L’11 ottobre 2026 Interris ha pubblicato una mia intevista a cura di Luana Tolomeo su “Custodire la persona con un’IA al servizio del bene comune”

L’intervista si può leggere a questo link

Nell’aula della corte d’assise del Tribunale di Bari, l’intelligenza artificiale finisce sul banco degli imputati .

L’iniziativa è del Club delle Imprese per la Cultura di Confindustria Bari e BAT, su idea di Gianni Sebastiano.

Le udienze sono quattro: 9, 16 e 23 ottobre, 4 novembre.

Se il processo all’AI è simulato, i protagonisti sono persone che svolgono per lavoro i ruoli tipici del processo penale.

Presiede il collegio la presidente della Corte d’Appello di Bari, Maria Mitola, affiancata dalla giudice a Latere Rosa Calia Di Pinto (oltre ai componenti della giuria popolare).

Sostiene l’accusa il procuratore della Repubblica presso il Tribunale di Bari, Roberto Rossi, affiancato dall’avvocata Valeria Logrillo e dall’avvocato Francesco Carparelli.

La difesa è affidata a quattro avvocati del foro di Bari, guidati da Michele Laforgia.

Ci sono capi di imputazione scritti, testimoni esperti sentiti in esame e controesame, una giuria popolare che deciderà nell’ultima udienza dopo la requisitoria e l’arringa.

Nella prima udienza ho deposto come testimone esperto della difesa sul primo capo di imputazione (istigazione al suicidio).

Che cosa dicono i capi di imputazione?

(i) Istigazione e agevolazione al suicidio, sostituzione cognitiva e manipolazione attraverso sistemi conversazionali: uno studente di diciassette anni, 847 sessioni in otto mesi, un sistema conversazionale reso accessibile senza verifica dell’età e senza limiti d’uso, la contestazione di avere istigato mediante la compiacenza sistematica e di avere agevolato per omissione, ai sensi dell’art. 40, comma 2, del codice penale.

(ii) Illecita diffusione di contenuto sintetico diffamatorio mediante deepfake (artt. 612-quater, 595, comma 3, e 494 del codice penale).

(iii) Lesioni personali colpose gravissime da ritardo diagnostico determinato da sistema automatizzato (art. 590, comma 3, del codice penale).

(iv) Sostituzione algoritmica del lavoro, esclusione collettiva opaca, controllo illecito e disastro ambientale da consumo energetico dei sistemi impiegati.

Perché la forma del processo?

Un convegno finisce per ospitare solo discorsi di esperti che lanciano allarmi generici: si dice che l’intelligenza artificiale è pericolosa, che va governata, che servono regole.

Un capo di imputazione no. Un capo di imputazione ha bisogno di un fatto, di una data, di una norma e di un titolare dell’obbligo che si assume violato.

Il primo capo di imputazione, ad esempio, contesta l’agevolazione per omissione ai sensi dell’art. 40, comma 2, del codice penale: per arrivarci occorre dire quale obbligo giuridico di impedire l’evento esistesse, e in capo a chi gravasse.

Si scopre così che le norme esistono già, e che hanno un destinatario.

Il processo, a differenza del convegno, prevede poi una difesa. Chi difende è costretto a cercare chi doveva fare che cosa.

Cosa ho detto nella mia “testimonianza”.

Per rispondere alla prima domanda (“Una tecnologia può essere considerata responsabile di un danno patito da un essere umano?”) sono partito da due elementi: uno recentissimo, l’altro molto remoto.

Quello recentissimo è un passaggio dell’Enciclica “Magnifica humanitas sulla custodia della persona umana nel tempo dell’intelligenza artificiale” di Leone XIV (n. 140): «Ogni tecnologia educa chi la utilizza. Educare all’uso dell’IA implica quindi educare a decidere quando e per cosa non usarla».

Quello remoto è il ciottolo di fiume scheggiato (nella foto qui a fianco) che è tra i primi strumenti in pietra pensato e realizzato dai nostri antenati. Serviva per tagliare carne, rompere ossa e lavorare il legno.

Certamente qualcuno lo ha usato per ferire/uccidere un suo simile. Come, millenni dopo, qualcuno ha usato un aereo pensato e costruito per far muovere cose e ed esseri viventi come arma per abbattere un grattacielo e uccidere migliaia di persone (attentato alle torri gemelle di New York del 2001).

Ho sottolineato che:

1. L’uomo è le tecnologie che pensa e realizza o non è.

2. Ciò che si sta processando in questo processo è l’uomo in quanto capace di inventare nuove tecnologie senza le quali egli non è.

A cominciare dalla tecnologia del linguaggio articolato e dalla tecnologia della scrittura. Con esse abbiamo costruito civiltà (anche se c’è chi usa il linguaggio per offendere e c’è chi i libri li brucia). E come tutte le tecnologie anche esse retroagiscono sull’uomo stesso. Linguaggio e scrittura (essendo tecnologie del pensiero) retroagiscono sul modo di pensare.

Illuminanti sono le pagine di un libro di 50 anni fa di Eisenstein: “Le rivoluzioni del libro”.

E oggi qualcuno dice che i giovani sarebbero meno preparati perché leggono meno libri (e, quindi, perché altre tecnologie hanno retroagito in maniera diversa rispetto al libro sul loro modo di pensare).

Ho fatto gli esempi del ciottolo e dell’aereo usati per uccidere. Nessuno li ha processati in quanto tecnologie.

Eppure, ci abbiamo provato, e per secoli.

Nel diritto inglese l’oggetto o l’animale che una giuria di inchiesta dichiarava responsabile di una morte veniva confiscato alla Corona. Si chiamava deodand. Si processava il carro, la trave, il bue.

L’istituto fu abolito nell’800 quando le ferrovie cominciarono a uccidere e confiscare la locomotiva divenne insostenibile. Poco dopo entrò in vigore la legge che per la prima volta dava ai congiunti di chi era morto il diritto di chiedere il risarcimento al vettore.

Il rito rispondeva a un bisogno che riconosciamo: un evento grave senza un autore individuabile è difficile da sopportare, e la designazione di un colpevole restituisce un ordine.

Si smise di processare la cosa nel momento esatto in cui si cominciò a chiedere conto all’impresa.

Gli obblighi, nel frattempo, esistono. L’art. 28 del regolamento sui servizi digitali impone ai fornitori di piattaforme accessibili ai minori misure adeguate e proporzionate. L’art. 5 dell’AI Act vieta i sistemi che sfruttano le vulnerabilità dovute all’età. L’art. 50 impone di dire all’utente che sta parlando con una macchina.

Tutti questi obblighi hanno lo stesso destinatario: chi il sistema lo progetta, lo immette sul mercato, lo mette a disposizione del pubblico. E l’apparato sanzionatorio c’è, è quello dell’art. 99 dell’AI Act, ed è amministrativo: ritiro dal mercato e sanzioni commisurate al fatturato mondiale.

