L’intelligenza artificiale a scuola può elaborare le difficoltà e le prestazioni degli studenti anche quando non ne conosce il nome. La pseudonimizzazione è una garanzia importante, ma la tutela della persona richiede anche limiti alle inferenze e controllo sull’uso dei dati.

La questione giuridica e la protezione dei dati

La questione giuridica non è soltanto impedire che l’intelligenza artificiale conosca il nome dello studente. È stabilire fino a che punto un sistema algoritmico possa acquisire, elaborare e interpretare informazioni che descrivono la sua identità, le sue capacità e le sue difficoltà. La pseudonimizzazione protegge l’identità anagrafica, ma non neutralizza il potere informativo dell’algoritmo sulla persona. E nella scuola questo potere incontra un limite ulteriore: la funzione costituzionale dell’istruzione, che non consiste nel classificare gli studenti, ma nel promuoverne la crescita.

È questa la prospettiva dalla quale occorre leggere il parere n. 787 del 20 ottobre 2026 del Garante per la protezione dei dati personali sullo schema di decreto del Ministero dell’Istruzione e del Merito relativo all’impiego dei sistemi di intelligenza artificiale nelle istituzioni scolastiche. L’Autorità ha espresso parere favorevole, accompagnandolo tuttavia con osservazioni che chiamano in causa un tema di particolare rilievo: la necessità che il Ministero orienti le scelte degli istituti, definisca standard e requisiti per i fornitori e valuti la creazione di un servizio di assistenza alle scuole.

L'architettura della separazione e la pseudonimizzazione

Il modello delineato dallo schema di decreto si fonda su un’architettura di separazione tra due domini: da un lato, quello scolastico, nel quale sono custodite le informazioni che consentono di identificare lo studente e associare a lui un identificativo; dall’altro, quello nel quale opera il sistema di intelligenza artificiale, che dovrebbe ricevere esclusivamente utenze pseudonimizzate. La tabella di transcodifica resta sotto il controllo dell’istituzione scolastica e l’accesso alle informazioni identificative è riservato al dirigente e ai docenti autorizzati.

È una soluzione importante, coerente con la logica della protezione dei dati fin dalla progettazione e per impostazione predefinita, prevista dall’articolo 25 GDPR. Ma occorre evitare un equivoco: la pseudonimizzazione, ai sensi dell’articolo 4, paragrafo 5, del GDPR, non equivale all’anonimizzazione. Il dato pseudonimizzato continua a essere un dato personale, perché può essere ricondotto all’interessato attraverso informazioni aggiuntive.

Esempi di trattamento dei dati

Si consideri un esempio. Uno studente accede a un assistente didattico attraverso un’utenza del tipo “studente_8472”. Il sistema non conosce il suo nome, ma riceve una serie di richieste: spiegazioni ripetute sulle frazioni, esercizi non completati, domande formulate in modo ricorrente, difficoltà nella comprensione di determinati passaggi. Nel tempo, l’applicativo può costruire una rappresentazione delle sue prestazioni e delle sue difficoltà. L’identità anagrafica non è visibile, ma il percorso dello studente è comunque oggetto di elaborazione.

Il problema giuridico, dunque, non si esaurisce nella possibilità di associare un codice a un nome. Riguarda anche la natura delle informazioni trattate, la loro persistenza, le inferenze che il sistema può produrre e le conseguenze del loro eventuale riutilizzo.

Domande concrete sul trattamento dei dati

La domanda da porsi è molto concreta: per quanto tempo vengono conservate le interazioni? Chi può consultarle? Sono utilizzate esclusivamente per fornire il servizio didattico richiesto oppure possono essere impiegate dal fornitore per ulteriori finalità? Il sistema è configurato per evitare che le conversazioni alimentino attività di addestramento o miglioramento del modello non compatibili con le finalità originarie? La pseudonimizzazione, da sola, non fornisce risposta a nessuna di queste domande.

