Gestione del cambiamento

Traduzione automatica della pagina in inglese, non ancora rivista da una persona di madrelingua.

Gestione del cambiamento — l'insieme deliberato di processi, strutture di governance e pratiche di leadership attraverso cui le istituzioni dell'istruzione superiore pianificano, implementano e sostengono l'integrazione dell'AI nell'insegnamento, nell'apprendimento e nella valutazione. Poiché l'AI generativa è arrivata come una «tecnologia di arrivo» che è entrata nelle aule prima che si accumulassero evidenze pedagogiche, la gestione del cambiamento nell'AI education deve supportare un adattamento continuo in condizioni di incertezza piuttosto che un'adozione una tantum, bilanciando la stabilità istituzionale con l'innovazione emergente e la governance condivisa tra amministratori, docenti, studenti e decisori politici.

Domande da considerare

• La gestione del cambiamento è qui descritta come il governo dell'adattamento continuo in condizioni di incertezza, perché l'AI generativa è arrivata nelle aule prima che si accumulassero evidenze pedagogiche. Cosa significa gestire il cambiamento quando non si può aspettare le best practice ma non si può nemmeno scalare responsabilmente innovazioni non testate?
• Un ostacolo ricorrente è il divario tra l'intento della policy top-down e la realtà dell'aula — ad esempio, policy che incoraggiano la GenAI mentre i programmi dei corsi la vietano, lasciando i docenti a improvvisare. Perché secondo te policy e pratica si distanziano così facilmente attorno all'AI?
• La ricerca rileva che l'orientamento pedagogico di un docente — ciò che crede che l'AI significhi per la conoscenza disciplinare — è il predittore più forte dell'adozione, mentre le iniziative istituzionali e i dati demografici sono predittori sorprendentemente deboli. Cosa suggerisce questo su dove gli sforzi di cambiamento dovrebbero concentrare la propria energia?
• La pagina osserva che solo il 7% delle istituzioni ha creato ruoli di leadership senior per l'AI nonostante il 49% consideri l'AI una priorità strategica. Cosa pensi segnali il fatto che un'istituzione chiami qualcosa strategico ma non lo doti di risorse attraverso una leadership dedicata?
• Un modello di gioco di coordinamento spiega perché le sole dichiarazioni di policy falliscono: l'uso dell'AI da parte degli studenti è un processo collettivo di formazione delle norme, e piccoli cambiamenti ben calibrati agli incentivi di valutazione possono innescare rapidi spostamenti a livello di coorte verso un uso responsabile. In che modo il cambiamento degli incentivi di valutazione potrebbe fare più di qualsiasi policy emessa?
• La pagina avverte che un'adozione frammentata amplia le disparità esistenti — inclusione, equità e sostenibilità sono spesso trascurate anche dove i principi etici fondamentali sono abbracciati. Quali studenti o istituzioni sospetti che perdano quando il cambiamento è gestito in modo irregolare, e come li manterresti centrali?

Introduzione

La letteratura empirica mostra costantemente che una gestione efficace del cambiamento per l'AI è un'impresa socio-tecnica, non meramente tecnica. Il framework di cambiamento istituzionale adatta i modelli classici di cambiamento all'AI generativa, sostenendo che le istituzioni «non possono aspettare le best practice, ma non possono scalare responsabilmente innovazioni ingiustificate», e chiedendo un'indagine locale umile, una riforma organizzata attorno agli approcci pedagogici piuttosto che a strumenti effimeri, e studenti coinvolti come partner nella riforma. Questo inquadramento risuona con l'argomento della leadership dei sistemi complessi secondo cui l'educazione è un sistema complesso adattivo dove i leader devono giudicare quando rafforzare la stabilità amministrativa e quando abilitare lo «spazio adattivo» — diffondendo innovazioni ad alto rischio come l'AI attraverso reti sociali fidate (contagi complessi) piuttosto che attraverso flussi lineari di conoscenza.

