L’università non ha bisogno solo di un assistente AI. Ha bisogno di una memoria.
Quando un ricercatore apre un computer e chiede a un chatbot di riassumere lo stato dell’arte su un tema, ha l’impressione di tenere in mano il mondo. In pochi secondi arriva un testo liscio, sicuro, spesso elegante. Può sembrare il futuro della scienza. In realtà è solo una parte, e non la più importante, di ciò che un’università dovrebbe saper fare.
La domanda vera non è se l’intelligenza artificiale debba entrare negli atenei. È già entrata, nei compiti degli studenti come nelle mail dei docenti. La domanda è un’altra: chi tiene la memoria della conoscenza pubblica, e a quali condizioni quella memoria può essere interrogata, verificata, corretta, trasmessa.
In Italia il tema è diventato concreto. Esiste un contratto nazionale da 30 milioni, negoziato dalla Conferenza dei rettori (CRUI), per portare ChatGPT Edu nelle università. OpenAI ha anche lanciato programmi internazionali che promettono strumenti avanzati a sistemi educativi e ricercatori, e ha citato l’Italia tra i primi Paesi coinvolti.
Un assistente AI è un software che aiuta a scrivere, tradurre, riassumere, programmare. Una infrastruttura della conoscenza è qualcosa di più silenzioso e più decisivo: l’insieme di archivi, regole, cataloghi, diritti, computer e competenze che permette a una comunità scientifica di sapere da dove viene una risposta, su quali fonti poggia, chi può vederla, quanto dura, come si ripete un esperimento.
Senza questa infrastruttura, l’università resta brillante in superficie e fragile sotto. Autonomia non è orgoglio. È metodo «Autonomia scientifica» suona solenne, quasi nazionalista. Meglio togliere la bandiera e tenere il metodo.
Una scienza è autonoma quando può controllare le condizioni della propria prova. Non quando rifiuta gli strumenti stranieri. Galileo non era autonomo perché costruiva tutto in casa. Lo era perché poteva mostrare a un altro osservatore lo stesso fenomeno, con lo stesso cannocchiale, e discutere il risultato.Tradotto in epoca di modelli generativi, autonomia significa almeno cinque cose banali e difficili.
Primo: riproducibilità. Se oggi un modello risponde in un modo e tra sei mesi, dopo un aggiornamento invisibile, risponde in un altro, quella non è una fonte. È un clima. La scienza può usare il clima come ispirazione. Non può fondarci sopra un risultato.
Secondo: tracciabilità. Uno studente, un referee, un cittadino che paga le tasse deve poter chiedere: questa frase da dove esce? Da un articolo del 2019, da una delibera di ateneo, da una tesi non ancora discussa, o da una statistica plausibile inventata al volo?
Terzo: diritto di dire di no. Ci sono testi che non devono uscire da un perimetro: cartelle di un policlinico universitario, dati di una commessa industriale, una tesi ancora inedita, un progetto europeo sotto embargo, il verbale di una commissione. Un sistema che «vede tutto» per essere più utile è, in questi casi, un sistema che ha già perso.
Quarto: continuità. Le università durano più dei prodotti. Un ateneo fondato nell’Ottocento non può permettersi che la propria memoria digitale dipenda dal listino di un’azienda che tra tre anni cambierà nome, prezzo o priorità.
Quinto: pluralità. La scienza avanza perché più gruppi possono fare la stessa domanda con strumenti diversi. Se tutti interrogano lo stesso oracolo, l’errore diventa consenso.
Nessuno di questi punti chiede di bandire ChatGPT. Chiede di non scambiare un servizio comodo per l’architettura della ricerca. Abbiamo già biblioteche. Per capire cosa manca, basta guardare cosa c’è già.
Ogni università italiana ha, in forme diverse, un deposito della ricerca. Si chiama spesso IRIS: lì finiscono articoli, capitoli, atti di convegno, tesi, metadati che servono alla valutazione e, quando i diritti lo consentono, i testi pieni. È un lavoro fatto da bibliotecari, manager della ricerca, docenti infastiditi dall’ennesimo modulo. È anche una delle poche memorie collettive che l’ateneo possiede davvero.
Accanto ci sono i cataloghi delle biblioteche, gli archivi della didattica, i regolamenti, i bandi, le FAQ per gli studenti, i dataset dei laboratori, le collezioni digitalizzate, la rete GARR, i centri di supercalcolo. A Bologna e in rete europea sta crescendo una «AI Factory» italiana, IT4LIA, pensata per dare accesso a calcolo ad alte prestazioni e servizi a ricerca, imprese e pubblica amministrazione.
Abbiamo mattoni sparsi e stiamo comprando un interfono di lusso. L’interfono serve. Se però la casa non ha corridoi, scaffali e chiavi, l’interfono parla a vuoto.Quando un docente chiede a un chatbot generico “Qual è la delibera del nostro ateneo su questo dottorato?”, il sistema può inventare un tono istituzionale. Quando la stessa domanda viene fatta su un corpus ordinato di delibere vere, date vere, allegati veri, la risposta può essere breve, noiosa e corretta. La scienza preferisce la seconda.
La tecnica che rende possibile questa differenza ha un nome poco poetico, RAG: retrieval-augmented generation. In pratica prima cerchi nei documenti giusti, poi fai scrivere una macchina usando quei documenti come vincolo. Non è magia. È la versione contemporanea della bibliografia. Se il sistema è fatto bene, ogni frase importante porta dietro una citazione. Se il corpus non contiene la risposta, il sistema dovrebbe dire «non lo so». Quel «non lo so» è un atto scientifico di non poco momento.
