Come gestire l'IA nei compiti di gruppo e collaborativi?

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

Assegnate un compito di gruppo, e con le consegne arrivano due modalità di fallimento: un artefatto rifinito e coerente che nessun membro è in grado di spiegare, e una squadra in cui uno studente ha fatto passare il lavoro attraverso l'IA generativa mentre altri tre si lasciavano trascinare dal voto condiviso. Nulla nel file vi dice quale delle due.

Entrambi sono problemi di valutazione prima di essere problemi di integrità, e problemi di progettazione prima di entrambi: un compito di gruppo avanza due affermazioni insieme — ciò che la squadra ha prodotto, e ciò che ogni membro ha imparato — e l'IA preme su entrambe, cambiando quanto facilmente il lavoro possa essere partizionato, quanto fluidamente le contribuzioni si fondano, e quanto sia difficile dire di chi sia il pensiero contenuto nella consegna.

La conclusione pratica: decidete il posto dell'IA per compito, non per corso; fate in modo che la negoziazione della squadra sull'uso dell'IA sia qualcosa che consegnano e che voi valutiate; progettate il lavoro in modo che non possa essere diviso in sessioni parallele di chatbot; e mantenete almeno una componente di cui ogni membro risponda da solo. Nulla di tutto ciò richiede di sorvegliare gli strumenti — richiede di progettare il compito.

La versione breve

1. Permettete deliberatamente, e dite cosa copre il permesso. Nominate quali parti l'IA può toccare — generazione di idee, rifinitura del linguaggio, impaginazione, scripting — e quali sono pensate per essere elaborate senza di essa.
2. Proteggete i segmenti in cui il gruppo costruisce una comprensione condivisa — l'inquadramento, il disaccordo, la riconciliazione — perché l'efficienza mediata dall'IA comprime esattamente quelli.
3. Richiedete una breve dichiarazione d'uso dell'IA scritta congiuntamente, e valutate il ragionamento. Questo trasforma una norma tra pari in un giudizio esaminabile.
4. Rendete visibile il processo: consegne intermedie, documenti di pianificazione condivisi, riflessioni per membro, valutazione tra pari della contribuzione.
5. Mantenete la responsabilità individuale accanto al voto di gruppo — una difesa orale, o una spiegazione individuale di qualsiasi sezione che un membro non ha redatto.
6. Scegliete la configurazione dell'accesso in modo intenzionale. Un'interfaccia condivisa produce un uso dell'IA negoziato e visibile; il prompting privato produce flussi opachi e output silenziosamente de-etichettati.
7. Leggete con attenzione l'autocontrollo di un gruppo — rifiutare l'IA può essere autoregolazione deliberata o semplice non familiarità, e le due richiedono risposte diverse.

Decidete a cosa serve l'IA in questo compito

Il corpus non risolve la questione del permesso come questione di permesso, e argomenta contro il trattarla come tale. Chen e Zou (2026) hanno studiato gruppi da tre a cinque che realizzavano una presentazione del valore del 30% del voto sotto una politica istituzionale di "uso solo con riconoscimento esplicito", con il GenAI esplicitamente permesso per generazione di idee, rifinitura del linguaggio, impaginazione visiva e scripting. All'interno di quella singola politica permissiva, gli studenti hanno raggiunto conclusioni opposte con ragionamenti difendibili su ciascun lato, e la progettazione ha plasmato quale conclusione un gruppo ha raggiunto. Una regola a livello di corso non determina ciò che un gruppo fa; lo fa il compito.

Scrivete quindi il permesso al livello dell'artefatto: dite quali fasi sono aperte all'IA e quali no, e spiegate agli studenti perché. La logica di progettazione della revisione di ambito punta nella stessa direzione — se la comunicazione mediata dall'IA comprime la negoziazione e il senso collettivo, i segmenti in cui un gruppo costruisce una comprensione condivisa sono quelli da proteggere. Siate onesti sulla giustificazione, però: nessuna delle due revisioni afferma che negare l'IA migliori i risultati di apprendimento. Quel caso poggia sulla struttura del trade-off, non su un confronto misurato.

