Perché il supporto universitario e la facilità d'uso dell'IA sono già più importanti dell'alfabetizzazione per l'avvio di carriera dei laureati
Uno studio pubblicato nella seconda metà del 2026 ha rivelato un paradosso inaspettato: nella corsa alla competitività dei laureati, le università dovrebbero concentrarsi non tanto sull'ampliamento dei corsi sull'intelligenza artificiale, quanto sull'intuitività delle interfacce e sul supporto sistemico al loro utilizzo. Gli autori dell'Università Privata Applicata di Amman (Giordania) hanno condotto una modellazione strutturale su un campione di 211 studenti, applicando il metodo dei minimi quadrati parziali (PLS-SEM), una tecnica particolarmente adatta all'analisi di modelli complessi con piccoli campioni.
A prima vista, i risultati contraddicono tutto ciò che il classico modello di accettazione della tecnologia (TAM) ci ha insegnato: ci si aspetterebbe che l'utilità percepita degli strumenti diventi il principale motore della loro adozione. La realtà si è rivelata diversa. Due fattori — il supporto istituzionale e la facilità d'uso delle piattaforme — hanno predetto in modo statisticamente significativo il passaggio degli studenti dalla teoria al lavoro pratico con le applicazioni di IA. Al contrario, una migliore padronanza dei fondamenti dell'IA ha mostrato un effetto negativo inaspettato: forse gli studenti più preparati sono più critici nei confronti degli strumenti, vedendone meglio i limiti e i rischi. L'utilità percepita, invece, non ha avuto un impatto statisticamente significativo, un fatto strano ma eloquente.
La catena di cause ed effetti è la seguente: adozione di strumenti di IA → sviluppo di competenze future (Future-Ready Skills) → aumento dell'occupabilità dei laureati. Ogni passaggio di questa connessione è stato confermato statisticamente. È interessante notare che le competenze di "future-ready" agiscono come mediatore tra l'uso dell'IA e i risultati reali sul mercato del lavoro, trasformando le competenze tecniche in competitività sul mercato.
La metodologia di ricerca — un sondaggio trasversale con successiva analisi PLS-SEM — presenta sia vantaggi che limitazioni. I vantaggi sono evidenti: la piccola dimensione del campione è più facilmente gestibile con questo approccio e le variabili latenti complesse vengono modellate più naturalmente. Ma gli svantaggi sono significativi. La mancanza di dati longitudinali (a lungo termine) e di un gruppo di controllo significa che possiamo parlare con cautela di relazioni causa-effetto: si tratta di correlazioni supportate dalla logica, ma non da un esperimento. Inoltre, gli autori non hanno fornito dettagli sulla stratificazione del campione per specializzazione, genere, livello di esperienza precedente con l'IA, il che rende difficile comprendere quanto le conclusioni siano generalizzabili ad altri contesti, altri paesi, altre università.
Ma il punto chiave è il cambiamento di paradigma. Due decenni di ricerca sui classici TAM e UTAUT (Unified Theory of Acceptance and Use of Technology) hanno stabilito: l'utilità percepita e la facilità d'uso sono le leve principali. Nel 2025-2026, questa gerarchia è stata riscritta. L'utilità è arretrata. L'intuitività e il supporto sono passati in primo piano.
Ciò è in linea con altre ricerche recenti: quando il campo degli strumenti di IA diventa maturo e accessibile, la logica utilitaristica cede il passo alla domanda "Mi verrà voglia di usarlo?" I fattori umani — fiducia, sicurezza psicologica, presenza di un istruttore o di un ambiente di supporto — iniziano a prevalere sulla pura utilità.
Per il lavoro pratico, ciò significa una rivoluzione nella strategia di investimento per le università. Se prima la parola "digitalizzazione" significava acquisto di software e formazione all'alfabetizzazione, ora significa progettazione dell'esperienza, della cultura, dell'ecosistema attorno agli strumenti di IA. Le università che offrono ai propri studenti piattaforme user-friendly con un clic, la disponibilità di mentori, esempi di applicazione di successo e sicurezza psicologica nell'uso, vincono. Coloro che si limitano a lezioni sull'etica dell'IA o sull'alfabetizzazione generale rischiano di rimanere indietro nella formazione reale del personale.
La questione dell'effetto negativo di un'elevata alfabetizzazione richiede ulteriori indagini. Ci sono diverse possibili spiegazioni: studenti con conoscenze approfondite potrebbero essere più scettici, vedendo i tranelli; potrebbero preferire il controllo manuale all'automazione; oppure l'alfabetizzazione di base potrebbe essere correlata ad altre variabili (come il perfezionismo) che rallentano l'adozione. Questa è una porta aperta per il prossimo strato di ricerca.
Lo studio lascia aperte domande sull'impatto a lungo termine sulla qualità dell'istruzione: l'uso dell'IA fornisce davvero ai laureati una preparazione migliore, o solo l'apparenza? La facilità d'uso degli strumenti di IA non porta a un apprendimento superficiale? Cosa succede alla disuguaglianza di accesso: gli studenti delle università con risorse limitate ottengono lo stesso beneficio? Anche i rischi etici — l'uso dei dati degli studenti, i bias nei modelli di IA — rimangono in ombra. Ripetizioni indipendenti su campioni più ampi e diversificati, interventi sperimentali (in cui una facoltà introduce il supporto, un'altra no) e studi longitudinali aiuteranno a chiarire quanto siano solide queste conclusioni.
La conclusione è ovvia: le università che si concentreranno sulla creazione di un ambiente di supporto e intuitivo per lavorare con l'IA otterranno un vantaggio significativo nel formare laureati competitivi e occupabili. Gli investimenti nell'esperienza utente e nel supporto istituzionale si ripagano meglio dei classici programmi di formazione.
