione e divulgazione costituiscano elemento di valutazione della carriera scientifica e didattica (comma 3): se il testo sarà approvato in questa forma, non è un incentivo simbolico.

Le linee guida del proprio ateneo, che si aggiungono a questo quadro e possono introdurre vincoli ulteriori.

---

Kit rapido

Da dove cominciare

Se di tutto questo si dovesse fare una cosa sola, prima dell’inizio del corso, è scrivere le dieci righe del § 2 e metterle nel syllabus. Costa mezz’ora e cambia la posizione di tutti: lo studente sa, il docente ha un riferimento a cui richiamarsi, e il silenzio smette di essere una politica per omissione.

Se le cose diventano due, la seconda è fare in aula la prova del § 3.1: dieci minuti, una sentenza chiesta al chatbot e cercata insieme in banca dati. È il modo più rapido per far vedere che il problema esiste, e crea il presupposto perché le regole vengano capite invece che subite.

Il resto — ridisegnare le prove, chiedere la dichiarazione d’uso, cambiare la prima conversazione con i laureandi — può venire dopo, e conviene che venga un pezzo alla volta.

Quattro regole per costruire un prompt

Qui non si troverà un elenco di prompt pronti all’uso, per due ragioni. La prima è che una formula da copiare insegna il contrario di ciò che serve: chi la copia ottiene un risultato e non acquisisce un metodo, ed è esattamente l’errore che viene rimproverato agli studenti. La seconda è che le formule sono la cosa che invecchia più in fretta — più delle norme — perché dipendono dal comportamento di un prodotto che cambia senza preavviso.

Le regole che seguono, invece, discendono da come lo strumento è fatto, e per questo reggono al cambio di versione e al cambio di prodotto.

1. Ancorare a un documento. «Leggi questa sentenza e dimmi X» funziona; «che cosa dice la giurisprudenza su X» no. Nel primo caso il sistema lavora su un testo; nel secondo lo ricostruisce a memoria, ed è lì che nascono le citazioni inesistenti.

2. Vietare il riempimento delle lacune. Aggiungere sempre: se un’informazione non risulta dal testo, scrivilo invece di ricostruirla. Un chatbot lasciato libero colma ogni vuoto, perché è ciò che sa fare. È il vincolo singolo che riduce di più gli errori.

3. Dire che cosa non deve fare. Le istruzioni negative sono più efficaci di quelle positive: non riscrivere il testo, dimmi solo dove il ragionamento è debole; non darmi le risposte. Senza di esse lo strumento tende a produrre, perché produrre è il suo comportamento predefinito, e finisce per svolgere il compito al posto di chi lo ha assegnato.

4. Chiedere il percorso, non solo l’esito. Motiva ogni affermazione che fai indicando le fonti cui hai attinto e i passaggi del ragionamento che hai seguito. Ovviamente la spiegazione non è una vera ricostruzione di ciò che è avvenuto nel sistema, ma rende verificabile l’affermazione: gli elementi indicati possono essere controllati.

Le quattro regole si compongono con la struttura vista al § 3.2 — contesto, ruolo, formato, vincoli — dove si trova anche un esempio scomposto, da mostrare in aula.

Un prompt vale la pena costruirlo bene: testare la propria traccia

Di seguito si ipotizza un caso per mostrare come si corregge un prompt mal posto.

Il primo tentativo, quello che viene spontaneo, è chiedere al chatbot: «uno studente potrebbe risolvere questa traccia usando te, senza aver studiato?». Non funziona. Si sta chiedendo al sistema di giudicare le proprie capacità, che è ciò che fa peggio: risponderà genericamente di sì, o genericamente di no, e in nessuno dei due casi si sarà appreso alcunché.

La versione corretta non è una domanda ma una prova: si consegna la traccia, si chiede di svolgerla come farebbe uno studente, e si legge il risultato. Se quell’elaborato meriterebbe un voto alto, la traccia va cambiata — e come cambiarla lo dice il § 4. Il vantaggio è che questo test non dipende da come è formulato: funziona con qualunque strumento e continuerà a funzionare con le versioni future.

Vale la pena aggiungere che la correzione degli elaborati non compare fra gli usi suggeriti, ed è un’assenza voluta. Vincolare lo strumento a criteri già definiti sembra una precauzione sufficiente, ma gli atenei che si sono pronunciati concordano nell’escludere la delega del giudizio sulla prova, e Bologna la riconduce espressamente alle attività ad alto rischio dell’AI Act. Uno scritto che invita gli studenti a non far fare allo strumento ciò che devono fare loro non può suggerire al docente il contrario.

