Oltre l'Agente singolo: Loop e Graph Engineering
Sarò provocatorio come sempre, in quanto affascinato ma allo stesso tempo spaventato. Proprio per questo motivo è ancora presto per prendere una posizione e attribuire un giudizio di merito al seguente possibile - e probabile - futuro scenario didattico.
Nel precedente articolo hai visto come l’IA stia passando dall’essere una semplice "mappa" (il chatbot) a una "guida alpina" (l'agente). Ma cosa succede quando la scalata diventa troppo complessa per un solo compagno di cordata? Ecco perché il futuro della didattica potrebbe andare in questa direzione: gli studenti non dovranno più saper solo parlare con l'IA, ma dovranno imparare a coordinare e dirigere interi team digitali.
Se hai letto il precedente post sull'Era agentica, forse hai smesso di vedere l'IA come un oracolo a cui fare domande (ChatGPT, Claude, Gemini, ...) e hai iniziato a percepirla come un potenziale esecutore attivo, un "compagno di cordata" a cui dare un obiettivo e che agisce nel tuo computer per raggiungerlo.
Eppure, proprio mentre stai cercando di metabolizzare questo salto cognitivo e didattico, il mondo tecnologico sta già correndo verso il capitolo successivo. Gli addetti ai lavori, i creatori di queste stesse intelligenze artificiali, stanno lanciando un nuovo messaggio spiazzante:
{alertWarning}Il Prompt Engineering è morto.
In altre parole: l'arte di scrivere la richiesta perfetta all'IA sta già diventando obsoleta.
Al suo posto vi sono due concetti che sembrano presi da un manuale di ingegneria, ma che in realtà nascondono la chiave per comprendere come docenti e studenti lavoreranno e studieranno tra pochissimi anni: il Loop Engineering e il Graph Engineering.
Senza addentrarci negli aspetti puramente tecnici, ritengo che comprendere cosa siano questi due paradigmi è fondamentale, perché cambieranno radicalmente le competenze (le famose soft skills e life skills) che dovremo valutare nei nostri alunni.
Il Loop Engineering: l'IA che si interroga e si auto-corregge
Ripensa alla metafora della montagna. Hai assunto la tua preziosa guida alpina (l'Agente IA), bravissima a camminare in autonomia, a calcolare il percorso e a superare gli ostacoli. Tuttavia, sei ancora tu che ogni mattina devi svegliarla e dirle Oggi scaliamo questa specifica parete, aspettare che finisca, valutare personalmente se il lavoro della giornata è sufficiente e poi, l'indomani, darle un nuovo compito. Se non ci sei tu a dare il via e a confermare il traguardo, la guida resta ferma al campo base in attesa di ordini.
Questo è quello che fai ancora oggi, anche con gli agenti più avanzati: inneschi l'azione con un prompt iniziale, l'agente lavora autonomamente per un po', ma alla fine si ferma e aspetta la tua valutazione per sapere se l'obiettivo generale è stato raggiunto. Sei tu il "collo di bottiglia" manageriale del processo.
Il Loop Engineering spezza questa catena automatizzando l'intero processo di gestione. Non usi più l'agente solo per "eseguire", ma lo inserisci all'interno di un ciclo chiuso (un loop, appunto) dotato di un innesco automatico (un trigger, ad es. Ogni mattina alle 8:00 o Ogni volta che arriva una mail) e di una rigida condizione di stop.
In questo sistema, l'Agente IA fa tre cose senza alcun input umano:
➡️ si attiva e agisce: parte da solo al verificarsi dell'evento ed esegue il compito;
➡️ si auto-valuta: non ti chiede più "Come ti sembra?", ma controlla il proprio lavoro confrontandolo con criteri di successo oggettivi e prestabiliti inseriti nel loop;
➡️ si corregge e reitera: se il lavoro non supera il test oggettivo, l'agente non si ferma aspettando le tue correzioni, ma ricomincia da capo da solo, aggiusta il tiro e riprova, senza che tu debba mai intervenire.
Il loop si ferma solo quando l'obiettivo oggettivo è stato raggiunto. Invece di chiedere all'IA:
Creami un quiz a risposta multipla sulla Rivoluzione Francese
un approccio basato sul Loop Engineering direbbe:
Il tuo obiettivo è creare un quiz sulla Rivoluzione Francese. Le condizioni affinché il lavoro sia finito sono:
1. ci devono essere 10 domande,
2. nessuna opzione di risposta deve essere palesemente falsa,
3. il linguaggio deve essere adatto ad alunni della scuola secondaria di 1° (o 2°) grado,
4. i concetti devono coprire equamente cause, eventi e conseguenze.