L’assistente generalista è bravo sul mondo aperto. Aiuta a abbozzare una lezione, a riformulare un abstract in inglese, a spiegare un concetto a uno studente del primo anno, a scrivere uno script. Ha senso che un sistema nazionale tratti condizioni di acquisto, privacy di base, workspace istituzionale. Farlo uno per uno, ateneo per ateneo, sarebbe dispendioso. La memoria istituzionale però, è un altro mestiere. Vive sui testi dell’ateneo e della ricerca pubblica. Deve rispettare ruoli: il dottorando non vede la cartella del collega; l’amministrativo non mescola i dati sanitari con il piano strategico; il docente vede il materiale del suo corso e non quello dell’esame ancora da svolgere. Deve registrare chi ha chiesto cosa, non per polizia interna, ma perché un giorno qualcuno dovrà spiegare un errore.
Un Paese che inizia ad avere supercalcolatori e non ha un modo civile di interrogare i propri archivi assomiglia a una biblioteca con un tetto nuovissimo e i libri in scatoloni. Cosa si rompe se manca l’infrastruttura? La risposta è semplice. Si rompe, prima di tutto, il rapporto con gli studenti. L’IA generica è un acceleratore di testo. Senza fonti obbligate, accelera anche il plagio inconsapevole e la fiducia nel periodo ben fatto. Un corso che insegna a interrogare un corpus forma cittadini. Diversamente forma clienti di un colosso globale privato extraeuropeo.
Un laboratorio che lavora con un’azienda non può incollare i dati di processo in una chat globale e sperare che non vengano usati per addestrare. Anche quando il contratto lo vieta, resta il problema del controllo, della localizzazione, della durata, della portabilità. Può bastare un pledge contrattuale? Direi di no.
L’impresa, alla fine, chiederà: i nostri dati dove stanno? Chi può leggerli? Se cambio fornitore, cosa mi resta? Si rompe la valutazione. L’università italiana è ossessionata dagli indicatori. È curioso che si misuri tutto delle pubblicazioni e quasi nulla della qualità delle risposte automatiche che già orientano tesi, review e didattica. Un’infrastruttura della conoscenza si valuta così: fedeltà alle fonti, tasso di rifiuto onesto, costo per domanda, tempo di risposta, accessibilità, rispetto dei diritti.
L’università chiede alla società di crederle quando parla di vaccini, clima, disuguaglianze, beni culturali. Se la stessa università non sa distinguere tra un riassunto verificabile e una parafrasi fluida, il sospetto è legittimo.Costruire è meno epico di denunciare.
Un’infrastruttura della conoscenza non è un modello italiano più intelligente. Quella corsa, da soli, si perde. È un disegno di sistema, fatto di pezzi già noti. Serve un catalogo vivo, non un cimitero di PDF. I testi devono avere titolo, autore, data, licenza, versione, legame con il corso o col progetto. Senza metadati, l’IA è un rastrello nel fieno.Serve un motore di ricerca interno che capisca il senso, non solo le parole, e che restituisca passaggi, non oracoli. Sopra, e solo sopra, può stare un modello che scrive.
Serve infine la scelta del cervello. A volte basterà un modello aperto, ospitato in Italia o in Europa, su macchine pubbliche. A volte servirà un modello commerciale, perché su certi compiti è ancora migliore. La condizione è una sola: i documenti, gli indici, i log, le policy, tutto resta dell’istituzione e si può spostare. Servono regole scritte in lingua umana. Cosa si può caricare. Cosa è vietato. Come si cita in una tesi. Quando una risposta automatica va dichiarata. Chi è responsabile se il sistema sbaglia su un bando o su un protocollo clinico.
E non è un lavoro solo per data scientist. Occorrono Bibliotecari che sanno di diritto d’autore. DPO che sanno di modelli. Tecnici che sanno di identità digitale. Docenti che accettano di valutare il processo, non solo il file consegnato. In pratica, serve misura pubblica.
Niente di tutto questo è ostile al mercato. È il modo in cui una democrazia compra tecnologia senza regalare la propria agenda.
Il mercato aperto è un alleato, se lo si definisceChi fornisce sistemi privati e ricerca sui documenti d’ateneo non dovrebbe presentarsi come rivale esistenziale di un chatbot famoso. Dovrebbe presentarsi come chi costruisce lo strato che quel chatbot, da solo, non può essere.Il punto di diritto è asciutto. Un contratto per un software proprietario con caratteristiche peculiari può seguire strade negoziali previste dal codice dei contratti. Quello non chiude il resto. Cercare nei repository, indicizzare le tesi, tenere i dati in un cloud qualificato, misurare la qualità delle risposte: sono appalti descrivibili, confrontabili, ripetibili.
Il decisore pubblico, i ministeri competenti e l’AGID possono chiedere che ogni grande acquisto di assistenti sia accompagnato da un piano, finanziato, per l’interrogazione dei patrimoni pubblici di conoscenza. Altrimenti stiamo arredando il salotto e lasciando le fondamenta al caso.
È la capacità di un’istituzione pubblica di non dimenticare sé stessa mentre parla con le macchine. Possiamo comprare assistenti. Ma dobbiamo continuare a costruire memoria. La prima cosa si vede nei comunicati. La seconda si vede tra dieci anni, quando qualcuno chiederà: questa conoscenza pubblica, di chi era? E l’università dovrà poter rispondere: nostra. Verificabile. Ancora interrogabile. Non perché un’azienda è stata gentile, e ci ha regalato l’uso di un LLM, in cambio dei nostri dati ovviamente, ma perché abbiamo fatto il lavoro che ci compete.