Un ostacolo ricorrente al cambiamento è il divario tra l'intento della policy top-down e la realtà dell'aula. L'analisi comparativa delle policy ha rilevato che mentre il 63% delle policy delle università R1 statunitensi incoraggia l'uso della GenAI, la metà dei programmi dei corsi di informatica lo vieta del tutto, lasciando i docenti a improvvisare regole locali incoerenti. Analogamente, la revisione delle policy dell'istruzione superiore britannica documenta un divario tra istituzioni a orientamento alla ricerca e istituzioni a orientamento alla didattica, con la guida nazionale criticata per la mancanza di specificità e potere sanzionatorio, mentre l'analisi della governance istituzionale mostra che le policy a livello di università enfatizzano la sicurezza dei dati e la mitigazione del rischio mentre le policy a livello scolastico (quando esistono) si concentrano sulla pedagogia — un disallineamento strutturale che non soddisfa le aspettative di accreditamento per un'integrazione unificata di curriculum, policy, valutazione e infrastruttura.

La gestione del cambiamento nella ricerca sull'AI education

La scholarship converge su diverse leve di gestione del cambiamento. I framework di governance forniscono modelli basati sul consenso: lo studio Delphi globale propone un framework di governance della GenAI a otto aree (integrità accademica, uso etico, privacy, accesso equo, alfabetizzazione, integrazione, supervisione umana, supporto istituzionale) più un meccanismo di revisione in sei parti per mantenere la policy aggiornata, posizionando le policy come strutture abilitanti all'interno di un ecosistema istituzionale interconnesso. La leadership anticipatoria è il filo complementare: la scoping review rileva che le istituzioni devono passare da una governance reattiva a una basata sulla lungimiranza, con una leadership abilitante e distributiva che aumenta l'adozione — eppure solo il 7% delle istituzioni ha creato ruoli di leadership senior per l'AI nonostante il 49% consideri l'AI una priorità strategica.

I driver dell'adozione rivelano perché il cambiamento si blocca o ha successo. Lo studio sui driver organizzativi mostra che la cultura organizzativa interna e gli attributi tecnologici (compatibilità, vantaggio relativo, bassa complessità) catalizzano l'adozione dell'AI, con la regolamentazione governativa come abilitatore esterno — dinamiche sensibili al contesto che i modelli di accettazione della tecnologia a livello individuale mancano. Al contrario, lo studio sull'orientamento dei docenti rileva che l'interpretazione epistemica dell'AI da parte di un docente — il loro orientamento pedagogico verso ciò che l'AI significa per la conoscenza disciplinare — è il predittore più forte dell'adozione, mentre le iniziative istituzionali e i dati demografici sono predittori sorprendentemente deboli. Questo mette in guardia sul fatto che i piani strategici top-down hanno un impatto limitato a meno che non coinvolgano le credenze dei docenti, e che le reti tra pari bottom-up (i colleghi di dipartimento erano la principale fonte di informazione) contano più delle iniziative centrali.

I case study di trasformazione istituzionale mostrano come queste leve si esplichino nella pratica. Qin (2026) analizza il cambiamento strategico della Lingnan University lungo quattro dimensioni — potenziamento didattico attraverso l'AI, priorità alle competenze umane insostituibili, rinnovo del curriculum e mantenimento dei valori etici/culturali — illustrando come un'istituzione di lunga data possa gestire il cambiamento guidato dalla GenAI senza rinunciare alla propria identità. Inquadra la trasformazione come intellettuale piuttosto che tecnocentrica, dando ai leader istituzionali un modello a fasi per imporre l'alfabetizzazione sull'AI preservando la missione umanistica.

