> ## Content Index > Fetch the complete content index at: https://ai-in-fvg.ghost.io/llms.txt > Use this file to discover other available public pages before exploring further. # Imparare quando e cosa delegare: tra carbonara, compiti a casa e l’importanza del senso critico - URL: https://ai-in-fvg.ghost.io/imparare-quando-e-cosa-delegare-tra-carbonara-compiti-a-casa-e-limportanza-del-senso-critico/ - Published: 2026-08-07T13:57:46.000Z - Updated: 2026-08-07T13:57:46.000Z - Author: Chiara Meriani - Tags: Interviste, AI & Scienza ### Intervista a Pierfrancesco Beneventano, ricercatore postdoc al McGovern Institute for Brain Research del MIT, Massachusetts Institute of Technology Per imparare a fare la carbonara, dice Pierfrancesco Beneventano, bisogna prima farla. E sbagliarla. Possiamo domandare subito come si prepara il piatto e seguire ogni passaggio meticolosamente: oppure possiamo tentare a memoria o ad ispirazione, vedere l'uovo trasformarsi in qualcosa di troppo simile a una frittata, accorgerci che la temperatura era sbagliata e soltanto dopo confrontare il nostro risultato con la ricetta di un cuoco, il consiglio di un amico romano o, magari, la risposta di un'intelligenza artificiale. Nel secondo caso la spiegazione non arriva nel vuoto. Incontra una difficoltà concreta, una consistenza sbagliata, un errore che ormai sappiamo riconoscere. La carbonara entra nella nostra conversazione mentre parliamo di giovani, università e ricerca e, naturalmente, intelligenza artificiale. E quel piatto che Pierfrancesco ha portato in Massachusetts, diventa rapidamente qualcosa di più di una metafora culinaria: una sorta di teoria dell'apprendimento. Prima si prova, poi ci si confronta con una soluzione proposta da qualcun altro: ciò permette di riflettere sulle differenze, capire l’errore, provare di nuovo – idealmente senza sbagliare più. Si migliora un passo alla volta. L'intelligenza artificiale, in questa prospettiva, non serve tanto ad eliminare il fatidico errore: serve ad aiutarci a comprenderlo. Diventa, in questo modo, non sostituta ma occasione, e ci permette di imparare davvero. Come con la carbonara: non impariamo soltanto che cosa fare, ma cominciamo a capire il perché! ### Al MIT, dopo i compiti a casa Pierfrancesco Beneventano è un giovane matematico italiano, oggi ricercatore al MIT, il famoso Massachussets Institute of Technology, dopo un dottorato a Princeton. Lo incontro all'ICTP di Trieste durante Youth in High-Dimensions, la conferenza che ha riunito giovani studiosi provenienti da alcune delle maggiori università e istituzioni scientifiche internazionali. Nel suo insegnamento al MIT ha dovuto affrontare un problema che riguarda ormai scuole e università di tutto il mondo: che senso ha continuare ad assegnare compiti tradizionali quando ChatGPT può produrre una soluzione in pochi secondi? La sua risposta - naturalmente - non è stata proibire l'AI. Il prof. Beneventano invece ha eliminato i tradizionali *homework*, perché correggerli si era trasformato, racconta, in una battaglia contro ChatGPT. Al loro posto ha introdotto progetti di ricerca, accompagnati da incontri settimanali durante i quali gli studenti devono mostrare il percorso compiuto, discutere gli ostacoli incontrati e spiegare ciò che hanno realmente compreso. Sono tornati anche i colloqui orali, nelle sue valutazioni: «Da buon italiano», scherza. “Parlando direttamente con lo studente diventa più difficile nascondersi dietro una risposta ben confezionata: si capisce presto chi ha afferrato il concetto e chi invece lo sa soltanto ripetere!” È una sperimentazione personale, precisa Pierfrancesco. Altri docenti del MIT stanno provando strade differenti e probabilmente, con il tempo, alcune di queste esperienze convergeranno verso nuovi modelli di insegnamento. Per ora, però, un dato appare evidente: non possiamo continuare a verificare l'apprendimento nello stesso modo in cui lo verificavamo prima dell'arrivo dell'AI generativa. La questione quindi non è più ottenere una risposta dallo studente, ma chiedergli di rendere visibile il processo che lo ha condotto fin lì: come è nata quella domanda in quel punto della ricerca? Quali tentativi di risposta sono falliti? Quali strade appaiono promettenti e perché? Lo studente deve dimostrare di saper riconoscere un errore, spiegare perché una soluzione funziona e perché un’altra no. E così, impara. È qui che torna la carbonara: leggere immediatamente la ricetta può condurci a un risultato migliore. Ma tentare prima di leggerla, andando ad istinto, a memoria, ad esperienza – magari di qualche altra ricetta, ci permette di affrontare personalmente il problema. Il confronto successivo con un esperto, o un sistema di AI, diventa