Costruite il compito in modo che il gruppo non possa semplicemente dividerlo

Wei e Perkins (2026) — una revisione di ambito guidata da PRISMA di 18 studi in lingua inglese pubblicati tra gennaio 2023 e marzo 2025, analizzati con analisi tematica riflessiva e mappati su otto temi — dà entrambi i lati del bilancio. I benefici: sviluppo della conoscenza di gruppo, generazione di idee, supporto al pensiero riflessivo, efficienza comunicativa, coordinamento dei compiti, e feedback. I rischi: ridotta interazione tra pari e coinvolgimento sotto eccessivo affidamento, più preoccupazioni di privacy, trasparenza e accuratezza. La loro valutazione è brutale — i benefici sono supportati empiricamente, mentre i rischi legati a privacy, trasparenza, distorsione e accuratezza sono discussi in gran parte concettualmente — e gran parte della ricerca è a breve termine o concettuale, con poco lavoro longitudinale sulle dinamiche di gruppo o sullo sviluppo cognitivo.

Il trade-off governa la progettazione. La revisione riporta che il lavoro di gruppo è diventato più efficiente con una ridotta domanda di comunicazione, negoziazione e senso collettivo — il ritrovamento di Lin et al., citato all'interno della revisione — quindi il guadagno di efficienza e la perdita di interazione possono essere lo stesso meccanismo. Non potete prendere la velocità senza la perdita a meno che non ricostruiate la negoziazione come lavoro richiesto. La revisione conclude che la valutazione basata sul gruppo dovrebbe spostare il focus dal prodotto al processo.

Chen e Zou mostrano quanto sia difficile farlo per caso: i loro tre modelli di Agentività di chi apprende correvano in direzioni diverse allo stesso tempo. L'agentività orientata alla cooperazione (cinque gruppi) ha intensificato l'uso per tenere insieme il lavoro, spesso inserendo le contribuzioni dei pari in un chatbot per decodificarle e allineare la propria parte, con un gruppo che ha ricostruito il proprio flusso di lavoro come "discussione → esternalizzazione al GenAI → revisione collettiva → ri-discussione". L'agentività normativa (sette gruppi) ha deliberatamente frenato l'uso, giudicando che il compito richiedesse una conoscenza situata che l'IA non poteva raggiungere — "l'IA sa solo quel momento in cui scrivi" — o trattando le sezioni generate dall'IA come sleali verso i compagni di squadra che avrebbero dovuto portarle avanti. L'agentività non attuata (tre gruppi) non ha cambiato nulla, partizionando il lavoro in sotto-compiti discreti su "piattaforme individuali" mentre singoli studenti usavano il GenAI in modi che non hanno mai contribuito alla squadra.

La rubrica richiedeva già integrazione e coerenza sotto un tema multiculturale, l'intuizione riflessiva di ogni membro legata al proprio contributo in aula, e una collaborazione di gruppo dimostrata — e tre gruppi hanno comunque diviso e conquistato. Un criterio di coerenza non produce collaborazione da solo.

La configurazione dell'accesso fa parte di questo. Xu et al. (2026) hanno osservato 18 studenti in sei gruppi di tre su un'unica interfaccia condivisa ChatGPT-4 per circa 45 minuti, e intervistato altri nove studenti sul lavoro di squadra asincrono. Con un'interfaccia condivisa e visibile, le squadre hanno co-costruito "prompt collettivi", condotto un ciclo ricorrente superficie–valuta–incorpora, trattato la chat come memoria esterna condivisa, e negoziato apertamente il ruolo dell'IA. Nel lavoro asincrono, il prompting privato e la "de-etichettatura" dell'output hanno prodotto flussi informativi opachi e privatizzati che hanno aumentato il costo di mantenere un modello cognitivo condiviso. Il ruolo del GenAI si è inoltre spostato, da assistente subordinato a compagno di squadra contestato, e il sistema è cognitivamente coinvolto ma contestualmente ignaro del focus mutevole della squadra.