TORNIAMO A DOVE SIAMO PARTITI

L’uomo è le tecnologie che pensa e realizza, o non è. A cominciare dal linguaggio articolato e dalla scrittura, con cui abbiamo costruito le civiltà, anche se c’è chi usa il linguaggio per offendere e c’è chi i libri li brucia.

Ogni tecnologia nuova produce la sua forma di luddismo, e quella del nostro secolo riguarda l’intelligenza artificiale. E questo caso a me sembra un’implicita forma di luddismo che poi altro non è che paura del nuovo.

Si dice: ma questa è una tecnologia diversa dalle altre. Più pervasiva. E’ vero. È possibile che le tecnologie ci facciano male? Sì.

Ma se l’uomo è le tecnologie che inventa, il suo eventuale destino nefasto dipende soprattutto da altro: da un fondo irrisolto di violenza e di sopraffazione, o dal non essere abbastanza intelligente nonostante la capacità di inventare macchine.

Mi piace pensare che l’uomo abbia anche la capacità di sopravvivere alla parte peggiore di sé. Magari con l’aiuto dlle tecnologie e in particolare di una delle tecnologie che ha inventato, e che si chiama diritto.

Alla seconda domanda “Quel ragazzo doveva essere protetto e tutelato: ma da chi?” ho risposto in questo modo.

Il capo di imputazione descrive uno studente in stato di crisi psichica documentata, in condizione di isolamento relazionale ormai completo, che aveva cessato ogni confronto con i docenti.

Sono tre fatti che non accadono in privato.

Una crisi documentata è stata vista da qualcuno e messa per iscritto. Un isolamento che diventa completo si compie davanti a delle persone. L’abbandono della relazione educativa accade dentro un’aula.

A ciascuno di quei fatti l’ordinamento aveva già fatto corrispondere un compito, e ogni compito ha un titolare.

Gli artt. 147 e 315-bis del codice civile pongono in capo ai genitori il dovere di mantenere, istruire, educare e assistere moralmente il figlio, nel rispetto delle sue capacità e delle sue inclinazioni.

L’art. 5 della legge 71/2017 impone al dirigente scolastico che venga a conoscenza del disagio di informare chi esercita la responsabilità genitoriale e, nei casi più gravi, di riferire alle autorità competenti. L’art. 4-bis della stessa legge prevede il servizio di sostegno psicologico agli studenti. Il patto educativo di corresponsabilità, previsto dal regolamento del 1998, include l’impegno della scuola e delle famiglie a collaborare perché le situazioni di disagio emergano.

La legge del 2019 sull’educazione civica inserisce fra le competenze da insegnare la capacità di evitare, usando le tecnologie digitali, i rischi per il proprio benessere psicologico .

In FRANCIA qualcuno auspica l’introduzione di un nuovo reato: quello di “negligenza digitale”. Si propone di integrare l’articolo 227-17 del Codice penale francese (che sanziona con la reclusione fino a due anni la messa in pericolo dei minori), al fine di punire le gravi inadempienze da parte di alcuni genitori nell’adempimento dei loro obblighi di tutela della salute e della sicurezza dei propri figli di fronte agli strumenti digitali, in particolare fin dalla più tenera età. (Commissione d’inchiesta sugli effetti psicologici di TikTok sui minori istituita dall’Assemblea nazionale francese).

Alla terza domanda “Concretamente cosa si poteva fare per evitare quell’epilogo così tragico?” ho risposto così.

Come detto, Papa Leone ha scritto: «Ogni tecnologia educa chi la utilizza».

La tecnologia retroagisce sull’uomo. Così la scrittura, così la tecnologia della scrittura. La nascita del libro.

Se le tecnologie vengono usate senza nessuna preparazione vengono usate male e possono fare male (vale per l’auto, vale per i telefonini, vale per tik tok). Nessuno dubita che per guidare l’auto occorra prendere la patente. Per usare l’AI, secondo la legge italiana, basta avere 14 anni.

Il decreto legislativo 149/2026 pone due compiti alle Università: (i) insegnare AIgen in tutti i corsi di laurea; (ii) formare chi deve insegnare AIgen alle nuove generazioni.

Vero problema: chi oggi possiede le competenze per insegnare ad usare ai giovani ad usare correttamente l’Aigen, una tecnologia appena nata, nei diversi contesti?

Quella della formazione mi sembra l’unica strada.

[Invito completo]

Le foto riportate sono di Clarissa Lapolla

Molte di queste osservazioni hanno un fondo di verità, e verosimilmente sono condivise da tanti suoi colleghi professori. Hanno però delle motivazioni.

(i) Quello che si ascolta una sola volta, senza doverlo richiamare o applicare, si dimentica presto: valeva anche quarant’anni fa.

(ii) Le dispense circolano da decenni; è cambiata la proporzione. Lo studente tende a scegliere il materiale più compresso che basta per superare la prova, e se l’esame chiede soprattutto di ripetere nozioni la dispensa è una scelta razionale. Il manuale diventa necessario quando l’esame chiede di muoversi dentro un sistema, di collegare istituti lontani, di ragionare su un caso nuovo.

(iii) Anche il ricevimento aveva un costo, che spesso dimentichiamo: il timore di esporsi davanti al professore con una domanda che si teme possa essere considerata banale. L’IA risponde a ogni ora e non giudica. Una volta un ricevimento vuoto segnalava studenti che non studiavano; oggi può segnalare anche un luogo percepito come poco accogliente.

(iv) C’è poi la memoria di chi insegna, che è selettiva. Chi è diventato professore è uno studente per cui il modello tradizionale ha funzionato. Ricorda i compagni che andavano a ricevimento e studiavano sul manuale; ricorda meno quelli che abbandonavano. E la popolazione studentesca di oggi è diversa da quella di qualche decennio fa.

Gli studenti hanno la loro parte di responsabilità. Il docente però controlla ciò che orienta le loro scelte: che cosa si fa in aula, che cosa si chiede all’esame, quale uso dell’IA si insegna. Lamentare che gli studenti non studiano senza chiedersi che cosa l’esame li spinga a studiare vuol dire rinunciare alla parte del problema su cui si ha il potere di intervenire.

Va detto che il sistema aiuta poco. La carriera universitaria si costruisce soprattutto sulla ricerca, e l’impegno nella didattica pesa assai meno. Ripetere per anni la stessa lezione è la strategia che costa meno e che nessuno sanziona. Questo spiega molti comportamenti.

Ho provato a redigere un piccolo decalogo che contiene : i comportamenti tenuti dagli studenti, la loro causa probabile e una possibile risposta del docente.

Nessuna di queste misure è una ricetta. Hanno in comune un’idea: il docente può costruire le condizioni in cui lo studente è indotto a ragionare, a sbagliare e a essere corretto, invece di limitarsi a trasmettere contenuti che oggi sono disponibili ovunque.

Ovviamente è solo un punto di vista.

Approfondimenti

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

Insegnare all’Università

Giuristi si diventa

Il 25 settembre 2026 ho partecipato, nell’Aula Magna «Francesco Maria Silla» dell’Università di Foggia, al convegno «Formazione e ruolo del giurista. Contromisure culturali alla crisi del sapere giuridico», organizzato dal Dipartimento di Giurisprudenza. La mia relazione, nella sessione pomeridiana dedicata alle contromisure, si intitolava «Il futuro del diritto».