Genera il quiz, controllalo usando questi criteri, correggilo se necessario e fermati solo quando tutte le condizioni sono soddisfatte.
Mentre tu sei impegnato in altro, la macchina crea, legge se stessa, trova i suoi errori, cancella, riscrive e si auto-valuta decine di volte in pochi secondi.
{alertWarning} Il passaggio epocale è questo: l'IA inizia a porsi domande da sola.
Tu non sei più il singolo giocatore in campo, sei l'allenatore della squadra, definisci la strategia di gioco e gestisci un intero staff in cui ognuno ha il proprio ruolo (il preparatore atletico, il medico sportivo, il massaggiatore, chi prepara le divise, ...), lasciando che lavorino in autonomia e sinergia seguendo le tue indicazioni.
Il Graph Engineering: l'equipe dei cervelli digitali
Se il Loop Engineering è straordinario per compiti specifici, ha però un tallone d'Achille. Se chiedi a una singola guida alpina di fare troppe cose contemporaneamente – scalare la montagna, fare le foto, cucinare la cena, studiare la geologia del posto e scriverti il diario di viaggio – a un certo punto andrà in confusione.
Nel mondo dell'IA, questo fenomeno si chiama Context Rot (il deterioramento del contesto). Quando chiedi a un singolo agente di fare un lavoro enorme (ad es. Analizza tutte le verifiche dei miei studenti, trova le lacune, scrivimi un piano di recupero personalizzato per ognuno e prepara le slide), la sua memoria a breve termine si satura. Inizia a mescolare i dati, dimentica i pezzi, produce le cosiddette allucinazioni.
La soluzione non è un singolo agente più potente, ma una squadra. Qui entra in gioco il Graph Engineering.
{alertInfo} Invece di avere un super-cervello che fa tutto male, progetti un "Grafo" (una mappa concettuale o un diagramma di flusso) composto da tanti sub-agenti iper specializzati, ognuno chiuso nel suo piccolo Loop.
Immagina di voler progettare una UDA interdisciplinare complessa. Nel mondo del Graph Engineering, non lo chiederesti a ChatGPT, useresti un sistema organizzato così:
➡️ l'agente Ricercatore: cerca in rete i materiali, i documenti ministeriali e le fonti più aggiornate. Fa solo questo.
➡️ l'agente Didattico: prende i materiali del Ricercatore e li adatta in base a diversi stili cognitivi o BES.
➡️ l'agente Creativo: genera le attività pratiche, gli spunti di discussione e i laboratori.
➡️ l'agente Valutatore indipendente (il vero colpo di genio): questo agente non produce nulla, il suo unico compito è leggere il lavoro degli altri tre agenti e bocciarlo o approvarlo basandosi su una griglia di valutazione che tu hai impostato (ad es. Le fonti sono affidabili? Le tempistiche in classe sono realistiche?).
Questi agenti lavorano in parallelo, si passano i documenti, discutono tra loro in background (letteralmente, un'IA corregge l'altra) e alla fine ti consegnano un pacchetto formativo preciso, testato e revisionato.
La rivoluzione invisibile per la didattica: cosa cambia per gli studenti
Arrivato a questo punto, una domanda che potremmo porci è che se l'Intelligenza Artificiale non solo esegue, ma ora si autovaluta, si corregge, si divide i compiti e fa il lavoro di squadra... cosa resta da fare ai nostri studenti? Questa è la vera sfida, perché se nella fase dei chatbot avevi paura del "copia-incolla", nell'era dei Loop e dei Graph il rischio è l'esternalizzazione totale del pensiero. Se dai un compito a casa e i tuoi alunni attivano una rete di agenti che fa ricerca, scrive, si revisiona e impagina il PDF perfetto... come li valuti?
Partiamo da un presupposto fondamentale: qui non si tratta di delegare il lavoro con una semplice richiesta magica.
Sfruttare reti neurali di questo tipo significa, al contrario, dover sviluppare una visione ampia del problema/obiettivo e saper elaborare un piano rigoroso per la sua risoluzione. Tutto questo costringe l'utente (docente o studente che sia) ad attuare profondi meccanismi di analisi e sintesi, coinvolgendo il pensiero critico e richiedendo l'acquisizione di ulteriori competenze, sia tecniche sia architetturali.