Le evidenze di implementazione a livello di sistema scolastico spostano la questione da quale prodotto adottare a come viene utilizzato. Il lavoro sul campo di Instruction Partners — 32 aule in 16 sistemi scolastici su sette stati — ha rilevato che lo stesso prodotto atterrava bene o male a seconda di come il docente inquadrava lo scopo, osservava la dashboard e agiva su ciò che questa riportava, con attività da dieci minuti che si estendevano su un'intera lezione dove mancavano routine e un posto chiaro nello scope and sequence. I prodotti che specificavano le azioni del docente durante l'uso venivano utilizzati più vicini all'approccio previsto, e i docenti avevano bisogno di coaching sostenuto piuttosto che di un singolo rollout; dove i leader conoscevano bene un prodotto, i docenti compivano le azioni desiderate più spesso. La sostenibilità è una proprietà dell'organizzazione, non dello strumento. Una valutazione randomizzata quadriennale di un chatbot di messaggistica testuale non generativo basato sull'AI presso la California State University, Northridge, riconduce la durata a una sede amministrativa (supervisione congiunta dell'Office of Undergraduate Studies e dell'Office of the Registrar), uno specialista di comunicazione che scriveva ogni campagna con una voce coerente, e una flessibilità sufficiente nel mix dei messaggi per assorbire lo shock del COVID-19 — mentre la condivisione dei dati tra uffici per l'outreach mirato si è rivelata gravosa al punto che le campagne mirate sono scese dal 36% al 6% del totale annuale (Mata, Russell & Page 2026, un working paper i cui risultati di implementazione si basano sull'osservazione del sistema e sulle discussioni con gli amministratori piuttosto che sul trial). Il suo risultato di engagement rafforza la stessa lezione: i tassi annuali di opt-out non hanno mai superato il 4% in quattro anni, che gli autori leggono come ricettività sostenuta dal modo in cui l'istituzione ha adattato l'implementazione piuttosto che dalla tecnologia stessa.

La riforma della valutazione è un campo di battaglia centrale della gestione del cambiamento. Lo studio sull'AI Assessment Scale mostra l'implementazione del framework ostacolata da incoerenze dipartimentali, pressioni di carico di lavoro e incertezza, con il personale che descriveva il processo come «un po' di caos e follia». Il modello di gioco di coordinamento offre una spiegazione formale del perché le sole dichiarazioni di policy falliscono: l'uso dell'AI da parte degli studenti è un processo collettivo di formazione delle norme, e piccoli cambiamenti ben calibrati agli incentivi di valutazione riflessiva possono innescare rapidi spostamenti a livello di coorte verso un uso responsabile, mentre incentivi deboli o disallineati permettono alle pratiche opportunistiche di persistere. Questo supporta una governance guidata dalla pedagogia piuttosto che dalla sorveglianza. L'indagine sul divario di adattamento all'AI aggiunge una dimensione di stakeholder: gli studenti riportano un'intensità d'uso dell'AI e un'utilità percepita più alte rispetto ai docenti e al personale amministrativo, mentre questi ultimi riportano preoccupazioni più forti sull'integrità accademica — e l'utilità percepita guida la fiducia (β = 0,402) più fortemente della chiarezza della policy istituzionale (β = 0,223).

Un workshop sulle pratiche di valutazione con 73 educatori di informatica fornisce la controparte dal lato dell'aula. Quasi ogni cambiamento descritto dai partecipanti era stato apportato da un singolo docente in un singolo corso senza coordinamento istituzionale — colleghi all'interno dello stesso dipartimento che assumevano posizioni opposte senza nulla che le riconciliasse — e la risposta curricolare per cui il rapporto argomenta non si concluderà in tempo per aiutare gli studenti attualmente iscritti; si è anche osservato che la difficoltà degli incarichi scadeva in un ciclo di circa un semestre, il che rende la calibrazione rispetto alla capacità attuale dei modelli un asset istituzionale deperibile piuttosto che una decisione una tantum (Akbar et al., 2026).

Implicazioni

La gestione del cambiamento nell'AI education comporta sia implicazioni positive che negative. Positivamente, i framework strutturati offrono alle istituzioni un percorso dalla gestione reattiva delle crisi a una governance proattiva e partecipativa; il consenso Delphi e la governance anticipatoria supportano entrambi il trattamento dell'alfabetizzazione sull'AI e dell'etica come capacità istituzionali trasversali piuttosto che come regole isolate. Negativamente, un'adozione frammentata amplia le disparità esistenti: l'analisi del framework UNESCO di 30 università leader rileva che i principi etici fondamentali e di governance sono ampiamente abbracciati ma l'inclusione, l'equità e la sostenibilità (accesso a internet, parità di genere, impatto ambientale) sono spesso trascurate — e le classifiche nazionali di preparedness per l'AI non predicono una policy istituzionale robusta. Il framework LEAGUE estende questa preoccupazione ai learning analytics, sostenendo che la governance deve andare oltre la compliance (FERPA/GDPR) verso liceità, equità, agentività, utilità ed etica by design, esaminando le pratiche sui dati degli studenti in modo trasparente ed educativo. Nelle istituzioni dove la strategia corre più avanti dell'infrastruttura il lavoro si aggrava: gli sviluppatori accademici di due istituzioni storicamente svantaggiate del Sudafrica definivano la strategia AI «più performance che pratica», e l'articolo insiste sul tenere separata la disuguaglianza digitale — un problema distributivo — dalla colonialità algoritmica, un problema epistemico che sopravvive anche al pieno accesso (Sithole, 2026).