Di seguito una breve sintesi delle cose che ho detto. A seguire le slides che ho presentato.

L’espressione «futuro del diritto» è polisemica. C’è il futuro del diritto, dove il soggetto che cambia è il diritto. C’è il diritto del futuro, che richiede previsioni sul mondo che verrà. C’è il futuro come bene giuridico, protetto quando si parla di generazioni future e rivendicato quando qualcuno chiede che gli sia lasciato un domani. C’è il futuro come tempo tecnico, cioè il diritto in preparazione. E c’è la fine del diritto, dove «fine» vale insieme scopo e cessazione.

Ho parlato soprattutto del primo di questi significati.

Un vecchio brocardo recita: “Ubi societas ibi ius”. Dai suoi elementi ho ricavato quattro variabili: i luoghi in cui il diritto si forma, il suo tempo, la societas a cui si riferisce, le forme che la regola può assumere.

Fra i luoghi ho insistito su quello che chiamo tecnologico, fatto di codici, standard, protocolli e configurazioni. Non è un quarto territorio accanto allo Stato, allo spazio globale e al cyberspazio: è uno strato che opera dentro ciascuno di essi.

La parte centrale dell’intervento riguardava una domanda semplice: che cosa fa mutare il diritto? Ho individuato tre profili. Le cause, in prevalenza esterne al diritto, fra cui il conflitto. Le tecniche giuridiche attraverso cui il mutamento passa: dalla riforma legislativa al revirement, dalla prassi contrattuale alla circolazione dei modelli. E le tecniche cognitive con cui il singolo giurista concepisce una soluzione nuova per problemi vecchi e nuovi.

Hanno però tutte la stessa caratteristica, ed è quella che condiziona il resto. Dicono perché e come il diritto è mutato. Nessuna dice come muterà.

Da qui la scelta di rinunciare a una previsione e di procedere per scenari. Ne ho isolati sedici, raggruppati intorno a tre domande: chi scrive la regola, dove la regola si forma, se la si può discutere. Per ciascuno ho detto che cosa cambia, quale segnale è già in corso, che cosa lo renderebbe prevalente, che cosa si guadagna e che cosa si perde.

Ne ho approfondito cinque in particolare. Lo svuotamento dello stato di diritto, dove la forma resta osservata e la sostanza si svuota. Le regole scritte da poteri privati, dai gestori delle piattaforme ai comitati che elaborano gli standard tecnici. La tecnologia che diventa regola e si fa rispettare da sé, dove il precetto non vieta ma impedisce, e dove si perde anche l’eccezione, perché la macchina non conosce la causa di giustificazione. La composizione al posto dell’accertamento, dove la lite si chiude con un accordo e l’ordinamento non ottiene una regola. E il giurista che certifica invece di progettare.
L’ultimo scenario mi ha riportato al tema del convegno.

Le regole nuove nascono oggi in documenti tecnici, in contratti di piattaforma, in progetti di sistema. I giuristi in quei luoghi ci sono già: siedono nei comitati, redigono le clausole, firmano i pareri di conformità. La domanda non è se siano presenti ma: in quale veste sono li. Chi progetta lo strumento decide che cosa esso renderà visibile e che cosa lascerà fuori; chi lo collauda arriva quando la scelta è stata fatta.

Alla formazione giuridica non chiederei un corso in più sulle tecnologie, ma un modo diverso di insegnare le stesse materie: per ogni istituto, dire dove la regola si forma, chi la applica, davanti a chi la si può contestare. Insieme all’esercizio della scrittura della regola, accanto a quello, consueto, della sua interpretazione.

Ho chiuso accostando al brocardo una frase di Harold Berman, per cui il corpo del diritto (in Occidente) sopravvive solo perché contiene un meccanismo intrinseco di mutamento organico. La prima garantisce l’esistenza del diritto; la seconda avverte che l’esistenza non basta, e che quel meccanismo ha bisogno di qualcuno che lo faccia evolvere.

Il brocardo, allora, garantisce che un diritto ci sarà. Ma i giuristi ne saranno ancora gli artefici?

Le slides che ho proiettato sono disponibili qui.

Quella riportata qui a fianco è la copertina di un libro scritto da Paolo Grossi che dipinge il giurista come interprete attivo della società e non come semplice esecutore della volontà del legislatore.

Parto dall’invito a leggerlo per rivolgere qualche parola a Gaia e a tutte le matricole che, come lei, in questi giorni stanno cominciando gli studi di diritto nelle Università italiane.

Sentirete certamente dire che il diritto e il lavoro del giurista stanno affrontando rapide e profonde trasformazioni. È vero. E, infatti, imparare a governare il cambiamento è una delle attitudini che occorrerà imparare.

Ma la formazione giuridica ha contenuti di base che restano saldi e costanti. A. Impadronirsi del sapere giuridico che coincide con un sapere plurimillenario e non con il conoscere l’ultimo decreto legge emanato nottetempo. B. Imparare a usare quel sapere per svolgere attività come interpretare le norme, risolvere problemi giuridici, scrivere testi giuridici. C. Essere all’altezza delle responsabilità che il lavoro del giurista comporta.

Mettete del vostro in tutto ciò che farete. Anzi metteteci tutto voi stessi. Ma non date per scontate (cioé: non omettete di leggere) le cose che hanno scritto i giuristi che vi hanno preceduto. Inoltre confrontatevi con i vostri professori e con chi esercita le professioni legali: probabilmente hanno già affrontato e risolto i problemi che voi avete davanti. E se vi inviteranno a non commettere i loro stessi errori è solo per darvi la possibilità di commettere errori diversi e nuovi perché anche quello è un modo per crescere.

Frequentare l’università era ed è sempre di più un privilegio. Raccogliete le opportunità che i corsi di laurea in Giurisprudenza vi danno di studiare, di andare all’estero, di costruire relazioni. Partecipate alla vita dell’Ateneo anche facendovi eleggere negli organi rappresentativi. Animate le tante associazioni studentesche. Fatevi promotori di iniziative.

State costruendo il vostro futuro e al tempo stesso state raccogliendo il testimone di un’impresa più grande: portare nel futuro i principi della nostra civiltà giuridica.

In bocca al lupo, ragazze e ragazzi.

Il 18 settembre 2026 si è tenuto a Roma, presso Treccani Accademia, il primo dei quattro incontri della masterclass «Intelligenza artificiale per la scrittura normativa e la valutazione d’impatto», (pdf della brochure) diretta da Davide De Lungo.

Pubblico qui le slide che ho proiettato.

Scarica le slide in pdf

La giornata

La prima relazione è stata tenuta da Claudia Di Andrea, Vicesegretaria generale della Camera dei deputati. È stata la relazione cornice, nella quale sono stati elencati tutti i profili connessi all’uso dell’intelligenza artificiale nelle istituzioni parlamentari: fra gli altri, i possibili usi nel ciclo della regolazione e le iniziative concrete varate dalla Camera.