In sintesi, richiede una profonda comprensione del contesto.
Sai benissimo (magari per averlo letto su questo blog o per tua esperienza diretta) che la qualità della risposta di un chatbot è in stretta relazione alla qualità e alla struttura del tuo prompt iniziale. Ma con gli agenti autonomi andiamo molto oltre: il fulcro diventa il contesto e l'architettura.
Immagina, ad esempio, di aver bisogno di una piccola web-app personalizzata tipo to-do-list o per la gestione dei tuoi impegni. Attualmente avresti tre possibilità : o usi Google Calendar (o mille altre) che magari non ti soddisfa, o ne acquisti una che fa al caso tuo, o chiedi a uno sviluppatore senior di crearla per te, oppure te la crei tu con qualche strumento di IA.
In quest'ultimo caso, non basterebbe delegare all'IA scrivendo un prompt del tipo Creami un'app to-do-list per uso personale. Una richiesta così non ti porterebbe da nessuna parte.
Per avere un risultato adeguato, dovresti essere tu per primo ad avere le idee chiare: dovresti conoscere almeno la differenza logica tra html, CSS, JavaScript e Python, sapere (o farti spiegare) come far girare l'app in locale o come depositarla su un server esterno, e dovresti essere in grado di riaggiustare e affinare la rotta dell'agente passo dopo passo.
In sintesi: dovresti mettere in campo tutte le tue conoscenze e molto probabilmente acquisirne di nuove sul momento per poter dirigere i lavori.
Lo stesso identico principio vale per i nostri studenti. Affidare la creazione di un progetto a una rete di agenti non sarà mai un lavoro passivo. Se il ragazzo non padroneggia i concetti fondamentali (il contesto), non saprà mai impostare una strategia sequenziale, non capirà se l'agente sta "allucinando" e non saprà validare il risultato finale.
{alertSuccess} La risposta alla domanda iniziale è che devi cambiare l'oggetto della tua valutazione.
L'era dei Loop e del Graph Engineering determinerà un salto di paradigma, trasformando le competenze richieste agli alunni da esecutive a direttive e organizzative.
Queste sono le tre nuove competenze fondamentali che noi (e le future Gen Z e Alpha) dovremo coltivare:
1. L'arte di definire i criteri
2. Il Pensiero sistemico
➡️ Di quali sub-agenti ho bisogno?
➡️ Uno che cerchi dati scientifici, uno che scriva il copy, uno che faccia la grafica?
➡️ Come dialogano tra loro?
➡️ Chi controlla chi?
Questa è la massima espressione del pensiero computazionale applicato alla vita reale, si passa dall'essere operai del testo all'essere architetti di processi.
3. Il senso e l'etica
Considerazioni finali: il nuovo regista dell'apprendimento
Non illudiamoci che queste tecnologie siano lontane. Gli strumenti per creare Loop e Graph (come Google Antigravity, Claude Code, Cursor, Microsoft AutoGen e molti altri) sono già nelle mani dei professionisti e stanno per arrivare, semplificati, nelle interfacce di uso quotidiano dei nostri smartphone e computer, e i nostri alunni Gen Z e Alpha ci vivranno immersi.
Probabilmente vietare questi strumenti ci sarà impossibile, ma ignorarli sarà didatticamente fatale.
L'era del Prompt Engineering ci ha insegnato a dare ordini precisi. L'era del Loop e Graph Engineering ci insegna che, per guidare sistemi autonomi complessi, non ti basta saper impartire un ordine: ti serve chiarezza d'intenti, visione d'insieme e un ferreo spirito critico.
Non cresceremo una generazione di scansafatiche che delegherà i compiti all'IA. Se accetteremo la sfida pedagogica (costretti o meno), dovremo formare una generazione di menti direttive: ragazzi capaci di coordinare enormi potenze di calcolo per risolvere problemi che oggi ci sembrano insormontabili, mantenendo salda la barra del giudizio umano.
Noi, come docenti, non siamo chiamati a gareggiare in velocità o erudizione con le macchine, ma ad essere i registi di questo nuovo modo di pensare, potenzialmente straordinario ma a tratti spaventoso.
0 Commenti