Il contenuto delle informazioni e le inferenze algoritmiche

La riflessione diventa ancora più rilevante quando si considera il contenuto delle informazioni che possono transitare attraverso i sistemi di IA.

Si immagini che un docente chieda a un assistente generativo di predisporre un piano di recupero per uno studente che presenta difficoltà nella lettura e nella comprensione del testo. Anche senza indicarne il nome, il prompt potrebbe contenere l’età, la classe frequentata, i risultati delle verifiche, le difficoltà osservate e informazioni relative a eventuali bisogni educativi. La combinazione di questi elementi potrebbe rendere lo studente riconoscibile, soprattutto in una classe numericamente ridotta. Ma il problema non è soltanto identificativo: quelle informazioni possono rivelare aspetti particolarmente delicati della sua condizione personale e scolastica.

Un altro esempio riguarda la valutazione. Un insegnante potrebbe chiedere al sistema di confrontare elaborati, individuare errori ricorrenti o suggerire una valutazione del livello di apprendimento. L’operazione può apparire innocua e persino utile. Tuttavia, se il sistema produce una classificazione stabile delle capacità dello studente, oppure un giudizio che viene successivamente utilizzato per orientare decisioni didattiche, il trattamento assume una rilevanza diversa. Non siamo più soltanto davanti a uno strumento di supporto alla scrittura: siamo davanti a una tecnologia che contribuisce a rappresentare e valutare la persona.

La qualità e l'affidabilità delle inferenze algoritmiche

È qui che la protezione dei dati incontra il problema della qualità e dell’affidabilità delle inferenze algoritmiche. Un errore del sistema, una valutazione parziale o una classificazione non adeguatamente contestualizzata possono incidere sulla percezione che docenti e studenti maturano delle capacità individuali. Il rischio è che un’indicazione probabilistica venga progressivamente trattata come una caratteristica effettiva dello studente.

La scuola deve quindi evitare che il dato elaborato dall’algoritmo si trasformi in un’etichetta. Una difficoltà temporanea non può diventare un profilo permanente; una prestazione insufficiente non può essere assunta come rappresentazione complessiva delle capacità di una persona in formazione.

La formulazione dei prompt e la responsabilità dei docenti

Lo schema esaminato dal Garante dedica particolare attenzione alla formulazione dei prompt, prevedendo indicazioni rivolte ai docenti e agli studenti affinché non vengano inseriti identificativi o dati personali nei sistemi di IA generativa. Il provvedimento richiama inoltre la necessità di sensibilizzare la comunità scolastica a un uso consapevole degli strumenti.

Ma anche su questo punto occorre andare oltre la raccomandazione comportamentale. Il prompt è il momento nel quale il dato viene concretamente selezionato, organizzato e comunicato al sistema. È, quindi, una componente del trattamento e non una semplice istruzione impartita a un software.

Si pensi a un docente che scriva: «Prepara un piano personalizzato per un alunno di tredici anni che vive una situazione familiare complessa, ha difficoltà di concentrazione e presenta risultati insufficienti in matematica». Anche senza nome e cognome, il testo contiene informazioni che possono riguardare la sfera personale e familiare del minore. La sostituzione del nome con una formula generica non rende automaticamente lecito il trattamento.

Un prompt corretto dovrebbe perseguire la stessa finalità didattica attraverso informazioni strettamente necessarie e non identificative: «Predisponi esercizi graduati sulle frazioni per uno studente della scuola secondaria di primo grado che necessita di consolidare le competenze di base». La differenza non è soltanto lessicale. È l’applicazione concreta dei principi di minimizzazione e limitazione delle finalità sanciti dall’articolo 5 GDPR.

La responsabilità, tuttavia, non può essere trasferita interamente sul docente. Non è sufficiente invitare gli utenti a non inserire dati personali se la piattaforma non offre impostazioni predefinite adeguate, controlli, istruzioni chiare e garanzie effettive sul trattamento delle informazioni.