L’organizzazione ha voluto che di intelligenza artificiale si parlasse anche dal punto di vista dell’avvocatura e della giurisdizione.

Giuseppe Vaciago, coordinatore del tavolo giustizia e AI presso l’Ordine degli avvocati di Milano, ha esposto le iniziative assunte dall’ordine meneghino sulle applicazioni per l’avvocatura.

Io ho svolto la relazione intitolata «Intelligenza artificiale e funzione giurisdizionale».

L’ultimo intervento è stato di Massimiliano Nicolini, direttore del dipartimento ricerca e sviluppo della Fondazione Olitec, che ha illustrato le questioni tecniche di cui si parlerà nei prossimi incontri, a cominciare dagli strumenti che permettono all’intelligenza artificiale di “girare” in locale, depotenziando di molto il problema della diffusione dei dati.

Che cosa ho detto

Il mio intervento si è diviso in due parti. Nella prima ho ricostruito il contesto entro cui un magistrato può oggi sperimentare. Nella seconda ho raccontato che cosa ho imparato sperimentando, ordinandolo lungo quello che ho chiamato un percorso di quattro gradini.

I limiti, e chi li ha scritti

Uso l’intelligenza artificiale generativa da studioso e da giudice, e le due cose non hanno le stesse regole. Da studioso il vincolo è il metodo. Da giudice i vincoli sono scritti, e vengono da testi come i seguenti:

• la «Carta etica europea sull’uso dell’intelligenza artificiale nei sistemi giudiziari e nel loro ambiente», adottata dalla CEPEJ il 3 dicembre 2018;
• le «Raccomandazioni sull’uso dell’intelligenza artificiale nell’amministrazione della giustizia» del Consiglio superiore della magistratura, dell’8 ottobre 2025, aggiornate il 22 luglio 2026;
• il documento «Intelligenza artificiale e Giustizia amministrativa: strategie di impiego, metodologie e sicurezza», del Segretariato generale della Giustizia amministrativa, Servizio per l’informatica.

Sullo sfondo, l’art. 15 della legge 23 settembre 2025, n. 132 (d’ora in poi: legge sull’intelligenza artificiale), che riserva sempre al magistrato ogni decisione sull’interpretazione e sull’applicazione della legge, sulla valutazione dei fatti e delle prove e sull’adozione dei provvedimenti.

La Carta della CEPEJ vale per tutti i sistemi giudiziari europei. Le raccomandazioni del Consiglio superiore vincolano i magistrati ordinari. Il documento della Giustizia amministrativa è quello che riguarda me.

Il documento della Giustizia amministrativa fissa quattro limiti operativi: l’attività di elaborazione resta affidata al giudice in via esclusiva; è esclusa la generazione di testi di qualsiasi tipologia; l’addestramento avviene sui soli dati del database interno; per ogni caso d’uso è progettata una pipeline disegnata da giudici e ingegneri insieme, così che ogni passaggio sia catturato per essere spiegato. Preferisce, per questo, parlare di «intelligenza accelerata» più che di intelligenza artificiale.

Le due delibere del Consiglio superiore della magistratura raccontano un movimento. Nel 2025 il perimetro era stretto. Nel 2026, acquisite le garanzie tecniche sul sistema in dotazione agli uffici, gli usi ammessi passano da sette a dodici, purché restino nella «fase analitica e ricostruttiva del processo» e ricorrano cinque condizioni cumulative.

Restano aperte alcune questioni, che ho indicato una per una. La principale riguarda il confine: fra i nuovi usi consentiti compare il confronto fra le posizioni processuali delle parti ai fini dell’individuazione del thema decidendum, ma individuare il thema decidendum non è operazione descrittiva. Il rischio non è che la macchina decida al posto del giudice: è che il giudice parta da un punto che non ha scelto. Le raccomandazioni del 2025 chiedevano, non a caso, di preservare la possibilità di resistere alla macchina.

C’è poi un dato che considero decisivo, e che viene dalla ricognizione tecnica del Consiglio del 29 aprile 2026. Catalogando elenchi di beni immobili in ambiente istituzionale protetto, su documenti già trattati con OCR, con l’istruzione esplicita di limitarsi ai documenti forniti, il sistema ha inserito il riferimento a un Comune inesistente senza segnalarlo come incerto. L’ambiente chiuso riduce il rischio: non lo elimina.

La conclusione è che la funzione giudiziaria richiede sistemi progettati fin dall’origine per il dominio giuridico, con tracciabilità delle fonti e verificabilità degli output. Quella piattaforma ancora non c’è. E poiché l’autonomia decisionale, il divieto di profilazione e la parità informativa fra le parti non sono principi della sola giurisdizione ordinaria, ho proposto una sede comune delle magistrature, aperta all’avvocatura: una voce sola, nel momento in cui si deve dire all’industria di che cosa si ha bisogno.

Una sperimentazione in corso alla Corte di cassazione

Aggiungo qui una notizia che non era nelle slide e che illustra bene quanto precede (Fonte: Ivan Cimmarusti, Il Sole 24 Ore, 16 settembre 2026).

Tra luglio e agosto 2026, nella sezione tributaria, un «agente AI» costruito su Copilot ha affiancato in via sperimentale magistrati e personale amministrativo nella preparazione della scheda di spoglio dei ricorsi per cassazione. 

L’addetto all’Ufficio per il processo carica gli atti necessari e l’agente restituisce una scheda uniforme con materia, sviluppo del processo, motivi del ricorso e difese della controparte. L’agente lavora solo su quegli atti: non cerca precedenti e non è collegato alla banca dati Italgiure né alla piattaforma di gestione. L’operatore confronta la scheda con il fascicolo e il magistrato ne supervisiona il contenuto. Solo dopo la scheda viene inserita manualmente nel sistema.

L’articolo richiama come cornice l’AI Act, l’articolo 15 della legge italiana sull’intelligenza artificiale e la delibera del CSM dell’8 ottobre 2025, aggiornata il 22 luglio 2026, che ammette Copilot per classificare, riassumere e analizzare gli atti. Sono previste anche cautele di sicurezza: account istituzionale, spazio riservato al Ministero, dati che restano in Italia e non vengono usati per addestrare i modelli, caricamento limitato alle informazioni necessarie.

Gli esiti preliminari, definiti «incoraggianti», sono stati illustrati il 15 settembre al primo presidente e ai presidenti di sezione. La prova proseguirà e si valuta l’estensione alle altre sezioni della Corte.

L’obiettivo dichiarato è alleggerire il lavoro documentale, uniformare le schede e organizzare meglio le informazioni processuali, senza automatizzare la decisione.

Quattro gradini

Nella seconda parte del mio intervento ho raccontato le mie sperimentazioni, disponendole secondo la progressione che ho seguito.