Rendete visibile il contributo di ogni membro

Korchak, Costley e Fanguy (2026) aggiungono il dettaglio che dovrebbe preoccupare chi valuta. In un corso di scrittura scientifica, a partire da interviste a 10 studenti post-laurea di età compresa tra 23 e 39 anni (media 27,7), i gruppi hanno usato il GenAI attraverso strategie pre-pianificate o attraverso interazioni aperte e guidate individualmente coordinate in documenti condivisi; un uso distintivo è stato il GenAI come integratore editoriale, fondendo sezioni parallele in testo coerente. La loro osservazione più pungente: i resoconti degli studenti contraddicevano talvolta le proprie riflessioni scritte — uno studente ha negato di avere una strategia di gruppo descrivendone però una per iscritto. Le strategie di gruppo non sono sempre ugualmente visibili a ogni membro, quindi non sono affidabilmente visibili nemmeno a voi.

Un uso individuale capace dell'IA che non diventa mai pratica di squadra è lo stesso fenomeno dall'altra direzione. Entrambi gli studi implicano una contromisura: ingegnerizzare la visibilità nelle consegne, con un registro delle decisioni, documenti condivisi che potete aprire, e una breve nota di ogni membro su ciò che ha contribuito e quali parti non è ancora in grado di spiegare.

Valutate il gruppo senza perdere l'individuo

L'argomento di progettazione centrale di Chen e Zou è che la negoziazione dell'uso accettabile del GenAI dovrebbe diventare essa stessa un risultato di apprendimento esplicito e valutabile: le squadre dovrebbero giustificare e documentare collettivamente come il GenAI sarà e non sarà usato, anziché lasciare la norma alla pressione tra pari o al rischio percepito. Quello è un artefatto valutabile che esiste solo se il gruppo ha effettivamente parlato, e converte una regola inapplicabile in un giudizio studentesco esaminabile.

Abbinatelo a una componente individuale — una difesa orale della propria comprensione, o una spiegazione scritta di qualsiasi sezione che non hanno redatto. È anche la risposta onesta al problema del free-rider: valuta la comprensione anziché la paternità, e la comprensione è ciò per cui un voto di gruppo è sempre stato un proxy.

Martínez-Peláez et al. (2025) hanno passato al setaccio 203 studi per il 2023–2024 nel Web of Science Core Collection e ne hanno inclusi 22 sotto un protocollo PRISMA 2020 registrato in PROSPERO. Riportano gli LLM come catalizzatori della collaborazione — generazione di idee, organizzazione, feedback tra pari, valutazioni simulate basate su rubriche e revisioni esperte, barriere di partecipazione più basse — e, per la risoluzione di problemi, aiuto nell'esplorare soluzioni alternative, prospettive interdisciplinari e scenari autentici. Notano anche un'inversione utile: gli LLM producono spesso risposte incomplete o scorrette, il che spinge gli studenti a mettere in discussione, verificare e migliorare l'informazione — l'uso dell'IA da cercare dentro un punto di controllo individuale.

I loro limiti viaggiano con qualsiasi citazione: un singolo database, solo articoli di rivista, nessun focus su etica o privacy, solo i primi due anni della tecnologia, e nessuno strumento di rischio di distorsione applicato. Trattate "catalizzatori" come descrizione di pratiche osservate, non come risultato misurato.

Due cose da non fare. Non ricorrete al rilevamento per ordinare le contribuzioni individuali: nessuno di questi sei studi testa i rilevatori in contesti di gruppo, e i problemi individuali del rilevamento sono documentati altrove in questa base di conoscenze. E non leggete l'autocontrollo di un gruppo come approvazione o come problema senza verificare quale dei due sia — Chen e Zou mettono in guardia che l'autocontrollo può riflettere non familiarità o evitamento del rischio anziché autoregolazione deliberata.

