AI Literacy
L'alfabetizzazione all'IA è l'insieme di conoscenze e capacità di giudizio necessarie per comprendere, mettere in discussione e usare bene l'IA. Competenze fondamentali, quadri di riferimento scolastici e articolo 4 della legge UE sull'IA.
L'alfabetizzazione all'IA è l'insieme delle conoscenze e delle capacità di giudizio necessarie per usare bene l'intelligenza artificiale: comprendere in modo pratico come i sistemi di IA generano i propri risultati, valutare tali risultati con spirito critico e decidere quando farvi affidamento. Come la lettura o il calcolo, è una competenza generale utile a chiunque incontri l'IA al lavoro, a scuola o a casa, e non richiede la capacità di costruire o programmare modelli. Nel loro articolo CHI del 2020, Duri Long e Brian Magerko hanno proposto una definizione ampiamente citata: competenze che permettono alle persone di valutare criticamente l'IA, comunicare e collaborare con essa e usarla come strumento.
Una persona alfabetizzata in materia di IA sa che una risposta fluida di un chatbot può comunque essere errata, che un sistema di riconoscimento facciale può funzionare peggio per alcuni gruppi che per altri, che un video realistico può essere un deepfake e che condividere documenti riservati con un assistente online può esporli. Queste consapevolezze si fondano su un piccolo insieme di idee applicabili a diversi strumenti.
Cosa comprende l’alfabetizzazione all’IA#
La maggior parte dei quadri di riferimento organizza l'alfabetizzazione all'IA attorno a tre capacità. Comprendere significa sapere che i sistemi di machine learning apprendono schemi dai dati di addestramento, perciò il loro comportamento riflette la copertura e le lacune di quei dati, e che l'IA generativa produce testi o immagini plausibili a partire da schemi appresi, senza verificare i fatti. Valutare significa confrontare i risultati con fonti indipendenti, riconoscere le allucinazioni e i bias nell'IA, e considerare il punteggio di confidenza di un modello come una sua stima, che può essere mal calibrata. Usare l'IA responsabilmente significa decidere quali dati condividere, chi deve esaminare le decisioni importanti, quando dichiarare l'uso dell'IA e quando non delegarle affatto un'attività.
Per le scuole, il quadro di competenze sull'IA dell'UNESCO per gli studenti, pubblicato nel 2024, definisce 12 competenze in quattro dimensioni: una mentalità incentrata sull'essere umano, l'etica dell'IA, le tecniche e le applicazioni dell'IA e la progettazione dei sistemi di IA. Ogni dimensione progredisce dalla comprensione dell'IA alla sua applicazione e alla creazione con essa. Il quadro di riferimento per l'alfabetizzazione all'IA dell'OCSE e della Commissione europea, finalizzato nel 2026 dopo una bozza del 2025, raggruppa le competenze in quattro ambiti: interagire con l'IA, creare con l'IA, gestire l'IA e orientarne lo sviluppo; contribuisce alla prima valutazione PISA sull'alfabetizzazione ai media e all'IA prevista per il 2029. I concetti correlati si sovrappongono: l'alfabetizzazione ai dati riguarda l'interpretazione dei dati e delle statistiche, l'alfabetizzazione digitale riguarda l'uso della tecnologia in generale e il prompt engineering è una competenza pratica nell'ambito dell'alfabetizzazione all'IA.
Alfabetizzazione all’IA sul lavoro e legge europea sull’IA#
L'alfabetizzazione all'IA sul posto di lavoro è diventata una questione giuridica nell'Unione europea quando l'articolo 4 del regolamento europeo sull'IA ha iniziato ad applicarsi il 2 febbraio 2025. Il regolamento definisce l'alfabetizzazione all'IA come le competenze, le conoscenze e la comprensione che permettono a fornitori, deployer e persone interessate di prendere decisioni informate sull'implementazione dei sistemi di IA e di acquisire consapevolezza delle loro opportunità, dei rischi e dei possibili danni. Come modificato dal Digital Omnibus sull'IA nel luglio 2026, l'articolo 4 impone alle organizzazioni che forniscono o utilizzano sistemi di IA di adottare misure a sostegno dell'alfabetizzazione all'IA del personale e delle altre persone che li utilizzano per loro conto, tenendo conto delle loro conoscenze tecniche, esperienze e formazione, nonché del contesto in cui il sistema viene usato, senza dover garantire un livello specifico di alfabetizzazione per ogni singolo individuo. L'obbligo riguarda tutti i sistemi di IA, indipendentemente dalla categoria di rischio, e rappresenta quindi uno dei requisiti più ampi del regolamento.
L'articolo 4 non prescrive programmi di studio né certificazioni, perciò le organizzazioni adeguano in genere la formazione ai ruoli, ne tengono traccia e la integrano nel proprio programma di governance dell'IA. Un addetto all'assistenza che usa un chatbot deve sapere come individuare le risposte inventate e quali dati dei clienti non inserire nei prompt, riducendo anche il ricorso all'IA ombra. Un tecnico della qualità che gestisce una linea di ispezione automatizzata deve comprendere i falsi positivi, i falsi negativi e come le impostazioni delle soglie influenzino l'equilibrio tra i due. I responsabili che approvano le implementazioni dell'IA devono avere conoscenze sufficienti per chiedere come e con quali dati è stato valutato un sistema.
Sviluppare l’alfabetizzazione all’IA con la pratica#
L'alfabetizzazione si sviluppa più rapidamente facendo esperienza diretta di un modello che dà risposte corrette, errate e incerte. Eseguire un modello Ultralytics YOLO26 di rilevamento degli oggetti, già addestrato, su una foto con due soglie di confidenza rende concreto il compromesso tra precisione e richiamo:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")Con una soglia di 0.1, il modello rileva cinque persone, compreso un secondo riquadro a bassa confidenza sullo stesso pedone parzialmente visibile, oltre a un «segnale di stop» che in realtà è un divieto di sosta. Con una soglia di 0.7, mantiene l'autobus e le tre persone chiaramente visibili, ma perde il pedone tagliato dal bordo sinistro. Confrontare le due immagini salvate mostra che la soglia determina il tipo di errore commesso dal sistema, i falsi allarmi e le mancate rilevazioni conteggiati dalla matrice di confusione, e che l'impostazione giusta dipende da quale dei due errori ha il costo maggiore in una determinata applicazione.
Lo stesso esercizio si può svolgere senza codice con i più giovani nell'ambito dell'educazione all'IA: suddividere le foto etichettate correttamente dal modello da quelle etichettate in modo errato e poi discutere il perché aiuta a sviluppare l'abitudine di chiedersi su quali prove si basi il risultato di un sistema di IA.