Primo gradino: il chatbot nudo. Gli chiedo, lui risponde. Ho posto la stessa domanda a tre sistemi, poi lo stesso compito a cinque: individuare fatti e principio di diritto di una sentenza, Cass., sez. un., 26 gennaio 1971, n. 174, il caso Meroni, circa 55.000 caratteri da ridurre a 3.000. [Prospetto comparativo delle risposte e testo della sentenza (pdf)]

Il risultato è istruttivo. Tutti e cinque arrivano allo stesso principio di diritto, con differenze di grana. Ma quando avevo chiesto loro che cosa sapessero fare per un giurista, le risposte divergevano, e ciascuno si attribuiva qualcosa che gli altri non nominavano [la risposta di Claude: pdf; la risposta di Gemini: pdf; la risposta di ChatGPT: pdf]. Dove c’è un testo contro cui verificare, convergono. Dove non c’è, divergono. Anche il resoconto che un sistema dà di sé stesso è un output, e va verificato come ogni altro.

A questo gradino ho accennato ai tre errori strutturali di cui ho scritto altrove: l’allucinazione, che produce testo plausibile e falso; la sicofantia, che asseconda chi interroga invece di contraddire le premesse sbagliate della domanda; il bias linguistico, che riconduce istituti italiani a categorie di common law.

Secondo gradino: il chatbot istruito. Gli do il documento, il ruolo, il formato e i vincoli.

Ho proiettato il prompt che ha funzionato sul caso Meroni, smontandolo pezzo per pezzo, e ho ricavato quattro regole da scrivere sempre:

• ancorare a un documento specifico;
• vietare il riempimento delle lacune: se l’informazione manca, il sistema deve scrivere che manca;
• dire che cosa non deve fare, non solo che cosa deve fare;
• chiedere il percorso e la motivazione, non soltanto l’esito.

Qui sta anche la distinzione che considero più utile: reperire non è elaborare. Le fonti si prendono dove stanno, in Normattiva, in EUR-Lex, nelle banche dati parlamentari; il modello lavora sul materiale reperito, non sulla propria memoria. Il rischio opposto ha un nome: restare dentro il dialogo credendo di fare ricerca.

Ho raccontato un caso in cui la ricerca è uscita dai binari, e come l’ho fermata.

Terzo gradino: il chatbot personalizzato. Le istruzioni si scrivono una volta sola. Ho costruito un assistente su come si costruisce un articolo scientifico e uno che conosce il mio modo di scrivere.

Il passo successivo è l’agente: non più uno strumento che risponde quando lo interrogo, ma un’attività che parte da sola, a cadenza fissa, e mi porta il risultato. Con due condizioni che non sono facoltative: il perimetro delle fonti lo definisco io, prima; e l’esito è un risultato che leggo, non un’azione che qualcuno esegue al posto mio.

Quarto gradino: il chatbot ancorato a un corpus. Il corpus si sceglie in funzione del compito: per le sentenze un corpus di massime di legittimità e di merito, per le norme Normattiva, EUR-Lex, i dossier dei Servizi studi.

Qui c’è il punto che riguarda più da vicino il tema della masterclass. Il modello non possiede una nozione di vigenza. La norma è un oggetto a versioni multiple, originaria, intermedie, vigente, e il modello le ha viste mescolate. Per questo il testo di una norma non si chiede: si fornisce.

Un esempio: riformare la legge 241 del 1990

Ho chiuso con un esperimento condotto il 25 giugno 2026. Non ho chiesto «scrivi una legge»: ho fornito il testo vigente della legge 7 agosto 1990, n. 241, e ho chiesto come modificarlo per digitalizzare il procedimento, per introdurre modalità concrete di uso degli strumenti informatici e per impiegare l’intelligenza artificiale nell’istruttoria.

Il sistema ha proposto un quadro di modifiche, poi si è fermato e ha posto quattro domande: automazione spinta nei procedimenti vincolati o firma sempre umana? nullità o annullabilità dei provvedimenti privi di supervisione? una norma transitoria? un coordinamento esplicito con l’AI Act?

Ho risposto io, e sono decisioni di politica del diritto. La macchina non ha deciso nulla: ha posto le domande. È esattamente il modo in cui mi pare utile impiegarla.

Il passo successivo

Nel mio libro «Il problem solving nelle professioni legali» ho descritto in nove passaggi il percorso che porta dal problema sociale alla norma. Per ciascun passaggio la domanda è la stessa: come e quando usare l’intelligenza artificiale generativa. A mio avviso i passaggi in cui serve davvero sono quattro.

Ma di questo parleremo un’altra volta.

Una considerazione finale

Attività formative di questo tipo sono a mio avviso indispensabili. Il valore aggiunto di questa masterclass mi pare stia nella felice intuizione di mettere a fattor comune le esperienze, interdisciplinari e professionali, che ognuno sta facendo per costruire le competenze necessarie a usare questi strumenti.

Nuove competenze per nuovi strumenti, costruite attraverso l’apprendimento collaborativo.

Ringrazio Davide De Lungo, direttore della masterclass e consigliere parlamentare della Camera dei deputati, per avermi chiesto di portare il mio personale punto di vista.

Per approfondire

• Le slide che ho proiettato (pdf)
• Pascuzzi, G., Intelligenza artificiale generativa (inventario delle piattaforme per i giuristi)
• Pascuzzi, G., Le delibere del CSM sull’intelligenza artificiale nell’amministrazione della giustizia
• Pascuzzi, G., Intelligenza artificiale e sistema giudiziario: quella piattaforma che ancora non c’è
• Pascuzzi, G., Intelligenza artificiale generativa e giustizia amministrativa
• Pascuzzi, G., Sulle sentenze «allucinate» dall’intelligenza artificiale
• Pascuzzi, G., Rallentare l’intelligenza artificiale? Sulla proposta del fondatore di Anthropic
• Pascuzzi, G., Come si insegna agli studenti di Giurisprudenza l’uso proficuo dell’intelligenza artificiale generativa?
• Pascuzzi, G., Educare all’uso dell’intelligenza artificiale. Il ruolo di scuole e università
• Pascuzzi, G., La regolazione delle tecnologie emergenti

Brochure della masterclass

Locandina del primo incontro

Larga eco sta avendo un articolo pubblicato da Dario Amodei, che ha fondato e dirige Anthropic, l’azienda che produce Claude, uno dei modelli più diffusi di intelligenza artificiale (https://darioamodei.com/post/we-must-pace-the-frontier) [pdf]. Amodei sostiene che occorre rallentare il ritmo con cui crescono le capacità dei modelli di IA in modo da avere più tempo per prevenire i rischi cui questi sistemi ci espongono. L’autore propone una strategia in tre passaggi: (i) insediare nelle imprese di IA dei valutatori terzi; (ii) propiziare delle intese fra le imprese dei paesi democratici sul ritmo di sviluppo dell’IA; (iii) arrivare ad accordi internazionali globali coinvolgendo anche paesi come la Cina. Sam Altman ed Elon Musk (rispettivamente a capo di OpenAI, che produce ChatGPT, e di xAI, che produce Grok) hanno dichiarato di condividere la proposta di Amodei.

l’Adige, 17 settembre 2026

Post articolo

Editoriale del Direttore Pierluigi Depentori, “Una questione di intelligenza”, l’Adige 20 settembre 2026.