Gestite il disaccordo sull'IA all'interno della squadra

La rivelazione non è solo una domanda che fate alla fine; è una norma che il gruppo deve stabilire, e lo stabilirla è dove vivono i fallimenti interessanti. Chen e Zou hanno identificato due giustificazioni per l'uso intensificato. Prestazione: gli studenti leggono i criteri e i benchmark tra pari e usano l'IA per proteggere la propria parte di un voto condiviso — una risposta razionale a un voto condiviso. Sicurezza percepita attraverso le norme: un clima collettivo permissivo ha abbassato il rischio di uso improprio percepito, quindi i gruppi hanno usato lo strumento più apertamente e, nel caso orientato alla cooperazione, più dipendentemente. Se volete trasparenza, una norma dichiarata in aula è più efficace di un avvertimento.

Un gruppo che vi porta un disaccordo sull'uso dell'IA ha di solito già fatto la parte difficile. Date loro una struttura: richiedete che la dichiarazione d'uso dell'IA registri ciò che il gruppo ha deciso di non fare oltre a ciò che ha fatto, e valutate la giustificazione. È qui che atterra il punto di Chen e Zou sull'agentività collettiva: la capacità individuale non diventa capacità collettiva da sola, ed è per questo che la negoziazione deve essere richiesta anziché sperata.

Le tre obiezioni che sentirete davvero

"Il lavoro di gruppo è già iniquo — l'IA lo peggiora soltanto." L'IA cambia la forma del problema, non la sua esistenza. La lamentela sull'iniquità è già dentro il gruppo: gli studenti autocontrollati di Chen e Zou trattavano il generare la propria sezione attraverso l'IA come sleale verso i compagni di squadra che avrebbero dovuto portarla avanti, e la giustificazione della prestazione mostra studenti che proteggono la propria quota di un voto condiviso. Nessuno studio qui mostra che l'IA abbia reso peggiore il free-riding, o che un qualsiasi intervento lo riduca. La responsabilità individuale e il processo visibile sono difendibili sull'argomento di progettazione, non come correzioni provate.

"L'IA migliora la collaborazione, quindi dovrei incoraggiarla." In parte, e la parte conta. Martínez-Peláez et al. descrivono supporti di collaborazione genuini — generazione di idee, organizzazione, feedback tra pari, valutazioni simulate su rubriche, barriere di partecipazione più basse — ma quella è una revisione di pratiche osservate con i limiti sopra, e Wei e Perkins hanno trovato i benefici supportati empiricamente mentre il lato del rischio è in gran parte concettuale. L'evidenza randomizzata che citano è la cautela più netta: l'IA ha prodotto suggerimenti più innovativi senza aumentare significativamente l'innovatività complessiva dei partecipanti, e poteva omogeneizzare le idee e invitare il cognitive offloading. Il lavoro di simulazione non chiude il divario. Fang (2026) ha messo a punto agenti LLM su dialogo reale di partecipanti (adattatori LoRA/QLoRA su LLaMA 3.2–3B) per modellare 48 partecipanti attraverso 3.824 turni e sei codici tematici, poi ha confrontato il discorso reale e quello simulato con l'Epistemic Network Analysis; la rete simulata ha raggiunto una distanza di 0,17 dalla rete empirica, al di sotto della soglia di 0,30, con un p-value di permutazione di 0,65, statisticamente indistinguibile, sebbene la simulazione sovra-enfatizzasse leggermente i legami Vincoli tecnici–Progettazione e sotto-rappresentasse Dati e Parametri di performance. Questo è un articolo di framework con confidenza media: supporta una sola affermazione — agenti specifici per partecipante possono riprodurre discorso collaborativo realistico — e non mostra che gli studenti imparino di più da compagni di squadra simulati.

"Non posso valutare il processo." State già valutando un proxy per esso e lo chiamate qualità del prodotto. La mossa non è valutare di più; è valutare l'artefatto che esiste solo se il processo è avvenuto — la dichiarazione d'uso dell'IA negoziata, il registro delle decisioni, la difesa individuale. Tutti e tre sono limitati e controllabili. Ciò che non dovreste affermare è che qualcuno di questi sia validato: i modelli di agentività vengono da un singolo studio qualitativo, 52 insegnanti in formazione in un corso, e gli autori dicono di leggerli come risposte possibili alla progettazione, non come una distribuzione che potete aspettarvi nella vostra classe. I 10 partecipanti dello studio di scrittura erano post-laurea esperti di IA, e i suoi autori definiscono i ritrovamenti specifici al contesto anziché una tassonomia.

