Tavola rotonda. Il confronto tra gli stakeholder

Partendo da una doppia prospettiva, quella del ricercatore in biochimica computazionale, dove il machine learning è ormai parte integrante del metodo, e quella di chi presiede il CTU, Centro per l'Innovazione Didattica e le Tecnologie Multimediali dell'Università degli Studi di Milano, l'intervento affronta la domanda assegnata: come cambia il ruolo di docente e ricercatore nell'era dell'AI e come preservare spirito critico e metodo scientifico. La tesi è che quel ruolo non si riduca ma si sposti, dalla trasmissione di contenuti, ormai resi abbondanti dai modelli linguistici, alla progettazione dell'apprendimento, alla selezione di ciò che conta davvero, alla mentorship. A sostegno arriva la sperimentazione in corso all'Università degli Studi di Milano: strumenti AI integrati nella piattaforma di e-learning di Ateneo, avviati su un insegnamento pilota in ottica di estensione orizzontale. Ne emergono due principi operativi: l'AI in valutazione funziona solo se formativa e mai sommativa e la qualità del corpus didattico viene prima degli strumenti. Sul versante del metodo scientifico, i rischi hanno un nome preciso: automation bias e deskilling. L'antidoto resta trattare l'AI come generatore di ipotesi, mai come oracolo: ogni output è un input da verificare. In sintesi, l'AI cambia il “come”, insegnare, ricercare, valutare; il docente resta custode del “perché”.