Le regole del corso in dieci righe

Uso dell’intelligenza artificiale generativa in questo corso. È libero l’uso di strumenti di IA generativa per: chiarire concetti, tradurre, generare domande di autoverifica, correggere forma e ortografia di testi propri. È consentito, ma va dichiarato in calce all’elaborato, l’uso per: ricerca di materiali e fonti (che restano da verificare integralmente alla fonte), costruzione della scaletta, riformulazione sostanziale di parti di testo. Non è consentito l’uso per produrre testo destinato a confluire nell’elaborato senza rielaborazione, né in sede di prova [scritta / orale], salvo diversa indicazione espressa relativa alla singola prova. Nessun estremo di norma, sentenza o dottrina può essere citato senza essere stato verificato alla fonte. In caso di dubbio sull’ammissibilità di un uso, chiedere prima della consegna. La violazione di queste regole incide sulla valutazione e, nei casi più gravi, è rimessa agli organi competenti dell’Ateneo.

La dichiarazione d’uso

Il modello del § 4.4, da allegare agli elaborati valutati e, in versione articolata per fase, alla tesi.

---

In chiusura

L’alfabetizzazione all’intelligenza artificiale non è una materia nuova da aggiungere accanto alle altre. È una parte del modo in cui oggi si insegna a studiare il diritto: a verificare una fonte prima di usarla, a riconoscere un’argomentazione che regge da una che sembra reggere, a sapere qual è il proprio contributo in ciò che si consegna. Sono le cose che si insegnavano prima. Cambia lo strumento che le mette alla prova.

Chi insegna diritto ha, su questo terreno, un vantaggio che non sempre si riconosce: il metodo per verificare una fonte e per smontare un’argomentazione plausibile ma infondata è esattamente ciò che insegna da sempre. Non c’è da imparare una competenza nuova. C’è da applicarne una vecchia a un oggetto che non c’era.

---

Riferimenti (paragrafo soggetto a rapida obsolescenza)

I collegamenti sono stati verificati ad agosto 2026.

Norme

• Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull’intelligenza artificiale (AI Act) — in particolare l’art. 3, punto 56, e l’art. 4. Testo italiano su EUR-Lex
• Legge 23 settembre 2025, n. 132, Disposizioni e deleghe al Governo in materia di intelligenza artificiale — in particolare l’art. 24, comma 2, lett. i). Pubblicata nella Gazzetta Ufficiale
  14. 223 del 25 settembre 2025, in vigore dal 10 ottobre 2025. Testo in Gazzetta Ufficiale
• Schema di decreto legislativo recante adeguamento della normativa nazionale alle disposizioni del regolamento (UE) 2024/1689 (atto del Governo n. 421) — in particolare gli artt. 41 e 42. Non ancora approvato: all’esame delle Camere alla data di questa versione.

Linee guida di ateneo

Ricognizione condotta sui documenti pubblicati dai seguenti atenei:

• Università di Bologna
• Università dell’Insubria — Il Non-Decalogo
• Università di Padova — Linee guida per l’impiego degli strumenti di IA generativa nella didattica e nella redazione delle tesi di laurea e di dottorato
• Università di Pavia
• Università di Verona — Linee guida per l’uso dell’Intelligenza Artificiale, e la successiva Informativa sull’utilizzo di sistemi di Intelligenza Artificiale (31 marzo 2026), che elenca i sistemi autorizzati dall’Ateneo

La maggior parte degli atenei dedica al tema una pagina apposita: conviene cercare quella del proprio prima di scrivere le regole del corso.

Studi e contributi

• Rebecca Fordon, Legal Research Trapping You in an “AI Tunnel”? Use a Toe-hold to Get Out, AI Law Librarians, 28 ottobre 2025 — da cui l’esercizio del § 3.4. Testo
• Bonnie J. Shucha, Closing the AI Readiness Gap: A Framework for Law Schools, University of Wisconsin Legal Studies Research Paper n. 1921, 2026, in corso di pubblicazione in «Perspectives: Teaching Legal Research and Writing», 32(2). Testo su SSRN
• Söğüt Atilla-Aydın e Laura Lammasniemi, Preparing guidelines for generative AI in law schools: student perspectives and educational implications, «The Law Teacher», pubblicato online il 27 gennaio 2026 — lo studio di Warwick richiamato al § 2.2. Testo
• Raja Parasuraman e Victor Riley, Humans and Automation: Use, Misuse, Disuse, Abuse, «Human Factors», 39(2), 1997, pp. 230-253 — la formulazione classica dell’automation bias. Testo
• Raja Parasuraman e Dietrich H. Manzey, Complacency and Bias in Human Use of Automation: An Attentional Integration, «Human Factors», 52(3), 2010, pp. 381-410. Testo
• Yizhou Fan e altri, Beware of Metacognitive Laziness: Effects of Generative Artificial Intelligence on Learning Motivation, Processes and Performance, «British Journal of Educational Technology», 2024 — esperimento controllato su 117 studenti. Preprint su arXiv

---

Nota di aggiornamento

Versione	Data	Che cosa è cambiato
1.0	agosto 2026	Prima pubblicazione.

Segnalazioni e correzioni sono benvenute.