Articoli correlati

Noi e Claude

Riflessioni proposte a chi insegna corsi di diritto nelle Università

Giovanni Pascuzzi — versione 2.0, ottobre 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 soltanto quella che si immagina per prima. Dai focus group condotti da Söğüt Atilla-Aydın e Laura Lammasniemi su studenti di Giurisprudenza già esperti nell’uso di questi strumenti risulta che il chatbot serve certamente a risparmiare tempo, ma serve anche 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.

Che cosa cambia se il documento glielo si dà? È l’uso più frequente di tutti: si carica la sentenza, il capitolo del manuale, gli appunti, e si fanno domande su quelli.

Cambia il tipo di errore. L’invenzione pura diventa rara, perché il testo c’è.

Al suo posto ne arrivano due. L’attribuzione sbagliata: lo strumento riferisce al documento un’affermazione che sta altrove, o che non c’è. L’omissione silenziosa: tace un passaggio rilevante senza segnalare di averlo tralasciato. Ad esempio, il riassunto di una sentenza che restituisce fedelmente la ratio e lascia fuori il motivo dichiarato inammissibile.

Agli studenti va detto, perché l’effetto è controintuitivo. Chi ha caricato il testo si sente al sicuro, e in parte lo è, e proprio per questo abbassa la guardia dove la verifica costerebbe pochissimo: il documento ce l’ha davanti.

La regola del § 1.4 si adatta in una riga. Su un documento caricato non si verifica che la fonte esista: si verifica il punto del testo da cui l’affermazione sarebbe tratta, e lo si chiede allo strumento.

Una cautela va però tenuta distinta da quanto si è appena detto, perché alcuni atenei la pongono espressamente: il divieto di immettere nei sistemi materiali del corso che appartengono ad altri, dispense, letture, slide, registrazioni delle lezioni. Qui si parla della sentenza scaricata dalla banca dati e degli appunti propri.

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.

Un limite va però detto per intero, perché riguarda la regola appena enunciata. Controllare che una fonte esista non richiede competenza: si apre la banca dati e si guarda.

Accorgersi che una ricostruzione è sbagliata è un’altra cosa, e richiede di sapere già quale sia quella giusta. Ad esempio: se lo strumento spiega che il silenzio dell’amministrazione equivale sempre ad accoglimento, lo studente che non ha ancora studiato il silenzio-assenso non ha nulla con cui accorgersene, perché la frase è ben costruita e non contiene alcuna citazione da controllare.

Lo si è visto al § 1.3 con la cornice presa da un altro ordinamento: lì non c’è alcuna citazione da controllare, e per vedere l’errore occorre conoscere entrambe le categorie. Lo stesso limite torna al § 3.3 a proposito delle correzioni.

Il paradosso è questo: si chiede allo studente di verificare con una competenza che sta ancora acquisendo. Non si scioglie, e sarebbe disonesto far finta di scioglierlo. Dice però in quale ordine conviene introdurre gli usi, e il § 3 parte da lì.

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.

Perché la regola debba scriverla una persona, e non possa essere prodotta da uno strumento o risolta da una procedura?

Uno studio di Iosif Gidiotis, costruito su scenari di finzione scritti da docenti, studenti e ricercatori dell’università svedese, riconduce l’intelligenza artificiale nell’istruzione alla categoria dei problemi privi di formulazione definitiva, privi di una regola che dica quando ci si può fermare, e nei quali ogni soluzione tentata modifica il problema stesso.

Problemi che non si risolvono con rimedi tecnici: richiedono scelte negoziate e rese esplicite.

È anche la ragione per cui i rilevatori di testo generato del § 5 non funzionano, e non funzioneranno meglio in futuro. Sono un rimedio tecnico applicato a un problema che tecnico non è.

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.

Va aggiunta una cosa, perché cambia il modo di parlarne in consiglio di corso. Il collega che non ha scritto le regole non sempre è un collega che non ci ha pensato. Gidiotis rileva che le posizioni sull’intelligenza artificiale nell’istruzione riflettono idee divergenti su che cosa sia insegnare, più che valutazioni divergenti su che cosa sappia fare la tecnologia. Con chi ritiene che l’uso vada protetto da vincoli stretti, e con chi ritiene che vada incoraggiato, si sta discutendo di didattica.

Conviene accorgersene prima di cominciare.

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.

Su questo punto, però, gli atenei non sono d’accordo, e conviene saperlo prima di scrivere le proprie righe. Pavia e Insubria impongono la dichiarazione per ogni elaborato in cui lo strumento sia stato impiegato, senza distinguere fra gli usi. Bologna la lega al caso d’uso. Chi scrive la regola del corso sceglie.

La scelta ha una conseguenza pratica. Una dichiarazione dovuta sempre diventa presto una formula che nessuno legge e nessuno controlla; una dichiarazione dovuta dove l’uso incide sul contenuto resta leggibile, e quindi discutibile con lo studente.

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.

Che il punto sia controverso, e come si scriva bene un divieto, lo mostra lo stesso documento.

La Artificial Intelligence Policy della School of Law di Berkeley, in vigore dall’estate 2026, elenca sette condotte vietate e accanto a ciascuna mette l’etichetta della violazione: chiedere allo strumento di proporre l’idea di un elaborato è conceptualizing vietato; chiedere una struttura è outlining vietato; chiedere di correggere gli errori grammaticali è editing vietato. È così che si scrive un divieto che lo studente è in grado di applicare da solo, ed è il quarto elemento dell’elenco qui sopra fatto per bene.

Sul merito, però, quella policy va in direzione opposta a queste pagine. Berkeley vieta, per i lavori valutati, tanto la correzione della forma quanto la traduzione, e la ragione è dichiarata: lo studente deve sviluppare una propria padronanza dell’inglese giuridico. È una scelta coerente con un contesto in cui la lingua del diritto è anche la lingua d’esame. Nel testo della policy non compare però alcun adattamento per chi quella lingua non la ha come propria o ha un disturbo dell’apprendimento.

Fra le due soluzioni queste pagine preferiscono la seconda: la forma del testo resta un uso libero, e il confine si colloca dove l’intervento tocca il contenuto.

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 da Söğüt Atilla-Aydın e Laura Lammasniemi 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.

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 a ottobre 2026. È la fotografia di cinque documenti, non un censimento.

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, che al «Non-Decalogo in nove punti» dell’ottobre 2025 ha fatto seguire linee guida articolate (decreto rettorale 29 maggio 2026, n. 772, in vigore dal 18 giugno 2026), con obblighi distinti per docenti e per studenti e un Comitato per l’IA che approva gli strumenti impiegati nella didattica; 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, Pavia e Insubria dicono la stessa cosa in forme diverse, e Insubria la scrive come divieto espresso a carico del docente. È il punto su cui la convergenza è totale. Sulla classificazione conviene però un’avvertenza di calendario. L’Allegato III dell’AI Act comprende i sistemi che valutano i risultati dell’apprendimento e quelli che sorvegliano comportamenti vietati durante le prove, cioè il proctoring. Gli obblighi relativi a quei sistemi non sono però ancora applicabili: l’omnibus digitale ne ha spostato la decorrenza al 2 dicembre 2027. La classificazione c’è già; gli adempimenti arrivano dopo.
• 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 cominciano a essere esplicitate. Pavia rinvia alle commissioni disciplinari competenti. Insubria è andata oltre: l’omessa dichiarazione dell’uso dell’intelligenza artificiale «può essere equiparata a plagio o falso e sanzionata secondo i regolamenti disciplinari vigenti», e la previsione vale tanto per gli studenti quanto per i docenti. Altrove il punto resta aperto, ed 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.