allora più profondo: non serve soltanto a correggerci, ma ci aiuta a capire che cosa ha prodotto la differenza. Pierfrancesco ne è certo: l'AI può diventare uno strumento straordinario, anche per l’apprendimento. ### Delegare non significa abdicare Il ragionamento non vale soltanto per gli studenti. Vale anche nella ricerca scientifica. Siamo abituati a immaginare l'esperto come qualcuno che possiede personalmente tutte le conoscenze necessarie per affrontare un problema. Nella scienza contemporanea, però, questo accade sempre più raramente. I problemi sono troppo grandi, i campi troppo specializzati, le competenze necessarie troppo interdisciplinari: «Essere un bravo ricercatore significa anche imparare a delegare», spiega Pierfrancesco, riconoscendo che un'altra persona può conoscere meglio di noi una determinata parte del problema. La ricerca rimane un lavoro individuale, ma avanza attraverso una rete di conoscenza: il matematico si affida al biologo, il biologo all'esperto di dati, l'informatico a chi conosce meglio un particolare metodo statistico. Nessuno rinuncia al proprio ruolo: al contrario, la capacità di riconoscere l'esperto giusto diventa parte delle competenze necessarie. Delegare alcuni compiti a un sistema di AI può essere considerato un passaggio mentalmente simile: la macchina può analizzare dati, cercare connessioni, proporre ipotesi, riassumere lavori scientifici o suggerire una possibile strada. Ma la responsabilità di scegliere il problema, scomporlo nelle sue parti, formulare bene la richiesta e valutare il risultato non scompare: anzi! L'esperto quindi non svolge necessariamente da solo ogni passaggio: sa che cosa può affidare ad altri - umani o artificiali - e su che cosa deve invece continuare a lavorare personalmente. Sa quando chiedere. Sa a chi chiedere. E, soprattutto, sa giudicare la risposta: lavorando così, l’esperto non perderà di certo il suo ruolo, nemmeno con la diffusione dell’AI! ### Dal modello ai sistemi che agiscono È anche in questa direzione che si muove uno dei nuovi filoni di ricerca di Beneventano: i cosiddetti *agentic systems*, o sistemi agentici. Un modello linguistico risponde a una domanda o genera un testo. Un sistema agentico inserisce quel modello all'interno di una struttura più ampia: riceve un obiettivo, organizza una sequenza di azioni, utilizza strumenti, raccoglie informazioni, controlla i risultati e decide come proseguire. Ad un sistema di agenti non viene più chiesta “semplicemente” una risposta, ma viene affidato un compito. Beneventano, in particolare, sta lavorando su sistemi agentici destinati alla ricerca accademica: l'idea è comprendere fino a che punto possano affiancare il lavoro degli scienziati, automatizzarne alcune fasi e forse accelerare attività che oggi richiedono settimane o mesi. Ma anche qui la tecnologia corre più velocemente della teoria. «Non abbiamo ancora una comprensione teorica degli agentic systems», osserva. Sappiamo costruire sistemi sempre più capaci di concatenare azioni, ma non conosciamo ancora bene i loro limiti, non abbiamo ancora tutti gli strumenti per valutarne l'affidabilità e per comprendere in quali condizioni sia sensato affidare loro parti di un processo scientifico. È una domanda tecnica, ma anche profondamente umana: che cosa significa delegare non a qualcuno, ma a “qualcosa” più veloce o più competente di noi? La risposta di Beneventano non è difendere gelosamente ogni attività umana dalla macchina. La ricerca ha sempre richiesto collaborazione e delega. Il punto è evitare che la delega si trasformi in rinuncia al giudizio o alla comprensione stessa. ### Una teoria vera, ma non più sufficiente Questo interesse per i sistemi che funzionano prima ancora che riusciamo a comprenderli completamente, attraversa anche il lavoro scientifico presentato da Beneventano all'ICTP. Il suo percorso verso l'intelligenza artificiale era iniziato quasi per caso: aveva studiato probabilità e metodi numerici, prima a Pisa e poi al Politecnico di Zurigo, ed era arrivato al dottorato a Princeton con una solida formazione matematica. Intorno al 2020, però, ha attraversato quella che definisce una «crisi vocazionale»: ha iniziato a domandarsi che cosa stesse facendo davvero la sua matematica e quale parte del mondo potesse aiutarci a comprendere. Da quella domanda è nato il suo interesse per gli algoritmi di apprendimento. E, nel giro di pochi mesi, una questione ancora più grande: ***Perché l'apprendimento funziona?