Cosa l'evidenza non supporta

Il GenAI non migliora la collaborazione non assistita: i benefici della revisione di ambito riguardano il processo e il prodotto, essa invita esplicitamente a lavoro longitudinale sulle dinamiche di gruppo e sullo sviluppo cognitivo, e i guadagni misurati durante il lavoro di gruppo assistito dall'IA non hanno dimostrato di trasferirsi alla collaborazione senza lo strumento. Il rilevamento non ordina le contribuzioni di gruppo. E nessuno studio qui confronta un compito di gruppo con l'IA contro lo stesso compito senza di essa, quindi "il lavoro di gruppo senza IA produce più apprendimento" è un argomento di progettazione, non un ritrovamento che potete citare.

Da fare questa settimana

In dieci minuti, prima che esca il prossimo compito: richiedete una mezza pagina scritta congiuntamente che dichiari come questa squadra userà e non userà il GenAI, e perché, e aggiungete una componente individuale alla rubrica.

In una lezione: fate passare il compito dal test di Xu et al. — il lavoro può essere tagliato in pezzi indipendenti e riassemblato? Se può, cambiate la sequenza in modo che almeno uno stadio richieda l'intera squadra, e mettete un'interfaccia o un documento condiviso al centro di esso. Dite alla classe quali segmenti sono pensati per essere senza IA, e perché.

Questo semestre: decidete il permesso all'IA per compito, proteggete gli stadi di inquadramento e riconciliazione, e leggete l'autocontrollo di qualsiasi gruppo come un segnale da interpretare anziché una posizione da correggere.

Una checklist pratica per i compiti di gruppo

• Scrivete la negoziazione dentro il compito. Richiedete a ogni squadra di consegnare una breve dichiarazione scritta congiuntamente su come il GenAI sarà e non sarà usato, e valutate il ragionamento.
• Rendete visibile il processo, non solo il prodotto. Consegne intermedie, valutazione tra pari della contribuzione, documenti di pianificazione condivisi e contribuzioni riflessive creano le interazioni attraverso cui le norme vengono negoziate.
• Proteggete la responsabilità individuale accanto al voto di gruppo. Mantenete una componente di cui ogni membro deve rispondere da solo — una difesa orale della propria comprensione, o una spiegazione individuale di qualsiasi sezione che non ha redatto.
• Scegliete la configurazione dell'accesso deliberatamente. Un'unica interfaccia condivisa produce prompt collettivi, memoria condivisa e ruoli negoziati; il prompting privato produce flussi opachi e output de-etichettati.
• Progettate il compito in modo che non possa essere partizionato. Una riga di rubrica sulla coerenza non produce collaborazione da sola; il flusso di lavoro deve richiedere lavoro congiunto.
• Dite quali parti sono senza IA. Se la negoziazione e il senso collettivo sono il punto, nominate i segmenti in cui il gruppo lavora senza lo strumento, e spiegate agli studenti perché.
• Assegnate ruoli, specialmente per chi ne ha bisogno. Definizioni di ruolo esplicite, assegnazioni strutturate e squadre piccole e consistenti sono requisiti che gli strumenti di collaborazione con l'IA regolarmente non riescono ad accomodare.
• Leggete l'autocontrollo con attenzione. Un gruppo che rifiuta il GenAI può esercitare autoregolazione deliberata o guardarsi da non familiarità e rischio; le due richiedono risposte diverse.
• Mantenete onesto lo standard dell'evidenza. Coinvolgimento, godimento e soddisfazione sono indicatori deboli; l'uso di gruppo del GenAI sotto una politica permissiva con interazione tra pari ridotta non è evidenza di apprendimento.

L'evidenza sottostante risiede nelle pagine concettuali Lavoro di gruppo e Apprendimento collaborativo.