C’è anche una ragione che riguarda ciò che la correzione serve a costruire. Saper ricevere una valutazione, soppesarla e farne uso è esso stesso un apprendimento, e lo si fa soltanto esercitandolo su correzioni vere. Lo studente che fa correggere tutto allo strumento non ottiene una versione peggiore di quella capacità. Non la sviluppa affatto.

La distinzione fra le due metà dell’esercizio ha trovato un riscontro istituzionale: le linee guida dell’Insubria ammettono l’automazione della creazione e della correzione di esercizi e test «esclusivamente per strumenti di autovalutazione e non per prove d’esame».

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.

La ricerca profonda. (Paragrafo soggetto a rapida obsolescenza.) Gli strumenti più diffusi offrono ormai una modalità che, su una sola domanda, lavora per alcuni minuti e restituisce una relazione lunga, divisa in paragrafi, con decine di riferimenti in calce.

È la modalità a cui uno studente ricorre per una tesina, ed è la forma più insidiosa del tunnel appena descritto: il prodotto ha l’aspetto della ricerca documentata.

L’obbligo di verificare alla fonte non diventa, qui, più importante di prima. Diventa più faticoso, e quindi più facile da saltare. Ad esempio, una relazione di quindici pagine su un tema di diritto amministrativo può arrivare con quaranta note, e controllarle tutte costa più tempo della stesura.

Ne discende un adattamento della consegna documentata. La verifica integrale di quaranta fonti non è esigibile, e chiederla significa ottenere una spunta compiacente.

Conviene chiedere la verifica di un campione estratto dal docente: tre o quattro riferimenti, scelti dopo la consegna. Non serve a cogliere in fallo, serve a rendere non conveniente la spunta.

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, da Raja Parasuraman in avanti, 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. Yizhou Fan e i suoi coautori la ritrovano oggi, nell’intelligenza artificiale generativa applicata all’apprendimento, 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.

Quello che si perde, quando il principio viene violato, ha un nome. Jane Cross lo chiama competenza presa in prestito: un elaborato può risultare curato, ordinato e professionalmente adeguato senza che chi lo consegna abbia acquisito nulla della competenza che normalmente lo avrebbe prodotto.

L’illusione è convincente per tutti, compreso chi la produce. È questo che la rende pericolosa.

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.

C’è una ragione che va oltre la difesa dell’esame, e Jane Cross la formula così: la competenza del giurista si costruisce nella fatica di produrre un primo testo, riceverne la critica e rifarlo, e chi salta quel passaggio non acquisisce ciò che quel passaggio serviva a costruire. Una prova non va dunque resa difficile da aggirare. Va costruita in modo da conservare la fatica che produce apprendimento, che è una cosa diversa e si progetta diversamente.

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

Perché un esame orale, oggi, vale più di quanto valesse cinque anni fa?

Perché la competenza presa in prestito del § 3.5 prima o poi viene allo scoperto, e viene allo scoperto dove lo strumento non c’è. Per chi studia diritto in Italia quei luoghi hanno un nome: l’esame orale, l’esame di abilitazione alla professione forense, il concorso in magistratura. Sono ambienti chiusi, nei quali si dimostra ciò che si è interiorizzato e nient’altro.

Agli studenti conviene dirlo, perché l’argomento che li convince non è quello disciplinare. Chi ha delegato per tre anni ci arriva senza rete.

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 per intero.

Jonathan Choi, Amy Monahan e Daniel Schwarcz hanno condotto il primo esperimento controllato randomizzato sull’effetto dell’assistenza dell’intelligenza artificiale nell’analisi giuridica: sessanta studenti della University of Minnesota Law School, quattro compiti ciascuno, metà con GPT-4 e metà senza, elaborati corretti alla cieca.

Il risultato non è quello che ci si aspetta. Sulla qualità l’effetto è stato piccolo e incostante, fra +0,24 e −0,07 punti su una scala di quattro nei quattro compiti. Sui tempi è stato grande e uniforme: fra il dodici e il trentadue per cento in meno, e uguale per tutti. Dove lo strumento è servito, è servito soprattutto a chi partiva peggio; a chi già produceva buon lavoro ha dato poco.

Per chi costruisce una prova la conseguenza è precisa: l’intelligenza artificiale rende gli studenti molto più veloci e poco più bravi. Una prova tarata su quanto si riesce a produrre nel tempo dato misura ormai la disponibilità dello strumento. Una prova che chiede qualità di ragionamento ne risente molto meno.

Resta vero che lo stesso strumento può 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.

Esiste però una via che aggira l’ostacolo invece di affrontarlo di petto, e viene da un regolamento. La Artificial Intelligence Policy della School of Law di Berkeley stabilisce che la citazione di fonti inesistenti fa sorgere una presunzione di uso vietato dell’intelligenza artificiale.

Il congegno sposta l’oggetto della prova. Non si deve dimostrare che il testo è stato generato, cosa che non si può fare: si deve dimostrare che una fonte citata non esiste, cosa che si fa in due minuti su una banca dati. L’onere di spiegare passa a chi quella fonte l’ha citata.

Perché funzioni, però, la presunzione va annunciata prima, nelle regole del corso. Applicata a posteriori sarebbe una regola nuova introdotta dopo i fatti.

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?

La domanda non è retorica, e la risposta non sta in questo paragrafo. Se ne dirà in chiusura.

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 a ottobre 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 una diffusione informata dei sistemi e la consapevolezza di opportunità, rischi e danni possibili — una definizione che non richiede competenze tecniche specialistiche. L’art. 4, nel testo sostituito dall’omnibus digitale sull’IA, 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.

Il vincolo, però, ha una misura che conviene conoscere. Lo stesso art. 4 precisa che l’obbligo «non impone ai fornitori o ai deployer di garantire un livello specifico di alfabetizzazione in materia di IA per alcuna persona». È un’obbligazione di mezzi. Chi se ne occupa per adempiere troverà poco da adempiere; chi se ne occupa perché serve a insegnare troverà tutto quello che gli serve.

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.

Il decreto legislativo 7 ottobre 2026, n. 179. La delega è stata esercitata. Il decreto, pubblicato nella Gazzetta Ufficiale n. 234 dell’8 ottobre 2026, reca l’adeguamento della normativa nazionale all’AI Act «in materia di poteri delle Autorità nazionali e di utilizzo dell’intelligenza artificiale nella formazione».