*** La teoria classica dell'ottimizzazione stabilisce che, in determinate condizioni, un algoritmo può ridurre progressivamente l'errore. Nell'articolo introduttivo dedicato alla conferenza avevamo incontrato la metafora della montagna utilizzata da Beneventano: l'altitudine rappresenta l'errore, mentre gli algoritmi sono i diversi sentieri disponibili per scendere verso il livello del mare. Errore zero. In questa “discesa” le moderne reti neurali non sempre procedono nel modo descritto dalla teoria classica. Questo non significa che contraddicano la matematica o che violino qualche teorema: i teoremi rimangono validi all'interno delle condizioni su cui sono stati costruiti. Semplicemente, quelle condizioni non sono sempre soddisfatte dalle reti neurali durante la fase di addestramento: la matematica che conosciamo, non basta più in quella cornice. Tornando alla metafora della montagna, occorre costruire una teoria capace di descrivere un percorso meno ordinato, meno costante: la “discesa” verso l’errore zero può infatti essere irregolare, il sistema può oscillare, procedere quasi in piano, avvicinarsi alla soglia dell'instabilità e tuttavia continuare ad apprendere: cioè ridurre l’errore. La sfida è capire quali nuove condizioni e quali nuove formule matematiche possano descrivere ciò che osserviamo: il sistema continua ad apprendere. Ora la teoria deve capire il perché! ### Anche un Paese deve sapere che cosa delegare Trovare spiegazioni a domande così complesse, certamente richiede collaborazione internazionale e come detto, capacità di delega: ognuno si occupa di una delle tantissime sfaccettature di queste nuove domande aperte dall’AI. Collaborazione e delega ritonano su una scala ancora più ampia quando la conversazione si sposta dal ricercatore esperto alle relazioni tra Paesi. Per Beneventano, uno dei grandi rischi per l'Italia e per l'Europa è la dipendenza tecnologica. Non si tratta soltanto di riuscire o meno a costruire un modello competitivo con quelli statunitensi o cinesi, ma di conservare il controllo sulle infrastrutture che permettono a quei modelli di funzionare, e la sovranità sui dati più importanti. Il problema, sostiene, è possedere capacità di calcolo e data center sufficienti perché una parte strategica dell'intelligenza artificiale possa funzionare «in casa», senza che qualcuno, dall'altra parte dell'oceano, possa «chiudere il rubinetto». Non tutti i dati hanno lo stesso valore: alcuni riguardano attività comuni; altri toccano la sicurezza nazionale, la ricerca scientifica o il patrimonio di conoscenze delle aziende più importanti. Anche a livello collettivo, quindi, la domanda è la stessa: che cosa possiamo affidare a infrastrutture esterne e su che cosa dobbiamo invece mantenere autonomia, indipendenza e controllo? Delegare può essere necessario, ma diventare completamente dipendenti è un'altra cosa… in tutti i campi. ### Paura e speranza Alla fine naturalmente arrivano le due domande che ho rivolto anche agli altri ricercatori: qual è la tua maggiore paura e qual è la tua maggiore speranza rispetto all'intelligenza artificiale? Di timori, Pierfrancesco, ne ha due: il primo riguarda l'impiego di questi sistemi per la videosorveglianza e per applicazioni militari potenzialmente rivolte contro la popolazione. Non lo considera il rischio più immediato, ma uno scenario possibile nel prossimo decennio, quando l'AI potrebbe integrarsi sempre più profondamente con telecamere, droni, robot e infrastrutture di controllo. La seconda preoccupazione è il ritardo dell'Europa: la possibilità di restare spettatori e clienti di una trasformazione guidata altrove, invece di contribuire a orientarla, perdendo la propria autonomia. La speranza procede nella direzione opposta: Pierfrancesco si augura che l'accesso all'intelligenza artificiale venga democratizzato e che queste tecnologie permettano alle persone di lavorare meno e meglio: l’opportunità è enorme, ma il risultato non è automatico. La stessa tecnologia può infatti distribuire capacità e conoscenza oppure concentrarle nelle mani di pochi. Può liberare tempo, oppure aumentare ancora di più il ritmo e le aspettative del lavoro. Molto dipenderà dalle scelte politiche ed economiche, ma anche da come ognuno di noi deciderà di usare questi strumenti. Allora è lo spirito critico a giocare un ruolo fondamentale: è l’arte di saper distinguere quando tentare da soli e quando chiedere aiuto; che cosa affidare ad un'altra intelligenza (di qualunque natura) e che cosa controllare; come formulare una domanda, riconoscere un errore e valutare una soluzione arrivata dall'esterno. È il filo che unisce la ricerca, l'insegnamento, la collaborazione tra esperti e persino la sovranità tecnologica. E forse, la vita quotidiana di ognuno di noi. --- > *Articolo di Chiara Meriani, elaborato con il supporto di ChatGPT a partire da appunti, slide, fotografie e interviste raccolti personalmente dall’autrice durante l’evento.* ---