Per gli amministratori e i decisori politici, le evidenze sostengono una governance partecipativa, investimenti infrastrutturali e rafforzamento delle capacità rispetto a documenti di strategia aspirazionali, traducendo la policy nazionale in supporto concreto per i docenti piuttosto che emanando mandati top-down. Per i docenti, la gestione del cambiamento significa passare da adottante a sperimentatore guidato dall'indagine, coinvolgendo gli studenti come partner e ancorando la riforma a principi pedagogici durevoli piuttosto che a strumenti che potrebbero essere obsoleti entro mesi — con l'avvertenza che lo sviluppo professionale deve mirare a un ciclo di progettazione completo (valutazione dei bisogni, feedback) piuttosto che al solo uso degli strumenti, come dimostra l'indagine sul framework DOT.

Un case study istituzionale traccia un arco di diffusione lungo un decennio nella matematica undergraduate, passando dall'iniziativa individuale e dai workshop tra pari alle licenze docenti congiunte e al finanziamento centrale (Law, 2026).

Connessioni ad altri concetti

La gestione del cambiamento è il complemento istituzionale dell'integrazione a livello di aula. Mette in funzione le condizioni sistemiche — governance, sviluppo docente, coinvolgimento degli stakeholder e salvaguardie di equità — che permettono all'innovazione pedagogica di attecchire, collegando la progettazione di policy dell'Politica sull'IA nell'istruzione alla governance, allo sviluppo educativo e agli esiti di equità nell'AI education.

Concetti collegati

• Governance dell'IA — le strutture di policy e supervisione che la gestione del cambiamento mette in funzione
• Politica sull'IA nell'istruzione — l'intento di policy sull'AI a livello nazionale e istituzionale che la gestione del cambiamento deve tradurre in pratica
• Sviluppo educativo professionale — costruire capacità docente e orientamento pedagogico per l'integrazione dell'AI
• Amministratori — leadership e governance anticipatoria come agenti di cambiamento
• Alfabetizzazione sull'IA — capacità trasversale che sostiene l'adozione istituzionale responsabile
• Equità — garantire che i benefici del cambiamento si distribuiscano in modo uniforme tra istituzioni e studenti
• Modelli di adozione della tecnologia — i driver dell'adozione che spiegano come si diffonde il cambiamento
• Integrità accademica — l'ancora regolatoria centrale attorno alla quale è organizzata la riforma della valutazione
• Sostegno e successo degli studenti — sostenere un programma di supporto oltre il pilota

Articoli collegati

• Sustaining AI-enabled student support: A four-year implementation and impact study — Sustaining AI-enabled student support: four-year implementation and impact study of an institutional chatbot (Mata, Russell & Page 2026)

• A Framework for Institutional Change in the Age of AI — six-dimension framework for adapting institutional change models to AI as an arrival technology

• Leveraging complex systems: Leading for transformative change — SPARK framework and complexity leadership for transformative change

• Governing generative AI in higher education: a global Delphi study on policy and practice — global Delphi consensus on eight-area GenAI governance

• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — scoping review of anticipatory governance and leadership

• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — stakeholder gaps in AI use, attitudes, and trust across students, faculty, and staff

• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — national policy intent vs. institutional capacity in UK higher education

• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — organizational and technological drivers of AI adoption

• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis — UNESCO framework analysis of institutional GenAI policies

• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Digital mediators translating institutional AI strategy into grounded practice under infrastructural scarcity

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI

• AI in Action Learning Tour — cross-system fieldwork on how implementation and teacher actions decide whether an AI product helps

• Practitioner beliefs and behaviors in AI-enhanced education: DOT framework survey evidence — survey evidence that professional development must cover a full design cycle rather than tool use alone

• From Flipped Classroom to AI-Enhanced Assessment: Sustained Pedagogical Innovations in Undergraduate Mathematics — A decade-long diffusion arc from individual initiative to central funding in undergraduate mathematics (Law 2026)