L’art. 44 chiede alle università, nell’esercizio della propria autonomia didattica, di promuovere attività formative sulla comprensione tecnica dei sistemi, sul loro utilizzo sicuro e consapevole e sulla corretta interpretazione dei risultati. I contenuti si differenziano secondo il profilo del corso di studi: per i corsi a prevalente profilo giuridico il comma 2, lett. b), richiede l’integrazione dei profili tecnici e funzionali.

Il comma 3 va letto da chi insegna, perché elenca i contenuti minimi che quelle attività devono assicurare. Sono sei:

1. la comprensione dei principi, dei criteri di utilizzo e delle potenzialità di funzionamento;
2. la conoscenza dei limiti, dei rischi e delle distorsioni o errori;
3. la capacità di interpretare criticamente gli output quali previsioni, contenuti, raccomandazioni o decisioni;
4. la consapevolezza delle implicazioni giuridiche, etiche e di responsabilità;
5. la comprensione del ruolo della sorveglianza umana;
6. la consapevolezza dei rischi di cybersicurezza.

Le lettere b) e c) sono il § 1 di queste pagine. Ciò che fin qui si è proposto come scelta di metodo è anche, da oggi, contenuto minimo prescritto.

Il comma 4 indica come quei risultati vanno conseguiti, e fra le modalità mette gli «insegnamenti dedicati o moduli interdisciplinari integrati in insegnamenti esistenti». Il corso del singolo docente è una delle sedi previste.

Che non sia un adempimento simbolico lo dicono i due commi finali. Il comma 6 prevede un monitoraggio annuale del Ministero dell’università e della ricerca sull’attuazione, sulla base dei dati raccolti nelle attività nazionali di valutazione della qualità dell’offerta formativa. Il comma 7 rinvia a un decreto ministeriale, sentita l’ANVUR, per gli indicatori di monitoraggio e i criteri di valorizzazione: è il passaggio da seguire nei prossimi mesi.

L’art. 43, comma 3, prevede infine che le attività di alfabetizzazione, formazione e divulgazione costituiscano elemento di valutazione della carriera scientifica e didattica. Va letto per quello che dice: riguarda le attività svolte nell’ambito di accordi con pubbliche amministrazioni, imprese o enti senza scopo di lucro, non l’insegnamento ordinario del proprio corso.

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

Torniamo alla domanda lasciata aperta al § 5: se un elaborato interamente generato da un chatbot supera la prova, il problema è soltanto dello studente?

Lo studio di Gidiotis richiamato al § 2 la chiama paradosso della valutazione: come si valuta l’apprendimento quando il prodotto dello strumento è indistinguibile da quello di una persona? Ogni soluzione tentata, osservano gli autori, rivela una complicazione più profonda. Il rilevamento tecnico fallisce. La riprogettazione strutturale, l’esame orale per esempio, sposta l’oggetto della valutazione invece di risolvere il problema. Il passaggio dal sapere i fatti al saper valutare le fonti lo ricolloca altrove. Potrebbe trattarsi, concludono, di un problema senza soluzione stabile.

È il paradosso del § 1.4 visto dall’altro lato della cattedra: là è lo studente a dover verificare con una competenza che non ha ancora, qui è il docente a dover valutare ciò che non può distinguere.

Due conseguenze, e nessuna delle due è la rinuncia.

La prima riguarda ciò che si può onestamente promettere. Quanto proposto ai § 4 e § 5 non è il rimedio che chiude la questione: è la mossa migliore disponibile dentro un problema che non si chiude. Chi la adotta aspettandosi di avere risolto resterà deluso. Chi la adotta sapendo che cosa sta facendo valuterà cose che prima non valutava.

La seconda capovolge il tono della prima. Se il problema non ha una soluzione tecnica, allora tutto si gioca sulla qualità della progettazione didattica. Un problema che nessuno strumento risolve è un problema che si governa soltanto decidendo bene: quali competenze si vogliono formare, con quali attività, verificate in che modo. È esattamente ciò che l’art. 44 del decreto legislativo 179/2026 chiede oggi alle università. Il paradosso, letto così, non è un argomento per lasciar perdere: è la ragione per cui questa formazione va progettata, e progettata bene, invece di essere lasciata al passaparola.

Resta da dire perché il compito, per chi insegna diritto, è meno nuovo di quanto sembri.

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 a ottobre 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
• Regolamento del Parlamento europeo e del Consiglio dell’8 luglio 2026, che modifica il regolamento (UE) 2024/1689 per quanto riguarda la semplificazione dell’attuazione di regole armonizzate sull’intelligenza artificiale (Omnibus digitale sull’IA) — in particolare l’art. 4 sostituito e le nuove date di applicazione dell’art. 113. Il numero nella serie L va controllato su EUR-Lex: il testo consultato è quello licenziato dalle istituzioni, che non lo riporta ancora.
• Decreto legislativo 7 ottobre 2026, n. 179, Adeguamento della normativa nazionale alle disposizioni del regolamento (UE) 2024/1689 […] in materia di poteri delle Autorità nazionali e di utilizzo dell’intelligenza artificiale nella formazione — in particolare gli artt. 43 e 44. Pubblicato nella Gazzetta Ufficiale n. 234 dell’8 ottobre 2026.

Linee guida di ateneo

Ricognizione condotta sui documenti pubblicati dai seguenti atenei:

• Università di Bologna
• Università dell’Insubria — pagina Intelligenza artificiale e innovazione, che raccoglie il Non-Decalogo del 2025 e le successive Linee guida sull’uso dell’intelligenza artificiale, delle quali è stato consultato il Pillar 1 — Didattica (decreto rettorale 29 maggio 2026, n. 772, in vigore dal 18 giugno 2026)
• 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

• University of California, Berkeley, School of Law, Artificial Intelligence Policy, in vigore dall’estate 2026 — richiamata al § 2.2 e al § 5.
• Jane E. Cross, The AI Trap: How Over-Reliance on Generative AI Undermines Professional Development for Law Students and Young Attorneys, «Nova Law Review», vol. 50, p. 279 ss. — da cui la nozione di competenza presa in prestito del § 3.5 e l’argomento del § 4.1.
• Iosif Gidiotis, Speculative futures of artificial intelligence in education: A causal layered analysis of education fiction, «Futures», vol. 176, 2026, art. 103762 — da cui il problema maligno del § 2 e il paradosso della valutazione del § 5. Si tratta di uno studio su scenari di finzione scritti da sessantanove fra docenti, studenti e ricercatori dell’università svedese: documenta ciò che gli attori si attendono e temono, non gli effetti dell’intelligenza artificiale sugli studenti.
• Jonathan H. Choi, Amy B. Monahan e Daniel Schwarcz, Lawyering in the Age of Artificial Intelligence, «Minnesota Law Review», vol. 109, n. 1, 2024, p. 147 — l’esperimento controllato randomizzato richiamato al § 4.5. Ad accesso aperto. Testo
• 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

Segnalazioni e correzioni sono benvenute.

Versione precedente: Riflessioni, versione 1.0, agosto 2026 (PDF). Resta in linea perché il testo è destinato a essere aggiornato e le modifiche siano verificabili.